CN115686910A - 一种故障分析方法、装置、电子设备及介质 - Google Patents

Abstract

本发明公开了一种故障分析方法、装置、电子设备及介质，所述方法包括：获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；基于所述目标数据簇对所述待分析系统进行故障分析。该方法通过基于预设邻域半径和预设密度阈值得到目标数据簇，能够为待分析系统进行故障分析提供可靠的依据，提高故障分析的准确性。

Description

一种故障分析方法、装置、电子设备及介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种故障分析方法、装置、电子设备及介质。

背景技术

在应用程序的实际运行中，可能会出现故障的情况，为了更好地应对故障，可以对运行过程中的数据进行分析，以辅助运维人员进行故障诊断。

现有的分析方法通常是实时监测目标应用程序的运行状态，在发生异常时通过调用故障分析模块诊断故障原因并生成报告文档，或者可以收集历史告警信息，通过对信息进行聚类和标记，挖掘频发故障的特征，辅助运维人员进行故障诊断。

然而上述方法均为在发生故障后所采取的应对手段，并不能在真实故障发生前进行更好地防范和预警。

发明内容

本发明提供了一种故障分析方法、装置、电子设备及介质，以通过对待分析的混沌实验数据进行分析，在真实故障发生前进行故障的防范和预警。

根据本发明的一方面，提供了一种故障分析方法，包括：

获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；

基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；

基于所述目标数据簇对所述待分析系统进行故障分析。

根据本发明的另一方面，提供了一种故障分析装置，包括：

获取模块，用于获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；

聚类模块，用于基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；

故障分析模块，用于基于所述目标数据簇对所述待分析系统进行故障分析。

根据本发明的另一方面，提供了一种电子设备，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本发明任一实施例所述的故障分析方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，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本发明任一实施例所述的故障分析方法。

本发明实施例提供了一种故障分析方法、装置、电子设备及介质，所述方法包括：获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；基于所述目标数据簇对所述待分析系统进行故障分析。利用上述技术方案，通过基于预设邻域半径和预设密度阈值得到目标数据簇，能够为后续对待分析系统进行故障分析提供可靠的依据，提高故障分析的准确性。

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是根据本发明实施例一提供的一种故障分析方法的流程图；

图2是根据本发明实施例二提供的一种故障分析方法的流程图；

图3是根据本发明实施例二提供的一种聚类方法的流程图；

图4是根据本发明实施例二提供的一种待分析数据点的分布图；

图5是根据本发明实施例三提供的一种故障分析装置的结构示意图；

图6是根据本发明实施例四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是根据本发明实施例一提供的一种故障分析方法的流程图，本实施例可适用于对待分析系统进行故障分析的情况，该方法可以由故障分析装置来执行，该故障分析装置可以采用硬件和/或软件的形式实现，该故障分析装置可配置于电子设备中。

可以认为的是，混沌工程作为在分布式系统上进行实验的学科，被广泛应用于提高系统健壮性和应对复杂环境的信息。混沌工程在实验的执行阶段会根据需要构造若干故障场景，对预设的业务、技术指标进行观测和记录以作为实验结果。实验结果通常会被直接用于判定系统表现是否符合预期、能否正常对外提供服务，但现阶段实验结果的数据并未得到充分利用，数据中仍存在对生产运行有价值的信息有待进一步发掘。

基于此，本发明提出了一种故障分析方法，通过对混沌工程的实验数据进行挖掘，来形成应用系统的故障画像，以为系统运维过程中出现的问题提供定位和故障诊断的参考。如图1所示，该方法包括：

S110、获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点。

其中，待分析系统可以认为是需要进行故障分析的系统。目标数据集可以是指待分析数据点的集合，用于对待分析系统进行故障分析，本实施例中待分析数据点可以理解为待分析系统在发生不同预设故障时的数据所组成的点，如待分析数据点可以为响应时间和/或交易成功率所组成的点；预设故障可以认为是预先设置的故障，用于得到待分析数据点。

在本实施例中，可以首先获取待分析系统的目标数据集，以进行后续的故障分析。

S120、基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇。

预设邻域半径可以为预先设置的半径，用于对待分析数据点进行聚类；预设密度阈值可以为预先设置的待分析数据点个数的临界值，用于对目标数据簇进行确定，预设邻域半径和预设密度阈值的具体数值可以由经验值来确定，本实施例对此不做限定。目标数据簇可以认为是根据待分析数据点确定的数据簇，用于对待分析系统进行故障分析。

具体的，可以基于预设邻域半径和预设密度阈值对目标数据集中的待分析数据点进行聚类，来得到目标数据簇，聚类的具体手段不作限定，如可以对每一个待分析数据点进行分析来确定是否建立以当前待分析数据点为中心的数据簇，以此来得到目标数据簇。

