基于事例的推理克服了基于规则的推理的许多不足：前者知识的单元是事例，检索是基于对事例的部分匹配，而对于后者知识的单元是规则，检索是基于对规则的完全匹配。但是在基于事例的推理系统刚开始运行的时候，一般很少能找到完全匹配的事例，随着事例库的增长，系统的效率也会逐渐提高。并且系统具有自学习的能力。缺点是它总是与某一个特定应用领域紧密相关，而不存在一个通用的事例方法。它对于网络变化处理反应不敏感，处理过程较复杂而且费时，这对于要求实时性高的告警处理是一个问题。
　　基于模型的推理通过模型间的互操作来达到事件关联的目的，这对降低网络管理系统的网络负载有一定的好处。但是它需要为每个网元建立一个模型软件，当网络规模逐渐增大时这一任务的复杂性就会越来越高。
　　对于贝叶斯网络来说，计算出每一个节点相关概率是一个NP-hard 的问题。虽然通过采用恰当的启发式算法，可以在可接受的时间内算出几千个节点的计算，但贝叶斯网络边界概率的计算效率仍是一个有待解决的难题。
　　基于神经网络的方法具有良好的自学习能力，而且对输入的数据具有较好的容错性。但神经网络需要过多的训练，在通信网络中很难找到较好的训练数据。
　　数据挖掘方法不需要知道网络拓扑结构关系，因此当网络拓扑结构发生变化时，可以通过告警的历史记录进行分析，自动发现新的告警相关性规则，这减轻了网络管理员的工作强度，提高了工作效率。因此基于数据挖掘告警相关性系统可以很快地调整适应一些变化快的通信网络，解决通信网络中出现的新问题[1]。

　　5 结论
　　随着通信网络的迅速发展，对网络的维护变得越来越困难，对告警处理愈显重要。
　　传统上人们倾向于采用某一种方法对告警事件进行分析，信捷职称论文写作发表网，但是通过上面介绍，我们可以得知，每一种方法都有其优缺点。如果仅仅采用一种方法，那么其效果在网络规模较小的情况下，还可以满足实际要求。当通信网络规模越来越大时，显然已经无法满足网络维护的要求。因此我们可以选用其中的两种或以上方法同时对告警事件进行分析。
　　从上面的介绍中，我们可以得知，基于规则的推理和基于事例的推理这两种方法的具有一定的互补性。基于规则的推理算法最大优点是它更符合人的思维，便于人们的理解，系统结构简单，比较容易实现。所有知识都采用“if-then”或者“condition-action”规则集的形式。基于事例推理的系统具有自学习的能力，通过直接利用过去的经验和方法，来解决给定的问题。该方法还可与神经网络和遗传算法相结合，进一步完善其学习能力。针对通信网络的特点，我们以这两种推理方法为主要手段对网络故障进行分析。

　　参考文献：
　　[1] 郑庆国,吕卫锋.通信网络中的告警相关性研究[J].计算机工程与应用.2002(2):11-14.
　　[2] 彭熙,李艳,肖德宝.网络故障管理中几种事件关联技术的分析与比较.计算机应用研究[J].2003(9):145-148.
　　[3] David Heckerman,Michael P.Wellman.Real-world Application of Bayesian Networks[J].ACM,1995,38(3):24-26.