1.一种面向网络智能运维系统的故障根因定位方法，其特征在于：包括以下步骤：步骤1，将已经过标记的不平衡故障根因数据进行数据的划分，从中筛选出类别为少类的样本数据，即标签为1，将其作为源数据集S1，另一类样本，即标签为0，将其作为源数据集S2；

步骤2，采用生成对抗网络模型，首先利用生成器对源数据集S1进行数据的生成，再利用判别器对生成的数据进行损失计算，得到合成数据，将其作为合成数据集T；

步骤3，采用源数据集S1、源数据集S2和合成数据集T进行整合形成最终的整合数据集Q，并将其划分为训练集M和测试集N；

步骤4，用训练集M构建并训练根因分类器，对测试集N进行预测，根因分类器输出测试集N中可能的故障根因；

步骤5，利用根因分类器的输出对测试集N中所有实例进行标记，得到标记结果c，所述标记结果c的标记值为0时，表示实例非故障根因，标记值为1时，表示实例为故障根因；

步骤6：根据标记结果c，输出故障根因。

2.根据权利要求1所述的一种面向网络智能运维系统的故障根因定位方法，其特征在于：所述步骤2中的生成器采用编码器‑解码器‑编码器子网模型，其中两个编码器分别学习获取输入样本表示和生成样本表示，解码器尝试重构输入数据；将噪音数据X馈入第一个编码器Encoder1，Encoder1是由卷积层、批处理范数、LeakReLU激活函数组成；Encoder1将输入数据X转换成潜在表示，是Decoder用来重构输入数据的样本；Decoder是由卷积转置层、LeakReLU激活函数和批处理范数组成；第二个编码器Encoder2的网络结构与Encoder1相同，但参数不同，输出在数据维度上与相同；生成器的损失函数是通过式(1)三种损失函数之和来指示生成器：

L＝ωfLf+ωaLa+ωbLb         (1)式(1)中，Lf是差异损失，通过生成的样本输入判别器，根据判别器的输出来计算；La是表观损失，Lb是潜在损失，以最小化真实样本的潜在表示和生成样本的编码瓶颈特征之间的距离；ωf、ωa和ωb为超参数；

采用式(1)来指示生成器；

判别器的损失函数是通过式(2)来指示判别器：式(2)中PG(x)表示生成数据分布，Pdata(x)表示真实数据分布， 和代表两个数据分布的期望值；fw表示判别器，α表示正则项， 表示梯度惩罚项， 表示整个样本空间，其分布可由以下步骤得到：i

随机选取一个真实样本x、一个生成样本 一个[0,1]随机数ε；

得到插值样本 由式(3)表示：多个插值样本构成的分布，记作

3.根据权利要求1所述的一种面向网络智能运维系统的故障根因定位方法，其特征在于：所述步骤5中采用式(4)计算得到标记结果c：式(4)中， 为样本k的第i个特征，D为所有可用于模型训练的数据集，Dk为D中的子集，yj为样本j的特征值，a为参数，p为先验值。

4.基于权利要求1至3任意一项所述的一种面向网络智能运维系统的故障根因定位系统，其特征在于：包括：

数据集划分模块，用于对从不平衡数据集中筛选出少类样本所形成的源数据集S1和多类样本所形成的源数据集S2；

生成对抗网络模型模块，用于对源数据集S1进行数据增强，以此生成高质量的合成数据，作为合成数据集T；

生成器：用于生成合成数据，以输入给判别器进行判别；

判别器：用于判别是原始数据还是合成数据，并计算二者之间的损失；

根因分类器，用于对测试集N进行预测，输出测试集N中每个实例故障根因；

标记模块，用于对测试集N中所有实例进行标记，得到标记结果；

显示模块，用于根据标记结果，定位并显示网络中的故障根因。

5.根据权利要求4所述的一种面向网络智能运维系统的故障根因定位系统，其特征在于：生成对抗网络模型模块中，生成合成数据T并与源数据集S1和源数据集S2合并构成整合数据集Q。

6.根据权利要求5所述的一种面向网络智能运维系统的故障根因定位系统，其特征在于：采用整合数据集Q构建根因分类器。