一种微服务故障分析方法及相关设备

摘要: 本技术涉及微服务故障分析,尤其涉及一种微服务故障分析方法及相关设备。背景技术:1、随着微服务架构的广泛应用,业务系统通常由多个相互调用的服务、数据库、缓存、消息...
一种微服务故障分析方法及相关设备

本技术涉及微服务故障分析,尤其涉及一种微服务故障分析方法及相关设备。

背景技术:

1、随着微服务架构的广泛应用,业务系统通常由多个相互调用的服务、数据库、缓存、消息队列等组件构成,一个用户侧故障可能同时受到服务发布、配置变更、依赖超时、资源瓶颈等多种因素影响。微服务故障分析需要综合日志、监控指标、调用链、配置变更、服务拓扑和历史复盘等多源证据,才能形成可靠的根因判断。

2、现有基于大语言模型的微服务故障分析方法已开始引入多专家协同机制。现有系统通常采用全体专家在同一上下文中共同讨论的模式,或者采用简单的“生成-评判”两阶段模式。然而,日志语义、配置因果、拓扑影响分析属于文本证据分析范式,而监控指标计算、调用链耗时核验、容量风险评估属于数值数据分析范式。两种范式使用不同的证据类型(文本证据vs.数值证据)、遵循不同的推理逻辑(因果推断vs.数值计算)和验证标准(语义一致性vs.数值口径一致性)。将上述不同范式的分析工作混杂在同一讨论空间中,容易出现观点发散、重复论证、证据口径混杂和上下文开销过大的问题,导致难以形成清晰、可复核的收敛结论。

技术实现思路

1、本技术实施例的主要目的在于提出一种微服务故障分析方法、电子设备、存储介质及程序产品,以解决不同分析范式混杂讨论所导致的观点发散、证据口径混杂和结论可靠性不足的技术问题。

2、为实现上述目的,本技术实施例的一方面提出了一种微服务故障分析方法,所述方法包括:

3、获取微服务故障分析请求,将所述请求拆解为多个故障分析子任务,并根据各所述子任务从微服务故障专家库中选择对应的分析专家,形成当前故障请求的初始专家集合;

4、根据各分析专家的配置信息中的组别标识,将所述初始专家集合划分为故障语义证据组专家集合和运行数据验证组专家集合;所述故障语义证据组专家集合中的专家基于日志语义、异常堆栈、发布记录、配置变更、服务拓扑和历史复盘进行故障因果传导分析、变更关联分析和处置边界分析;所述运行数据验证组专家集合中的专家基于监控指标、调用链耗时、请求量变化、错误率变化、资源使用率、连接池和线程池数据进行数值计算校验和时序归因分析;

5、分别在故障语义证据组和运行数据验证组内部执行多轮组内质询,各组内专家基于本组内其他专家的推理依据和异议点进行观点碰撞与复核,直至各组达到预设的组内收敛条件或达到预设最大轮数,分别输出所述故障语义证据组收敛结果和所述运行数据验证组收敛结果;其中,所述故障语义证据组和所述运行数据验证组分别在相互隔离的上下文中执行组内质询,各组内专家不能读取另一组专家的原始推理观点;

6、由决策专家接收所述故障语义证据组收敛结果和所述运行数据验证组收敛结果,对两个组的根因方向、证据依据和数值口径进行跨组一致性校验,并根据校验结果生成最终微服务故障分析结果并输出。

7、在一些实施例中,在形成初始专家集合之前,所述方法还包括基于熵的生成确定性判别步骤,所述生成确定性判别步骤具体包括:

8、通过大语言模型api获取所述故障请求的初步响应,记录所述初步响应生成过程中每一步的候选token概率分布,计算每一步的候选token分布熵,并根据所述候选token分布熵计算归一化生成确定性;

9、对所述初步响应中各步的归一化生成确定性进行聚合,得到当前故障请求的整体生成确定性;同时获取外部证据必要性判断;

10、当所述整体生成确定性低于预设阈值和/或所述外部证据必要性判断为需要外部证据时,触发执行形成初始专家集合、划分专家集合、组内质询以及跨组一致性校验的步骤。

11、在一些实施例中,第t个生成位置的候选token分布熵按照以下公式计算:

12、

13、其中,为候选token数量,为第t个生成位置第j个候选token的归一化概率;

14、第t个生成位置的归一化生成确定性按照以下公式计算:

15、

16、所述整体生成确定性按照以下公式计算:

17、

18、其中,表示所述整体生成确定性,表示所述初步响应的token数量,为最低生成确定性权重。

19、在一些实施例中,所述根据各所述子任务从微服务故障专家库中选择对应的分析专家,形成当前故障请求的初始专家集合,具体包括:

20、根据各所述子任务的目标服务、所需证据类型和所需工具类型,从所述专家库中召回候选专家集合;

21、计算每个候选专家对每个子任务的适配得分,所述适配得分综合考虑专家历史适应度、工具匹配度和角色匹配度;

22、选择适配得分最高的若干专家进入所述初始专家集合。

23、在一些实施例中,所述适配得分按照以下公式计算:

24、

25、其中,表示候选专家,表示第个子任务,表示专家针对子任务所属微服务故障类型的历史适应度,表示专家可调用工具与子任务所需工具之间的匹配程度,表示专家角色与子任务分析目标之间的匹配程度,三项指标的取值范围均为0至1;

