CN112308455B - 根因定位方法、装置、设备及计算机存储介质 - Google Patents
根因定位方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112308455B CN112308455B CN202011310536.5A CN202011310536A CN112308455B CN 112308455 B CN112308455 B CN 112308455B CN 202011310536 A CN202011310536 A CN 202011310536A CN 112308455 B CN112308455 B CN 112308455B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- transaction
- root cause
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002159 abnormal effect Effects 0.000 claims abstract description 458
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 230000015654 memory Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000004807 localization Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 108
- 238000005516 engineering process Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 3
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100264195 Caenorhabditis elegans app-1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Debugging And Monitoring (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了一种根因定位方法、装置、电子设备及计算机存储介质；该方法包括：在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点。
Description
技术领域
本申请涉及金融科技(Fintech)的异常定位技术，涉及但不限于一种根因定位方法、装置、电子设备及计算机存储介质。
背景技术
随着计算机技术的发展，越来越多的技术应用在金融领域，传统金融业正在逐步向金融科技转变，但由于金融行业的安全性、实时性要求，也对技术提出了更高的要求。
目前，在金融科技领域中，对于金融交易的异常事件进行根因定位时，在一些可选的方案中，需要基于关联指标的相似度进行根因定位，在关联指标的相似度不准确时，可能导致无法精确地定位到根因节点；在一些可选的方案中，需要依赖历史数据、人为经验或机器学习的强规则进行根因定位，限制了根因定位的应用场景。
发明内容
本申请实施例提供一种根因定位方法、装置、电子设备及计算机存储介质，可以解决现有技术中无法精确地定位到根因节点以及应用场景受限的问题。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种根因定位方法，所述方法包括：
在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；
构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；
根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点。
在本申请的一些实施例中，所述根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易成功率异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索中断节点，将搜索出的所述中断节点作为所述每笔异常交易流水对应的根因节点。
在本申请的一些实施例中，所述根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易耗时异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索耗时增量最大的节点，将搜索出的所述耗时增量最大的节点作为所述每笔异常交易流水对应的根因节点。
在本申请的一些实施例中，所述构建每笔异常交易流水对应的交易调用链，包括：
通过消息总线获取所述异常交易流水对应的各个调用消息，基于所述各个调用消息的时间顺序，构建每笔异常交易流水对应的交易调用链。
在本申请的一些实施例中，所述根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点，包括：
在存在多笔异常交易流水的请求下，根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，确定所述异常事件的根因所属异常范围；
在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据所述异常事件对应的异常时段内的告警信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据与所述预设的交易属性信息对应的根因标注的历史信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
