CN117573412A - 系统故障预警方法、装置、电子设备及存储介质 - Google Patents
系统故障预警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117573412A CN117573412A CN202311605993.0A CN202311605993A CN117573412A CN 117573412 A CN117573412 A CN 117573412A CN 202311605993 A CN202311605993 A CN 202311605993A CN 117573412 A CN117573412 A CN 117573412A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- target
- fault
- historical
- 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 47
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012800 visualization Methods 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
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Abstract
本发明实施例公开了一种系统故障预警方法、装置、电子设备及存储介质。其中，该方法包括：获取与目标预测时间点对应的历史参考数据，其中，历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与历史交易数据和历史故障数据对应的历史时间点；基于历史参考数据以及系统预测模型确定与目标预测时间点对应的系统预测数据，其中，系统预测数据包括目标系统的预测交易数据和预测故障数据；获取与目标预测时间点和系统预测数据对应的系统实际数据，基于系统实际数据和系统预测数据进行故障预警。采用本技术方案，能够准确快速地智能化地预测出目标预测时间点的故障数据，结合系统实际数据及时地发现系统故障并进行预警，以提升系统安全性。
Description
技术领域
本发明涉及计算机应用技术领域，尤其涉及一种系统故障预警方法、装置、电子设备及存储介质。
背景技术
随着业务的发展，应用系统程序越来越复杂，系统的故障排查和问题定位也变得越发困难。相关技术，通过在程序运行过程中通过打印日志和异常信息帮助诊断和解决问题。一般地，通过应用日志搜索错误码快速定位问题。
然而，当系统出现异常情况时往往错误码也会异常增加。对于大规模的生产环境，应用日志和异常信息往往过多，一般会按照异常发生时间排查，由于需要花费大量时间与精力进行分析和处理，使得异常排除存在一定的滞后性，尤其在发生严重故障时，很可能会给系统业务带来严重的损失。
发明内容
本发明提供了一种系统故障预警方法、装置、电子设备及存储介质，以解决严重故障的异常排除滞后的技术问题。
根据本发明的一方面，提供了一种系统故障预警方法，该方法包括：
获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点；
基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到；所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据；
获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
根据本发明的另一方面，提供了一种系统故障预警装置，该装置包括：
参考数据获取模块，用于获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点；
系统数据预测模块，用于基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到；所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据；
系统故障预警模块，用于获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
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系统故障预警方法。
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系统故障预警方法。
本发明实施例的技术方案，首先通过获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点，为故障数据的预测提供了关键且全面的技术支撑；然后，基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到，所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据，能够准确快速地智能化地预测出目标预测时间点的故障数据；最后，获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警，能够及时地发现系统中的严重故障，并能够及时进行预警，以便进行故障排除，解决了严重故障的异常排除滞后的技术问题，达到了对系统故障进行及时预警，从而提升系统安全性的有益效果。
