运维方法、装置、设备以及产品与流程

本技术涉及通信领域，尤其涉及一种运维方法、装置、设备以及产品。

背景技术：

1、lora网关是物联网系统中常用的中继设备，广泛应用于工业监测、智能园区等场景。lora网关功耗低、传输距离远，可稳定汇聚并转发物联网终端数据。设备运行时会持续生成日志文本，日志文本能够真实记录设备运行状态与异常信息，是设备故障排查的重要依据。当前，行业普遍采用推理模型对lora网关日志进行自动化故障根因分析。

2、现有日志分析方式存在严重的信息过载问题。现有技术会将原始的日志文本直接输入推理模型。海量无效、冗余的噪声数据会掩盖少量关键故障信号。这会导致推理模型进行推理逻辑时受到干扰，最终造成根因分析输出结果不稳定。

技术实现思路

1、本技术提供了一种运维方法、装置、设备以及产品，能够有效克服了推理模型在长上下文遗忘、信息过载下的幻觉与不稳定问题。

2、第一方面，提供了一种运维方法，包括：

3、接收lora网关发送的日志文本，其中，所述日志文本包括多个日志记录；

4、基于多个日志模板对所述多个日志记录进行匹配，得到多个匹配信息；

5、基于所述多个匹配信息以及事件分类库进行分类，得到多个事件类别；

6、将所述多个事件类别进行聚合、聚类以及关联中的一种或者多种，得到证据包；

7、基于所述证据包进行根因分析，得到根因分析结果；

8、基于所述根因分析结果查找故障修复库，得到修复建议。

9、上述方案中，通过日志模板对日志记录信息匹配，分类、聚类等等将海量的日志文本转化为更精简、更有意义的事件簇，提供给推理模型进行根因分析，这样就不会把成百上千条独立的日志文本直接丢给推理模型，而是将日志文本进行了深入的提炼得到深度语义，这样可以减少噪音，降低推理模型需要使用的词元的消耗，并帮助推理模型聚焦于最相关的运维问题，而不是被海量的日志文本淹没，从而能够有效克服了推理模型在长上下文遗忘、信息过载下的幻觉与不稳定问题，实现了故障根因的精准定位与标准化修复建议输出，显著提升物联网网关运维的自动化水平与诊断准确性。

10、在一些可能的设计中，基于所述证据包进行根因分析，得到根因分析结果，包括：

11、基于所述lora网关的上下文信息、历史工单中的至少一种以及所述证据包进行根因分析，得到根因分析结果，其中，所述lora网关的上下文信息包括所述lora网关的设备基础信息以及天气信息中的一种或者多种，所述历史工单是根据工单描述、设备运行状态、lora网关的上下文信息中的一种或者多种对历史故障工单库检索得到。

12、上述方案中，以结构化事件簇为基础，结合lora网关的上下文与历史工单形成约束性推理，避免信息过载与长上下文遗忘，使根因分析更稳定、可靠。此外，通过引入网关设备信息、天气等上下文，实现环境与设备维度的联合判断，提升故障根因识别精度。另外，利用检索后的历史工单作为先验知识，为推理模型提供真实运维经验参考，有效降低幻觉与错误推导。

13、在一些可能的设计中，基于所述证据包进行根因分析，得到根因分析结果之后，所述方法还包括：

14、根据匹配置信度、分类置信度、聚类置信度中的一种或者多种以及推理置信度进行加权计算，得到根因分析置信度，其中，所述匹配置信度为日志记录与日志模板之间的匹配可信程度，所述分类置信度为指日志记录匹配到对应事件类别的可信程度、所述聚类置信度为多个事件类别聚类为同一事件簇的可信程度，所述推理置信度为由事件簇特征推导得出对应故障根因的可靠程度。

15、上述方案中，对日志匹配、事件分类、聚类关联及根因推理全流程置信度加权计算，实现根因分析结果可量化、可评估。

16、在一些可能的设计中，根据匹配置信度、分类置信度、聚类置信度中的一种或者多种以及推理置信度进行加权计算，得到根因分析置信度，包括：

17、根据匹配置信度、分类置信度、聚类置信度、检索置信度中的一种或者多种以及推理置信度进行加权计算，得到根因分析置信度，其中，所述检索置信度检索置信度为在所述历史故障工单库中进行检索时，检索得到的所述历史工单与所述lora网关上下文信息、所述设备运行状态以及所述工单描述的匹配可信程度。

18、在一些可能的设计中，所述匹配置信度的数量为多个，所述匹配置信度的数量和所述匹配信息的数量相同，所述分类置信度的数量为多个，所述分类置信度的数量和所述事件类别的数量相同，所述聚类置信度的数量为多个，所述聚类置信度的数量和所述事件簇的数量相同，所述检索置信度的数量为多个，所述检索置信度的数量和历史工单的数量相同，根据匹配置信度、分类置信度、聚类置信度中的一种或者多种以及推理置信度进行加权计算，得到根因分析置信度，包括：

19、根据平均匹配置信度、平均分类置信度、平均聚类置信度、平均检索置信度中的一种或者多种以及推理置信度进行加权计算，得到根因分析置信度，其中，所述平均匹配置信度是根据多个匹配置信度求平均得到的，所述平均分类置信度是根据多个分类置信度求平均得到的，所述平均聚类置信度是根据多个聚类置信度求平均得到的，所述平均检索置信度是根据多个检索置信度求平均得到的。

20、在一些可能的设计中，基于多个日志模板对所述多个日志记录进行匹配之前，所述方法还包括：

21、为所述多个记录类别分别生成多个日志模板，其中，所述多个记录类别包括第一记录类别，所述多个日志模板包括第一日志模板，所述第一日志模板包括不变部分以及通配符部分，所述不变部分是根据所述第一记录类别各个日志记录中词语相同的部分生成的，所述通配符部分是根据所述第一记录类别各个日志记录中词语不同的部分生成的。

22、上述方案中，基于同类日志的相同部分与不同部分自动生成包含固定字段与通配符的日志模板，实现日志结构化、归一化处理，提升解析效率与泛化能力，并且，无需人工定义模板，降低维护成本，同时为后续事件分类、聚类及根因分析提供高质量结构化数据，提升整体故障诊断准确性。

23、在一些可能的设计中，基于多个日志模板对所述多个日志记录进行匹配，得到多个匹配信息，包括：

24、在发生告警事件的情况下，基于多个日志模板对所述多个日志记录进行匹配，得到多个匹配信息，其中，所述发生告警事件的触发条件包括接收到用户输入的检测信号、故障正则表达式和最近的日志记录匹配成功、所述lora网关的指标存在异常中的任意一种，所述指标包括p95时延、异常次数统计中的一种或者多种。

25、在一些可能的设计中，所述方法还包括：所述lora网关或者lora服务器定时将原始日志文本进行结构化存储，得到所述日志文本。

26、在一些可能的设计中，每个匹配信息包括日志模板、匹配次数以及模板时间戳，所述模板时间戳包括对应的日志模板匹配成功的日志记录的时间戳。

27、上述方案中，通过记录日志模板、匹配次数与模板时间戳，实现同类日志量化统计与时序标记，支撑高频异常识别、时序关联分析，提升根因分析效率与准确性，也就是说，可以精简日志的数据量、降低冗余，缓解信息过载，同时为故障追溯与可解释性提供可靠依据。

28、第二方面，提供了一种运维方法，包括：

29、接收lora网关发送的日志文本，其中，所述日志文本包括多个日志记录；

30、基于多个日志模板对所述多个日志记录进行匹配，得到多个匹配信息；

31、基于所述多个匹配信息以及事件分类库进行分类，得到多个事件类别；

32、将所述多个事件类别进行聚合、聚类以及关联中的一种或者多种，得到证据包；

33、向推理模型发送所述证据包以进行根因分析，得到根因分析结果。

34、第三方面，提供了一种运维装置，包括：

35、接收模块，用于接收lora网关发送的日志文本，其中，所述日志文本包括多个日志记录；

36、匹配模块，用于基于多个日志模板对所述多个日志记录进行匹配，得到多个匹配信息；

37、分类模板，用于基于所述多个匹配信息以及事件分类库进行分类，得到多个事件类别；

38、证据生成模块，用于将所述多个事件类别进行聚合、聚类以及关联中的一种或者多种，得到证据包；

39、分析模块，用于基于所述证据包进行根因分析，得到根因分析结果；

40、查找模块，用于基于所述根因分析结果查找故障修复库，得到修复建议。

41、第四方面，提供了一种运维装置，包括：

42、接收模块，用于接收lora网关发送的日志文本，其中，所述日志文本包括多个日志记录；

43、匹配模块，用于基于多个日志模板对所述多个日志记录进行匹配，得到多个匹配信息；

44、分类模块，用于基于所述多个匹配信息以及事件分类库进行分类，得到多个事件类别；

45、证据生成模块，将所述多个事件类别进行聚合、聚类以及关联中的一种或者多种，得到证据包；

46、发送模块，用于向推理模型发送所述证据包以进行根因分析，得到根因分析结果。

47、第五方面，提供了一种计算设备，包括：处理器以及存储器，其中，所述处理器连接所述存储器，所述存储器用于存储指令，所述处理器用于从所述存储器中读取所述指令，以执行如第一方面任一项所述的方法。

48、第六方面，提供了一种包含指令的程序产品，包括指令，当所述指令被计算设备运行时，使得所述计算设备执行如第一方面任一项所示的方法。