S130、基于所述目标数据簇对所述待分析系统进行故障分析。

在得到目标数据簇之后，可以基于得到的目标数据簇对待分析系统进行故障分析，示例性的，可通过对目标数据簇进行分析来实现对待分析系统的故障分析，具体步骤不作进一步展开，可以根据实际情况来确定。

本发明实施例一提供的一种故障分析方法，获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；基于所述目标数据簇对所述待分析系统进行故障分析。利用该方法，通过基于预设邻域半径和预设密度阈值得到目标数据簇，能够为待分析系统进行故障分析提供可靠的依据，提高故障分析的准确性。

在一个实施例中，在所述基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇之后，还包括：

根据所述目标数据簇建立所述待分析系统的故障表征与故障原因之间的映射关系；

所述基于所述目标数据簇对所述待分析系统进行故障分析，包括：

基于所述映射关系对所述待分析系统进行故障分析。

其中，故障表征可以理解为待分析系统发生故障时所表现的特征，如响应时间很短等。

在一个实施方式中，可以根据得到的目标数据簇建立待分析系统的故障表征与故障原因之间的映射关系，如可以通过目标数据簇中的待分析数据点来推断出待分析系统发生某类故障时的故障表征，即确定故障原因到故障表征的映射关系；还可以通过目标数据簇中各待分析数据点所反映的故障表征来反推可能导致此类故障发生的原因，即确定故障表征到故障原因的映射关系。

在一个实施方式中，在得到故障表征与故障原因之间的映射关系后，可以基于此映射关系对待分析系统进行故障分析。

在一个实施例中，所述基于所述映射关系对所述待分析系统进行故障分析，包括：

当所述待分析系统发生故障时，获取所述待分析系统的目标数据点；

根据所述目标数据点和所述映射关系对所述待分析系统进行故障分析。

目标数据点可以是指待分析系统发生故障时的数据组成的点。

可以认为的是，在待分析系统发生故障时，可以获取待分析系统的目标数据点，然后根据目标数据点和映射关系对待分析系统进行具体的故障分析，本实施例对此不做限定。

实施例二

图2是根据本发明实施例二提供的一种故障分析方法的流程图，本实施例二在上述各实施例的基础上进行优化。在本实施例中，将基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇进一步具体化为：针对所述目标数据集中的每一个待分析数据点，基于预设邻域半径和预设密度阈值，确定当前待分析数据点的数据点类型；如果所述数据点类型为预设数据点类型，则建立以所述当前待分析数据点为中心的目标数据簇。

本实施例尚未详尽的内容请参考实施例一。

如图2所示，该方法包括：

S210、获取待分析系统的目标数据集。

S220、针对所述目标数据集中的每一个待分析数据点，基于预设邻域半径和预设密度阈值，确定当前待分析数据点的数据点类型。

数据点类型可以是指待分析数据点的类型，如数据点类型可以包括临界点、核心点和/或噪声点。

具体的，可以针对每一个待分析数据点，基于预设邻域半径和预设密度阈值，对当前待分析数据点的数据点类型进行确定，以进行后续的操作，具体确定数据点类型的方式不限，如可以通过确定当前待分析数据点周围的待分析数据点的数量来确定当前待分析数据点的数据点类型。

S230、如果所述数据点类型为预设数据点类型，则建立以所述当前待分析数据点为中心的目标数据簇。

预设数据点类型可以认为是预先设定的数据点类型，具体内容可以由相关人员进行确定，如预设数据点类型可以为核心点。

在本实施例中，若当前待分析数据点的数据点类型为预设数据点类型，则可以以当前待分析数据点为中心建立目标数据簇，具体建立目标数据簇的步骤可以根据实际情况来确定。

S240、基于所述目标数据簇对所述待分析系统进行故障分析。

本发明实施例二提供的一种故障分析方法，获取待分析系统的目标数据集；针对所述目标数据集中的每一个待分析数据点，基于预设邻域半径和预设密度阈值，确定当前待分析数据点的数据点类型；如果所述数据点类型为预设数据点类型，则建立以所述当前待分析数据点为中心的目标数据簇；基于所述目标数据簇对所述待分析系统进行故障分析。利用该方法，通过针对每一个待分析数据点确定当前待分析数据点的数据点类型，从而确定了是否建立以当前待分析数据点为中心的目标数据簇，为后续对待分析系统进行故障分析提供了基础。

