CN114218403A - 基于知识图谱的故障根因定位方法、装置、设备及介质 - Google Patents
基于知识图谱的故障根因定位方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114218403A CN114218403A CN202111559127.3A CN202111559127A CN114218403A CN 114218403 A CN114218403 A CN 114218403A CN 202111559127 A CN202111559127 A CN 202111559127A CN 114218403 A CN114218403 A CN 114218403A
- Authority
- CN
- China
- Prior art keywords
- node
- data
- training
- root cause
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 112
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 239000013598 vector Substances 0.000 claims abstract description 85
- 238000012216 screening Methods 0.000 claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 15
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及数据分析技术领域，揭露一种基于知识图谱的故障根因定位方法、装置、设备及介质，其中方法包括获取样本数据和异常告警数据；通过对样本数据进行编码和特征筛选，得到时序特征，并计算时序特征的异常波动时间区间，得到异常信息，以及构建知识图谱；获取知识图谱中的链路关系数据，并将链路关系数据中的每个节点进行编码，得到节点编码，并对节点编码进行向量化和节点属性特征进行，得到训练数据；将异常信息作为目标训练特征向量，并将训练数据对目标训练特征向量进行训练，得到根因概率。本申请还涉及区块链技术，训练数据存储于区块链中。本申请通过链路关系和节点属性特征的融合特征，进行根因分析，提高故障分析的准确度。
Description
技术领域
本申请涉及数据分析技术领域，尤其涉及一种基于知识图谱的故障根因定位方法、装置、设备及介质。
背景技术
在业务平台下，涉及到诸多应用，每个应用诸多SOA(面向服务架构)服务之间错综复杂的调用关系，每个应用还依赖DB、Redis、MQ等等资源，在应用服务成功率下降时，这些应用的负责人都要在监控系统上查看指标曲线以及链路信息来进行人工排障，耗时耗力，所以自动化的根因分析必不可少。
现有的自动化的根因分析方式是以异常检测为主，如CPU、网络、内存以及业务曲线等等为主，忽略了上层应用到中间层服务接口以及中间层到底层基础设备告警之间的关联关系，难以获得从现象到根因的直观把控，从而导致故障分析的准确度较低。
发明内容
本申请实施例的目的在于提出一种基于知识图谱的故障根因定位方法、装置、设备及介质，以提高故障分析的准确度。
为了解决上述技术问题，本申请实施例提供一种基于知识图谱的故障根因定位方法，包括：
获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将所述序列检测原始数据存储于时序数据库中，得到样本数据，以及将所述异常告警数据作为根因项原始数据；
通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息；
将所述根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；
获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量；
获取所述节点向量对应的节点属性特征，并将节点属性特征拼接到所述节点向量，得到训练数据；
将所述异常信息作为目标训练特征向量，并将所述训练数据对所述目标训练特征向量进行训练，得到根因概率。
为了解决上述技术问题，本申请实施例提供一种基于知识图谱的故障根因定位装置，包括：
样本数据获取模块，用于获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将所述序列检测原始数据存储于时序数据库中，得到样本数据，以及将所述异常告警数据作为根因项原始数据；
异常信息生成模块，用于通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息；
知识图谱构建模块，用于将所述根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；
节点向量生成模块，用于获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量；
训练数据生成模块，用于获取所述节点向量对应的节点属性特征，并将节点属性特征拼接到所述节点向量，得到训练数据；
根因概率生成模块，用于将所述异常信息作为目标训练特征向量，并将所述训练数据对所述目标训练特征向量进行训练，得到根因概率。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的基于知识图谱的故障根因定位方法。
