CN113298638B - 根因定位方法、电子设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种根因定位方法、电子设备及存储介质，根因定位方法包括：将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

Description

根因定位方法、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，尤其涉及一种根因定位方法、电子设备及存储介质。

背景技术

随着计算机技术的发展，越来越多的技术（例如，大数据等）应用在金融领域，传统金融业正在逐步向金融科技转变，然而，由于金融行业的安全性、实时性要求，金融科技也对技术提出了更高的要求。金融科技领域下，在系统发生异常事件，且存在多个可能引起该异常事件的候选根因时，相关人员通常基于故障处理经验对多个候选根因进行逐个排查，以确定出确定出导致该异常事件的目标根因，但根据故障处理经验确定出的目标根因可能不准确。

发明内容

有鉴于此，本发明实施例提供一种根因定位方法、电子设备及存储介质，以解决相关技术中无法对导致异常事件的根因进行准确定位的技术问题。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供了一种根因定位方法，包括：

将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；

基于设定异常事件与设定根因之间的第一设定对应关系，确定出所述第一异常事件对应的至少两个候选根因；

基于设定根因与置信度之间的第二设定对应关系，确定出所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度；其中，所述第一设定对应关系和所述第二设定对应关系基于历史日志、历史告警信息和版本发布记录中的至少之一确定出；

基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；

基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

上述方案中，所述确定出每个候选根因在每个设定异常类型中对应的第一得分，包括：

基于预测概率对应的第一设定权重、置信度对应的第二设定权重、每种设定异常类型对应的预测概率以及每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。

上述方案中，所述方法还包括：

采用设定的规则引擎对日志、告警信息和版本发布记录中的至少之一进行分析，得到所述第一异常事件对应的第一异常类型和第一候选根因；

基于确定出的第一异常类型和第一候选根因，调整以下至少一项：

所述第一异常事件对应的设定异常类型对应的预测概率；

所述第一异常事件对应的候选根因的置信度；

确定出的候选根因在设定异常类型中对应的第一得分。

上述方案中，所述调整所述第一异常事件对应的设定异常类型对应的预测概率，以及所述第一异常事件对应的候选根因的置信度，包括：

将所述第一异常类型的预测概率调整为第一设定概率，以及将所述第一候选根因的置信度调整为第一设定置信度；其中，

所述第一异常类型的预测概率小于所述第一设定概率；所述第一异常事件对应的至少两个候选根因中不包括所述第一候选根因，或者所述第一候选根因的置信度小于所述第一设定置信度；所述第一设定概率表征所述第一异常事件属于所述第一异常类型；所述第一设定置信度表征当前存在所述第一候选根因。

上述方案中，所述调整确定出的候选根因在设定异常类型中对应的第一得分，包括：

基于所述第一设定概率和所述第一设定置信度，计算出第一候选根因在所述第一异常类型中对应的第二得分，基于所述第二得分更新确定出的候选根因在设定异常类型中对应的第一得分。

上述方案中，所述调整确定出的候选根因在设定异常类型中对应的第一得分，包括：

在所述第一候选根因在所述第一异常类型中对应的第一得分小于设定得分的情况下，将所述第一候选根因在所述第一异常类型中对应的第一得分调整为大于或等于所述设定得分；所述设定得分用于筛选目标根因。

本发明实施例还提供了一种电子设备，包括：

预测单元，用于将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；

第一确定单元，用于基于设定异常事件与设定根因之间的第一设定对应关系，确定出所述第一异常事件对应的至少两个候选根因；

第二确定单元，用于基于设定根因与置信度之间的第二设定对应关系，确定出所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度；其中，所述第一设定对应关系和所述第二设定对应关系基于历史日志、历史告警信息和版本发布记录中的至少之一确定出；

第三确定单元，用于基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；

第四确定单元，用于基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

本发明实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，

其中，所述处理器用于运行所述计算机程序时，执行上述任一种根因定位方法的步骤。

本发明实施例还提供了一种存储介质，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上述任一种根因定位方法的步骤。

本发明实施例，通过训练完成的异常检测模型预测出第一异常事件属于每种设定异常类型的预测概率；基于设定异常类型的预测概率和第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，计算出每个候选根因在每种设定异常类型中的第一得分，进而基于第一得分确定出第一异常事件对应的目标根因，由此可以准确地确定出目标根因，可以对导致第一异常事件的目标根因进行准确定位。