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系统故障预警方法的流程示意图；
图2是根据本发明实施例二提供的一种系统故障预警方法的流程示意图；
图3是根据本发明实施例三提供的一种系统故障预警装置的结构示意图；
图4是实现本发明实施例的系统故障预警方法的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。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本发明实施例一提供了一种系统故障预警方法的流程图，本实施例可适用于对系统故障进行及时预警的情况，尤其适用于在系统数据存在大量故障信息的情况，该方法可以由系统故障预警装置来执行，该系统故障预警装置可以采用硬件和/或软件的形式实现，该系统故障预警装置可配置于终端和/或服务器中。如图1所示，该方法包括：
S110、获取与目标预测时间点对应的历史参考数据。
其中，所述历史参考数据可以理解为用于预测目标预测时间点的故障数据所依赖的历史时刻下的系统运行数据。所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点。所述目标预测时间点可以为当前时间点或者位于当前时间之后的未来时间点。
可选地，与目标预测时间点对应的历史参考数据，包括：预设的历史时间段内所述目标系统的系统运行数据。所述系统运行数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点。需要说明的是，历史时间段内可以连续的时间组成的时间段，也可以是离散的时间点组成的时间段。示例性地，所述历史时间段内可以为邻近目标预测时间点的时间段，例如，位于目标预测时间点之前的预设时长；还可以为，位于目标预测时间点之前且与目标预测时间点在时间特征上相匹配的时间段。比如，目标预测时间点为今日20:00,历史时间段可以为今日之前一段时日每天的20:00，等。
S120、基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据。
其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到。所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据。所述神经网络至少包括长短时记忆网络。长短时记忆网络是一种特殊的循环神经网络，采用长短时记忆网络进行预测，可以捕捉时间序列数据的长期依赖关系，从而有效地预测未来的趋势。在本发明实施例中，可以根据数据处理的实际需求确定神经网络模型的超参数，如，神经网络的层数、单元数和学习率等，定义损失函数(如，交叉熵损失函数等)和优化器，在此并不对模型训练参数进行限定。
可选地，基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，包括：确定与所述历史餐卡数据对应的数据；
具体地，所述获取样本系统数据，包括：从所述历史参考数据中获取目标参考数据；确定与所述目标参考数据对应的数据指标，根据多个所述目标数据块对应的时间顺序以及数据指标构建模型输入数据，将所述模型输入数据输入至系统预测模型中，基于模型输出结果确定与所述目标预测时间点对应的系统预测数据。其中，所述数据指标包括所述目标参考数据中每笔交易对应的交易量、所述目标参考数据中每个故障码对应的数量、所述目标参考数据中每个故障码对应的频率以及所述目标参考数据对应的时间类型，所述时间类型包括工作日和休息日。
S130、获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
其中，所述系统实际数据包括所述目标系统的实际交易数据和实际故障数据。示例性地，所述实际交易数据可以包括实际的交易码对应的交易量。实际故障数据可以包括实际的故障码对应的数量以及频率。
作为本发明实施例的一可选实施方式，所述基于所述系统实际数据和所述系统预测数据进行故障预警，包括：在所述实际故障数据与所述预测故障数据的差异数据达到预设数据差异阈值的情况下，生成故障预警信息，并将所述故障预警信息和所述系统实际数据发送至目标终端。其中，预设数据差异阈值可以根据实际需求进行设置，在此并不做具体限定。
沿用上例，所述实际故障数据大于所述预测故障数据可以是实际的故障码对应的数量大于预测的故障码对应的数量和/或实际的故障码对应的频率高于预测数故障码对应的频率，等。
在实际应用场景中，故障数据的增加可能意味着目标系统中存在需要排除的故障，采用本技术方案，能够在实际故障数据相对于根据历史参考数据预测处的故障数据有增长的情况下，及时进行故障预警，便于用户及时发现系统故障，排除故障，从而保证目标系统的运行安全。
作为本发明实施例的另一可选实施方式，可选地，确定所述实际故障数据相对于所述预测故障数据的第一增长比例，以及，所述实际交易数据相对于所述预测交易数据的第二增长比例；在所述第一增长比例高于所述第二增长比例且所述第一增长比例高于所述第二增长比例的差值大于预设比例差值阈值的情况下，生成故障预警信息，并将所述故障预警信息发送至目标终端。其中，预设比例差值阈值可以根据实际需求进行设置，在此并不做具体限定。
