CN115454706A - 一种系统异常确定方法、装置、电子设备及存储介质 - Google Patents

一种系统异常确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115454706A
CN115454706A CN202211268385.0A CN202211268385A CN115454706A CN 115454706 A CN115454706 A CN 115454706A CN 202211268385 A CN202211268385 A CN 202211268385A CN 115454706 A CN115454706 A CN 115454706A
Authority
CN
China
Prior art keywords
log
word
vector
determining
template
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.)
Pending
Application number
CN202211268385.0A
Other languages
English (en)
Inventor
李思晴
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202211268385.0A priority Critical patent/CN115454706A/zh
Publication of CN115454706A publication Critical patent/CN115454706A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0775—Content or structure details of the error report, e.g. specific table structure, specific error fields
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例公开了一种系统异常确定方法、装置、电子设备及存储介质。该方法包括：获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，其中，目标日志是根据多个日志模板中的任一日志模板产生的；分别获取目标日志的属性集和每个日志模板的编码信息；根据属性集和所有编码信息，确定目标日志的日志文本向量；根据日志文本向量，确定系统是否发生异常。本发明实施例通过获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，然后进一步获取目标日志的属性集和每个日志模板的编码信息，从而确定目标日志的日志文本向量,最后实现对系统异常的判断，减少产生冗余信息，提升确定系统异常的效率。

Description

一种系统异常确定方法、装置、电子设备及存储介质
技术领域
本发明涉及智能运维技术领域，尤其涉及一种系统异常确定方法、装置、电子设备及存储介质。
背景技术
系统应用的运行过程中会产生各种各样的日志，这些日志记录了系统运行时的状态和系统执行的各种操作，因此日志是在线监视和对异常进行检测的重要信息来源，基于系统日志进行系统异常的确定也变得尤为重要。
目前，现有技术中基于日志的系统异常确定方法是利用机器学习来进行日志系统异常确定的，该方法主要是基于时间序列模型来实现的，这种方法没有考虑到日志是由一些模板生成的，因此日志会有大量的重复语句，这些重复语句对于判断系统是否发生异常的作用很小，且构成了冗余信息，会大大降低确定系统异常的效率。
发明内容
本发明提供了一种系统异常确定方法、装置、电子设备及存储介质，实现对系统的异常的判断，解决了确定过程中冗余信息多的问题，提升了确定系统异常的效率。
根据本发明的一方面，本发明实施例提供了一种系统异常确定方法，该方法包括：
获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，其中，目标日志是根据多个日志模板中的任一日志模板产生的；
分别获取目标日志的属性集和每个日志模板的编码信息；
根据属性集和所有编码信息，确定目标日志的日志文本向量；
根据日志文本向量，确定系统是否发生异常。
可选的，属性集包括组成目标日志的所有单词的属性信息，属性信息包括词向量和位置向量；获取目标日志的属性集，包括：将目标日志输入至第一预设模型，确定每个单词的词向量；分别对每个单词在目标日志中的位置进行编码，确定每个单词的位置向量；分别将每个单词的词向量和位置向量进行关联，得到属性集。
可选的，对于任一日志模板，获取日志模板的编码信息，包括：将日志模板输入至第一预设模型，确定日志模板词向量；利用第二预设模型对日志模板词向量进行编码，得到编码信息。