在所述异常事件的根因所属异常范围中确定所述异常事件的多个候选根因节点；
在多个候选根因节点中选择底层的候选根因节点作为所述异常事件的根因节点。
在本申请的一些实施例中，所述预设的交易属性信息包括以下至少一项：交易返回码、发生交易的网际互连协议(Internet Protocol，IP)地址信息、交易调用的子系统、交易调用的互联网数据中心(Internet Data Center，IDC)、交易调用的网络服务、交易调用的网络设备。
在本申请的一些实施例中，所述方法还包括：
在构建每笔异常交易流水对应的交易调用链后，展示所述每笔异常交易流水对应的交易调用链。
本申请实施例提供一种根因定位装置，所述装置包括：
第一确定模块，用于在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；
处理模块，用于构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；
第二确定模块，用于根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点。
在本申请的一些实施例中，所述处理模块，用于根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易成功率异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索中断节点，将搜索出的所述中断节点作为所述每笔异常交易流水对应的根因节点。
在本申请的一些实施例中，所述处理模块，用于根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易耗时异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索耗时增量最大的节点，将搜索出的所述耗时增量最大的节点作为所述每笔异常交易流水对应的根因节点。
在本申请的一些实施例中，所述处理模块，用于构建每笔异常交易流水对应的交易调用链，包括：
通过消息总线获取所述异常交易流水对应的各个调用消息，基于所述各个调用消息的时间顺序，构建每笔异常交易流水对应的交易调用链。
在本申请的一些实施例中，所述第二确定模块，用于根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点，包括：
在存在多笔异常交易流水的请求下，根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，确定所述异常事件的根因所属异常范围；
在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述第二确定模块，用于在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据所述异常事件对应的异常时段内的告警信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述第二确定模块，用于在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据与所述预设的交易属性信息对应的根因标注的历史信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述第二确定模块，用于在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
在所述异常事件的根因所属异常范围中确定所述异常事件的多个候选根因节点；
在多个候选根因节点中选择底层的候选根因节点作为所述异常事件的根因节点。
在本申请的一些实施例中，所述预设的交易属性信息包括以下至少一项：交易返回码、发生交易的IP地址信息、交易调用的子系统、交易调用的IDC、交易调用的网络服务、交易调用的网络设备。
在本申请的一些实施例中，所述处理模块，还用于在构建每笔异常交易流水对应的交易调用链后，展示所述每笔异常交易流水对应的交易调用链。
本申请实施例提供一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现上述任意一种根因定位方法。
本申请实施例提供一种计算机可读存储介质，存储有可执行指令，用于被处理器执行时，实现上述任意一种根因定位方法。
本申请实施例中，在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点。
可以看出，本申请实施例可以根据异常事件的异常指标确定对应的异常交易流水，进而根据异常交易流水的交易调用链，确定异常事件的根因节点；可以理解地，异常交易流水的交易调用链可以准确地反映异常交易流水的调用关系，进而有利于准确地对异常事件进行根因定位；进一步地，本申请实施例在无需使用历史数据、人为经验或机器学习的强规则的情况下，就可以实现异常事件的根因定位，拓展了根因定位的应用场景。
附图说明
图1是本申请实施例提供的根因定位方法的一个可选的流程图；
图2是本申请实施例提供的根因定位方法的另一个可选的流程图；
图3是本申请实施例中一个示例性的推理网络的结构图；
图4是本申请实施例的根因定位装置的一个可选的组成结构示意图；
图5是本申请实施例提供的电子设备的一个可选的组成结构示意图。
具体实施方式
在相关技术中，金融交易的异常事件的根因定位可以采用如下几种方案实现：
1)基于关联指标的相似度进行根因定位。
在一种实现方式中，可以根据异常事件中的异常指标所属模块的调用或传导关系，进行扩散，计算其下游模块的关联指标与本异常指标的相似度，再选择相似度最高的路径继续向下游传递并找到最终的根因节点。该方案只能根据指标相似度匹配根因，在上下游模块指标定义或计算方式不同的情况下，会导致相似度计算不准确，进而导致无法精确地定位到根因节点。