继续沿用上例，所述实际故障数据相对于所述预测故障数据的增长比例可以是实际的故障码对应的数量相对于预测的故障码对应的数量的增长比例，和/或，实际的故障码对应的频率相对于预测数故障码对应的频率的增长比例。所述实际交易数据相对于所述预测交易数据的增长比例可以是实际的交易码对应的交易量相对于预测的交易码对应的交易量的增长比例，等。
采用本技术方案，不仅考虑了实际故障数据相对于所述预测故障数据的变化，而且考虑了所述实际交易数据相对于所述预测交易数据，能够结合交易数据的变化来考虑实故障数据的变化，使得故障预警更为精准。
在本发明实施例中，在生成故障预警信息的情况下，可以将所述故障预警信息进行图像化展示，以丰富预警形式，使得故障预警信息更加直观。
本发明实施例的技术方案，首先通过获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点，为故障数据的预测提供了关键且全面的技术支撑；然后，基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到，所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据，能够准确快速地智能化地预测出目标预测时间点的故障数据；最后，获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警，能够及时地发现系统中的严重故障，并能够及时进行预警，以便进行故障排除，解决了严重故障的异常排除滞后的技术问题，达到了对系统故障进行及时预警，从而提升系统安全性的有益效果。
实施例二
图2为本发明实施例二提供的一种系统故障预警方法的流程图，本实施例与上述实施例之间的基础上增加了对系统预测模型的训练过程的描述，以提供精准性更高的系统预测模型，进而保证系统故障数据的预测结果。如图2所示，该方法具体可包括：
S210、获取样本系统数据以及与所述样本系统数据对应的期望预测数据。
其中，所述样本系统数据为所述期望预测数据对应的历史参考时间段对应的系统运行数据，所述样本系统数据与所述历史参考时间段对应的历史时间点以及在所述历史时间点对应的历史交易数据和历史故障数据。所述样本系统数据可以理解为用于训练系统预测模型的数据。所述期望预测数据可以理解为所述样本系统数据的标签数据，具体为期望系统预测模型在输入所述样本系统数据后能够输出的数据。
在大多数场景中，为了便于系统管理，会集中收集、存储和处理内部系统生成的日志数据。例如，可以一套独立的分布式日志系统来实现日志数据的手机、存储和管理。分布式日志系统通常由多个服务器节点组成，可以由每个节点负责接收来自不同系统的日志数据,并将其存储到共享的分布式文件系统或分布式数据库中。通过集中存储日志数据,能够更加方便的搜索、过滤和分析日志信息。示例性地，分布式日志系统解决方案可包括ELK堆栈(Elasticsearch、Logstash和Kibana)、Splunk以及Graylog等架构,均提供强大的日志收集、存储、分析和可视化等功能,并提供通用的实时监控和告警功能,降低了日志数据的管理和分析成本。
在本发明实施例中，可以通过分布式日志系统对目标系统的性能日志进行数据采集和预处理。具体地，所述获取样本系统数据，包括：获取目标系统的日志数据，从所述日志数据中获取目标系统数据，并基于预设时间间隔将所述目标系统数据划分为多个目标数据块，其中，所述目标系统数据至少包括系统交易数据和系统错误数据；分别确定每个所述目标数据块对应的数据指标，根据多个所述目标数据块对应的时间顺序以及数据指标构建样本系统数据，其中，所述数据指标包括所述目标数据块中每笔交易对应的交易量、所述目标数据块中每个故障码对应的数量、所述目标数据块中每个故障码对应的频率以及所述目标数据块对应的时间类型，所述时间类型包括工作日和休息日。
其中，所述目标数据块中每个故障码对应的频率，具体可以是，所述目标数据块中每个故障码的数量在所有故障码对应的总数量中的占比，可以理解为，换言之，在所述预设时间间隔内每个所述故障码的数量相对于在所述预设时间间隔内所述故障码的总数量的比值。
示例性地，从目标系统的日志系统中获取N天的日志数据,假设目标系统所有的交易码集合为C,所有的错误码集合为E,分别计算每天的和其中，t表示一天的分钟计数(即，每一分钟统计一次数据)，ci表示第i个交易码，ej表示第j个故障码(包括系统上报的错误码)，/>代表在当天t时刻的ci的交易量，/>代表在当天t时刻的ej的数量,/>代表在当天t时刻的ej的频率。另外，工作日和节假日对交易量影响较大,还需要额外标注是否为工作日和节假日。
为了提升数据处理性能，在所述根据多个所述目标数据块对应的时间顺序以及数据指标构建样本系统数据之前，还包括：对多个所述目标数据块对应的数据指标进行预处理，基于预处理结果更新所述数据指标。其中，所述预处理至少可包括归一化处理等。
其中，与所述样本系统数据对应的期望预测数据，可以理解为与历史参考时间段内的所述样本系统数据对应的预测时间点的样本系统数据。可理解的是，预测时间点晚于历史参考时间段。
在本公开实施例中，还采用与样本系统数据相同的数据处理方式构建用于测试神经网络模型的测试样本数据，其处理过程不在赘述。
S220、基于所述样本系统数据以及所述期望预测数据对预先建立的神经网络模型进行训练，得到系统预测模型。
具体地，将所述样本系统数据输入至预先建立的神经网络模型中，得到模型预测结果；基于所述模型预测结果和所述期望预测数据确定模型损失，基于所述模型损失对所述神经网络模型的模型参数进行调整；在达到预设的训练结束条件的情况下，将所述神经网络模型作为系统预测模型。其中，所述训练结束条件包括所述神经网络模型的损失函数收敛、迭代次数达到预设次数或者测试结果达到预期结果中的至少一个。测试结果达到预期结果具体可以是将多个测试样本数据输入至所述神经网络模型中后，所述神经网络模型对所述测试样本数据预测的正确率达到预设正确率。