在一个实施例中，所述基于预设邻域半径和预设密度阈值，确定所述当前待分析数据点的数据点类型，包括：

确定目标邻域内所包含待分析数据点的目标数量，所述目标邻域为以所述当前待分析数据点为中心，以预设邻域半径为半径所形成的圆；

根据所述目标数量和所述预设密度阈值，确定所述当前待分析数据点的数据点类型。

在本实施例中，目标邻域可以是指以当前待分析数据点为中心，以预设邻域半径为半径所形成的圆；目标数量可以理解为目标邻域内所包含待分析数据点的数量。

具体的，首先可以对目标邻域内所包含待分析数据点的目标数量进行确定，然后根据目标数量和预设密度阈值来确定当前待分析数据点的数据点类型，示例性的，可以将目标数量和预设密度阈值的大小进行比较，并根据比较的结果来确定当前待分析数据点的数据点类型。

在一个实施例中，所述根据所述目标数量和所述预设密度阈值，确定所述当前待分析数据点的数据点类型，包括：

如果所述目标数量大于所述预设密度阈值，则确定所述当前待分析数据点的数据点类型为核心点；

如果所述目标数量大于1且小于或等于所述预设密度阈值，则确定所述当前待分析数据点的数据点类型为边界点；

如果所述目标数量等于1，则确定所述当前待分析数据点的数据点类型为噪声点。

在一个实施方式中，当目标数量大于预设密度阈值时，说明目标邻域内所包含待分析数据点的数量超过了预先设置的待分析数据点的临界值，即当前待分析数据点周围待分析数据点的数量较多，此时可以确定当前待分析数据点的数据点类型为核心点。

在一个实施方式中，当目标数量大于1且小于或等于预设密度阈值时，说明目标邻域内所包含待分析数据点的数量没有超过预先设置的待分析数据点的临界值，即当前待分析数据点周围待分析数据点的数量较少，此时可以确定当前待分析数据点的数据点类型为边界点；

在一个实施方式中，当目标数量等于1时，说明目标邻域内所包含待分析数据点只有当前待分析数据点，即当前待分析数据点周围没有待分析数据点，此时可以确定当前待分析数据点的数据点类型为噪声点。

在一个实施例中，所述建立以所述当前待分析数据点为中心的目标数据簇，包括：

确定目标领域内尚未添加至任一目标数据簇中的目标待分析数据点；

建立包含所述目标待分析数据点的目标数据簇。

目标待分析数据点可以是指目标领域内尚未添加至任一目标数据簇中的待分析数据点。

具体的，在建立以当前待分析数据点为中心的目标数据簇的过程中，可以首先对目标领域内尚未添加至任一目标数据簇中的目标待分析数据点进行确定，然后建立以当前待分析数据点为中心的目标数据簇，目标数据簇中包含有目标待分析数据点。

下面对本发明实施例提供的故障分析方法进行示例性的描述：

首先在获取待分析系统的目标数据集之前，可以进行实验数据的预处理，即对待分析的混沌工程实验数据进行收集汇总。因实验过程中会对多种技术或业务指标进行观测和采集，如CPU使用率、响应时间、交易成功率等。而若目标数据集包含指标的数量过多，会存在某个指标在数据间的差异显著性不强、对期望的分析结果关联性不强的问题。为了避免维数爆炸造成分析效率低的情况，可以对指标进行裁剪。即从原始数据所包含的若干指标维度中挑选出对当前待分析系统有代表性、差异显著性较强的指标，将其余无用指标剔除，以形成目标数据集。示例性的，若选取X、Y两项指标，那么目标数据集则可以为{(x1,y1),(x2,y2)...(xn,yn)}。

若不同指标的数据值存在量纲、数量级差异或由于数据由多个实验环境产生，数据样本因环境资源差异产生了偏差的情况时，则可以根据偏差情况对数据进行标准化。

在获取到待分析系统的目标数据集之后，则可以进行聚类处理，即使用DBSCAN算法对完成预处理后的数据进行聚类。如可以结合系统特点、数据量和数据分布情况设置领域半径r和领域密度阈值minPts，其中，领域半径决定以样本点为圆心划分域的范围，领域密度阈值为域内最少样本点的数量，决定样本点的判定(即基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇)。