附图说明

图1为本发明实施例提供的根因定位方法的实现流程示意图；

图2为本发明应用实施例提供的根因定位方法的示意图；

图3为本发明实施例提供的电子设备的结构示意图；

图4为本发明实施例提供的电子设备的硬件组成结构示意图。

具体实施方式

以下结合说明书附图及具体实施例对本发明的技术方案做进一步的详细阐述。

图1为本发明实施例提供的训练异常检测模型的方法的实现流程示意图，其中，流程的执行主体为终端、服务器等电子设备。如图1示出的，根因定位方法包括：

步骤101：将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率。

这里，电子设备在获取到第一异常事件的相关数据的情况下，从第一异常事件的相关数据中，提取出第一异常事件的特征信息，并确定出第一异常事件的特征信息对应的特征向量，得到第一异常事件对应的特征向量；将第一异常事件对应的特征向量输入至训练完毕的异常检测模型，得到异常检测模型输出的第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率。其中，第一异常事件的相关数据包括发生第一异常事件的情况下输出的日志、告警信息以及在发生第一异常事件之前的设定时长内的版本发布记录。

实际应用时，第一异常事件的特征信息包括以下至少一种：异常指标的特征信息、发生中断事件的特征信息、变更操作的特征信息、告警事件的特征信息和异常系统的特征信息等。其中，基于版本发布记录可以确定出第一异常事件对应的外部因素的特征信息，例如，变更操作的特征信息；基于日志和告警信息中的至少一项，可以确定出第一异常事件对应的内部因素的特征信息，例如，异常指标的特征信息、发生中断事件的特征信息和异常系统的特征信息等；由此丰富了第一异常事件对应的特征信息，可以提高异常检测模型输出的预测概率的准确度。

其中，当第一异常事件的特征信息包括至少两种时，按照以下方法确定出第一异常事件的特征信息对应的特征向量：

在确定出第一异常事件对应的至少两种特征信息中每种特征信息对应的特征向量的情况下，对确定出的特征信息对应的特征向量进行融合，得到设定异常事件对应的特征向量。由此，可以对特征向量进行降维，提高异常检测模型的数据处理效率。实际应用时，对特征向量进行融合是指将特征向量进行合并。

在一些实施例中，对确定出的特征信息对应的特征向量进行融合，包括：

将第一异常事件对应的每个异常指标的特征信息，转换成对应的第一向量；

对第一异常事件对应的所有第一向量进行求和，得到第二向量；

将第二向量和第三向量进行横向合并，得到第一异常事件对应的特征向量；其中，第三向量表征除异常指标的特征信息之外的特征信息对应的向量。

这里，异常指标是指触发告警的设定指标；触发告警的设定指标基于日志或告警信息确定出。在实际应用时，设定指标包括以下至少之一：业务交易量、业务成功率和时延等。

在异常指标的数量为至少两个的情况下，电子设备按照设定层次结构，将第一异常事件对应的每个异常指标的特征信息转换成对应的第一向量，并对第一异常事件对应的所有第一向量进行求和，得到第二向量，从而得到所有异常指标对应的特征向量。需要说明的是，在第一异常事件对应的异常指标只有一个的情况下，第一向量等于第二向量。

电子设备基于发生中断事件的特征信息、变更操作的特征信息、告警事件的特征信息和异常系统的特征信息中的至少之一，确定出第一异常事件对应的第三向量；将第一设定异常事件对应第二向量和第三向量进行横向合并，得到第一异常事件对应的特征向量。

实际应用时，电子设备提取出的异常指标的特征信息中包括异常指标对应的产品标识、场景标识、指标类型标识和异常类型。设定层次结构可以为[产品][场景][设定指标类型][异常类型]；其中，场景也称功能，例如，转账、还款、存款以及贷款等；设定指标类型包括：业务交易量、业务成功率和时延；异常类型包括突增和突降。

实际应用时，电子设备基于第一异常事件对应的产品类型的第一数量、每个产品类型包括的场景的第二数量、每个场景对应的设定指标类型的第三数量和异常类型的第四数量，确定出第一向量的位数。其中，第一向量的位数=第一数量+第一数量×第二数量+第三数量×第四数量。

例如，第一异常事件来自产品A和产品B，产品A包括场景a和场景aa；产品B包括场景b和场景bb；场景a、场景aa、场景b和场景bb，分别包括4种设定指标类型：当前成功率、系统成功率、交易量和时延；那么，每个异常指标对应的第一向量的位数为：2+2×2+4×2=14。

