CN116720089A - 告警根因定位方法、装置、设备及存储介质 - Google Patents
告警根因定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116720089A CN116720089A CN202310702219.5A CN202310702219A CN116720089A CN 116720089 A CN116720089 A CN 116720089A CN 202310702219 A CN202310702219 A CN 202310702219A CN 116720089 A CN116720089 A CN 116720089A
- Authority
- CN
- China
- Prior art keywords
- alarm
- node
- cluster
- nodes
- root cause
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010523 cascade reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及金融业务智能决策技术，揭露了一种告警根因定位方法，包括：识别告警信息集中的告警节点，构建告警节点之间的调用图谱，根据调用图谱对告警节点进行聚类得到聚类簇集合，提取每个告警节点的节点自有特征，根据节点自有特征利用预训练完成的告警根因定位模型对聚类簇进行告警根因定位分析，得到每个聚类簇中告警节点作为告警根因的概率值，汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。本发明还提出一种告警根因定位装置、电子设备以及存储介质。本发明可以提升保险、理财等金融业务中告警根因定位的准确度。
Description
技术领域
本发明涉及金融业务智能决策技术领域，尤其涉及一种告警根因定位方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们物质生活水平的不断提高，保险、理财等金融业务需求走入到人们的生活中，为满足人们多样的金融诉求，保险、理财业务急剧膨胀，服务类型复杂多样，业务底层IT架构也随之不断扩展，例如，运维系统包含多个层面和维度如应用主机、数据库、集群以及用户端等等。针对日益复杂的保险、理财业务，当产生业务告警时，如何快速准确分析定位告警根因的问题越来越凸显出来。
基于脚本规则或静态服务网络分析的自动化运维方式手段渐渐显得力不从心，无法满足快速准确响应的需要。当前告警根因分析的流程需要人为介入，即告警发生后运维人员基于一些分析手段或是过往经验去定位根因，而一些算法技术作为辅助仅提供部分参考，但如今的运维告警往往伴随着大量关联告警，涉及多个层次，以及因为保险、理财业务逻辑的动态性，人工难以在较短时间或是简单根据过往经验来进行根因分析定位，从而会延误修复工作时机。
发明内容
本发明提供一种告警根因定位方法、装置及计算机可读存储介质，其主要目的在于提升保险、理财等金融业务中告警根因定位的精准度。
为实现上述目的，本发明提供的一种告警根因定位方法，包括：
获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
可选地，所述识别所述告警信息集中每条告警信息对应的告警节点，包括：
获取所述告警信息集中每条告警信息的关键字段；
将所述关键字段与预设的告警节点字段库匹配，将匹配得到的告警节点字段对应的告警节点作为所述关键字段的告警节点。
可选地，所述获取所述告警节点集合中每个告警节点之间的调用关系，包括：
获取所述告警节点集合中每个告警节点的执行数据；
从所述执行数据中确定关联告警节点，基于所述关联告警节点确定所述告警节点集合中每个告警节点之间的调用关系。
可选地，所述根据所述调用关系构建所述告警节点之间的调用图谱，包括：
根据所述调用关系确定告警根节点及子节点；
基于所述告警根节点及子节点，利用最大连通算法将所述告警节点之间相连接，得到所述告警节点之间的调用图谱。
可选地，所述根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，包括：
识别所述调用图谱中作为调用根节点的告警节点，得到告警根节点；
将所述调用图谱中告警根节点一致的调用关系进行聚类，得到聚类簇集合。
可选地，所述提取所述聚类簇集合中每个告警节点的节点自有特征，包括：
提取所述聚类簇集合中每个聚类簇中的每个告警节点的预设维度的属性信息；
对所述预设维度的属性信息进行统一编码得到预设维度的属性向量；
对所述预设维度的属性向量进行向量拼接，得到对应聚类簇集合中每个告警节点的节点自有特征。
可选地，所述根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值，包括：
根据所述节点自有特征生成每个所述聚类簇中每个告警节点的目标矩阵；
利用所述预训练完成的告警根因模型中的全连接层对所述目标矩阵进行全连接，得到全连接矩阵；
对所述全连接矩阵进行激活运算，得到每个所述聚类簇中每个告警节点作为告警根因的概率值。
为了解决上述问题，本发明还提供一种告警根因定位装置，所述装置包括：
告警节点识别模块，用于获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
调用图谱构建模块，用于获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
特征提取模块，用于根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
概率值计算模块，用于根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
告警根因确定模块，用于汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
为了解决上述问题，本发明还提供一种电子设备，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上述所述的告警根因定位方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的告警根因定位方法。
