CN117035452A - 一种业务场景的根因定位方法、系统及电子设备 - Google Patents

Abstract

本说明书实施例提供一种业务场景的根因定位方法、系统及电子设备，该业务场景的根因定位方法包括：基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

Description

一种业务场景的根因定位方法、系统及电子设备

本专利申请是中国申请日为2019年05月09日，申请号为2019103833965，名称为“一种业务场景的根因定位方法、系统及电子设备”的分案申请。

技术领域

本说明书实施例涉及数据处理技术领域，尤其涉及一种业务场景的根因定位方法、系统及电子设备。

背景技术

随着信息化时代的快速发展，各企业的业务日新月异，支撑各业务的平台种类繁多。随着各平台上频繁的代码更迭，平台功能更新，及平台配置参数变更等，导致层出不穷的异常报警，给企业带来潜在的经济损失和安全隐患。因此，业务场景的根因定位至关重要。

现有的业务场景的根因定位方法，通过分析众多报警场景中相似的原因，从共性角度出发，确定在报警场景中频繁出现的原因就是报警根因。但是，该方案存在以下缺陷：需要统计各种频繁项集，算法复杂度较高。因此，现有的业务场景的根因定位方法算法复杂度较高，无法及时定位报警根因。

发明内容

本说明书实施例提供一种业务场景的根因定位方法、系统及电子设备，以解决现有的业务场景的根因定位方法算法复杂度较高，无法及时定位报警根因的问题。

本说明书实施例采用下述技术方案：

第一方面，提供了一种业务场景的根因定位方法，包括：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因条件概率分布训练得到；

基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

第二方面，提供了一种业务场景的根因定位系统，包括：

第一数据确定模块，用于基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

输入模块，用于将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因条件概率分布训练得到；

第一根因确定模块，用于基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

第三方面，提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下步骤：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因条件概率分布训练得到；

基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

第四方面，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下步骤：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因条件概率分布训练得到；

基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

本说明书实施例基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定当前报警的场景数据，可以为后续根因定位提供更多的报警场景信息，提高根因定位的准确性；通过将当前报警的场景数据作为根因定位模型的输入，以获取当前报警对应的根因条件概率分布，再基于当前报警对应的根因条件概率分布，确定当前报警对应的根因，通过利用训练好的根因定位模型进行根因定位，简化了根因定位方法的算法复杂度，当报警发生时能够及时给出导致报警的根因，从而达到及时止损的目的。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书的一个实施例提供的业务场景的根因定位方法的流程图；

图2为本说明书的一个实施例提供的业务场景的根因定位系统的结构框图；

图3为本说明书的一个实施例提供的电子设备的结构框图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所确定的所有其他实施例，都属于本说明书保护的范围。

本说明书实施例提供一种业务场景的根因定位方法、系统及电子设备，以解决现有的业务场景的根因定位方法算法复杂度较高，无法及时定位报警根因的问题。本说明书实施例提供一种业务场景的根因定位方法，该方法的执行主体，可以但不限于电子设备或能够被配置为执行本说明书实施例提供的该方法的装置或系统。

为便于描述，下文以电子设备为例，对该方法的实施方式进行介绍。可以理解，该方法的执行主体为电子设备只是一种示例性的说明，并不应理解为对该方法的限定。

图1为本说明书实施例提供的业务场景的根因定位方法的流程图，图1的方法可以由电子设备执行，如图1所示，该方法可以包括：

步骤110、基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据。

该第一预设时间段可以根据实际需求设置，本说明书实施例不作具体限定。

应理解为，至少一个数据维度为具有区分性的数据维度。

本步骤具体可实现为：当报警发生时，确定当前报警发生时刻所在的第一预设时间段，获取该第一预设时间段内业务实例的至少一个数据维度；再基于第一预设时间段内业务实例的至少一个数据维度确定当前报警的场景数据。

