CN113778792B - 一种it设备的告警归类方法及系统 - Google Patents

一种it设备的告警归类方法及系统 Download PDF

Info

Publication number
CN113778792B
CN113778792B CN202110957681.0A CN202110957681A CN113778792B CN 113778792 B CN113778792 B CN 113778792B CN 202110957681 A CN202110957681 A CN 202110957681A CN 113778792 B CN113778792 B CN 113778792B
Authority
CN
China
Prior art keywords
alarm
feature
words
category
information
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
Application number
CN202110957681.0A
Other languages
English (en)
Other versions
CN113778792A (zh
Inventor
孙伟源
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.)
Inspur Jinan data Technology Co ltd
Original Assignee
Inspur Jinan data Technology Co ltd
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 Inspur Jinan data Technology Co ltd filed Critical Inspur Jinan data Technology Co ltd
Priority to CN202110957681.0A priority Critical patent/CN113778792B/zh
Publication of CN113778792A publication Critical patent/CN113778792A/zh
Application granted granted Critical
Publication of CN113778792B publication Critical patent/CN113778792B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3082—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved by aggregating or compressing the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种IT设备的告警归类方法及系统，方法包括对历史告警信息进行预分词处理，提取初始特征词；基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；利用所述训练模型进行告警类别的预测。本发明通过机器学习，对历史告警信息进行训练建模，将各个不同设备发出的告警信息进行归类，帮助运维人员及时了解机房设备健康状态，提高设备运维管理能力，加强故障预警和处理能力，保障企业系统平稳运行。