本发明实施例通过获取告警节点之间的调用关系，根据调用关系构建调用图谱，能够动态获取告警节点之间的关联关系，缩小了链路图范围提高了效率；再对调用图谱对调用关系进行聚类，得到多个聚类簇，将多个告警节点之间的调用关系进行聚类，能够缩小告警定位的范围，提高告警根因分析的准确度；利用预训练完成的告警根因定位模型对每个聚类簇进行告警根因定位，得到每个告警节点的调用关系的告警根因，通过机器学习的方法使得告警根因分析具有更高的灵活性与准确性，从而能够快速准确地定位告警根因，保证相关服务工作的稳定性。因此本发明提出的告警根因定位方法、装置、电子设备及计算机可读存储介质，可以提升保险、理财等金融业务中告警根因定位的精准度。
附图说明
图1为本发明一实施例提供的告警根因定位方法的流程示意图；
图2为本发明一实施例提供的提取节点特征的流程示意图；
图3为本发明一实施例提供的计算概率值的流程示意图；
图4为本发明一实施例提供的告警根因定位装置的功能模块图；
图5为本发明一实施例提供的实现所述告警根因定位方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种告警根因定位方法。所述告警根因定位方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述告警根因定位方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的告警根因定位方法的流程示意图。在本实施例中，所述告警根因定位方法包括以下步骤S1-S5：
S1、获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
本发明实施例中，以保险、理财等金融业务平台或系统产生的告警为例说明所述告警根因定位方法。可以理解的是，通常一个金融保险或金融理财平台、系统或APP面向广大用户提供多样化的理财产品或保险产品以及多元化的业务服务，每个时刻都会发生用户产品的买入卖出、产品时价的刷新、用户收益增减变化等业务处理事件、数据同步刷新事件等，相应的金融业务平台或系统的架构会涉及多个模块之间的事务调用、数据同步等操作，一旦某个事务调用出现问题、或数据同步错误，都有可能引起业务间的级联反应，触发业务报警。
本发明实施例中，所述预设时间段可以是15分钟或30分钟，所述告警信息可以是指保险、理财等金融业务产生的告警信息，可以通过保险、理财等金融业务的运维系统进行收集，其中，所述运维系统可以是包含多个层面及维度的业务节点产生的告警信息，例如，应用主机、数据库、集群以及用户端等等发出的告警信息，其中，所述告警信息包括但不限于告警的发生时间、告警的节点等信息，告警节点为运维系统中多个运维节点中产生告警的节点。
详细地，所述识别所述告警信息集中每条告警信息对应的告警节点，包括：
获取所述告警信息集中每条告警信息的关键字段；
将所述关键字段与预设的告警节点字段库匹配，将匹配得到的告警节点字段对应的告警节点作为所述关键字段的告警节点。
本发明实施例中，所述关键字段可以是每条告警信息中出现次数最多的字段，将关键字段与预设的告警节点字段库匹配，得到对应的告警节点，通过所述告警节点确定告警信息集中每条告警信息的告警节点，能够快速的对告警信息进行告警来源定位，同时根据预设时间段能够及时地对告警信息记性根因定位。
S2、获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
本发明实施例中，由于运维的告警往往涉及到多个层次或多个业务逻辑，因此会形成多个关联的告警节点，通过关联的告警节点确定每个告警节点之间的调用关系，从而构建告警节点之间的调用图谱。
详细地，所述获取所述告警节点集合中每个告警节点之间的调用关系，包括：
获取所述告警节点集合中每个告警节点的执行数据；
从所述执行数据中确定关联告警节点，基于所述关联告警节点确定所述告警节点集合中每个告警节点之间的调用关系。
本发明实施例中，所述执行数据可以是每个告警节点的日志数据，从所述日志数据中获取执行过程中存在调用关系的关联节点，从而确定每个告警节点的调用关系。
进一步地，所述根据所述调用关系构建所述告警节点之间的调用图谱，包括：
根据所述调用关系确定告警根节点及子节点；
基于所述告警根节点及子节点，利用最大连通算法将所述告警节点之间相连接，得到所述告警节点之间的调用图谱。
本发明实施例中，所述作为告警根节点的告警节点是在告警节点之间的调用关系中只用于调用其他告警节点，而没有作为被调用的告警节点。
本发明实施例中，所述调用图谱是通过所述每个告警节点之间的调用关系进行有向连接得到的，有向连接得到的连接边的方向用于指示告警节点之间调用与被调用之间的关系。
本发明实施例中，通过构建告警节点之间的调用图谱能够动态展示告警节点之间的调用关系，同时全面的展示全部告警节点之间的调用关系，从而更精确地对告警节点进行定位。
S3、根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
本发明实施例中，所述聚类是将告警节点之间的调用关系进行聚类，本发明另一实施例中，所述节点自有特征是告警节点本身固有的特征信息。
详细地，所述根据所述调用图谱对所述每个告警节点之间的调用关系进行聚类，得到聚类簇集合，包括：
识别所述调用图谱中作为调用根节点的告警节点，得到告警根节点；
将所述调用图谱中告警根节点一致的调用关系进行聚类，得到聚类簇集合。
本发明实施例中，所述作为告警根节点的告警节点是在告警节点之间的调用关系中只用于调用其他告警节点，而没有作为被调用的告警节点，将告警根节点一致的调用关系进行聚类，能够将高度相关的告警节点之间的调用关系聚类，从而缩小告警定位的范围，提高告警根因分析的准确度。
进一步地，参阅图2所示，所述提取所述聚类簇集合中每个告警节点的节点自有特征，包括：
S21、提取所述聚类簇集合中每个聚类簇中的每个告警节点的预设维度的属性信息；
S22、对所述预设维度的属性信息进行统一编码得到预设维度的属性向量；
S23、对所述预设维度的属性向量进行向量拼接，得到对应聚类簇中每个告警节点的节点自有特征。
本发明实施例中，所述预设维度的属性信息可以是告警节点的业务属性、数据属性等维度的属性信息，在对属性信息进行统一的one-hot编码从而得到预设维度的属性向量。