可选的，根据属性集和所有编码信息，确定目标日志的日志文本向量，包括：根据编码信息和每个单词与每个日志模板之间的权重，分别确定每个单词与每个日志模板之间的注意力向量；根据注意力向量、属性集和预设算法，确定日志词向量；根据日志词向量，确定日志文本向量。
可选的，日志词向量包括组成目标日志的所有单词更新后的词向量；根据注意力向量、属性集和预设算法，确定日志词向量，包括：根据第i个单词的属性信息和第i个单词与每个日志模板之间的注意力向量，利用预设算法得到第i个单词的预处理向量，其中，i为正整数；获取第i-1个单词更新后的词向量；将第i-1个单词更新后的词向量和第i个单词的预处理向量输入至第三预设模型，得到第i个单词更新后的词向量。
可选的，根据日志词向量，确定日志文本向量，包括：将日志词向量中的第一个单词更新后的词向量和最后一个单词更新后的词向量组成日志文本向量。
可选的，根据日志文本向量，确定系统是否发生异常，包括：根据日志文本向量和所有单词的词向量，确定系统的异常确定参数；若异常确定参数大于预设参数，则确定系统发生异常；若异常预设参数小于或者等于预设参数，则确定系统正常运行。
根据本发明的另一方面，本发明实施例还提供了一种系统异常确定装置，该装置包括：模板获取模块，用于获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，其中，目标日志是根据多个日志模板中的任一日志模板产生的；信息获取模块，用于分别获取目标日志的属性集和每个日志模板的编码信息；向量确定模块，用于根据属性集和所有编码信息，确定目标日志的日志文本向量；异常确定模块，用于根据日志文本向量，确定系统是否发生异常。
根据本发明的另一方面，本发明实施例还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的系统异常确定方法。
根据本发明的另一方面，本发明实施例还提供了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指令，计算机指令用于使处理器执行时实现本发明任一实施例的系统异常确定方法。
本发明实施例的技术方案，通过获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，其中，目标日志是根据多个日志模板中的任一日志模板产生的；分别获取目标日志的属性集和每个日志模板的编码信息；根据属性集和所有编码信息，确定目标日志的日志文本向量；根据日志文本向量，确定系统是否发生异常。在上述实施例的基础上，通过获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，然后进一步获取目标日志的属性集和每个日志模板的编码信息，从而确定目标日志的日志文本向量,最后确定系统是否发生异常，实现了对系统异常的判断，减少产生冗余信息，提升确定系统异常的效率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例一中提供的一种系统异常确定方法的一个流程图；
图2是本发明实施例二中提供的一种系统异常确定方法的一个流程图；
图3是本发明实施例三中提供的一种系统异常确定装置的结构示意图；
图4是本发明实施例四中提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一中提供的一种系统异常确定方法的一个流程图，本实施例可适用于确定系统的异常情况，该方法可以由系统异常确定装置来执行，该系统异常确定装置可以采用硬件和/或软件的形式实现，在一个具体的实施例中，该系统异常确定装置可配置于电子设备中。如图1所示，本发明实施例的方法具体包括如下步骤：
S110、获取系统运行过程中产生的目标日志和系统内存储的多个日志模板。
其中，目标日志是根据多个日志模板中的任一日志模板产生的；日志模板主要是指日志的一种固定格式，通过日志语料库中包含所有构成日志的单词产生并存储在系统中，系统中存在多个日志模板。
具体的，系统中存储有多个日志模板，在系统运行过程中，系统会基于多个日志模板产生多个日志，根据对系统的操作从多个日志确定目标日志。
S120、分别获取目标日志的属性集和每个日志模板的编码信息。
其中，目标日志由多个单词组成，可以记录操作系统的过程和系统的运行状态；属性集包含组成所述目标日志的所有单词的属性信息，每个单词的属性信息包括该单词的词向量和该单词的位置向量，词向量用于表示该单词的内容，位置向量用于表示该单词对应的位置。
日志模板的编码信息是对该日志模板的内容进行编码后得到的信息。具体的，可以通过对日志模板词向量进行编码确定日志模板的编码信息。