采用本技术方案，通过有监督的训练方式对神经网络模型进行训练，能够对神经网络模型进行有针对性地训练，能够更快速地获得高准确性的系统预测模型。
S230、获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点。
S240、基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到；所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据。
S250、获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
本公开实施例的技术方案，通过获取与所述历史参考时间段对应的历史时间点以及在所述历史时间点对应的历史交易数据和历史故障数据作为样本系统数据，准确地获取了与系统故障相关的目标系统数据，并且能够有效捕捉历史交易数据和历史故障数据在时序上的关联性，从而使得基于所述样本系统数据以及所述期望预测数据对预先建立的神经网络模型进行训练得到的系统预测模型，能够具有更好的准确性，进而保证系统预警的准确性，减少误报率。
实施例三
图3为本发明实施例三提供的一种系统故障预警装置的结构示意图。如图3所示，该系统故障预警装置包括：参考数据获取模块310、系统数据预测模块320和系统故障预警模块330。
其中，参考数据获取模块，用于获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点；系统数据预测模块，用于基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到；所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据；系统故障预警模块，用于获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
本发明实施例的技术方案，首先通过参考数据获取模块获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点，为故障数据的预测提供了关键且全面的技术支撑；然后，通过系统数据预测模块基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到，所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据，能够准确快速地智能化地预测出目标预测时间点的故障数据；最后，通过系统故障预警模块获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警，能够及时地发现系统中的严重故障，并能够及时进行预警，以便进行故障排除，解决了严重故障的异常排除滞后的技术问题，达到了对系统故障进行及时预警，从而提升系统安全性的有益效果。
在本发明实施例任一可选技术方案的基础上，可选的，系统故障预警装置还包括：预测模型训练模块。其中，所述预测模型训练模块包括：样本数据获取单元和神经网络训练单元。
其中，所述样本数据获取单元，用于在所述基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据之前，获取样本系统数据以及与所述样本系统数据对应的期望预测数据，其中，所述样本系统数据为所述期望预测数据对应的历史参考时间段对应的系统运行数据，所述样本系统数据与所述历史参考时间段对应的历史时间点以及在所述历史时间点对应的历史交易数据和历史故障数据；所述神经网络训练单元，用于基于所述样本系统数据以及所述期望预测数据对预先建立的神经网络模型进行训练，得到系统预测模型，其中，所述神经网络至少包括长短时记忆网络。
在本发明实施例任一可选技术方案的基础上，可选的，所述样本数据获取单元包括：日志数据处理子单元和样本数据构建子单元。
其中，所述日志数据处理子单元，用于获取目标系统的日志数据，从所述日志数据中获取目标系统数据，并基于预设时间间隔将所述目标系统数据划分为多个目标数据块，其中，所述目标系统数据至少包括系统交易数据和系统错误数据；所述样本数据构建子单元，用于分别确定每个所述目标数据块对应的数据指标，根据多个所述目标数据块对应的时间顺序以及数据指标构建样本系统数据，其中，所述数据指标包括所述目标数据块中每笔交易对应的交易量、所述目标数据块中每个故障码对应的数量、所述目标数据块中每个故障码对应的频率以及所述目标数据块对应的时间类型，所述时间类型包括工作日和休息日。
在本发明实施例任一可选技术方案的基础上，可选的，所述样本数据获取单元还包括：数据预处理子单元。其中，所述数据预处理子单元，用于在所述根据多个所述目标数据块对应的时间顺序以及数据指标构建样本系统数据之前，对多个所述目标数据块对应的数据指标进行预处理，基于预处理结果更新所述数据指标，其中，所述预处理至少包括归一化处理。
