一种AI异构系统异常根因定位方法与流程

本发明涉及异常诊断与根因定位，更具体地说，它涉及一种ai异构系统异常根因定位方法。

背景技术：

1、随着人工智能业务应用向多业务对象协同处理方向发展，业务运行过程通常涉及请求接入、数据预处理、特征提取、模型推理、缓存访问、结果校验、库存核验及下游服务调用等环节，各业务对象之间具有调用依赖、数据依赖和异常时序关联。与此同时，运行状态还通过日志采集器、追踪采集器、指标采集器、链路聚合器等观测组件生成日志记录、调用链路记录、性能指标、告警信息及链路状态信息等多源数据。基于上述数据开展异常根因定位，已成为保障人工智能业务稳定运行的重要技术手段。

2、现有异常定位方案通常基于调用链路拓扑、异常指标阈值、日志关键字关联、告警时间聚合或历史故障样本确定异常传播关系，并据此筛选根因候选对象。该类方案对于调用关系完整、观测链路稳定且异常来源较为集中的业务场景，能够提供较为直观的异常分析依据。

3、但是，在人工智能异构运行环境中，业务侧异常传播与观测侧异常可能同时出现。例如，多个业务对象的异常证据可能经由同一追踪采集器、链路聚合器或时间同步链路产生；当观测组件出现采样不完整、时间漂移、链路转发异常或聚合偏差时，多个原本相互独立的业务对象可能呈现时间集中、特征相似的异常记录。若仅依据证据数量、异常时间接近程度或固定调用关系进行定位，观测侧共同原因容易被误认为业务侧异常传播原因。

4、此外，受限于采样策略、链路追踪中断、异构协议适配差异及观测数据上报延迟等因素，实际调用链路中可能存在缺失调用链路片段。缺失调用链路片段会削弱异常传播路径的连续性，导致上游业务对象、中间业务对象与下游业务对象之间的异常关联难以完整恢复。现有技术中，对于观测证据来源相关性、观测链路共同异常影响以及缺失调用链路补偿的联合处理仍存在进一步优化空间，尤其需要在保留真实业务传播关系的基础上，降低观测失真证据对根因定位的干扰，并提高异常传播路径及根因候选节点的可信程度。

技术实现思路

1、针对现有技术存在的不足，本发明的目的在于提供一种ai异构系统异常根因定位方法。

2、为实现上述目的，本发明提供了如下技术方案：

3、一种ai异构系统异常根因定位方法，包括：

4、步骤一，响应于检测到ai异构系统中的目标业务对象发生异常事件，确定异常分析时间窗口，获取异常分析时间窗口内的待分析数据，对待分析数据进行归一化处理，并基于归一化处理结果形成包括多个证据项的归一化证据数据集；

5、步骤二，根据归一化证据数据集构建业务异常传播图、观测证据可信图、证据来源映射关系和跨图证据谱系矩阵，并初始化证据权重、业务传播边置信度和证据来源边置信度；

6、步骤三，基于业务异常传播图、观测证据可信图、证据来源映射关系和跨图证据谱系矩阵形成候选观测共因域，针对候选观测共因域计算观测链路共因指数和共因条件化证据冲突熵，并基于待分析数据和业务异常传播图识别可补偿缺失调用链路片段，计算缺失调用链路片段置信度；

7、步骤四，根据观测链路共因指数、共因条件化证据冲突熵和缺失调用链路片段置信度，对业务异常传播图进行调控，并基于可补偿缺失调用链路片段形成反事实补偿子图，得到调控后的业务异常传播图；

8、步骤五，基于调控后的业务异常传播图进行异常传播路径搜索和根因定位，并输出根因定位结果。

9、在其中一个实施例中，待分析数据包括业务运行数据、多源观测证据数据、观测链路状态数据和历史正常调用模板数据，其中，多源观测证据数据包括调用链路追踪数据和链路标识数据，历史正常调用模板数据包括关键调用链路片段以及关键调用链路片段对应的上游业务对象、下游业务对象和中间业务对象。