2)基于异常事件特征进行根因定位。
在一种实现方式中，可以通过匹配与当前异常事件特征相似的历史事件(例如发生时间、异常指标等)计算得出根因节点的大致分类或方向。该方案的缺点是只能确定根因节点的类型或方向，无法确定具体的根因节点，并且需要基于历史数据确定根因节点，在进行根因定位前需要经过长时间异常案例积累和学习才能真正使用，对于新增的交易场景，前期的推荐根因节点并不适用，在没有历史数据的情况下，无法进行根因定位，即，存在冷启动问题。
3)基于关联规则进行根因定位。
在一种实现方式中，可以通过对历史案例的分析和学习，归纳总结出历史异常事件的特征，如果再次出现该异常事件，则可以根据关联规则选择可能性最大的根因。该方案需要依赖历史数据进行根因定位，也存在冷启动的问题；例如，对于一些关键的交易场景，异常事件的发生可能是偶然情况，不具备大量的历史数据。
4)基于规则库进行根因定位。
在一种实现方式中，可以依靠人为经验或机器学习方式总结出某些特定的规则进行根因定位，在进行根因定位时通过既定的规则去关联相关的告警或其他数据。该方案强依赖于人为经验和强规则，不适用于复杂多变的交易场景。
针对上述技术问题，提出本申请实施例的技术方案。
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
本申请实施例提供一种根因定位方法、装置、电子设备及计算机存储介质，本申请实施例的根因定位方法可以应用于终端和/或服务器组成的计算机系统中，并可以与众多其它通用或专用计算系统环境或配置一起操作。这里，终端可以是瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统，等等，服务器可以是服务器计算机系统小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
下面对本申请实施例的根因定位方法进行示例性说明。
图1为本申请实施例提供的根因定位方法的一个可选的流程图，如图1所示，该流程可以包括：
步骤101：在出现交易的异常事件的情况下，确定异常事件中的至少一个异常指标；确定与至少一个异常指标中每个异常指标对应的异常交易流水。
本申请实施例中，上述交易可以为金融交易；交易的异常事件可以表示交易成功率异常、交易耗时异常或其它类型的交易异常；在实际应用中，根因定位的流程由交易的异常事件触发。
异常事件中可以包括多个场景的多个指标的异常，在一些实施例中，异常事件中的异常指标可以是交易成功率、交易平均时延等重要指标。
本申请实施例中，在确定异常事件中的至少一个异常指标后，可以获取上述至少一个异常指标在异常时间点的异常交易流水，异常交易流水可以是高耗时交易的交易流水或失败交易的交易流水。
在一些实施例中，在上述至少一个异常指标在异常时间点的异常交易流水的数量小于设定值的情况下，可以直接将每个异常指标的全量异常交易流水作为：每个异常指标对应的异常交易流水。
在一些实施例中，在上述至少一个异常指标在异常时间点的异常交易流水的数量大于或等于设定值的情况下，可以在每个异常指标的全量异常交易流水中选取一定数量的交易流水，将选取的交易流水作为每个异常指标对应的异常交易流水。
上述设定值可以根据当前计算资源进行确定，因而，本申请实施例可以根据实际的计算资源，确定至少一个异常指标中每个异常指标对应的异常交易流水的确定方法。
步骤102：构建每笔异常交易流水对应的交易调用链，交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在每笔异常交易流水对应的交易调用链中，确定出每笔异常交易流水对应的根因节点。
本申请实施例中，异常交易流水调用的节点可以包括服务；在一些实施例中，可以异常交易流水对应的调用消息中，确定出异常交易流水调用的节点，从而构建每笔异常交易流水对应的交易调用链。
本申请实施例中，对于不同的异常类型，在确定异常交易流水对应的交易调用链后，可以采用不同的方式确定异常交易流水对应的根因节点。
步骤103：根据每笔异常交易流水对应的根因节点，确定异常事件的根因节点。
本申请实施例中，异常事件的根因节点可以是发生交易的IP地址信息、交易调用的子系统、交易调用的网络服务、交易调用的网络设备等。
本申请的一些实施例中，在存在多笔异常交易流水的情况下，可以根据各笔异常交易流水对应的根因节点，确定异常事件的根因节点。
在实际应用中，步骤101至步骤103可以基于电子设备的处理器实现，上述处理器可以是特定用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital SignalProcessing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作限制。
可以看出，本申请实施例中，可以根据异常事件的异常指标确定对应的异常交易流水，进而根据异常交易流水的交易调用链，确定异常事件的根因节点；可以理解地，异常交易流水的交易调用链可以准确地反映异常交易流水的调用关系，进而有利于准确地对异常事件进行根因定位；进一步地，本申请实施例在无需使用历史数据、人为经验或机器学习的强规则的情况下，就可以实现异常事件的根因定位，拓展了根因定位的应用场景。
在本申请的一些实施例中，构建每笔异常交易流水对应的交易调用链的实现方式可以是：
通过消息总线获取所述异常交易流水对应的各个调用消息，基于所述各个调用消息的时间顺序，构建每笔异常交易流水对应的交易调用链。
