CN113037575A

CN113037575A - 网元异常的根因定位方法、装置、电子设备及存储介质

Info

Publication number: CN113037575A
Application number: CN202110588212.6A
Authority: CN
Inventors: 易存道
Original assignee: Beijing Baolande Software Co ltd
Current assignee: Beijing Baolande Software Co ltd
Priority date: 2021-05-28
Filing date: 2021-05-28
Publication date: 2021-06-25
Anticipated expiration: 2041-05-28
Also published as: CN113037575B

Abstract

本发明提供的一种网元异常的根因定位方法、装置、电子设备及存储介质，通过计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与网元异常具有相关性的至少一个目标历史异常，并计算任一目标历史异常中与网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；计算任一所述目标指标的第二权重；通过第一权重、第二权重与置信度，定位网元异常的根因；实现了通过综合考虑网元异常中所有指标的第一权重、第二权重及历史异常中相同指标的支持度、置信度，综合挖掘网元异常指标之间的关系及权重，在自动定位网元异常的根因的基础上，更准确地明确了异常根因，提高了根因定位的效率和精准度。

Description

网元异常的根因定位方法、装置、电子设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种网元异常的根因定位方法、装置、电子设备及存储介质。

背景技术

随着云计算业务的快速发展，越来越多的系统业务转移到云上，将大量用网络连接的计算资源统一管理和调度，构成一个计算资源池向用户按需服务，实现了软件和硬件资源的共享，从而减少系统部署的软硬件成本。

通常云系统会有监控中心随时监控系统层面指标的异常，但是随着业务的增多，云系统中的网元出现异常的频率变高，需要运维人员对网元异常的根因进行定位。目前，对网元异常的定位方法通常为基于人工识别的根因定位，主要是运维人员通过查看当前网元异常的日志，指标，告警，调用链等原始数据，结合自身经验及对系统的了解程度，分析出现问题的原因。

由此可见，目前基于人工手动识别的根因定位方法，存在着受到运维人员自身的知识储备、问题分析能力的限制较大，仅仅根据当前网元异常的数据进行异常根因分析，导致根因分析时间长、准确性低的问题。

发明内容

本发明提供一种网元异常的根因定位方法、装置、电子设备及存储介质，用以解决现有技术中基于人工手动识别的根因定位方法，存在着受到运维人员自身的知识储备、问题分析能力的限制较大，仅仅根据当前网元异常的数据进行异常根因分析，导致根因分析时间长、准确性低的缺陷，实现了通过综合考虑网元异常中所有指标的第一权重、第二权重及历史异常中相同指标的支持度、置信度，综合挖掘网元异常指标之间的关系及权重，在自动定位网元异常的根因的基础上，更准确地明确了异常根因，提高了根因定位的效率和精准度。

本发明提供的一种网元异常的根因定位方法，包括：

计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；

获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；

通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；

通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

进一步的，根据本发明提供的一种网元异常的根因定位方法，所述通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因，包括：

基于所述第一权重、第二权重与所述置信度，确定任一所述目标指标的异常指数；

将所述异常指数按照从大到小排序，确定排序在前的预设数量的异常指数所对应的目标指标为异常网元故障的根因。

进一步的，根据本发明提供的一种网元异常的根因定位方法，所述计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重，包括：

划分所述第一时间段，得到至少一个区间；其中，不同的所述区间具有不同的预设权重；

根据任一目标指标在所有所述区间中发生的次数，结合不同的所述区间的预设权重，确定所述第一权重。

进一步的，根据本发明提供的一种网元异常的根因定位方法，在所述计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重之前，还包括：

获取第二时间段内网元运行时的所有原始指标；其中，所述第二时间段包含所述第一时间段；

基于所述原始指标，通过零-均值规范化算法，确定所述第二时间段内是否存在异常；

若所述第二时间段内存在异常，将所述异常的开始时间与结束时间内的时间段作为所述第一时间段。

进一步的，根据本发明提供的一种网元异常的根因定位方法，所述获取与所述网元异常具有相关性的至少一个目标历史异常，包括：

确定历史数据中的历史异常与所述网元异常的相关性；其中，所述历史异常与所述网元异常具有相同的目标指标时，所述历史异常与所述网元异常具有相关性；

将所述历史异常按照相关性由大到小进行排序；

选取排序在前的至少一个历史异常，作为目标历史异常。

进一步的，根据本发明提供的一种网元异常的根因定位方法，所述通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重，包括：