本发明实施例中，通过每个告警节点的节点自有特征能够体现每个告警节点之间的本质差异，从而准确地对告警节点所在的聚类簇进行告警根因定位。
S4、根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
本发明实施例中，所述预训练完成的告警根因定位模型利用深度神经网络模型训练完成，对深度神经网络进行监督学习训练，利用交叉熵作为损失函数，通过损失函数调整所述深度神经网络模型的参数，直至损失值达到预设阈值，得到告警根因定位模型，通过预训练完成的告警根因定位模型能够计算每个告警节点作为告警根因的概率。
详细地，参阅图3所示，所述根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值，包括：
S31、根据所述节点自有特征生成每个所述聚类簇中每个告警节点的目标矩阵；
S32、利用所述预训练完成的告警根因模型中的全连接层对所述目标矩阵进行全连接，得到全连接矩阵；
S33、对所述全连接矩阵进行激活运算，得到每个所述聚类簇中每个告警节点作为告警根因的概率值。
本发明实施例中，所述全连接层中包含多个子全连接层，利用多个子全连接层进行全连接，本发明实施例中，可利用softmax激活函数对全连接矩阵进行激活运算，得到每个告警节点的概率值。
本发明实施例中，通过告警节点的自有特征利用预训练完成的告警根因定位模型进行分析，能够准确地对告警节点进行分析判断，从而得到更准确地告警节点作为告警根因的概率值。
S5、汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
本发明实施例中，每个所述聚类簇中概率值最大的告警节点作为对应聚类簇告警根因节点的可能性越大，因此将概率值最大的告警节点作为对应聚类簇中每个调用关系的告警根因，进一步地，汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因，从而对一系列的关联告警进行定位，能够提高告警根因定位的准确度。
本发明实施例通过获取告警节点之间的调用关系，根据调用关系构建调用图谱，能够动态获取告警节点之间的关联关系，缩小了链路图范围提高了效率；再对调用图谱对调用关系进行聚类，得到多个聚类簇，将多个告警节点之间的调用关系进行聚类，能够缩小告警定位的范围，提高告警根因分析的准确度；利用预训练完成的告警根因定位模型对每个聚类簇进行告警根因定位，得到每个告警节点的调用关系的告警根因，通过机器学习的方法使得告警根因分析具有更高的灵活性与准确性，从而能够快速准确地定位告警根因，保证相关服务工作的稳定性。因此本发明提出的告警根因定位方法，可以提升保险、理财等金融业务中告警根因定位的精准度。
如图4所示，是本发明一实施例提供的告警根因定位装置的功能模块图。
本发明所述告警根因定位装置100可以安装于电子设备中。根据实现的功能，所述告警根因定位装置100可以包括告警节点识别模块101、调用图谱构建模块102、特征提取模块103、概率值计算模块104及告警根因定位模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述告警节点识别模块101，用于获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
所述调用图谱构建模块102，用于获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
所述特征提取模块103，用于根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
所述概率值计算模块104，用于根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
所述告警根因确定模块105，用于汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
详细地，本发明实施例中所述告警根因定位装置100中所述的各模块在使用时采用与上述图1至图3中所述的告警根因定位方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现告警根因定位方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如告警根因定位程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行告警根因定位程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如告警根因定位程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的告警根因定位程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种告警根因定位方法，其特征在于，所述方法包括：
获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
根据所述节点自有特征利用预训练完成的告警根因定位模型对所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
2.如权利要求1所述的告警根因定位方法，其特征在于，所述识别所述告警信息集中每条告警信息对应的告警节点，包括：
获取所述告警信息集中每条告警信息的关键字段；
将所述关键字段与预设的告警节点字段库匹配，将匹配得到的告警节点字段对应的告警节点作为所述关键字段的告警节点。
3.如权利要求1所述的告警根因定位方法，其特征在于，所述获取所述告警节点集合中每个告警节点之间的调用关系，包括：
获取所述告警节点集合中每个告警节点的执行数据；
从所述执行数据中确定关联告警节点，基于所述关联告警节点确定所述告警节点集合中每个告警节点之间的调用关系。
4.如权利要求1所述的告警根因定位方法，其特征在于，所述根据所述调用关系构建所述告警节点之间的调用图谱，包括：
根据所述调用关系确定告警根节点及子节点；
基于所述告警根节点及子节点，利用最大连通算法将所述告警节点之间相连接，得到所述告警节点之间的调用图谱。