26、所述专家历史适应度根据经验数据库中与子任务的故障类型相同或语义相似的历史故障评价得分加权计算:

27、

28、其中,表示专家的有效历史故障数量,表示专家在第个有效历史故障样本上的归一化评价得分,表示该历史故障样本的时间衰减权重。

29、在一些实施例中,所述组内质询包括:

30、第一轮:各组内专家并行生成初步结论;

31、第二轮:汇总各组内各专家的初步结论,从每个专家结论中抽取关键断言,在同组范围内将存在冲突的断言发送给相关专家进行复核,每个专家对冲突断言给出接受、修正或驳回三种动作之一;

32、第三轮:对第二轮后仍未解决的关键证据冲突、数值冲突、规则否决或风险否决进行复核;

33、所述组内收敛条件包括:组内主要结论达到预设一致比例,且不存在未处理的关键证据冲突、数值冲突、规则否决或风险否决。

34、在一些实施例中,所述跨组一致性校验包括:

35、比较所述故障语义证据组收敛结果和所述运行数据验证组收敛结果的根因方向、证据时间、指标口径、影响范围、风险等级和置信度是否一致;

36、当两个组的结论一致时,所述决策专家合并双方依据生成最终结论;当两个组存在冲突时,所述决策专家保留冲突说明、降低结论置信度,并按照预设优先级确定条件性结论。

37、在一些实施例中,在输出所述最终微服务故障分析结果之后,还包括专家群体进化步骤,所述专家群体进化步骤具体包括:

38、将本次故障分析过程记录到经验数据库中,根据实际根因、人工复盘结果、处置动作、恢复耗时、是否复发和延迟恢复结果计算各专家的种群适应度;

39、当所述经验数据库中累计的有效故障样本数量达到预设阈值时,基于所述种群适应度进行精英专家选择,对选出的精英专家进行知识融合和定向细化,生成新的专家配置,并使用独立验证样本对所述新的专家配置进行校验后更新专家种群。

40、在一些实施例中,所述精英专家选择采用多样性约束机制:

41、所述种群适应度按照以下公式计算:

42、

43、其中,表示根因准确性,表示证据支撑度,表示处置风险控制表现,表示规则符合性,表示与延迟恢复结果和人工复盘结论的一致性;、、、、为权重;

44、任意两个专家之间的差异度按照以下公式计算:

45、

46、其中,和分别为专家和专家的指令语义向量,和分别为专家和专家的经验语义向量,表示余弦相似度,和为权重;

47、精英选择时,将种群适应度与相对于已选精英集合的最小差异度共同纳入选择得分,逐轮选择得分最高的专家加入精英集合,直至达到预设精英数量。

48、在一些实施例中,所述微服务故障专家库至少包括日志分析专家、指标分析专家、链路追踪专家、拓扑依赖专家、配置变更专家、容量资源专家、规则约束专家和决策专家;所述故障语义证据组包括日志分析专家、拓扑依赖专家、配置变更专家和规则约束专家;所述运行数据验证组包括指标分析专家、链路追踪专家和容量资源专家。

49、在一些实施例中,所述外部证据必要性判断由所述决策专家输出:当所述故障请求涉及生产环境、实时监控指标、错误日志、调用链、配置变更、发布记录、服务拓扑、处置建议或风险等级判断时,所述外部证据必要性判断为需要外部证据;当所述故障请求仅涉及历史故障知识查询时,所述外部证据必要性判断为不需要外部证据。

50、在一些实施例中,所述预设阈值为0.35;当所述整体生成确定性不低于所述预设阈值且所述外部证据必要性判断为不需要外部证据时,将当前请求判定为常规故障知识请求,直接路由至一个角色匹配的故障专家进行处理。

51、在一些实施例中,所述时间衰减权重的半衰期为30个自然日,所述专家历史适应度的历史样本窗口为最近120个自然日。

52、在一些实施例中,所述组内收敛结果至少包括收敛状态、组内共识根因方向、关键依据、保留异议、否决标记和组内置信度;所述最终微服务故障分析结果至少包括结论摘要、根因候选、影响范围、故障语义证据依据、运行数据指标、跨组一致性说明、风险因素、处置建议和置信度说明。

53、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。

54、为实现上述目的,本技术实施例的另一方面提出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程序,所述计算机程序被处理器执行时实现上述的方法。

55、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述的方法。

56、本技术实施例至少包括以下有益效果:本技术提供一种微服务故障分析方法、电子设备、存储介质及程序产品,该方案将微服务故障分析专家按照分析范式划分为故障语义证据组和运行数据验证组,使日志语义、配置变更、拓扑影响等文本证据分析与监控指标、调用链耗时、容量风险等数值数据分析分别在相互隔离的组内完成,各组内专家基于本组其他专家的推理依据和异议点进行多轮质询与观点碰撞直至达成组内收敛,再由决策专家对两个组的收敛结果进行跨组根因方向、证据依据和数值口径的一致性校验后输出最终结论,从而有效避免了全体讨论模式下因两种分析范式的证据类型、推理逻辑和验证标准不同所导致的观点发散、重复论证、证据口径混杂和上下文开销过大等问题,显著提高了故障分析结论的收敛效率、可靠性和可复核性。