【技术实现步骤摘要】
基于知识图谱的故障根因定位方法、装置、设备及介质
[0001]本申请涉及数据分析
，尤其涉及一种基于知识图谱的故障根因定位方法、装置、设备及介质。
技术介绍
[0002]在业务平台下，涉及到诸多应用，每个应用诸多SOA(面向服务架构)服务之间错综复杂的调用关系，每个应用还依赖DB、Redis、MQ等等资源，在应用服务成功率下降时，这些应用的负责人都要在监控系统上查看指标曲线以及链路信息来进行人工排障，耗时耗力，所以自动化的根因分析必不可少。
[0003]现有的自动化的根因分析方式是以异常检测为主，如CPU、网络、内存以及业务曲线等等为主，忽略了上层应用到中间层服务接口以及中间层到底层基础设备告警之间的关联关系，难以获得从现象到根因的直观把控，从而导致故障分析的准确度较低。
技术实现思路
[0004]本申请实施例的目的在于提出一种基于知识图谱的故障根因定位方法、装置、设备及介质，以提高故障分析的准确度。
[0005]为了解决上述技术问题，本申请实施例提供一种基于知识图谱的故障根因定位方法，...
【技术保护点】
【技术特征摘要】
1.一种基于知识图谱的故障根因定位方法，其特征在于，包括：获取监控系统中的序列检测原始数据和云原始监控系统中的各个时刻的异常告警数据，并将所述序列检测原始数据存储于时序数据库中，得到样本数据，以及将所述异常告警数据作为根因项原始数据；通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息；将所述根因项原始数据中的原生系统服务接口作为节点、服务之间的调用链路作为关系、以及数据特征作为属性，构建知识图谱；获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量；获取所述节点向量对应的节点属性特征，并将节点属性特征拼接到所述节点向量，得到训练数据；将所述异常信息作为目标训练特征向量，并将所述训练数据对所述目标训练特征向量进行训练，得到根因概率。2.根据权利要求1所述的基于知识图谱的故障根因定位方法，其特征在于，所述通过对所述样本数据进行编码和特征筛选，得到时序特征，并计算所述时序特征的异常波动时间区间，得到异常信息，包括：从所述时序数据库中读取所述样本数据，通过对所述样本数据进行编码和特征筛选，得到时序特征；采用Sigmoid函数的方式对所述时序特征进行拟合，得到拟合序列，并计算所述拟合序列的异常波动时间区间；采用方差偏差值的方式，当所述异常波动时间区间大于预设阈值时，将所述异常波动时间区间和所述异常波动时间区间对应的特征作为所述异常信息。3.根据权利要求2所述的基于知识图谱的故障根因定位方法，其特征在于，所述从所述时序数据库中读取所述样本数据，通过对所述样本数据进行编码和特征筛选，得到时序特征，包括：从所述时序数据库中读取所述样本数据，并通过循环神经网络对所述样本数据进行编码，得到所述编码特征；通过自注意力机制层中对所述编码特征赋予加权系数，并对所述编码特征进行特征计算，得到权重特征，其中，所述权重特征包括权重系数；基于所述权重系数，对所述权重特征进行筛选，得到所述时序特征。4.根据权利要求1所述的基于知识图谱的故障根因定位方法，其特征在于，所述获取所述知识图谱中的链路关系数据，并将所述链路关系数据中的每个节点进行编码，得到节点编码，并对所述节点编码进行向量化处理，得到节点向量，包括：从所述知识图谱中获取链路关系数据，并按照从根节点到叶子节点的切分方式，对所述链路关系数据进行切分，得到多条子链路；采用one
‑
hot编码的方式，对所述子链路中的每个节点进行编码，得到所述节点编码；对所述节点编码进行向量化处理，得到节点向量。5.根据权利要求4所述的基于知识图谱的故障根因定位方法，其特征在于，所述对所述
节点编码进行向量化处理，得到节点向量，包括：采用负采样的方式将所述节点编码...
【专利技术属性】
技术研发人员：庞一文，
申请(专利权)人：平安付科技服务有限公司，
类型：发明
国别省市：
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。