CN111930547A - 一种故障定位方法、装置及存储介质 - Google Patents

一种故障定位方法、装置及存储介质 Download PDF

Info

Publication number
CN111930547A
CN111930547A CN202010756084.7A CN202010756084A CN111930547A CN 111930547 A CN111930547 A CN 111930547A CN 202010756084 A CN202010756084 A CN 202010756084A CN 111930547 A CN111930547 A CN 111930547A
Authority
CN
China
Prior art keywords
component
fault
alarm information
failed
target object
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
CN202010756084.7A
Other languages
English (en)
Inventor
吴声
吴天雄
李耕寅
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010756084.7A priority Critical patent/CN111930547A/zh
Publication of CN111930547A publication Critical patent/CN111930547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • 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

Abstract

本说明书实施例提供一种故障定位方法、装置及存储介质，可以应用于信息安全领域。所述方法包括：将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象，从而提高故障定位的效率。

Description

一种故障定位方法、装置及存储介质
技术领域
本说明书实施例涉及信息安全领域，特别涉及一种故障定位方法、装置及存储介质。
背景技术
随着大数据、云计算、人工智能等新兴技术的快速发展，这些新兴技术在互联网的应用越来越广泛，银行业IT信息系统逐渐向自动化、集成化、复杂化和智能化方向发展。由于银行业IT信息系统的规模日益庞大，业务逻辑日益复杂，使得银行业IT信息系统在运行过程中，故障发生频率越来越高。
当银行业IT信息系统发生故障时，目前多是通过人工进行分析并定位故障原因。
由于数据中心庞大的规模以及复杂性，银行业IT信息系统一次大的异常或者故障往往会从网络、系统、应用等多层次监控渠道产生大量的告警事件，运维人员需要多大量的时间进行分析并定位故障原因。
通过人工分析并定位故障原因，不仅需要占用较多的人力资源，而且，过多依赖于运维人员经验，容易产生错误定位，而且定位时间较长，影响到快速排障及恢复业务，从而造成损失。
发明内容
本说明书实施例的目的是提供一种故障定位方法、装置及存储介质，以提高故障定位的效率。
为解决上述问题，本说明书实施例提供一种故障定位方法，所述方法包括：采集告警信息；将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
为解决上述问题，本说明书实施例还提供一种故障定位装置，所述装置包括：采集模块，用于获取告警信息；匹配模块，用于将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；确定模块，用于根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
为解决上述问题，本说明书实施例还提供一种电子设备，包括：网络通信单元，用于采集告警信息；存储器，用于存储计算机程序；处理器，用于执行所述计算机程序以实现：将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
为解决上述问题，本说明书实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现：采集告警信息；将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
由以上本说明书实施例提供的技术方案可见，本说明书实施例中，可以采集告警信息；将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息，从而提高故障定位的效率。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，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为本说明书实施例一种故障定位方法的流程图；
图2为本说明书实施例组件关系拓扑图；
图3a为本说明书实施例一个故障组件集的关系拓扑图；
图3b为本说明书实施例另一个故障组件集的关系拓扑图；
图4为本说明书实施例一种故障定位装置的功能模块示意图；
图5为本说明书实施例一种电子设备的功能结构示意图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
在本说明书实施例中，执行所述故障定位方法的主体可以是具有逻辑运算功能的电子设备，所述电子设备可以是服务器，所述服务器可以是具有一定运算处理能力的电子设备。其可以具有网络通信单元、处理器和存储器等。当然，所述服务器并不限于上述具有一定实体的电子设备，其还可以为运行于上述电子设备中的软体。所述服务器还可以为分布式服务器，可以是具有多个处理器、存储器、网络通信模块等协同运作的系统。或者，服务器还可以为若干服务器形成的服务器集群。
