一种训练方法、故障预测方法、相关装置及设备制造方法及图纸

本发明专利技术实施例提供一种训练方法、故障预测方法、相关装置及设备，其中训练方法包括：选择待模拟的目标业务及目标故障；调用所述目标业务对应的业务模板，模拟所述目标业务，以及调用所述目标故障对应的故障模板，模拟所述目标故障；在模拟所述目标故障的过程中，对目标业务的指标数据进行标注，所述指标数据用于反映所述目标业务的目标故障开始发生；根据所标注的指标数据，训练得到所述目标业务在目标故障相应的故障预测模型。本发明专利技术实施例能够训练预测业务故障的模型，为实现业务的故障预测提供了可能。

【技术实现步骤摘要】
一种训练方法、故障预测方法、相关装置及设备
本专利技术实施例涉及数据处理
，具体涉及一种训练方法、故障预测方法、相关装置及设备。
技术介绍
目前线上服务所具有的业务越来越多，例如一个线上的购物服务往往具有购物车业务，用户购买业务，商家售卖业务，付款业务等众多业务，这些业务一般由业务系统管控，面对业务系统管控的众多业务，保障业务的顺利运行，从而提升服务稳定性(即持续、稳定提供服务的能力)尤为必要。保障业务顺利运行的基础之一是实现业务的故障预测，然而，目前的技术性方案主要是在业务发生故障之时，进行业务的故障检测，并没有可用的技术性方案能够在业务可能发生故障之前，实现故障预测；因此，如何训练能够预测业务故障的模型，成为了本领域技术人员亟需解决的问题。
技术实现思路
有鉴于此，本专利技术实施例提供一种训练方法、故障预测方法、相关装置及设备，以训练能够预测业务故障的模型，并基于所训练的模型，实现业务的故障预测。为实现上述目的，本专利技术实施例提供如下技术方案：一种训练方法，包括：>选择待模拟的目标业本文档来自技高网...

【技术保护点】
1.一种训练方法，其特征在于，包括：/n选择待模拟的目标业务及目标故障；/n调用所述目标业务对应的业务模板，模拟所述目标业务，以及调用所述目标故障对应的故障模板，模拟所述目标故障；/n在模拟所述目标故障的过程中，对目标业务的指标数据进行标注，所述指标数据用于反映所述目标业务的目标故障开始发生；/n根据所标注的指标数据，训练得到所述目标业务在目标故障相应的故障预测模型。/n

【技术特征摘要】
1.一种训练方法，其特征在于，包括：
选择待模拟的目标业务及目标故障；
调用所述目标业务对应的业务模板，模拟所述目标业务，以及调用所述目标故障对应的故障模板，模拟所述目标故障；
在模拟所述目标故障的过程中，对目标业务的指标数据进行标注，所述指标数据用于反映所述目标业务的目标故障开始发生；
根据所标注的指标数据，训练得到所述目标业务在目标故障相应的故障预测模型。


2.根据权利要求1所述的训练方法，其特征在于，所述调用所述目标业务对应的业务模板，模拟所述目标业务包括：
从预先设定的各可模拟的业务对应的业务模板中，调用所述目标业务对应的业务模板，所述业务模板记录目标业务运行的信息；
根据所述业务模板记录的目标业务运行的信息，模拟所述目标业务；
所述调用所述目标故障对应的故障模板，模拟所述目标故障包括：
从预先设定的各可模拟的故障对应的故障模板中，调用目标故障对应的故障模板，所述故障模板记录目标故障运行的信息；
根据所述故障模板记录的目标故障运行的信息，模拟所述目标故障。


3.根据权利要求1或2所述的训练方法，其特征在于，所述根据所标注的指标数据，训练得到所述目标业务在目标故障相应的故障预测模型包括：
根据所标注的指标数据，分别使用预设的各种训练方法，训练故障预测模型；
基于训练得到的各故障预测模型的训练结果，选择最优的故障预测模型，以得到所述目标业务在目标故障相应的故障预测模型。


4.根据权利要求1所述的训练方法，其特征在于，在根据所标注的指标数据，训练得到所述目标业务在目标故障相应的故障预测模型之前，所述方法还包括：
对所标注的指标数据进行预处理。


5.根据权利要求1所述的训练方法，其特征在于，还包括:
在模型引擎中，汇总各业务在各故障下对应的故障预测模型。


6.根据权利要求1所述的训练方法，其特征在于，还包括：
根据业务的历史指标数据，确定所述业务的指标基线，所述指标基线为反映指标异常的数据限值。


7.根据权利要求6所述的训练方法，其特征在于，所述根据业务的历史指标数据，确定业务的指标基线包括：
对业务的历史指标数据进行分类，得到周期性历史指标数据和非周期性历史指标数据；
对于周期性历史指标数据，采用快速傅里叶变换确定所述周期性历史指标数据对应的周期，基于所述周期，使用时序序列分解方法预测所述周期性历史指标数据的指标基线；
对于非周期性历史指标数据，将所述非周期性历史指标数据划分为第一部分非周期性历史指标数据和第二部分非周期性历史指标数据，所述第一部分非周期性历史指标数据的数据量，大于第二部分非周期性历史指标数据；针对第一部分非周期性历史指标数据，通过孤立森林方法预测指标基线；对于第二部分非周期性历史指标数据，通过时序序列分解，确定数据变化率与业务或任务的关系，基于所述关系，预测第二部分非周期性历史指标数据的指标基线。


8.根据权利要求6或7所述的训练方法，其特征在于，还包括：
在规则引擎中汇总业务的指标基线。


9.根据权利要求6所述的训练方法，其特征在于，还包括：
对业务故障相应的异常指标进行扫描，确定异常指标对应的波动情况；所述异常指标为指标值不符合业务的指标基线的指标；
通过关联分析算法，分析所述波动情况，得到所述异常指标对应的传播图数据，所述传播图数据用于表示所述异常指标的传播关系。


10.根据权利要求9所述的训练方法，其特征在于，还包括：
对业务的相同故障的异常指...

【专利技术属性】
技术研发人员：殷征，谭宇，邱能俊，张纪宽，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY