1.基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，包括：获取网络故障数据，对获取的网络故障数据进行预处理；

构建自监督解缠绕超图注意力神经网络模型，所述神经网络模型包括嵌入模块、表示学习模块、自监督对比学习模块以及预测模块，其中，嵌入模块用于将输入网络故障数据转化为嵌入向量，表示学习模块包括解缠绕超图注意力子模块和对偶图卷积子模块，其中，解缠绕超图注意力子模块用于挖掘网络内故障之间的复杂关系，并采用解缠绕的方法获取网络故障背后的潜在原因，对偶图卷积子模块用于采用对偶图卷积来获取网络设备节点间故障发生的关联关系，自监督对比学习模块用于将表示学习模块的两个子模块视为描述网络的不同层次，通过自监督对比学习对比两个子模块学习的两组网络嵌入表示，预测模块用于根据学习到的节点嵌入和序列嵌入预测节点成为下一个故障的概率，从而对网络故障进行预测；

利用自监督解缠绕超图注意力神经网络模型对网络故障数据中的故障进行预测。

2.如权利要求1所述的基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，所述网络故障数据包括故障类型、网络节点设备信息和时间节点信息，步骤S1的预处理包括：将故障发生的时间节点和时间序列数据基准转化为时间序列样本，得到故障时间序列，表示当前设备随时间变化发生的所有故障类型，故障类型包括但不限于端口故障、网卡故障、路由器故障、断网、断电、网线故障。

3.如权利要求1所述的基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，步骤S2中嵌入模块的处理过程包括：以网络设备的故障时间序列为输入，将输入的故障时间序列转化为嵌入向量s，同时以每个故障时间序列作为超边，故障时间序列共有节点作为超图顶点构建超图G＝(V,E)，并以超图的超边为顶点构建对偶图G'＝(V',E')，其中，V和E分别表示超图的顶点和边，V'和E'分别表示对偶图的顶点和边。

4.如权利要求1所述的基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，解缠绕超图注意力子模块的处理过程包括：(1)利用GCN迭代地执行超图卷积的基本思想，通过节点信息在超图上的传播和聚合来学习节点的表示：其中，i和j表示特定的节点，N和M分别表示节点的总数和边的总数，Hiε和Hjε分别表示节点i和节点j是否包含在边ε上， 表示节点i在超图卷积的第l+1层上的嵌入表示， 表示节点j在超图卷积的第l层上的嵌入表示，关联矩阵 表示超图结构，若超边ε∈E包含一个顶点vi∈V则Hiε＝1，否则Hiε＝0，超边权重Wεε统一分配权值为1，式(1)的矩阵形式为：(l+1) T (l)

X ＝HWHX

其中， 和 分别为第(l)和第(l+1)层的输入数据的矩阵形

T (l+1)

式，H和H为关联矩阵和其转置表示，W为权重，对X 进行归一化后表示为：(l+1) ‑1 ‑1 T (l)

X ＝D HWB HX

(0)

其中，对角矩阵D和B分别表示顶点和超边的度矩阵，将初始输入数据X 经过L层超图卷积层后，最终的节点嵌入表示Xh为：其中， 表示超图卷积层中第l层的嵌入表示，L表示超图卷积层的网络总层数；

(2)提取网络故障的潜在独立因素，同时找出这些因素相互影响的关，具体为：将输入序列节点特征投影到划分的K个不同的子空间中，每一个子空间对应一个影响因子，存在K个潜在因子，其中，潜在因子zi,k为节点i在因素k上的表示， 和 是可学习的参数，xi是节点ii的表示，σ(·)是非线性激活函数， 是每个因子的维数；节点通过解缠绕将节点表示划分为K个分量，节点表示由K个子空间组成，每个子空间传输对应的节点表示信息，对于序列中的单个节点，从它的历史交互节点 聚合信息，因子k从历史交互节点影响ii的影响程度：其中，i和j表示特定的节点，zj,k和zj,k'为节点j在因素k、k'上的潜在因子表示， 表示节点ii和ij在因子k上的相似程度和从ij到ii的信息转换程度， 根据节点ii相邻历史交互节点子空间的概率进行信息累积，并更新节点表示，获得节点i在因素k上的最终表示其中， 和bk分别表示在因子k上的权重和偏置，xj为节点j的嵌入表示，使用L2归一化，公式如下所示：通过将节点表示投射到不同的子空间中，从不同意图角度聚合节点的信息，整个序列的节点表示zi表示为K个子空间的组合：为归一化后的节点i在因素1上的最终表示， 为归一化后的节点i在因素k上的最终表示；

