故障预警方法、装置、电子设备及存储介质与流程

1.本发明涉及计算机技术领域，具体涉及一种故障预警方法、装置、电子设备及存储介质。


背景技术：

2.针对目前的信息技(information technology,it)术系统故障预警方法，通常通过推理机分析出故障特征与专家系统内的决策表进行故障原因的推理，并计算出故障原因的概率进行报警，推理机通过贝叶斯网络根据历史故障特征对每个故障原因建立朴素贝叶斯网络从而推断出故障原因。
3.但是，时间应用中，经常有一类重大故障，是由平时根本不会注意的低级告警大量蔓延导致的，现有的故障预警方法存在有些重大故障无法提前预测到的缺陷，导致预测结果不准确。


技术实现要素：

4.本发明提供一种故障预警方法、装置、电子设备及存储介质，用以解决现有技术预警结果不准确的技术问题。
5.第一方面，本发明提供一种故障预警方法，包括：
6.基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型；
7.利用深度神经网络算法对所述蔓延模型进行训练；
8.利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值；
9.根据所述概率值进行故障预警。
10.在一个实施例中，所述基于历史数据中的第一类故障和第二类故障构建蔓延模型，包括：
11.挖掘第一类故障与第二类故障之间的关联关系；
12.基于第一类故障与第二类故障之间的关联关系提取故障特征；
13.基于所述故障特征构建所述蔓延模型。
14.在一个实施例中，所述挖掘第一类故障与第二类故障之间的关联关系，包括：
15.把可能有共同特征的第一类故障视作类；
16.使用聚类算法找出各个第一类故障之间的共同特征，确定发生第一类故障之前的第二类故障；
17.把发生第一类故障之前的第二类故障吸纳为类的成员，以确定第一类故障与第二类故障之间的关联关系。
18.在一个实施例中，所述基于第一类故障与第二类故障之间的关联关系提取故障特征，包括：
19.基于第一类故障与第二类故障之间的关联关系构建有向无环图；
20.采用支持向量机提取所述有向无环图的特征，所述有向无环图的特征表示所述故障特征。
21.在一个实施例中，所述根据所述概率值进行故障预警，包括：
22.若所述概率值超过目标阈值，则进行报警；
23.若所述概率值未超过所述目标阈值，则不进行报警。
24.在一个实施例中，所述基于历史数据中的第一类故障和第二类故障构建蔓延模型之前，还包括：
25.接收用户上传的所述第一类故障。
26.在一个实施例中，所述基于历史数据中的第一类故障和第二类故障构建蔓延模型之前，还包括：
27.利用深度学习模型抓取历史数据中的所述第二类故障。
28.第二方面，本发明提供一种故障预警装置，包括：
29.构建模块，用于基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型；
30.训练模块，用于利用深度神经网络算法对所述蔓延模型进行训练；
31.检测模块，用于利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值；
32.预警模块，用于根据所述概率值进行故障预警。
33.第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述故障预警方法的步骤。
34.第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述故障预警方法的步骤。
35.本发明提供的故障预警方法、装置、电子设备及存储介质，基于历史数据中的重大故障和低级故障构建蔓延模型，利用训练之后的蔓延模型进行故障预警，可以挖掘出那些可能蔓延成重大故障的低级告警，从而实现对重大故障的预警，提高了预警结果的准确性。
附图说明
36.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明提供的故障预警方法的流程示意图；
38.图2是本发明提供的故障预警操作流程示意图；
39.图3是本发明提供的故障预警系统的结构原理框图；
40.图4是本发明提供的故障预警装置的结构示意图；
41.图5是本发明提供的电子设备的结构示意图。
具体实施方式
42.现有技术方案通过推理机分析出故障特征与专家系统内的决策表进行故障原因的推理，并计算出故障原因的概率进行报警，推理机通过贝叶斯网络根据历史故障特征对每个故障原因建立朴素贝叶斯网络从而推断出故障原因。
43.在庞大的it系统监控工作中，经常有一类重大故障，是由平时根本不会注意的低级告警大量蔓延导致的。
44.现有技术不能利用大数据，建立低级故障向重大故障蔓延的模型，挖掘出那些可能蔓延成重大故障的低级告警，从而实现对重大故障的预警，降低了工程师的工作强度，为it系统的正常运行提供很好的保障。
45.本技术实施例解决了在it系统监控工作中低级告警往往直接被忽略掉，从而失去了预防重大故障发生的先机的问题。