具体的，在获取系统运行过程中产生的目标日志之后，将目标日志输入至第一预设模型中，通过第一预设模型和日志语料库对词向量的预训练，确定目标日志中的每个单词的词向量；然后通过对目标日志中的每个单词的所在位置进行编码，确定每个单词的位置向量，分别将每个单词的词向量和位置向量进行关联，得到属性集。其中，第一预设模型用于对目标日志进行训练，词向量是目标日志的单词或短语被映射到实数的向量。
进一步的，在获取系统内存储的多个日志模板之后，对于任一日志模板，将日志模板输入至第一预设模型，确定日志模板词向量，利用第二预设模型对日志模板词向量进行编码，得到编码信息，其中，第二预设模型是用于对日志模板词向量进行编码的模型。
S130、根据属性集和所有编码信息，确定目标日志的日志文本向量。
其中，日志文本向量是目标日志中的单词进行更新后的词向量的拼接向量。
具体的，确定目标日志的属性集和每个日志模板的编码信息之后，经过对目标日志的属性集和每个日志模板的编码信息进行点积计算确定目标日志的日志文本向量。
S140、根据日志文本向量，确定系统是否发生异常。
具体的，在确定日志文本向量之后，根据日志文本向量和目标日志中所有单词的词向量确定系统的异常确定参数，若异常确定参数大于预设参数，则确定系统发生异常；若异常确定参数小于或者等于预设参数，则确定系统正常运行。
本发明实施例的技术方案，通过获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，其中，目标日志是根据多个日志模板中的任一日志模板产生的；分别获取目标日志的属性集和每个日志模板的编码信息；根据属性集和所有编码信息，确定目标日志的日志文本向量；根据日志文本向量，确定系统是否发生异常。在上述实施例的基础上，通过获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，然后进一步获取目标日志的属性集和每个日志模板的编码信息，从而确定目标日志的日志文本向量,最后确定系统是否发生异常，实现了对系统异常的判断，减少产生冗余信息，提升确定系统异常的效率。
实施例二
图2是本发明实施例二中提供的一种系统异常确定方法的一个流程图，本实施例可适用于确定系统的异常情况，该方法可以由系统异常确定装置来执行，该系统异常确定装置可以采用硬件和/或软件的形式实现，在一个具体的实施例中，该系统异常确定装置可配置于电子设备中。在上述实施例的基础上，对于获取目标日志的属性集；对于任一日志模板，获取日志模板的编码信息；根据属性集和所有编码信息，确定目标日志的日志文本向量；根据日志文本向量，确定系统是否发生异常进一步优化，如图2所示，该方法具体包括如下步骤：
S201、获取系统运行过程中产生的目标日志和系统内存储的多个日志模板。
具体的，在系统运行过程中，会产生目标日志，获取系统运行过程中产生的目标日志，同时获取存储在系统中的多个日志模板。
S202、将目标日志输入至第一预设模型，确定每个单词的词向量。
其中，第一预设模型用于对目标日志进行训练，例如可以是word2vec模型，本实施例对此不进行限定。word2vec模型是用于产生词向量的相关模型；词向量是目标日志的单词或短语被映射到实数的向量。
具体的，在获取到目标日志之后，将目标日志输入至第一预设模型中，通过第一预设模型和日志语料库对词向量的预训练，确定目标日志中的每个单词的词向量。
S203、分别对每个单词在目标日志中的位置进行编码，确定每个单词的位置向量。
具体的，在确定目标日志中每个单词的词向量之后，通过对目标日志中的每个单词的所在位置进行编码，确定每个单词的位置向量。
S204、分别将每个单词的词向量和位置向量进行关联，得到属性集。
具体的，在确定目标日志中每个单词的词向量以及每个单词在目标日志中的位置向量之后，分别将每个单词的词向量和每个单词在目标日志中的位置向量对应相加，得到目标日志的属性集。
S205、对于任一日志模板，将日志模板输入至第一预设模型，确定日志模板词向量。
具体的，在获取任一日志模板之后，对于任一日志模板，将日志模板输入至第一预设模型进行训练分析确定日志模板词向量。
S206、利用第二预设模型对日志模板词向量进行编码，得到编码信息。
其中，第二预设模型是用于对日志模板词向量进行编码的模型，例如可以是卷积神经网络(Convolutional Neural Networks，CNN)等，本实施例对此不进行限定。
具体的，确定日志模板词向量后，将日志模板词向量输入至第二预设模型(卷积神经网络)中进行训练，通过卷积神经网络对日志模板词向量进行编码确定每一个模板对应的编码信息。
S207、根据编码信息和每个单词与每个日志模板之间的权重，分别确定每个单词与每个日志模板之间的注意力向量。
其中，权重是用于表示每个单词与每个日志模板之间的匹配关系；注意力向量是用于确定每个单词与每个日志模板之间的对应关系的参数。
具体的，在确定编码信息之后，注意力向量
Figure BDA0003894044870000081
其中，
Figure BDA0003894044870000082
为第i个单词与第j个日志模板之间的权重，
Figure BDA0003894044870000083
为第j个日志模板的编码信息，j＝1,…,m，m为系统中存储的日志模板的个数，i为正整数。
进一步的，第i个单词与第j个日志模板之间的权重
Figure BDA0003894044870000084
其中，
Figure BDA0003894044870000085
和
Figure BDA0003894044870000086
为日志中间参数，且日志中间参数
Figure BDA0003894044870000091
f为常系数，
Figure BDA0003894044870000092
和
Figure BDA0003894044870000093
均为参数矩阵，
Figure BDA0003894044870000094
为第k个模板的编码信息，
Figure BDA0003894044870000095
为第i-1个单词更新后的词向量，
Figure BDA0003894044870000096
为第i个单词对应的属性集；a、b和c无实体意义，只用于区分编码信息、词向量和更新后的词向量分别对应不同的参数矩阵。
在本发明实施例中，步骤S202-S204与步骤S205-S207之间没有执行先后顺序的关系，即可以先执行步骤S202-S204再执行步骤S205-S207，也可以先执行步骤S205-S207再执行步骤S202-S204，还可以同步执行步骤S202-S204与步骤S205-S207。
S208、根据注意力向量、属性集和预设算法，确定日志词向量。
其中，预设算法是用于确定日志词向量的算法，例如可以是门机制等，本实施例对此不进行限定。
具体的，在确定注意力向量和属性集之后，根据注意力向量、属性集和预设算法，确定日志词向量。
进一步的，在上述实施例的基础上，可选的，日志词向量包括组成目标日志的所有单词更新后的词向量；根据注意力向量、属性集和预设算法，确定日志词向量，包括：根据第i个单词的属性信息和第i个单词与每个日志模板之间的注意力向量，利用预设算法得到第i个单词的预处理向量，其中，i为正整数；获取第i-1个单词更新后的词向量；将第i-1个单词更新后的词向量和第i个单词的预处理向量输入至第三预设模型，得到第i个单词更新后的词向量。
其中，第三预设模型是一种预先设定的模型算法，用于分析确定更新后的词向量，例如可以是门控循环单元(Gated Recurrent Unit，GRU)，本实施例对此不进行限定。
具体的，根据第i个单词的属性信息和第i个单词与每个日志模板之间的注意力向量，利用预设算法得到第i个单词的预处理向量，进一步的，预处理向量
Figure BDA0003894044870000101
其中，gi为常系数且
Figure BDA0003894044870000102
Figure BDA0003894044870000103
为向量的点积计算，Wg为预处理向量对应的参数矩阵。在确定第i个单词的预处理向量之后，将预处理向量输入
Figure BDA0003894044870000104
其中，
Figure BDA0003894044870000105
为目标日志的第i个单词更新后的词向量，
Figure BDA0003894044870000106
为目标日志的第i-1个单词更新后的词向量，BiGRU模型是由单向的、方向相反的、输出GRU组成的神经网络模型。通过
Figure BDA0003894044870000107
从而确定出目标日志中所有单词对应的更新后的词向量。这样设置的好处在于，根据注意力向量、属性集和预设算法，确定日志词向量，避免确定过程中出现冗余信息，提升确定日志词向量的效率。
S209、根据日志词向量，确定日志文本向量。
进一步的，在确定目标日志的更新后的日志词向量之后，在上述实施例的基础上，可选的，将日志词向量中的第一个单词更新后的词向量和最后一个单词更新后的词向量组成日志文本向量。
具体的，确定目标日志的第1个词向量对应的更新后的日志词向量，以此类推确定第2个，第3个，直至最后确定第n个词向量对应的更新后的日志词向量，然后将日志词向量中的第一个单词更新后的词向量和最后一个单词更新后的词向量组成日志文本向量进行拼接确定日志文本向量，即
Figure BDA0003894044870000108
其中，
Figure BDA0003894044870000109
为第一个单词更新后的词向量，
Figure BDA00038940448700001010
为最后一个单词更新后的词向量。
由于本发明引入了单词与日志模板之间的权重的概念，并确定每个单词与每个日志模板之间的注意力向量，从而在确定目标日志的日志文本向量时，不会产生冗余信息，提升计算效率。
S210、根据日志文本向量和所有单词的词向量，确定系统的异常确定参数。
具体的，在确定日志文本向量和所有单词的词向量之后，确定系统的异常确定参数
Figure BDA0003894044870000111
