CN110188883A - 故障分析方法、装置、计算设备及计算机存储介质 - Google Patents

故障分析方法、装置、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN110188883A
CN110188883A CN201910325225.7A CN201910325225A CN110188883A CN 110188883 A CN110188883 A CN 110188883A CN 201910325225 A CN201910325225 A CN 201910325225A CN 110188883 A CN110188883 A CN 110188883A
Authority
CN
China
Prior art keywords
words
fault
word
fault signature
information system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910325225.7A
Other languages
English (en)
Inventor
马亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Hebei Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Hebei Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Hebei Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910325225.7A priority Critical patent/CN110188883A/zh
Publication of CN110188883A publication Critical patent/CN110188883A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/22—Design optimisation, verification or simulation using Petri net models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

本发明公开了一种故障分析方法、装置、计算设备及计算机存储介质。其中，故障分析方法，包括：获取信息系统的故障信息；利用词频字典及N‑Gram算法，对故障信息进行处理，得到故障特征词集合；基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。基于本发明提供的方案，通过从故障信息中提取出特征词，利用所提取的特征词进行故障分析，提高了故障分析效率，大大减少人工对信息系统故障的筛选时间，利用建立的模糊故障Petri网模型进行故障分析，提高了故障识别的有效性和准确性，此外，还降低故障冗余告警，提高了故障识别率。

Description

故障分析方法、装置、计算设备及计算机存储介质
技术领域
本发明涉及通信技术领域，具体涉及一种故障分析方法、装置、计算设备及计算机存储介质。
背景技术
信息系统已经成为企业重要的组成部分，并在日常工作中担负着不同的功能，只有每个信息系统都时刻保证正常运行，才能使企业日常业务正常运行，然而，由于信息化系统复杂性不断将增加，系统运行环境、应用软件、共享资源、病毒入侵、网络攻击等因素，都有可能导致系统运行状态发生变化、导致业务运行不正常。因此，快速有效地发现和解决系统问题是保障业务顺利运行的重点之一。
目前，当信息系统故障发生后，将故障信息通过信息系统以文字的形式进行保存和记录，通过工单系统对故障进行处理。在对故障进行处理时存在以下缺陷：其一、大量数据下人工操作易出错，累计大量故障信息没有应用到信息系统故障维护和实际应用中去，大量人工操作容易对故障及时处理产生干扰；其二、冗余告警数量庞大：现场故障报警数量巨大，冗余告警比重较大，大量告警为虚假告警，人工分析耗时耗力。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的故障分析方法、装置、计算设备及计算机存储介质。
根据本发明的一个方面，提供了一种故障分析方法，包括：
获取信息系统的故障信息；
利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合；
基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；
利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
根据本发明的另一方面，提供了一种故障分析装置，包括：
获取模块，适于获取信息系统的故障信息；
处理模块，适于利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合；
建立模块，适于基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；
故障分析模块，适于利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；
存储器用于存放至少一可执行指令，可执行指令使处理器执行上述故障分析方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行如上述故障分析方法对应的操作。