本申请实施例中，每笔异常交易流水对上下游服务的调用可以通过消息总线获取；与超文本传输协议(HyperText Transfer Protocol，HTTP)调用相比，消息总线调用的优势是可以集中收集和保存调用过程中产生的消息数据，利用统一的客户端发送或接收，便于实现消息头格式的统一；异常交易流水对应的调用消息可以包括消息的产生时间、处理时间、发送时间、接收时间等；因此，可以基于业务流水号将同一笔异常交易流水对应的调用消息聚集起来，然后，从各个调用消息的消息头中解析出发送和接收方的子系统，并根据述各个调用消息的时间顺序，构建每笔异常交易流水对应的交易调用链。
在本申请的一些实施例中，根据异常事件的异常类型，在每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，可以包括：
在异常事件表示交易成功率异常的情况下，针对每笔异常交易流水，在交易调用链中搜索中断节点，将搜索出的中断节点作为每笔异常交易流水对应的根因节点。
这里，中断节点表示交易调用链中的末端调用节点。
在本申请的一些实施例中，根据异常事件的异常类型，在每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，可以包括：
在异常事件表示交易耗时异常的情况下，针对每笔异常交易流水，在交易调用链中搜索耗时增量最大的节点，将搜索出的耗时增量最大的节点作为所述每笔异常交易流水对应的根因节点。
可以看出，本申请实施例可以根据异常事件的异常类型，在交易调用链中搜索节点，进一步地，本申请实施例可以针对交易成功率异常或交易耗时异常的异常类型，从交易调用链中搜索对应的节点，将搜索出的节点确定为异常交易流水对应的根因节点，进而，有利于实现针对交易成功率异常或交易耗时异常等异常事件的根因定位。
在本申请的一些实施例中，对于根据每笔异常交易流水对应的根因节点，确定异常事件的根因节点的实现方式，示例性地，可以在存在多笔异常交易流水的请求下，根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，确定异常事件的根因所属异常范围；在异常事件的根因所属异常范围中确定异常事件的根因节点。
这里，预设的交易属性信息包括以下至少一项：交易返回码、发生交易的IP地址信息、交易调用的子系统、交易调用的IDC、交易调用的网络服务、交易调用的网络设备。
在实际应用中，可以在每笔异常交易流水对应的根因节点的基础上，针对各笔异常交易流水对应的根因节点，从交易返回码、发生交易的IP地址信息、交易调用的子系统、交易调用的IDC、交易调用的网络服务、交易调用的网络设备等层级进行异常范围的汇聚性分析，得到异常事件的根因所属异常范围；在一个示例中，对各笔交易流水的根因节点进行汇聚性分析可以是：90％的异常交易流水的根因节点都集中在某个IP地址等。
在一些实施例中，可以根据预设的交易属性信息确定交易调用的底层设备；在一种实现方式中，在构建交易调用链之后，可以构建推理网络，推理网络包含一定的层次结构，一个示例性的层次结构为:异常事件->异常指标->异常交易流水->服务->应用实例->主机、子系统或数据库(Data Base，DB)->底层设备，这个层次结构为从顶层到底层的方向扩展的结构；这里，应用实例表示为实现服务而运行的进程；在构建推理网络后，根据预设的交易属性信息从推理网络的层次结构中确定出交易调用的各个底层设备。
在确定出交易调用的底层设备，可以根据每个底层设备的汇聚度；将汇聚度大于汇聚度阈值的底层设备作为异常事件的根因节点；这里，每个底层设备的汇聚度用于反映推理网络中底层设备的汇聚性，每个底层设备的汇聚度与推理网络中到达底层设备的路径的数量成正相关。
可以看出，本申请实施例可以根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，集合汇聚性分析结果得出异常事件的根因所属异常范围，进而有利于在异常事件的根因所属异常范围中准确地确定异常事件的根因节点。
在本申请的一些实施例中，在异常事件的根因所属异常范围中确定所述异常事件的根因节点，可以包括：
根据异常事件对应的异常时段内的告警信息，在异常事件的根因所属异常范围中确定异常事件的根因节点。
在一种实现方式中，可以收集异常事件对应的异常时段内的告警信息，每个告警信息都有自身的影响范围，例如主机告警影响某个主机，DB告警则影响调用该DB的子系统，核心网络交换机告警则影响其覆盖的网络区域或IDC；将上述异常事件的根因所属异常范围与告警信息的影响范围相比较，可以结合告警信息的内容，将异常事件的根因所属异常范围进一步缩小，有利于确定某个节点具体出现了哪些异常，例如主机硬件故障、DB主从切换等。在一些实施例中，可以确定异常事件的根因所属异常范围与告警信息的影响范围的重复部分，进而在重复部分中较为精准地确定异常事件的根因节点。
可以看出，本申请实施例可以结合异常时段内的告警信息，确定异常事件的根因节点，有利于更加准确地得出异常事件的根因节点。
在本申请的一些实施例中，在异常事件的根因所属异常范围中确定异常事件的根因节点，可以包括：
根据与预设的交易属性信息对应的根因标注的历史信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
这里，根因标注的历史信息表示按照预设的交易属性信息确定的根因节点的历史信息，例如，根因节点的历史信息中，如果根因节点是基于交易返回码对应的根因所属异常范围确定的，则将根因节点的历史信息标注为与交易返回码相关的信息，即得到根因标注的历史信息；如果当前时刻异常事件的根因所属异常范围也按照交易返回码确定的，则可以从根因标注的历史信息即上述与交易返回码相关的信息中，进一步确定根因节点。
在一些实施例中，异常事件的根因所属异常范围在交易返回信息层面上有汇聚性，则可以通过知识库中根因标注的历史信息中得出更详细的根因节点信息；例如，某登录场景包含不同渠道(或入口)的登录请求，各笔异常交易流水中对应的交易返回码字段loginType的取值为各渠道的标识码，在各笔异常交易流水对应的交易返回码均汇聚在其中一个取值时，可以结合知识库中与该取值对应的根因标注的历史信息，更有针对性地确定出针对该取值的异常事件的根因节点。
