业务运维中告警的预测方法、装置与电子设备制造方法及图纸

本发明专利技术实施例提供一种业务运维中告警的预测方法、装置与电子设备，其中所述方法包括：获取当前告警周期之前目标网元对象给定数量的历史告警数据，构成历史告警序列；基于所述历史告警序列，利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测；其中，所述训练好的隐马尔科夫预测模型为预先通过分析故障管理系统中网元对象、网元故障和网元告警的关系信息进行初始化构建，并利用根据所述关系信息选取的原始数据样本进行训练获取的。本发明专利技术实施例能够有效提高业务运维中告警预测的准确性，从而有效避免故障或减小故障发生带来的影响。

Prediction method, device and electronic equipment of alarm in business operation and maintenance

【技术实现步骤摘要】
业务运维中告警的预测方法、装置与电子设备
本专利技术涉及IT运维
，更具体地，涉及一种业务运维中告警的预测方法、装置与电子设备。
技术介绍
在IT运维领域，一个完善的运维体系中都包含具有故障管理能力的系统，通常称为故障管理系统。传统的故障管理系统一般具备设备告警监控、业务指标监控、响应故障和定位故障等功能。传统故障管理系统关于设备告警监控，都是“后知后觉”的。即，相关的采集工具获取到数据后，发现数据触发了相应的规则才产生告警并审核派单。通常从发现告警到派单的过程越短，相应告警产生的影响就会越小，运维人员解决问题的时间窗口就越宽裕。因此，如果能够准确地提前预测到设备告警，就可以提前做好相应的规避措施，从而避免相关故障的产生或者减少相关故障产生时带来的影响。目前，关于设备告警预测，相关学者和研究人员提出了基于人工智能的分析方法。例如，先采用机器学习和人工智能算法对数据进行聚类分析，提取设备或服务告警的规律信息，再采用相似性度量方式预测告警的发生。但是，由于该方法仅仅是对现有告警数据的规律性总结，并不能真正体现设备状态，导致对具体设备的告警预测准确性不高。
技术实现思路
为了克服上述问题或者至少部分地解决上述问题，本专利技术实施例提供一种业务运维中告警的预测方法、装置与电子设备，用以有效提高业务运维中告警预测的准确性，从而有效避免故障或减小故障发生带来的影响。第一方面，本专利技术实施例提供一种业务运维中告警的预测方法，包括：获取当前告警周期之前目标网元对象给定数量的历史告警数据，构成历史告警序列；基于所述历史告警序列，利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测；其中，所述训练好的隐马尔科夫预测模型为预先通过分析故障管理系统中网元对象、网元故障和网元告警的关系信息进行初始化构建，并利用根据所述关系信息选取的原始数据样本进行训练获取的。进一步的，在所述利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测的步骤之前，本专利技术实施例的业务运维中告警的预测方法还包括：通过分析故障管理系统中网元对象、网元故障和网元告警间的关系信息，初始化构建基于监督学习的隐马尔科夫初始模型，并根据所述关系信息，选取故障管理系统中相应的历史告警数据，构成训练样本集；利用所述训练样本集中的各样本数据，采用极大似然估计法，迭代训练所述隐马尔科夫初始模型，获取满足设定标准的预测模型，作为所述训练好的隐马尔科夫预测模型。其中可选的，所述选取故障管理系统中相应的历史告警数据，构成训练样本集的步骤具体包括：结合运维知识，通过分析故障管理系统中网元对象、网元故障和网元告警的因果关系，选取第二给定数量的历史告警数据，所述历史告警数据中包括所述网元对象与所述网元告警一对一的对应关系；对所述历史告警数据根据时序性和缺失值进行预处理，并对预处理结果进行编码，得到样本数据；根据所有所述样本数据，构成所述训练样本集。进一步的，在所述迭代训练所述隐马尔科夫初始模型的步骤之前，本专利技术实施例的业务运维中告警的预测方法还包括：不断调整所述训练样本集中所述样本数据的数量，并对所述训练样本集进行划分，产生多个子训练样本集；对产生的所有所述子训练样本集，按照固定比例划分出训练集和测试集。其中可选的，所述迭代训练所述隐马尔科夫初始模型的步骤具体包括：利用各所述子训练样本集中的训练集，分别采用极大似然估计法，迭代训练所述隐马尔科夫初始模型，对应获取多个候选预测模型；利用所述子训练样本集中的测试集，对应验证各所述候选预测模型是否满足所述设定标准，选取满足所述设定标准的预测模型，作为所述训练好的隐马尔科夫预测模型；其中，所述设定标准为利用所述测试集验证的预测结果的准确率为最高。其中可选的，所述利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测的步骤具体包括：从所有网元对象产生的告警集合中选取多个不同类别的告警，并基于所述历史告警序列和选取的各所述告警，利用所述训练好的隐马尔科夫预测模型分别进行前向计算，获取选取的各所述告警分别对应的概率，并基于所述概率，确定所述目标网元对象的告警预测结果。其中可选的，所述基于所述概率，确定所述目标网元对象的告警预测结果的步骤具体包括：根据所述概率的大小，对所有所述概率进行排序，并根据排序结果获取取值最大者对应的告警，作为所述目标网元对象的下一预测周期的告警。第二方面，本专利技术实施例提供一种业务运维中告警的预测装置，包括：数据获取模块，用于获取当前告警周期之前目标网元对象给定数量的历史告警数据，构成历史告警序列；预测输出模块，用于基于所述历史告警序列，利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测；其中，所述训练好的隐马尔科夫预测模型为预先通过分析故障管理系统中网元对象、网元故障和网元告警的关系信息进行初始化构建，并利用根据所述关系信息选取的原始数据样本进行训练获取的。第三方面，本专利技术实施例提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上第一方面所述的业务运维中告警的预测方法的步骤。第四方面，本专利技术实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，所述计算机指令被计算机执行时，实现如上第一方面所述的业务运维中告警的预测方法的步骤。本专利技术实施例提供的业务运维中告警的预测方法、装置与电子设备，通过对故障管理系统中网元对象、故障和告警的关系的分析，并结合隐马尔科夫预测模型，对根据网元对象历史告警构建的目标序列进行运算处理，最终实现对网元对象的告警预测，能够有效提高业务运维中告警预测的准确性，从而有效避免故障或减小故障发生带来的影响。附图说明为了更清楚地说明本专利技术实施例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专利技术的一些实施例，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。图1为本专利技术实施例提供的业务运维中告警的预测方法的流程示意图；图2为本专利技术实施例提供的业务运维中告警的预测方法的执行原理示意图；图3为本专利技术实施例提供的业务运维中告警的预测装置的结构示意图；图4为本专利技术实施例提供的电子设备的实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例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专利技术实施例的一部分实施例，而不是全部的实施例。基于本专利技术实施例中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术实施例保护的范围。针对运维过程中告警预测问题，即，若能较为准确地知道一些重要的告警在未来很短的本文档来自技高网...