图3是根据本发明实施例二提供的一种聚类方法的流程图，如图3所示，具体聚类方法的流程如下：

(1)输入数据集(即目标数据集)、领域半径r(即预设邻域半径)、领域密度阈值minPts(即预设密度阈值)；

(2)遍历输入数据集中所有样本点(即待分析数据点)，如果样本点被标记为噪声或已归入某簇，则跳过；如未在上述两种情况内，执行步骤3。

(3)计算样本点间距离，若以样本点为中心、r为半径的邻域内存在样本点总数n≥minPts，则该样本点成为核心点，执行步骤4；若邻域内样本点总数1＜n≤minPts，则标记样本点为边界点，结束；若n＝1，则标记样本点为噪声点，结束(即确定目标邻域内所包含待分析数据点的目标数量，目标邻域为以当前待分析数据点为中心，以预设邻域半径为半径所形成的圆；如果目标数量大于预设密度阈值，则确定当前待分析数据点的数据点类型为核心点；如果目标数量大于1且小于或等于预设密度阈值，则确定当前待分析数据点的数据点类型为边界点；如果目标数量等于1，则确定当前待分析数据点的数据点类型为噪声点)。

图4是根据本发明实施例二提供的一种待分析数据点的分布图，如图4所示，当预设密度阈值为3时，A点可为核心点，因为以A点为中心、r为半径的邻域内样本点总数大于等于3；B点可为边界点，因为以B点为中心、r为半径的邻域内样本点总数小于3；C点可为噪声点，因为以C点为中心、r为半径的邻域内样本点总数等于3。

(4)建立簇C(即如果数据点类型为预设数据点类型，则建立以当前待分析数据点为中心的目标数据簇)，将样本点邻域内所有未加入任何簇的点加入C(确定目标领域内尚未添加至任一目标数据簇中的目标待分析数据点；建立包含目标待分析数据点的目标数据簇)，将C作为输入数据集执行步骤2。

在基于预设邻域半径和预设密度阈值得到目标数据簇之后，可以进行结果分析，即经过对实验数据的聚类处理后，会得到若干个聚类簇。通过对簇的数量以及样本点的分布情况等结果信息进行分析，可以形成对实验系统故障的基本画像，建立故障表征到故障类型和产生原因间的双向映射关系(即根据目标数据簇建立待分析系统的故障表征与故障原因之间的映射关系)。具体分析方法如下：

(1)根据聚类形成簇的数量可以判断系统可能发生的典型故障表现的种类数。

(2)根据每个簇的中心点数据样本特点可以推断各类典型故障的表征，即故障原因到故障表征的映射。

(3)根据每个簇内数据所代表的实验场景可以反推可能导致此类故障表征发生的原因，即故障表征到故障原因的映射。

由此可以基于上述映射关系对待分析系统进行故障分析，即当待分析系统发生故障时，可以获取待分析系统的目标数据点；根据目标数据点和映射关系对待分析系统进行故障分析。

通过上述描述可以发现，本发明的故障分析方法，可以认为是混沌工程故障画像的挖掘方法，即基于DBSCAN算法对混沌工程实验结果进行处理，将故障表征聚类形成典型故障画像，以供对待分析系统可能发生的故障进行经验分析和快速诊断。

具体的，本发明的故障分析方法，通过对实验数据的分析形成了应用系统的常见故障画像，包含故障表征到故障类型和产生原因间的双向映射关系，弥补了常规混沌工程开展后对结果进一步提炼和深挖的空缺，并对待分析系统运维中问题定位诊断相关工作提供了帮助。同时，有别于生产环境实时采集数据进行分析判断的方案，本发明能够建立基于混沌工程结果和演练数据提炼上述故障画像的完整方法论，有助于在真实故障发生前进行防范和预警。

其次，使用本发明中的聚类方法不需要提前指定簇数，即在进行聚类分析前，不会因为对故障表征种类数量的误判而造成实际结果的偏差。

再次，本发明对数据选取的观测指标种类不敏感，不强制要求样本数据必须包含某些指标。即可以视系统特点和实验实际开展情况灵活选择指标，适配性强，不会产生因实验未采集某类指标而无法使用本发明方法，需要调整实验或弃用数据的情况。

此外，本发明中的聚类方法对异常值不敏感。可以有效排除因环境或数据采集等原因产生的异常数据对整体结果造成影响。

实施例三

图5是根据本发明实施例三提供的一种故障分析装置的结构示意图。

如图5所示，该装置包括：

获取模块310，用于获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；

聚类模块320，用于基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；

故障分析模块330，用于基于所述目标数据簇对所述待分析系统进行故障分析。

本发明实施例三提供的一种故障分析装置，通过获取模块获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；通过聚类模块基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；通过故障分析模块基于所述目标数据簇对所述待分析系统进行故障分析。利用该装置，通过基于预设邻域半径和预设密度阈值得到目标数据簇，能够为待分析系统进行故障分析提供可靠的依据，提高故障分析的准确性。