在本申请的一些实施例中，在异常事件的根因所属异常范围中确定异常事件的根因节点，可以包括：
在异常事件的根因所属异常范围中确定所述异常事件的多个候选根因节点；在多个候选根因节点中选择底层的候选根因节点作为异常事件的根因节点。
本申请实施例中，如果根据异常事件的根因所属异常范围中确定出一个候选根因节点，则可以直接将该候选根因节点作为异常事件的根因节点；在常事件的根因所属异常范围中确定所述异常事件的多个候选根因节点的情况下，可以根据多个候选根因节点的上下游调用关系，在多个候选根因节点中选择底层的候选根因节点作为异常事件的根因节点，这样，可以更加准确地实现异常事件的根因定位。
在本申请的一些实施例中，在构建每笔异常交易流水对应的交易调用链后，还可以展示所述每笔异常交易流水对应的交易调用链。
在相关技术中，如果基于机器学习方式总结出某些特定的规则进行根因定位，则会导致根因定位结果缺乏可解释性，不利于直观的判断定位结果的正确性；而在本申请实施例中，可以展示所述每笔异常交易流水对应的交易调用链，有利于更加直观地从交易调用链中判断根因定位的准确性。
下面结合附图对本申请实施例的根因定位方法进行进一步说明。
图2为本申请实施例提供的根因定位方法的另一个可选的流程图，参照图2，在出现交易的异常事件的情况下，基于前述记载的内容确定与至少一个异常指标中每个异常指标对应的异常交易流水，并构建每笔异常交易流水对应的交易调用链；在一些实施例中，还可以在出现交易的异常事件的情况下，收集异常事件对应的异常时段内的告警信息。
在构建交易调用链并收集告警信息之后，可以构建推理网络；本申请实施例中，推理网络可以包括上述交易调用链和告警信息；在构建推理网络，可以存储推理网络，基于存储的推理网络可以实现推理网络的可视化展示，也可以进行异常事件回溯和与异常事件相关的知识挖掘。
在一种实现方式中，在构建交易调用链中，可以进行交易调用链分析，即可以从交易调用链关联的每个服务中扩展出交易返回码、交易调用的主机、交易调用的子系统、交易调用的网络服务接口、交易调用的DB等；然后，可以从交易调用的主机或DB中扩展出底层设备，例如，可以扩展出网络设备、物理服务器等，直到无法继续向底层扩展为止。
图3为本申请实施例中一个示例性的推理网络的结构图，参照图3，异常指标1和异常指标2表示不同的异常指标，异常交易1、异常交易2、异常交易3和异常交易4表示不同的异常交易流水，app1、app2和app3表示不同的应用实例，虚拟机1、虚拟机2和虚拟机3表示不同的主机，子系统1和子系统2表示不同的子系统，DB1表示子系统1扩展出的DB，物理机1、物理机2、物理机3和交换机表示不同的底层设备；图3中并未示出告警信息。
在推理网络构建完成后，可以确定异常事件的根因节点；确定异常事件的根因节点的流程分为以下两个阶段实现。
在第一个阶段，以异常事件为起点，以应用实例为终点，搜索所有可达的路径，根据不同的异常指标类型，定义了两种不同的推理模型：
1)交易成功率指标异常。
在这种情况下，交易调用链中存在中断或异常节点，推理模型可描述为：
(异常事件)-事件_关联_指标->(指标)-指标_关联_交易->(交易)-交易_关联_服务->((中断服务OR异常服务)AND MAX(调用序号))-运行->(应用实例)；
2)平均时延指标异常。
在这种情况下，交易调用链中存在调用耗时升高的节点，推理模型可描述为：
(异常事件)-事件_关联_指标->(指标)-指标_关联_交易->(交易)-交易_关联_服务->(MAX(耗时))-运行->(应用实例)
在上述两种推理模型中，小括号中的内容为推理网络中的节点类型及匹配条件，符号“-”和符号“->”之间的内容表示各个节点之间关联关系的类型。
在第二个阶段，所有的异常交易流水会收敛到若干个应用实例上。
在第二个阶段中，以应用实例为起点，以主机、DB、交换机等底层设备为终点，搜索所有可达的路径，参照图2，可以针对底层设备进行汇聚性分析，以得出异常事件的根因节点。
在一些实施例中，可以根据以下公式(1)计算底层设备的汇聚度：
在公式(1)中，x表示任意一个底层设备，S(x)表示底层设备x的汇聚度，用于反映底层设备x的汇聚性，Np(x)为底层设备x的汇聚量，即，到达底层设备x的路径数量，Na为第一阶段后得出的应用实例节点的数量。
可以看出，基于上述公式(1)，可以实现对各笔交易流水的根因节点进行汇聚性分析。
在计算得到各个底层设备的汇聚度后，可以确定汇聚度大于汇聚度阈值p的底层设备，p可以根据实际情况设置，针对不同类型的底层设备，可以设置不同的汇聚度阈值。
在汇聚度大于汇聚度阈值p的底层设备中，选取汇聚度最高的n个底层设备作为候选根因节点，n为大于或等于1的整数。
在n大于1的情况下，可以从n个候选根因节点相互之间在推理网络中的可达性，以确定n个候选根因节点之间的上下游关系，如果存在关联关系，则选择最底层的设备作为异常事件的根因节点，而排除其上游的设备。如果n个候选根因节点不存在关联关系，则在n个候选根因节点中选取汇聚度最高的候选根因节点作为异常事件的根因节点；如果出现多个汇聚度相等的且无关联的候选根因节点，则将这些候选根因节点进行合并展示。
在前述实施例提出的根因定位方法的基础上，本申请实施例还提出了一种根因定位装置；图4为本申请实施例的根因定位装置的一个可选的组成结构示意图，如图4所示，该根因定位装置400可以包括：
第一确定模块401，用于在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；
处理模块402，用于构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；
第二确定模块403，用于根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点。