Description

一种IT设备的告警归类方法及系统
技术领域
本发明涉及技术领域，尤其是一种IT设备的告警归类方法及系统。
背景技术
IT(Internet Technology，互联网技术)设备包括服务器、存储设备、网络设备和安全设备等与IT相关的设备。
近年来，我国数字经济发展欣欣向荣。随着企业业务的快速发展，企业信息系统日渐庞大和复杂，IT系统规模不断扩大，支撑系统的物理基础设施数量也急剧增长，各种设备的监控和运维成为保障企业信息系统平稳运行的重中之重。
通常情况下，设备在运行过程中关键执行点发生错误时会向外发出不同等级的告警信息。设备出现故障时，运维人员一般先查看错误日志，分析告警类型和原因。但是，随着数据中心机房规模不断扩大，各种不同类型，不同厂商的设备不断增多，设备告警的量级急剧增加，不同厂商之间设备告警管理规范不一致，告警信息会存在相互掩埋、相互影响的问题，运维人员面对告警一时难以理清逻辑，有时甚至顾此失彼，没能第一时间解决最核心的问题。
发明内容
本发明提供了一种IT设备的告警归类方法及系统，用于解决现有IT设备告警信息不清晰的问题。
为实现上述目的，本发明采用下述技术方案：
本发明第一方面提供了一种IT设备的告警归类方法，所述方法包括以下步骤：
对历史告警信息进行预分词处理，提取初始特征词；
基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；
建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；
对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；
利用所述训练模型进行告警类别的预测。
进一步地，所述初始特征词与告警类别的关联性包括特征词在告警类别中出现的概率、告警信息的长度和告警信息中的单词数量；具体为：
初始特征词i在告警类别T中出现的概率越高，则其关联度越大，满足：
式中O(i,T)表示初始特征词i在告警类别T中出现的次数，O(T)表示告警类别T在告警信息中出现的次数。
告警类别T中告警信息越长，初始特征词i对告警类别的影响越小，满足：
则式中avgLength(T)表示告警信息的长度，可通过告警信息的字符数量表征。
告警类别T中的单词数量越多，则初始特征词i的重要性越小，满足 式中termNumber(T)表示告警类别T中单词的数量。
进一步地，所述对所述初始特征词进行筛选，得到告警特征词集合的具体过程为：
计算初始特征词与告警类别关联性，将所述关联性进行排名，选择排名中的前N个作为特征词，加入所述告警特征词集合。
进一步地，所述遍历所述告警信息，对所述特征向量进行赋值的具体过程为：
若当前特征词出现在告警信息中，则特征向量中对应该特征词的位置赋值1；
若当前特征词未出现在告警信息中，则特征向量中对应该特征词的位置赋值0。
进一步地，所述对所述特征向量进行训练采用朴素贝叶斯模型，且去除对先验概率的计算。
进一步地，所述得到当前特征词关联的告警类别具体包括：
若训练结果中，当前特征词关联的告警类别数量小于预设阈值，则将所述预设阈值作为当前特征词关联的告警类别数量。
进一步地，所述告警归类方法在利用所述训练模型进行告警类别的预测时，还包括：
建立告警屏蔽、融合或清除中一种或几种告警规则，具体为：
对于事件性告警、非故障性的告警进行屏蔽；对于多个设备发出的针对同一故障的告警进行融合；对于能够自我恢复的告警进行清除。
进一步地，将预测到的告警类别通知管理员，管理员通过控制台对告警信息进行处理。
本发明第二方面提供了一种IT设备的告警归类系统，所述系统包括：
信息预处理单元，对历史告警信息进行预分词处理，提取初始特征词；
特征信息处理单元，基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；
特征向量构建单元，建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；
训练单元，对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；
告警预测单元，利用所述训练模型进行告警类别的预测。
本发明第三方面提供了一种计算机存储介质，所述计算机存储介质中存储有计算机指令，所述计算机指令在所述告警归类系统上运行时，使所述告警归类系统所述告警归类方法的步骤。
本发明第二方面的所述告警归类系统能够实现第一方面及第一方面的各实现方式中的方法，并取得相同的效果。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
1、本发明通过机器学习，对历史告警信息进行训练建模，将各个不同设备发出的告警信息进行归类，帮助运维人员及时了解机房设备健康状态，提高设备运维管理能力，加强故障预警和处理能力，保障企业系统平稳运行。
2、对历史告警信息进行处理时，对特征信息进行过滤，筛选出特征词，减少模型的计算量及计算结果的精确度，减少成本消耗，提高工作效率；另外在用朴素贝叶斯模型进行建模计算时，省去对先验概率的计算过程，减少IO操作，提高计算速度。
附图说明
