CN113591477B - 基于关联数据的故障定位方法、装置、设备及存储介质 - Google Patents
基于关联数据的故障定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113591477B CN113591477B CN202110913901.XA CN202110913901A CN113591477B CN 113591477 B CN113591477 B CN 113591477B CN 202110913901 A CN202110913901 A CN 202110913901A CN 113591477 B CN113591477 B CN 113591477B
- Authority
- CN
- China
- Prior art keywords
- fault
- link
- data
- node
- index
- 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 39
- 238000010586 diagram Methods 0.000 claims abstract description 48
- 238000000926 separation method Methods 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims description 52
- 239000013598 vector Substances 0.000 claims description 47
- 230000011218 segmentation Effects 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000026676 system process Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及基架运维技术,揭露了一种基于关联数据的故障定位方法,包括:获取历史的故障定位数据,提取故障定位数据中的故障参数,并利用故障参数构建故障定位模型;获取预设系统的全链路调用关系数据及故障指标数据,对全链路调用关系数据及故障指标数据进行节点关联存储,得到链路指标关系图;利用故障定位模型对链路指标关系图进行故障链路分离,得到故障链路;计算故障链路中每个链路节点的特征值,并根据特征值确定故障链路中的故障位置。此外,本发明还涉及区块链技术,故障定位数据可存储于区块链的节点。本发明还提出一种基于关联数据的故障定位装置、设备及介质。本发明可以解决进行故障定位时的精确度较低的问题。
Description
技术领域
本发明涉及基架运维技术领域,尤其涉及一种基于关联数据的故障定位方法、装置、电子设备及计算机可读存储介质。
背景技术
对于智能系统的运维已经进入的智能运维时代,而故障智能定位领域也是智能运维的核心技术。对于目前互联网高速发展的过程中,庞大而复杂的网络已经超出了运维人员的能力。如目前面临的Web服务往往是多层服务之间的调用、跨机房之间的数据传输、基础组件的相互通讯等等。
传统的故障定位,基本都是通过查看海量告警指标来定位故障的位置。但在多层服务调用和跨机房数据传输的情况下,不同服务或机房使用的警告指标不一致,导致指标使用的混乱,进而导致无法精确对故障进行定位。
发明内容
本发明提供一种基于关联数据的故障定位方法、装置及计算机可读存储介质,其主要目的在于解决进行故障定位时的精确度较低的问题。
为实现上述目的,本发明提供的一种基于关联数据的故障定位方法,包括:
获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
可选地,所述提取所述故障定位数据中的故障参数,包括:
对所述故障定位数据进行分词处理,得到文本分词;
对所述文本分词进行向量转换,得到分词向量;
计算所述分词向量与预设的参数向量的距离值,选取所述距离值小于预设距离阈值的分词向量对应的文本分词为故障参数。
可选地,所述利用所述故障参数构建故障定位模型,包括:
从所述故障参数中选取目标参数;
将所述目标参数作为决策条件构建决策树;
判断所述决策树的数量是否小于所述故障参数的数量;
若所述决策树的数量小于所述故障参数的数量,则返回从所述故障参数中选取目标参数的步骤;
若所述决策树的数量大于或等于所述故障参数的数量,得到由所述决策树组成的故障定位模型。
可选地,所述利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路,包括:
从所述链路指标关系图中选取目标链路;
利用所述故障定位模型中的决策树对所述目标链路的故障指标数据进行判断,得到每一个决策树对所述目标链路存在故障的第一判断结果,或不存在故障的第二判断结果;
判断所述第一判断结果的数量是否小于所述第二判断结果的数量;
当所述第一判断结果的数量大于或等于所述第二判断结果的数量,则确定所述目标链路存在故障;
当所述第一判断结果的数量小于所述第二判断结果的数量,则确定所述目标链路不存在故障;
判断被选取的目标链路的数量是否大于或等于所述链路指标关系图中链路的数量;
若被选取的目标链路的数量小于所述链路指标关系图中链路的数量,返回从所述链路指标关系图中选取目标链路的步骤;
若被选取的目标链路的数量大于或等于所述链路指标关系图中链路的数量,从所述链路指标关系图中提取存在故障的链路,得到故障链路。
