CN111177416A - 事件根因分析模型构建方法、事件根因分析方法及装置 - Google Patents

事件根因分析模型构建方法、事件根因分析方法及装置 Download PDF

Info

Publication number
CN111177416A
CN111177416A CN202010283081.6A CN202010283081A CN111177416A CN 111177416 A CN111177416 A CN 111177416A CN 202010283081 A CN202010283081 A CN 202010283081A CN 111177416 A CN111177416 A CN 111177416A
Authority
CN
China
Prior art keywords
data
service
root cause
cause analysis
event root
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
CN202010283081.6A
Other languages
English (en)
Inventor
刘震
赵泓峰
任飞
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.)
Aolin Technology Co Ltd
Original Assignee
Aolin Technology 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 Aolin Technology Co Ltd filed Critical Aolin Technology Co Ltd
Priority to CN202010283081.6A priority Critical patent/CN111177416A/zh
Publication of CN111177416A publication Critical patent/CN111177416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/313—Selection or weighting of terms for indexing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种事件根因分析模型构建方法、事件根因分析方法及装置，其中，事件根因分析模型构建方法包括：获取业务数据；所述业务数据包括：业务系统数据、业务外围数据和业务分析数据；对所述业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；根据所述业务实体和所述实体关系建立知识图谱；根据所述知识图谱进行特征提取，得到训练特征向量；根据所述业务分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型。通过实施本发明，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。