在本发明实施例任一可选技术方案的基础上，可选的，所述神经网络训练单元包括：样本数据预测子单元、模型参数调整子单元和预测模型获取子单元。其中，所述样本数据预测子单元，用于将所述样本系统数据输入至预先建立的神经网络模型中，得到模型预测结果；所述模型参数调整子单元，用于基于所述模型预测结果和所述期望预测数据确定模型损失，基于所述模型损失对所述神经网络模型的模型参数进行调整；所述预测模型获取子单元，用于在达到预设的训练结束条件的情况下，将所述神经网络模型作为系统预测模型，其中，所述训练结束条件包括所述神经网络模型的损失函数收敛、迭代次数达到预设次数或者测试结果达到预期结果中的至少一个。
在本发明实施例任一可选技术方案的基础上，可选的，所述系统实际数据包括所述目标系统的实际交易数据和实际故障数据，相应地，系统故障预警模块，具体可用于：在所述实际故障数据与所述预测故障数据的差异数据达到预设数据差异阈值的情况下，生成故障预警信息，并将所述故障预警信息和所述系统实际数据发送至目标终端。
在本发明实施例任一可选技术方案的基础上，可选的，所述系统实际数据包括所述目标系统的实际交易数据和实际故障数据；相应地，系统故障预警模块，具体可用于：确定所述实际故障数据相对于所述预测故障数据的第一增长比例，以及，所述实际交易数据相对于所述预测交易数据的第二增长比例；以及，在所述第一增长比例高于所述第二增长比例且所述第一增长比例高于所述第二增长比例的差值大于预设差值阈值的情况下，生成故障预警信息，并将所述故障预警信息发送至目标终端。
本发明实施例所提供的系统故障预警装置可执行本发明任意实施例所提供的系统故障预警方法，具备执行系统故障预警方法相应的功能模块和有益效果。
实施例四
图4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，例如系统故障预警方法。
在一些实施例中，系统故障预警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系统故障预警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)而被配置为执行系统故障预警方法。
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)
1.一种系统故障预警方法，其特征在于，包括：
获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点；
基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到；所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据；
获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
2.根据权利要求1所述的方法，其特征在于，在所述基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据之前，还包括：
获取样本系统数据以及与所述样本系统数据对应的期望预测数据，其中，所述样本系统数据为所述期望预测数据对应的历史参考时间段对应的系统运行数据，所述样本系统数据与所述历史参考时间段对应的历史时间点以及在所述历史时间点对应的历史交易数据和历史故障数据；
基于所述样本系统数据以及所述期望预测数据对预先建立的神经网络模型进行训练，得到系统预测模型，其中，所述神经网络至少包括长短时记忆网络。
3.根据权利要求2所述的方法，其特征在于，所述获取样本系统数据，包括：
获取目标系统的日志数据，从所述日志数据中获取目标系统数据，并基于预设时间间隔将所述目标系统数据划分为多个目标数据块，其中，所述目标系统数据至少包括系统交易数据和系统错误数据；
分别确定每个所述目标数据块对应的数据指标，根据多个所述目标数据块对应的时间顺序以及数据指标构建样本系统数据，其中，所述数据指标包括所述目标数据块中每笔交易对应的交易量、所述目标数据块中每个故障码对应的数量、所述目标数据块中每个故障码对应的频率以及所述目标数据块对应的时间类型，所述时间类型包括工作日和休息日。
4.根据权利要求3所述的方法，其特征在于，在所述根据多个所述目标数据块对应的时间顺序以及数据指标构建样本系统数据之前，还包括：
对多个所述目标数据块对应的数据指标进行预处理，基于预处理结果更新所述数据指标，其中，所述预处理至少包括归一化处理。
5.根据权利要求2所述的方法，其特征在于，所述基于所述样本系统数据以及所述期望预测数据对预先建立的神经网络模型进行训练，得到系统预测模型，包括：
将所述样本系统数据输入至预先建立的神经网络模型中，得到模型预测结果；
基于所述模型预测结果和所述期望预测数据确定模型损失，基于所述模型损失对所述神经网络模型的模型参数进行调整；
在达到预设的训练结束条件的情况下，将所述神经网络模型作为系统预测模型，其中，所述训练结束条件包括所述神经网络模型的损失函数收敛、迭代次数达到预设次数或者测试结果达到预期结果中的至少一个。
6.根据权利要求1所述的方法，其特征在于，所述系统实际数据包括所述目标系统的实际交易数据和实际故障数据；所述基于所述系统实际数据和所述系统预测数据进行故障预警，包括：
在所述实际故障数据与所述预测故障数据的差异数据达到预设数据差异阈值的情况下，生成故障预警信息，并将所述故障预警信息和所述系统实际数据发送至目标终端。
7.根据权利要求1所述的方法，其特征在于，所述系统实际数据包括所述目标系统的实际交易数据和实际故障数据；所述基于所述系统实际数据和所述系统预测数据进行故障预警，包括：