可选地,所述计算所述故障链路中每个链路节点的特征值,包括:
利用如下特征值算法计算所述故障链路中每个链路节点的特征值:
其中,psi为链路节点i的特征值,为所述链路节点i的前向导数,/>所述链路节点i的后向导数,/>为所述链路节点i的向量化表示,/>为所述链路节点i的上游节点的向量化表示,/>为所述链路节点i的下游节点的向量化表示,α为预设常数。
可选地,所述获取预设系统的全链路调用关系数据及故障指标数据,包括:
获取预设系统中每个节点的代码函数;
将预先构建的利用数据采集函数编译的数据采集埋点添加至所述代码函数中;
当预设系统的节点对数据进行处理时,利用所述节点的代码函数采集所述系统的全链路调用关系数据及故障指标数据。
可选地,所述根据所述特征值确定所述故障链路中的故障位置之后,所述方法还包括:
获取用户对所述故障位置的反馈信息;
提取所述反馈信息中的反馈参数;
将所述反馈参数添加至所述故障定位模型中,以对所述故障定位模型进行更新。
为了解决上述问题,本发明还提供一种基于关联数据的故障定位装置,所述装置包括:
参数提取模块,用于获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
关联存储模块,用于获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
链路分离模块,用于利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
故障定位模块,用于计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于关联数据的故障定位方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于关联数据的故障定位方法。
本发明实施例将链路中调用关系数据与故障指标数据进行关联存储,得到链路指标关系图,以更清晰地展示出预设系统中每条链路中不同节点之间的调用关系数据,以及每个节点的故障指标数据,有利于提高故障定位的效率和精确度;根据历史的故障定位数据构建故障定位模型,并利用该模型对链路指标关系图进行分析,进而分离出故障链路,实现了粗略的故障定位,避免对每个链路的每个节点均进行分析,提高故障定位效率,进而计算该故障链路中各节点的特征值,利用所述特征值实现精确的故障定位,提高了故障定位的精确度。因此本发明提出的基于关联数据的故障定位方法、装置、电子设备及计算机可读存储介质,可以解决进行故障定位时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于关联数据的故障定位方法的流程示意图;
图2为本发明一实施例提供的构建故障定位模型的流程示意图;
图3为本发明一实施例提供的故障链路分离的流程示意图;
图4为本发明一实施例提供的基于关联数据的故障定位装置的功能模块图;
图5为本发明一实施例提供的实现所述基于关联数据的故障定位方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于关联数据的故障定位方法。所述基于关联数据的故障定位方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于关联数据的故障定位方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于关联数据的故障定位方法的流程示意图。在本实施例中,所述基于关联数据的故障定位方法包括:
S1、获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型。
本发明实施例中,所述故障定位数据是指在某一系统或多系统之间交互时,不同节点在对数据进行处理的过程中出现故障的位置,以及与该故障相关的数据。
例如,用户指纹识别系统中存在指纹录入节点、指纹比对节点和身份输出节点组成的链路,该链路用于对用户的身份进行识别,当指纹比对节点出现故障无法正常工作时,则故障定位数据为指纹比对接待出现的故障的相关信息。
详细地,历史的故障定位数据包括历史产生的故障名称、故障类型、故障原因、故障位置等数据。
本发明实施例中,可通过具有数据抓取功能的计算机语句(java语句、python语句等)从预设的存储区域抓取预先存储的故障定位数据,所述存储区域包括存储有故障定位数据的数据库、区块链节点、网络缓存等。
本发明其中一个实际应用场景中,由于所述故障定位数据通常以文本形式被记载于系统日志、系统告警文档等系统文件中,且该系统文件中除故障定位数据之外,还包括大量系统运维记录,因此,为了提高对故障的定位的效率,可提取所述故障定位数据中的故障参数,减少需要分析的数据量,进而提高故障定位的效率。
本发明实施例中,所述提取所述故障定位数据中的故障参数,包括:
对所述故障定位数据进行分词处理,得到文本分词;
对所述文本分词进行向量转换,得到分词向量;
计算所述分词向量与预设的参数向量的距离值,选取所述距离值小于预设距离阈值的分词向量对应的文本分词为故障参数。
详细地,可利用具有文本分词功能的分词模型对所述故障定位数据进行分词处理,所述分词模型包括但不限于NLP(Natural Language Processing,自然语言处理)模型、HMM模型(Hidden Markov Model,隐马尔科夫模型)。
具体地,可通过预设的字符向量表对所述文本分词进行向量转换,得到分词向量,所述字符向量表中包含多个字符,及每个字符对应的向量。
