一种基于大模型告警压缩与根因分析的智能运维方法及系统与流程
本发明涉及智能运维中的告警压缩、拓扑约束推理和根因分析,具体涉及一种基于大模型告警压缩与根因分析的智能运维方法及系统。
背景技术:
1、同一故障会经监控指标、日志规则和设备控制器产生大量重复或级联告警。按时间窗口和文本相似度压缩容易合并同时发生但因果无关的事件,也会丢失首次异常和传播方向。
2、大模型可以概括告警文本,但自由生成的根因缺少拓扑和原始证据约束;若不说明模型输入、输出字段及后续校验方式,结论难以复核,模型不确定时还可能给出看似确定的原因。
3、常见告警压缩方案按文本相似度或固定窗口合并告警,大模型根因分析方案则直接依据压缩文本给出候选结论;一旦压缩丢失首末事件、状态转折或拓扑时期,后续结论难以回溯和反事实验证。
4、告警文本、监测量、变更记录和拓扑边通常由不同链路产生。若只按文本相似度压缩,关键状态转折和独立证据会被合并;若让模型直接给出最终根因,则候选资源、证据引用或传播次序可能与当时拓扑不一致。
5、本发明把大语言模型限定在结构化候选生成环节。告警血缘和拓扑先确定事件片,保真压缩保留可回查映射,候选再经确定性字段校验和同拓扑时期的反事实传播验证,最终状态由可计算的覆盖、证据和残差条件决定。
6、大模型在本方案中只产生受字段模式约束的候选根因及待验证证据,不直接给出处置结论。输入先按告警血缘去重并由拓扑传播边界形成事件片,再生成保留异常顺序和原始引用的压缩表示;最终结论由反事实残差、拓扑可达性和证据独立性共同确认。
技术实现思路
1、本发明要解决的是在告警数量压缩后仍保持因果证据完整,并防止大语言模型生成的候选越过资源集合、拓扑时期或传播模型边界,从而使根因结论可核验、证据不足时可明确返回未知。
2、为使告警压缩结果、根因候选和验证证据保持可回溯,所述智能运维方法包括步骤s101(登记告警血缘)、s102(构建拓扑约束事件片)、s103(生成保真压缩表示)、s104(检索拓扑与观测证据)、s105(生成结构化根因候选)、s106(校验模式和引用)、s107(执行反事实与拓扑验证)、s108(发布根因状态并反馈采样)。
3、本发明将处理链划分为血缘建片、保真压缩、候选生成和反事实确认四个相互制约的阶段。模型输入、输出字段以及确定性确认条件完整保留如下。
4、获取来自监控平台、日志平台、设备控制器和变更系统的告警记录,将各告警记录规范化为包含资源稳定标识、状态语义、校正时间区间、来源标识和资源拓扑时期的告警节点,并登记原始监测量、阈值告警、规则转发告警和聚合告警之间的派生血缘。
5、在同一资源拓扑时期内,按照所述派生血缘、拓扑传播方向、校正时间区间可达性和状态变化相容性构建告警事件片。
6、对所述告警事件片中的同源重复告警进行折叠,生成压缩表示,所述压缩表示强制保留最早异常、末次异常、状态转折、跨资源域边界、近期变更命中点、缺失证据标记以及由每一压缩字段到原始告警标识的反向映射。
7、依据资源拓扑时期、有效时间和访问权限对证据片段进行硬过滤,并依据关键词相关度、向量相关度、拓扑可达度和时间衰减度进行重排。
8、将所述压缩表示、拓扑子图摘要、近期变更、重排后的证据片段及固定输出字段模式输入大语言模型,获得包含候选资源标识、候选故障机制、候选异常变量字段集合、预期传播路径、证据引用和缺失证据字段的结构化根因候选。
9、拒绝资源标识不属于输入资源集合、异常变量字段不属于预登记故障机制—观测字段映射表、证据引用不存在、因果次序不成立或传播路径跨越资源拓扑时期的结构化根因候选。
10、针对通过拒绝条件校验的每一结构化根因候选,在同一资源拓扑时期和同一运行模式下,从不存在异常标记且质量有效的历史区间中选择时间上最近的稳定基线,保持非候选域输入、资源拓扑时期和时间区间不变,仅将所述候选异常变量字段集合替换为所述稳定基线,并按照传播边的资源类型选择已登记传播模型重算成员告警残差。
11、缺少稳定基线、传播模型、必需输入字段或单位换算规则时,不执行替换重算并输出未知状态及缺失项。
12、根据成员告警覆盖率、相互独立的证据以及替换前后传播残差下降量,输出确定根因、并列根因或未知状态及其证据路径,其中,大语言模型的自述置信度不作为根因确认条件。