在本申请的一些实施例中，所述处理模块402，用于根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易成功率异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索中断节点，将搜索出的所述中断节点作为所述每笔异常交易流水对应的根因节点。
在本申请的一些实施例中，所述处理模块402，用于根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易耗时异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索耗时增量最大的节点，将搜索出的所述耗时增量最大的节点作为所述每笔异常交易流水对应的根因节点。
在本申请的一些实施例中，所述处理模块402，用于构建每笔异常交易流水对应的交易调用链，包括：
通过消息总线获取所述异常交易流水对应的各个调用消息，基于所述各个调用消息的时间顺序，构建每笔异常交易流水对应的交易调用链。
在本申请的一些实施例中，所述第二确定模块403，用于根据所述每笔异常交易流水对应的根因节点，确定所述异常事件的根因节点，包括：
在存在多笔异常交易流水的请求下，根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，确定所述异常事件的根因所属异常范围；
在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述第二确定模块403，用于在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据所述异常事件对应的异常时段内的告警信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述第二确定模块403，用于在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据与所述预设的交易属性信息对应的根因标注的历史信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
在本申请的一些实施例中，所述第二确定模块403，用于在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
在所述异常事件的根因所属异常范围中确定所述异常事件的多个候选根因节点；
在多个候选根因节点中选择底层的候选根因节点作为所述异常事件的根因节点。
在本申请的一些实施例中，所述预设的交易属性信息包括以下至少一项：交易返回码、发生交易的IP地址信息、交易调用的子系统、交易调用的IDC、交易调用的网络服务、交易调用的网络设备。
在本申请的一些实施例中，所述处理模块402，还用于在构建每笔异常交易流水对应的交易调用链后，展示所述每笔异常交易流水对应的交易调用链。
在实际应用中，第一确定模块401、处理模块402和第二确定模块403可以利用电子设备的处理器实现，上述处理器可以是ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作限制。
需要说明的是，以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的根因定位方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是终端、服务器等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
对应地，本申请实施例再提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，该计算机可执行指令用于实现本申请实施例提供的任意一种根因定位方法。
相应的，本申请实施例再提供一种计算机存储介质，所述计算机存储介质上存储有计算机可执行指令，该计算机可执行指令用于实现上述实施例提供的任意一种根因定位方法。
本申请实施例还提供一种电子设备，图5为本申请实施例提供的电子设备的一个可选的组成结构示意图，如图5所示，所述电子设备500包括：
存储器501，用于存储可执行指令；
处理器502，用于执行所述存储器501中存储的可执行指令时，实现上述任意一种根因定位方法。
上述处理器502可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。
上述计算机可读存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一些实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本申请实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得设备自动测试线执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种根因定位方法，其特征在于，所述方法包括：
在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；
构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；
在存在多笔异常交易流水的请求下，根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，确定所述异常事件的根因所属异常范围；
在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