为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质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意一项所述的基于知识图谱的故障根因定位方法。
本发明实施例提供了一种基于知识图谱的故障根因定位方法、装置、设备及介质。其中方法包括：获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将序列检测原始数据存储于时序数据库中，得到样本数据，以及将异常告警数据作为根因项原始数据；通过对样本数据进行编码和特征筛选，得到时序特征，并计算时序特征的异常波动时间区间，得到异常信息；将根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；获取知识图谱中的链路关系数据，并将链路关系数据中的每个节点进行编码，得到节点编码，并对节点编码进行向量化处理，得到节点向量；获取节点向量对应的节点属性特征，并将节点属性特征拼接到节点向量，得到训练数据；将异常信息作为目标训练特征向量，并将训练数据对目标训练特征向量进行训练，得到根因概率。本发明实施例通过构建知识图谱的方式用于存储和查询链路关系数据和原生应用中服务与服务之间的调用和依赖关系，并通过将原生应用服务间的链路关系和节点属性特征进行了融合，再利用融合的特征对异常信息进行根因分析，从而有利于提高故障分析的准确度。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的一实现流程图；
图2是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的又一实现流程图；
图3是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的又一实现流程图；
图4是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的又一实现流程图；
图5是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的又一实现流程图；
图6是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的又一实现流程图；
图7是本申请实施例提供的基于知识图谱的故障根因定位方法中子流程的又一实现流程图；
图8是本申请实施例提供的基于知识图谱的故障根因定位装置示意图；
图9是本申请实施例提供的计算机设备的示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
下面结合附图和实施方式对本发明进行详细说明。
需要说明的是，本申请实施例所提供的基于知识图谱的故障根因定位方法一般由服务器执行，相应地，基于知识图谱的故障根因定位装置一般配置于服务器中。
请参阅图1，图1示出了基于知识图谱的故障根因定位方法的一种具体实施方式。
需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限，该方法包括如下步骤：
S1：获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将序列检测原始数据存储于时序数据库中，得到样本数据，以及将异常告警数据作为根因项原始数据。
具体的，序列检测原始数据包括监控平台的序列监测数据和告警数据，其中监控平台是以Prometheus为基础平台的监控平台；
异常告警数据是以平台原生应用调用链路关系数据，其中链路的数据源自于CAT监控平台；所获取的原生应用调用链路关系数据，实体抽取内容包括调用方原生应用系统和被调用方原生应用系统及其相关服务接口，各应用系统上下游的调用关系、系统属性、服务类型、响应延迟、所在机房、应用域、瞬时CPU使用率、内存使用率、磁盘IO读写、是否触发GC(Garbage Collection)。
S2：通过对样本数据进行编码和特征筛选，得到时序特征，并计算时序特征的异常波动时间区间，得到异常信息。
请参阅图2，图2示出了步骤S2的一种具体实施方式，详叙如下：
S21：从时序数据库中读取样本数据，通过对样本数据进行编码和特征筛选，得到时序特征。
S22：采用Sigmoid函数的方式对时序特征进行拟合，得到拟合序列，并计算拟合序列的异常波动时间区间。
S23：采用方差偏差值的方式，当异常波动时间区间大于预设阈值时，将异常波动时间区间和异常波动时间区间对应的特征作为异常信息。
具体的，从时序数据数据库中获取样本数据，并将样本数据输入到神经网络模型中进行异常识别，依次对数据输入神经网络层进行编码和解码，即先将数据流连接循环神经网络层(LSTM)，LSTM(Long Short-Term Memory)层又名长短期记忆网络，缓解了普通循环网络在序列过长时出现的梯度消失问题，该层主要功能是对序列型数据进行编码抽取数据特征，能够较好的保留时序特征；为了能够更好的捕捉序列上的关键特征，忽略那些不重要的特征，在LSTM捕捉特征的基础上，进一步添加一层自注意力机制，帮助更好的提高关键特征的权重；之后连接若干层全连接层，采用使用sigmoid来拟合序列。根据计算异常波动时间区间，采用计算方差偏差值的方式，当异常波动时间区间大于阈值时，认为该异常波动时间区间为异常时间为疑似异常波动，其对应的特征和异常波动时间区间作为异常信息。
进一步的，异常波动时间的计算方式：利用预测序列和真实序列的方差和来得到异常波动时间，首先设置时间窗口为a，即序列横坐标范围大小为a，依次以b(a>b)比较预测序列和真实序列窗口内的值，差值为：
