【技术实现步骤摘要】
告警分析方法、装置、设备及存储介质
本申请涉及网络
，特别涉及一种告警分析方法、装置、设备及存储介质。
技术介绍
告警是指网络设备在检测到异常事件时生成的通知消息。随着网络规模的不断扩大以及网络架构的日益复杂，网络设备每天上报的告警数量爆炸式增长，需要分析这些告警，以便根据分析结果诊断故障并修复故障。目前，计算机设备会根据固定长度的时间窗，执行告警分析。具体来说，用户会预先设置时间窗的长度，时间窗的长度在设置后通常不可更改。在告警分析的过程中，计算机设备会根据当前时间点以及时间窗的长度，确定时间窗。根据每个告警的发生时间点，获取时间窗内的告警，根据这些告警执行告警分析。在此过程中，计算机设备会缓存位于时间窗外的告警，以便下一次执行告警分析时使用。随着时间的推移，当时间经过时间窗的长度时，计算机设备会重新执行确定时间窗、获取告警、执行告警分析等步骤，以此类推。采用上述方法分析告警时，如果预先设置的时间窗的长度过小，当网络中告警的频率升高时，每次根据时间窗执行告警分析时就需要处理大量的告警，影响分析性能；如...
【技术保护点】
1.一种告警分析方法，其特征在于，所述方法包括：/n获取第一时间窗内告警的特征；/n根据所述告警的特征，获取预测时间窗的长度；/n根据所述预测时间窗的长度，调整所述第一时间窗的长度，得到第二时间窗；/n对所述第二时间窗内的告警进行分析。/n
【技术特征摘要】
1.一种告警分析方法，其特征在于，所述方法包括：
获取第一时间窗内告警的特征；
根据所述告警的特征，获取预测时间窗的长度；
根据所述预测时间窗的长度，调整所述第一时间窗的长度，得到第二时间窗；
对所述第二时间窗内的告警进行分析。
2.根据权利要求1所述的方法，其特征在于，所述根据所述告警的特征，获取预测时间窗的长度，包括：
将所述告警的特征输入预测模型，输出所述预测时间窗的长度，所述预测模型用于根据告警的特征对时间窗的长度进行预测。
3.根据权利要求2所述的方法，其特征在于，所述将所述告警的特征输入预测模型，输出所述预测时间窗的长度之前，所述方法还包括：
获取样本告警的特征以及所述样本告警的标签，所述标签表示目标时间窗的长度，所述目标时间窗包括所述样本告警中的根因告警以及所述根因告警对应的每个衍生告警；
根据所述样本告警的特征以及所述样本告警的标签，训练得到所述预测模型。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述预测模型包括神经网络模型、随机森林模型、逻辑回归模型以及岭回归模型中的至少一项；
所述神经网络模型中输入层的节点用于接收输入的告警的特征，所述神经网络模型中输出层的节点用于输出预测时间窗的长度；
所述随机森林模型中决策树的根节点用于接收输入的告警的特征，所述决策树的叶子节点用于输出预测时间窗的长度；
所述逻辑回归模型的自变量为告警的特征，所述逻辑回归模型的因变量为预测时间窗的长度；
所述岭回归模型的自变量为告警的特征，所述岭回归模型的因变量为预测时间窗的长度。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述告警的特征包括所述告警的名称、所述告警的级别、所述告警的事件类型、所述告警的发生时间点以及在所述发生时间点发生的告警数量中的至少一项。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述根据所述预测时间窗的长度，调整所述第一时间窗的长度，包括：
当所述预测时间窗的长度与所述第一时间窗的长度之间的差值在预设误差范围之外，根据所述预测时间窗的长度，调整所述第一时间窗的长度。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述根据所述预测时间窗的长度，调整所述第一时间窗的长度，得到第二时间窗，包括：
根据所述预测时间窗的长度以及所述告警的相对时长，获取目标长度，所述相对时长表示所述告警在所述第一时间窗中的位置；
将所述第一时间窗的长度调整至所述目标长度，得到所述第二时间窗。
8.根据权利要求7所述的方法，其特征在于，所述相对时长为所述告警的发生时间点与所述第一时间窗的起始时间点之间的差。
9.根据权利要求7或8所述的方法，其特征在于，所述根据所述预测时间窗的长度以及所述告警的相对时长，获取目标长度，包括下述任意一项：
获取所述预测时间窗的长度以及所述告警的相对时长之间的和，作为所述目标长度；
当所述告警的数量为多个时，对于多个告警中的每个告警，获取所述告警对应的预测时间窗的长度以及所述告警的相对时长之间的和，得到多个和，获取所述多个和中的最大值，作为所述目标长度。
10.一种告警分析装置，其特征在于，所述装置包括：
获取模块，用于获取第一时间窗内告警的特征；
所述获取模块，还用于根据所述告警的特征，获取预测时间窗的长度；
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。