根据本发明提供的方案，获取信息系统的故障信息；利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合；基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。基于本发明提供的方案，通过从故障信息中提取出特征词，利用所提取的特征词进行故障分析，提高了故障分析效率，大大减少人工对信息系统故障的筛选时间，利用建立的模糊故障Petri网模型进行故障分析，提高了故障识别的有效性和准确性，此外，还降低故障冗余告警，提高了故障识别率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本发明一个实施例的故障分析方法的流程示意图；
图2示出了根据本发明另一个实施例的故障分析方法的流程示意图；
图3示出了根据本发明一个实施例的故障分析装置的结构示意图；
图4示出了根据本发明一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了根据本发明一个实施例的故障分析方法的流程示意图。如图1所示，该方法包括以下步骤：
步骤S100，获取信息系统的故障信息。
信息系统是维持日常业务正常运行的关键部分，因此，在进行故障分析时，需要获取信息系统的故障信息，其中，故障信息包含以下信息中的一种或多种：运行环境、发现时机、故障模式、故障描述、故障类别、信息来源。当然，故障信息还可能包含其它信息，例如，设备编号、判明方法、故障影响、危害等级、运营模式、处理方式、原因类别、故障所属系统、故障所属子系统、故障所属部件等，这里仅是举例说明，不具有任何限定作用。
步骤S101，利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合。
通常情况下，信息系统的故障信息都是由人工进行记录的，因此，很容易在记录过程中出现错误，另外，故障信息含有的属性较多，并非所有的故障信息都可以用于故障分析，例如，其中一部分信息为空白数据，其中一部分信息对于故障分析没有任何意义，因此，需要对故障信息进行处理，具体地，可以利用词频字典及N-Gram算法来对故障信息进行处理，在对故障信息进行处理之后，得到包含故障特征词的故障特征词集合。词频字典中记录了大量的特征词，在对故障信息进行处理时，将词频字典与N-Gram算法相结合，可以提高故障信息处理效率及准确率，基于所得到的故障特征词集合进行故障分析，提高了故障分析效率。
步骤S102，基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型。
在根据步骤S101得到包含故障特征词的故障特征词集合之后，根据信息系统运行过程中运行状态变化的先后顺序，以及故障特征词建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型。
步骤S103，利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
在建立模糊故障Petri网模型之后，利用所建立的模糊故障Petri网模型进行正向推理和反向推理，实现对信息系统的故障传播的智能推理，得到故障分析结果。
根据本发明上述实施例提供的方法，获取信息系统的故障信息；利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合；基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。基于本发明提供的方案，通过从故障信息中提取出特征词，利用所提取的特征词进行故障分析，提高了故障分析效率，大大减少人工对信息系统故障的筛选时间，利用建立的模糊故障Petri网模型进行故障分析，提高了故障识别的有效性和准确性，此外，还降低故障冗余告警，提高了故障识别率。
图2示出了根据本发明另一个实施例的故障分析方法的流程示意图。如图2所示，该方法包括以下步骤：
步骤S200，获取信息系统的故障信息。
信息系统是维持日常业务正常运行的关键部分，因此，在进行故障分析时，需要获取信息系统的故障信息，其中，故障信息包含以下信息中的一种或多种：运行环境、发现时机、故障模式、故障描述、故障类别、信息来源。当然，故障信息还可能包含其它信息，例如，设备编号、判明方法、故障影响、危害等级、运营模式、处理方式、原因类别、故障所属系统、故障所属子系统、故障所属部件等，这里仅是举例说明，不具有任何限定作用。
步骤S201，对故障信息进行Bigram切分处理，得到字词集合。
故障信息是描述性语言，若利用故障信息进行后续的故障分析，很容易出现故障分析不准确的问题，为了保证故障分析的准确性，需要对故障信息进行处理，具体地，可以采用步骤S201-步骤S213中的方法对故障信息进行处理。
在本步骤中，获取到信息系统的故障信息之后，对故障信息进行Bigram切分处理，将故障信息切分为长度为2的字词，切分后的字词形成字词集合。
步骤S202，针对字词集合中的字词，计算该字词与其前相邻k个字词同时出现的频率，并记录对应的关联矩阵，其中，k＝2，3，…，n。
在本实施例中，定义k+1字词的关联矩阵记录第k+1个字词与其前相邻k个字词同时出现的频率，标记为关联矩阵Dk+1，k＝2，3，…n，其中，D3代表三个字词相邻出现的频率，D4代表四个字词相邻出现的频率，依次类推，Dn+1代表n+1个字词相邻出现的频率，其中，Dn+1可以标记如下：Dn+1＝(G1,G2,G3,...,Gn,Gn+1,x)，Gi(i＝1，2，3，…n+1)表示第i个字词，x表示G1，G2，G3，…Gn，Gn+1相邻出现的频率。
在切分得到字词集合后，针对字词集合中的字词，计算该字词与其前相邻的k个字词同时出现的频率，具体地，统计连续的k+1个字词同时出现的次数，根据同时出现的次数计算得到同时出现频率，这里指k+1个字词在同一故障信息中同时出现。
步骤S203，针对字词集合中的每一个字词，判断词频字典中是否存在与该字词相匹配的词语，若是，则执行步骤S204；若否，则执行步骤S205。
