1.基于自监督目标感知神经网络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；

构建自监督的目标感知神经网络模型，所述神经网络模型包括嵌入层、图卷积层、自适应聚合层、自监督学习模块以及预测模块，其中，嵌入层用于对预处理后的网络故障数据进行特征表示，得到项目嵌入，图卷积层用于自动提取图结构的特征，自适应聚合层节点用于对节点故障的内在原因之间的隐藏关系进行挖掘，聚合三种网络特征之间的隐含关系后得到会话的最终特征表示，其中，三种网络特征为目标感知特征、局部特征和全局特征，自监督学习模块用于生成一个与原始图具有差异的对比图，使用该对比图与原图进行对比学习，使其从图中学习到相应的信息，预测模块用于根据学习到的项目嵌入和会话的最终特征表示，计算每个目标项目的分数，并基于计算出的分数对下一段时间是否存在网络故障进行预测；

利用自监督目标感知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所述的基于自监督目标感知神经网络的网络故障预测方法，其特征在于，所述的网络故障数据包括故障对象的标识、故障发生时间、故障发生的类型，步骤S1中的预处理包括：将获取的网络故障数据转化为时间序列数据，将发生网络故障的数据节点转化为样本序列，其中，每个时间序列数据的当前时间段能够表示一份数据在某个特定时间之前已经存在的、完整的、可验证的故障数据类型。

3.如权利要求1所述的基于自监督目标感知神经网络的网络故障预测方法，其特征在于，步骤S2中嵌入层的处理过程包括：对故障节点的特征进行初始化，以故障时间序列和问题反馈的数据为输入并进行建模，构造一个图结构对故障数据进行特征表示，将每一个节点嵌入到一个统一的嵌入空间中，得到项目嵌入。

4.如权利要求1所述的基于自监督目标感知神经网络的网络故障预测方法，其特征在于，图卷积层的处理过程包括：利用图的结构信息，来获得图表示，并自动提取图结构的特征，具体为：将图结构数据转化成低维稠密的向量化表示方式，公式如下：其中， 表示当次的训练， 对应当次训练输入的数据， 对应于节点 ，表示矩阵 中的第 行， 和 分别是权重和偏差参数， 

为节点向量列表，表示在会话 中有 个节点向量， 表示第 个节点上一次训练的隐藏状态，隐藏状态表示神经网络的记忆，它包含之前节点所见过的数据的信息，和 分别为更新门和重置门，更新门和重置门分别决定要保留和丢弃的信息， 为候选隐状态，  为隐状态， 表示 激活函数，对于每个特征图，信息能够在相邻节点之间传播； 表示双曲正切函数， 表示元素级乘法， ， ， ，， ， 均为权重矩阵。

5.如权利要求1所述的基于自监督目标感知神经网络的网络故障预测方法，其特征在于，自适应聚合层的处理过程包括：获取目标感知特征的表示，公式如下：

其中，对于每个会话 ，目标项目对网络故障 的可能性用目标感知特征表示， 是第 个会话的时间戳的注意力权重， 是可学习的参数，并通过引入一个本地目标注意模块来计算会话序列 中所有项目 和每个目标项目之间的注意权重 ，在节点向量列表 中有m个节点向量，为节点向量列表， 表示会话 中的所有项目， 表示会话 中的第j个项目， 包含 ；