13、进一步地,告警节点仅在同时满足以下条件时进入同一告警事件片:资源拓扑时期相同;在计及时钟误差后,其校正时间区间沿拓扑边的传播可达区间相交;其状态变化方向与所述拓扑边的作用方向相容;仅具有文本相似而不存在派生血缘或拓扑可达关系的告警节点保持在不同告警事件片中。
14、进一步地,对同源重复告警进行折叠包括:仅对资源稳定标识、来源血缘、状态语义、资源拓扑时期和连续异常区间均相同的告警合并计数及起止时间;原始值不同、来源独立、发生状态反转、跨越变更点或处于资源域边界的告警不得删除;被折叠告警的原始标识列表与压缩节点共同存储。
15、进一步地,所述大语言模型为接收文本和结构化标记序列的解码器式transformer模型,模型版本记录基础模型内容摘要、分词器版本、层数、注意力头数、隐藏维度、上下文长度、解码参数和输出模式版本;输入序列依次设置事件片区段、拓扑区段、变更区段、证据区段和字段模式区段,模型输出经字段类型、枚举范围、资源集合、证据引用和模式版本逐项校验,校验失败的候选被登记失败原因而不进入反事实重算。
16、进一步地,证据片段的重排得分由关键词相关度、向量余弦相似度、拓扑可达度和时间衰减度的加权和确定,各权重、返回条数和时间衰减参数固化于诊断版本;当采用领域适配模型时,以已闭环且经复核的告警事件片构造训练样本,按事件发生时间及故障域划分训练集、验证集和测试集,以字段生成损失、证据引用一致性损失和候选排序损失的加权和训练模型,并在验证集指标连续预设轮次不改善时停止训练。
17、进一步地,所述传播模型至少包括:针对网络传播边,根据上游异常时间区间与链路传播时延区间获得下游预测时间区间,并根据丢包、队列或时延状态的归一化差异计算网络残差;针对液冷传播边,根据质量流量、比热容以及供回液温差建立热量平衡关系并计算温度和流量残差;每一传播模型的输入字段、输出字段、参数值、单位、参数来源和适用拓扑时期与根因结果共同保存;传播边的资源类型未登记、必需输入缺失或单位不能换算时,将该传播边标记为缺失证据,不调用其他资源类型的传播模型替代。
18、进一步地,对同一候选前后的同一组有效成员告警,把每一成员告警的观测量与对应传播模型输出之差除以该字段的传感器误差界或稳定期波动尺度,得到非负无量纲残差ρ_j,并以预先固化且非负的权重α_j计算e=σ_jα_jρ_j和e_c=σ_jα_jρ_j,c;反事实区分度为δ_c=(e-e_c)/max(e,ε),其中ε为与e同量纲的正数;成员告警覆盖率cover(c)为具有有效传播路径且被候选解释的成员告警数除以具有已登记模型和有效质量标志的成员告警总数,分母为零时输出未知状态;独立证据是与候选变量不属于同一采集链或派生血缘的原始观测;候选仅在因果次序校验通过、cover(c)不低于覆盖阈值、δ_c不低于残差阈值且具有至少一项独立证据时确认为根因;两个候选均通过门槛、彼此不存在因果包含且各自具有不能由另一候选解释的有效成员告警时输出并列根因,关键测点缺失或多个候选的反事实区分度差值绝对值不大于预设正数η时输出未知状态。
19、与前述方法相对应,本发明还公开一种大模型告警压缩与根因分析系统,其特征在于,包括告警血缘处理器、事件片构建器、保真压缩器、证据检索器、大语言模型服务、模式校验器、传播模型库、反事实引擎和状态控制器;所述各部件被配置为执行权利要求1至7任一项所述的方法,所述大语言模型服务仅向反事实引擎提供结构化根因候选,所述状态控制器仅在模式校验、拓扑校验和反事实确认条件闭合后发布确定根因。
20、为执行前述处理,本发明还公开一种智能运维设备,其特征在于,包括处理器、存储器、监控数据接口和拓扑数据接口,所述存储器存储告警事件片、资源类型传播模型及程序指令,所述程序指令由所述处理器执行时实现权利要求1至7任一项所述的方法。
21、本发明还公开一种非暂态计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至7任一项所述的方法。
22、保真压缩保留跨域边界、状态转折和原始标识反向映射,在减少重复告警的同时仍能从候选结论回到原始监测证据。
23、模型候选必须经过模式、拓扑和反事实三道校验;传播模型或基线缺失时不以模型置信度补足证据,从而降低不可核验根因进入运维处置链的风险。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com