系统宕机智能预测方法、装置、设备及可读存储介质制造方法及图纸

本申请公开了一种系统宕机智能预测方法、装置、设备及可读存储介质，该方法包括步骤：将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息；所述异常检测模型包括孤立森林模型和密度聚类模型，所述孤立森林模型的输出信息为所述密度聚类模型的输入信息；基于所述实时异常日志信息，预测系统宕机的时间及概率。本申请通过异常检测模型生成实时异常日志信息，并通过实时异常日志信息对系统宕机的时间及概率进行预测，运维人员根据预测结果对系统进行维护，提高了系统运维的稳定性。提高了系统运维的稳定性。提高了系统运维的稳定性。

【技术实现步骤摘要】
系统宕机智能预测方法、装置、设备及可读存储介质


[0001]本申请涉及云计算领域，尤其涉及一种系统宕机智能预测方法、装置、设备及可读存储介质。

技术介绍

[0002]在全面云化的时代下，随着5G网络的快速发展，业务的规模持续增长，同时伴随着设备、系统和数据数量的快速增加。对运维监控系统而言，如何在海量运维数据中准确发现异常并快速定位问题是一个巨大的挑战。
[0003]目前，日志监控方式主要采取配置异常关键字，人工对日志进行过滤并配置相应的监控告警方法。在日志数据量剧增，格式、类型日益复杂的情况下，以上检测方式仅能对已知问题进行相关的日志监控，无法对系统级别的宕机进行预测，从而影响系统的运维的稳定性。

