基于深度学习模型的告警执行频率优化方法及相关设备技术

本申请涉及负载监控技术领域，尤其涉及一种基于深度学习模型的告警执行频率优化方法及相关设备。一种基于深度学习模型的告警执行频率优化方法，包括：获取告警信息，调取告警信息分类配置文件，对所述告警信息进行分类；根据所述告警信息的类别，获取不同类别告警触发阈值；根据所述告警触发的时间节点，获取不同类别告警信息在某一时间段触发的频率；将告警次数超过频率阈值的告警信息类别进行聚类构成高频组，将告警频率低于所述频率阈值的告警信息进行聚类构成低频组；将所述高频组和所述低频组分别入参到深度学习模型中进行训练得到高频因子和低频因子，对所述告警执行的频率进行调节。本申请通过对深度学习模型实现对告警频率的自动调节。

【技术实现步骤摘要】
基于深度学习模型的告警执行频率优化方法及相关设备
本申请涉及负载监控
，尤其涉及一种基于深度学习模型的告警执行频率优化方法及相关设备。
技术介绍
告警监控不仅存在于各种设备组成的硬件环境中,也存在于各种软件应用构织的系统运营环境中。告警监控的存在不仅有利于运维管理人员快速、准确地定位发生问题的所在，以便及时排障，还可以根据反馈的告警信息跟踪故障的根源，消除隐患，从而确保系统运行的安全性和稳定性，减少甚至避免由此带来的经济损失。目前，现有的告警功能，其执行通常是按照预设的频率执行检查的，在系统的服务器承载能力不变的情况下，随着系统中的业务量增长，服务器在单位时间内需要执行的告警检查的数量也在逐步增加。但是，在实际生产运营环境中，绝大部分的告警在绝大部分时间均不会被触发，基于这一现状，传统的告警功能及告警机制在单位时间内消耗的资源过高，平白浪费了宝贵的系统资源，相对的，也导致了其他功能模块获得的资源减少，进而导致其他模块的运行状况恶化，最终影响到整个系统的运行效率。
技术实现思路
有鉴于此，有必要针对现有告警触发频率不能自动调节的问题，提供一种基于深度学习模型的告警执行频率优化方法及相本文档来自技高网...

【技术保护点】
1.一种基于深度学习模型的告警执行频率优化方法，其特征在于，包括：获取告警信息，调取告警信息分类配置文件，对所述告警信息进行分类；根据所述告警信息的类别，调用预设的告警类别分类表，从所述告警类别分类表中获取不同类别的告警触发阈值，当系统工作参数超过所述告警触发阈值时，告警被触发，记录告警触发的时间节点；根据所述告警触发的时间节点，获取不同类别告警信息在某一时间段触发的频率；设置一频率阈值，将告警次数超过所述频率阈值的告警信息类别进行聚类构成高频组，将告警频率低于所述频率阈值的告警信息进行聚类构成低频组；将所述高频组和所述低频组分别入参到深度学习模型中进行训练得到高频因子和低频因子，应用所述高频...

【技术特征摘要】
1.一种基于深度学习模型的告警执行频率优化方法，其特征在于，包括：获取告警信息，调取告警信息分类配置文件，对所述告警信息进行分类；根据所述告警信息的类别，调用预设的告警类别分类表，从所述告警类别分类表中获取不同类别的告警触发阈值，当系统工作参数超过所述告警触发阈值时，告警被触发，记录告警触发的时间节点；根据所述告警触发的时间节点，获取不同类别告警信息在某一时间段触发的频率；设置一频率阈值，将告警次数超过所述频率阈值的告警信息类别进行聚类构成高频组，将告警频率低于所述频率阈值的告警信息进行聚类构成低频组；将所述高频组和所述低频组分别入参到深度学习模型中进行训练得到高频因子和低频因子，应用所述高频因子对所述频率阈值进行修正得到高频阈值，应用所述低频因子对所述频率阈值进行修正得到低频阈值，当告警触发的频率高于所述高频阈值或者低于所述低频阈值时，对所述告警执行的频率进行调节。2.根据权利要求1所述的基于深度学习模型的告警执行频率优化方法，其特征在于，所述获取告警信息，调取告警信息分类配置文件，对所述告警信息进行分类，包括：获取告警信息；调取告警信息分类配置文件，所述告警信息分类配置文件包括硬件名称和告警种类，抽取所述告警信息中的特征字符；将所述特征字符与所述配置文件中的内容进行比对，获取相似度最大的告警种类所对应的存储在所述告警信息分类配置文件中的告警类型，根据所述告警类型将所述告警信息归类。3.根据权利要求1所述的基于深度学习模型的告警执行频率优化方法，其特征在于，所述根据所述告警信息的类别，调用预设的告警类别分类表，从所述告警类别分类表中获取不同类别的告警触发阈值，当系统工作参数超过所述告警触发阈值时，告警被触发，记录告警触发的时间节点，包括：根据预设的告警分类等级，赋予不同的告警类型以不同的告警权重；设置一标准告警触发阈值，根据所述告警权重对所述标准告警触发阈值进行加权得到不同类别告警触发阈值；将所述不同类别告警触发阈值入参到误差修正模型进行修正，得到修正后的不同类别告警触发阈值；以所述修正后的不同类别告警触发阈值为告警触发的时间节点，记录所述告警触发的时间节点。4.根据权利要求1所述的基于深度学习模型的告警执行频率优化方法，其特征在于，所述根据所述告警触发的时间节点，获取不同类别告警信息在某一时间段触发的频率，包括：按照所述告警触发的时间节点产生的顺序，将所述告警触发的时间节点进行排序，建立一一行多列时间节点矩阵；将所述时间节点入参到随机函数，出参后得到两个选定时间节点，若两个时间节点相同则重新入参；以所述两个选定时间节点为获取告警发生频率的时间段，获取不同类别告警信息在某一时间段触发的频率。5.根据权利要求1所述的基于深度学习模型的告警执行频率优化方法，其特征在于，所述设置一频率阈值，将告警次数超过所述频率阈值的告警信息类别进行聚类构成高频组，将告警频率低于所述频率阈值的告警信息进行聚类构成低频组，包括：获取告警触发次数的告警历史数据；根据告警触发的时刻距离现在时刻的远近，赋予所述告警历史数据以不同的权重，计算所述告警触发次数的加权平均数得到频率阈值；以时间为横坐标，建立告警次数直方图，以所述频率阈值为基线，所述基线与横轴平行；获取超过所述基线的告警次数直方图构成形成高频组，获取低于所述基线的告警次数直方图构成低频组。6.根据权利要求1所述的基于深度学习模型的告警执行频率优化方法，其特征在于，所述将所述高频组和所述低频组分别入参到...

【专利技术属性】
技术研发人员：孔庆超，孙玉，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44