CN114237962B - 告警根因判断方法、模型训练方法、装置、设备和介质 - Google Patents
告警根因判断方法、模型训练方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114237962B CN114237962B CN202111574607.7A CN202111574607A CN114237962B CN 114237962 B CN114237962 B CN 114237962B CN 202111574607 A CN202111574607 A CN 202111574607A CN 114237962 B CN114237962 B CN 114237962B
- Authority
- CN
- China
- Prior art keywords
- alarm
- root cause
- historical
- predicted
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 87
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 101000856246 Arabidopsis thaliana Cleavage stimulation factor subunit 77 Proteins 0.000 description 7
- LSJNBGSOIVSBBR-UHFFFAOYSA-N thionyl fluoride Chemical compound FS(F)=O LSJNBGSOIVSBBR-UHFFFAOYSA-N 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 101000854862 Homo sapiens Vacuolar protein sorting-associated protein 35 Proteins 0.000 description 4
- 102100020822 Vacuolar protein sorting-associated protein 35 Human genes 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- DUGWRBKBGKTKOX-UHFFFAOYSA-N tetrafluoro(oxo)-$l^{6}-sulfane Chemical compound FS(F)(F)(F)=O DUGWRBKBGKTKOX-UHFFFAOYSA-N 0.000 description 3
- 101000885476 Homo sapiens DDB1- and CUL4-associated factor 13 Proteins 0.000 description 2
- 102100022736 Sperm-egg fusion protein LLCFC1 Human genes 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 101100381421 Haloarcula marismortui (strain ATCC 43049 / DSM 3752 / JCM 8966 / VKM B-1809) xop2 gene Proteins 0.000 description 1
- 101100451546 Sesamum indicum SOP3 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种告警根因判断方法、模型训练方法、装置、设备和介质，涉及计算机技术领域。其中，告警根因预测模型的训练方法，包括：获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip‑gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。训练过程重复修正skip‑gram的嵌入算法的预设参数，逐渐让训练样本的根因的预测概率能够最大化，实现告警根因的预测，提高告警根因预测的准确率。
Description
技术领域
本公开涉及信息处理技术领域，尤其涉及一种告警根因的判断方法、预测模型的训练方法、装置、电子设备和计算机存储介质。
背景技术
随着云计算、云原生技术的愈发成熟，云功能模块之间愈发解耦，依靠相互调用形成多种云服务。调用复杂度大幅上升，给云服务提供商带来了更大的运维难度。
由于云功能组件间的调用关系，往往是一个组件出现问题，许多服务产生告警，运维人员很难发现产生问题的组件是哪一个，即无法判定故障根因。目前已有的根因分析方法包括随机游走，频繁项集，告警权重等多种方法。但是，这些方法对于冷启动问题能力较弱，对根因分析的结果可靠性不足。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种告警根因的判断方法、预测模型的训练方法及相关设备，至少在一定程度上克服由于相关技术的限中告警根因分析结果可靠性不足的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种告警根因预测模型的训练方法，包括：获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。
在本公开一个实施例中，所述根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本的步骤，包括：利用独热方法对所述历史告警进行编码，得到所述历史告警的独热编码；将以相同根因导致的多个所述历史告警集合到同一历史告警群，得到多组历史告警群；将所述多组历史告警群进行收集，得到训练样本。