技术实现思路

[0004]有鉴于此，本申请提供一种系统宕机智能预测方法、装置、设备及可读存储介质，旨在提高系统运维的稳定性。
[0005]为实现上述目的，本申请提供一种系统宕机智能预测方法，所述方法包括：
[0006]将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息；所述异常检测模型包括孤立森林模型和密度聚类模型，所述孤立森林模型的输出信息为所述密度聚类模型的输入信息；
[0007]基于所述实时异常日志信息，预测系统宕机的时间及概率。
[0008]示例性的，所述基于所述实时异常日志信息，预测系统宕机的时间及概率，包括：
[0009]统计多个预设时长内实时异常日志信息的第一数量信息；
[0010]生成所述第一数量信息随时间变化的实时异常日志量波动曲线；
[0011]从所述实时异常日志量波动曲线中抽取时序序列特征，生成实时异常日志量时序序列；
[0012]将所述实时异常日志量时序序列与历史异常日志量时序序列进行相似度匹配，得到匹配结果；
[0013]基于所述匹配结果，预测系统宕机的时间及概率。
[0014]示例性的，所述实时异常日志信息包括第一实时异常日志信息和第二实时异常日志信息，所述检测结果包括第一检测结果和第二检测结果，所述将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息，包括：
[0015]将实时日志信息对应的第一特征向量输入至孤立森林模型，得到所述第一检测结果，并基于所述第一检测结果确定所述第一实时异常日志信息；所述孤立森林模型基于日志信息对初始孤立森林模型迭代训练得到；
[0016]将所述孤立森林模型中检测结果为正常结果的实时拟正常日志信息输入至所述密度聚类模型，得到所述第二检测结果，并基于所述第二检测结果确定所述第二实时异常日志信息。
[0017]示例性的，所述孤立森林模型包含多颗孤立树，所述将实时日志信息对应的第一特征向量输入至孤立森林模型，得到所述第一检测结果，并基于所述第一检测结果确定所述第一实时异常日志信息，包括：
[0018]计算所述第一特征向量在所述每一孤立树中的高度；
[0019]基于所述高度，计算平均高度；
[0020]若所述平均高度小于或等于预设高度，则确定所述第一检测结果为异常结果，并确定所述实时日志信息为实时异常日志信息。
[0021]示例性的，所述基于所述第二检测结果确定所述第二实时异常日志信息，包括：
[0022]获取聚类簇中实时拟正常日志信息的第二数量信息；
[0023]若所述实时拟正常日志信息的数量小于或等于第一预设数量，则确定所述第二检测结果为异常结果，并确定所述聚类簇中的实时拟正常日志信息为第二实时异常日志信息。
[0024]示例性的，所述将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果之前，包括：
[0025]构建实时日志信息的句向量；
[0026]将所述句向量输入至VAE模型，得到所述实时日志信息的第一特征向量；所述VAE模型用于对所述句向量进行降维处理。
[0027]示例性的，所述将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果之前，包括：
[0028]从历史日志信息的第二特征向量中选取第二预设数量的初始训练样本；所述初始训练样本用于对初始孤立树进行训练；
[0029]从所述初始训练样本中随机选取特征及切点，用于将所述初始训练样本分至第一训练样本集和第二训练样本集中；
[0030]若满足预设训练条件，则停止训练，得到一棵孤立树；
[0031]若未满足预设优化迭代条件，则将所述第一训练样本集中样本和所述第二训练样本集中的样本分别作为所述初始训练样本，并返回所述从所述初始训练样本中随机选取特征及切点步骤。
[0032]示例性的，为实现上述目的，本申请还提供一种系统宕机智能预测装置，所述系统宕机智能预测装置包括：
[0033]确定模块，用于将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息；所述异常检测模型包括孤立森林模型和密度聚类模型，所述孤立森林模型的输出信息为所述密度聚类模型的输入信息；
[0034]预测模块，用于基于所述实时异常日志信息，预测系统宕机的时间及概率。
[0035]示例性的，为实现上述目的，本申请还提供一种系统宕机智能预测设备，所述系统宕机智能预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的系统宕机智能预测程序，所述系统宕机智能预测程序被处理器执行时实现如上所述的系统
宕机智能预测方法的步骤。
[0036]示例性的，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有系统宕机智能预测程序，所述系统宕机智能预测程序被处理器执行时实现如上所述的系统宕机智能预测方法的步骤。
[0037]与现有技术中，通过人工对日志进行过滤并配置相应的监控告警方法，而在日志数据量剧增，格式、类型日益复杂的情况下，仅能对已知问题进行相关的日志监控，无法对系统级别的宕机进行预测，进而导致系统宕机相比。本申请将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息；所述异常检测模型包括孤立森林模型和密度聚类模型，所述孤立森林模型的输出信息为所述密度聚类模型的输入信息；基于所述实时异常日志信息，预测系统宕机的时间及概率。本申请通过异常检测模型生成实时异常日志信息，并可以通过实时异常日志信息对系统宕机的时间及概率进行预测，运维人员根据预测结果对系统进行维护，避免出现系统宕机，提高了系统运维的稳定性。
附图说明
[0038]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0039]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统宕机智能预测方法，其特征在于，所述方法包括：将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息；所述异常检测模型包括孤立森林模型和密度聚类模型，所述孤立森林模型的输出信息为所述密度聚类模型的输入信息；基于所述实时异常日志信息，预测系统宕机的时间及概率。2.如权利要求1所述的方法，其特征在于，所述基于所述实时异常日志信息，预测系统宕机的时间及概率，包括：统计多个预设时长内实时异常日志信息的第一数量信息；生成所述第一数量信息随时间变化的实时异常日志量波动曲线；从所述实时异常日志量波动曲线中抽取时序序列特征，生成实时异常日志量时序序列；将所述实时异常日志量时序序列与历史异常日志量时序序列进行相似度匹配，得到匹配结果；基于所述匹配结果，预测系统宕机的时间及概率。3.如权利要求1所述的方法，其特征在于，所述实时异常日志信息包括第一实时异常日志信息和第二实时异常日志信息，所述检测结果包括第一检测结果和第二检测结果，所述将实时日志信息对应的第一特征向量输入至异常检测模型，得到检测结果，并基于所述检测结果，确定实时异常日志信息，包括：将实时日志信息对应的第一特征向量输入至孤立森林模型，得到所述第一检测结果，并基于所述第一检测结果确定所述第一实时异常日志信息；所述孤立森林模型基于日志信息对初始孤立森林模型迭代训练得到；将所述孤立森林模型中检测结果为正常结果的实时拟正常日志信息输入至所述密度聚类模型，得到所述第二检测结果，并基于所述第二检测结果确定所述第二实时异常日志信息。4.如权利要求3所述的方法，其特征在于，所述孤立森林模型包含多颗孤立树，所述将实时日志信息对应的第一特征向量输入至孤立森林模型，得到所述第一检测结果，并基于所述第一检测结果确定所述第一实时异常日志信息，包括：计算所述第一特征向量在所述每一孤立树中的高度；基于所述高度，计算平均高度；若所述平均高度小于或等于预设高度，则确定所述第一检测结果为异常结果，并确定所述实时日志信息为实时异常日志信息。5.如权利要求3所述的方法，其特征在于，所述基于所述第二检测结果确定所述第二实时异常日志...

【专利技术属性】
技术研发人员：翁乐怡，陈青青，陈健飞，蒋通通，章清云，叶晓龙，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：