获取局部特征的表示，公式如下：

为局部特征的表示， 表示会话序列 中进行的最后一个事件的项目的特征表示；

获取全局特征的表示，公式如下：

为全局特征的表示，引入一个全局目标注意模块来计算会话 中所有项目和每个目标项目 之间的第 个会话的时间戳的注意力权重 ，其中 ， ，， 是可学习参数；

对局部特征和全局特征进行聚合，包括：获取局部特征和全局特征的选通函数：其中， 和 是可学习的变换矩阵， 是可学习参数， 是

激活函数，根据 对局部特征和全局特征进行聚合：

其中， 为局部特征和全局特征的选通函数， 和  表示为了平衡聚合局部特征和全局特征得到的信息后交换平衡参数得到的两个特征， 和 是对特征合并进行加权的权重值；

将局部特征与全局特征的聚合值与目标感知特征进行聚合，包括：获取聚合值和目标感知特征的选通函数 ：其中， 和 是可学习的变换矩阵， 是可学习参数， 是

激活函数；将局部特征与全局特征的聚合值与目标感知特征进行聚合：为会话的最终特征表示。

6.如权利要求1所述的基于自监督目标感知神经网络的网络故障预测方法，其特征在于，自监督学习模块的处理过程包括：采用DropEdge策略生成一个与原始图具有差异的对比图，在每个训练阶段，DropEdge策略都会以一定的比率随机删除输入图形的边，它随机将相邻矩阵 的 非零元素强制为零，其中 是边的总数， 是删除概率，所得的邻接矩阵表示为 ，邻接矩阵与的关系为：其中， 是由原始边集合 中的大小为 的随机子集展开的稀疏矩阵，对 执行重新规范化得到 ，将公式中的 替换为 ，用于对比图的传播和训练；通过预训练将原始图转换为对比图的方式为：其中， 和 分别表示原始图和对比图， 和 分别表示原

始图和对比图的节点集， 和 分别表示原始图和对比图的边集；

利用一个噪声对比型目标，在正对和负对之间使用标准的二进制交叉熵损失来建模自监督学习任务，其中，二进制交叉熵损失函数 的形式如下：其中，每一个正对由全局信息和一个局部信息组成，每一个负对由全局信息和一个对比图中对应的局部信息组成， 和 分别表示原始图和对比图的顶点集，表示原始图中所有正对的集合， 表示原始

图中所有负对的集合， 为原始图的全局信息， 为原始图的局部信息， 为一个对比图中对应的局部信息；

最大化对比图的全局信息和局部信息之间的互信息，公式如下：其中 和 分别表示原始图和对比图的顶点集， 表示对比

图中所有正对的集合， 表示原始图中所有负对的集合， 为对比图的全局信息；

根据二进制交叉熵损失函数和互信息得到自监督对比学习模块最终的损失函数 ：其中， 和 是平衡不同任务贡献的超参数。

7.如权利要求6所述的基于自监督目标感知神经网络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：根据每个候选项的初始嵌入以及当前会话的最终特征表示，首先进行点积运算，然后使用 函数获得输出，公式入选：其中，取候选项的初始嵌入 和前会话的最终特征表示的内积 来计算每个目标项目 的出现的score分数 ， 表示预测下一段时间是否存在网络故障，函数，为归一化指数函数；

预测模块的损失函数 为预测结果的交叉熵：

其中，有 组已知样本，  表示第  组样本， 为调整经验损失和结构损失关系的系数， 为模型参数向量的范数， 表示真实样本分布， 表示模型预测分布；

根据预测模块的损失函数和自监督对比学习模块最终的损失函数得到模型最终的损失函数 :其中， 是控制自监督学习约束规模的超参数。

8.基于自监督目标感知神经网络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，用于构建自监督的目标感知神经网络模型，所述神经网络模型包括嵌入层、图卷积层、自适应聚合层、自监督学习模块以及预测模块，其中，嵌入层用于对预处理后的网络故障数据进行特征表示，得到项目嵌入，图卷积层用于自动提取图结构的特征，自适应聚合层节点用于对节点故障的内在原因之间的隐藏关系进行挖掘，聚合三种网络特征之间的隐含关系后得到会话的最终特征表示，其中，三种网络特征为目标感知特征、局部特征和全局特征，自监督学习模块用于生成一个与原始图具有差异的对比图，使用该对比图与原图进行对比学习，使其从图中学习到相应的信息，预测模块用于根据学习到的项目嵌入和会话的最终特征表示，计算每个目标项目的分数，并基于计算出的分数对下一段时间是否存在网络故障进行预测；

故障预测模块，用于利用自监督目标感知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。