其中，Error为差值，y’为预测序列值，y为真实序列值，求解在窗口时间范围t内的平方差之和，当综合大于阈值时则认为时间窗口t内出现了异常波动。
本实施例中，通过从时序数据库中读取样本数据，通过对样本数据进行编码和特征筛选，得到时序特征，然后采用Sigmoid函数的方式对时序特征进行拟合，得到拟合序列，并计算拟合序列的异常波动时间区间再采用方差偏差值的方式，当异常波动时间区间大于预设阈值时，将异常波动时间区间和异常波动时间区间对应的特征作为异常信息，实现获取样本数据进行编码，并精准计算出样本数据中的异常信息，便于后续进行根因分析。
请参阅图3，图3示出了步骤S23的一种具体实施方式，详叙如下：
S231：从时序数据库中读取样本数据，并通过循环神经网络对样本数据进行编码，得到编码特征。
S232：通过自注意力机制层中对编码特征赋予加权系数，并对编码特征进行特征计算，得到权重特征，其中，权重特征包括权重系数。
S233：基于权重系数，对权重特征进行筛选，得到时序特征。
具体的，通过自注意力机制层对时序特征赋予对应加权系数，该时序特征对应的原生指标(比如CPU、MEM)序列通过LSTM层抽取特征后形成编码后的特征序列。但是由于序列很长，序列上一般只有部分特征对于判断异常波动起着正相关作用，其他大量特征为噪音，传统的求和平均的特征转换方式降低特征的有效性，在本实施例加入注意力机制的目的就是通过学习的方式自动进行权重分配，并且对关键特征的权重系数变大，噪音特征的权重变小，再通过加权平均的方式将特征传递到下一层。注意力机制采用学习的方式来提取关键特征，通过增加部分特征权重系数的方式来实现筛选特征。
S3：将根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱。
具体的，根因项原始数据中包括原生系统服务接口、不同服务之间的调用链路、以及调用延迟、异常信息等特征，则将原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱，并将知识图谱存储于neo4j数据库中作为图数据，通过构建知识图谱能够更好的存储和查询链路关系数据和原生应用中服务与服务之间的调用和依赖关系，使得在根因识别的结果相比传统的方法准确率更高、更准确。
S4：获取知识图谱中的链路关系数据，并将链路关系数据中的每个节点进行编码，得到节点编码，并对节点编码进行向量化处理，得到节点向量。
请参阅图4，图4示出了步骤S4的一种具体实施方式，详叙如下：
S41：从知识图谱中获取链路关系数据，并按照从根节点到叶子节点的切分方式，对链路关系数据进行切分，得到多条子链路。
S42：采用one-hot编码的方式，对子链路中的每个节点进行编码，得到节点编码。
S43：对节点编码进行向量化处理，得到节点向量。
具体的，从neo4j数据库中根据日期、实体名称、关系路径来查询图数据中应用调用日志，从而获取链路关系数据；得到链路关系数据后，将整个链路切分为多条从root根节点到叶子节点的子链路，例如，带有5个叶子节点的链路可以拆分为5条子链路；再将所有节点采用one-hot编码方式进行编码，当单个节点的应用和服务名称为同一个时，视为相似节点，相似节点的编码为相同值；
通过建立一个神经网络模型来训练节点向量，目标是想要得到每个节点的向量化表示，其中输入层到投影层进行了一次累加操作，投影层的大小为节点向量长度，也就是每个需要得到的每个节点向量的长度。输出层为对应每个节点的softmax归一化结果，大小为所有节点个数，从而得到节点编码。最后通对节点编码进行向量化处理，得到节点向量。
本实施例中，从知识图谱中获取链路关系数据，并按照从根节点多叶子节点的切分方式，对链路关系数据进行切分，得到多条子链路，并采用one-hot编码的方式，对子链路中的每个节点进行编码，得到节点编码，再对节点编码进行向量化处理，得到节点向量，通过对链路的切分和编码，解决了链路关系数据转特征编码痛点，同时将编码信息向量化处理，有利于后续拼接节点属性特征。
请参阅图5，图5示出了步骤S43的一种具体实施方式，详叙如下：
S431：采用负采样的方式将节点编码进行划分样本，得到正样本和负样本，其中，将窗口内链路相连的节点作为正样本，将窗口内链路未相连的节点作为负样本。
S432：采用随机采样的方式对负样本进行采样，得到编码模型样本。
S433：通过Softmax函数对编码模型样本进行归一化处理，得到节点向量。
具体的，由于实际情况下原生应用系统很多，每个应用下面的服务接口也很多，节点数量大小会在百万级别甚至更多；采用随机负采样的手段来降低计算的复杂度，将节点编码进行划分样本，得到正样本和负样本，其中，将窗口内链路相连的节点作为正样本，将窗口内链路未相连的节点作为负样本。根据最大似然的方式随机选一些和原始链路中节点不相关的节点，而非以所有节点作为负样本，也即采用随机采样的方式对负样本进行采样，得到编码模型样本；然后通过Softmax函数对编码模型样本进行归一化处理，得到节点向量。进一步的，在神经网络模型中，通过最大似然估计可以得到投影层到输出层的参数，也即得到节点向量。
本实施例中，通过采用负采样的方式将节点编码进行划分样本，得到正样本和负样本，然后采用随机采样的方式对负样本进行采样，得到编码模型样本，最后通过Softmax函数对编码模型样本进行归一化处理，得到节点向量，实现将节点编码进行区分，并对其进行随机采样和归一化处理，得到节点向量，有利于后续对根因项进行训练分析，从而有利于提高故障的分析准确度。