示例性的，假设当前报警发生时刻为2019年3月1日9点，第一预设时间段为2019年3月1日8点50分至2019年3月1日9点10分，此时，获取业务实例的至少一个数据维度，如至少一个数据维度包括：Appname(应用程序名称)&dimension(面积)&qualifier(合格项)&当前时刻所有业务实例的信息摘要(MD5)集合。

具体的，若至少一个数据维度包括产品生产时间、产品生产参数等，则基于该至少一个数据维度，可确定当前报警的场景为生产场景，并确定生产场景的场景数据；若至少一个数据维度包括产品的销售金额、产品的销售模式等，则基于该至少一个数据维度，确定当前报警的场景为销售场景，并确定该销售场景的场景数据。

步骤120、将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布。

其中，根因条件概率分布，可以指当前报警对应的所有根因的概率情况。

其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到。

该根因定位模型的训练数据为历史报警的场景数据及对应的根因，其中，历史报警的场景数据是基于历史报警时刻发生时间点所在的第二预设时间段内业务实例的至少一个数据维度确定的，历史报警对应的根因可以基于技术人员的工作经验总结得到的，或者基于频繁模式挖掘得到的。

步骤130、基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

本步骤具体可实现为：基于当前报警对应的根因条件概率分布，确定满足预定条件的根因概率对应的根因作为当前报警对应的根因。其中，预定条件可以根据实际需求选取，例如，预定条件为概率最大的条件，等等。

本说明书实施例基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定当前报警的场景数据，可以为后续根因定位提供更多的报警场景信息，提高根因定位的准确性；通过将当前报警的场景数据作为根因定位模型的输入，以获取当前报警对应的根因条件概率分布，再基于当前报警对应的根因条件概率分布，确定当前报警对应的根因，通过利用训练好的根因定位模型进行根因定位，简化了根因定位方法的算法复杂度，当报警发生时能够及时给出导致报警的根因，从而达到及时止损的目的。

可选的，作为一个实施例，步骤130具体可实现为：

基于所述当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，所述目标根因是所述当前报警对应的根因条件概率分布中的任一个根因；

在所述当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为所述当前报警对应的根因。

其中，先验概率(prior probability)是指根据以往经验和分析得到的概率。

其中，所述确定所述当前报警场景是由目标根因产生的后验概率具体实现可以为：

基于所述当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，通过贝叶斯原理确定所述当前报警场景是由目标根因产生的后验概率。

具体的，假设，采用两个变量的贝叶斯公式，该公式为：

确定当前报警场景是由目标根因产生的后验概率；

其中，P(A)表示目标根因A的先验概率；P(B)表示当前报警场景B的先验概率；P(B/A)表示在目标根因A出现的情况下场景为当前报警场景B的条件概率；P(B/A)表示当前报警场景B是由目标根因A产生的后验概率。

示例性的，假设若存在场景有销售场景、生产场景和加工场景，该销售场景、生产场景和加工场景互斥，则当前报警的场景分别为销售场景、生产场景和加工场景的先验概率均为1/3；

若目标根因包括：目标根因a、目标根因b、目标根因c和目标根因d，该目标根因a、目标根因b、目标根因c和目标根因d为互斥根因，则目标根因a、目标根因b、目标根因c和目标根因d的先验概率均为1/4；

若目标根因a出现的情况下场景为销售场景的条件概率为1/a，目标根因b出现的情况下场景为销售场景的条件概率为1/b,目标根因c出现的情况下场景为销售场景的条件概率为1/c,目标根因d出现的情况下场景为销售场景的条件概率为1/d，则：

在销售场景是由目标根因a产生的后验概率

在销售场景是由目标根因b产生的后验概率

在销售场景是由目标根因c产生的后验概率

在销售场景是由目标根因d产生的后验概率

其中，若a＞b＞c＞d，则销售场景是由目标根因d产生的后验概率最大，可确定销售场景是由目标根因d产生，即销售场景的根因为目标根因d。

本说明书实施例通过在当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为当前报警对应的根因，能够在报警发生时能够及时定位的根因中可能性最大的根因，提高了根因定位的准确性。