在本公开一个实施例中，所述以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参量，直至满足所述训练样本的根因的预测概率最大，得到所述告警根因预测模型的步骤，包括：根据告警发生时间对一个历史告警群内的告警进行排序，获得对应历史告警的时间序列信息和历史根因；逐一以所述历史告警群中的所述历史告警为告警中心，通过所述预训练的告警根因预测模型，对所述告警中心在时间序列上距离为m的历史告警和历史根因进行预测；根据所述告警根因预测模型输出的训练结果，重复的修正skip-gram的嵌入算法的参数；将所述训练样本中所述多个历史告警群分别训练完成，得到所述告警根因预测模型。
在本公开一个实施例中，所述告警根因预测模型分别存储嵌入矩阵和解析矩阵，所述嵌入矩阵和解析矩阵中均具有能够修正的预设参数；其中，所述嵌入矩阵对所述历史告警的独热编码进行处理，获得嵌入编码；所述嵌入编码输入所述解析矩阵中进行处理，输出预测告警和所述预测告警的概率分布。
根据本公开的另一个方面，提供一种告警根因的判断方法，包括：收集预设时段内的告警组成告警群；调用告警根因预测模型，其中，所述告警根因预测模型通过上述的训练方法训练得到；将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率；根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
在本公开一个实施例中，所述将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率的步骤，包括：将所述告警群输入所述告警根因预测模型，判断所述告警是否已编码；如果所述告警没有编码，选择相同类型的告警信息模型获取模型的编码均值作为该告警的编码；对所述告警群中的每个告警进行解析，求解每个告警的预测概率排名前2m+1的预测告警和所述预测告警的预测概率，得到预测结果汇总表，其中，m为skip-gram模型的窗口大小，将所述预测告警在预测中没有进入排名前2m+1时，以预设概率替换预测概率。
在本公开一个实施例中，所述计算每个所述预测告警为根因的概率，包括：将每个所述预测告警中所有出现的预测概率相乘，得到所述预测告警为根因的概率。
根据本公开的再一个方面，提供一种告警根因预测模型的训练装置，包括：获取模块，用于获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；样本模块，用于根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；和训练模块，用于以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。
根据本公开的又一个方面，提供一种告警根因的判断装置，包括：收集模块，用于收集预设时段内的告警组成告警群；调用模块，用于调用预训练的告警根因预测模型，其中，所述告警根因预测模型通过上述的训练方法训练得到；预测模块，用于将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率；判断模型，根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
根据本公开的另一个方面，提供一种如电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的训练方法或者判断方法。
根据本公开的又一个方面，提供一种计算机可读存储介质，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的训练方法或者判断方法。
本公开的实施例所提供的告警根因预测模型的训练方法，通过根因与历史告警的对应关系组成多个历史告警群，得到训练样本。训练过程重复修正skip-gram的嵌入算法的预设参数，逐渐让训练样本的根因的预测概率能够最大化，实现告警根因的预测，提高告警根因预测的准确率。
本公开的实施例所提供的告警根因的判断方法，调用告警根因预测模型，来预测告警和预测告警的概率，进一步计算每个预测告警为根因的概率，获得预测根因的结果。通过预测告警及其概率，将预测告警在各个告警的链路中出现的概率乘积作为根因概率，能够综合评价在不同告警中根因情况，提高根因预测的可靠性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例中一种告警根因预测系统结构的示意图；
图2示出本公开实施例中一种告警根因的预测模型的训练方法流程图；
图3示出本公开实施例中另一种告警根因的预测模型的训练方法流程图；
图4示出本公开实施例中再一种告警根因的预测模型的训练方法流程图；
图5示出本公开实施例中一种告警根因的判读方法流程图；
图6示出本公开实施例中另一种告警根因的判读方法流程图；
图7示出本公开实施例中一种告警根因的预测模型的训练装置示意图；
图8示出本公开实施例中一种告警根因的判断装置示意图；
图9示出本公开实施例中一种计算机设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本申请提供的方案，首先预测模型训练过程中：将历史告警信息以告警群的形式，在skip-gram的嵌入算法中训练，通过调整预设参数，以实现将根因预测的概率最大化的目的，获得具有预测根因的预测模型。而判断方法过程中：通过调用训练后的告警根因预测模型，获得预测告警和预测告警的概率，并进一步综合评估预测告警为根因的概率，实现更可靠的根因预测。为了便于理解，下面首先对本申请涉及到的几个名词进行解释。
skip-gram神经网络模型，skip-gram的神经网络模型是从前馈神经网络模型改进而来，skip-gram的神经网络模型包括输入层、隐层和输出层，输入层以计算机所理解的形式输入就可以了，例如向量表示。隐层用以完成输入层到输出层之间的一些过渡处理，输出层为softmax分类器，能够输出softmax的概率分布。
嵌入(Embedding)，一个将离散变量转为连续向量表示的一个方式。在神经网络中，embedding是非常有用的，因为它不光可以减少离散变量的空间维数，同时还可以有意义的表示该变量。
本申请实施例提供的方案涉及告警根因的判断方法和对应预测模型的训练方法等技术，具体通过如下实施例进行说明：