例如,故障定位数据中存在文本分词:“计算异常”,可分别从字符向量表中查询出“计”、“算”、“异”、“常”四个字符的字符向量,并按照该四个字符在所述故障定位数据中的先后顺序将查询到的字符向量进行拼接,得到该文本分词对应的分词向量。
本发明实施例中,可通过预设的距离算法计算所述分词向量与预设的参数向量的距离值,所述距离算法包括但不限于欧式距离算法、余弦距离算法。
详细地,本发明实施例中,所述计算所述分词向量与预设的参数向量的距离值,包括:
利用如下距离值算法计算所述分词向量与预设的参数向量的距离值:
其中,D为所述距离值,x为所述分词向量,y为所述参数向量。
本发明实施例中,在计算所述分词向量与预设的参数向量的距离值之后,从所述文本分词中选取所述距离值小于预设距离阈值的分词向量,并确定选取的分词向量对应的文本分词为故障参数。
例如,存在分词向量A,分词向量B和分词向量C,其中,分词向量A与所述参数向量之间的距离值为20,分词向量B与所述参数向量之间的距离值为80,分词向量C与所述参数向量之间的距离值为30,当预设的距离阈值为40时,则确定分词向量A和分词向量C对应的文本分词为所述故障参数。
本发明实施例中,可利用所述故障参数和预设算法构建具有故障定位功能的故障定位模型。
详细地,所述预设算法包括但不限于基于随机森林算法、ARIMA(AutoregressiveIntegrated Moving Average,差分整合移动平均自回归)算法、EWMA(ExponentiallyWeighted Moving Average,指数加权滑动平均)算法。
例如,将所述故障参数作为预设算法的算法参数,进而利用含有该故障参数的预设算法构建所述故障定位模型。
本发明实施例中,参图2所示,所述利用所述故障参数构建故障定位模型,包括:
S21、从所述故障参数中选取目标参数;
S22、将所述目标参数作为决策条件构建决策树;
S23、判断所述决策树的数量是否小于所述故障参数的数量;
若所述决策树的数量小于所述故障参数的数量,则执行S24、返回从所述故障参数中选取目标参数的步骤;
若所述决策树的数量大于或等于所述故障参数的数量,则执行S25、得到由所述决策树组成的故障定位模型。
例如,故障参数包括故障原因A,以及故障原因B;选取所述故障原因为目标参数,利用该故障原因作为为决策条件构建如下第一决策树:
判断输入数据是否与故障原因A相符合;
若所述输入数据与所述故障原因A不符合,则输出无故障;
若所述输入数据为所述故障原因A符合,则输出有故障。
进一步地,利用故障原因A生成决策树后,当前决策树的数量为1,小于故障参数的数量(2),则返回选取目标参数的步骤,选取故障原因B为目标参数,并根据故障原因B构建如下第二决策树:
判断输入数据是否与故障原因B相符合;
若所述输入数据与所述故障原因B不符合,则输出无故障;
若所述输入数据为所述故障原因B符合,则输出有故障。
此时,决策树的数量为2,等于所述故障参数的数量,因此,将根据故障原因A生成的第一决策树,与根据故障原因B生成的第二决策树进行汇集,得到故障定位模型。
S2、获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图。
本发明实施例中,所述全链路调用关系数据是指预设系统中所有节点的不同组合得到的,可实现特定功能的链路中,不同节点之间的调用关系。
例如,预设系统为用户指纹识别系统时,该系统中存在指纹录入节点、指纹比对节点和身份输出节点、指纹存储节点组成的两个链路;其中,指纹录入节点、指纹比对节点和身份输出节点组成的链路可用于对用户身份进行识别;指纹录入节点和指纹存储节点组成的链路可用于对新用户的指纹信息进行录入并存储。
在执行用户身份识别时,指纹录入节点录入用户指纹后,需调用指纹比对节点将用户指纹与预先存储的指纹进行比对,比对后,指纹比对节点需调用身份输出节点对用户的身份进行输出,因此,指纹录入节点、指纹比对节点和身份输出节点之间存在调用关系,节点之间传输的数据相互关联,则指纹录入节点、指纹比对节点和身份输出节点之间的调用关系为三个节点组成的链路的第一调用关系数据。
在执行对新用户的指纹信息进行录入并存储时,指纹录入节点录入用户指纹后,需调用指纹存储节点,利用指纹存储节点对录入的用户指纹进行存储,因此,指纹录入节点和指纹存储节点之间存在调用关系,该调用关系为指纹录入节点和指纹存储节点组成的链路的第二调用关系数据。
将所述第一调用关系数据和所述第二调用关系数据进行汇集,即可得到该用户指纹识别系统的全链路调用关系数据。
进一步地,所述故障指标数据是指系统中不同节点对数据进行处理时产生的指标,所述故障指标数据包括但不限于数据处理时长指标、数据处理量指标、数据处理准确度指标。
本发明实施例中,可通过埋点的方式获取预设系统的全链路调用关系数据及故障指标数据。
详细地,所述获取预设系统的全链路调用关系数据及故障指标数据,包括:
获取预设系统中每个节点的代码函数;
将预先构建的利用数据采集函数编译的数据采集埋点添加至所述代码函数中;
当预设系统的节点对数据进行处理时,利用所述节点的代码函数采集所述系统的全链路调用关系数据及故障指标数据。
具体地,所述代码函数为支持预设系统中每个节点运行的函数,所述数据采集函数为具有数据采集功能的函数(如java中的getUserInfo函数),通过预设的编译器可将数据采集函数编译为数据采集埋点,并将所述数据采集埋点添加至预设系统的每个节点中,进而实现对预设系统的全链路调用关系数据及故障指标数据的采集。
本发明实施例通过在预设系统的每个节点中以埋点方式获取全链路调用关系数据及故障指标数据,有利于提高获取全链路调用关系数据及故障指标数据的实时性。
本发明其中一个实际应用场景中,由于预设系统中可能存在大量节点于链路,若直接对获取的全链路调用关系数据及故障指标数据进行分析,会占用大量的计算资源,且可能出现分析错误,导致故障定位错误的情况,因此,本发明实施例可将获取的全链路调用关系数据及故障指标数据进行关联存储,以更清晰地展示出预设系统中每条链路中不同节点之间的调用关系数据,以及每个节点的故障指标数据,进而提高故障定位的效率和精确度。
本发明实施例中,可利用预设的图数据库对全链路调用关系数据及故障指标数据进行关联存储,所述图数据库包括Graphql数据库、Neo4j数据库、JanusGraph数据库、HugeGraph数据库等。
例如,预设系统中存在节点1、节点2、节点3和节点4,其中,节点1于节点2和节点4之间存在调用关系,节点2与节点1和节点3之间存在调用关系,节点3与节点2和节点4之间存在调用关系,节点4和节点1与节点3之间存在调用关系;则利用图数据库全链路调用关系数据及故障指标数据进行存储时,分别生成节点1、节点2、节点3和节点4的图标,在节点1与节点2之间进行调用关系标注,在节点1与节点4之间进行调用关系标注,依此类推,将不同节点之间的调用关系进行标注,并分别在节点1、节点2、节点3和节点4对应的图标中标注每个节点对应的故障指标数据,得到链路指标关系图。
详细地,在对调用关系进行标注时,将存在调用关系的节点之间进行连线,以标识节点之间的调用关系;或者,可在每个节点中以文字或图形形式标注出与该节点存在调用关系的节点。
S3、利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路。
本发明实施例中,可利用所述故障定位模型对所述链路指标关系图进行分析,以从所述链路指标关系图中分离出现故障的链路。
本发明实施例中,参图3所示,所述利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路,包括:
S31、从所述链路指标关系图中选取目标链路;
S32、利用所述故障定位模型中的决策树对所述目标链路的故障指标数据进行判断,得到每一个决策树对所述目标链路存在故障的第一判断结果,或不存在故障的第二判断结果;
S33、判断所述第一判断结果的数量是否小于所述第二判断结果的数量;
当所述第一判断结果的数量大于或等于所述第二判断结果的数量,则执行S34、确定所述目标链路存在故障;
当所述第一判断结果的数量小于所述第二判断结果的数量,则执行S35、确定所述目标链路不存在故障;
S36、判断被选取的目标链路的数量是否大于或等于所述链路指标关系图中链路的数量;
若被选取的目标链路的数量小于所述链路指标关系图中链路的数量,则执行S37、返回从所述链路指标关系图中选取目标链路的步骤;
若被选取的目标链路的数量大于或等于所述链路指标关系图中链路的数量,则执行S38、从所述链路指标关系图中提取存在故障的链路,得到故障链路。
详细地,所述故障定位模型中存在多个决策树,可利用每一个决策树分别对被选取的目标链路的故障指标数据进行判断,进而得出每一个决策树对该目标链路是否存在故障的判断结果。
例如,所述链路指标关系图中包含第一链路和第二链路,所述故障定位模型中存在第一决策树、第二决策树和第三决策树,选取第一链路为目标链路,分别利用所述故障定位模型中第一决策树、第二决策树和第三决策树对所述第一链路的故障指标数据进行分析,得到第一决策树判断结果为第一链路存在故障,第二决策树判断结果为第一链路存在故障,第三决策树判断结果为第一链路不存在出现故障;由于判断第一链路存在故障的决策树数量(2)大于或等于判断第一链路不存在故障的决策树数量(1),则确定第一链路存在故障。
进一步地,判断被选取的目标链路的数量是否大于或等于所述链路指标关系图中链路的数量,由于被选取的目标链路的数量(1)小于所述链路指标关系图中链路的数量(2),返回从所述链路指标关系图中选取目标链路的步骤,选取第二链路为目标链路;分别利用所述故障定位模型中第一决策树、第二决策树和第三决策树对所述第二链路的故障指标数据进行分析,得到第一决策树判断结果为第二链路不存在故障,第二决策树判断结果为第二链路存在故障,第三决策树判断结果为第二链路不存在出现故障;由于判断第二链路存在故障的决策树数量(1)小于判断第一链路不存在故障的决策树数量(2),则确定第二链路不存在故障。
判断被选取的目标链路的数量是否大于或等于所述链路指标关系图中链路的数量,由于被选取的目标链路的数量(2)等于所述链路指标关系图中链路的数量(2),则可利用具有链路提取功能的java语句从所述链路指标关系图中提取存在故障的链路,得到故障链路(第一链路)。
S4、计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
本发明实施例中,可利用预设的特征值算法计算获取的故障链路中每个链路节点的特征值,进而确定所述特征值大于预设阈值的链路节点为故障位置。
例如,故障链路中存在链路节点A、链路节点B和链路节点C,分别利用所述特征值算法对每个链路节点进行计算,得到链路节点A的特征值为60,链路节点B的特征值为90,链路节点C的特征值为30,当预设阈值为70时,则确定链路节点C为故障位置。
本发明实施例中,所述计算所述故障链路中每个链路节点的特征值,包括:
利用如下特征值算法计算所述故障链路中每个链路节点的特征值:
其中,psi为链路节点i的特征值,为所述链路节点i的前向导数,/>所述链路节点i的后向导数,/>为所述链路节点i的向量化表示,/>为所述链路节点i的上游节点的向量化表示,/>为所述链路节点i的下游节点的向量化表示,α为预设常数。
详细地,所述上游节点与下游节点相对,例如,存在链路包括节点A与节点B,该链路在对数据进行处理时,先经过节点A对数据进行处理,再利用节点A调用节点B对数据进行处理,则节点A为节点B的上游节点,节点为节点A的下游节点。
进一步地,本发明实施例在确定所述特征值大于预设阈值的链路节点为故障位置之后,还可利用所述故障位置对所述故障定位模型进行更新,以提高故障定位模型的精确度。
本发明实施例中,所述根据所述特征值确定所述故障链路中的故障位置之后,所述方法还包括:
获取用户对所述故障位置的反馈信息;
提取所述反馈信息中的反馈参数;
将所述反馈参数添加至所述故障定位模型中,以对所述故障定位模型进行更新。
详细地,所述反馈信息为用户对所述故障位置做出的确认或否定,以及对该故障位置做出的与故障相关数据的标注,所述相关数据包括故障名称、故障类型、故障原因等数据。
具体地,所述提取所述反馈信息中的反馈参数的步骤,与步骤S1中提取所述故障定位数据中的故障参数的步骤一致,在此不做赘述。
本发明实施例中,可按照步骤S2中利用所述故障参数构建故障定位模型的方式,利用所述反馈参数构建决策树,将该决策树添加至所述故障定位模型中,以实现对所述故障定位模型的更新。
本发明实施例将链路中调用关系数据与故障指标数据进行关联存储,得到链路指标关系图,以更清晰地展示出预设系统中每条链路中不同节点之间的调用关系数据,以及每个节点的故障指标数据,有利于提高故障定位的效率和精确度;根据历史的故障定位数据构建故障定位模型,并利用该模型对链路指标关系图进行分析,进而分离出故障链路,实现了粗略的故障定位,避免对每个链路的每个节点均进行分析,提高故障定位效率,进而计算该故障链路中各节点的特征值,利用所述特征值实现精确的故障定位,提高了故障定位的精确度。因此本发明提出的基于关联数据的故障定位方法,可以解决进行故障定位时的精确度较低的问题。
如图4所示,是本发明一实施例提供的基于关联数据的故障定位装置的功能模块图。
本发明所述基于关联数据的故障定位装置100可以安装于电子设备中。根据实现的功能,所述基于关联数据的故障定位装置100可以包括参数提取模块101、关联存储模块102、链路分离模块103及故障定位模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述参数提取模块101,用于获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
所述关联存储模块102,用于获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
所述链路分离模块103,用于利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
所述故障定位模块104,用于计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
详细地,本发明实施例中所述基于关联数据的故障定位装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于关联数据的故障定位方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于关联数据的故障定位方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于关联数据的故障定位程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于关联数据的故障定位程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于关联数据的故障定位程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于关联数据的故障定位程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
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,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于关联数据的故障定位方法,其特征在于,所述方法包括:
获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置;
其中,所述利用所述故障参数构建故障定位模型,包括:从所述故障参数中选取目标参数;将所述目标参数作为决策条件构建决策树;判断所述决策树的数量是否小于所述故障参数的数量;若所述决策树的数量小于所述故障参数的数量,则返回从所述故障参数中选取目标参数的步骤;若所述决策树的数量大于或等于所述故障参数的数量,得到由所述决策树组成的故障定位模型;