在切分得到字词集合后，针对字词集合中的每一个字词，需要将该字词与词频字典进行匹配，以确定词频字典中是否存在与该字词相匹配的词语，匹配结果不同，所执行的方法步骤不同，若词频字典中存在与该字词相匹配的词语，则将字词添加至故障特征词集合；若词频字典中不存在与该字词相匹配的词语，则需要进一步统计该字词的出现频率，以做进一步判断。
词频字典中记录了大量的特征词，利用词频字典对切分得到的字词进行处理，可以提高故障信息处理效率及准确率，基于所得到的故障特征词集合进行故障分析，提高了故障分析效率。
步骤S204，将字词添加至故障特征词集合。
在判断出频字典中存在与该字词相匹配的词语的情况下，将该字词添加至故障特征词集合中。
步骤S205，统计该字词的出现频率。
在判断出词频字典中不存在与该字词相匹配的词语的情况下，为了避免由于词频字典中所记录的特征词不全，导致匹配不准确地问题，在本步骤中，需要统计该字词的出现频率，以通过出现频率进一步确定是否将字词添加至故障特征词集合。
本实施例获取到大量的故障信息，大部分故障信息为描述性语言，因此，针对该字词，可以统计该字词出现的次数，以确定该字词的出现频率。
步骤S206，判断该字词的出现频率是否大于或等于预设频率阈值，若是，则执行步骤S207。
在统计出该字词的出现频率之后，需要将该字词的出现频率与预设频率阈值进行比较，并根据比较结果确定是否将该字词添加至故障特征词集合中，其中，预设频率阈值是本领域技术人员根据实际经验而灵活设定的。若该字词的出现频率大于或等于预设频率阈值，表明虽然词频字典中未出现与该字词相匹配的词语，但是该字词出现频率很高，可以将该字词添加至故障特征词集合中；若该字词的出现频率小于预设频率阈值，表明词频字典中未出现与该字词相匹配的词语，同是该字词出现频率也不高，无需将该字词添加至故障特征词集合中。
步骤S207，将字词添加至故障特征词集合。
在判断出该字词的出现频率大于或等于预设频率阈值的情况下，将字词添加至故障特征词集合。
在本实施例中，并不具体限定步骤S202与步骤S203-步骤S207的执行顺序，可以同时执行步骤S202与步骤S203-步骤S207，也可以先执行步骤S203-步骤S207，再执行步骤S202，这里不做具体限定。
步骤S208，针对故障特征词集合中的字词，判断词频字典中是否存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语，若是，则执行步骤S209；若否，则执行步骤S210。
为了便于后续能够快速准确地识别出故障，对于故障特征词集合中的字词还需要做进一步地处理，例如，结合词频字典对连续出现的多个字词进行筛选，具体地，针对故障特征词集合中的字词，确定该字词的关联矩阵，将该字词的关联矩阵对应的k+1个字词组合在一起，然后，判断词频字典中是否存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语，若词频字典中存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语，则将k+1个字词合并，得到多字词，该多字词添加至故障特征词集合中，得到多字特征词；若词频字典中不存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语，为了提高判断的准确性，则需要结合特征词频率阈值做进一步判断。
步骤S209，对k+1个字词进行合并处理，将合并处理后的字词添加至故障特征词集合。
若词频字典中存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语，则将k+1个字词合并，得到多字词，将该多字词添加至故障特征词集合中，得到多字特征词。
步骤S210，判断关联矩阵中记录的频率是否大于或等于特征词频率阈值，若是，则执行步骤S211；若否，则执行步骤S213。
其中，特征词频率阈值与故障信息的文本长度相关。
在本步骤中，将特征词频率阈值标记为α，表示连续多个字词作为特征词的频率限制，一般根据故障信息的文本长度进行设定，例如采用词语平均频率的4倍作为特征词频率阈值α，其中，wi搬表示词语的总个数，m表示第f个词语的出现频率。
在判断出词频字典中不存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语的情况下，需要进一步判断关联矩阵中记录的频率是否大于或等于特征词频率阈值，以确定k+1个字词的组合是否为多字特征词。
步骤S211，对k+1个字词进行合并处理，将合并处理后的字词添加至故障特征词集合。
在判断出关联矩阵中记录的频率大于或等于特征词频率阈值的情况下，可以确定k+1个字词的组合是多字特征词，将k+1个字词合并，得到多字词，将该多字词添加至故障特征词集合中，得到多字特征词。
步骤S212，删除故障特征词集合中对应的字词。
在将k+1个字词合并，并将合并处理后的字词添加至故障特征词集合之后，为了避免字词重复，影响故障分析的准确性，需要删除合并前的故障特征词集合中相应的字词，也就是说，保留合并后的字词，对于合并前的字词需要删除。
步骤S213，在故障特征词集合中保留该字词。
本实施例是针对故障特征词集合中的字词所做的进一步处理，若判断出关联矩阵中记录的频率小于特征词频率阈值，表明不需要对k+1个字词进行合并处理，那么需要保留该字词。
步骤S214，基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型。
在得到包含故障特征词的故障特征词集合之后，根据信息系统运行过程中运行状态变化的先后顺序，以及故障特征词建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型。
步骤S215，利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
在建立模糊故障Petri网模型之后，利用所建立的模糊故障Petri网模型进行正向推理和反向推理，实现对信息系统的故障传播的智能推理，得到故障分析结果。
信息系统故障原因呈现多样性特点，因此会经常出现许多故障，如系统运行环境、应用软件、共享资源、病毒入侵、网络攻击等因素，都有可能导致系统运行状态发生变化。这些故障之间相互影响，甚至循环作用，使得故障诊断非常复杂。基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型，并且基于对各故障特征词的统计分析，得到了模型中库所的初始可信度，以及变迁的含义，阈值及其对应的权值。
通过引入Petri网理论，结合信息系统的故障特点，构建该系统的模糊故障Petri网模型，利用正向推理算法和反向推理算法，实现对信息系统故障传播的智能推理，快速准确判断故障。
模糊故障Petri网模型的故障诊断包括5个部分，分别为库所初始可信度显示、相应变迁的阈值和权值显示、模糊规则输入、模糊规则以及模糊故障Petri网故障分析等5个部分。利用所建立的模糊故障Petri网模型进行正向推理和反向推理，实现对信息系统的故障传播的智能推理，得到故障分析结果。
本实施例利用MVC框架+FIex+Tweaver+Amchertsk技术，实现基于机器学习的故障识别。
根据本发明上述实施例提供的方法，通过从故障信息中提取出特征词，利用所提取的特征词进行故障分析，提高了故障分析效率，大大减少人工对信息系统故障的筛选时间，利用建立的模糊故障Petri网模型进行故障分析，提高了故障识别的有效性和准确性，此外，还降低故障冗余告警，提高了故障识别率。
图3示出了根据本发明一个实施例的故障分析装置的结构示意图。如图3所示，该装置包括：获取模块300、处理模块301、建立模块302、故障分析模块303。
获取模块，适于获取信息系统的故障信息；
处理模块，适于利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合；
建立模块，适于基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；
故障分析模块，适于利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
可选地，处理模块进一步适于：对故障信息进行Bigram切分处理，得到字词集合；
针对字词集合中的每一个字词，判断词频字典中是否存在与该字词相匹配的词语；
若是，则将字词添加至故障特征词集合。
可选地，处理模块进一步适于：若词频字典中不存在与该字词相匹配的词语，则统计该字词的出现频率；
判断该字词的出现频率是否大于或等于预设频率阈值；
若是，则将字词添加至故障特征词集合。
可选地，处理模块进一步适于：针对字词集合中的字词，计算该字词与其前相邻k个字词同时出现的频率，并记录对应的关联矩阵，其中，k＝2，3，…，n；
针对故障特征词集合中的字词，判断词频字典中是否存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语；若是，则对k+1个字词进行合并处理，将合并处理后的字词添加至故障特征词集合；
若否，则判断关联矩阵中记录的频率是否大于或等于特征词频率阈值，若是，则对k+1个字词进行合并处理，将合并处理后的字词添加至故障特征词集合。
可选地，处理模块进一步适于：删除故障特征词集合中对应的字词。
可选地，特征词频率阈值与故障信息的文本长度相关。
可选地，故障信息包含以下信息中的一种或多种：运行环境、发现时机、故障模式、故障描述、故障类别。
根据本发明上述实施例提供的装置，获取信息系统的故障信息；利用词频字典及N-Gram算法，对故障信息进行处理，得到故障特征词集合；基于故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；利用模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。基于本发明提供的方案，通过从故障信息中提取出特征词，利用所提取的特征词进行故障分析，提高了故障分析效率，大大减少人工对信息系统故障的筛选时间，利用建立的模糊故障Petri网模型进行故障分析，提高了故障识别的有效性和准确性，此外，还降低故障冗余告警，提高了故障识别率。
本申请实施例还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的故障分析方法。
图4示出了根据本发明一个实施例的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示，该计算设备可以包括：处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中：
处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402，用于执行程序410，具体可以执行上述故障分析方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行上述任意方法实施例中的故障分析方法。程序410中各步骤的具体实现可以参见上述故障分析实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的故障分析设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种故障分析方法，包括：
获取信息系统的故障信息；
利用词频字典及N-Gram算法，对所述故障信息进行处理，得到故障特征词集合；
基于所述故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；
利用所述模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