图1为本说明书实施例一种故障定位方法的流程图。如图1所示，所述故障定位方法可以包括以下步骤。
S110：采集告警信息。
在一些实施例中，IT信息系统在运行过程中，可能会出现故障，如数据存储报错、数据异常、无法进行数据处理等。IT信息系统在出现故障时，可以采集告警信息。所述告警信息可以包括告警名称、告警描述等信息，用于表征IT信息系统的故障情况。例如，所述告警信息可以为“MySQL UDP运维平台告警，MySQL数据库xxx.xxx.xxx.xxx:3306复制线程状态异常”，其中“xxx.xxx.xxx.xxx”可以表示存储地址。
在一些实施例中，服务器可以采用任何方式采集告警信息。例如，工作人员可以直接向服务器发送告警信息，服务器可以进行接收；又如除去所述服务器以外的其它电子设备可以向服务器发送告警信息，服务器可以进行接收，在本说明书实施例中，对服务器采用何种方式采集告警信息不作限定。
在一些实施例中，由于银行业IT信息系统的规模日益庞大，业务逻辑日益复杂，使得银行业IT信息系统在运行过程中，故障发生频率越来越高，一次大的异常或者故障往往会从网络、系统、应用等多层次监控渠道产生大量的告警信息，监控系统可以将生成的告警信息同步发送至消息中间件，服务器可以从消息中间件中采集告警信息。考虑到在告警发生时，可产生庞大的告警数据量，因此可采用吞吐量强大的Kafka作为消息队列进行源告警信息的缓存。其中，Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者规模的网站中的动作流数据
S120：将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象。
在一些实施例中，所述知识图谱的概念由谷歌公司提出的，其最初的目的是被用于提升其搜索引擎的搜索能力，改善用户的搜索效果与体验。其本质上是一种语义网络，节点代表实体，边代表实体与实体之间的各种语义关系，从而构成一个特定领域的知识网络。知识图谱能提供高质量的结构化数据，目前已较为广泛地应用在人工智能的多个领域如搜索引擎、智能问答等。
在一些实施例中，所述知识图谱可以包含多维度的故障知识，如可以包括故障发生的时间、故障涉及到的节点、服务、故障描述信息等多维度的知识。可以基于告警信息，在所述知识图谱中进行检索，若在所述知识图谱中检索到，则可以输出检索到的故障问题，以便于基于该故障问题进行后续处理。具体的，所述知识图谱中可以包括关键词与故障问题的对应关系，将所述告警信息与知识图谱中的关键词进行匹配，若命中匹配，则可以输出告警信息对应的故障问题。
在一些实施例中，所述知识图谱可以预先建立得到。具体的，所述知识图谱可以根据以下步骤建立。
S121：获取目标数据。
在一些实施例中，所述目标数据可以为表征节点与节点之间关系、节点与服务之间关系、服务与服务之间关系的数据。例如所述目标数据可以是监控告警数据、性能指标数据、日志文件等数据。
在一些实施例中，服务器可以从存储了IT信息系统中节点与节点之间关系、节点与服务之间关系、服务与服务之间关系的数据库中获取目标数据。例如可以是监控系统的数据库、日志系统的数据库等。
在一些实施例中，所述目标数据可以包括结构化数据、半结构化数据和非结构化数据。其中，所述结构化数据也可以称为行数据，是由二维表结构来逻辑表达和实现的数据，遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理，例如所述结构化数据可以是监控告警数据、性能指标数据等。所述非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据，非结构化数据其格式非常多样，标准也是多样性的，而且在技术上非结构化信息比结构化信息更难标准化和理解，如配置信息、日志文件等。所述半结构化数据具有一定的结构性，是一种适于数据库集成的数据模型，也就是说，适于描述包含在两个或多个数据库(这些数据库含有不同模式的相似数据)中的数据，例如所述半结构化数据可以为故障案例数据、运维操作手册等。
S122：使用自然语言处理技术对所述目标数据进行知识抽取，得到多个表征实体的属性和不同实体之间关系的知识三元组；其中，每个知识三元组对应有至少一个故障问题。
在一些实施例中，所述自然语言处理(Natural Language Processing，NLP)技术是所有与自然语言的计算机处理有关的技术的统称，其目的是使计算机理解和接受人类用自然语言输入的指令，完成从一种语言到另一种语言的翻译功能，自然语言处理技术的研究，可以丰富计算机知识处理的研究内容，推动人工智能技术的发展。
在一些实施例中，在获取目标数据后，可以对所述目标数据进行知识抽取。具体的，可以通过自然语言处理技术实现对所述目标数据进行知识抽取。例如，可以训练一个自然语言模型，通过将目标数据输入自然语言模型中，所述自然语言模型可以对目标数据进行语义分析，从而根据目标数据中表达的内容抽取出实体的属性和不同实体之间的关系等信息，得到“实体(Entity)-关系(Relationship)-实体(Entity)”构成的知识三元组，以及所述知识三元组对应的故障问题，其中，每个实体又包括对应的属性和属性值。所述自然语言模型的训练可以通过如下方式进行：预先将大量目标数据作为训练样本，通过机器学习的方法，训练一个能够识别文字信息中不同短语所表征的含义以及能够识别多个短语之间的关联关系的自然语言模型。
在一些实施例中，所述实体可以包括运行在各个组件上的对象。举例来说，所述组件可以包括软件，如虚拟机软件；所述组件还可以包括硬件，如计算机设备等。所述对象可以是运行在所述组件上的程序。相应的，所述故障问题可以包括产生故障的目标对象，即产生故障的程序。