所述利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路,包括:从所述链路指标关系图中选取目标链路;利用所述故障定位模型中的决策树对所述目标链路的故障指标数据进行判断,得到每一个决策树对所述目标链路存在故障的第一判断结果,或不存在故障的第二判断结果;判断所述第一判断结果的数量是否小于所述第二判断结果的数量;当所述第一判断结果的数量大于或等于所述第二判断结果的数量,则确定所述目标链路存在故障;当所述第一判断结果的数量小于所述第二判断结果的数量,则确定所述目标链路不存在故障;判断被选取的目标链路的数量是否大于或等于所述链路指标关系图中链路的数量;若被选取的目标链路的数量小于所述链路指标关系图中链路的数量,返回从所述链路指标关系图中选取目标链路的步骤;若被选取的目标链路的数量大于或等于所述链路指标关系图中链路的数量,从所述链路指标关系图中提取存在故障的链路,得到故障链路;
所述计算所述故障链路中每个链路节点的特征值,包括:利用如下特征值算法计算所述故障链路中每个链路节点的特征值:
其中,psi为链路节点i的特征值,为所述链路节点i的前向导数,/>所述链路节点i的后向导数,/>为所述链路节点i的向量化表示,/>为所述链路节点i的上游节点的向量化表示,/>为所述链路节点i的下游节点的向量化表示,α为预设常数;
所述获取预设系统的全链路调用关系数据及故障指标数据,包括:获取预设系统中每个节点的代码函数;将预先构建的利用数据采集函数编译的数据采集埋点添加至所述代码函数中;当预设系统的节点对数据进行处理时,利用所述节点的代码函数采集所述系统的全链路调用关系数据及故障指标数据。
2.如权利要求1所述的基于关联数据的故障定位方法,其特征在于,所述提取所述故障定位数据中的故障参数,包括:
对所述故障定位数据进行分词处理,得到文本分词;
对所述文本分词进行向量转换,得到分词向量;
计算所述分词向量与预设的参数向量的距离值,选取所述距离值小于预设距离阈值的分词向量对应的文本分词为故障参数。
3.如权利要求1至2中任一项所述的基于关联数据的故障定位方法,其特征在于,所述根据所述特征值确定所述故障链路中的故障位置之后,所述方法还包括:
获取用户对所述故障位置的反馈信息;
提取所述反馈信息中的反馈参数;
将所述反馈参数添加至所述故障定位模型中,以对所述故障定位模型进行更新。
4.一种基于关联数据的故障定位装置,用于实现如权利要求1至3中任意一项所述的基于关联数据的故障定位方法,其特征在于,所述装置包括:
参数提取模块,用于获取历史的故障定位数据,提取所述故障定位数据中的故障参数,并利用所述故障参数构建故障定位模型;
关联存储模块,用于获取预设系统的全链路调用关系数据及故障指标数据,对所述全链路调用关系数据及所述故障指标数据进行节点关联存储,得到链路指标关系图;
链路分离模块,用于利用所述故障定位模型对所述链路指标关系图进行故障链路分离,得到故障链路;
故障定位模块,用于计算所述故障链路中每个链路节点的特征值,并根据所述特征值确定所述故障链路中的故障位置。
5.一种电子设备,其特征在于,所述电子设备包括:
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至少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能够执行如权利要求1至3中任意一项所述的基于关联数据的故障定位方法。
6.一种计算机可读存储介质,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3中任意一项所述的基于关联数据的故障定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913901.XA CN113591477B (zh) | 2021-08-10 | 2021-08-10 | 基于关联数据的故障定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110913901.XA CN113591477B (zh) | 2021-08-10 | 2021-08-10 | 基于关联数据的故障定位方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591477A CN113591477A (zh) | 2021-11-02 |
CN113591477B true CN113591477B (zh) | 2023-09-15 |
Family
ID=78256815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110913901.XA Active CN113591477B (zh) | 2021-08-10 | 2021-08-10 | 基于关联数据的故障定位方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591477B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306747A (zh) * | 2017-01-11 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种云安全检测方法、装置和电子设备 |
CN108833184A (zh) * | 2018-06-29 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 服务故障定位方法、装置、计算机设备及存储介质 |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