Description

事件根因分析模型构建方法、事件根因分析方法及装置
技术领域
本发明涉及事件分析技术领域，具体涉及一种事件根因分析模型构建方法、事件根因分析方法及装置。
背景技术
根本原因分析(Root Cause Analysis,RCA)是一种结构化的问题处理方法，用以逐步找出问题的根本原因并加以解决，而不是仅仅关注问题的表征。根本原因分析是一个系统化的问题处理过程，包括确定和分析问题原因，找出问题解决办法，并制定问题预防措施。
传统的事件根因分析技术为基于诊断分析图的分析方法，但是基于诊断分析图的分析方式仅能进行静态分析，维度较为单一，不能对多个数据源进行同步采集和诊断。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中事件根因分析技术仅能静态分析、维度单一的缺陷，从而提供一种事件根因分析模型构建方法、事件根因分析方法及装置。
根据第一方面，本发明实施例公开了一种事件根因分析模型构建方法，包括如下步骤：获取业务数据；所述业务数据包括：业务系统数据、业务外围数据和业务分析数据；所述业务分析数据为事件原因分析数据；对所述业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；根据所述业务实体和所述实体关系建立知识图谱；根据所述知识图谱进行特征提取，得到训练特征向量；根据所述业务分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型。
结合第一方面，在第一方面第一实施方式中，所述方法还包括：获取业务测试数据；所述业务测试数据包括：业务系统测试数据、业务外围测试数据和业务分析测试数据；对所述业务系统测试数据和所述业务外围测试数据进行结构化处理，得到待测试结构化数据；将所述待测试结构化数据输入到所述事件根因分析模型，得到测试结果；当所述测试结果满足预设条件时，将所述事件根因分析模型确定为可用的事件根因分析模型。
结合第一方面，在第一方面第二实施方式中，所述根据所述业务实体和所述实体关系建立知识图谱，包括：将所述业务实体作为节点，将所述实体关系作为边构建所述知识图谱。
根据第二方面，本发明实施例还公开了一种事件根因分析方法，包括如下步骤：获取待分析业务数据；将所述待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果；所述事件根因分析模型由第一方面或第一方面任一实施方式所述的事件根因分析模型训练方法训练得到。
结合第二方面，在第二方面第一实施方式，所述方法还包括：获取所述待分析业务数据对应的实际业务分析数据；比较所述事件根因分析结果及实际业务分析数据；当所述事件根因分析结果及实际业务分析数据不一致时，利用所述待分析业务数据及其对应的实际业务分析数据更新所述事件根因分析模型。
结合第一方面，在第一方面第二实施方式中，所述方法还包括：利用所述待分析业务数据及其对应的实际业务分析数据对所述事件根因分析模型进行训练更新。
根据第三方面，本发明实施例还公开了一种事件根因分析模型构建装置，包括：第一获取模块，用于获取业务数据；所述业务数据包括：业务系统数据、业务外围数据和业务分析数据；所述业务分析数据为事件原因分析数据；第一处理模块，用于对所述业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；建立模块，用于根据所述业务实体和所述实体关系建立知识图谱；提取模块，用于根据所述知识图谱进行特征提取，得到训练特征向量；训练模块，用于根据所述业务分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型。
根据第四方面，本发明实施例还公开了一种事件根因分析装置，包括：第二获取模块，用于获取待分析业务数据；分析模块，用于将所述待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果；所述事件根因分析模型由第一方面或第一方面任一实施方式所述的事件根因分析模型训练方法训练得到。
根据第五方面，本发明实施例还公开了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一实施方式所述事件根因分析模型构建的步骤或如第二方面或第二方面任一实施方式所述事件根因分析方法的步骤。
根据第六方面，本发明实施例公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面任一实施方式所述事件根因分析模型构建的步骤或如第二方面或第二方面任一实施方式所述事件根因分析方法的步骤。
本发明技术方案，具有如下优点：
1.本发明提供的事件根因分析模型构建方法，通过获取业务数据，业务数据包括：业务系统数据、业务外围数据和业务分析数据，对业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系，根据业务实体和实体关系建立知识图谱，根据知识图谱进行特征提取，得到训练特征向量，根据业务分析数据及训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。
2.本发明提供的事件根因分析方法，通过获取待分析业务数据，将所述待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1中事件根因分析模型构建方法的一个具体示例的流程图；
图2为本发明实施例2中事件根因分析方法的一个具体示例的流程图；
图3为本发明实施例3中事件根因分析模型构建装置的一个具体示例的原理框图；
图4为本发明实施例4中事件根因分析装置的一个具体示例的原理框图；
图5为本发明实施例5中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种事件根因分析模型构建方法，如图1所示，包括：