具体的，对所述目标数据进行知识抽取具体可以包括实体抽取、关系抽取和属性抽取。如对集中监控平台告警：“MySQL UDP运维平台告警，MySQL数据库xxx.xxx.xxx.xxx:3306复制线程状态异常”。由实体提取出两个实体：“MySQL数据库”、“复制线程”；由属性抽取提取出“xxx.xxx.xxx.xxx：3306”、“异常”；由关系抽取提取出“MySQL数据库”和“复制线程”具有对应关系。最终得到知识三元组：实体1：MySQL数据库；实体2：复制线程；关系：对应关系。以及所述知识三元组对应的故障问题：复制线程异常。其中，产生故障的目标对象为复制线程。
在一些实施例中，所述实体抽取又可以称为NER(named entity recognition，命名实体识别)，指的是从原始语料中自动识别出命名实体。由于实体是知识图谱中的最基本元素，其抽取的完整性、准确、召回率等将直接影响到知识库的质量。因此，实体抽取是知识抽取中基础与关键的一步。所述关系抽取为文本语料经过实体抽取得到一系列离散的命名实体，为了得到语义信息，从相关语料中提取出实体之前的关联关系。通过关联关系将实体联系起来，形成网状的知识结构。所述属性抽取主要是针对实体而言的，通过属性可形成对实体的完整勾画。由于实体的属性可以看成是实体与属性值之间的一种名称性关系，因此还可以将实体属性的抽取问题转换为关系抽取问题。
S123：通过聚类分析确定不同实体的相似度和不同实体之间的关系相似度。
在一些实施例中，由于知识图谱中的知识来源广泛，存在知识质量良莠不齐、来自不同数据源的知识重复、知识间的关联不够明确等问题。例如同名的多个实体可能代表不同的含义，不同名的实体也可能表示一个含义。
在一些实施例中，可以通过聚类分析确定确定不同实体的相似度和不同实体之间的关系相似度。其中，不同实体的相似度越高，则表示这些实体表示同一含义；不同实体之间的关系相似度越高，则表示这些实体之间的关系表示同一含义。
在一些实施例中，所述聚类分析是指将数据对象的集合分组为由类似的对象组成的多个类的分析过程。可以基于数据的类型、聚类的目的和具体应用等选取合适的聚类算法实现聚类分析。其中，聚类算法主要分为5大类：基于划分的聚类方法，如k-平均(k-means)算法和k-中心(k-medoids)算法；基于层次的聚类方法，如AGNES(AGglomerativeNESing)算法和DIANA(DivisiveANAlysis)算法；基于密度的聚类方法，如OPTICS算法和DENCLUE算法；基于网格的聚类方法，如STING(Statistical InformationGrid)算法；基于模型的聚类方法，如高斯混合模型(GMM，Gaussian Mixture Models)。
S123：基于实体相似度和不同实体之间的关系相似度，对多个所述知识三元组进行合并，得到所述知识图谱。
在一些实施例中，基于实体相似度和不同实体之间的关系相似度，对多个所述知识三元组进行合并，使来自不同知识源的知识在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等步骤，避免实体以及关系的冲突问题，造成不必要的冗余。
在一些实施例中，所述关键词可以是所述知识图谱中实体的名称、实体的属性名称，不同实体之间的关系名称等。在采集到告警信息后，可以将所述告警信息与关键词进行匹配，若所述告警信息出现关键词，则输出该关键词对应的故障问题。例如，对于告警信息“MySQL UDP运维平台告警，MySQL数据库xxx.xxx.xxx.xxx:3306复制线程状态异常。”根据匹配结果，可以得出所述告警信息对应的故障问题是复制线程状态异常。
在一些实施例中，由于不同数据库中的目标数据可能随着时间的推移发生变化，例如新增数据，对数据进行了修改等，可能导致之前建立的知识图谱中实体与实体之间的关系，实体的属性等数据发生变化。以及数据库中的目标数据有限，不能得到所有实体与实体之间的关系，实体的属性等信息。因此，还可以对知识图谱进行更新。
在一些实施例中，在所述告警信息与预先建立的知识图谱中的关键词匹配失败的情况下，将所述告警信息作为目标数据对所述知识图谱进行更新，得到更新后的知识图谱；使用新的知识图谱与所述告警信息进行匹配。具体的，如果告警信息与预先建立的知识图谱中的关键词匹配失败，则可以说明现有的知识图谱中缺少了关于这部分告警信息的知识，可以对现有的知识图谱添加新的知识，将该告警信息作为目标数据进行知识抽取以及知识合并等操作，得到更新后的知识图谱，并使用新的知识图谱与所述告警信息进行匹配。
S130：根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
在一些实施例中，所述配置管理数据库(Configuration Management Database,CMDB)是一中逻辑数据库，包含了配置项生命周期的信息以及配置项之间的关系，如包含、属于、运行在、安装在、连接等。其中，所述配置项是指基础架构组件或基础架构有关的项目，包括软件、硬件和各种文档，如变更请求、服务、服务器、环境、设备、网络设施、台式机、移动设备、应用系统、协议电信服务等。
在本说明书实施例中，系统中的各个组件可以是所述配置管理数据库中的配置项。所述配置管理数据库中可以包括各个组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
在一些实施例中，在确定故障问题后，可以根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件。例如，对于告警信息“MySQL UDP运维平台告警，MySQL数据库xxx.xxx.xxx.xxx:3306复制线程状态异常。”根据S120的匹配结果，可以得出所述告警信息对应的故障问题是复制线程状态异常，目标对象为复制线程。根据配置管理数据库可以确定，运行复制线程对应的组件，则该组件即为对应的故障组件。