2.根据权利要求1所述的方法，其中，所述利用词频字典及N-Gram算法，对所述故障信息进行处理，得到故障特征词进一步包括：
对故障信息进行Bigram切分处理，得到字词集合；
针对字词集合中的每一个字词，判断词频字典中是否存在与该字词相匹配的词语；
若是，则将字词添加至故障特征词集合。
3.根据权利要求2所述的方法，其中，所述方法还包括：若词频字典中不存在与该字词相匹配的词语，则统计该字词的出现频率；
判断该字词的出现频率是否大于或等于预设频率阈值；
若是，则将字词添加至故障特征词集合。
4.根据权利要求2或3所述的方法，其中，在得到字词集合之后，所述方法还包括：
针对字词集合中的字词，计算该字词与其前相邻k个字词同时出现的频率，并记录对应的关联矩阵，其中，k＝2，3，…，n；
在将字词添加至故障特征词集合之后，所述方法还包括：
针对故障特征词集合中的字词，判断词频字典中是否存在与该字词的关联矩阵对应的k+1个字词的组合相匹配的词语；若是，则对k+1个字词进行合并处理，将合并处理后的字词添加至故障特征词集合；
若否，则判断关联矩阵中记录的频率是否大于或等于特征词频率阈值，若是，则对k+1个字词进行合并处理，将合并处理后的字词添加至故障特征词集合。
5.根据权利要求1所述的方法，其中，在将合并处理后的字词添加至故障特征词集合之后，所述方法还包括：删除故障特征词集合中对应的字词。
6.根据权利要求1所述的方法，其中，所述特征词频率阈值与故障信息的文本长度相关。
7.根据权利要求1所述的方法，其中，所述故障信息包含以下信息中的一种或多种：运行环境、发现时机、故障模式、故障描述、故障类别、信息来源。
8.一种故障分析装置，包括：
获取模块，适于获取信息系统的故障信息；
处理模块，适于利用词频字典及N-Gram算法，对所述故障信息进行处理，得到故障特征词集合；
建立模块，适于基于所述故障特征词集合中的故障特征词，建立包含故障特征词的信息系统运行过程的模糊故障Petri网模型；
故障分析模块，适于利用所述模糊故障Petri网模型对信息系统进行故障分析处理，得到故障分析结果。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的故障分析方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的故障分析方法对应的操作。
CN201910325225.7A 2019-04-22 2019-04-22 故障分析方法、装置、计算设备及计算机存储介质 Pending CN110188883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910325225.7A CN110188883A (zh) 2019-04-22 2019-04-22 故障分析方法、装置、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910325225.7A CN110188883A (zh) 2019-04-22 2019-04-22 故障分析方法、装置、计算设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN110188883A true CN110188883A (zh) 2019-08-30

Family

ID=67714848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910325225.7A Pending CN110188883A (zh) 2019-04-22 2019-04-22 故障分析方法、装置、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110188883A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797997A (zh) * 2020-07-08 2020-10-20 北京天融信网络安全技术有限公司 网络入侵检测方法、模型构建方法、装置及电子设备
CN112183774A (zh) * 2020-09-02 2021-01-05 珠海格力电器股份有限公司 故障判断及处理方法和装置
CN112183773A (zh) * 2020-08-25 2021-01-05 珠海格力电器股份有限公司 一种故障数据处理方法、装置、设备及存储介质
CN115841221A (zh) * 2022-10-26 2023-03-24 国网吉林省电力有限公司长春供电公司 一种基于内网的应急辅助决策系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886092A (zh) * 2014-04-02 2014-06-25 北京奇虎科技有限公司 一种提供终端故障问题解决方案的方法及装置
CN104765965A (zh) * 2015-04-15 2015-07-08 国家电网公司 基于模糊Petri的GIS故障诊断与可靠性分析方法
CN105224783A (zh) * 2015-06-26 2016-01-06 北京交通大学 基于petri网的列车车门系统隐患定位的方法
CN107203202A (zh) * 2017-07-03 2017-09-26 贵州大学 基于模糊Petri网的系统可靠性分析与故障诊断方法
CN108182523A (zh) * 2017-12-26 2018-06-19 新疆金风科技股份有限公司 故障数据的处理方法和装置、计算机可读存储介质