比如，在第一异常事件的特性信息表征产品A的场景a对应的系统成功率触发告警的情况下，按照设定层次结构对产品A对应的系统成功率的特征信息进行独热（one-hot）编码，得到产品A的系统成功率对应的第一向量，该第一向量为[1,0, 1,0,0,0, 1,0,0,0,0,0,0,0]，或者[1,0, 1,0,0,0, 0, 1,0,0,0,0,0,0]。其中，该第一向量中的前两位表征产品A；该第一向量的第3位至第六位表示场景a；该第一向量后8位“1,0,0,0,0,0,0,0”表示系统成功率突增，“0,1, 0,0,0,0,0,0” 表示系统成功率突降。

需要说明的是，在确定出第一异常事件对应的所有第一向量的情况下，对第一向量按位进行求和，得到对应的第二向量。

其中，发生中断事件的特征信息表征是否存在消息丢失；发生中断事件的特征信息对应的第三向量为[0]或[1]表征。当存在消息丢失时，表征发生了中断事件，内部功能调用未出现问题。

异常系统的特征信息表征是否存在耗时最高的子系统，或者表征是否对应有失败日志的最深被调用的子系统；异常系统的特征信息对应的第三向量为[0]或[1]。需要说明的是，异常子系统的定位对最终的根因判定具有至关重要的作用。

变更操作的特征信息表征变更操作记录是否针对确定出的异常子系统；变更操作的特征信息对应的第三向量为[0]或[1]。当变更操作的特征信息对应的第三向量表征变更操作记录针对确定出的异常子系统时，表征异常子系统有可能是导致设定异常事件的真正根因。

告警事件包括中间件告警事件和网络告警事件。告警事件的特征信息对应的第三向量为[0]或[1]。其中，中间件告警事件的特征信息表征是否存在与异常子系统相关的设定级别的中间件告警事件；网络告警事件的特征信息表征是否存在与异常子系统相关的设定级别的网络告警事件。

需要说明的是，当存在与异常子系统相关的设定级别的中间件告警事件时，可导致时延上升或成功率下降；当存在与异常子系统相关的设定级别的网络告警事件时，可导致多个设定指标出现异常。

需要说明的是，异常检测模型由深度神经网络（DNN，Deep Neural Networks）构成，异常检测模型基于至少两个设定异常事件对应的第一数据训练得到。设定异常事件对应的第一数据包括特征向量，以及每个设定异常事件对应的多种设定异常类型中每种设定异常类型对应的标定概率。其中，设定异常事件表征在运行软件系统的过程中监测的异常事件。设定异常事件对应的特征向量基于从历史日志、历史告警信息和版本发布记录中的至少一项中提取得到的特征信息确定出。确定设定异常事件对应的特征向量的方法与上文中确定第一异常事件对应的特征向量的方法类似。

其中，当至少两个设定异常事件对应同一产品，或者至少两个设定异常事件具有相同的特征信息时，设定异常事件对应的第一数据还可以包括设定异常事件对应的权重值。对应地，第一异常事件对应的权重值默认为1。实际应用时，考虑到发生时间离越晚的设定异常事件，对根因定位具有更大的参考意义，因此，设定异常事件的发生时间越晚，该设定异常事件对应的权重越大。

步骤102：基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。

电子设备基于设定根因集合确定出第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，基于第一异常事件对应的每种设定异常类型对应的预测概率，以及基于确定出的候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。实际应用时，电子设备可以将设定异常类型对应的预测概率与候选根因的置信度之间的乘积，确定为对应的候选根因在对应的设定异常类型中对应的第一得分。置信度和预测概率均采用0到1之间的任一数值表示。

其中，设定根因集合中包括设定异常事件与设定根因之间的第一对应关系，以及设定根因与置信度之间的第二设定对应关系。

为了更快速且准确地确定出候选根因对应的置信度，在实际应用中，确定出第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度的方法包括：

基于设定异常事件与设定根因之间的第一设定对应关系，确定出所述第一异常事件对应的至少两个候选根因；

基于设定根因与置信度之间的第二设定对应关系，确定出所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度；其中，所述第一设定对应关系和所述第二设定对应关系基于历史日志、历史告警信息和历史版本发布记录中的至少之一确定出。

这里，电子设备从设定根因集合中确定出设定异常事件与设定根因之间的第一设定对应关系，以及确定出设定根因与置信度之间的第二设定对应关系；基于确定出的第一设定对应关系，确定出第一异常事件对应的至少两个候选根因；基于确定出的第二设定对应关系，确定出第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度。其中，置信度为大于或等于0，且小于或等于1的数值。