在一些实施例中，由于银行业IT信息系统的规模日益庞大，业务逻辑日益复杂，使得银行业IT信息系统在运行过程中，故障发生频率越来越高，一次大的异常或者故障往往会从网络、系统、应用等多层次监控渠道产生大量的告警信息，这些告警信息之间可能存在关联关系。例如组件1、组件2和组件3之间具有关联关系，则组件1发生了故障，可能会导致组件2和组件3也发生故障，由于组件1、组件2和组件3都发生了故障，可能会产生多个告警事件，这些告警事件之间就具有关联关系。通过本说明书实施例所述的方法可以定位到多个告警事件对应的组件1、组件2和组件3为故障组件，如果不考虑各个组件之间的关联关系，则需要针对每一个故障组件进行相应的处理，使得工作量大，且没有针对性。基于此，在本说明书实施例中，所述配置管理数据库还包括不同组件之间的关联关系，可以根据所述关联关系定位到导致其他组件发生故障的根因组件，具体可以包括以下步骤：
S140：获取预设时间内产生故障问题的多个故障组件。
在一些实施例中，如果一个组件发生故障后，导致其他组件也发生故障，在这个过程中会受到时序的影响，也就是说一个组件发生故障，可能在一段时间后另一个组件也发生了故障，两个组件发生故障的时间间隔也不会太长，因此如果两个组件发生故障的时间间隔过长，可以说明这两个组件是否发生故障并没有直接的关系，因此，可以获取预设时间内产生故障问题的多个故障组件。
具体的，所述故障组件产生故障问题的时间可以根据告警时间来确定。服务器可以获取告警信息的产生时间，将所述产生时间作为该告警信息对应的故障组件产生故障问题的时间。
在一些实施例中，可以根据配置管理数据库得到一个组件关系拓扑图，如图2所示，所述组件关系拓扑图包括多个具有关联关系的组件，两个组件之间的连线表示组件之间的关系。
在一些实施例中，可以对预设时间内产生故障问题的多个故障组件进行标识，例如可以对所述组件关系拓扑图中的故障组件进行着色，如图2中灰色的组件。当然，也可以通过其他方式表示故障组件，例如为故障组件添加标签等方式，如将故障组件标记为anormal，将正常组件标记为normal等，本说明书实施例对此不作限定。
S150：根据所述关联关系对所述多个故障组件进行分组，生成至少一个故障组件集；所述至少一个故障组件集中的每个故障组件集包括至少两个具有所述关联关系的故障组件。
在一些实施例中，从图2中可以看出，产生故障的组件往往会存在着聚集的现象，这是因为在实际情况中，由于各个组件之间具有关联关系，使得一个组件发生故障可能导致与这个组件具有关系的其他组件也发生故障。
在一些实施例中，可以根据所述关联关系对所述多个故障组件进行分组，生成至少一个故障组件集；所述至少一个故障组件集中的每个故障组件集包括至少两个具有所述关联关系的故障组件。以图2中所示的故障组件为例，可以得到两个故障组件集。具体的，可以通过调用Neo4j的算法函数库得到如图3a和图3b所示的两个以拓扑图形式展现的故障组件集：
CALL algo.unionFind.stream(“anomal”,“some relation”,{})
YIELD nodeId,setId
RETURN nodeId,setId
在一些实施例中，图2只是示例性的给出预设时间内产生故障问题的多个故障组件的情况，实际情况中，还可能出现只得到一个故障组件集的情况、得到三个故障组件集的情况或者得到更多故障组件集的情况。
S160：根据预设规则从所述至少一个故障组件集中，获得目标故障组件；所述目标故障组件为导致所述故障组件集中故障组件产生的根因故障组件。
在一些实施例中，在得到故障组件集后，可以根据以下方式获得目标故障组件。
S161：对所述至少一个故障组件集中的故障组件进行中心度计算，得到每个故障组件的度中心性；所述度中心性表征每个故障组件与其他故障组件相联系的程度。
在一些实施例中，度中心性(Degree Centrality)是在网络分析中刻画节点中心性(Centrality)的最直接度量指标，一个节点的中心度越大就意味着这个节点的度中心性越高，该节点在网络中就越重要。具体的，中心度测量的是一个点在多大程度上位于图中其他“点”的“中间”，对于一个拥有g个节点的图，节点i的度中心性是i与其他g-1个节点的直接联系总数：
Figure BDA0002611622520000091
其中，CD(Ni)表示节点i的度中心性，i≠j表示度中心性计算过程中排除节点i与自身的联系。
在一些实施例中，为了消除图的规模变化对度中心性的影响，可以使用标准化的中心度计算公式进行计算：
Figure BDA0002611622520000092
其中，CD′(Ni)表示节点i的标准化度中心性。使用节点i的度中心性值除以其他g-1个节点最大可能连接数，得到与节点i有直接联系的节点比例。这个比例范围从0到1。其中0表示与任何节点都没有联系，1表示与所有节点都有直接联系。
S162：根据每个故障组件的度中心性对故障组件进行排序，得到排序结果。
在一些实施例中，可以根据公式(2)计算得到各个故障组件的标准化度中心性，对各个故障组件的标准化度中心性进行排名，从小到大可以得到排名(d1,...,di...,dn)，可以将得到的排名(d1,...,di...,dn)作为排序结果。其中，di表示故障组件i的标准化度中心性排名，i＝1,2...n。
在一些实施例中，从各个故障组件发生故障的时间上考虑，先发生故障的故障组件更可能影响到后发生故障的故障组件。因此，考虑到各个故障组件发生故障的时间的影响，还可以基于各个故障组件发生故障的时间，根据每个故障组件的度中心性对故障组件进行排序，得到排序结果。