5.如权利要求1所述的告警根因定位方法，其特征在于，所述根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，包括：
识别所述调用图谱中作为调用根节点的告警节点，得到告警根节点；
将所述调用图谱中告警根节点一致的调用关系进行聚类，得到聚类簇集合。
6.如权利要求1所述的告警根因定位方法，其特征在于，所述提取所述聚类簇集合中每个告警节点的节点自有特征，包括：
提取所述聚类簇集合中每个聚类簇中的每个告警节点的预设维度的属性信息；
对所述预设维度的属性信息进行统一编码得到预设维度的属性向量；
对所述预设维度的属性向量进行向量拼接，得到对应聚类簇中每个告警节点的节点自有特征。
7.如权利要求1所述的告警根因定位方法，其特征在于，所述根据所述节点自有特征利用预训练完成的告警根因定位模型对所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值，包括：
根据所述节点自有特征生成每个所述聚类簇中每个告警节点的目标矩阵；
利用所述预训练完成的告警根因模型中的全连接层对所述目标矩阵进行全连接，得到全连接矩阵；
对所述全连接矩阵进行激活运算，得到每个所述聚类簇中每个告警节点作为告警根因的概率值。
8.一种告警根因定位装置，其特征在于，所述装置包括：
告警节点识别模块，用于获取预设时间段内的告警信息集，识别所述告警信息集中每条告警信息对应的告警节点，得到告警节点集合；
调用图谱构建模块，用于获取所述告警节点集合中每个告警节点之间的调用关系，根据所述调用关系构建所述告警节点之间的调用图谱；
特征提取模块，用于根据所述调用图谱对每个所述告警节点之间的调用关系进行聚类，得到聚类簇集合，并提取所述聚类簇集合中每个告警节点的节点自有特征；
概率值计算模块，用于根据所述节点自有特征利用预训练完成的告警根因定位模型对每个所述聚类簇集合中的每个聚类簇进行告警根因定位分析，得到每个所述聚类簇中每个告警节点作为告警根因的概率值；
告警根因确定模块，用于汇集每个所述聚类簇中概率值最大的告警节点组成候选告警根因节点集合，从所述候选告警根因节点集合中，选择重复率最高的告警节点作为所述告警信息集的告警根因。
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如权利要求1至7中任意一项所述的告警根因定位方法。
10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的告警根因定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310702219.5A CN116720089A (zh) | 2023-06-13 | 2023-06-13 | 告警根因定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310702219.5A CN116720089A (zh) | 2023-06-13 | 2023-06-13 | 告警根因定位方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116720089A true CN116720089A (zh) | 2023-09-08 |
Family
ID=87872956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310702219.5A Pending CN116720089A (zh) | 2023-06-13 | 2023-06-13 | 告警根因定位方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720089A (zh) |
-
2023
- 2023-06-13 CN CN202310702219.5A patent/CN116720089A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
| CN111950621B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
| CN113792089B (zh) | 基于人工智能的非法行为检测方法、装置、设备及介质 | |
| CN111985545B (zh) | 基于人工智能的目标数据检测方法、装置、设备及介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
| CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
| CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
| CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
| CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
| CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
| CN113726963B (zh) | 智能外呼防骚扰方法、装置、设备及介质 | |
| CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN114610980A (zh) | 基于网络舆情的黑产识别方法、装置、设备及存储介质 | |
| CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
| CN116720089A (zh) | 告警根因定位方法、装置、设备及存储介质 | |
| CN114006986A (zh) | 外呼合规预警方法、装置、设备及存储介质 | |
| CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
| CN113688924B (zh) | 异常订单检测方法、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 |