基于所述各个历史指标之间的支持度、置信度，根据AHP层次分析，建立支持度矩阵、置信度矩阵；

基于所述支持度矩阵与所述置信度矩阵，确定任一所述目标指标的第二权重。

进一步的，根据本发明提供的一种网元异常的根因定位方法，所述基于所述支持度矩阵与所述置信度矩阵，确定任一所述目标指标的第二权重，包括：

根据所述支持度矩阵与所述置信度矩阵，基于算术平均方法，生成比较矩阵；

对所述比较矩阵中的任一行求和，确定所述任一行所对应的目标指标的第二权重。

本发明还提供一种网元异常的根因定位装置，包括：

计算单元，用于计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；

获取单元，用于获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；

确定单元，用于通过所述各个历史指标之间的支持度、置信度，确定任一所述目标指标的第二权重；

定位单元，用于通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述网元异常的根因定位方法的步骤。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述网元异常的根因定位方法的步骤。

本发明提供的一种网元异常的根因定位方法、装置、电子设备及存储介质，通过计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因；实现了通过综合考虑网元异常中所有指标的第一权重、第二权重及历史异常中相同指标的支持度、置信度，综合挖掘网元异常指标之间的关系及权重，在自动定位网元异常的根因的基础上，更准确地明确了异常根因，提高了根因定位的效率和精准度。

附图说明

为了更清楚地说明本发明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一简单地介绍，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是本发明实施例提供的网元异常的根因定位方法的流程示意图；

图2是本发明另一实施例提供的网元与指标的对应关系示意图；

图3是本发明另一实施例提供的时间段划分区间示意图；

图4是本发明另一实施例提供的网元异常的根因定位方法的整体流程示意图；

图5是本发明另一实施例提供的网元异常的根因定位装置的结构示意图；

图6是本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中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作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。

首先对现有的根因分析方法进行说明。现有的根因分析方法主要有以下几种：

①基于人工识别的根因定位，主要是运维人员通过查看日志，指标，告警，调用链等原始数据，结合自身经验及对系统的了解程度,分析出现问题的原因；但是人工根因分析受限于运维人员的知识储备，问题分析能力，故障能否还原，分析时长等因素。将导致故障分析时长长，问题定位准确性低，有些问题不能复现等。

②基于日志分析，主要包含日志采集，日志模式提取，日志量级分析，日志打印顺序分析等；但是基于日志分析对日志要求比较高，日志的格式规范，标准化强。但是真实系统中由于开发人员参差不齐，日志打印的量级和级别以及标准程度很难把控，所以基于日志的根因分析只限于分析公共组件和开源产品。

③基于相关性规则的分析，利用相关联规则（Apriori）等算法挖掘告警，指标之间的相关性，利用数据出现的频繁项集计算出当一个告警产生后另外一个产生的概率，结合AHP（Analytic Hierarchy Process）层次分析法，定位根因；但是基于相关性根因分析主要是针对告警、指标等，利用出现的频繁项集进行数据挖掘，这个取决于数据的采集周期，频度等。但是真实系统中往往告警采集周期不一致，且根因告警一般上报次数少等问题会导致真正的根因被频繁出现的告警淹没。

④将人工经验固化为决策树模型，当故障发生后，利用决策树模型推导故障的根因；但是利用决策树将人工经验固化，优点是准确性高，但是也存在明显的缺点，就是人工经验有限，没有固化进决策树的问题会分析不出根因。同样分析的范围和精准程度主要取决于运维人员的经验程度和对固定系统的熟悉程度，不具备可推广性。

上述方法在对网元异常进行根因定位时，均不能根据网元异常中的所有指标及历史异常中的相同指标共同确定根因，因此需要一种新的方法，能够综合挖掘网元异常指标之间的关系及权重，并对网元异常的根因进行分析定位。