图1是本申请一个示例性实施例提供的计算机系统的结构示意图。该系统包括：若干个终端120和服务器集群140。
终端120可以是手机、游戏主机、平板电脑、电子书阅读器、智能眼镜、MP4(MovingPicture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、智能家居设备、AR(Augmented Reality，增强现实)设备、VR(Virtual Reality，虚拟现实)设备等移动终端，或者，终端120也可以是个人计算机(Personal Computer，PC)，比如膝上型便携计算机和台式计算机等等。
其中，终端120中可以安装有用于提供告警根因判断的应用程序。
终端120与服务器140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
服务器140用于为提供告警根因判断的应用程序提供后台服务。可选地，服务器140承担主要计算工作，终端120承担次要计算工作；或者，服务器140承担次要计算工作，终端120承担主要计算工作；或者，终端120和服务器140之间采用分布式计算架构进行协同计算。
在一些可选的实施例中，服务器140用于存储告警根因的判断和预测模型训练的信息。
可选地，不同的终端120中安装的应用程序的客户端是相同的，或两个终端120上安装的应用程序的客户端是不同控制系统平台的同一类型应用程序的客户端。基于终端平台的不同，该应用程序的客户端的具体形态也可以不同，比如，该应用程序客户端可以是手机客户端、PC客户端或者全球广域网(World Wide Web，Web)客户端等。
本领域技术人员可以知晓，上述终端120的数量可以更多或更少。比如上述终端可以仅为一个，或者上述终端为几十个或几百个，或者更多数量。本申请实施例对终端的数量和设备类型不加以限定。
可选的，该系统还可以包括管理设备(图1未示出)，该管理设备与服务器140之间通过通信网络相连。可选的，通信网络是有线网络或无线网络。
可选的，上述的无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(Hyper Text Mark-up Language，HTML)、可扩展标记语言(ExtensibleMarkupLanguage，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Transport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(InternetProtocolSecurity，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。
下面，将结合附图及实施例对本示例实施方式中的告警根因预测模型的训练方法的各个步骤进行更详细的说明。
图2示出本公开实施例中一种告警根因预测模型的训练方法流程图。本公开实施例提供的方法可以由任意具备计算处理能力的电子设备执行，例如如图1中的终端120和/或服务器集群140。在下面的举例说明中，以终端120为执行主体进行示例说明。
如图2所示，服务器集群140执行告警根因的预测模型的训练方法，服务器集群140可以为计算机。告警根因预测模型的训练方法包括以下步骤：
S202，获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因。
其中，历史告警信息可以是在训练之前，通过人工或者电脑收集的告警信息，以及通过人工标引得到的一些信息，例如，通过人工标引出每个告警的根因。
S204，根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本。
其中，训练样本的目的是数学模型的参数，经过训练之后，可以认为模型系统确立了下来。在本实施例中，训练样本可以包括多个历史告警群，每个历史告警群内可以包括多个历史告警，每个历史告警群对应一个根因。
S206，以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。
其中，skip-gram算法的嵌入设置可以在skip-gram算法的隐层设置，用于对skip-gram算法输入层的向量矩阵做降维处理，同时仍输出一个向量至skip-gram算法的输出层做处理。通过多个历史告警群的处理，不断的让预测模型学习预测根因的概率，以达到将根因的预测概率最大化的训练目标。
该实施例中，通过以历史告警群为训练样本，重复修正skip-gram的嵌入算法的参数，以根因的预测概率能够最大化为目标，获得告警根因的预测模型。实现能够预测出可靠性高的根因的目的。
如图3所示，在一个实施例中，步骤S204，根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本的一种具体实现方式，包括：
S302，利用独热方法对所述历史告警进行编码，得到所述历史告警的独热编码。
其中，独热编码(One-Hot编码)，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。例如，自然状态码为：000,001,010,011,100,101；独热编码为：000001,000010,000100,001000,010000,100000。可以这样理解，对于每一个特征，如果它有m个可能值，那么经过独热编码后，就变成了m个二元特征(如成绩这个特征有好，中，差变成one-hot就是100,010,001)。并且，这些特征互斥，每次只有一个激活。因此，数据会变成稀疏的。
举例1：将系统的告警分为CPU、内存(MEM)、存储(STO)、软件(SOF)四类，假设各类告警都有3种，如CPU1、CPU2、CPU3。初始初始依据独热方法编码，如CPU3可编码为001000000000。
S304，将以相同根因导致的多个所述历史告警集合到同一历史告警群，得到多组历史告警群；
其中，在收集到多个历史告警组成多个历史告警群，可以通过人工分析与标注，确定根因。将由一个根因导致的多个历史告警组成一个历史告警群。例如，