2.根据权利要求1所述的方法，其特征在于，所述根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易成功率异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索中断节点，将搜索出的所述中断节点作为所述每笔异常交易流水对应的根因节点。
3.根据权利要求1所述的方法，其特征在于，所述根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点，包括：
在所述异常事件表示交易耗时异常的情况下，针对每笔异常交易流水，在所述交易调用链中搜索耗时增量最大的节点，将搜索出的所述耗时增量最大的节点作为所述每笔异常交易流水对应的根因节点。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述构建每笔异常交易流水对应的交易调用链，包括：
通过消息总线获取所述异常交易流水对应的各个调用消息，基于所述各个调用消息的时间顺序，构建每笔异常交易流水对应的交易调用链。
5.根据权利要求1所述的方法，其特征在于，所述在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据所述异常事件对应的异常时段内的告警信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
6.根据权利要求1所述的方法，其特征在于，所述在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
根据与所述预设的交易属性信息对应的根因标注的历史信息，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
7.根据权利要求1所述的方法，其特征在于，所述在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点，包括：
在所述异常事件的根因所属异常范围中确定所述异常事件的多个候选根因节点；
在多个候选根因节点中选择底层的候选根因节点作为所述异常事件的根因节点。
8.根据权利要求5至7任一项所述的方法，其特征在于，所述预设的交易属性信息包括以下至少一项：交易返回码、发生交易的网际互连协议IP地址信息、交易调用的子系统、交易调用的互联网数据中心IDC、交易调用的网络服务、交易调用的网络设备。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在构建每笔异常交易流水对应的交易调用链后，展示所述每笔异常交易流水对应的交易调用链。
10.一种根因定位装置，其特征在于，所述装置包括：
第一确定模块，用于在出现交易的异常事件的情况下，确定所述异常事件中的至少一个异常指标；确定与所述至少一个异常指标中每个异常指标对应的异常交易流水；
处理模块，用于构建每笔异常交易流水对应的交易调用链，所述交易调用链包括所述异常交易流水调用的节点；根据异常事件的异常类型，在所述每笔异常交易流水对应的交易调用链中，确定出所述每笔异常交易流水对应的根因节点；
第二确定模块，用于在存在多笔异常交易流水的请求下，根据预设的交易属性信息，对各笔交易流水的根因节点进行汇聚性分析，确定所述异常事件的根因所属异常范围；以及，在所述异常事件的根因所属异常范围中确定所述异常事件的根因节点。
11.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1至9任一项所述的根因定位方法。
12.一种计算机可读存储介质，其特征在于，存储有可执行指令，用于被处理器执行时，实现权利要求1至9任一项所述的根因定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011310536.5A CN112308455B (zh) | 2020-11-20 | 2020-11-20 | 根因定位方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011310536.5A CN112308455B (zh) | 2020-11-20 | 2020-11-20 | 根因定位方法、装置、设备及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112308455A CN112308455A (zh) | 2021-02-02 |
| CN112308455B true CN112308455B (zh) | 2024-04-09 |
Family
ID=74335933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011310536.5A Active CN112308455B (zh) | 2020-11-20 | 2020-11-20 | 根因定位方法、装置、设备及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112308455B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128986A (zh) * | 2021-04-23 | 2021-07-16 | 中国工商银行股份有限公司 | 长链路交易的报错处理方法及装置 |
| CN113821413A (zh) * | 2021-09-27 | 2021-12-21 | 中国建设银行股份有限公司 | 告警分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111158977A (zh) * | 2019-12-12 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种异常事件根因定位方法及装置 |