步骤S11:获取业务数据；业务数据包括：业务系统数据、业务外围数据和业务分析数据；业务分析数据为事件原因分析数据。
示例性地，业务系统数据可以包括企业资源计划（Enterprise ResourcePlanning，ERP）、客户关系管理（Customer Relationship Management，CRM）和仓库管理系统（Warehouse Management System，WMS）等信息系统中的数据；业务外围数据可以包括市场、客户以及供应商的反馈信息；业务分析数据可以为在事件解决方案中操作者给出的反馈中得到的事件原因分析数据；上述业务数据可以直接从企业数据库调用，本发明综合分析企业的内部和外部数据，使得分析的数据的维度更加复杂，得到的根因分析结果更加准确。
步骤S12:对业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系。
示例性地，结构化数据，通常数据结构清晰，对于企业知识图谱来说，业务数据以及业务数据之间的关系都相对比较清晰，根据企业的业务数据之间的关系对业务系统数据和业务外围数据直接进行结构化处理，得到数据结构清晰的结构化数据，便于后续构建知识图谱和训练事件根因分析模型。
示例性地，对于上述结构化数据，可以直接提取字段信息，对提取的字段信息中的实体进行识别，利用命名实体识别的技术提取出业务实体，采取具有业务逻辑的分析方法对业务实体之间的关系进行总结提取，进而得到业务实体之间的关联关系，即实体关系。
步骤S13:根据业务实体和实体关系建立知识图谱；
示例性地，知识图谱整体上可以分为数据模型和具体数据，数据模型就是知识图谱的数据组织框架，不同的知识图谱，会采用不同的数据模型。可以采用自顶向下的方式来建设知识图谱，也就是先确定知识图谱的数据模型，然后，根据数据模型约定的框架，再补充数据，完成知识图谱的建设。数据模型的构建，一般都会确定一个基础的参考模型，这个参考模型，可以参照行业的相关数据标准，整合标准中对数据的要求，然后形成一个基础的数据模型，再根据实际收集的数据情况，来完善数据模型。也可以从公共知识图谱数据模型中抽取，将与行业有关的数据模型从公共知识图谱数据模型中提取出来，然后结合行业知识进行完善。本发明实施例根据提取的业务实体以及业务实体的关系对数据模型进行完善，得到知识图谱具体可以为将业务实体作为节点，将实体关系作为边构建知识图谱。
步骤S14: 根据知识图谱进行特征提取，得到训练特征向量。
示例性地，将业务数据表示成知识图谱数据形式，在本发明实施例中，可以广度优先搜索(Breadth-First Search，BFS)和标签传播算法(Label Propagation Algorithm，LPA)对知识图谱数据进行进一步提取，提取出不同知识层次下的适合进行模型训练的训练特征向量。
步骤S15:根据业务分析数据及训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型。
示例性地，根据知识图谱中提取的训练特征向量对预设的机器学习模型做完全监督和弱监督训练，本发明对该训练方法不作限定，可以根据实际场景进行选择，在训练过程中，根据具体场景不断调整权重，得到事件根因分析模型。
本发明提供的事件根因分析模型构建方法，通过获取业务数据，业务数据包括：业务系统数据、业务外围数据和业务分析数据，对业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系，根据业务实体和实体关系建立知识图谱，根据知识图谱进行特征提取，得到训练特征向量，根据业务分析数据及训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。
作为本申请一个可选实施方式，当训练得到事件根因分析模型后，需要对该模型进行测试验证，当满足一定的条件时将该事件根因分析模型作为事件根因分析模型，具体地：
首先，获取业务测试数据；业务测试数据包括：业务系统测试数据、业务外围测试数据和业务分析测试数据，该业务测试数据与上述步骤S11中业务数据的获取方式可以相同，在本发明实施例中，可以将步骤S11中的数据按7:3的比例划分，将占比较大的作为业务训练数据，占比较小的作为业务测试数据。
然后，对业务系统测试数据和业务外围测试数据进行结构化处理，得到待测试结构化数据；具体实现方式见实施例1中步骤S12的相关描述，在此不再赘述。
然后，将待测试结构化数据输入到事件根因分析模型，得到测试结果，当测试结果满足预设条件时，将事件根因分析模型确定为可用的事件根因分析模型。
示例性地，该预设条件可以为测试结果的准确率大于预设值，该预设值可以为98%，本发明实施例对预设阈值大小不做限定，可以按照需要设置，当测试结果与业务分析结果一致的概率大于98%时，将事件根因分析模型确定为可用的事件根因分析模型。
实施例2
本发明实施例提供一种事件根因分析方法，如图2所示，包括：
步骤S21:获取待分析业务数据。
示例性地，待分析业务数据包括待分析业务系统数据和待分析业务外围数据，具体获取方法见实施例1中步骤S11的描述，在此不再赘述。
步骤S22:将待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果；事件根因分析模型由实施例1的事件根因分析模型训练方法训练得到。
对于一个公司，当公司的资金出现问题时，将该公司人员信息、各个部门、以及该公司正在进行的项目等输入到根因分析模型中，输出得到一个可能的原因，该原因可以具体到人员、项目以及在哪个环节出现，便于处理人员根据该根因分析结果确认具体哪个人在哪个项目在哪个环节出现的问题，进而处理该问题。
本发明提供的事件根因分析方法，通过获取待分析业务数据，将待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。