可选的，所述聚类模块320包括：

确定单元，用于针对所述目标数据集中的每一个待分析数据点，基于预设邻域半径和预设密度阈值，确定当前待分析数据点的数据点类型；

建立单元，用于如果所述数据点类型为预设数据点类型，则建立以所述当前待分析数据点为中心的目标数据簇。

可选的，所述确定单元包括：

第一确定子单元，用于确定目标邻域内所包含待分析数据点的目标数量，所述目标邻域为以所述当前待分析数据点为中心，以预设邻域半径为半径所形成的圆；

第二确定子单元，用于根据所述目标数量和所述预设密度阈值，确定所述当前待分析数据点的数据点类型。

可选的，所述第二确定子单元具体用于：

如果所述目标数量大于所述预设密度阈值，则确定所述当前待分析数据点的数据点类型为核心点；

如果所述目标数量大于1且小于或等于所述预设密度阈值，则确定所述当前待分析数据点的数据点类型为边界点；

如果所述目标数量等于1，则确定所述当前待分析数据点的数据点类型为噪声点。

可选的，所述建立单元具体用于：

确定目标领域内尚未添加至任一目标数据簇中的目标待分析数据点；

建立包含所述目标待分析数据点的目标数据簇。

可选的，本实施例提供的故障分析装置还包括：

建立模块，用于在所述基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇之后，根据所述目标数据簇建立所述待分析系统的故障表征与故障原因之间的映射关系；

所述故障分析模块330包括：

分析单元，用于基于所述映射关系对所述待分析系统进行故障分析。

可选的，所述分析单元具体用于：

当所述待分析系统发生故障时，获取所述待分析系统的目标数据点；

根据所述目标数据点和所述映射关系对所述待分析系统进行故障分析。

本发明实施例所提供的故障分析装置可执行本发明任意实施例所提供的故障分析方法，具备执行方法相应的功能模块和有益效果。

实施例四

图6示出了可以用来实施本发明的实施例的电子设备10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6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，例如方法故障分析。

在一些实施例中，方法故障分析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故障分析的一个或多个步骤。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故障分析。

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)

1.一种故障分析方法，其特征在于，包括：

获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；

基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；

基于所述目标数据簇对所述待分析系统进行故障分析。

2.根据权利要求1所述的方法，其特征在于，所述基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇，包括：

针对所述目标数据集中的每一个待分析数据点，基于预设邻域半径和预设密度阈值，确定当前待分析数据点的数据点类型；

如果所述数据点类型为预设数据点类型，则建立以所述当前待分析数据点为中心的目标数据簇。

3.根据权利要求2所述的方法，其特征在于，所述基于预设邻域半径和预设密度阈值，确定所述当前待分析数据点的数据点类型，包括：

确定目标邻域内所包含待分析数据点的目标数量，所述目标邻域为以所述当前待分析数据点为中心，以预设邻域半径为半径所形成的圆；

根据所述目标数量和所述预设密度阈值，确定所述当前待分析数据点的数据点类型。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标数量和所述预设密度阈值，确定所述当前待分析数据点的数据点类型，包括：

如果所述目标数量大于所述预设密度阈值，则确定所述当前待分析数据点的数据点类型为核心点；

如果所述目标数量大于1且小于或等于所述预设密度阈值，则确定所述当前待分析数据点的数据点类型为边界点；

如果所述目标数量等于1，则确定所述当前待分析数据点的数据点类型为噪声点。

5.根据权利要求3所述的方法，其特征在于，所述建立以所述当前待分析数据点为中心的目标数据簇，包括：

确定目标领域内尚未添加至任一目标数据簇中的目标待分析数据点；

建立包含所述目标待分析数据点的目标数据簇。

6.根据权利要求1所述的方法，其特征在于，在所述基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇之后，还包括：

根据所述目标数据簇建立所述待分析系统的故障表征与故障原因之间的映射关系；

所述基于所述目标数据簇对所述待分析系统进行故障分析，包括：

基于所述映射关系对所述待分析系统进行故障分析。

7.根据权利要求6所述的方法，其特征在于，所述基于所述映射关系对所述待分析系统进行故障分析，包括：

当所述待分析系统发生故障时，获取所述待分析系统的目标数据点；

根据所述目标数据点和所述映射关系对所述待分析系统进行故障分析。

8.一种故障分析装置，其特征在于，包括：

获取模块，用于获取待分析系统的目标数据集，所述目标数据集中包含所述待分析系统发生不同预设故障时的待分析数据点；

聚类模块，用于基于预设邻域半径和预设密度阈值对所述目标数据集中的待分析数据点进行聚类，得到目标数据簇；

故障分析模块，用于基于所述目标数据簇对所述待分析系统进行故障分析。

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中任一项所述的故障分析方法。

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中任一项所述的故障分析方法。

Images