下面结合图1至图4描述本发明提供的一种网元异常的根因定位方法。

图1为本发明实施例提供的一种网元异常的根因定位方法的流程示意图。参见图1，该网元异常的根因定位方法包括：

步骤101：计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重。

网元在运行过程中，会涉及到很多指标；当网元运行出现异常时，可以根据异常网元的运行和故障信息，确定出网元中的所有指标。

图2为本发明另一实施例提供的网元与指标的对应关系示意图。参见图2，一个网元中，可以对应着n个指标，当网元发生异常时，基于异常的起始时间、结束时间，确定网元发生异常的第一时间段；将该第一时间段进行划分，划分出若干个时间区间，且不同的时间区间具有不同的权重，且不同的时间区间中也对应着不同的指标；通过各个指标在第一时间段中不同时间区间的发生次数，以及每个指标每次发生时对应的时间区间的权重，确定出任一指标的第一权重。

步骤102：获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度。

在一个网元异常发生时，一般情况下也会在历史上发生过相同或相似的网元异常。通过对历史异常数据的检索，获取到与当前的网元异常相同或相似的历史网元异常，作为目标历史异常；目标历史异常中的指标也与当前网元异常中的目标指标相同或相似。

通过Apriori算法或FP-growth关联算法，可以计算出目标历史异常中各个历史指标之间的支持度、置信度。其中，所述各个历史指标之间的支持度，指的是一个历史指标对于另一个历史指标的支持度；所述各个历史指标之间的置信度，指的是一个历史指标对于另一个历史指标的置信度。

其中，网元发生异常时，网元所发生的异常与该网元的历史异常具有最大的相关性，因此可以选取同一网元的历史异常作为目标历史异常。具体的支持度、置信度计算方法可以为：

当检测到一个网元发生异常时，获取该网元发生异常的时间点之前的一整天（即24小时）的指标数据，将该24小时的指标数据，按照5分钟的时间窗口进行划分（即每5分钟的数据作为一组），通过三倍标准差方法，检测每一组中是否存在异常指标；例如：第一组中存在异常指标1和3，第三组中存在异常指标1、2和3，第四组中存在异常指标2和3等；

基于FP-growth关联算法，根据所有的存在异常指标的组及各组中的异常指标，计算出各个异常指标之间的支持度、置信度；例如，异常指标1和2之间的支持度、置信度，异常指标1和3之间的支持度、置信度等。

步骤103：通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重。

基于各个历史指标之间的支持度、置信度，通过AHP层次分析，得到支持度矩阵与置信度矩阵；最终再基于算术平均方法，就可以得到目标指标的第二权重。

步骤104：通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

获取到目标指标的第一权重、第二权重，以及各个历史指标之间的置信度之后，可以计算出目标指标的异常指数，再通过异常指数确定出当前的网元异常的根因。其中，网元异常的根因可以确定为一个指标引起的，也可以确定为多个指标，本实施例对此不作具体限制。

本发明提供的一种网元异常的根因定位方法，通过计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因；实现了通过综合考虑网元异常中所有指标的第一权重、第二权重及历史异常中相同指标的支持度、置信度，综合挖掘网元异常指标之间的关系及权重，在自动定位网元异常的根因的基础上，更准确地明确了异常根因，提高了根因定位的效率和精准度。

在上述实施例的基础上，根据本发明提供的一种网元异常的根因定位方法，所述通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因，包括：

表1为本发明实施例提供的异常指数表示意图。参见表1，获取到目标指标的第一权重、第二权重，以及各个历史指标之间的置信度之后，可以构建异常指数表；再通过公式（1）计算异常指数表中，每一个指标的总得分（即异常指数），最终将总得分较高的指标确定为该网元异常的根因。

表1如下：

公式（1）如下：

具体的，在确定了各目标指标的总得分之后，对总得分进行从大到小排序，可以选取前3个目标指标判定为异常根因。其中，具体选取的作为异常根因的目标指标的数量，可以预先由人员设定，本实施例对此不作具体限制。

本实施例中，通过综合计算第一权重、第二权重，以及历史指标之间的置信度，得到各目标指标的异常指数，确定出异常根因，综合考虑了历史数据指标之间的关系及权重，大大提高了异常根因定位的精确度。

图3为本发明另一实施例提供的时间段划分区间示意图。参见图3，在网元发生异常的第一时间段内，将第一时间段划分为至少一个区间，为每个区间设置不同的预设权重。在每个区间中，会有不同的指标，因此确定每个区间中所包含的指标，由此可以确定每个指标在第一时间段内的第一权重。