S5：获取节点向量对应的节点属性特征，并将节点属性特征拼接到节点向量，得到训练数据。
请参阅图6，图6示出了步骤S5的一种具体实施方式，详叙如下：
S51：获取节点向量对应的节点属性特征。
S52：通过分箱编码的方式，对节点属性特征进行数值特征转换，得到节点属性特征值。
S53：将节点属性特征值进行标准化处理，得到标准化节点属性特征值，并将标准化特征值拼接到节点向量，得到训练数据。
具体的，分箱编码的方式是指通过考察“邻居”(周围的值)来平滑存储数据的值，用“箱的深度”表示不同的箱里有相同个数的数据，用“箱的宽度”来表示每个箱值的取值区间。通过上述步骤得到节点向量后，在此基础上拼接节点的属性标准化特征，对节点的属性进行分箱、标准化操作，并将数值缩小到[-1,1]之间，拼接到节点向量上，从而获取包括链路关系和节点属性两种特征的样本数据，并将该样本数据作为训练数据。
进一步的，节点属性特征指的是节点的属性特征，每个节点都是一个服务接口调用，因此该节点中同时包含接口的调用延迟、服务延迟、是否出现异常、异常类型、所属应用、调用时间等信息，这些特征无法直接使用，需要先进行特征标准化。首先需要把特征值标准化到[-1,1]之间，因为通过特征编码拼接的特征数值范围在[-1,1]之间，调用延迟和服务延迟可能单位为40000ms，数值偏差很大，直接使用影响模型计算甚至会出现梯度爆炸或消失的问题，需要先进行缩放。其次像异常类型、所述应用这种特征属于类别特征，使用前需要先对其进行编码分箱操作转化为数值特征。标准化化操作是指对节点属性特征进行特征缩放和数值特征转化等操作，然后和前步骤中编码后的节点链路特征进行拼接，这样特征中可以包含节点属性特征和链路特征，也即将节点属性特征值进行标准化处理，得到标准化节点属性特征值，并将标准化特征值拼接到节点向量，得到训练数据，使得故障分析更加准确。
S6：将异常信息作为目标训练特征向量，并将训练数据对目标训练特征向量进行训练，得到根因概率。
具体的，将异常信息作为目标训练特征向量，并将训练数据对目标训练特征向量进行训练，得到各个根因概率，例如网络故障概率、数据库故障概率、中间件故障概率等根因故障概率；进一步的，选择根因概率最高的根因进行输出，作为此次故障的根因。
本实施例中，通过获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将序列检测原始数据存储于时序数据库中，得到样本数据，以及将异常告警数据作为根因项原始数据；通过对样本数据进行编码和特征筛选，得到时序特征，并计算时序特征的异常波动时间区间，得到异常信息；将根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；获取知识图谱中的链路关系数据，并将链路关系数据中的每个节点进行编码，得到节点编码，并对节点编码进行向量化处理，得到节点向量；获取节点向量对应的节点属性特征，并将节点属性特征拼接到节点向量，得到训练数据；将异常信息作为目标训练特征向量，并将训练数据对目标训练特征向量进行训练，得到根因概率；通过构建知识图谱的方式用于存储和查询链路关系数据和原生应用中服务与服务之间的调用和依赖关系，并通过将原生应用服务间的链路关系和节点属性特征进行了融合，再利用融合的特征对异常信息进行根因分析，从而有利于提高故障分析的准确度。
请参阅图7，图7示出了步骤S6的一种具体实施方式，详叙如下：
S61：将离散值训练数据转换成连续值训练数据。
S62：基于正态分布的计算方式，对连续值训练数据进行计算处理，得到目标训练数据。
S63：采用朴素贝叶斯算法，将目标训练数据对目标训练特征向量进行概率计算，得到根因概率。
具体的，由于训练数据中属性特征值为离散值和连续值，所以将训练数据分为将离散值训练数据和连续值训练数据。由于后续需要采用朴素贝叶斯算法对训练数据进行概率计算，为了提高计算准确性，通过采用计算频次的方式，将离散值训练数据转换成连续值训练数据。进一步的，为了提高计算准确性，正态分布的计算方式，对连续值训练数据进行计算处理，得到目标训练数据，再采用朴素贝叶斯算法，将目标训练数据对目标训练特征向量进行概率计算，得到根因概率。
本实施例中，通过将离散值训练数据转换成连续值训练数据，再基于正态分布的计算方式，对连续值训练数据进行计算处理，得到目标训练数据，然后采用朴素贝叶斯算法，将目标训练数据对目标训练特征向量进行概率计算，得到根因概率，通过将训练数据转换成连续值训练数据，并对其进行筛选后，再通过朴素贝叶斯算法进行计算，有利于提高对目标训练特征向量的准确度，从而有利于提高故障分析的准确度。
需要强调的是，为进一步保证上述训练数据的私密和安全性，上述训练数据还可以存储于一区块链的节点中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
请参考图8，作为对上述图1所示方法的实现，本申请提供了一种基于知识图谱的故障根因定位装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的基于知识图谱的故障根因定位装置包括：样本数据获取模块71、异常信息生成模块72、知识图谱构建模块73、节点向量生成模块74、训练数据生成模块75及根因概率生成模块76，其中：
样本数据获取模块71，用于获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将序列检测原始数据存储于时序数据库中，得到样本数据，以及将异常告警数据作为根因项原始数据；
异常信息生成模块72，用于通过对样本数据进行编码和特征筛选，得到时序特征，并计算时序特征的异常波动时间区间，得到异常信息；