为了更清楚地说明本发明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，对于本领域普通技术人员而言，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是本发明所述方法的流程示意图；
图2是本发明所述方法实现过程的原理图；
图3是本发明所述系统的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1、2所示，本发明一种IT设备的告警归类方法，包括以下步骤：
S1,对历史告警信息进行预分词处理，提取初始特征词；
S2,基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；
S3,建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；
S4,对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；
S5,利用所述训练模型进行告警类别的预测。
步骤S1中，首先将告警信息转换成计算机可识别的形式，对已校准的告警分类信息，利用分词工具(如LuceneSmartCn)对设备告警做预分词处理，即告警分词，提取初始特征词，作为原始粗糙字典集合。
步骤S2中，对于步骤S1产生的粗糙字典，包括了所有已校准告警信息的初始特征词。对该初始特征词进行清洗操作：像11、32、在这些词对判断告警类别并没有多大帮助，因此可以去除。将数字、特定的词语，比如在、的这类无影响的介词、代词、连词整理集合，过滤掉这些对告警无实际意义的词。
然后计算初始特征词i在一个告警类别T中的关联性，进行特征选择，所述关联性用P(i,T)来表示。所述初始特征词与告警类别的关联性包括特征词在告警类别中出现的概率、告警信息的长度和告警信息中的单词数量。
初始特征词i在告警类别T中出现的概率越高，则其关联度越大，满足：
式中O(i,T)表示初始特征词i在告警类别T中出现的次数，O(T)表示告警类别T在告警信息中出现的次数。
告警类别T中告警信息越长，初始特征词i对告警类别的影响越小，满足：
则式中avgLength(T)表示告警信息的长度，可通过告警信息的字符数量表征。
告警类别T中的单词数量越多，则初始特征词i的重要性越小，满足 式中termNumber(T)表示告警类别T中单词的数量。
为了避免P(i,T)＝0或小数相乘溢出问题，P(i,T)的计算如下：
计算初始特征词i的关联性得分排名，选择得分排名靠前的N个特征词(如top 20％)，作为告警特征词集合。
步骤S3中，根据步骤S2中得到高精特征词集合，建立告警信息向量空间模型，进行向量化。首先定义一个与告警特征词集合长度相同的向量，向量中每个位置对应集合中相应位置的特征词。
所述遍历所述告警信息，对所述特征向量进行赋值的具体过程为：若当前特征词出现在告警信息中，则特征向量中对应该特征词的位置赋值1；若当前特征词未出现在告警信息中，则特征向量中对应该特征词的位置赋值0。如得到向量X＝[0,1,..1,0，...0]。
步骤S4中，对所述特征向量进行训练采用朴素贝叶斯模型，假设告警属于某个类别的先验概率相同，朴素贝叶斯最后是要通过比较得出最大的概率值，所以去除分类函数中先验概率的计算，减少IO操作，提高计算速度。
若样本数据较小，每个特征词计算出来的后验概率可能是一个较小的数。即训练结果中，当前特征词关联的告警类别数量小于预设阈值，则将所述预设阈值作为当前特征词关联的告警类别数量，提高分类精度。
步骤S5中还包括将预测到的告警类别通知管理员，管理员通过控制台对告警信息进行处理。
在上述实施例的基础上，本发明还包括解析器，用于将告警类别和告警ID、告警原文、格式化告警、告警时间等告警信息计入数据库中。
本发明的另一实施例，所述告警归类方法在利用所述训练模型进行告警类别的预测时，还包括：建立告警屏蔽、融合或清除中一种或几种告警规则。以采用redis等内存数据库实现，也可以采用loadingcache等本地缓存，启动告警处理任务，任务定时根据业务规则对告警数据进行融合、级别调整、恢复处理，并将恢复时间、清除方式等信息记入数据库。
其中对于事件性告警、非故障性的告警进行屏蔽；对于多个设备发出的针对同一故障的告警进行融合，如CPU温度过高的故障告警，系统可能会收到CPU、BMC(基板管理控制器)等多个部件发来的告警提示，对其进行合并；对于能够自我恢复的告警进行清除。
本发明的另一实施例，提供告警控制台，提供不用界面供用户查看、操作设备告警，提供人机交互服务。
如图3所示，本发明的一种IT设备的告警归类系统，包括信息预处理单元1、特征信息处理单元2、特征向量构建单元3、训练单元4和告警预测单元5。
信息预处理单元1对历史告警信息进行预分词处理，提取初始特征词；特征信息处理单元2基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；特征向量构建单元3建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；训练单元4对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；告警预测单元5利用所述训练模型进行告警类别的预测。