其中，第一设定对应关系和第二设定对应关系基于历史日志、历史告警信息和版本发布记录中的至少之一确定出，并存储在电子设备中。

实际应用时，电子设备基于历史日志、历史告警信息和版本发布记录中的至少之一，确定出设定根因、设定根因对应的异常类型和设定根因对应的设定置信度；基于设定根因和设定根因对应的异常类型，建立第一设定对应关系；基于设定根因和设定根因对应的设定置信度，建立第二设定对应关系。其中，

电子设备基于历史日志中的错误日志确定出第一设定根因时，将第一设定根因对应的设定异常类型确定为内部程序异常。基于以下公式计算出第一设定根因的置信度：

。x表征在系统处于异常状态时错误日志出现的次数，/>

的值大于0.5，且小于或等于1。当x越大，置信度/>

越大。

电子设备基于历史告警信息中的告警事件确定出第二设定根因时，基于告警事件所属的告警类别确定出第二设定根因对应的设定异常类型。基于告警事件对应的设定告警级别、告警事件引发告警的次数、历史告警总次数和平均每天的告警次数，确定出第二设定根因对应的置信度。

例如，在检测到历史告警信息中包括中间件告警事件，且中间件告警事件表征数据库异常时，确定出数据库异常为第二设定根因，第二设定根因对应的设定异常类型为中间件异常；在检测到历史告警信息中包括网络告警事件，且网络告警事件表征网络设备异常时，确定出网络设备异常为第二设定根因，第二设定根因对应的设定异常类型为网络异常；在检测到历史告警信息表征主机CPU告警时，确定出主机CPU异常为第二设定根因，第二设定根因对应的设定异常类型为应用主机异常。

实际应用时，置信度C=MAX（h，f）/g。h表征第二设定根因对应的告警事件对应的设定告警级别，设定告警级别采用0到1之间的数值表示；f表征第二设定根因对应的告警事件引发告警的次数与历史告警总次数的商。g表征平均每天的告警次数，g基于设定时长（比如，一个月）内的历史告警总次数确定出。

电子设备基于异常子系统和版本发布记录，确定出第三设定根因；第三根因表征版本变更，第三设定根因对应的设定异常类型为应用版本发布。第三设定根因对应的置信度=1/d，d表征版本发布记录与异常子系统在业务调用链上的距离。下面结合具体的例子说明确定第三设定根因对应的置信度的方法：

某产品的支付场景会经过5个子系统，根据历史日志确定出失败日志（或者高耗时的子系统）集中于子系统C上，因此C为异常子系统；基于失败日志的输出时间，从版本发布记录中确定出在该输出时间之前的设定时长内的第一版本发布记录，基于第一版本发布记录和异常子系统的标识，确定出第三设定根因对应的置信度。其中，当第一版本发布记录表征子系统C、子系统D和子系统E均发生了版本变更时，确定出的第三设定根因包括3个：子系统C版本变更、子系统D版本变更和子系统E版本变更。

在业务调用链为子系统A→子系统B→子系统C→子系统D→子系统E的情况下，子系统C版本变更对应的置信度=1/1；子系统D版本变更对应的置信度=1/2；子系统E版本变更对应的置信度=1/3。

考虑到只有设定异常类型对应的预测概率与候选根因在对应的设定异常类型中的置信度都比较高时，才是异常事件的真正根因，为了准确地确定出目标根因，在一些实施例中，所述确定出每个候选根因在每个设定异常类型中对应的第一得分，包括：

基于预测概率对应的第一设定权重、置信度对应的第二设定权重、每种设定异常类型对应的预测概率以及每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。

这里，电子设备基于以下公式计算第一得分：Match score = (w1×G+G×K+w2×K)/2；其中，G表征设定异常类型对应的预测概率；K表征候选根因对应的置信度。w1表征第一设定权重, w2表征第二设定权重；w1与w2之和为1。实际应用时，w1和w2均为0.5。

需要说明的是，在一些实施例中，电子设备还可以基于Match score = (w1×G+w3×G×K+w2×K)/2计算第一得分。w3表征第三设定权重，w1、w2和w3之间的总和为2。