具体的，表2为本发明另一实施例提供的时间区间权重表。表2如下：

参见图3与表2，将第一时间段划分为3个区间，根据故障发生理论，时间越靠近故障发生时间，则权重越高。

进一步地，参见公式（2），目标指标中，第i个目标指标权重（即第一权重）计算公式为：

其中，M_i为第i个目标指标的第一权重，j为时间区间，X_j为目标指标在第j个时间区间的预设权重。

如图2所示，目标指标1分别分布在区间1和区间2，目标指标2分别分布在区间1和区间3，则有：

目标指标1的第一权重为0.6 + 0.3 = 0.9；

目标指标2的第二权重为0.6 + 0.1 = 0.7。

本实施例中，通过划分网元发生异常的时间段，并根据与异常发生时间点的时间间隔的长短为每个区间设置不同的预设权重，从而确定出任一目标指标的第一权重，使得距离异常发生时间点越近的指标具有的第一权重更大，符合故障发生理论，提高了最终根因定位的准确性。

首先，对零-均值规范化算法进行说明。

基于3-sigm原理对采集到的性能指标，进行异常检测。通常，3-sigm原理需要数据服从正态分布，故本发明实施例中采用零-均值规范化算法，也称为z-score标准化对性能指标进行检测。z-score标准化原理如下：

零-均值规范化也称标准差标准化，转化公式（3）为：

其中，x^*为标准化分数，x为原始指标数据，σ为原始指标数据的标准差，

为原始指标数据的均值。

零-均值规范化算法是当前用得最多的数据标准化方式。标准差分数可以解决“给定数据距离其均值多少个标准差”的问题，在均值之上的数据会得到一个正的标准化分数，反之会得到一个负的标准化分数。

在网元的正常运行过程中，会对网元中指标的运行状态信息和运行结果进行采集，因此，在一段时间内会获取到大量的指标数据；而且。不同的网元、不同的采集时间会有着不同的采集周期。当采集周期较长时，获取到的指标数据量较大，且需要对采集周期中是否存在异常运行进行检测。此时，对该采集周期内获取到的所有原始指标进行计算，通过零-均值规范化算法确定该采集周期中是否存在异常。

具体的，若在网元运行过程中，每1s获取一次指标，采集周期为10min，可以将10min划分为10个区间，将获取到的600个指标，先划分为10组，即每组包括每1min内的60个指标，通过零-均值规范化算法计算各组的标准化分数，根据标准差分数确定10个区间中是否存在异常，以及异常发生在哪一个区间中。若异常发生在第2个区间中，则进一步确定异常开始和结束的具体时刻，将异常的开始时间与结束时间内的时间段作为所述第一时间段。

本实施例中，通过零-均值规范化算法对获得的指标进行处理，可以准确的确定网元发生异常的具体时间段，并消除由于不同的采集周期所带来的的指标值不一致导致真正的根因被频繁出现的告警淹没的问题。

将所述历史异常按照相关性由大到小进行排序；

选取排序在前的至少一个历史异常，作为目标历史异常。

在对网元异常的根因进行定位时，能够综合利用历史数据中的历史异常，可以提高根因定位的准确性。

在网元运行过程中，需要对网元的指标进行收集和存储，同时在对历史异常的根因进行了定位之后，对历史异常的根因同样进行存储，以供后续网元异常的根因定位过程使用。因此，历史数据越多，则后续对根因的定位结果越准确。具体的，存储网元的指标及历史异常的根因的设备可以是服务器，或其他设备，同样的，在对当前的网元异常进行根因定位时，可以从这些设备中获取到历史异常的指标数据。

在确定了当前网元异常的所有指标后，在历史数据中确认与当前网元异常具有相同的目标指标的历史异常；其中，所述历史异常与所述网元异常具有相同的目标指标时，所述历史异常与所述网元异常具有相关性，且相同的目标指标越多，相关性越大；选出与当前网元异常相关性最大的历史异常，作为目标历史异常。可以理解的是，网元发生异常时，网元所发生的异常与同一网元的历史异常具有最大的相关性，因此，可以选取同一个网元的历史异常作为目标历史异常。

具体的，基于关联规则Apriori算法，通过网元异常中各个指标出现的顺序，构建相关性模型，挖掘具有强关联关系的指标组（即历史异常中的历史指标），并计算各个指标组之间的支持度和置信度。其详细步骤如下：