本发明的另一实施例，所述系统还包括告警规则缓存单元，所述告警规则缓存单元用于建立告警屏蔽、融合或清除中一种或几种告警规则。
本发明的告警归类系统能够实现告警归类方法中的所有实施例，并取得相同的效果。
本发明还提供了一种计算机存储介质，所述计算机存储介质中存储有计算机指令，所述计算机指令在所述告警归类系统上运行时，使所述告警归类系统执行告警归类方法的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种IT设备的告警归类方法，其特征是，所述方法包括以下步骤：
对历史告警信息进行预分词处理，提取初始特征词；
基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；
建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；
对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；
利用所述训练模型进行告警类别的预测；
所述初始特征词与告警类别的关联性包括特征词在告警类别中出现的概率、告警信息的长度和告警信息中的单词数量；具体为：
初始特征词i在告警类别T中出现的概率越高，则其关联度越大，满足：
，式中/> 表示初始特征词i在告警类别T中出现的次数，表示告警类别T在告警信息中出现的次数；
告警类别T中告警信息越长，初始特征词i对告警类别的影响越小，满足：
则 ，式中/>表示告警信息的长度，可通过告警信息的字符数量表征；
告警类别T中的单词数量越多，则初始特征词i的重要性越小，满足，式中/>表示告警类别T中单词的数量。
2.根据权利要求1所述IT设备的告警归类方法，其特征是，所述对所述初始特征词进行筛选，得到告警特征词集合的具体过程为：
计算初始特征词与告警类别关联性，将所述关联性进行排名，选择排名中的前N个作为特征词，加入所述告警特征词集合。
3.根据权利要求1所述IT设备的告警归类方法，其特征是，所述遍历所述告警信息，对所述特征向量进行赋值的具体过程为：
若当前特征词出现在告警信息中，则特征向量中对应该特征词的位置赋值1；
若当前特征词未出现在告警信息中，则特征向量中对应该特征词的位置赋值0。
4.根据权利要求1所述IT设备的告警归类方法，其特征是，所述对所述特征向量进行训练采用朴素贝叶斯模型，且去除对先验概率的计算。
5.根据权利要求4所述IT设备的告警归类方法，其特征是，所述得到当前特征词关联的告警类别具体包括：
若训练结果中，当前特征词关联的告警类别数量小于预设阈值，则将所述预设阈值作为当前特征词关联的告警类别数量。
6.根据权利要求1-5任一项所述IT设备的告警归类方法，其特征是，所述告警归类方法在利用所述训练模型进行告警类别的预测时，还包括：
建立告警屏蔽、融合或清除中一种或几种告警规则，具体为：
对于事件性告警、非故障性的告警进行屏蔽；对于多个设备发出的针对同一故障的告警进行融合；对于能够自我恢复的告警进行清除。
7.根据权利要求6所述IT设备的告警归类方法，其特征是，所述方法还包括：将预测到的告警类别通知管理员，管理员通过控制台对告警信息进行处理。
8.一种IT设备的告警归类系统，其特征是，所述系统包括：
信息预处理单元，对历史告警信息进行预分词处理，提取初始特征词；
特征信息处理单元，基于所述初始特征词与告警类别的关联性，对所述初始特征词进行筛选，得到告警特征词集合；
特征向量构建单元，建立特征向量，所述特征向量的长度与所述告警特征词集合中的特征词数量相同，遍历所述告警信息，对所述特征向量进行赋值；
训练单元，对所述特征向量进行训练，得到当前特征词关联的告警类别及训练模型；
告警预测单元，利用所述训练模型进行告警类别的预测；
所述初始特征词与告警类别的关联性包括特征词在告警类别中出现的概率、告警信息的长度和告警信息中的单词数量；具体为：
初始特征词i在告警类别T中出现的概率越高，则其关联度越大，满足：
，式中/> 表示初始特征词i在告警类别T中出现的次数，表示告警类别T在告警信息中出现的次数；
告警类别T中告警信息越长，初始特征词i对告警类别的影响越小，满足：
则 ，式中/>表示告警信息的长度，可通过告警信息的字符数量表征；
告警类别T中的单词数量越多，则初始特征词i的重要性越小，满足，式中/>表示告警类别T中单词的数量。
9.一种计算机存储介质，所述计算机存储介质中存储有计算机指令，其特征是，所述计算机指令在权利要求8所述告警归类系统上运行时，使所述告警归类系统执行如权利要求7所述告警归类方法的步骤。
CN202110957681.0A 2021-08-19 2021-08-19 一种it设备的告警归类方法及系统 Active CN113778792B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110957681.0A CN113778792B (zh) 2021-08-19 2021-08-19 一种it设备的告警归类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110957681.0A CN113778792B (zh) 2021-08-19 2021-08-19 一种it设备的告警归类方法及系统