为了更准确地确定出目标根因，在一些实施例中，所述方法还包括：

采用设定的规则引擎对日志、告警信息和版本发布记录中的至少之一进行分析，得到所述第一异常事件对应的第一异常类型和第一候选根因；

基于确定出的第一异常类型和第一候选根因，调整以下至少一项：

所述第一异常事件对应的设定异常类型对应的预测概率；

所述第一异常事件对应的候选根因的置信度；

确定出的候选根因在设定异常类型中对应的第一得分。

这里，电子设备基于第一异常事件的发生时间，获取对应的日志、告警信息和版本发布记录；采用设定的规则引擎对获取到的日志、告警信息和版本发布记录中的至少之一进行分析，得到第一异常事件对应的第一异常类型和第一异常事件对应的第一候选根因。

实际应用时，设定的规则引擎为基于json的规则引擎。设定的规则引擎规的json格式如下：

Rule：规则名称；

When：判断条件，由多个关系为&（且）的子条件构成；

Name：子条件名称，也称解析的函数名；

Filter：比较动作，包括大于、等于、小于、包含、不包含、发生时间段等；

Values：根据filter的不同，设定不同的值，用于比较计算；

Then：执行的动作；

Name：动作的名称，也称执行的函数名；

Action：具体的执行动作内容，作为参数输入到then的name中。

示例性地，在银行主动提醒用户还款并进行批量扣款的场景下，可能因为用户余额不足导致业务成功率下降。电子设备通过设定的规则引擎确定出日志中包括表征余额不足以及成功率异常的信息时，将正常业务失败确定为第一异常事件对应的第一异常类型，将余额不足确定为第一异常事件对应的第一候选根因，此时，表征正常业务失败对应的预测概率为1，余额不足对应的置信度置为1。

在一些实施例中，电子设备在基于第一异常事件的发生时间，获取到对应的日志、告警信息和版本发布记录的情况下，也可以确定出第一异常事件对应的特征信息，采用设定的规则引擎对第一异常事件对应的特征信息进行分析，得到第一异常事件对应的第一异常类型和第一异常事件对应的第一候选根因。其中，确定第一异常事件对应的特征信息的方法与前文中确定设定异常事件的特征信息的方法类似，此处不赘述。

实际应用时，当第一异常事件对应的特征信息表征交易量突增，且同一用户对应的交易多次失败时，通过设定的规则引擎确定出第一异常事件对应的第一异常类型为正常业务失败；当第一异常事件对应的特征信息还表征余额不足时，将余额不足确定为第一异常事件对应的第一候选根因。

当第一异常事件对应的特征信息表征数据库异常时，通过设定的规则引擎确定出数据库异常为第一异常事件对应的第一候选根因。

由于采用设定的规则引擎确定出的第一异常类型和第一候选根因是真实存在的，因此，电子设备可以基于确定出的第一异常类型和第一候选根因，调整上文中确定出的设定异常类型对应的预测概率、候选根因对应的置信度以及候选根因对应的第一得分中的至少之一。需要说明的是，电子设备可以在计算出第一得分之后，再基于第一异常类型和第一候选根因调整设定异常类型对应的预测概率和候选根因对应的置信度中的至少一项，并计算新的第一得分；电子设备也可以在计算第一得分之前，基于第一异常类型和第一候选根因调整设定异常类型对应的预测概率和候选根因对应的置信度中的至少一项，并基于调整后的预测概率和/或置信度，重新计算出第一得分。在确定出新的第一得分的情况下，基于新的第一得分确定出目标根因，由此，相对于直接通过第一候选根因调整目标根因的根因定位方法，可以使得确定出的目标根因更准确。

为了更准确地确定出目标根因，在一些实施例中，所述调整所述第一异常事件对应的设定异常类型对应的预测概率，以及所述第一异常事件对应的候选根因的置信度，包括：

将所述第一异常类型的预测概率调整为第一设定概率，以及将所述第一候选根因的置信度调整为第一设定置信度；其中，

所述第一异常类型的预测概率小于所述第一设定概率；所述第一异常事件对应的至少两个候选根因中不包括所述第一候选根因，或者所述第一候选根因的置信度小于所述第一设定置信度；所述第一设定概率表征所述第一异常事件属于所述第一异常类型；所述第一设定置信度表征当前存在所述第一候选根因。

这里，在第一异常事件对应的多种设定异常类型中的第一异常类型的预测概率小于第一设定概率的情况下，将第一异常类型的预测概率调整为第一设定概率。

在第一异常事件对应的至少两个候选根因中不包括第一候选根因的情况下，或者，在第一异常事件对应的至少两个候选根因中的第一候选根因的置信度小于第一设定置信度的情况下，将第一候选根因的置信度调整为第一设定置信度。