(3)采用均值池化生成序列的解缠绕表示，该表示由K个潜在因素组成，将zi重塑为向量形式 zi压成如下形式：其中 表示实体的序列节点表征；序列中的时间信息采用一个可学习的位置矩阵Pr＝[p1,p2,p3,…,pm]表示，其中m是当前序列的长度，将位置嵌入融入到序列嵌入中保持其时间性：其中，i表示特定节点，Pm‑i‑1表示位置矩阵， 表示考虑了时间特性后的第t个节点嵌入表示，W1表示可学习权重参数，Ct表示当前序列s内的第t个节点嵌入表示，b为可学习参数；

(4)引入自注意力机制学习序列中节点之间的相关性，表示为：

h

其中， 为自注意力计算过后新的输出数据，X是初始输入数据，即时间序列数据，dkh Q h K h V Q K V为键向量的维度，Q＝X W是查询矩阵，K＝X W是键矩阵，V＝X W是值矩阵，W ,W ,W是权重矩阵，softmax(·)是激活函数，聚合节点嵌入表示过程如下：其中，Xm表示第m个输入数据， 表示序列s的嵌入表示，αt表示第t个节点的注意力分数，c表示偏置， 表示序列s的第t个节点嵌入表示，θh表示解缠绕超图卷积子模块最终学习到的节点嵌入表示。

5.如权利要求1所述的基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，对偶图卷积子模块的处理过程包括：对偶图在每次卷积操作中，当前序列从邻居序列中传播和收集信息，学习的表示θ能够捕获到网络间的特征信息，其中，对偶图的卷积操作表示为：(l) (l+1)

其中，θ 、θ 分别表示对偶图卷积第l层和第l+1层的嵌入表示， 表示度矩阵， 表示邻接矩阵；

其中，对偶图卷积子模块中，对每层获得的序列表征表示使用均值池化获得最终的网络设备间的嵌入表示θd：L'表示对偶卷积层的总层数。

6.如权利要求1所述的基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，自监督对比学习模块的处理过程包括：采用Info‑NCE作为学习目标，其具有来自正样本和负样本之间的标准二进制交叉熵损失，计算方式为：其中，i表示特定节点， 通过对θh进行行变换和列变换得到的负样本， 是通过对θdh d进行行变换和列变换得到的负样本，判别器函数为 fD(θi ,θi)用以判h d别样本θi和θi之间的差异性， 用以判别样本 和 之间的差异性。

7.如权利要求6所述的基于自监督解缠绕超图注意力的网络故障预测方法，其特征在于，预测模块的处理过程包括：在给定序列s的情况下，通过在从超图中学习的节点嵌入Xi和序列嵌入sg之间进行内积，计算所有候选节点i∈I的预测分数Z，其中，节点i的预测分数Zi的计算方式为：采用softmax函数预测节点成为下一个故障的概率

表示任意一个节点的预测分数，

采用交叉熵损失函数Lr学习优化目标：

其中，N表示节点数量、yi和 分别表示节点i的真实值和预测值，y是正热编码向量，采用Adam最小化Lr，最终的学习目标L定义为：L＝Lr+βLs

其中，β是控制自监督对比学习任务的可变控制因子。

8.基于自监督解缠绕超图注意力的网络故障预测装置，其特征在于，包括：预处理模块，用于获取网络故障数据，对获取的网络故障数据进行预处理；

模型构建模块，用于构建自监督解缠绕超图注意力神经网络模型，所述神经网络模型包括嵌入模块、表示学习模块、自监督对比学习模块以及预测模块，其中，嵌入模块用于将输入网络故障数据转化为嵌入向量，表示学习模块包括解缠绕超图注意力子模块和对偶图卷积子模块，其中，解缠绕超图注意力子模块用于挖掘网络内故障之间的复杂关系，并采用解缠绕的方法获取网络故障背后的潜在原因，对偶图卷积子模块用于采用对偶图卷积来获取网络设备节点间故障发生的关联关系，自监督对比学习模块用于将表示学习模块的两个子模块视为描述网络的不同层次，通过自监督对比学习对比两个子模块学习的两组网络嵌入表示，预测模块用于根据学习到的节点嵌入和序列嵌入预测节点成为下一个故障的概率，从而对网络故障进行预测；

故障预测模块，用于利用自监督解缠绕超图注意力神经网络模型对网络故障数据中的故障进行预测。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项权利要求所述的方法。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项权利要求所述的方法。