知识图谱构建模块73，用于将根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；
节点向量生成模块74，用于获取知识图谱中的链路关系数据，并将链路关系数据中的每个节点进行编码，得到节点编码，并对节点编码进行向量化处理，得到节点向量；
训练数据生成模块75，用于获取节点向量对应的节点属性特征，并将节点属性特征拼接到节点向量，得到训练数据；
根因概率生成模块76，用于将异常信息作为目标训练特征向量，并将训练数据对目标训练特征向量进行训练，得到根因概率。
进一步的，异常信息生成模块72包括：
时序特征生成单元，用于从时序数据库中读取样本数据，通过对样本数据进行编码和特征筛选，得到时序特征；
拟合序列生成单元，用于采用Sigmoid函数的方式对时序特征进行拟合，得到拟合序列，并计算拟合序列的异常波动时间区间；
异常波动时间判断单元，用于采用方差偏差值的方式，当异常波动时间区间大于预设阈值时，将异常波动时间区间和异常波动时间区间对应的特征作为异常信息。
进一步的，时序特征生成单元包括：
编码特征生成子单元，用于从时序数据库中读取样本数据，并通过循环神经网络对样本数据进行编码，得到编码特征；
权重特征生成子单元，用于通过自注意力机制层中对编码特征赋予加权系数，并对编码特征进行特征计算，得到权重特征，其中，权重特征包括权重系数；
权重特征筛选子单元，用于基于权重系数，对权重特征进行筛选，得到时序特征。
进一步的，节点向量生成模块74包括：
子链路获取单元，用于从知识图谱中获取链路关系数据，并按照从根节点到叶子节点的切分方式，对链路关系数据进行切分，得到多条子链路；
节点编码生成单元，用于采用one-hot编码的方式，对子链路中的每个节点进行编码，得到节点编码；
节点编码向量化单元，用于对节点编码进行向量化处理，得到节点向量。
进一步的，节点编码向量化单元包括：
样本划分子单元，用于采用负采样的方式将节点编码进行划分样本，得到正样本和负样本，其中，将窗口内链路相连的节点作为正样本，将窗口内链路未相连的节点作为负样本；
样本采用子单元，用于采用随机采样的方式对负样本进行采样，得到编码模型样本；
样本归一化子单元，用于通过Softmax函数对编码模型样本进行归一化处理，得到节点向量。
进一步的，训练数据生成模块75包括：
节点属性特征获取单元，用于获取节点向量对应的节点属性特征；
节点属性特征转换单元，用于通过分箱编码的方式，对节点属性特征进行数值特征转换，得到节点属性特征值；
节点属性特征标准化单元，用于将节点属性特征值进行标准化处理，得到标准化节点属性特征值，并将标准化特征值拼接到节点向量，得到训练数据。
进一步的，根因概率生成模块76包括：
数据转换单元，用于将离散值训练数据转换成连续值训练数据；
目标训练数据获取单元，用于基于正态分布的计算方式，对连续值训练数据进行计算处理，得到目标训练数据；
概率计算单元，用于采用朴素贝叶斯算法，将目标训练数据对目标训练特征向量进行概率计算，得到根因概率。
需要强调的是，为进一步保证上述训练数据的私密和安全性，上述训练数据还可以存储于一区块链的节点中。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器81至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器81可以是计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，存储器81也可以是计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件，例如基于知识图谱的故障根因定位方法的程序代码等。此外，存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器82在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中，处理器82用于运行存储器81中存储的程序代码或者处理数据，例如运行上述基于知识图谱的故障根因定位方法的程序代码，以实现基于知识图谱的故障根因定位方法的各种实施例。
网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种基于知识图谱的故障根因定位方法的步骤。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例的方法。
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。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于知识图谱的故障根因定位方法，其特征在于，包括：
获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将所述序列检测原始数据存储于时序数据库中，得到样本数据，以及将所述异常告警数据作为根因项原始数据；
通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息；
将所述根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；
获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量；
获取所述节点向量对应的节点属性特征，并将节点属性特征拼接到所述节点向量，得到训练数据；