具体的，还可以根据各个故障组件发生故障的时间进行排序，从先到后可以得到排名(t1,...,ti...,tn)，其中，ti表示故障组件i发生故障的时间排名，i＝1,2...n。对于第i个故障组件，可以将第i个故障组件的标准化度中心性排名以及时间戳排名相加，再从小到大进行排序得到排序结果(r1,...,ri...,rn)。其中，ri表示故障组件i的排序结果，i＝1,2...n。
S163：根据排序结果确定目标故障组件。
在一些实施例中，根据上述排序结果(r1,...,ri...,rn)可知，排名靠前的故障组件度中心性大于排名靠后的故障组件的度中心性，且排名靠前的故障组件的故障发生时间早于排名靠后的故障组件的故障发生时间。因此，可以将排名第一的故障组件确定为目标故障组件。
由以上本说明书实施例提供的技术方案可见，本说明书实施例可以采集告警信息；将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。本说明书实施例提供的故障定位方法，通过构建知识图谱，结合配置管理数据库，基于度中心性以及告警信息时间序列相结合，可实现数据中心业务级别的IT系统故障的快速定位，提高故障定位的效率。
本说明书实施例还提供了一种故障定位方法的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现：将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
在本说明书实施例中，上述存储介质包括但不限于随机存取存储器(RandomAccess Memory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(HardDisk Drive,HDD)或者存储卡(Memory Card)。所述存储器可用于存储所述计算机程序和/或模块，所述存储器可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据用户终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器。在本说明书实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
图4为本说明书实施例一种故障定位装置的功能结构示意图，该装置具体可以包括以下的结构模块。
采集模块410，用于获取告警信息；
匹配模块420，用于将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；
确定模块430，用于根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
在一些实施例中，所述装置还可以包括：获取模块，用于获取预设时间内产生故障问题的多个故障组件；生成模块，用于根据所述关联关系对所述多个故障组件进行分组，生成至少一个故障组件集；所述至少一个故障组件集中的每个故障组件集包括至少两个具有所述关联关系的故障组件；获得模块，用于根据预设规则从所述至少一个故障组件集中，获得目标故障组件；所述目标故障组件为导致所述故障组件集中故障组件产生的根因故障组件
图5为本说明书实施例一种电子设备的功能结构示意图，所述电子设备可以包括网络通信单元、存储器和处理器。
在一些实施例中，所述网络通信单元可用于采集告警信息。所述网络通信单元可以遵循网络通信协议进行网络数据通信。
在一些实施例中，所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现故障定位的各种功能。所述存储器可主要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、至少一个功能所需的应用程序；存储数据区可存储根据用户终端的使用所创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(APPlication Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述处理器可以执行所述计算机指令实现以下步骤：将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
在本说明书实施例中，该电子设备具体实现的功能和效果，可以与其它实施例对照解释，在此不再赘述。
需要说明的是，本说明书实施例提供的故障定位方法、装置及存储介质，可以应用于信息安全领域。当然，也可以应用于金融领域，或者除金融领域之外的任意领域，本说明书实施例对所述故障定位方法、装置及存储介质的应用领域不做限定。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。尤其，对于装置实施例和设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员在阅读本说明书文件之后，可以无需创造性劳动想到将本说明书列举的部分或全部实施例进行任意组合，这些组合也在本说明书公开和保护的范围内。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(FieldProgrammable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog2。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。

Claims (10)

1.一种故障定位方法，其特征在于，所述方法包括：
采集告警信息；
将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；
根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
2.根据权利要求1所述的方法，其特征在于，所述配置管理数据库还包括不同组件之间的关联关系，所述方法还包括：
