一种面向自助服务的智能运维客服响应方法技术

本发明专利技术提供了一种面向自助服务的智能运维客服响应方法，该方法包括以下步骤：(1)、对运维系统的故障数据进行标注，提取故障特征，获得故障数据关系图G；(2)、将故障特征和故障数据关系图G输入图神经网络模型进行训练；(3)、当运维故障发生时，要求运维客服人员选择最可能的故障类型和最不可能的故障类型；(4)、计算当前样本与训练样本的关系图G

【技术实现步骤摘要】
一种面向自助服务的智能运维客服响应方法


[0001]本专利技术涉及智能运维领域，主要是一种面向自助服务的智能运维客服响应方法。

技术介绍

[0002]当前，智能运维系统主要负责目标网络和计算机系统的管理和维护，其中包括：项目实施，技术协助，客户服务和支持；确保桌面计算机，服务器，内外网和相关软硬件设备的正常运行。在运维系统运行和工作的过程中，目前，运维系统的智能化越来越普及，自动化程度越来越高，但是，在大多数运维系统中，有一部分工作是主要有人工来进行完成的，这就是运维系统的客服工作。当运维系统出现故障时，大多数服务提供商都需要派专员到现场进行调研，排查故障，确定解决方案。另外，现有方法人工定义数据之间的相似程度(包括故障数据与故障数据之间、故障数据与正常数据之间、正常数据与正常数据之间)，而没有考虑到相似的数据之间的可聚合性，即是否可以连接为完整的图。为此，本专利提出了一种半自动化的运维客服解决方案。

技术实现思路

[0003]针对现有运维系统的客服工作的问题，本专利技术提供一种面向自助服务的智能运维客服响应方法，针对运维系统的运行情况进行分析，给运维客服人员提供若干选项，系统半自动化地完成运维系统故障诊断。
[0004]本专利技术的目的是通过如下技术方案来完成的。一种面向自助服务的智能运维客服响应方法，该方法包括以下步骤：
[0005](1)、对运维系统的故障数据进行标注，从已标注的故障数据中提取故障特征，获得运维故障数据关系图G；
[0006](2)、运维系统故障模型训练：将故障特征和运维故障数据关系图G输入图神经网络模型中，以训练所述图神经网络模型；
[0007](3)、运维故障情况下自助客服类型选择：当运维故障发生时，运维系统向运维客服人员弹窗提示，同时，要求运维客服人员选择最可能的故障类型和最不可能的故障类型；
[0008](4)、半自动化运维故障检测：
[0009](4.1)、提取当前运维故障情况下的故障特征，与现有训练样本进行计算，计算当前样本与训练样本的关系图G
’
；
[0010](4.2)、根据最可能的故障类型的数据和最不可能的故障类型的数据，对关系图G
’
进行修正；
[0011](4.3)、将修正后的关系图G
’
和当前故障特征输入训练好的图神经网络模型，输出故障类型。
[0012]更进一步的，所述步骤(1)包括：
[0013](1.1)、收集运维系统的故障数据，对故障数据标注类型信息；
[0014](1.2)、从已标注的故障数据中提取故障特征，包括系统故障时刻的带宽、系统故
障时刻的网速、系统故障时刻运行的应用数、系统故障时刻占用的内存、系统故障时刻CPU使用率、系统正常运行时的平均带宽、系统运行时刻的最大带宽；
[0015](1.3)、根据故障特征，生成运维故障数据关系图G；
[0016]运维故障数据关系图G定义为G＝(V,E)，其中V＝{v1,v2,
…
vi,
…
vj,
…
vn}是故障数据节点集合,每一条故障数据看做一个节点，vi表示节点为i的故障数据，vi表示节点为j的故障数据，n表示故障数据个数；E＝{eij，
…
}是无向边集合，eij表示节点i和节点j的无向边，若vi和vj相近，则i和j直接有边，eij＝1，否则eij＝0；vi和vj相近是指，当且仅当，vi的特征向量与vj的特征向量的欧式距离小于所有节点间两两欧式距离的平均值。
[0017]更进一步的，所述步骤(4.2)中修正方法包括：从最可能的故障类型的数据中，随机选取N％的节点，无论选取节点和当前样本之间有没有边，都将二者之间置为有边；从最不可能的故障类型的数据中，随机选取M％的节点，无论选取节点和当前样本之间有没有边，都将二者之间置为无边，N,M为可变参数。
[0018]本专利技术的有益效果为：
[0019]1、解决了现有运维系统的客服工作均由人工来完成的问题，针对运维系统的运行情况进行分析，给运维客服人员提供若干选项，系统半自动化地完成运维系统故障诊断；本专利技术加入自助的人工辅助机制，大大提高了客服响应速度，有助于在运维客服人员的经验判定下取得更优的检测准确率。
[0020]2、本专利技术采用图神经网络方法，图神经网络的优势就在于将每节点邻居节点的特征也归结于当前节点，更加准确全面。
附图说明
[0021]图1为本专利技术的流程方框示意图。
具体实施方式
[0022]下面将结合附图和实施例对本专利技术做详细的介绍：
[0023]如图1所示，本专利技术提供了一种面向自助服务的智能运维客服响应方法，该方法包括以下步骤：
[0024]第一方面，本专利技术提供一种运维系统故障数据标识方法，具体包括：
[0025](1)收集运维系统故障数据，对故障数据标注类型信息，可以按第一类、第二类等标注，也可以按A、B、C等标注，由运维人员人工确定，本专利不做特殊要求；
[0026](2)从已标注的故障数据中提取故障特征，包括但不限于：系统故障时刻的带宽、系统故障时刻的网速、系统故障时刻运行的应用数、系统故障时刻占用的内存、系统故障时刻CPU使用率、系统正常运行时的平均带宽、系统运行时刻的最大带宽等等。这些向量构成特征向量I＝x1,x2,x3
…
xm(这就表示有m维的特征)。
[0027](3)根据故障特征，生成运维故障数据关系图G；
[0028]运维故障数据关系图G定义为G＝(V,E)，其中V＝{v1,v2,
…
vi,
…
vj,
…
vn}是故障数据节点集合,每一条故障数据看做一个节点，vi表示节点为i的故障数据，vi表示节点为j的故障数据，n表示故障数据个数；E＝{eij，
…
}是无向边集合，eij表示节点i和节点j的无向边，若vi和vj相近，则节点i和节点j直接有边(eij＝1)，否则节点i和节点j无边(eij＝
0)。
[0029]在这里，vi和vj相近，当且仅当，vi的特征向量与vj的特征向量的欧式距离小于所有节点间两两欧式距离的平均值。
[0030]其中，欧式距离的计算属于领域公知问题，本方法不做特殊定义。
[0031]第二方面，本专利技术提供一种运维系统故障模型训练方法，具体包括：
[0032]将标注后的故障数据和运维故障数据关系图G输入图神经网络模型中，以训练图神经网络模型；
[0033]其中，图神经网络模型是人工智能领域公知方法，图神经网络模型可以是GCN，GraphSage，GAT等常见的模型，在此不做新定义。需要给模型输入样本集合和样本关系图。样本集合中样本的格式为[标签，ID编号，特征][0034]其中，标签如第一方面(1)；编号就是样本的序号，特征如第一方面(2)，样本关系图如第一方面(3)。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向自助服务的智能运维客服响应方法，其特征在于：该方法包括以下步骤：(1)、对运维系统的故障数据进行标注，从已标注的故障数据中提取故障特征，获得运维故障数据关系图G；(2)、运维系统故障模型训练：将故障特征和运维故障数据关系图G输入图神经网络模型中，以训练所述图神经网络模型；(3)、运维故障情况下自助客服类型选择：当运维故障发生时，运维系统向运维客服人员弹窗提示，同时，要求运维客服人员选择最可能的故障类型和最不可能的故障类型；(4)、半自动化运维故障检测：(4.1)、提取当前运维故障情况下的故障特征，与现有训练样本进行计算，计算当前样本与训练样本的关系图G
’
；(4.2)、根据最可能的故障类型的数据和最不可能的故障类型的数据，对关系图G
’
进行修正；(4.3)、将修正后的关系图G
’
和当前故障特征输入训练好的图神经网络模型，输出故障类型。2.根据权利要求1所述的面向自助服务的智能运维客服响应方法，其特征在于：所述步骤(1)包括：(1.1)、收集运维系统的故障数据，对故障数据标注类型信息；(1.2)、从已标注的故障数据中提取故障特征，包括系统故障时刻的带宽、系统故障时刻的网速、系统故障时刻运行的应用数、系统故障时刻占用的内存、系统故障时...

【专利技术属性】
技术研发人员：王会来，蒋蕊，孙红杰，倪玉刚，张园园，邢文欣，郝仓，
申请(专利权)人：国投智能科技有限公司，
类型：发明
国别省市：