S306，将所述多组历史告警群进行收集，得到训练样本。
其中，训练样本的数量大小可以依据训练效果和对根因预测的可靠性要求，有所选择。例如，共收集到n个历史告警群，可以将每个历史告警群都用于告警根因的预测模型的训练中。
该实施例中，通过根据根因组成不同的历史告警群，确定每个历史告警群的根因，为告警根因的预测模型提供根因预测所需的训练样本，为根因预测的可靠性提供基础。
如图4所示，在一个实施例中，步骤S206，以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参量，直至满足所述训练样本的根因的预测概率最大，得到所述告警根因预测模型的一种具体实现方式，包括：
S402，根据告警发生时间对一个历史告警群内的告警进行排序，获得对应历史告警的时间序列信息和历史根因。
举例2：举例2以举例1为基础，假设有一个链长为5的历史告警群，根据告警发生时间从第一次发生告警到最后一次排序为：CPU1—MEM2—MEM3—SOF2—SOF3，假定该历史告警群的根因为CPU1。
S404，逐一以所述历史告警群中的所述历史告警为告警中心，通过所述预训练的告警根因预测模型，对所述告警中心在时间序列上距离为m的历史告警和历史根因进行预测。
其中，一个历史告警群的训练过程，需要将历史告警群中的所述历史告警分别作为告警中心注意进行预测训练。距离为m指skip-gram模型的预测窗口设置为m。假设m等于1，即告警中心上一个告警和下一个告警。此外每次预测训练都需要预测根因。
延续步骤S402中举例的历史告警群，假设m等于1，需要依次以CPU1、MEM2、MEM3、SOF2、SOF3为告警中心，分别进行预测训练。如以CPU1为告警中心时，需要对MEM2和CPU1进行预测。以MEM2为告警中心需要预测CPU1、MEM3和CPU1，其中CPU1作为距离为的一个历史告警又是根因，可以进行两次预测。以此类推，如以MEM3为告警中心，需要预测CPU1、MEM2和SOF2，直至将历史告警群中所有历史告警分别作为告警中心，分别训练完成。此时完成一个历史告警群的训练。
S406，根据所述告警根因预测模型输出的训练结果，重复的修正skip-gram的嵌入算法的参数。
其中，告警根因的预测模型分别存储嵌入矩阵和解析矩阵，嵌入矩阵和解析矩阵都可以预设有可以调整的参数。训练过程需要对预测的历史告警输出预测告警和预测告警的概率分布，且根据根因的预测概率对预设参数进行调整。
其中，嵌入矩阵可以设置在skip-gram模型的隐层，对稀疏向量进行降维处理，提高向量的稠密度。解析矩阵设置在输出层，用于输出各个预测告警的概率分布和预测告警。
延续上述举例2，假设嵌入维度为6，则可通过嵌入矩阵(12*6)对输入层的各个向量进行编码，获得embedding编码。再将embedding编码输入输出层进行处理。输出层中的解析矩阵能够输出预测告警和预测告警的概率分布，且需要根据预测结果对skip-gram模型的参数做调整。
如在预测以MEM3为告警中心，需要预测CPU1、MEM2和SOF2，预测MEM2时，输出预测结果可以是：预测告警CPU1、SOF2、MEM2，对应概率分别为0.3、0.2、0.5，则需要根据这一预测结果进行参数的调整。
S408，将所述训练样本中所述多个历史告警群分别训练完成，得到所述告警根因预测模型。
其中，将训练样本中所有的历史告警群都以上述的方式应用到告警根因的预测模型的训练中，训练完成后得到了训练后的告警根因的预测模型。训练结束后还可以对已知的告警输出embedding编码，在预测模型投入使用时，直接应用embedding编码。
该实施例中，通过在训练中的每次预测都进行了根因的预测，且每次预测后都根据预测结构调整skip-gram模型的参数，能够让告警根因的预测模型的根因预测概率最大化越来越准确和可靠。
如图5所示，终端120执行告警根因的判断方法，终端120可以为电脑或者手机。告警根因的判断方法包括以下步骤：
S502，收集预设时段内的告警组成告警群。
其中，获取预设时段内的多个告警，按照告警发送时间排列，组成告警群。该告警群与训练过程中的历史告警群不同，该告警群并不知道根因，是需要预测的。
举例3：举例3以举例1为基础，假设现在需要预测的告警群为MEM1—SOF1—SOF3。这三个告警的根因是不明的，通过预测模型输出的预测告警也可能在这三个之外。
S504，调用告警根因预测模型，其中，所述告警根因预测模型通过上述的训练方法训练得到。
其中，终端120可以进行保存和优化调整，将已经训练好的告警根因预测模型在应用程序中使用，可以通过调用程序将预测模型调用到应用程序中。
S506，将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率。
例如，延续步骤S502的举例3，需要对MEM1、SOF1、SOF3分别进行预测，获得每个告警的预测告警和预测告警的概率分布。
S508，根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
其中，根据预测告警和预测告警对应的概率，计算每个预测告警作为根因的概率。并将每个预测告警作为根因的概率进行排名，将概率最大的作为该告警群的根因，从而实现了根因的预测。
该实施例中，通过上述几个实施例中的训练得到告警根因的预测模型，能够输出告警的预测告警和预测告警的概率，并基于此进行计算预测告警作为根因的概率。具有多个告警的预测，实现根因的预测，能够提高根因预测的可靠性。
如图6所示，在一个实施例中，步骤S506，将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率的一种具体实现方式，包括：
S602，将所述告警群输入所述告警根因预测模型，判断所述告警是否已编码。
其中，告警根因预测模型中可以设置有编码判断模块，首先对告警群中各个告警的编码进行判断，如果为已经编码的告警则直接利用编码，例如举例3中MEM1、SOF1、SOF3均为已经编码的告警，在预测模型中输入层直接将已有编码进行输入即可。反之，则需要对新的告警赋予一个编码。
