随着电信网络的迅速发展,网络中的基站及核心设备规模越来越大,网络拓扑关系也越来越复杂。一旦某个网元出现故障,往往会引发一系列的告警,纷杂繁多的告警信息给故障的定位及溯源带来不小的挑战。另外,一个完整的拓扑关系图必不可少,但是目前由于信息丢失、关系复杂等原因导致部分网元之间拓扑关系缺失,给故障的定位及溯源又增加了不少难度,所以当务之急是要完善网元缺失的拓扑关系。告警数据又蕴含着十分重要的信息,故本论文对目前告警分析存在的数量庞大、信息冗余、时间异步、告警属性等问题展开了研究,提出了{关联分析+分类}方法来预测缺失拓扑关系,并基于实际的电信网络告警数据对所提算法进行了多次训练和验证。首先,针对告警数据属性信息冗余的问题,对告警数据进行规范化和精简化操作,然后针对时间异步问题,提出基于时间滑动窗口来完成告警关联的初步分析,再对得到的关联项集进行整理和规范,根据得到的关联特征结合网元资源文件获取已知拓扑关系的告警数据集,称为告警关联分析预处理数据集,作为分类算法的输入集,并将训练得到的模型使用测试集验证,实验结果证明了该方法的有效性。为了得到更好的分类效果,用CNN代替了分类算法。针对告警关联分析预处理数据集各个属性类型的特点,各自进行量化编码、缩放处理等映射操作,然后根据该数据集的时序特征构建了conv1d,并通过多个不同的训练集及验证集证明了使用CNN的效果更好。为了证明关联分析的必要性,又提出了告警次数统计预处理数据集。该数据集首先对网元ID进行笛卡尔积,然后对网元对在一个时间窗内发生的告警次数进行特征提取,针对分类算法和CNN,对数据集进行了相应的格式转换和量化编码,并根据数据集的形式特征构建了 conv2d,通过多个不同的训练集及验证集说明了该数据集的局限性,从而证明了关联分析的合理性和必要性。本次研究创新性地提出了 {关联分析+分类/CNN}联合算法,证明了其有效性,并且通过对比实验证明了关联分析的必要性;关于后续的研究部分,则可以尝试使用其他的方法来进行特征提取,以便达到更好的分类效果。