获取预设时间内产生故障问题的多个故障组件；
根据所述关联关系对所述多个故障组件进行分组，生成至少一个故障组件集；所述至少一个故障组件集中的每个故障组件集包括至少两个具有所述关联关系的故障组件；
根据预设规则从所述至少一个故障组件集中，获得目标故障组件；所述目标故障组件为导致所述故障组件集中故障组件产生的根因故障组件。
3.根据权利要求2所述的方法，其特征在于，所述根据预设规则从所述至少一个故障组件集中，获得目标故障组件包括：
对所述至少一个故障组件集中的故障组件进行中心度计算，得到每个故障组件的度中心性；所述度中心性表征每个故障组件与其他故障组件相联系的程度；
根据每个故障组件的度中心性对故障组件进行排序，得到排序结果；
根据排序结果确定目标故障组件。
4.根据权利要求1所述的方法，其特征在于，所述知识图谱根据以下步骤建立：
获取目标数据；
使用自然语言处理技术对所述目标数据进行知识抽取，得到多个表征实体的属性和不同实体之间关系的知识三元组；其中，每个知识三元组对应有至少一个故障问题；
通过聚类分析确定不同实体的相似度和不同实体之间的关系相似度；
基于实体相似度和不同实体之间的关系相似度，对多个所述知识三元组进行合并，得到所述知识图谱。
5.根据权利要求4所述的方法，其特征在于，所述目标数据包括结构化数据、半结构化数据和非结构化数据。
6.根据权利要求1所述的方法，其特征在于，在所述告警信息与预先建立的知识图谱中的关键词匹配失败的情况下，将所述告警信息作为目标数据对所述知识图谱进行更新，得到更新后的知识图谱；使用新的知识图谱与所述告警信息进行匹配。
7.一种故障定位装置，其特征在于，所述装置包括：
采集模块，用于获取告警信息；
匹配模块，用于将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；
确定模块，用于根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
8.根据权利要求7所述的装置，其特征在于，所述配置管理数据库还包括不同组件之间的关联关系，所述装置还包括：
获取模块，用于获取预设时间内产生故障问题的多个故障组件；
生成模块，用于根据所述关联关系对所述多个故障组件进行分组，生成至少一个故障组件集；所述至少一个故障组件集中的每个故障组件集包括至少两个具有所述关联关系的故障组件；
获得模块，用于根据预设规则从所述至少一个故障组件集中，获得目标故障组件；所述目标故障组件为导致所述故障组件集中故障组件产生的根因故障组件。
9.一种电子设备，其特征在于，包括：
网络通信单元，用于采集告警信息；
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现：将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
10.一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现：采集告警信息；将所述告警信息与预先建立的知识图谱中的关键词进行匹配，得到所述告警信息对应的故障问题；所述知识图谱包括关键词与故障问题的对应关系；所述故障问题包括产生故障的目标对象；根据配置管理数据库确定运行所述目标对象的组件，将运行所述目标对象的组件作为故障组件；其中，所述配置管理数据库包括组件的属性信息，所述属性信息包括运行在所述组件上的对象信息。
CN202010756084.7A 2020-07-31 2020-07-31 一种故障定位方法、装置及存储介质 Pending CN111930547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010756084.7A CN111930547A (zh) 2020-07-31 2020-07-31 一种故障定位方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010756084.7A CN111930547A (zh) 2020-07-31 2020-07-31 一种故障定位方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN111930547A true CN111930547A (zh) 2020-11-13

Family

ID=73314342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010756084.7A Pending CN111930547A (zh) 2020-07-31 2020-07-31 一种故障定位方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111930547A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395430A (zh) * 2020-12-14 2021-02-23 广州汇通国信科技有限公司 一种基于知识图谱的电力设备缺陷检索方法及系统
CN112491608A (zh) * 2020-11-24 2021-03-12 中国建设银行股份有限公司 一种灾备方案的确定方法、装置、设备及存储介质
CN112699681A (zh) * 2020-12-17 2021-04-23 国网冀北电力有限公司信息通信分公司 基于知识图谱的电力通信系统缺陷故障派单方法及装置
CN112804079A (zh) * 2020-12-10 2021-05-14 北京浪潮数据技术有限公司 云计算平台告警分析方法、装置、设备及存储介质
CN112966056A (zh) * 2021-04-19 2021-06-15 马上消费金融股份有限公司 一种信息处理方法、装置、设备、系统及可读存储介质
