一种基于指标数据的智能故障预警方法和装置与流程

1.本发明涉及数据管理技术领域，具体涉及一种基于指标数据的智能故障预警方法和装置。


背景技术：

2.系统故障预警即通过机器算法快速准确的预测故障的发生，并在故障发生时定位故障原因，降低风险，现有技术中心系统故障预警方法包括：采集系统各项指标数据，包括cpu、内存、磁盘、故障情况等；取其中一部分数据作为样本，采用机器学习算法训练异常检测模型；取剩余的数据套入模型中进行验证并调整；取真实数据填入故障预警模型中，判断是否有异常指标，有则进行告警；上述传统的故障预警方法分析的指标数据较为简单，无需考虑系统架构和产品特性，适用性较广，但存在着以下问题：由于分析的指标数据太过单一，预测精准度较低，存在误报率，影响运维人员的判断；将上述故障预警方法应用到较为复杂的云平台时，海量指标数据的训练分析对计算准确率和计算速率有着较高要求，对云平台负载过大。


技术实现要素：

3.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于指标数据的智能故障预警方法和装置。
4.根据本发明的一个方面，提供了一种基于指标数据的智能故障预警方法，包括：
5.提取云平台历史指标数据，将所述历史指标数据进行预处理后通过训练得到业务故障预测模型；将所述历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；
6.获取云平台中当前指标数据，将所述当前指标数据输入至所述业务故障预测模型中进行预测，输出故障业务的指标数据；
7.将所述故障业务的指标数据输入至所述指标故障预测模型中进行预测，得到预测结果；
8.根据预测结果确定所述当前指标数据是否发生故障；
9.其中，所述历史指标数据和所述当前指标数据分别包括多维度的业务日志数据。
10.根据本发明的另一方面，提供了一种基于指标数据的智能故障预警装置，包括：
11.模型训练模块，用于提取云平台历史指标数据，将所述历史指标数据进行预处理后通过训练得到业务故障预测模型；将所述历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；
12.预测模块，用于获取云平台中当前指标数据，将所述当前指标数据输入至所述业务故障预测模型中进行预测，输出故障业务的指标数据；将所述故障业务的指标数据输入至所述指标故障预测模型中进行预测，得到预测结果；
13.处理模块，用于根据预测结果确定所述当前指标数据是否发生故障；
14.其中，所述历史指标数据和所述当前指标数据分别包括多维度的业务日志数据。
15.根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
16.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于指标数据的智能故障预警方法对应的操作。
17.根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于指标数据的智能故障预警方法对应的操作。
18.根据本发明的一种基于指标数据的智能故障预警方法和装置，通过提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果；根据预测结果确定当前指标数据是否发生故障。本发明通过历史指标数据构建业务故障预测模型，通过k最近邻分类器构建指标故障预测模型，业务故障预测和指标故障预测相结合实现对云平台的故障预警，故障预测更加灵活。
19.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
20.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
21.图1示出了本发明实施例提供的一种基于指标数据的智能故障预警方法流程图；
22.图2示出了本发明实施例提供的一种基于指标数据的智能故障预警装置的结构示意图；
23.图3示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
24.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
25.图1示出了本发明一种基于指标数据的智能故障预警方法实施例的流程图，如图1所示，该方法包括以下步骤：
26.步骤s110：提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型。
27.其中，历史指标数据和当前指标数据分别包括多维度的业务日志数据。
28.在本实施例中，汇总云平台产品业务，包括云计算、存储、数据库、中间组件等产品业务，采集与上述云平台产品业务相关的历史数据作为历史指标数据，另外，历史指标数据还包括云平台的其他硬件数据，例如主机性能数据、告警数据、故障日志数据(例如物理机/虚拟机的故障处理日志)等。