示例性地，在采用设定的规则引擎确定出当前必然存在异常类别1的情况下，异常类别1对应的预测概率为1，当通过异常检测模型确定出异常类别1对应的预测概率小于1时，将异常类别1对应的预测概率调整为1。此时，第一设定概率为1。示例性地，在采用设定的规则引擎确定出当前必然存在根因1的情况下，根因1对应的置信度为1；当第一异常事件对应的至少两个候选根因中不包括根因1时，将根因1确定为第一异常事件对应的候选根因；当第一异常事件对应的至少两个候选根因中的根因1对应的置信度小于1时，将根因1对应的置信度调整为1。此时，第一设定置信度为1。

为了更准确地确定出目标根因，在一些实施例中，所述调整确定出的候选根因在设定异常类型中对应的第一得分，包括：

在所述第一候选根因在所述第一异常类型中对应的第一得分小于设定得分的情况下，将所述第一候选根因在所述第一异常类型中对应的第一得分调整为大于或等于所述设定得分；所述设定得分用于筛选目标根因。

这里，电子设备在确定出的第一得分中，查找第一候选根因在第一异常类型中对应的第一得分，在查找到的第一得分小于设定得分的情况下，将第一候选根因在第一异常类型中对应的第一得分调整为大于或等于设定得分。

其中，在电子设备将得分最高的候选根因确定为目标根因的情况下，设定得分可以为1；在电子设备将大于设定阈值的第一得分对应的候选根因确定为目标根因的情况下，设定得分等于该设定阈值。由于第一异常类型和第一候选根因是采用设定的规则引擎确定出的，表征当前必然存在第一异常类型和第一候选根因，因此，电子设备将第一候选根因在第一异常类型中对应的第一得分调整为大于或等于设定得分，从而能够将第一候选根因确定为第一异常事件对应的其中一个目标根因。

示例性地，在采用设定的规则引擎确定出当前必然存在根因1和异常类别1的情况下，当计算出根因1在异常类别1中对应的第一得分不等于1时，将根因1在异常类别1中对应的第一得分调整为1。

在一些实施例中，电子设备还可以通过设定的规则引擎对第一异常事件对应的候选根因进行分析，并根据分析结果调整第一得分，从而使得基于调整后的第一得分确定出的目标根因更准确。例如，在通过设定的规则引擎确定出第一异常事件对应的候选根因中包括数据库异常的情况下，调高数据库异常对应的第一得分。

在确定出的第一得分中未查找到第一候选根因在第一异常类型中对应的第一得分的场景下，在一些实施例中，在将第一异常类型的预测概率调整为第一设定概率，以及将第一候选根因的置信度调整为第一设定置信度的情况下，所述调整确定出的候选根因在设定异常类型中对应的第一得分，包括：

基于所述第一设定概率和所述第一设定置信度，计算出第一候选根因在所述第一异常类型中对应的第二得分，基于所述第二得分更新确定出的候选根因在设定异常类型中对应的第一得分。

这里，电子设备基于第一设定概率和第一设定置信度，计算出第一候选根因在第一异常类型中对应的第二得分；在确定出的第一得分中包括第一候选根因在第一异常类型中对应的第一得分的情况下，将第一候选根因在第一异常类型中对应的第一得分更新为第二得分；在确定出的第一得分中不包括第一候选根因在第一异常类型中对应的第一得分的情况下，将第一候选根因在第一异常类型中对应的第二得分，确定为第一候选根因在第一异常类型中对应的第一得分。由此，可以使得基于调整后的第一得分确定出的目标根因更准确。其中，计算第二得分的方法与计算第一得分的方法类似，此处不赘述。

本实施例中，通过设定的规则引擎确定出的第一异常类型和第一候选根因，调整设定异常类型对应的预测概率、第一异常事件对应的候选根因对应的置信度以及候选根因对应的第一得分中的至少一项，通过调整后得到的第一得分来确定目标根因，并非直接调整第一异常事件对应的目标根因，由此可以提高确定出的目标根因的准确度。

步骤103：基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

这里，电子设备可以将最高的第一得分对应的候选根因，确定为第一异常事件对应的目标根因，也可以将大于设定阈值的第一得分对应的候选根因，确定为第一异常事件对应的目标根因。