1. 通过Apriori算法对预处理过的历史项目数据获取频繁项集；

2. 计算历史项目信息数据的每个项目与最近要审核的项目之间的皮尔逊相似性；

3. 根据以上皮尔逊相似性，从历史项目信息数据中选择与要审核的最近项目最相似的历史项目；

4. 根据历史项目中每个历史项目的审查方向和要审查的项目类型，结合步骤1当中计算的指标组，从而生成候选专家集（即各个历史指标组成的指标组）。

本实施例中，通过皮尔逊相似性，选取相关性最大的历史异常，作为目标历史异常，通过目标历史异常对网元异常的根因进行定位，提高了根因定位的效率和精准度。

获取到各个历史指标之间的支持度、置信度后，通过AHP层次分析算法，建立该历史异常支持度矩阵、置信度矩阵；其中，支持度矩阵中的每一项，为该项所对应的历史指标相对于另一历史指标的支持度；置信度矩阵的每一项，为该项所对应的历史指标相对于另一历史指标的置信度。

根据支持度矩阵、置信度矩阵，采用群组层次分析法，确定出任一历史指标的权重，即可以确定出网元异常中各个指标的第二权重。

本实施例中，通过AHP层次分析算法，建立矩阵，通过矩阵确定各指标的第二权重，简化了第二权重的计算方法，提高了网元异常的根因定位的效率。

由于获取到的相关性较大的历史异常可能会有多个，在得到所有历史异常的支持度矩阵与置信度矩阵之后，将所有支持度矩阵与置信度矩阵通过算数平均方法，生成一个比较矩阵，对比较矩阵中的每一行求和，即可以得到各个目标指标的第二权重。

本实施例中，层次分析法中一种用于确定权重的最小—最大优化方法，其思路为通过最小化由两两比较矩阵中每列所得到的优先权和理想的权重向量之间的最大绝对差异来实现权重确定。

传统的层次分析法当中对于两两比较矩阵处理较为单一，故对于结果有一定的偏差。为了克服专家偏差（即不同历史异常间的偏差），运用群组层次分析法，有效集成多个专家的判断信息，消解了专家之间的不一致性，提升了权重确定的合理性。

为了克服专家对指标权重认识的有限性和片面性，需要集成多个专家关于指标权重两两比较矩阵的不同信息。如何集成多个专家的不同信息，通常有三种方法：

一是根据专家给出的两两比较矩阵分别计算出各自的权重向量，然后再对这些权重向量进行综合集成；

二是通过算术平均的方法集成多个专家的不同信息得到新的两两比较矩阵来计算权重向量；

三是通过几何平均的方法集成多个专家的不同信息根据专家给出的两两比较矩阵来计算权重向量。

本发明实施例中分别对比了以上方法，发现采用算数平均的方法得出效果较好。

具体的，以只获取一个历史异常为例，且该历史异常中的历史指标与当前网元异常中的指标相同，根据AHP层次分析，建立该历史异常的支持度矩阵、置信度矩阵如下：

其中，B^k中k等于1或2，k=1时代表支持度矩阵，k=2时代表置信度矩阵；n代表历史指标，且m=n；当k=1时，b₁₂ ^k即代表第1个历史指标对于第2个历史指标的支持度。

将得到的支持度矩阵与置信度矩阵通过算数平均方法，得到比较矩阵C：

对矩阵C中的每一行求和，即可以得到每一行所对应的指标（即目标指标）的第二权重。

本实施例中，通过集成多个历史异常的指标数据，基于算术平均方法，生成比较矩阵，从而确定目标指标的第二权重，可以有效克服历史异常中存在的偏差，提升了第二权重确定的合理性，提高了根因定位的精准度。

下面结合图4，描述本发明提供的一种网元异常的根因定位方法。

图4为本发明实施例提供的网元异常的根因定位方法的整体流程示意图。参见图4，包括下列步骤：

步骤401：异常指标初筛。

基于异常网元出现故障的信息确定出网元当中所有的指标；对指标进行汇聚，消除由于不同采集周期所带来的指标值的不一致；基于异常网元故障起始时间，故障结束时间，进行区间分片，统计各个指标在故障时间区间当中的异常次数，根据各个时间区间的异常次数结合时间区间的权重，确定指标权重（即第一权重）。