将所述异常信息作为目标训练特征向量，并将所述训练数据对所述目标训练特征向量进行训练，得到根因概率。
2.根据权利要求1所述的基于知识图谱的故障根因定位方法，其特征在于，所述通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息，包括：
从所述时序数据库中读取所述样本数据，通过对所述样本数据进行编码和特征筛选，得到时序特征；
采用Sigmoid函数的方式对所述时序特征进行拟合，得到拟合序列，并计算所述拟合序列的异常波动时间区间；
采用方差偏差值的方式，当所述异常波动时间区间大于预设阈值时，将所述异常波动时间区间和所述异常波动时间区间对应的特征作为所述异常信息。
3.根据权利要求2所述的基于知识图谱的故障根因定位方法，其特征在于，所述从所述时序数据库中读取所述样本数据，通过对所述样本数据进行编码和特征筛选，得到时序特征，包括：
从所述时序数据库中读取所述样本数据，并通过循环神经网络对所述样本数据进行编码，得到所述编码特征；
通过自注意力机制层中对所述编码特征赋予加权系数，并对所述编码特征进行特征计算，得到权重特征，其中，所述权重特征包括权重系数；
基于所述权重系数，对所述权重特征进行筛选，得到所述时序特征。
4.根据权利要求1所述的基于知识图谱的故障根因定位方法，其特征在于，所述获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量，包括：
从所述知识图谱中获取链路关系数据，并按照从根节点到叶子节点的切分方式，对所述链路关系数据进行切分，得到多条子链路；
采用one-hot编码的方式，对所述子链路中的每个节点进行编码，得到所述节点编码；
对所述节点编码进行向量化处理，得到节点向量。
5.根据权利要求4所述的基于知识图谱的故障根因定位方法，其特征在于，所述对所述节点编码进行向量化处理，得到节点向量，包括：
采用负采样的方式将所述节点编码进行划分样本，得到正样本和负样本，其中，将窗口内链路相连的节点作为正样本，将窗口内链路未相连的节点作为负样本；
采用随机采样的方式对所述负样本进行采样，得到编码模型样本；
通过Softmax函数对所述编码模型样本进行归一化处理，得到所述节点向量。
6.根据权利要求1所述的基于知识图谱的故障根因定位方法，其特征在于，所述获取所述节点向量对应的节点属性特征，并将节点属性特征拼接到所述节点向量，得到训练数据，包括：
获取所述节点向量对应的节点属性特征；
通过分箱编码的方式，对所述节点属性特征进行数值特征转换，得到节点属性特征值；
将所述节点属性特征值进行标准化处理，得到标准化节点属性特征值，并将所述标准化特征值拼接到所述节点向量，得到所述训练数据。
7.根据权利要求1至6任一项所述的基于知识图谱的故障根因定位方法，其特征在于，所述训练数据包括离散值训练数据和连续值训练数据，所述将所述异常信息作为目标训练特征向量，并将所述训练数据对所述目标训练特征向量进行训练，得到根因概率，包括：
将所述离散值训练数据转换成所述连续值训练数据；
基于正态分布的计算方式，对所述连续值训练数据进行计算处理，得到目标训练数据；
采用朴素贝叶斯算法，将所述目标训练数据对所述目标训练特征向量进行概率计算，得到所述根因概率。
8.一种基于知识图谱的故障根因定位装置，其特征在于，包括：
样本数据获取模块，用于获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将所述序列检测原始数据存储于时序数据库中，得到样本数据，以及将所述异常告警数据作为根因项原始数据；
异常信息生成模块，用于通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息；
知识图谱构建模块，用于将所述根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；
节点向量生成模块，用于获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量；
训练数据生成模块，用于获取所述节点向量对应的节点属性特征，并将节点属性特征拼接到所述节点向量，得到训练数据；
根因概率生成模块，用于将所述异常信息作为目标训练特征向量，并将所述训练数据对所述目标训练特征向量进行训练，得到根因概率。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于知识图谱的故障根因定位方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7中任一项所述的基于知识图谱的故障根因定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111559127.3A CN114218403B (zh) | 2021-12-20 | 2021-12-20 | 基于知识图谱的故障根因定位方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111559127.3A CN114218403B (zh) | 2021-12-20 | 2021-12-20 | 基于知识图谱的故障根因定位方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114218403A true CN114218403A (zh) | 2022-03-22 |
| CN114218403B CN114218403B (zh) | 2024-04-09 |