S604，如果所述告警没有编码，选择相同类型的告警信息模型获取模型的编码均值作为该告警的编码。
例如，假设举例3的告警群中此时多了一个新告警SOF4，则可以通过选择相同类型的告警信息模型SOF模型。可以将SOF模型中已经编码的的SOF1、SOF2、SOF3的embedding编码做均值处理，获得一个新的embedding编码作为SOF4的编码，将SOF4的编码输入解析矩阵中进行处理。
在预测模型的训练过程中，已经提出了可以对已知的告警输出embedding编码，便于在后续预测模型使用过程直接应用。因此，此处可以沿用这一方法，利用embedding编码赋予新告警的编码。
S606，对所述告警群中的每个告警进行解析，求解每个告警的预测概率排名前2m+1的预测告警和所述预测告警的预测概率，得到预测结果汇总表，其中，m为skip-gram模型的窗口大小，将所述预测告警在预测中没有进入排名前2m+1时，以预设概率替换预测概率。
其中，每个告警的预测告警可以很多个，通过选取2m+1个，可以减少干扰，有助于根因预测的可靠性。且取概率排名前2m+1的预测告警进行汇总，当某个预测告警没有在其它告警的预测中排名前2m+1，则将该概率替换为预设概率。
例如，延续上述的举例3，假设m等于1，需要分别求解MEM1、SOF1、SOF3的预测告警和预测告警的概率，且每次都取预测告警的概率排名前3的预测告警进行汇总。如下表所示：
上述表格中，MEM1概率排名前三的预测告警为CPU2、MEM1和SOP3，SOF1和SOF2在MEM1的预测中概率没有排名前3，而在其它两个告警中排入了前3，因此将它们的概率调整为预设概率P。
在一个实施例中，步骤S508，计算每个所述预测告警为根因的概率的一个具体实现方式为：将每个所述预测告警中所有出现的预测概率相乘，得到所述预测告警为根因的概率。
例如，延续步骤S606的举例3，则CPU2作为根因的概率为P11*P*P13，以此类推，分别计算MEM1、SOF1、SOF2、SOF3分别为根因的概率，并将CPU2、MEM1、SOF1、SOF2、SOF3作为根因的概率进行排名，去概率最大的预测告警作为举例3中告警群的根因。
该实施例中，通过对排名前2m+1的预测告警和预测告警的概率作为根因预测的分析对象，将重要告警进行分析，减少干扰项，有助于根因预测的可靠性。
需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的实施方式的训练模型700。图7所示的训练模型仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
训练模型700以硬件模块的形式表现。训练模型700的组件可以包括但不限于：获取模块702，用于获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；样本模块704，用于根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；和训练模块706，用于以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。
下面参照图8来描述根据本发明的实施方式的判断模型800。图8所示的训练模型仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
判断模型800以硬件模块的形式表现。判断模型800的组件可以包括但不限于：收集模块802，用于收集预设时段内的告警组成告警群；调用模块804，用于调用预训练的告警根因预测模型，其中，所述告警根因预测模型通过上述的训练方法训练得到；预测模块806，用于将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率；判断模型808，根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
下面参照图9来描述根据本发明的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图2中所示的S202，获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；S204，根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；S206以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。
其中，所述处理单元910可以执行如图5中所示的S502，收集预设时段内的告警组成告警群；S504，调用告警根因预测模型，其中，所述告警根因预测模型通过上述的训练方法训练得到；S506，将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率；S508，根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
描述了根据本发明的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种告警根因预测模型的训练方法，其特征在于，包括：
获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；
根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；
以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型；
所述以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参量，直至满足所述训练样本的根因的预测概率最大，得到所述告警根因预测模型的步骤，包括：
根据告警发生时间对一个历史告警群内的告警进行排序，获得对应历史告警的时间序列信息和历史根因；
逐一以所述历史告警群中的所述历史告警为告警中心，通过预训练的告警根因预测模型，对所述告警中心在时间序列上距离为m的历史告警和历史根因进行预测；