作为本申请一个可选实施方式，在利用该事件根因分析模型对多维待分析业务数据进行实时分析，得到分析结果后，结合实际业务分析数据和分析结果对该事件根因分析模型进行更新，具体地：
在本发明实施例中，可根据传统根因分析方法获取待分析业务数据对应的实际业务分析数据，然后比较事件根因分析结果及实际业务分析数据，当事件根因分析结果及实际业务分析数据不一致时，利用待分析业务数据及其对应的实际业务分析数据更新事件根因分析模型，当事件根因分析结果及实际业务分析数据一致时，可暂时不对该事件根因分析模型进行更新。通过运营环境的数据对建立的事件根因分析模型进行更新优化，使得该事件根因分析模型可以动态地适应业务场景。
作为本申请一个可选实施方式，在利用该事件根因分析模型对多维待分析业务数据进行实时分析，得到分析结果后，还可以直接对该事件根因分析模型进行更新优化，具体地可以为利用待分析业务数据及其对应的实际业务分析数据对事件根因分析模型进行训练更新。通过运营环境的数据对建立的事件根因分析模型进行更新优化，使得该事件根因分析模型可以动态地适应业务场景。
实施例3
本发明实施例提供一种事件根因分析模型构建装置，如图3所示，包括：
第一获取模块31，用于获取业务数据；业务数据包括：业务系统数据、业务外围数据和业务分析数据；业务分析数据为事件原因分析数据；具体实现方式见实施例1中步骤S11的相关描述，在此不再赘述。
第一处理模块32，用于对业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系；具体实现方式见实施例1中步骤S12的相关描述，在此不再赘述。
建立模块33，用于根据业务实体和实体关系建立知识图谱；具体实现方式见实施例1中步骤S13的相关描述，在此不再赘述。
提取模块34，用于根据知识图谱进行特征提取，得到训练特征向量；具体实现方式见实施例1中步骤S14的相关描述，在此不再赘述。
训练模块35，用于根据业务分析数据及知识图谱对预设的机器学习模型进行训练，得到事件根因分析模型。具体实现方式见实施例1中步骤S15的相关描述，在此不再赘述。
本发明提供的事件根因分析模型构建装置，通过获取业务数据，业务数据包括：业务系统数据、业务外围数据和业务分析数据，对业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系，根据业务实体和实体关系建立知识图谱，根据知识图谱进行特征提取，得到训练特征向量，根据业务分析数据及训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。
作为本申请一个可选实施方式，事件根因分析模型构建装置还包括：
第三获取模块，用于获取业务测试数据；业务测试数据包括：业务系统测试数据、业务外围测试数据和业务分析测试数据；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
第二处理子模块，用于对业务系统测试数据和业务外围测试数据进行结构化处理，得到待测试结构化数据；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
输入子模块，用于将待测试结构化数据输入到事件根因分析模型，得到测试结果；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
确定子模块，用于当测试结果满足预设条件时，将事件根因分析模型确定为可用的事件根因分析模型。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
作为本申请一个可选实施方式，建立模块33包括：
构建子模块，用于将业务实体作为节点，将实体关系作为边构建知识图谱。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。
实施例4
本发明实施例提供一种事件根因分析装置，如图4所示，包括：
第二获取模块41，用于获取待分析业务数据；具体实现方式见实施例2中步骤S21的相关描述，在此不再赘述。
分析模块42，用于将待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果；事件根因分析模型由实施例1的事件根因分析模型训练方法训练得到。具体实现方式见实施例2中步骤S22的相关描述，在此不再赘述。
本发明提供的事件根因分析装置，通过获取待分析业务数据，将待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果，可充分结合知识图谱的结构化特征和机器学习动态化特点，综合利用多源数据，保障分析结果更加准确。
作为本申请一个可选实施方式，该事件根因分析装置还包括：
第四获取模块，用于获取待分析业务数据对应的实际业务分析数据；具体实现方式见实施例2中对应的步骤的相关描述，在此不再赘述。
比较模块，用于比较事件根因分析结果及实际业务分析数据；具体实现方式见实施例2中对应的步骤的相关描述，在此不再赘述。
第一更新模块，用于当事件根因分析结果及实际业务分析数据不一致时，利用待分析业务数据及其对应的实际业务分析数据更新事件根因分析模型。具体实现方式见实施例2中对应的步骤的相关描述，在此不再赘述。
作为本申请一个可选实施方式，该事件根因分析装置还包括：
第二更新模块，用于利用待分析业务数据及其对应的实际业务分析数据对事件根因分析模型进行训练更新。具体实现方式见实施例2中对应的步骤的相关描述，在此不再赘述。
实施例5
本发明实施例还提供了一种计算机设备，如图5所示，该计算机设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线连接为例。