可选的，作为一个实施例，在基于所述历史报警的场景数据，及所述历史报警对应的根因训练所述根因定位模型之前，确定历史报警对应的根因，具体可以采用以下两种方式：

第一种，基于在单位时间内历史根因的频率，及所述历史根因的权重值，确定所述历史报警对应的根因；其中，所述历史根因是在所述历史报警时刻之前出现过的根因。

第二种，基于历史根因和历史报警同时出现的概率，且所述历史报警出现的情况下根因为所述历史根因的条件概率，确定所述历史报警对应的根因；其中，所述历史根因是在所述历史报警时刻之前出现过的根因。

具体的，若第一概率和第二概率均为最小值，则确定所述历史根因作为所述历史报警的根因。其中，所述第一概率为：所述历史报警出现的情况下根因是历史根因的条件概率；所述第二概率为：所述历史根因和所述历史报警同时出现的概率。

本说明书实施例通过历史根因和历史报警确定历史报警对应的根因，以为根因定位模型准备训练样本数据，当报警发生时，通过将当前报警的场景数据输入根因定位模型即可获得当前报警的对应根因，并根据获得的当前报警的对应根因，获取当前报警对应的根因条件概率分布，无需耗费较多计算时间，实时性较高。

以上，图1详细说明了本说明书实施例的业务场景的根因定位方法，下面，结合图2，详细说明本说明书实施例的业务场景的根因定位系统。

图2示出了本说明书实施例提供的业务场景的根因定位系统的结构示意图，如图2所示，该业务场景的根因定位系统200可以包括：

第一数据确定模块210，用于基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

输入模块220，用于将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；

第一根因确定模块230，用于基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

在一实施例中，所述第一根因确定模块230包括：

第一概率确定单元，用于基于所述当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，所述目标根因是所述当前报警对应的根因条件概率分布中的任一个根因；

选取单元，用于在所述当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为所述当前报警对应的根因。

在一实施例中，所述第一概率确定单元包括：

概率确定子单元，用于基于所述当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，通过贝叶斯原理确定所述当前报警场景是由目标根因产生的后验概率。

在一实施例中，所述业务场景的根因定位系统200包括：

第二数据确定模块240，用于基于历史报警时刻发生时间点所在的第二预设时间段内业务实例的至少一个数据维度，确定所述历史报警的场景数据；

训练模块250，用于基于所述历史报警的场景数据，及所述历史报警对应的根因条件概率分布训练所述根因定位模型。

在一实施例中，所述业务场景的根因定位系统200包括：

第二根因确定模块260，用于基于在单位时间内历史根因的频率，及所述历史根因的权重值，确定所述历史报警对应的根因，其中，所述历史根因是在所述历史报警时刻之前出现过的根因。

在一实施例中，所述业务场景的根因定位系统200包括：

第三根因确定模块280，用于基于历史根因和历史报警同时出现的概率，且所述历史报警出现的情况下根因为所述历史根因的条件概率，确定所述历史报警对应的根因，其中，所述历史根因是在所述历史报警时刻之前出现过的根因。

在一实施例中，所述第三根因确定模块280包括：

根因确定单元，用于若第一概率和第二概率均为最小值，则确定所述历史根因作为所述历史报警的根因；

其中，所述第一概率为：所述历史报警出现的情况下根因是历史根因的条件概率；

所述第二概率为：所述历史根因和所述历史报警同时出现的概率。

本说明书实施例基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定当前报警的场景数据，可以为后续根因定位提供更多的报警场景信息，提高根因定位的准确性；通过将当前报警的场景数据作为根因定位模型的输入，以获取当前报警对应的根因条件概率分布，再基于当前报警对应的根因条件概率分布，确定当前报警对应的根因，通过利用训练好的根因定位模型进行根因定位，简化了根因定位方法的算法复杂度，当报警发生时能够及时给出导致报警的根因，从而达到及时止损的目的。