29.在一种可选的方式中，步骤s110进一步包括：将历史指标数据依据预设规则进行归一化处理，得到历史数据集；对历史数据集进行数据采样，对采样数据进行特征提取得到第一特征数据，将第一特征数据输入lightgbm模型得到第二特征数据；将第一特征数据和第二特征数据通过逻辑回归算法模型进行训练，得到业务故障预测模型。
30.具体地，可以根据实际需要采集上一个月或一个星期的历史指标数据。对历史指标数据进行预处理，具体为：观察数据来决定对缺失的历史指标数据的处理方法(例如保留或丢弃)，一般应保留对构建故障预测模型有用的数据，进而对历史指标数据进行归一化处理形成统一格式的历史数据集以便于放入模型进行训练。
31.进一步地，对历史数据集进行数据采样，对采样数据进行特征提取得到第一特征数据，将第一特征数据输入梯度提升机(light gradient boosting machine，lightgbm)模型得到第二特征数据；具体地，为了提高构建模型时机器模型学习的效率且不损失模型的预测精度，采用直方图算法和高斯(goss)算法对历史数据集进行分类采样，分类采样即对历史指标数据按梯度分布进行分类，并设定不同的采样率和权重，同时采用互斥特征捆绑(efb)算法对历史数据集进行降维处理，将采集到的每一个维度的业务日志数据处理为一条第一特征数据。其中，lightgbm模型使用了直方图算法寻找最佳分裂结点，对每个采样数据的特征的取值用分桶的方法离散化，将在某个范围内的取值划分到某一个桶(bin)中，将连续的浮点特征离散成k个离散值；然后，构建一个宽度为k的直方图，实现用直方图代替原有的数据；最后，将借助于构建的直方图遍历数据，计算每个bin中样本的梯度、样本数量等以寻找最优分裂结点，无需再逐个遍历所有的数据，从而显著减少了计算量，提高了训练速度，第一特征数据输入lightgbm模型得到第二特征数据，将第一特征数据和第二特征数据通过逻辑回归算法(logistic regression，lr)模型进行训练；其中，lr算法模型是通过sigmoid函数将线性函数的结果映射到sigmoid函数中，预估故障事件出现的概率并分类，因此可以用于研究特征数据(性能指标数据)与是否故障之间的影响关系。
32.需要特别说明的是，在对历史数据集进行数据采样时，采用单边梯度采样策略，由于每个历史数据实例有不同的梯度，根据计算信息增益的定义，梯度大的实例对信息增益有更大的影响，因此在采样时，保留梯度大的样本数据(具体可以通过预先设定阈值或者最高百分位间来确定是否为梯度大的样本数据)，随机去掉梯度小的样本数据，仅用剩下的样本数据计算信息增益，能够更好的模拟历史数据的分布，提高业务故障预警模型的泛化能力。采用efb算法对历史数据集进行降维处理，采集特征数据时，需要对采集到的每一个维度的业务日志数据的特征按照非零值的个数进行排序，计算不同特征之间的冲突比率，将类似的一个特征值为零，一个特征值不为零这样的互斥的特征进行特征捆绑，变为低维稠密的特征，就能够有效的避免不必要0值特征的计算，从而提升计算效率。
33.首先用lightgbm对构建好的第一特征数据做训练构建新的特征数据即第二特征数据，得到一个二分类器，利用网格搜索寻找最佳参数组合，其中，本实施例中二分类问题中使用的损失函数为对数损失函数；用训练好的lightgbm模型来构造第二特征数据时，第
二特征数据特征向量的取值为0/1，特征向量的每个元素对应于lightgbm模型中树的叶子结点；其中，lightgbm模型学习到的树在做预测时，一个样本点通过某棵树最终落在这棵树的一个叶子结点上，那么在新特征向量中这个叶子结点对应的元素值为1，而这棵树的其他叶子结点对应的元素值为0；第二特征数据的特征向量的长度等于gbdt模型里所有树包含的叶子结点数之和；将第一特征数据和第二特征数据输入lr算法模型进行最终分类器的训练，其中，lr算法模型的损失函数为下式(1)：
[0034][0035]
其中，yi表示样本i对应的标签，xi表示样本i的值，h
θ
(xi)表示样本i的概率，m表示样本个数。
[0036]
通过上述训练好的业务故障预测模型对采集到的当前指标数据进行预测，判断是否发生故障。
[0037]
在一种可选的方式中，历史指标数据包括正常业务的第一历史指标数据和故障业务的第二历史指标数据，第一历史指标数据的业务标签为第一标签，第二历史指标数据的业务标签为第二标签；步骤s110进一步包括：将第一历史指标数据和第二历史指标数据通过k最近邻分类器进行训练得到各个历史指标数据在正常类别和故障类别中的分布情况以及属于同一类别的任两个历史指标数据之间的欧氏距离；依据分布情况、欧氏距离以及各个历史指标数据对应的业务标签调整k最近邻分类器的参数，得到训练后的指标故障预测模型。
[0038]