处理器51可以为中央处理器（Central Processing Unit，CPU）。处理器51还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的事件根因分析模型构建方法或事件根因分析方法对应的程序指令/模块（例如，图3所示的第一获取模块31、第一处理模块32、建立模块33、提取模块34和训练模块35或图4所示的第二获取模块41和分析模块42）。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的事件根因分析模型构建方法或事件根因分析方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1所示实施例中的事件根因分析模型构建方法或如图2所示实施例中的事件根因分析方法。
上述计算机设备具体细节可以对应参阅图1或图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
实施例6
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的事件根因分析模型构建方法或事件根因分析方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-OnlyMemory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（FlashMemory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种事件根因分析模型构建方法，其特征在于，包括如下步骤：
获取业务数据；所述业务数据包括：业务系统数据、业务外围数据和业务分析数据；所述业务分析数据为事件原因分析数据；
对所述业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；
根据所述业务实体和所述实体关系建立知识图谱；
根据所述知识图谱进行特征提取，得到训练特征向量；
根据所述业务分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取业务测试数据；所述业务测试数据包括：业务系统测试数据、业务外围测试数据和业务分析测试数据；
对所述业务系统测试数据和所述业务外围测试数据进行结构化处理，得到待测试结构化数据；
将所述待测试结构化数据输入到所述事件根因分析模型，得到测试结果；
当所述测试结果满足预设条件时，将所述事件根因分析模型确定为可用的事件根因分析模型。
3.根据权利要求1所述的方法，其特征在于，所述根据所述业务实体和所述实体关系建立知识图谱，包括：
将所述业务实体作为节点，将所述实体关系作为边构建所述知识图谱。
4.一种事件根因分析方法，其特征在于，包括如下步骤：
获取待分析业务数据；
将所述待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果；所述事件根因分析模型由权利要求1-3任一所述的事件根因分析模型训练方法训练得到。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取所述待分析业务数据对应的实际业务分析数据；
比较所述事件根因分析结果及实际业务分析数据；
当所述事件根因分析结果及实际业务分析数据不一致时，利用所述待分析业务数据及其对应的实际业务分析数据更新所述事件根因分析模型。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
利用所述待分析业务数据及其对应的实际业务分析数据对所述事件根因分析模型进行训练更新。
7.一种事件根因分析模型构建装置，其特征在于，包括：
第一获取模块，用于获取业务数据；所述业务数据包括：业务系统数据、业务外围数据和业务分析数据；所述业务分析数据为事件原因分析数据；
第一处理模块，用于对所述业务系统数据和业务外围数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；
建立模块，用于根据所述业务实体和所述实体关系建立知识图谱；
提取模块，用于根据所述知识图谱进行特征提取，得到训练特征向量；
训练模块，用于根据所述业务分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到事件根因分析模型。
8.一种事件根因分析装置，其特征在于，包括：
第二获取模块，用于获取待分析业务数据；
分析模块，用于将所述待分析业务数据输入到事件根因分析模型中，得到事件根因分析结果；所述事件根因分析模型由权利要求1-3任一所述的事件根因分析模型训练方法训练得到。
9.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-3任一所述事件根因分析模型构建的步骤或如权利要求4-6任一所述事件根因分析方法的步骤。
10.一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，所述计算机程序被处理器执行时实现如权利要求1-3任一所述事件根因分析模型构建的步骤或如权利要求4-6任一所述事件根因分析方法的步骤。
CN202010283081.6A 2020-04-13 2020-04-13 事件根因分析模型构建方法、事件根因分析方法及装置 Pending CN111177416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010283081.6A CN111177416A (zh) 2020-04-13 2020-04-13 事件根因分析模型构建方法、事件根因分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010283081.6A CN111177416A (zh) 2020-04-13 2020-04-13 事件根因分析模型构建方法、事件根因分析方法及装置