【技术保护点】
1.一种业务运维中告警的预测方法，其特征在于，包括：/n获取当前告警周期之前目标网元对象给定数量的历史告警数据，构成历史告警序列；/n基于所述历史告警序列，利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测；/n其中，所述训练好的隐马尔科夫预测模型为预先通过分析故障管理系统中网元对象、网元故障和网元告警的关系信息进行初始化构建，并利用根据所述关系信息选取的原始数据样本进行训练获取的。/n

【技术特征摘要】
1.一种业务运维中告警的预测方法，其特征在于，包括：
获取当前告警周期之前目标网元对象给定数量的历史告警数据，构成历史告警序列；
基于所述历史告警序列，利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测；
其中，所述训练好的隐马尔科夫预测模型为预先通过分析故障管理系统中网元对象、网元故障和网元告警的关系信息进行初始化构建，并利用根据所述关系信息选取的原始数据样本进行训练获取的。


2.根据权利要求1所述的业务运维中告警的预测方法，其特征在于，在所述利用训练好的隐马尔科夫预测模型，对所述目标网元对象进行告警预测的步骤之前，还包括：
通过分析故障管理系统中网元对象、网元故障和网元告警间的关系信息，初始化构建基于监督学习的隐马尔科夫初始模型，并根据所述关系信息，选取故障管理系统中相应的历史告警数据，构成训练样本集；
利用所述训练样本集中的各样本数据，采用极大似然估计法，迭代训练所述隐马尔科夫初始模型，获取满足设定标准的预测模型，作为所述训练好的隐马尔科夫预测模型。


3.根据权利要求2所述的业务运维中告警的预测方法，其特征在于，所述选取故障管理系统中相应的历史告警数据，构成训练样本集的步骤具体包括：
结合运维知识，通过分析故障管理系统中网元对象、网元故障和网元告警的因果关系，选取第二给定数量的历史告警数据，所述历史告警数据中包括所述网元对象与所述网元告警一对一的对应关系；
对所述历史告警数据根据时序性和缺失值进行预处理，并对预处理结果进行编码，得到样本数据；
根据所有所述样本数据，构成所述训练样本集。


4.根据权利要求2所述的业务运维中告警的预测方法，其特征在于，在所述迭代训练所述隐马尔科夫初始模型的步骤之前，还包括：
不断调整所述训练样本集中所述样本数据的数量，并对所述训练样本集进行划分，产生多个子训练样本集；
对产生的所有所述子训练样本集，按照固定比例划分出训练集和测试集。


5.根据权利要求4所述的业务运维中告警的预测方法，其特征在于，所述迭代训练所述隐马尔科夫初始模型的步骤具体包括：
利用各所述子训练样本集中的训练集...

【专利技术属性】
技术研发人员：徐键，
申请(专利权)人：北京天元创新科技有限公司，
类型：发明
国别省市：北京;11