Publications (2)

Publication Number Publication Date
CN113778792A CN113778792A (zh) 2021-12-10
CN113778792B true CN113778792B (zh) 2023-12-26

Family

ID=78838326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110957681.0A Active CN113778792B (zh) 2021-08-19 2021-08-19 一种it设备的告警归类方法及系统

Country Status (1)

Country Link
CN (1) CN113778792B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115391151B (zh) * 2022-10-26 2023-04-07 腾云悦智科技(长沙)有限责任公司 一种基于对象关系进行智能发现告警标签的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287316A (zh) * 2019-06-04 2019-09-27 深圳前海微众银行股份有限公司 一种告警分类方法、装置、电子设备及存储介质
CN110321411A (zh) * 2019-06-26 2019-10-11 国网江苏省电力有限公司 一种电网监控告警信息分类方法、系统及可读存储介质
CN111475804A (zh) * 2020-03-05 2020-07-31 浙江省北大信息技术高等研究院 一种告警预测方法及系统
WO2021042843A1 (zh) * 2019-09-06 2021-03-11 平安科技（深圳）有限公司 告警信息的决策方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287316A (zh) * 2019-06-04 2019-09-27 深圳前海微众银行股份有限公司 一种告警分类方法、装置、电子设备及存储介质
WO2020244336A1 (zh) * 2019-06-04 2020-12-10 深圳前海微众银行股份有限公司 一种告警分类方法、装置、电子设备及存储介质
CN110321411A (zh) * 2019-06-26 2019-10-11 国网江苏省电力有限公司 一种电网监控告警信息分类方法、系统及可读存储介质
WO2021042843A1 (zh) * 2019-09-06 2021-03-11 平安科技（深圳）有限公司 告警信息的决策方法、装置、计算机设备及存储介质
CN111475804A (zh) * 2020-03-05 2020-07-31 浙江省北大信息技术高等研究院 一种告警预测方法及系统

Also Published As

Publication number Publication date
CN113778792A (zh) 2021-12-10

Similar Documents

Publication Publication Date Title
CN108427720B (zh) 系统日志分类方法
CN110826648B (zh) 一种利用时序聚类算法实现故障检测的方法
KR101948634B1 (ko) 스마트 컴퓨팅을 위한 시스템 자원의 장애 예측 방법
Chen et al. How incidental are the incidents? characterizing and prioritizing incidents for large-scale online service systems
US9298538B2 (en) Methods and systems for abnormality analysis of streamed log data
Ying et al. An improved KNN-based efficient log anomaly detection method with automatically labeled samples
US20170097980A1 (en) Detection method and information processing device
CN103513983A (zh) 用于预测性警报阈值确定工具的方法和系统
CN111585799A (zh) 网络故障预测模型建立方法及装置
CN111539493B (zh) 一种告警预测方法、装置、电子设备及存储介质
US10824694B1 (en) Distributable feature analysis in model training system
CN112433874A (zh) 一种故障定位方法、系统、电子设备及存储介质
CN112445912A (zh) 一种故障日志分类方法、系统、设备以及介质
CN114327964A (zh) 业务系统的故障原因处理方法、装置、设备及存储介质
CN113778792B (zh) 一种it设备的告警归类方法及系统
CN115619245A (zh) 一种基于数据降维方法的画像构建和分类方法及系统
CN114816962A (zh) 基于attention-lstm的网络故障预测方法
CN114661568A (zh) 异常操作行为检测方法、装置、设备及存储介质
US11822578B2 (en) Matching machine generated data entries to pattern clusters
CN118035757A (zh) 一种基于大语言模型的电驱总成故障诊断方法及装置
CN112100617A (zh) 一种异常sql检测方法及装置
CN115495587A (zh) 一种基于知识图谱的告警分析方法及装置
CN115484048A (zh) 一种基于云环境的入侵行为检测方法及装置
KR101613397B1 (ko) 시계열 텍스트 데이터 및 시계열 수치 데이터의 연관 방법 및 그 장치
CN113535458A (zh) 异常误报的处理方法及装置、存储介质、终端

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