在实际应用中，电子设备也可以将确定出的候选根因在每个设定异常类型中对应的第一得分进行排序，基于排序后的第一得分，确定出第一异常事件对应的目标根因。

本实施例中，通过异常检测模型预测出第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；基于第一异常事件对应的每种设定异常类型对应的预测概率，以及基于第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出第一异常事件对应的目标根因；由此，可以准确地对目标根因进行定位，提高确定出的目标根因的准确度。

图2为本发明应用实施例提供的根因定位方法的示意图，如图2所示，根因定位方法包括：

步骤201：将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率。

步骤202：基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。

步骤203：采用设定的规则引擎对日志、告警信息和版本发布记录中的至少之一进行分析，得到所述第一异常事件对应的第一异常类型和第一候选根因。

步骤204：基于确定出的第一异常类型和第一候选根因，调整以下至少一项：

所述第一异常事件对应的设定异常类型对应的预测概率；

所述第一异常事件对应的候选根因的置信度；

确定出的候选根因在设定异常类型中对应的第一得分。

步骤205：基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

为实现本发明实施例的根因定位方法，本申请另一实施例还提供了一种电子设备，如图3所示，该电子设备包括：

预测单元31，用于将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；

第一确定单元32，用于基于设定异常事件与设定根因之间的第一设定对应关系，确定出所述第一异常事件对应的至少两个候选根因；

第二确定单元33，用于基于设定根因与置信度之间的第二设定对应关系，确定出所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度；其中，所述第一设定对应关系和所述第二设定对应关系基于历史日志、历史告警信息和版本发布记录中的至少之一确定出；

第三确定单元34，用于基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；

第四确定单元35，用于基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

在一些实施例中，第三确定单元34用于：

基于预测概率对应的第一设定权重、置信度对应的第二设定权重、每种设定异常类型对应的预测概率以及每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。

在一些实施例中，该电子设备还包括：

分析单元，用于采用设定的规则引擎对日志、告警信息和版本发布记录中的至少之一进行分析，得到所述第一异常事件对应的第一异常类型和第一候选根因；

调整单元，用于基于确定出的第一异常类型和第一候选根因，调整以下至少一项：

所述第一异常事件对应的设定异常类型对应的预测概率；

所述第一异常事件对应的候选根因的置信度；

确定出的候选根因在设定异常类型中对应的第一得分。

在一些实施例中，所述调整单元用于：

将所述第一异常类型的预测概率调整为第一设定概率，以及将所述第一候选根因的置信度调整为第一设定置信度；其中，

所述第一异常类型的预测概率小于所述第一设定概率；所述第一异常事件对应的至少两个候选根因中不包括所述第一候选根因，或者所述第一候选根因的置信度小于所述第一设定置信度；所述第一设定概率表征所述第一异常事件属于所述第一异常类型；所述第一设定置信度表征当前存在所述第一候选根因。

在一些实施例中，所述调整单元用于：

基于所述第一设定概率和所述第一设定置信度，计算出第一候选根因在所述第一异常类型中对应的第二得分，基于所述第二得分更新确定出的候选根因在设定异常类型中对应的第一得分。

在一些实施例中，所述调整单元用于：

在所述第一候选根因在所述第一异常类型中对应的第一得分小于设定得分的情况下，将所述第一候选根因在所述第一异常类型中对应的第一得分调整为大于或等于所述设定得分；所述设定得分用于筛选目标根因。

实际应用时，上述各单元可通过电子设备中的处理器，比如中央处理器（CPU，Central Processing Unit）、数字信号处理器（DSP，Digital Signal Processor）、微控制单元（MCU，Microcontroller Unit）或可编程门阵列（FPGA，Field－Programmable GateArray）等实现。

需要说明的是：上述实施例提供的电子设备在进行根因定位时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的电子设备与根因定位方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备。图4为本发明实施例电子设备的硬件组成结构示意图，如图4所示，电子设备4包括：

通信接口41，能够与其它设备比如网络设备等进行信息交互；

处理器42，与通信接口41连接，以实现与其它设备进行信息交互，用于运行计算机程序时，执行上述电子设备一个或多个技术方案提供的根因定位方法。而计算机程序存储在存储器43上。

当然，实际应用时，电子设备4中的各个组件通过总线系统44耦合在一起。可理解，总线系统44用于实现这些组件之间的连接通信。总线系统44除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图4中将各种总线都标为总线系统44。