| CN111722952A (zh) * | 2020-05-25 | 2020-09-29 | 中国建设银行股份有限公司 | 业务系统的故障分析方法、系统、设备和存储介质 |
| CN111782472A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 系统异常检测方法、装置、设备及存储介质 |
| CN111796955A (zh) * | 2020-05-28 | 2020-10-20 | 中国建设银行股份有限公司 | 故障根源定位方法、系统、装置及存储介质 |
| CN111861747A (zh) * | 2020-07-08 | 2020-10-30 | 支付宝(杭州)信息技术有限公司 | 交易链路异常处理方法、装置、电子设备 |
-
2020
- 2020-11-20 CN CN202011310536.5A patent/CN112308455B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111158977A (zh) * | 2019-12-12 | 2020-05-15 | 深圳前海微众银行股份有限公司 | 一种异常事件根因定位方法及装置 |
| CN111722952A (zh) * | 2020-05-25 | 2020-09-29 | 中国建设银行股份有限公司 | 业务系统的故障分析方法、系统、设备和存储介质 |
| CN111796955A (zh) * | 2020-05-28 | 2020-10-20 | 中国建设银行股份有限公司 | 故障根源定位方法、系统、装置及存储介质 |
| CN111782472A (zh) * | 2020-06-30 | 2020-10-16 | 平安科技（深圳）有限公司 | 系统异常检测方法、装置、设备及存储介质 |
| CN111861747A (zh) * | 2020-07-08 | 2020-10-30 | 支付宝(杭州)信息技术有限公司 | 交易链路异常处理方法、装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112308455A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111786950B (zh) | 基于态势感知的网络安全监控方法、装置、设备及介质 | |
| CN112308455B (zh) | 根因定位方法、装置、设备及计算机存储介质 | |
| EP3805957A1 (en) | Computer-implemented method and apparatus for determining a relevance of a node in a network | |
| CN114721912B (zh) | 一种数据分析方法、装置、设备及介质 | |
| US20210288897A1 (en) | Mitigating failure in request handling | |
| CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
| US20220321598A1 (en) | Method of processing security information, device and storage medium | |
| CN114257493A (zh) | 网络节点的故障预警方法、装置、介质及电子设备 | |
| CN116915463B (zh) | 一种调用链数据安全分析方法、装置、设备及存储介质 | |
| CN117931589A (zh) | 运维故障的识别方法及装置 | |
| CN111401959B (zh) | 风险群体的预测方法、装置、计算机设备及存储介质 | |
| CN112130944A (zh) | 页面异常的检测方法、装置、设备及存储介质 | |
| CN117093627A (zh) | 信息挖掘的方法、装置、电子设备和存储介质 | |
| CN114710397B (zh) | 服务链路的故障根因定位方法、装置、电子设备及介质 | |
| CN114500326B (zh) | 异常检测方法、装置、电子设备以及存储介质 | |
| CN115906135A (zh) | 目标数据泄露路径的溯源方法、装置、电子设备和存储介质 | |
| CN116010969A (zh) | 安全规则匹配方法、装置、电子设备和存储介质 | |
| US20230012202A1 (en) | Graph computing over micro-level and macro-level views | |
| CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
| CN111641535B (zh) | 网络监控方法、装置、电子设备和介质 | |
| CN109995663B (zh) | 基于长度约束和无重复路径的网络信息传播方法 | |
| Simpson et al. | Scalable misinformation mitigation in social networks using reverse sampling | |
| CN117407204B (zh) | 一种应用程序故障定位方法、装置、设备及存储介质 | |
| CN115529250B (zh) | 流量回放方法、装置、电子设备及存储介质 | |
| CN117313133B (zh) | 数据脱敏方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |