故障场景模板挖掘方法、装置、设备、介质及程序产品与流程

本技术涉及故障挖掘，尤其涉及一种故障场景模板挖掘方法、装置、设备、介质及程序产品。

背景技术：

1、在日常故障运维中，运维人员可以对大量故障案例进行总结和梳理，发掘故障现象的本质，从而将具有相同本质（故障根因）的故障案例进行归类，最后将大量故障实例归纳为有限的故障场景及模板。在得到故障场景模板后可以基于该模板制定故障处理方法，这是当前故障自动化处理的基本模式。

2、当前，故障场景模板的挖掘可以采用人工梳理方式和频繁项集算法。其中，人工梳理依赖专家经验，梳理过程耗时费力，面对不断新增的故障案例，难以高效完成模板的更新与扩充，也容易出现梳理遗漏或归类不准确的问题。基于频繁项集算法的挖掘方式，该类算法仅考察告警在时间维度上的先后顺序，通过滑动窗口筛选告警密集时段前后的告警构造输入序列，再采用频繁项集算法对序列中的告警进行频繁项分析。

3、现有技术的核心是采用频繁项集挖掘算法实现关联告警的识别，挖掘在时间维度上容易连续出现的告警事件的组合。现有方法只是考察了告警的时间先后顺序，有可能同时发生的多个故障都进入到了一个序列，但是，这些故障相互之间并没有实际的关联，仅仅是因为时间上的重叠被聚合到同一个序列中，对挖掘过程形成干扰，从而降低了生成故障场景模板的准确性。

技术实现思路

1、本技术提供一种故障场景模板挖掘方法、装置、设备、介质及程序产品，用以解决现有技术中仅基于告警的时间分布特征进行分析，导致在时间窗口内可能混入多个同时发生但相互独立的故障的告警，从而对挖掘过程形成干扰的问题。

2、第一方面，本技术提供一种故障场景模板挖掘方法，包括：

3、获取历史告警数据；

4、基于所述历史告警数据所属的网络拓扑域，对所述历史告警数据进行空间分割，得到各独立拓扑域对应的故障告警序列；

5、基于各所述故障告警序列中的历史告警数据的时间分布特征，对各所述告警序列中的历史告警数据进行时间分割，得到若干故障实例；

6、基于各所述故障实例之间的共性特征，对所述若干故障实例进行聚合，生成故障场景模板。

7、在一个实施例中，所述基于所述历史告警数据所属的网络拓扑域，对所述历史告警数据进行空间分割，得到各拓扑域对应的故障告警序列，包括：

8、将网络划分为多个独立拓扑域和一个公共拓扑域；其中，各所述独立拓扑域包含一组网络设备及其承载的关联资源，所述公共拓扑域包含各所述独立拓扑域共享的网络设备；

9、根据所述历史告警数据所属的网络拓扑域，将属于所述独立拓扑域的历史告警数据分配至对应的独立拓扑域，并将属于所述公共拓扑域的历史告警数据同步至每个独立拓扑域中。

10、在一个实施例中，所述基于各所述故障告警序列中的历史告警数据的时间分布特征，对各所述告警序列中的历史告警数据进行时间分割，得到若干故障实例，针对每个故障告警序列包括：

11、确定所述故障告警序列中相邻历史告警数据之间的时间间隔的统计分布特征；所述统计分布特征包括平均间隔值和标准差；

12、根据所述统计分布特征，确定分割阈值；

13、在相邻历史告警数据之间的时间间隔超过所述分割阈值的情况下，根据所述相邻历史告警数据的位点确定为分割点；

14、按照所述分割点对所述故障告警序列进行分割，得到由所述故障告警序列分割得到的故障实例。

15、在一个实施例中，所述基于各所述故障实例之间的共性特征，对所述若干故障实例进行聚合，生成故障场景模板，包括：

16、对各所述故障实例进行结构化建模，生成对应的结构化向量；所述结构化向量用于表征所述故障实例的特征；

17、根据所述结构化向量之间的相似度，通过聚类算法将所述若干故障实例聚合成若干个簇；其中，每个簇对应一类故障场景；

18、对每个簇进行特征分析，得到每个簇对应故障场景的特征；

19、根据各类故障场景的特征，生成故障场景模板。

20、在一个实施例中，所述对各所述故障实例进行结构化建模，生成对应的结构化向量，针对每个故障实例包括：

21、对所述历史告警数据中的告警标题，按照设备层级和告警级别进行排序，并为每种告警标题分配权重；

22、根据所述故障实例所关联的告警标题及其权重，确定各种告警标题对应的告警熵分量值；

23、以各种告警标题的告警熵分量值为向量维度，构建所述故障实例的告警熵向量，并将所述告警熵向量作为所述故障实例的结构化向量。

24、在一个实施例中，所述根据所述故障实例所关联的告警标题及其权重，确定各种告警标题对应的告警熵分量值，针对每种告警标题包括：

25、确定所述故障实例对于所述告警标题的告警关联值；所述告警关联值用于指示所述故障实例中是否存在所述告警标题对应的告警或所述告警标题对应的告警数量；

26、将所述告警关联值与所述告警标题的权重相乘，得到所述告警标题对应的告警熵分量值。

27、在一个实施例中，所述对每个簇进行特征分析，得到每个簇对应故障场景的特征，针对每个簇包括：

28、确定所述簇的簇中心向量，并将所述簇中心向量确定为对应故障场景的标准告警熵；

29、针对所述簇中每个向量维度，计算所述向量维度的均值和标准差，并根据所述均值和所述标准差计算变异系数；根据所述变异系数，从各所述告警标题筛选稳定性满足预设条件的关键告警标题，并将所述关键告警标题确定为对应故障场景的特征告警；

30、将所述标准告警熵和所述特征告警整合为所述簇对应故障场景的特征。

31、第二方面，本技术还提供一种故障场景模板挖掘装置，包括：

32、获取模块，用于获取历史告警数据；

33、空间分割模块，用于基于所述历史告警数据所属的网络拓扑域，对所述历史告警数据进行空间分割，得到各独立拓扑域对应的故障告警序列；

34、时间分割模块，用于基于各所述故障告警序列中的历史告警数据的时间分布特征，对各所述告警序列中的历史告警数据进行时间分割，得到若干故障实例；

35、聚类模块，用于基于各所述故障实例之间的共性特征，对所述若干故障实例进行聚合，生成故障场景模板。

36、第三方面，本技术提供一种电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述故障场景模板挖掘方法的步骤。

37、第四方面，本技术还提供一种非暂态计算机可读存储介质，所述非暂态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如上述任一种所述故障场景模板挖掘方法的步骤。

38、第五方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被所述处理器执行时实现如上述任一种所述故障场景模板挖掘方法的步骤。

39、本技术提供的故障场景模板挖掘方法、装置、设备、介质及程序产品，首先基于告警的网络拓扑域进行空间分割，将不同拓扑域中的告警隔离至各自独立的告警序列中，从而避免因时间重叠而将不同拓扑域中无实际关联的故障告警混入同一序列，从源头消除干扰，再基于各独立拓扑域内告警的时间分布特征进行时间分割，精准界定各故障实例的边界，确保故障实例的完整性和全面性，最后基于各故障实例之间的共性特征进行聚合，挖掘出具有泛化能力的故障场景模板，有效提升了故障场景模板挖掘的准确性。