根据所述告警根因预测模型输出的训练结果，重复的修正skip-gram的嵌入算法的参数；
将所述训练样本中所述多个历史告警群分别训练完成，得到所述告警根因预测模型。
2.根据权利要求1所述的训练方法，其特征在于，所述根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本的步骤，包括：
利用独热方法对所述历史告警进行编码，得到所述历史告警的独热编码；
将以相同根因导致的多个所述历史告警集合到同一历史告警群，得到多组历史告警群；
将所述多组历史告警群进行收集，得到训练样本。
3.根据权利要求2所述的训练方法，其特征在于，所述告警根因预测模型分别存储嵌入矩阵和解析矩阵，所述嵌入矩阵和解析矩阵中均具有能够修正的预设参数；其中，
所述嵌入矩阵对所述历史告警的独热编码进行处理，获得嵌入编码；
所述嵌入编码输入所述解析矩阵中进行处理，输出预测告警和所述预测告警的概率分布。
4.一种告警根因的判断方法，其特征在于，包括：
收集预设时段内的告警组成告警群；
调用告警根因预测模型，其中，所述告警根因预测模型通过权利要求1至3任意一项所述的训练方法训练得到；
将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率；
根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
5.根据权利要求4所述的判断方法，其特征在于，所述将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率的步骤，包括：
将所述告警群输入所述告警根因预测模型，判断所述告警是否已编码；
如果所述告警没有编码，选择相同类型的告警信息模型获取模型的编码均值作为该告警的编码；
对所述告警群中的每个告警进行解析，求解每个告警的预测概率排名前2m+1的预测告警和所述预测告警的预测概率，得到预测结果汇总表，其中，m为skip-gram模型的窗口大小，将所述预测告警在预测中没有进入排名前2m+1时，以预设概率替换预测概率。
6.根据权利要求4所述的判断方法，其特征在于，所述计算每个所述预测告警为根因的概率，包括：
将每个所述预测告警中所有出现的预测概率相乘，得到所述预测告警为根因的概率。
7.一种告警根因预测模型的训练装置，其特征在于，包括：
获取模块，用于获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；
样本模块，用于根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；和
训练模块，用于以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型；
所述训练模块包括：
排序模块，用于根据告警发生时间对一个历史告警群内的告警进行排序，获得对应历史告警的时间序列信息和历史根因；
根因预测模块，用于逐一以所述历史告警群中的所述历史告警为告警中心，通过预训练的告警根因预测模型，对所述告警中心在时间序列上距离为m的历史告警和历史根因进行预测；
修正模块，用于根据所述告警根因预测模型输出的训练结果，重复的修正skip-gram的嵌入算法的参数；
模型获得模块，用于将所述训练样本中所述多个历史告警群分别训练完成，得到所述告警根因预测模型。
8.一种告警根因的判断装置，其特征在于，包括：
收集模块，用于收集预设时段内的告警组成告警群；
调用模块，用于调用预训练的告警根因预测模型，其中，所述告警根因预测模型通过权利要求1至3任意一项所述的训练方法训练得到；
预测模块，用于将所述告警群输入所述告警根因预测模型，对所述告警群进行解析，得到预测告警和所述预测告警的概率；
判断模型，根据所述预测告警和所述预测告警的概率，计算每个所述预测告警为根因的概率，以计算结果中最大概率对应的所述预测告警作为预测根因。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～3中任意一项所述训练方法或者权利要求4～6中任意一项所述判断方法。
10.一种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权利要求1～3中任意一项所述训练方法或者权利要求4～6中任意一项所述判断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574607.7A CN114237962B (zh) | 2021-12-21 | 2021-12-21 | 告警根因判断方法、模型训练方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111574607.7A CN114237962B (zh) | 2021-12-21 | 2021-12-21 | 告警根因判断方法、模型训练方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114237962A CN114237962A (zh) | 2022-03-25 |
| CN114237962B true CN114237962B (zh) | 2024-05-14 |
Family
ID=80760674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111574607.7A Active CN114237962B (zh) | 2021-12-21 | 2021-12-21 | 告警根因判断方法、模型训练方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114237962B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20240303348A1 (en) * | 2023-03-09 | 2024-09-12 | Salem Cyber | Knowledge and wisdom extraction and codification for machine learning applications |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309009A (zh) * | 2019-05-21 | 2019-10-08 | 北京云集智造科技有限公司 | 基于情境的运维故障根因定位方法、装置、设备及介质 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| CN111897673A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技（深圳）有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