Publications (1)

Publication Number Publication Date
CN111177416A true CN111177416A (zh) 2020-05-19

Family

ID=70658443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010283081.6A Pending CN111177416A (zh) 2020-04-13 2020-04-13 事件根因分析模型构建方法、事件根因分析方法及装置

Country Status (1)

Country Link
CN (1) CN111177416A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101727A (zh) * 2020-08-17 2020-12-18 深圳市元征科技股份有限公司 资源分配方法、装置、设备及存储介质
CN112200491A (zh) * 2020-10-30 2021-01-08 傲林科技有限公司 一种数字孪生模型构建方法、装置及存储介质
CN112200492A (zh) * 2020-11-02 2021-01-08 傲林科技有限公司 一种数字孪生模型构建、业务活动预测分析方法及装置
CN112348251A (zh) * 2020-11-05 2021-02-09 傲林科技有限公司 一种决策辅助方法、装置、电子设备及存储介质
CN112540893A (zh) * 2020-12-16 2021-03-23 北京同有飞骥科技股份有限公司 一种分布式存储的性能测试方法
CN113392542A (zh) * 2021-08-16 2021-09-14 傲林科技有限公司 一种基于事件网的根因溯源方法、装置及电子设备
CN113610616A (zh) * 2021-08-16 2021-11-05 傲林科技有限公司 一种基于事件网的财务勾稽关系分析方法和分析系统
CN114943415A (zh) * 2022-04-15 2022-08-26 上海波士内智能科技有限公司 一种基于知识图谱的金属焊接缺陷根因分析方法
WO2022266890A1 (zh) * 2021-06-23 2022-12-29 华为技术有限公司 一种确定失效原因的方法及装置
WO2024002216A1 (zh) * 2022-06-29 2024-01-04 拉扎斯网络科技（上海）有限公司 一种服务问题归因方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109992440A (zh) * 2019-04-02 2019-07-09 北京睿至大数据有限公司 一种基于知识图谱和机器学习的it根故障分析识别方法
CN110243834A (zh) * 2019-07-11 2019-09-17 西南交通大学 基于知识图谱的变压器设备缺陷分析方法
CN110705710A (zh) * 2019-04-17 2020-01-17 中国石油大学(华东) 一种基于知识图谱的工业故障分析专家系统
CN110855480A (zh) * 2019-11-01 2020-02-28 中盈优创资讯科技有限公司 一种网络故障定因分析方法及装置
CN110928858A (zh) * 2019-11-19 2020-03-27 杭州培慕科技有限公司 一种基于数字化和智能化应用的设备知识库构建方法
CN110932899A (zh) * 2019-11-28 2020-03-27 杭州东方通信软件技术有限公司 一种应用ai智能故障压缩研究方法及其系统
CN110990585A (zh) * 2019-11-29 2020-04-10 上海勘察设计研究院(集团)有限公司 构建行业知识图谱的多源数据和时间序列处理方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109992440A (zh) * 2019-04-02 2019-07-09 北京睿至大数据有限公司 一种基于知识图谱和机器学习的it根故障分析识别方法
CN110705710A (zh) * 2019-04-17 2020-01-17 中国石油大学(华东) 一种基于知识图谱的工业故障分析专家系统
CN110243834A (zh) * 2019-07-11 2019-09-17 西南交通大学 基于知识图谱的变压器设备缺陷分析方法
CN110855480A (zh) * 2019-11-01 2020-02-28 中盈优创资讯科技有限公司 一种网络故障定因分析方法及装置
CN110928858A (zh) * 2019-11-19 2020-03-27 杭州培慕科技有限公司 一种基于数字化和智能化应用的设备知识库构建方法
CN110932899A (zh) * 2019-11-28 2020-03-27 杭州东方通信软件技术有限公司 一种应用ai智能故障压缩研究方法及其系统
CN110990585A (zh) * 2019-11-29 2020-04-10 上海勘察设计研究院(集团)有限公司 构建行业知识图谱的多源数据和时间序列处理方法及装置