在本实施例中，利用stacking思想，对lightgbm模型和lr算法模型进行融合，将预测问题转换为分类问题，将历史指标数据分类为正常业务的第一历史指标数据和故障业务的第二历史指标数据，第一历史指标数据的业务标签为第一标签，第二历史指标数据的业务标签为第二标签；进一步地，将第一历史指标数据和第二历史指标数据通过k最近邻分类器(k-nearestneighbor，knn)进行训练，得到各个历史指标数据在正常类别和故障类别中的分布情况以及属于同一类别的任两个历史指标数据之间的欧氏距离。其中，stacking模型的基本思想具体为：假设有1000条训练集，100条测试集，那么把训练集分为5份(一般分为5份)，每一份有200条。用model训练其中四份，即800条，后，预测剩下200条，同时也预测测试集100条，得到预测结果。经过5次训练，训练集正好得到200
×
5条结果，也就是原来训练集的数量，合为一列，即1000
×
1的矩阵，测试集得到100
×
5条，将5次预测结果取平均值，得到100
×
1的矩阵，第一层任务结束。接着用相同的方法，尝试另外的模型，把不同模型得到的结果按列合并，若使用3个基模型，即得到1000
×
3的矩阵和100
×
3的矩阵，将这些结果作为第二层模型的训练集和测试集，初始的训练集标签作为第二层训练集标签，投入训练，预测结果。
[0039]
其中，属于同一类别的任两个历史指标数据之间的欧氏距离计算公式如下式(2)：
[0040][0041]
其中x和y分别代表属于同一类别(正常类别或故障类别)的两个不同的历史指标数据的值；d(x,y)表示两个值的距离。
[0042]
依据分布情况、欧氏距离以及各个历史指标数据对应的业务标签调整k最近邻分类器的参数，得到训练后的指标故障预测模型。
[0043]
步骤s120：获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果。
[0044]
在一种可选的方式中，步骤s120进一步包括：将故障业务的指标数据输入至指标故障预测模型中进行预测，计算故障业务的指标数据与各个历史指标数据之间的欧氏距离；依据欧氏距离最小的历史指标数据的业务标签，确定预测结果。
[0045]
步骤s130：根据预测结果确定当前指标数据是否发生故障。
[0046]
在一种可选的方式中，步骤s130进一步包括：若预测结果中的业务标签为正常业务对应的标签，则确定当前指标数据未发生故障；若预测结果中的业务标签为故障业务对应的标签，则确定当前指标数据发生故障。
[0047]
采用本实施例的方法，通过步骤s110-s130对一批mysql产品进行样本训练得到业务故障预测模型和指标故障预测模型，表1为采集到的历史指标数据样本示例，如表1所示，其中x1-x17云平台mysql的产品业务的17个指标，每一列是指标数据，每一行是指标数据的值，x1-x17包括：cpu使用率(％)，cpu负载(平均数)，内存使用率(％)，磁盘空间使用率(％)，磁盘iops(每秒次数)，磁盘吞吐量(mb/s)，网络速率(mb/s)，带宽利用率(％)，系统进程数(个数)，cpu温度(℃)，风扇转速(rpm)，mysql查询吞吐率(每秒次数)，mysql持久连接利用率(％)，mysql查询缓存空间使用率(％)，mysql查询缓存命中率(％)，mysql缓存查询数，mysql索引缓存命中率(％)，其中包括设备正常业务的第一历史指标数据和故障业务的第二历史指标数据，构造成样本数据如表1所示，其中label为0表示正常业务，1表示故障业务。
[0048]
x1x2x3x4x5x6x7x8x9x10x11x12x13x14x15x16x17label0.080.40.530.751000130.328050230050000.330.340.152000000.500.40.80.770.555040.5250070350080000.650.670.373334560.690
………ꢀ…ꢀ…ꢀ…ꢀ…ꢀ…ꢀ…ꢀ…ꢀ
0.990.990.90.881000050093.25000805000200000.90.90.75552130.891
[0049]
表1历史指标数据样本示例
[0050]
用lightgbm模型训练上述表1的样本数据，具体为：通过训练好的lightgbm模型，将样本数据在训练好的lightgbm模型里每棵树中叶子结点对应的元素值为1，而这棵树的其他叶子结点对应的元素值为0的方法转为稀疏的特征向量；其中，训练好的lightgbm模型中有n个弱分类器和m个叶子结点，则每一条第一特征数据都会被转换为1*m维稀疏向量，且有n个元素为1，其余m-n个元素全为0，数据转为如[0.0.0....1.0.0.]的形式即为第二特征数据；将[0.0.0....1.0.0.]形式的第二特征数据送入lr算法模型中，可以计算得到每条样本数据为标签[0，1]对应的概率，数值约趋向于1代表故障原因的可能性越大；数组格式如[0.04403279，0.95596721]，分别将该数组中的两个数值与1进行比对判断是否趋向于1由此得到是否故障的信息。
[0051]
进一步地，将业务故障预测模型中预测到的业务存在故障的指标数据，分别用训练后的指标故障预测模型通过计算欧氏距离进行故障指标预测，根据预测结果确定当前指标数据是否发生故障，以提醒运维人员进行重点维护。
[0052]
以上述cpu利用率(％)为例：在knn的训练中，对cpu利用率的历史故障数据训练得出的cpu利用率样本数据业务标签表示为[欧氏距离，'为故障原因概率']，训练得到的数据
如下：
[0053]
{"cpu利用率1":[0.45，'0']，"cpu利用率2":[0.21，'0']，"cpu利用率3":[0.54，'0']，"cpu利用率4":[0.39，'0']，"cpu利用率5":[0.5，'0']，"cpu利用率6":[0.3，'0']，"cpu利用率7":[0.2，'0']，"cpu利用率8":[0.6，'0']，"cpu利用率9":[0.7，'0']，"cpu利用率10":[0.49，'0']，"cpu利用率11":[0.38，'0']，"cpu利用率12":[0.17，'0']，"cpu利用率13":[0.88，'1']，"cpu利用率14":[0.89，'1']，"cpu利用率15":[0.9，'1']，"cpu利用率16":[0.91，'1']，"cpu利用率17":[0.92，'1']，"cpu利用率18":[0.93，'1']，"cpu利用率19":[0.94，'1']，"cpu利用率20":[0.95，'1']，"cpu利用率21":[0.96，'1']，"cpu利用率22":[0.97，'1']，"cpu利用率23":[0.98，'1']，"cpu利用率24":[0.99，'1']}
[0054]
通过业务故障预测模型预测到的业务数据中有一条的cpu利用率为[0.9]，代入训练后的指标故障预测模型计算此指标数据与knn训练数据结果中的欧氏距离为：
[0055]
['cpu利用率22'，0.07]；
[0056]
其中，22指的是上面的指标故障预测模型的训练数据结果第22条记录；0.07是业务数据[0.9]与"cpu利用率17":[0.92，'1']的欧氏距离。
[0057]
将故障业务的指标数据输入至指标故障预测模型中进行预测，得到如下数据：
[0058]
['cpu利用率6'，0.6]，['cpu利用率21'，0.06]，['cpu利用率4'，0.51]，['cpu利用率19'，0.04]，['cpu利用率20'，0.05]，['cpu利用率17'，0.02]，['cpu利用率18'，0.03]，['cpu利用率15'，0.0]，['cpu利用率13'，0.02]，['cpu利用率9'，0.2]，['cpu利用率1'，0.45]，['cpu利用率5'，0.4]，['cpu利用率23'，0.08]，['cpu利用率8'，0.3]，['cpu利用率7'，0.7]，['cpu利用率12'，0.73]，['cpu利用率16'，0.01]，['cpu利用率2'，0.69]，['cpu利用率24'，0.09]，['cpu利用率10'，0.41]，['cpu利用率14'，0.01]，['cpu利用率11'，0.52]，['cpu利用率3'，0.36]。
[0059]
将上述故障业务的指标数据[0.9]套用训练后的指标故障预测模型里，计算欧氏距离最短的就是第15条为0，且预测存在故障；因此cpu利用率对应的该指标数据与类别为1的故障类别距离近，则当前指标数据[0.9]发生故障，可通知运维人员进行重点处理。
[0060]
通过提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果；根据预测结果确定当前指标数据是否发生故障。本发明利用stacking思想，对lightgbm模型和lr算法模型进行融合对历史指标数据进行训练，将预测问题转换为分类问题，构建业务故障预测模型，通过k最近邻分类器构建指标故障预测模型，业务故障预测和指标故障预测相结合实现对云平台的故障预警，故障预测更加灵活；比起相互独立的预测模型能够有更强的非线性表述能力，降低泛化误差，减少过拟合，提高模型预测和分类的精度。
[0061]
图2示出了本发明一种基于指标数据的智能故障预警装置实施例的结构示意图。如图2所示，该装置包括：模型训练模块210、预测模块220和处理模块230。
[0062]
模型训练模块210，用于提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标
故障预测模型。
[0063]
在一种可选的方式中，历史指标数据和当前指标数据分别包括多维度的业务日志数据。
[0064]
在一种可选的方式中，模型训练模块210进一步用于：将历史指标数据依据预设规则进行归一化处理，得到历史数据集；对历史数据集进行数据采样，对采样数据进行特征提取得到第一特征数据，将第一特征数据输入至lightgbm模型得到第二特征数据；将第一特征数据和第二特征数据通过逻辑回归算法模型进行训练，得到业务故障预测模型。
[0065]
在一种可选的方式中，历史指标数据包括正常业务的第一历史指标数据和故障业务的第二历史指标数据，第一历史指标数据的业务标签为第一标签，第二历史指标数据的业务标签为第二标签；模型训练模块210进一步用于：将第一历史指标数据和第二历史指标数据通过k最近邻分类器进行训练得到各个历史指标数据在正常类别和故障类别中的分布情况以及属于同一类别的任两个历史指标数据之间的欧氏距离；依据分布情况、欧氏距离以及各个历史指标数据对应的业务标签调整k最近邻分类器的参数，得到训练后的指标故障预测模型。
[0066]
预测模块220，用于获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果。
[0067]
在一种可选的方式中，预测模块220进一步用于：将故障业务的指标数据输入至指标故障预测模型中进行预测，计算故障业务的指标数据与各个历史指标数据之间的欧氏距离；依据欧氏距离最小的历史指标数据的业务标签，确定预测结果。
[0068]
处理模块230，用于根据预测结果确定当前指标数据是否发生故障。
[0069]
在一种可选的方式中，处理模块230进一步用于：若预测结果中的业务标签为正常业务对应的标签，则确定当前指标数据未发生故障；若预测结果中的业务标签为故障业务对应的标签，则确定当前指标数据发生故障。
[0070]
采用本实施例的装置，通过提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果；根据预测结果确定当前指标数据是否发生故障。该装置通过历史指标数据构建业务故障预测模型，通过k最近邻分类器构建指标故障预测模型，业务故障预测和指标故障预测相结合实现对云平台的故障预警，故障预测更加灵活。
[0071]
本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的一种基于指标数据的智能故障预警方法。
[0072]
可执行指令具体可以用于使得处理器执行以下操作：
[0073]
提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；
[0074]
获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；
[0075]
将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果；
[0076]
根据预测结果确定当前指标数据是否发生故障；
[0077]
其中，历史指标数据和当前指标数据分别包括多维度的业务日志数据。
[0078]
图3示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0079]
如图3所示，该计算设备可以包括：
[0080]
处理器(processor)、通信接口(communications interface)、存储器(memory)、以及通信总线。
[0081]
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述一种基于指标数据的智能故障预警方法实施例中的相关步骤。
[0082]
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
[0083]
处理器可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0084]
存储器，用于存放程序。存储器可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0085]
程序具体可以用于使得处理器执行以下操作：
[0086]
提取云平台历史指标数据，将历史指标数据进行预处理后通过训练得到业务故障预测模型；将历史指标数据通过k最近邻分类器进行训练得到指标故障预测模型；
[0087]
获取云平台中当前指标数据，将当前指标数据输入至业务故障预测模型中进行预测，输出故障业务的指标数据；
[0088]
将故障业务的指标数据输入至指标故障预测模型中进行预测，得到预测结果；
[0089]
根据预测结果确定当前指标数据是否发生故障；
[0090]
其中，历史指标数据和当前指标数据分别包括多维度的业务日志数据。
[0091]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0092]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0093]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。
因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0094]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0095]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0096]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0097]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。