应用于AIOps故障预警的动态阈值预测方法、设备及介质技术

本公开实施例中提供了一种应用于AIOps故障预警的动态阈值预测方法、设备及介质，属于数据处理技术领域，具体包括：获取待测设备在预设时段内的历史流量数据，并对历史流量数据进行预处理，得到目标数据集；根据目标数据集进行拓扑数据分析，提取拓扑特征，以及，将目标数据集输入卷积神经网络，提取时空特征；将拓扑特征、时空特征和统计特征联结，训练门控循环单元网络，得到预测结果；将预测结果和均值代入预设公式，计算待测设备在指定置信度下的预测阈值区间。通过本公开的方案，将拓扑特征、时空特征和统计特征联结训练得到动态的预测阈值区间，提高了AIOps故障预警的动态阈值预测的预测效率、预测精准度和适应性。预测精准度和适应性。预测精准度和适应性。

【技术实现步骤摘要】
应用于AIOps故障预警的动态阈值预测方法、设备及介质


[0001]本公开实施例涉及数据处理
，尤其涉及一种应用于AIOps故障预警的动态阈值预测方法、设备及介质。

技术介绍

[0002]目前，随着公司内部报警平台的发展，报警配置及报警发送量都在快速增长，同时业务开发人员对报警的实时性与准确性有着更高的要求。而现有的预测方法如支持向量回归模型难以适应存在较为复杂结构的数据，且无法学习较长的时间依赖，长短期记忆网络无法处理和预测时间序列中间隔和延迟较短的重要事件，或者，深度学习模型如GPT等存在超参数庞大、训练时间极长且依赖较多的GPU资源等问题。当前的工业应用模型大多是对模型复杂度、资源消耗和时间消耗的折中选择。
[0003]可见，亟需一种预测效率、预测精准度和适应性较强的应用于AIOps故障预警的动态阈值预测方法。