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101727A (zh) * 2020-08-17 2020-12-18 深圳市元征科技股份有限公司 资源分配方法、装置、设备及存储介质
CN112200491A (zh) * 2020-10-30 2021-01-08 傲林科技有限公司 一种数字孪生模型构建方法、装置及存储介质
CN112200491B (zh) * 2020-10-30 2024-04-16 傲林科技有限公司 一种数字孪生模型构建方法、装置及存储介质
CN112200492B (zh) * 2020-11-02 2024-02-06 傲林科技有限公司 一种数字孪生模型构建、业务活动预测分析方法及装置
CN112200492A (zh) * 2020-11-02 2021-01-08 傲林科技有限公司 一种数字孪生模型构建、业务活动预测分析方法及装置
CN112348251A (zh) * 2020-11-05 2021-02-09 傲林科技有限公司 一种决策辅助方法、装置、电子设备及存储介质
CN112348251B (zh) * 2020-11-05 2024-02-09 傲林科技有限公司 一种决策辅助方法、装置、电子设备及存储介质
CN112540893A (zh) * 2020-12-16 2021-03-23 北京同有飞骥科技股份有限公司 一种分布式存储的性能测试方法
WO2022266890A1 (zh) * 2021-06-23 2022-12-29 华为技术有限公司 一种确定失效原因的方法及装置
CN113610616A (zh) * 2021-08-16 2021-11-05 傲林科技有限公司 一种基于事件网的财务勾稽关系分析方法和分析系统
CN113610616B (zh) * 2021-08-16 2023-10-13 傲林科技有限公司 一种基于事件网的财务勾稽关系分析方法和分析系统
CN113392542A (zh) * 2021-08-16 2021-09-14 傲林科技有限公司 一种基于事件网的根因溯源方法、装置及电子设备
CN114943415A (zh) * 2022-04-15 2022-08-26 上海波士内智能科技有限公司 一种基于知识图谱的金属焊接缺陷根因分析方法
WO2024002216A1 (zh) * 2022-06-29 2024-01-04 拉扎斯网络科技（上海）有限公司 一种服务问题归因方法及装置

Similar Documents

Publication Publication Date Title
CN111177416A (zh) 事件根因分析模型构建方法、事件根因分析方法及装置
US10176088B2 (en) Regression testing of SQL execution plans for SQL statements
US11748654B2 (en) Systems and methods of windowing time series data for pattern detection
US10572822B2 (en) Modular memoization, tracking and train-data management of feature extraction
US11403303B2 (en) Method and device for generating ranking model
WO2019185039A1 (zh) 数据处理方法和电子设备
CN106959920A (zh) 对包含多个测试用例的测试套件进行优化的方法和系统
CN111177400A (zh) 基于知识图谱的设备、业务及数据的关联显示方法和装置
CN111582488A (zh) 一种事件推演方法及装置
US11468148B2 (en) Method and system for data sampling using artificial neural network (ANN) model
CN113407327A (zh) 一种建模任务和数据分析的方法、装置、电子设备及系统
CN112613569A (zh) 图像识别方法、图像分类模型的训练方法及装置
CN113657483A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN110414806B (zh) 员工风险预警方法及相关装置
CN113535577B (zh) 基于知识图谱的应用测试方法、装置、电子设备和介质
CN113238901B (zh) 多设备的自动化测试方法及装置、存储介质、计算机设备
US10606728B2 (en) Framework for detecting source code anomalies
US10055811B2 (en) System and method for generating interactive 2D projection of 3D model
CN114169318A (zh) 进程识别方法、装置、设备、介质和程序
CN113434382A (zh) 数据库性能监控方法、装置、电子设备及计算机可读介质
CN106326225B (zh) 页面数据采集方法及装置
CN113901094B (zh) 一种数据处理方法、装置、设备及存储介质
US20240086165A1 (en) Systems and methods for building and deploying machine learning applications
CN114706856A (zh) 故障处理方法及装置、电子设备和计算机可读存储介质
CN113378517A (zh) 数据字典生成方法、装置、电子设备和存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200519