其中，l为常系数。
S211、判断异常确定参数是否大于预设参数。
具体的，确定异常确定参数之后，若异常确定参数大于预设参数，则执行S212，确定系统发生异常；若异常确定参数小于或者等于预设参数，则执行S213，确定系统正常运行。
示例性的，当预设参数为0时，若异常确定参数大于0，则确定系统发生异常，执行S212；若异常确定参数小于或者等于预设参数，则确定系统正常运行，执行S213。
S212、系统发生异常。
具体的，若异常确定参数大于预设参数，则确定系统发生异常。
S213、系统正常运行。
具体的，若异常确定参数小于或者等于预设参数，则确定系统正常运行。
本发明实施例的技术方案，通过获取系统运行过程中产生的目标日志和系统内存储的多个日志模板；将目标日志输入至第一预设模型，确定每个单词的词向量；分别对每个单词在目标日志中的位置进行编码，确定每个单词的位置向量；分别将每个单词的词向量和位置向量进行关联，得到属性集；对于任一日志模板，将日志模板输入至第一预设模型，确定日志模板词向量；利用第二预设模型对日志模板词向量进行编码，得到编码信息；根据编码信息和每个单词与每个日志模板之间的权重，分别确定每个单词与每个日志模板之间的注意力向量；根据注意力向量、属性集和预设算法，确定日志词向量；根据日志词向量，确定日志文本向量；根据日志文本向量和所有单词的词向量，确定系统的异常确定参数；判断异常确定参数是否大于预设参数；若异常确定参数大于预设参数，则确定系统发生异常；若异常预设参数小于或者等于预设参数，则确定系统正常运行。在上述实施例的基础上，通过分别确定日志模板词向量和编码信息，进一步确定每个单词与每个模板之间的注意力向量，从而根据注意力向量、属性集和预设算法确定日志词向量，最后根据日志词向量确定系统的异常确定参数，判断异常确定参数是否大于预设参数，从而确定系统是否正常运行，实现了对系统异常的判断，减少判断过程中产生冗余信息，提升确定系统异常的效率。
实施例三
图3是本发明实施例三中提供的一种系统异常确定装置的结构示意图，该装置包括：模板获取模块310、信息获取模块320、向量确定模块330和异常确定模块340。其中，
模板获取模块310，用于获取系统运行过程中产生的目标日志和系统内存储的多个日志模板，其中，目标日志是根据多个日志模板中的任一日志模板产生的。
信息获取模块320，用于分别获取目标日志的属性集和每个日志模板的编码信息。
向量确定模块330，用于根据属性集和所有编码信息，确定目标日志的日志文本向量。
异常确定模块340，用于根据日志文本向量，确定系统是否发生异常。
可选的，属性集包括组成目标日志的所有单词的属性信息，属性信息包括词向量和位置向量。
可选的，信息获取模块320，获取目标日志的属性集,具体用于：将目标日志输入至第一预设模型，确定每个单词的词向量；分别对每个单词在目标日志中的位置进行编码，确定每个单词的位置向量；分别将每个单词的词向量和位置向量进行关联，得到属性集。
可选的，信息获取模块320，对于任一日志模板，获取日志模板的编码信息，具体用于：将日志模板输入至第一预设模型，确定日志模板词向量；利用第二预设模型对日志模板词向量进行编码，得到编码信息。
可选的，向量确定模块330，具体用于：根据编码信息和每个单词与每个日志模板之间的权重，分别确定每个单词与每个日志模板之间的注意力向量；根据注意力向量、属性集和预设算法，确定日志词向量；根据日志词向量，确定日志文本向量。
可选的，日志词向量包括组成目标日志的所有单词更新后的词向量。
可选的，向量确定模块330，还用于：根据第i个单词的属性信息和第i个单词与每个日志模板之间的注意力向量，利用预设算法得到第i个单词的预处理向量，其中，i为正整数；获取第i-1个单词更新后的词向量；将第i-1个单词更新后的词向量和第i个单词的预处理向量输入至第三预设模型，得到第i个单词更新后的词向量。
可选的，向量确定模块330，还用于：将日志词向量中的第一个单词更新后的词向量和最后一个单词更新后的词向量组成日志文本向量。
可选的，异常确定模块340，具体用于：根据日志文本向量和所有单词的词向量，确定系统的异常确定参数；若异常确定参数大于预设参数，则确定系统发生异常；若异常预设参数小于或者等于预设参数，则确定系统正常运行。
本发明实施例所提供的系统异常确定装置可执行本发明任意实施例所提供的系统异常确定方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四中提供的一种电子设备的结构示意图，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如方法系统异常确定方法。
在一些实施例中，方法系统异常确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法系统异常确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法系统异常确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种系统异常确定方法，其特征在于，该方法包括：
获取系统运行过程中产生的目标日志和所述系统内存储的多个日志模板，其中，所述目标日志是根据多个所述日志模板中的任一日志模板产生的；
分别获取所述目标日志的属性集和每个所述日志模板的编码信息；
根据所述属性集和所有所述编码信息，确定所述目标日志的日志文本向量；
根据所述日志文本向量，确定所述系统是否发生异常。
2.根据权利要求1所述的方法，其特征在于，所述属性集包括组成所述目标日志的所有单词的属性信息，所述属性信息包括词向量和位置向量；
所述获取所述目标日志的属性集，包括：
将所述目标日志输入至第一预设模型，确定每个所述单词的词向量；
分别对每个所述单词在所述目标日志中的位置进行编码，确定每个所述单词的位置向量；
分别将每个所述单词的词向量和位置向量进行关联，得到所述属性集。
3.根据权利要求1所述的方法，其特征在于，对于任一所述日志模板，所述获取所述日志模板的编码信息，包括：
将所述日志模板输入至第一预设模型，确定日志模板词向量；
利用第二预设模型对所述日志模板词向量进行编码，得到所述编码信息。
4.根据权利要求2所述的方法，其特征在于，所述根据所述属性集和所有所述编码信息，确定所述目标日志的日志文本向量，包括：
根据所述编码信息和每个所述单词与每个所述日志模板之间的权重，分别确定每个所述单词与每个所述日志模板之间的注意力向量；
根据所述注意力向量、所述属性集和预设算法，确定日志词向量；
根据所述日志词向量，确定所述日志文本向量。
5.根据权利要求4所述的方法，其特征在于，所述日志词向量包括组成所述目标日志的所有单词更新后的词向量；
所述根据所述注意力向量、所述属性集和预设算法，确定日志词向量，包括：
根据第i个单词的属性信息和第i个单词与每个所述日志模板之间的注意力向量，利用所述预设算法得到第i个单词的预处理向量，其中，i为正整数；
获取第i-1个单词更新后的词向量；
将所述第i-1个单词更新后的词向量和所述第i个单词的预处理向量输入至第三预设模型，得到第i个单词更新后的词向量。
6.根据权利要求5所述的方法，其特征在于，所述根据所述日志词向量，确定所述日志文本向量，包括：
将所述日志词向量中的第一个单词更新后的词向量和最后一个单词更新后的词向量组成所述日志文本向量。
7.根据权利要求2所述的方法，其特征在于，所述根据所述日志文本向量，确定所述系统是否发生异常，包括：
根据所述日志文本向量和所有所述单词的词向量，确定所述系统的异常确定参数；
若所述异常确定参数大于预设参数，则确定所述系统发生异常；
若所述异常预设参数小于或者等于预设参数，则确定所述系统正常运行。
8.一种系统异常确定装置，其特征在于，该装置包括：
模板获取模块，用于获取系统运行过程中产生的目标日志和所述系统内存储的多个日志模板，其中，所述目标日志是根据多个所述日志模板中的任一日志模板产生的；
信息获取模块，用于分别获取所述目标日志的属性集和每个所述日志模板的编码信息；
向量确定模块，用于根据所述属性集和所有所述编码信息，确定所述目标日志的日志文本向量；
异常确定模块，用于根据所述日志文本向量，确定所述系统是否发生异常。
9.一种电子设备，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计算机程序，所述计算机程序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权利要求1-7中任一项所述的系统异常确定方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的系统异常确定方法。
CN202211268385.0A 2022-10-17 2022-10-17 一种系统异常确定方法、装置、电子设备及存储介质 Pending CN115454706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211268385.0A CN115454706A (zh) 2022-10-17 2022-10-17 一种系统异常确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211268385.0A CN115454706A (zh) 2022-10-17 2022-10-17 一种系统异常确定方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115454706A true CN115454706A (zh) 2022-12-09

Family

ID=84311363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211268385.0A Pending CN115454706A (zh) 2022-10-17 2022-10-17 一种系统异常确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115454706A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860008A (zh) * 2023-02-24 2023-03-28 山东云天安全技术有限公司 用于异常日志信息确定的数据处理方法、电子设备及介质
CN116170300A (zh) * 2023-02-24 2023-05-26 山东云天安全技术有限公司 用于异常日志信息确定的数据处理方法、电子设备及介质
CN116541202A (zh) * 2023-06-14 2023-08-04 深圳壹师城科技有限公司 一种科技风险管理系统及一种风险预警装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860008A (zh) * 2023-02-24 2023-03-28 山东云天安全技术有限公司 用于异常日志信息确定的数据处理方法、电子设备及介质
CN116170300A (zh) * 2023-02-24 2023-05-26 山东云天安全技术有限公司 用于异常日志信息确定的数据处理方法、电子设备及介质
CN116170300B (zh) * 2023-02-24 2024-01-23 山东云天安全技术有限公司 用于异常日志信息确定的数据处理方法、电子设备及介质
CN116541202A (zh) * 2023-06-14 2023-08-04 深圳壹师城科技有限公司 一种科技风险管理系统及一种风险预警装置
CN116541202B (zh) * 2023-06-14 2023-10-03 深圳壹师城科技有限公司 一种科技风险管理系统及一种风险预警装置

Similar Documents

Publication Publication Date Title
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
CN112466288B (zh) 语音识别方法、装置、电子设备及存储介质
CN112926306B (zh) 文本纠错方法、装置、设备以及存储介质
EP4064277A1 (en) Method and apparatus for training speech recognition model, device and storage medium
CN113704410B (zh) 情绪波动检测方法、装置、电子设备及存储介质
CN113792855A (zh) 一种模型训练及字库建立方法、装置、设备和存储介质
CN112580732A (zh) 模型训练方法、装置、设备、存储介质和程序产品
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN116090544A (zh) 神经网络模型的压缩方法、训练方法和处理方法、装置
CN116579407B (zh) 神经网络模型的压缩方法、训练方法、处理方法和装置
CN116955075A (zh) 一种基于日志的解析语句生成方法、装置、设备及介质
CN116340777A (zh) 一种日志分类模型的训练方法、日志分类方法及装置
CN116755974A (zh) 云计算平台运维方法、装置、电子设备及存储介质
CN113361621B (zh) 用于训练模型的方法和装置
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN113408269A (zh) 文本情感分析方法和装置
CN114067805A (zh) 声纹识别模型的训练与声纹识别方法及装置
CN112989797B (zh) 模型训练、文本扩展方法，装置，设备以及存储介质
CN113361712B (zh) 特征确定模型的训练方法、语义分析方法、装置及电子设备
CN116451770B (zh) 神经网络模型的压缩方法、训练方法、处理方法和装置
CN113255332B (zh) 文本纠错模型的训练与文本纠错方法、装置
CN115860121B (zh) 文本推理方法、装置、设备以及存储介质
CN115860003A (zh) 一种语义角色分析方法、装置、电子设备及存储介质
CN117668541A (zh) 日志异常的检测方法及装置、电子设备和存储介质
CN115599916A (zh) 词向量矩阵增强方法、装置、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