本发明实施例中的存储器43用于存储各种类型的数据以支持电子设备4的操作。这些数据的示例包括：用于在电子设备4上操作的任何计算机程序。

可以理解，存储器43可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，Read Only Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，Random AccessMemory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本发明实施例描述的存储器43旨在包括但不限于这些和任意其它适合类型的存储器。

上述本发明实施例揭示的方法可以应用于处理器42中，或者由处理器42实现。处理器42可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器、DSP，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。处理器42可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器43，处理器42读取存储器43中的程序，结合其硬件完成前述方法的步骤。

可选地，所述处理器42执行所述程序时实现本发明实施例的各个方法中由终端实现的相应流程，为了简洁，在此不再赘述。

在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的第一存储器43，上述计算机程序可由终端的处理器42执行，以完成前述方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

在本发明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，即可以位于一个地方，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实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，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。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。

需要说明的是，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种根因定位方法，其特征在于，包括：

将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；

基于设定异常事件与设定根因之间的第一设定对应关系，确定出所述第一异常事件对应的至少两个候选根因；

基于设定根因与置信度之间的第二设定对应关系，确定出所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度；其中，所述第一设定对应关系和所述第二设定对应关系基于历史日志、历史告警信息和版本发布记录中的至少之一确定出；

基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；

基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

2.根据权利要求1所述的方法，其特征在于，所述确定出每个候选根因在每个设定异常类型中对应的第一得分，包括：

基于预测概率对应的第一设定权重、置信度对应的第二设定权重、每种设定异常类型对应的预测概率以及每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

采用设定的规则引擎对日志、告警信息和版本发布记录中的至少之一进行分析，得到所述第一异常事件对应的第一异常类型和第一候选根因；

基于确定出的第一异常类型和第一候选根因，调整以下至少一项：

所述第一异常事件对应的设定异常类型对应的预测概率；

所述第一异常事件对应的候选根因的置信度；

确定出的候选根因在设定异常类型中对应的第一得分。

4.根据权利要求3所述的方法，其特征在于，所述调整所述第一异常事件对应的设定异常类型对应的预测概率，以及所述第一异常事件对应的候选根因的置信度，包括：

将所述第一异常类型的预测概率调整为第一设定概率，以及将所述第一候选根因的置信度调整为第一设定置信度；其中，

所述第一异常类型的预测概率小于所述第一设定概率；所述第一异常事件对应的至少两个候选根因中不包括所述第一候选根因，或者所述第一候选根因的置信度小于所述第一设定置信度；所述第一设定概率表征所述第一异常事件属于所述第一异常类型；所述第一设定置信度表征当前存在所述第一候选根因。

5.根据权利要求4所述的方法，其特征在于，所述调整确定出的候选根因在设定异常类型中对应的第一得分，包括：

基于所述第一设定概率和所述第一设定置信度，计算出第一候选根因在所述第一异常类型中对应的第二得分，基于所述第二得分更新确定出的候选根因在设定异常类型中对应的第一得分。

6.根据权利要求3所述的方法，其特征在于，所述调整确定出的候选根因在设定异常类型中对应的第一得分，包括：

在所述第一候选根因在所述第一异常类型中对应的第一得分小于设定得分的情况下，将所述第一候选根因在所述第一异常类型中对应的第一得分调整为大于或等于所述设定得分；所述设定得分用于筛选目标根因。

7.一种电子设备，其特征在于，包括：

预测单元，用于将第一异常事件对应的特征向量输入至异常检测模型，得到所述第一异常事件对应的多种设定异常类型中每种设定异常类型对应的预测概率；

第一确定单元，用于基于设定异常事件与设定根因之间的第一设定对应关系，确定出所述第一异常事件对应的至少两个候选根因；

第二确定单元，用于基于设定根因与置信度之间的第二设定对应关系，确定出所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度；其中，所述第一设定对应关系和所述第二设定对应关系基于历史日志、历史告警信息和版本发布记录中的至少之一确定出；

第三确定单元，用于基于所述第一异常事件对应的每种设定异常类型对应的预测概率，以及基于所述第一异常事件对应的至少两个候选根因中每个候选根因对应的置信度，确定出每个候选根因在每个设定异常类型中对应的第一得分；

第四确定单元，用于基于确定出的候选根因在每个设定异常类型中对应的第一得分，确定出所述第一异常事件对应的目标根因。

8.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器用于运行所述计算机程序时，执行权利要求1至6任一项所述的方法的步骤。

9.一种存储介质，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权利要求1至6任一项所述的方法的步骤。

Images