| 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 |
| WO2021179574A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技（深圳）有限公司 | 根因定位方法、装置、计算机设备和存储介质 |
| CN113791926A (zh) * | 2021-09-18 | 2021-12-14 | 平安普惠企业管理有限公司 | 智能告警分析方法、装置、设备及存储介质 |
-
2021
- 2021-12-21 CN CN202111574607.7A patent/CN114237962B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309009A (zh) * | 2019-05-21 | 2019-10-08 | 北京云集智造科技有限公司 | 基于情境的运维故障根因定位方法、装置、设备及介质 |
| 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 |
| CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
| WO2021179574A1 (zh) * | 2020-03-12 | 2021-09-16 | 平安科技（深圳）有限公司 | 根因定位方法、装置、计算机设备和存储介质 |
| CN111897673A (zh) * | 2020-07-31 | 2020-11-06 | 平安科技（深圳）有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
| CN113791926A (zh) * | 2021-09-18 | 2021-12-14 | 平安普惠企业管理有限公司 | 智能告警分析方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114237962A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110149238B (zh) | 用于预测流量的方法和装置 | |
| CN112084752B (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
| CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
| CN115019237B (zh) | 多模态情感分析方法、装置、电子设备及存储介质 | |
| US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
| CN115329876A (zh) | 一种设备故障处理方法、装置、计算机设备及存储介质 | |
| CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
| CN114237962B (zh) | 告警根因判断方法、模型训练方法、装置、设备和介质 | |
| CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
| CN111222636A (zh) | 深度学习模型的转化方法、装置、服务器及存储介质 | |
| CN114662006A (zh) | 端云协同推荐系统、方法以及电子设备 | |
| CN116881027A (zh) | 原子服务组合通信方法、装置、电子设备和介质 | |
| CN114692767B (zh) | 异常检测方法和装置、计算机可读存储介质、电子设备 | |
| CN113240098B (zh) | 基于混合门控神经网络的故障预测方法、装置和存储介质 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| CN117273241B (zh) | 一种处理数据的方法和装置 | |
| CN116402321B (zh) | 物品需求量确定方法及装置、电子设备和存储介质 | |
| CN117857388B (zh) | 交换机运行信息检测方法、装置、电子设备与计算机介质 | |
| CN111338318B (zh) | 用于检测异常的方法和装置 | |
| CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
| CN117424837A (zh) | 网络流量检测方法、装置、电子设备及存储介质 | |
| CN118041977A (zh) | 微服务组件的处理方法、装置、计算机设备及存储介质 | |
| CN118350861A (zh) | 点击率预测方法、装置、电子设备及存储介质 | |
| CN117112383A (zh) | 基于人工智能的性能分析方法、装置、设备及存储介质 | |
| CN118445734A (zh) | 托卡马克实验数据智能处理方法及系统 |
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 |