确定所述实际故障数据相对于所述预测故障数据的第一增长比例，以及，所述实际交易数据相对于所述预测交易数据的第二增长比例；
在所述第一增长比例高于所述第二增长比例且所述第一增长比例高于所述第二增长比例的差值大于预设差值阈值的情况下，生成故障预警信息，并将所述故障预警信息发送至目标终端。
8.一种系统故障预警装置，其特征在于，包括：
参考数据获取模块，用于获取与目标预测时间点对应的历史参考数据，其中，所述历史参考数据至少包括目标系统的历史交易数据、历史故障数据以及与所述历史交易数据和所述历史故障数据对应的历史时间点；
系统数据预测模块，用于基于所述历史参考数据以及系统预测模型确定与所述目标预测时间点对应的系统预测数据，其中，所述系统预测模型基于样本系统数据以及与所述样本系统数据对应的期望预测数据对神经网络模型进行训练得到；所述系统预测数据包括所述目标系统的预测交易数据和预测故障数据；
系统故障预警模块，用于获取与所述目标预测时间点和所述系统预测数据对应的系统实际数据，基于所述系统实际数据和所述系统预测数据进行故障预警。
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故障预警方法。
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故障预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311605993.0A CN117573412A (zh) | 2023-11-28 | 2023-11-28 | 系统故障预警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311605993.0A CN117573412A (zh) | 2023-11-28 | 2023-11-28 | 系统故障预警方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117573412A true CN117573412A (zh) | 2024-02-20 |
Family
ID=89891554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311605993.0A Pending CN117573412A (zh) | 2023-11-28 | 2023-11-28 | 系统故障预警方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117573412A (zh) |
-
2023
- 2023-11-28 CN CN202311605993.0A patent/CN117573412A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
| CN107766299B (zh) | 数据指标异常的监控方法及其系统、存储介质、电子设备 | |
| CN111143102B (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
| CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN112631887A (zh) | 异常检测方法、装置、电子设备和计算机可读存储介质 | |
| CN114356734A (zh) | 服务异常检测方法和装置、设备、存储介质 | |
| CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
| CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
| CN114997342B (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
| CN116011677A (zh) | 时序数据的预测方法、装置、电子设备及存储介质 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
| CN114861909A (zh) | 模型质量监控方法、装置、电子设备以及存储介质 | |
| CN117573412A (zh) | 系统故障预警方法、装置、电子设备及存储介质 | |
| CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
| CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
| CN117934152A (zh) | 一种系统变更后的风险评估方法、装置、设备及存储介质 | |
| CN118037414A (zh) | 一种项目风险管理方法、装置、电子设备及存储介质 | |
| CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
| CN116302370A (zh) | 一种返回码异常告警的生成方法、装置、设备及介质 | |
| CN116128651A (zh) | 交易量异常检测方法、装置、设备及存储介质 | |
| CN117611137A (zh) | 基于维保记录的故障树分析方法、装置、电子设备和介质 |
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 |