Family
ID=80704101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111559127.3A Active CN114218403B (zh) | 2021-12-20 | 2021-12-20 | 基于知识图谱的故障根因定位方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114218403B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114676266A (zh) * | 2022-03-29 | 2022-06-28 | 建信金融科技有限责任公司 | 基于多层关系图谱的冲突识别方法、装置、设备及介质 |
| CN114978877A (zh) * | 2022-05-13 | 2022-08-30 | 京东科技信息技术有限公司 | 一种异常处理方法、装置、电子设备及计算机可读介质 |
| CN115051863A (zh) * | 2022-06-21 | 2022-09-13 | 四维创智（北京）科技发展有限公司 | 异常流量检测的方法、装置、电子设备及可读存储介质 |
| CN115221338A (zh) * | 2022-09-08 | 2022-10-21 | 平安银行股份有限公司 | 知识图谱构建方法及其系统、计算机设备 |
| CN115242613A (zh) * | 2022-08-03 | 2022-10-25 | 浙江网商银行股份有限公司 | 目标节点确定方法以及装置 |
| CN115277453A (zh) * | 2022-06-13 | 2022-11-01 | 北京宝兰德软件股份有限公司 | 运维领域异常知识图谱的生成方法、应用方法和装置 |
| CN115598455A (zh) * | 2022-11-15 | 2023-01-13 | 西安弘捷电子技术有限公司（Cn） | 一种电子信息装备自动测试系统及测试方法 |
| CN115509789B (zh) * | 2022-09-30 | 2023-08-11 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
| CN116610104A (zh) * | 2023-07-19 | 2023-08-18 | 博纯材料股份有限公司 | 基于砷烷合成控制系统的故障分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112084383A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于知识图谱的信息推荐方法、装置、设备及存储介质 |
| CN112448836A (zh) * | 2019-09-04 | 2021-03-05 | 中兴通讯股份有限公司 | 故障根因确定方法、装置、服务器和计算机可读介质 |
| WO2021212682A1 (zh) * | 2020-04-21 | 2021-10-28 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-20 CN CN202111559127.3A patent/CN114218403B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112448836A (zh) * | 2019-09-04 | 2021-03-05 | 中兴通讯股份有限公司 | 故障根因确定方法、装置、服务器和计算机可读介质 |
| WO2021212682A1 (zh) * | 2020-04-21 | 2021-10-28 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
| CN112084383A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于知识图谱的信息推荐方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 黄培馨;赵翔;方阳;朱慧明;肖卫东;: "融合对抗训练的端到端知识三元组联合抽取", 计算机研究与发展, no. 12, 15 December 2019 (2019-12-15) * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114676266B (zh) * | 2022-03-29 | 2024-02-27 | 建信金融科技有限责任公司 | 基于多层关系图谱的冲突识别方法、装置、设备及介质 |
| CN114676266A (zh) * | 2022-03-29 | 2022-06-28 | 建信金融科技有限责任公司 | 基于多层关系图谱的冲突识别方法、装置、设备及介质 |
| CN114978877A (zh) * | 2022-05-13 | 2022-08-30 | 京东科技信息技术有限公司 | 一种异常处理方法、装置、电子设备及计算机可读介质 |
| CN114978877B (zh) * | 2022-05-13 | 2024-04-05 | 京东科技信息技术有限公司 | 一种异常处理方法、装置、电子设备及计算机可读介质 |