图3是本说明书的一个实施例提供的电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成资源增值对象与资源对象的关联装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；

基于所述当前报警对应的根因条件概率分布，确定所述当前报警对应的根因。

本说明书实施例基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定当前报警的场景数据，可以为后续根因定位提供更多的报警场景信息，提高根因定位的准确性；通过将当前报警的场景数据作为根因定位模型的输入，以获取当前报警对应的根因条件概率分布，再基于当前报警对应的根因条件概率分布，确定当前报警对应的根因，通过利用训练好的根因定位模型进行根因定位，简化了根因定位方法的算法复杂度，当报警发生时能够及时给出导致报警的根因，从而达到及时止损的目的。

上述如本说明书图1所示实施例揭示的业务场景的根因定位方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本说明书一个或多个实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书一个或多个实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图2的业务场景的根因定位系统所执行图1的业务场景的根因定位方法，本说明书在此不再赘述。

当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于多个逻辑单元，也可以是硬件或逻辑器件。

本说明书实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述多个方法实施例的多个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

上述对说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (9)

1.一种业务场景的根因定位方法，包括：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；

基于当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，所述目标根因是所述当前报警对应的根因条件概率分布中的任一个根因；

在所述当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为所述当前报警对应的根因。

2.如权利要求1所述的方法，所述基于当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，包括：

基于所述当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，通过贝叶斯原理确定所述当前报警场景是由目标根因产生的后验概率。

3.如权利要求1所述的方法，在将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布之前，包括：

基于历史报警时刻发生时间点所在的第二预设时间段内业务实例的至少一个数据维度，确定所述历史报警的场景数据；

基于所述历史报警的场景数据，及所述历史报警对应的根因训练所述根因定位模型。

4.如权利要求3所述的方法，在基于所述历史报警的场景数据，及所述历史报警对应的根因训练所述根因定位模型之前，包括：

基于在单位时间内历史根因的频率，及所述历史根因的权重值，确定所述历史报警对应的根因，其中，所述历史根因是在所述历史报警时刻之前出现过的根因。

5.如权利要求3所述的方法，在基于所述历史报警的场景数据，及所述历史报警对应的根因训练所述根因定位模型之前，包括：

基于历史根因和历史报警同时出现的概率，且所述历史报警出现的情况下根因为所述历史根因的条件概率，确定所述历史报警对应的根因，其中，所述历史根因是在所述历史报警时刻之前出现过的根因。

6.如权利要求5所述的方法，所述确定所述历史报警对应的根因，包括：

若第一概率和第二概率均为最小值，则确定所述历史根因作为所述历史报警的根因；

其中，所述第一概率为：所述历史报警出现的情况下根因是历史根因的条件概率；

所述第二概率为：所述历史根因和所述历史报警同时出现的概率。

7.一种业务场景的根因定位系统，包括：

第一数据确定模块，用于基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

输入模块，用于将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；

第一根因确定模块，用于基于当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，所述目标根因是所述当前报警对应的根因条件概率分布中的任一个根因；在所述当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为所述当前报警对应的根因。

8.一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如下步骤：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；

基于当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，所述目标根因是所述当前报警对应的根因条件概率分布中的任一个根因；

在所述当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为所述当前报警对应的根因。

9.一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如下步骤：

基于当前报警的发生时间点所在的第一预设时间段内业务实例的至少一个数据维度，确定所述当前报警的场景数据；

将所述当前报警的场景数据作为根因定位模型的输入，以获取所述当前报警对应的根因条件概率分布，其中，所述根因定位模型基于历史报警的场景数据及对应的根因训练得到；

基于当前报警场景的先验概率，目标根因的先验概率，及在目标根因出现的情况下场景为所述当前报警场景的条件概率，确定所述当前报警场景是由目标根因产生的后验概率，所述目标根因是所述当前报警对应的根因条件概率分布中的任一个根因；

在所述当前报警对应的根因条件概率分布中的根因中选择后验概率最大的目标根因作为所述当前报警对应的根因。