CN109657797A (zh) * 2018-12-24 2019-04-19 中国人民解放军32181部队 基于混合诊断贝叶斯网络的故障诊断能力分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886092A (zh) * 2014-04-02 2014-06-25 北京奇虎科技有限公司 一种提供终端故障问题解决方案的方法及装置
CN104765965A (zh) * 2015-04-15 2015-07-08 国家电网公司 基于模糊Petri的GIS故障诊断与可靠性分析方法
CN105224783A (zh) * 2015-06-26 2016-01-06 北京交通大学 基于petri网的列车车门系统隐患定位的方法
CN107203202A (zh) * 2017-07-03 2017-09-26 贵州大学 基于模糊Petri网的系统可靠性分析与故障诊断方法
CN108182523A (zh) * 2017-12-26 2018-06-19 新疆金风科技股份有限公司 故障数据的处理方法和装置、计算机可读存储介质
CN109657797A (zh) * 2018-12-24 2019-04-19 中国人民解放军32181部队 基于混合诊断贝叶斯网络的故障诊断能力分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李曼: "基于机器学习的故障识别方法与系统研制", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑（月刊）铁路运输》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797997A (zh) * 2020-07-08 2020-10-20 北京天融信网络安全技术有限公司 网络入侵检测方法、模型构建方法、装置及电子设备
CN112183773A (zh) * 2020-08-25 2021-01-05 珠海格力电器股份有限公司 一种故障数据处理方法、装置、设备及存储介质
CN112183774A (zh) * 2020-09-02 2021-01-05 珠海格力电器股份有限公司 故障判断及处理方法和装置
CN115841221A (zh) * 2022-10-26 2023-03-24 国网吉林省电力有限公司长春供电公司 一种基于内网的应急辅助决策系统
CN115841221B (zh) * 2022-10-26 2023-11-21 国网吉林省电力有限公司长春供电公司 一种基于内网的应急辅助决策系统

Similar Documents

Publication Publication Date Title
CN110188883A (zh) 故障分析方法、装置、计算设备及计算机存储介质
CN113282759B (zh) 一种基于威胁情报的网络安全知识图谱生成方法
US20240185130A1 (en) Normalizing text attributes for machine learning models
CN104583935B (zh) 状态机引擎中的指令插入
CN110224850A (zh) 电信网络故障预警方法、装置及终端设备
CN108733644B (zh) 一种文本情感分析方法、计算机可读存储介质及终端设备
de Oliveira et al. FS-NER: A lightweight filter-stream approach to named entity recognition on twitter data
CN113657461A (zh) 基于文本分类的日志异常检测方法、系统、设备及介质
CN109753408A (zh) 一种基于机器学习的流程异常预测方法
Liu et al. Saliency as evidence: Event detection with trigger saliency attribution
Elshoush et al. Using adaboost and stochastic gradient descent (sgd) algorithms with R and orange software for filtering e-mail spam
CN110704616A (zh) 设备告警工单识别方法及装置
CN116842520A (zh) 基于检测模型的异常感知方法、装置、设备及介质
CN115935983A (zh) 事件抽取方法、装置、电子设备及存储介质
CN109993391A (zh) 网络运维任务工单的派发方法、装置、设备及介质
CN113886832A (zh) 智能合约漏洞检测方法、系统、计算机设备和存储介质
Eria et al. Significance-based feature extraction for customer churn prediction data in the telecom sector
CN110019763A (zh) 文本过滤方法、系统、设备及计算机可读存储介质
JPH09134365A (ja) 最適化結合ルール導出方法及び装置
CN110427496A (zh) 用于文本处理的知识图谱扩充方法及装置
Fraser et al. Computational techniques in conflict analysis
CN107766486A (zh) 随机抽取样本数据的方法、装置、可读介质及存储控制器
CN114418752B (zh) 无类型标签用户数据的处理方法、装置、电子设备和介质
CN110019164A (zh) 一种异构结构化数据融合概率的计算方法及系统
CN104317666B (zh) 一种异常处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830

RJ01 Rejection of invention patent application after publication