技术实现思路

[0004]有鉴于此，本公开实施例提供一种应用于AIOps故障预警的动态阈值预测方法、设备及介质，至少部分解决现有技术中存在预测效率、预测精准度和适应性较差的问题。
[0005]第一方面，本公开实施例提供了一种应用于AIOps故障预警的动态阈值预测方法，包括：
[0006]获取待测设备在预设时段内的历史流量数据，并对所述历史流量数据进行预处理，得到目标数据集；
[0007]根据所述目标数据集进行拓扑数据分析，提取拓扑特征，以及，将所述目标数据集输入卷积神经网络，提取时空特征；
[0008]将所述拓扑特征、所述时空特征和统计特征联结，训练门控循环单元网络，得到预测结果，其中，所述统计特征包括所述目标数据集的均值和方差；
[0009]将所述预测结果和所述均值代入预设公式，计算所述待测设备在指定置信度下的预测阈值区间。
[0010]根据本公开实施例的一种具体实现方式，对所述历史流量数据进行预处理，得到目标数据集的步骤，包括：
[0011]对所述历史流量数据进行格兰杰因果检验和相关性分析，得到特征相关分析结果；
[0012]根据所述特征相关分析结果剔除与所述历史流量数据中的接收流量数据相关性较小的特征后形成所述目标数据集。
[0013]根据本公开实施例的一种具体实现方式，所述根据所述目标数据集进行拓扑数据分析，提取拓扑特征的步骤，包括：
[0014]对所述目标数据集进行takens嵌入，转换为点云数据；
[0015]使用所述点云数据集进行持续同调；
[0016]根据持续同调的结果得到基于欧式距离、Bottleneck距离、Wasserstein距离和持续性熵的拓扑特征。
[0017]根据本公开实施例的一种具体实现方式，所述对所述目标数据集进行takens嵌入，转换为点云数据的步骤，包括：
[0018]所述目标数据集进行归一化处理后使用转换函数进行转换，得到所述点云数据集。
[0019]根据本公开实施例的一种具体实现方式，所述对所述点云数据进行持续同调，得到所述拓扑特征的步骤，包括：
[0020]计算所述点云数据集中全部点对应的欧氏距离矩阵；
[0021]持续增大所述点云数据集中点的半径并根据所述欧式距离矩阵构造每一轮的同调群；
[0022]根据所述同调群的生灭关系输出所述拓扑特征。
[0023]根据本公开实施例的一种具体实现方式，所述预设公式为其中，TR表示所述预测阈值区间，表示网络流量的预测结果，N表示所述目标数据集中样本总数，x
i
表示第i个样本，u表示所述目标数据集的均值，h表示预测步数，k表示置信乘子。
[0024]根据本公开实施例的一种具体实现方式，所述将所述预测结果和所述均值代入预设公式，计算所述待测设备在指定置信度下的预测阈值区间的步骤之后，所述方法还包括：
[0025]采集与所述预测阈值区间对应的每个时间节点的目标流量数据；
[0026]依次将每个所述时间节点的目标流量数据与预测阈值区间进行比对；
[0027]当检测到所述目标流量数据不在所述预测阈值区间内时，则在对应的时间节点发送预警信息。
[0028]第二方面，本公开实施例还提供了一种电子设备，该电子设备包括：
[0029]至少一个处理器；以及，
[0030]与该至少一个处理器通信连接的存储器；其中，
[0031]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的应用于AIOps故障预警的动态阈值预测方法。
[0032]第三方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的应用于AIOps故障预警的动态阈值预测方法。
[0033]第四方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的应用于AIOps故障预警的动态阈值预测方法。
[0034]本公开实施例中的应用于AIOps故障预警的动态阈值预测方案，包括：获取待测设备在预设时段内的历史流量数据，并对所述历史流量数据进行预处理，得到目标数据集；根
据所述目标数据集进行拓扑数据分析，提取拓扑特征，以及，将所述目标数据集输入卷积神经网络，提取时空特征；将所述拓扑特征、所述时空特征和统计特征联结，训练门控循环单元网络，得到预测结果，其中，所述统计特征包括所述目标数据集的均值和方差；将所述预测结果和所述均值代入预设公式，计算所述待测设备在指定置信度下的预测阈值区间。
[0035]本公开实施例的有益效果为：通过本公开的方案，分别对目标数据集提取拓扑特征、时空特征和统计特征进行联结，然后将联结后的特征训练门控循环单元网络，得到预测阈值区间，提高了AIOps故障预警的动态阈值预测的预测效率、预测精准度和适应性。
附图说明
[0036]为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
[0037]图1为本公开实施例提供的一种应用于AIOps故障预警的动态阈值预测方法的流程示意图；
[0038]图2为本公开实施例提供的一种应用于AIOps故障预警的动态阈值预测方法涉及的持续同调的流程示意图；
[0039]图3为本公开实施例提供的一种应用于AIOps故障预警的动态阈值预测方法涉及的预测阈值区间图；
[0040]图4为本公开实施例提供的一种应用于AIOps故障预警的动态阈值预测方法涉及的具体实施例的流程图；
[0041]图5为本公本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于AIOps故障预警的动态阈值预测方法，其特征在于，包括：获取待测设备在预设时段内的历史流量数据，并对所述历史流量数据进行预处理，得到目标数据集；根据所述目标数据集进行拓扑数据分析，提取拓扑特征，以及，将所述目标数据集输入卷积神经网络，提取时空特征；将所述拓扑特征、所述时空特征和统计特征联结，训练门控循环单元网络，得到预测结果，其中，所述统计特征包括所述目标数据集的均值和方差；将所述预测结果和所述均值代入预设公式，计算所述待测设备在指定置信度下的预测阈值区间。2.根据权利要求1所述的方法，其特征在于,所述对所述历史流量数据进行预处理，得到目标数据集的步骤，包括：对所述历史流量数据进行格兰杰因果检验和相关性分析，得到特征相关分析结果；根据所述特征相关分析结果剔除与所述历史流量数据中的接收流量数据相关性较小的特征后形成所述目标数据集。3.根据权利要求2所述的方法，其特征在于,所述根据所述目标数据集进行拓扑数据分析，提取拓扑特征的步骤，包括：对所述目标数据集进行takens嵌入，转换为点云数据集；使用所述点云数据集进行持续同调；根据持续同调的结果得到基于欧式距离、Bottleneck距离、Wasserstein距离和持续性熵的拓扑特征。4.根据权利要求3所述的方法，其特征在于,所述对所述目标数据集进行takens嵌入，转换为点云数据集的步骤，包括：所述目标数据集进行归一化处理后使用转换函数进行转换，得到所述点云数据集。5.根据权利要求4所述的方法，其特征在于,所述根据持续同调的结果得到基于欧式距离、Bottleneck距离、Wasserstein...

【专利技术属性】
技术研发人员：陈志刚，谭源，王堃，
申请(专利权)人：中南大学，
类型：发明
国别省市：