步骤402：相关性模型训练。

基于关联规则Apriori算法，通过各个指标出现的顺序，构建模型，挖掘具有强关联关系的指标组，并计算各个指标组之间的支持度和置信度。其详细步骤如下：

通过Apriori方法对预处理过的历史项目数据获取频繁的评审专家项目集；

计算历史项目信息数据的每个项目与最近要审核的项目之间的皮尔逊相似性；

根据以上Pearson相似性，从历史项目信息数据中选择与要审核的最近项目最相似的历史项目；

根据专家集中每个专家的审查方向和要审查的项目类型，结合步骤1当中计算的指标组，从而生成候选专家集。

步骤403：异常指标相关性计算。

通过Apriori计算出各个指标组（即候选专家集）之间的支持度、置信度。

步骤404：层次分析矩阵构建。

对步骤403当中得到的置信度、支持度进行AHP层次分析，计算各个指标的专家权重（即第二权重）。

步骤405：异常指标筛选。

基于步骤201、204得出的指标权重，步骤203得出的置信度，构建指标评价矩阵（即表1），计算出各指标的总得分，对总得分从大到小进行排序，将前3个指标判定为异常根因。

本发明重点解决云环境下异常根因定位问题，通过综合使用Apriori、AHP、3-sigma等算法，综合挖掘网元异常指标之间的关系及权重，明确异常根因；在智能运维领域当中，大大提升了运维效率，在某运营商实际环境当中，异常根因检测准确率高达90%。

下面对本发明提供的网元异常的根因定位装置进行描述，下文描述的网元异常的根因定位装置与上文描述的网元异常的根因定位方法可相互对应参照。

图5为本发明实施例提供的网元异常的根因定位装置的结构示意图，参见图5，该网元异常的根因定位装置包括：

计算单元501，用于计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；

获取单元502，用于获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；

确定单元503，用于通过所述各个历史指标之间的支持度、置信度，确定任一所述目标指标的第二权重；

定位单元504，用于通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

本实施例提供的网元异常的根因定位装置适用于上述各实施例提供的网元异常的根因定位方法，在此不再赘述。

本发明提供的一种网元异常的根因定位装置，通过计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因；实现了通过综合考虑网元异常中所有指标的第一权重、第二权重及历史异常中相同指标的支持度、置信度，综合挖掘网元异常指标之间的关系及权重，在自动定位网元异常的根因的基础上，更准确地明确了异常根因，提高了根因定位的效率和精准度。

将所述历史异常按照相关性由大到小进行排序；

选取排序在前的至少一个历史异常，作为目标历史异常。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行网元异常的根因定位方法，该方法包括：计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的网元异常的根因定位方法，该方法包括：计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的网元异常的根因定位方法，该方法包括：计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重；获取与所述网元异常具有相关性的至少一个目标历史异常，并计算任一所述目标历史异常中与所述网元异常中的目标指标相同的各个历史指标之间的支持度、置信度；通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重；通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种网元异常的根因定位方法，其特征在于，包括：

2.根据权利要求1所述的网元异常的根因定位方法，其特征在于，所述通过所述第一权重、第二权重与所述置信度，定位所述网元异常的根因，包括：

3.根据权利要求1所述的网元异常的根因定位方法，其特征在于，所述计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重，包括：

4.根据权利要求1所述的网元异常的根因定位方法，其特征在于，在所述计算网元运行过程中发生异常的第一时间段内任一目标指标的第一权重之前，还包括：

5.根据权利要求1所述的网元异常的根因定位方法，其特征在于，所述获取与所述网元异常具有相关性的至少一个目标历史异常，包括：

将所述历史异常按照相关性由大到小进行排序；

选取排序在前的至少一个历史异常，作为目标历史异常。

6.根据权利要求1所述的网元异常的根因定位方法，其特征在于，所述通过所述各个历史指标之间的支持度、置信度，计算任一所述目标指标的第二权重，包括：

7.根据权利要求6所述的网元异常的根因定位方法，其特征在于，所述基于所述支持度矩阵与所述置信度矩阵，确定任一所述目标指标的第二权重，包括：

8.一种网元异常的根因定位装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述网元异常的根因定位方法的步骤。

10.一种非暂态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至7任一项所述网元异常的根因定位方法的步骤。