CN111338836A (zh) * | 2020-02-24 | 2020-06-26 | 北京奇艺世纪科技有限公司 | 处理故障数据的方法、装置、计算机设备和存储介质 |
CN112019932A (zh) * | 2020-08-27 | 2020-12-01 | 广州华多网络科技有限公司 | 网络故障根因定位方法、装置、计算机设备及存储介质 |
WO2021147568A1 (zh) * | 2020-08-27 | 2021-07-29 | 平安科技(深圳)有限公司 | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 |
-
2021
- 2021-08-10 CN CN202110913901.XA patent/CN113591477B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108306747A (zh) * | 2017-01-11 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种云安全检测方法、装置和电子设备 |
WO2019210820A1 (zh) * | 2018-05-03 | 2019-11-07 | 华为技术有限公司 | 一种信息输出方法及装置 |
CN108833184A (zh) * | 2018-06-29 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 服务故障定位方法、装置、计算机设备及存储介质 |
CN111338836A (zh) * | 2020-02-24 | 2020-06-26 | 北京奇艺世纪科技有限公司 | 处理故障数据的方法、装置、计算机设备和存储介质 |
CN112019932A (zh) * | 2020-08-27 | 2020-12-01 | 广州华多网络科技有限公司 | 网络故障根因定位方法、装置、计算机设备及存储介质 |
WO2021147568A1 (zh) * | 2020-08-27 | 2021-07-29 | 平安科技(深圳)有限公司 | 基于gbdt高阶特征组合的推荐方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
云资源池探针的故障检测方法研究;权鹏宇 等;软件(08);第142-149页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113591477A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112134739B (zh) | 链路状态的追踪方法、装置、电子设备及计算机存储介质 | |
CN113806434B (zh) | 大数据处理方法、装置、设备及介质 | |
CN112948275A (zh) | 测试数据生成方法、装置、设备及存储介质 | |
CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN114968816A (zh) | 基于数据模拟的策略测试方法、装置、设备及存储介质 | |
CN114138243A (zh) | 基于开发平台的功能调用方法、装置、设备及存储介质 | |
CN114742412A (zh) | 一种软件技术服务系统及方法 | |
CN112732567B (zh) | 基于ip的mock数据测试方法、装置、电子设备及存储介质 | |
CN113806492A (zh) | 基于语义识别的记录生成方法、装置、设备及存储介质 | |
CN111950623B (zh) | 数据稳定性监控方法、装置、计算机设备及介质 | |
CN113628043A (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN113591477B (zh) | 基于关联数据的故障定位方法、装置、设备及存储介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN113221888B (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
CN115221171A (zh) | 异常数据智能监控方法、装置、电子设备及存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN115185792A (zh) | 故障硬件处理方法、装置和系统 | |
CN114238233A (zh) | 文件自动化清理方法、装置、设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114185881B (zh) | 异常数据自动修复方法、装置、设备及存储介质 | |
CN115827423B (zh) | 基于多场景聚类的测试案例生成方法、装置、设备及介质 | |
CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 |
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 |