3.3 基于模型的推理
　　在基于模型的推理系统中，每个被管对象都有一个模型与之相对应。一个模型实际上就是一个软件模块。处于网络管理系统中的事件相关器建立在面向对象的模型之上，模型之间的协作形成事件关联。网络管理系统和被管网元之间的通信是通过事件关联器和每个被管网元的模型之间的通信实现的，被管网元和被管网元之间的通信是通过被管网元的模型之间的通信实现的。这样，模型之间的关系反映出它们所代表的被管网元之间的关系[2]。
　　每个模型通过与自身所表示的被管网元以及与其它模型之间进行通信，分析自身所表示的网元是否发生故障。因此，网元的故障首先由模拟该网元的模型识别出，然后报告给网络管理系统。
　　3.4 贝叶斯网络
　　贝叶斯网络 [3]提出处理不确定性的新方法。通过这些方法即使在信息不完全和不精确的情况下，也可以进行推理。通信网络中发生的告警事件，可能会发生丢失，收集到的具有相关性告警事件是不确定的。而且激发相关性告警的故障原因也是不确定的。所以通过贝叶斯网络来分析通信网络中告警相关性，可以克服告警事件的不确定性。
　　3.5 神经网络
　　神经网络是模仿人类神经系统的工作原理，又相互联结的神经元组成的系统。各神经元之间是简单的输入/输出的关系。通过学习待分析数据中的模式来构造模型，而这个模型本身相当于一个“黑箱”，我们并不了解“黑箱”内部的东西，而只要求我们在已经训练好的神经网络中输入端输入数据，就可以在输出端直接得到预期的结果。
　　3.6 数据挖掘
　　数据挖掘是在数据中发现新颖的模式。它是基于过去事例的泛化的一种归纳学习。数据挖掘在通信领域中的典型应用是基于历史告警数据，发现告警相关性规则。根据发现的规则，来分析和预测网络元件可能出现的故障。
　　3.7 模糊逻辑
　　由于通信网络结构十分复杂，几乎不可能建立关于这些网络的精确模型，所以需要用模糊逻辑方法来处理一些具体问题。而且实际上由于网络配置经常发生变化，网络模型越详细，那么它过时的速度会越快。并且在故障和告警之间的因果关系通常是不完全的，如由于路由故障，一些告警事件发生丢失。因此可以通过模糊逻辑描述出不精确网络模型，用于分析不完全的告警相关性[1]。
　　由通信专家所提供的知识经常是不精确的，很难直接用于网络管理。模糊逻辑中最根本的概念是模糊集合。模糊集合中任何一个元素归属于某个集合，不再是从True 或False的两者选择其一，而是在区间[0,1]之间的一个值。所以通过模糊逻辑来描述网络模型，采用模糊推理来确定出相关性规则。
　　
　　4 分析和比较
　　下面对上述几种告警关联技术的优缺点进行分析和比较。
　　基于规则的推理系统结构简单，比较容易实现。但对于基于规则的系统来说，当规则数目达到一定量时，规则库的维护变得越来越困难。而且知识的获取是基于规则系统的一个很大瓶颈，因为规则获取主要从专家那里获得，且无自学习的功能。而且在这种演绎推理过程中，没有充分利用过去经验并且缺乏记忆。