10、在其中一个实施例中，多个证据项由多源观测证据数据拆分得到，每一证据项关联业务对象标识、证据类型和观测组件标识，观测组件标识用于标识形成对应证据项的观测组件。

11、在其中一个实施例中，业务异常传播图包括业务对象节点和业务传播边，观测证据可信图包括观测组件节点和观测链路边，证据来源映射关系由证据来源边表示；

12、基于业务对象节点、业务传播边、证据项、观测组件节点、观测链路边、异常分析时间窗口和证据来源边构建跨图证据谱系矩阵，并为证据项、业务传播边和证据来源边分别初始化证据权重、业务传播边置信度和证据来源边置信度。

13、在其中一个实施例中，根据证据项关联的观测组件标识和观测链路边确定证据项对应的观测链路子路径，观测链路子路径由至少一个观测组件节点和至少一个观测链路边构成。

14、在其中一个实施例中，针对每一候选观测共因域计算观测链路共因指数，观测链路共因指数根据谱系同源集中度、跨证据异常同步度、观测状态先导强度和业务传播解释抑制量联合确定；其中，若业务异常传播图中存在能够解释候选观测共因域内同步异常的高置信业务传播路径，且候选观测共因域对应的观测组件节点未出现异常状态，则通过业务传播解释抑制量降低观测链路共因指数；

15、高置信业务传播路径由业务传播边置信度满足预设边置信度条件的业务传播边构成。

16、在其中一个实施例中，基于业务对象节点和观测组件节点确定候选根因对象集合，针对每一证据项生成根因指向向量，根据根因指向向量形成无条件根因指向分布，并根据候选观测共因域、观测链路子路径、证据来源边和观测链路共因指数对根因指向向量进行条件化聚合，形成共因条件化根因指向分布，根据无条件根因指向分布与共因条件化根因指向分布之间的条件信息散度和冲突证据来源集中度计算共因条件化证据冲突熵。

17、在其中一个实施例中，根据观测链路共因指数、共因条件化证据冲突熵和缺失调用链路片段置信度生成联合调控门控值；当联合调控门控值满足预设调控触发条件时，根据观测证据可信图确定观测共因候选节点，并将与观测共因候选节点关联的证据项确定为观测失真证据项；依据观测失真证据项、反事实补偿子图、证据权重、业务传播边置信度和证据来源边置信度对业务异常传播图进行调控，形成调控后的业务异常传播图。

18、在其中一个实施例中，反事实补偿子图包括反事实补偿节点和反事实补偿边，反事实补偿边具有反事实补偿边置信度。

19、在其中一个实施例中，基于调控后的业务异常传播图搜索异常传播路径，计算业务对象节点、观测组件节点和反事实补偿节点对应的根因置信度，并根据根因置信度输出业务系统根因候选节点、观测系统根因候选节点和补偿后的异常传播路径中的至少一种，以及输出观测链路共因指数、共因条件化证据冲突熵、缺失调用链路片段置信度和根因置信度。

20、与现有技术相比，本发明具备以下有益效果：

21、本发明通过根据归一化证据数据集构建业务异常传播图、观测证据可信图、证据来源映射关系和跨图证据谱系矩阵，并初始化证据权重、业务传播边置信度和证据来源边置信度，使业务对象之间的异常传播关系、观测证据之间的可信关系以及证据来源关系能够被联合刻画；在此基础上形成候选观测共因域，计算观测链路共因指数和共因条件化证据冲突熵，有利于识别由观测链路共同原因引起的证据集中异常，降低观测侧异常对业务侧根因判断的干扰；

22、通过识别可补偿缺失调用链路片段并计算缺失调用链路片段置信度，结合观测链路共因指数、共因条件化证据冲突熵和缺失调用链路片段置信度对业务异常传播图进行调控，并形成反事实补偿子图，能够在调用链路不完整或观测证据存在来源相关性的情况下，对异常传播关系进行修正和补偿；基于调控后的业务异常传播图进行异常传播路径搜索和根因定位，能够输出更加完整、可信且便于核验的根因定位结果。