| CN115277453A (zh) * | 2022-06-13 | 2022-11-01 | 北京宝兰德软件股份有限公司 | 运维领域异常知识图谱的生成方法、应用方法和装置 |
| CN115051863A (zh) * | 2022-06-21 | 2022-09-13 | 四维创智（北京）科技发展有限公司 | 异常流量检测的方法、装置、电子设备及可读存储介质 |
| CN115242613A (zh) * | 2022-08-03 | 2022-10-25 | 浙江网商银行股份有限公司 | 目标节点确定方法以及装置 |
| CN115242613B (zh) * | 2022-08-03 | 2024-03-15 | 浙江网商银行股份有限公司 | 目标节点确定方法以及装置 |
| CN115221338B (zh) * | 2022-09-08 | 2022-12-13 | 平安银行股份有限公司 | 知识图谱构建方法及其系统、计算机设备 |
| CN115221338A (zh) * | 2022-09-08 | 2022-10-21 | 平安银行股份有限公司 | 知识图谱构建方法及其系统、计算机设备 |
| CN115509789B (zh) * | 2022-09-30 | 2023-08-11 | 中国科学院重庆绿色智能技术研究院 | 一种基于组件调用分析的计算系统故障预测方法和系统 |
| CN115598455B (zh) * | 2022-11-15 | 2023-04-07 | 西安弘捷电子技术有限公司 | 一种电子信息装备自动测试系统及测试方法 |
| CN115598455A (zh) * | 2022-11-15 | 2023-01-13 | 西安弘捷电子技术有限公司（Cn） | 一种电子信息装备自动测试系统及测试方法 |
| CN116610104A (zh) * | 2023-07-19 | 2023-08-18 | 博纯材料股份有限公司 | 基于砷烷合成控制系统的故障分析方法及系统 |
| CN116610104B (zh) * | 2023-07-19 | 2023-11-03 | 博纯材料股份有限公司 | 基于砷烷合成控制系统的故障分析方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114218403B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114218403B (zh) | 基于知识图谱的故障根因定位方法、装置、设备及介质 | |
| CN111222317B (zh) | 序列标注方法、系统和计算机设备 | |
| CN112084383A (zh) | 基于知识图谱的信息推荐方法、装置、设备及存储介质 | |
| CN113852603B (zh) | 网络流量的异常检测方法、装置、电子设备和可读介质 | |
| CN112468658B (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
| CN109087667B (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
| WO2022105169A1 (zh) | 一种欺诈行为识别方法、装置、计算机设备及存储介质 | |
| CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
| CN112084752B (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
| CN115329876A (zh) | 一种设备故障处理方法、装置、计算机设备及存储介质 | |
| CN113283222A (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
| CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
| CN112417886B (zh) | 意图实体信息抽取方法、装置、计算机设备及存储介质 | |
| CN113468035B (zh) | 日志异常检测方法、装置、训练方法、装置及电子设备 | |
| CN115865458B (zh) | 基于lstm和gat算法的网络攻击行为检测方法、系统及终端 | |
| CN117455235A (zh) | 风险处理方法、处理装置、电子设备和存储介质 | |
| CN114817377B (zh) | 基于用户画像的数据风险检测方法、装置、设备及介质 | |
| CA3046225A1 (en) | Correcting bias in supervised machine learning data | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
| CN114896412A (zh) | 嵌入向量的生成方法、基于企业对的同名人员分类方法及装置 | |
| CN117235629B (zh) | 一种基于知识域检测的意图识别方法、系统及计算机设备 | |
| CN117034160A (zh) | 训练样本获取方法、模型训练方法及装置 | |
| CN115550014B (zh) | 应用程序防护方法及相关设备 | |
| CN117034114A (zh) | 基于人工智能的数据预测方法、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 |