46.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.图1是本发明提供的故障预警方法的流程示意图，如图1所示，本发明提供一种故障预警方法，该方法包括：
48.步骤101、基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型。
49.所述基于历史数据中的第一类故障和第二类故障构建蔓延模型，包括：
50.挖掘第一类故障与第二类故障之间的关联关系；
51.基于第一类故障与第二类故障之间的关联关系提取故障特征；
52.基于所述故障特征构建所述蔓延模型。
53.所述挖掘第一类故障与第二类故障之间的关联关系，包括：
54.把可能有共同特征的第一类故障视作类；
55.使用聚类算法找出各个第一类故障之间的共同特征，确定发生第一类故障之前的第二类故障；
56.把发生第一类故障之前的第二类故障吸纳为类的成员，以确定第一类故障与第二类故障之间的关联关系。
57.所述基于第一类故障与第二类故障之间的关联关系提取故障特征，包括：
58.基于第一类故障与第二类故障之间的关联关系构建有向无环图；
59.采用支持向量机提取所述有向无环图的特征，所述有向无环图的特征表示所述故障特征。
60.具体地，图2是本发明提供的故障预警操作流程示意图，图3是本发明提供的故障预警系统的结构原理框图，如图2和图3所示，故障预警操作流程包括以下步骤：
61.s1、挖掘重大故障与低级故障之间的联系：通过重大故障上传模块1来上传各种重大故障，同时采用低级故障抓取模块2来检测各种低级故障，采用聚类算法模块3，把可能有共同特征的重大故障视作类，此时可使用聚类算法模块3找出各个重大故障之间的共同特
征，回溯到之前的低级故障，把相关低级故障吸纳为类的成员。
62.s2、提取故障特征：将各类作业采用封装模块4进行封装，并在具体的资源池5环境实施，把重大故障和低级故障的关联关系看做一个有向无环图，再借助svm模块6的特征提取算法来提取有向无环图的特征，提取完毕后，采用蔓延模型建立模块7建立低级故障向重大故障蔓延的模型；
63.所谓蔓延模型就是预测模型，其本质就是在发生事件a1、a2、a3、a4
……
等等事件之后发生事件b的一个概率问题。
64.比如，在一个现网网元上，出现偶尔的丢包这是一个普通事件，不会被认为是一个故障，但是在1分钟内出现x次以上丢包会被认为是一个网络拥塞的低级故障，但是如果这种故障频繁发生，或者发生在多个端口上，则可能指向一个交换机的硬件故障，一但交换机硬件故障得不到及时处理，就会演变成一个重大故障。由于很多现网应用在丢包之后会要求进行重发，重发所丢之包客观上又会增加网络压力，使得交换机故障发生的可能性上升，那么这个重大故障就是由前述低级故障蔓延而来的重大故障。
65.步骤102、利用深度神经网络算法对所述蔓延模型进行训练。
66.具体地，如图2所示，提取故障特征之后还包括：
67.s3、验证故障模型：采用深度神经网络算法模块8去验证步骤s2中的故障模型，并用验证的结果精华模型模块10，此时可以看出输入的低级故障是否符合重大故障产生的条件。
68.深度神经网络算法是一个专有名词，现在也有现成的库文件实现，具体不再赘述。
69.因为故障模型是个逐步求精的过程。通过训练，也就是输入验证结果来修正算法，可以起到提高模型精度的作用。
70.低级故障和重大故障之间的联系，一定是个概率联系，例如，在发生1000次低级故障之后，有10％概率会发生一个重大故障，发生5000次低级故障之后，有80％会发生一个重大故障等。模型的目标不是预测重大故障一定会发生，而是测试发生重大故障的概率，如果系统检测故障概率较大(阈值可以由运维系统管理人员进行设定)，会预警发生重大故障的可能性。
71.步骤103、利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值。
72.具体地，如图2所示，验证故障模型之后还包括：
73.s4、预测重大故障：由于故障发生为一个概率过程，可以采用马尔可夫模型模块10去计算在一定的低级故障发生之后，其蔓延为重大故障的概率。
74.步骤104、根据所述概率值进行故障预警。
75.具体地，若所述概率值超过目标阈值，则进行报警；
76.若所述概率值未超过所述目标阈值，则不进行报警。
77.如图3所示，本发明中，所述重大故障上传模块1和低级故障抓取模块2的输出端均与聚类算法模块3的输入端连接，聚类算法模块3具体为划分算法。并且聚类算法模块3的输出端与封装模块4的输入端连接。
78.本发明中，所述封装模块4的输出端与资源池5的输入端连接，所述资源池5与svm模块6实现双向连接，svm模块6指的是支持向量机，是常见的一种判别方法，所述资源池5的输出端与蔓延模型建立模块7的输入端连接，所述svm模块6的输出端与蔓延模型建立模块7
的输入端连接。
79.本发明中，所述蔓延模型建立模块7分别与深度神经网络算法模块8和马尔可夫模型模块9实现双向连接。
80.本发明中，所述深度神经网络算法模块8的输出端与精华模型模块10的输出端连接，并且精华模型模块10的输出端与马尔可夫模型模块9的输入端连接，马尔可夫模型模块9是一种可以用来进行组织的内部资源供给预测的方法，所述低级故障抓取模块2的输出端与精华模型模块10的输入端连接。
81.本发明中，所述步骤s4中马尔可夫模型为隐式马尔可夫模型。
82.本发明中，所述步骤s1中低级故障抓取模块2为深度学习模块，经过长期累计的基础数据，能够对符合的基础故障进行抓取。
83.与现有的技术相比具备以下有益效果：该基于历史故障特征大数据的sre方法，通过在封装模块的输出端与资源池的输入端连接，资源池与svm模块实现双向连接，资源池的输出端与蔓延模型建立模块的输入端连接，svm模块的输出端与蔓延模型建立模块的输入端连接，蔓延模型建立模块分别与深度神经网络算法模块和马尔可夫模型模块实现双向连接，深度神经网络算法模块的输出端与精华模型模块的输出端连接，并且精华模型模块的输出端与马尔可夫模型模块的输入端连接，低级故障抓取模块的输出端与精华模型模块的输入端连接，利用大数据，建立低级故障向重大故障蔓延的模型，可以挖掘出那些可能蔓延成重大故障的低级告警，从而实现对重大故障的预警，降低了工程师的工作强度，为it系统的正常运行提供很好的保障。
84.下面对本发明提供的故障预警装置进行描述，下文描述的故障预警装置与上文描述的故障预警方法可相互对应参照。
85.图4是本发明提供的故障预警装置的结构示意图，如图4所示，本发明提供一种故障预警装置，包括构建模块401、训练模块402、检测模块403和预警模块404，其中：
86.构建模块401用于基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型；训练模块402用于利用深度神经网络算法对所述蔓延模型进行训练；检测模块403用于利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值；预警模块403用于根据所述概率值进行故障预警。
87.具体地，本技术实施例提供的上述故障预警装置，能够实现上述故障预警方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
88.图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(communication interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的计算机程序，以执行故障预警方法的步骤，例如包括：
89.基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型；
90.利用深度神经网络算法对所述蔓延模型进行训练；
91.利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值；
92.根据所述概率值进行故障预警。
93.此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
94.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的故障预警方法的步骤，例如包括：
95.基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型；
96.利用深度神经网络算法对所述蔓延模型进行训练；
97.利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值；
98.根据所述概率值进行故障预警。
99.另一方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法的步骤，例如包括：
100.基于历史数据中的第一类故障和第二类故障构建蔓延模型；所述第一类故障为重大故障，所述第二类故障包括中级故障和/或低级故障；所述蔓延模型为第二类故障向第一类故障发展的预测模型；
101.利用深度神经网络算法对所述蔓延模型进行训练；
102.利用经过训练的蔓延模型检测目标故障发展成第一类故障的概率值；
103.根据所述概率值进行故障预警。
104.所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
105.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
106.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
107.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。