CN113048807A (zh) * 2021-03-15 2021-06-29 太原理工大学 一种空冷机组背压异常检测方法
CN113157536A (zh) * 2021-05-26 2021-07-23 中国银行股份有限公司 一种告警分析方法、装置、设备和存储介质
CN113608910A (zh) * 2021-08-02 2021-11-05 北京航空航天大学 高实时性航天器自主保障故障定位平台
CN113672776A (zh) * 2021-08-25 2021-11-19 中国农业银行股份有限公司 一种故障分析方法及装置
CN114490303A (zh) * 2022-04-07 2022-05-13 阿里巴巴达摩院(杭州)科技有限公司 故障根因确定方法、装置和云设备
CN114567538A (zh) * 2022-03-03 2022-05-31 中国工商银行股份有限公司 告警信息处理方法及装置
CN116054910A (zh) * 2022-12-20 2023-05-02 中国人民解放军63819部队 基于知识图谱构建的地球站设备故障分析及装置
CN117155772A (zh) * 2023-10-27 2023-12-01 广州嘉为科技有限公司 一种告警信息丰富方法、装置、设备及存储介质
CN116054910B (zh) * 2022-12-20 2024-05-14 中国人民解放军63819部队 基于知识图谱构建的地球站设备故障分析及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109991951A (zh) * 2019-04-28 2019-07-09 齐鲁工业大学 多源故障检测与诊断方法和装置
CN110351150A (zh) * 2019-07-26 2019-10-18 中国工商银行股份有限公司 故障根源确定方法及装置、电子设备和可读存储介质
CN110661660A (zh) * 2019-09-25 2020-01-07 北京宝兰德软件股份有限公司 告警信息根源分析方法及装置
CN110825549A (zh) * 2019-11-06 2020-02-21 国家电网有限公司信息通信分公司 一种信息系统故障根因的确定方法、装置、设备及存储介质
CN111193605A (zh) * 2019-08-28 2020-05-22 腾讯科技（深圳）有限公司 一种故障定位方法、装置及存储介质
CN111414491A (zh) * 2020-04-14 2020-07-14 广州劲源科技发展股份有限公司 一种电网行业知识图谱构建方法和装置以及设备
CN111435366A (zh) * 2019-01-14 2020-07-21 阿里巴巴集团控股有限公司 设备故障诊断方法、装置和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111435366A (zh) * 2019-01-14 2020-07-21 阿里巴巴集团控股有限公司 设备故障诊断方法、装置和电子设备
CN109991951A (zh) * 2019-04-28 2019-07-09 齐鲁工业大学 多源故障检测与诊断方法和装置
CN110351150A (zh) * 2019-07-26 2019-10-18 中国工商银行股份有限公司 故障根源确定方法及装置、电子设备和可读存储介质
CN111193605A (zh) * 2019-08-28 2020-05-22 腾讯科技（深圳）有限公司 一种故障定位方法、装置及存储介质
CN110661660A (zh) * 2019-09-25 2020-01-07 北京宝兰德软件股份有限公司 告警信息根源分析方法及装置
CN110825549A (zh) * 2019-11-06 2020-02-21 国家电网有限公司信息通信分公司 一种信息系统故障根因的确定方法、装置、设备及存储介质
CN111414491A (zh) * 2020-04-14 2020-07-14 广州劲源科技发展股份有限公司 一种电网行业知识图谱构建方法和装置以及设备

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491608A (zh) * 2020-11-24 2021-03-12 中国建设银行股份有限公司 一种灾备方案的确定方法、装置、设备及存储介质
CN112804079A (zh) * 2020-12-10 2021-05-14 北京浪潮数据技术有限公司 云计算平台告警分析方法、装置、设备及存储介质
CN112395430A (zh) * 2020-12-14 2021-02-23 广州汇通国信科技有限公司 一种基于知识图谱的电力设备缺陷检索方法及系统
CN112699681A (zh) * 2020-12-17 2021-04-23 国网冀北电力有限公司信息通信分公司 基于知识图谱的电力通信系统缺陷故障派单方法及装置
CN113048807A (zh) * 2021-03-15 2021-06-29 太原理工大学 一种空冷机组背压异常检测方法
CN112966056A (zh) * 2021-04-19 2021-06-15 马上消费金融股份有限公司 一种信息处理方法、装置、设备、系统及可读存储介质
CN113157536A (zh) * 2021-05-26 2021-07-23 中国银行股份有限公司 一种告警分析方法、装置、设备和存储介质
CN113608910B (zh) * 2021-08-02 2023-01-10 北京航空航天大学 高实时性航天器自主保障故障定位平台
CN113608910A (zh) * 2021-08-02 2021-11-05 北京航空航天大学 高实时性航天器自主保障故障定位平台
CN113672776A (zh) * 2021-08-25 2021-11-19 中国农业银行股份有限公司 一种故障分析方法及装置
CN113672776B (zh) * 2021-08-25 2024-04-12 中国农业银行股份有限公司 一种故障分析方法及装置
CN114567538A (zh) * 2022-03-03 2022-05-31 中国工商银行股份有限公司 告警信息处理方法及装置
CN114567538B (zh) * 2022-03-03 2024-05-07 中国工商银行股份有限公司 告警信息处理方法及装置
CN114490303A (zh) * 2022-04-07 2022-05-13 阿里巴巴达摩院(杭州)科技有限公司 故障根因确定方法、装置和云设备
CN114490303B (zh) * 2022-04-07 2022-07-12 阿里巴巴达摩院(杭州)科技有限公司 故障根因确定方法、装置和云设备
CN116054910A (zh) * 2022-12-20 2023-05-02 中国人民解放军63819部队 基于知识图谱构建的地球站设备故障分析及装置
CN116054910B (zh) * 2022-12-20 2024-05-14 中国人民解放军63819部队 基于知识图谱构建的地球站设备故障分析及装置
CN117155772A (zh) * 2023-10-27 2023-12-01 广州嘉为科技有限公司 一种告警信息丰富方法、装置、设备及存储介质
CN117155772B (zh) * 2023-10-27 2024-01-30 广州嘉为科技有限公司 一种告警信息丰富方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN111930547A (zh) 一种故障定位方法、装置及存储介质
Li et al. Swisslog: Robust and unified deep learning based log anomaly detection for diverse faults
US11475319B2 (en) Extracting facts from unstructured information
El-Masri et al. A systematic literature review on automated log abstraction techniques
US11238069B2 (en) Transforming a data stream into structured data
US11120033B2 (en) Computer log retrieval based on multivariate log time series
Ardjani et al. Ontology-alignment techniques: survey and analysis
US20120158724A1 (en) Automated web page classification
Feng et al. Finding and linking incidents in news
JP2010501096A (ja) ラッパー生成およびテンプレート検出の協同最適化
US20220083949A1 (en) Method and apparatus for pushing information, device and storage medium
CN112115232A (zh) 一种数据纠错方法、装置及服务器
Zhang et al. System log parsing: A survey
Zhang et al. Efficient and robust syslog parsing for network devices in datacenter networks
WO2015084757A1 (en) Systems and methods for processing data stored in a database
Jain et al. A review of unstructured data analysis and parsing methods
Dani et al. K-means application for anomaly detection and log classification in hpc
Cavallaro et al. Identifying anomaly detection patterns from log files: A dynamic approach
CN112306820A (zh) 一种日志运维根因分析方法、装置、电子设备及存储介质
Chunyong et al. Log parser with one-to-one markup
Xu et al. Hue: A user-adaptive parser for hybrid logs
CN116822491A (zh) 日志解析方法及装置、设备、存储介质
CN115269862A (zh) 一种基于知识图谱的电力问答与可视化系统
SCALIA Network-based content geolocation on social media for emergency management
Zhang et al. Mining Configuration Items From System Logs through Distant Supervision

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