本发明专利技术实施例涉及人工智能技术领域，公开了一种运维故障分析方法，该方法包括：获取待预测运维指标序列；所述待预测运维指标序列中包括多个运维指标对应的时序数据；将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务的故障信息；其中，运维故障预测模型包括不规则卷积网络及LSTM网络；所述运维故障预测模型根据历史运维故障指标序列样本输入所述不规则卷积网络，并将输出的卷积结果处理成一维向量输入所述LSTM网络训练得到。通过上述方式，本发明专利技术实施例实现了准确预测运维故障信息的效果。故障信息的效果。故障信息的效果。
【技术实现步骤摘要】
运维故障分析方法、装置及计算机设备
[0001]本专利技术实施例涉及人工智能
，具体涉及一种运维故障分析方法、装置、计算机设备及计算机可读存储介质。
技术介绍
[0002]目前，现有运维故障处理方式主要为现有时序预测的方法相关的研究比较完善，基于统计机器学习的方法有移动平均自回归模型(ARIMA)、回归预测。基于深度学习的方法有RNN、LSTM。ARIMA方法针对时序数据统计分析实现预测，该方法对故障预测的准确率较低。
[0003]因此，本申请专利技术人发现，现有技术和处理机制无法满足现实运维需要，也不符合未来IT的发展趋势。
技术实现思路
[0004]鉴于上述问题，本专利技术实施例提供了一种运维故障分析方法、装置、计算机设备及计算机可读存储介质，用于解决现有技术中存在的故障预测不准确的技术问题。
[0005]根据本专利技术实施例的一个方面，提供了一种运维故障分析方法，所述方法包括：
[0006]获取待预测运维指标序列；所述待预测运维指标序列中包括多个运维指标对应的时序数据；
[0007]将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务的故障信息；其中，运维故障预测模型包括不规则卷积网络及LSTM网络；所述运维故障预测模型根据历史运维故障指标序列样本输入所述不规则卷积网络，并将输出的卷积结果处理成一维向量输入所述LSTM网络训练得到。
[0008]在一种可选的方式中，所述将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务在未来预设时间段的故障信息之前，所述方法包括：
[0009]对历史运维故障指标的初始时序数据进行预处理，得到各个历史运维故障指标对应的预处理后的时序数据；
[0010]分析各个历史运维故障指标与目标业务的业务性能之间的相关性；
[0011]根据所述相关性，从各个历史运维故障指标中筛选预设数量的历史运维故障指标；
[0012]将所述预设数量的历史运维故障指标对应的预处理后的时序数据，拼接得到历史运维故障指标序列样本。
[0013]在一种可选的方式中，所述对历史运维故障指标的初始时序数据进行预处理，得到各个历史运维故障指标对应的预处理后的时序数据，进一步包括：
[0014]获取多个历史运维故障指标的时序数据；
[0015]对所述历史运维故障指标的时序数据进行日期补齐，得到补齐后的时序数据；
[0016]将所述补齐后的时序数据采用正态标准化方法，对所述时序数据进行数据归一
化，得到归一化后的时序数据；
[0017]根据数据偏离度，识别所述归一化后的时序数据中的异常数据，并替换为预设数值，得到所述历史运维故障指标对应的预处理后的时序数据。
[0018]在一种可选的方式中，所述分析各个历史运维故障指标与目标业务的业务性能之间的相关性，包括：
[0019]采用皮尔逊相关系数计算各个所述历史运维故障指标与目标业务的业务性能之间的相关性。
[0020]在一种可选的方式中，所述根据数据偏离度，识别所述归一化后的时序数据中的异常数据，并替换为预设数值，得到所述历史运维故障指标对应的预处理后的时序数据，包括：
[0021]计算所述归一化后的时序数据中任一个数据之前的各个数据的中位数值；
[0022]根据所述归一化后的时序数据中任一个数据与所述中位数值的数据偏离度，确定所述数据是否为异常数据；
[0023]当所述数据为异常数据时，将所述数据替换为预设数值。
[0024]在一种可选的方式中，所述将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务在未来预设时间段的故障信息之前，所述方法包括：
[0025]构建不规则卷积网络及LSTM网络，对所述不规则卷积网络中的卷积核内的不同位置赋予不同的权重；
[0026]将所述历史运维故障指标序列样本输入所述不规则卷积网络，得到卷积结果；
[0027]将所述卷积结果处理为一维向量，并将所述一维向量输入所述LSTM网络，通过全连接层输出到一维全连接层，得到预测结果；
[0028]根据所述预测结果与所述历史运维故障指标序列样本对应的期望结果，对所述权重，以及及所述不规则卷积网络及LSTM网络的参数，进行优化，并继续进行训练，得到所述运维故障预测模型。
[0029]根据本专利技术实施例的另一方面，提供了一种运维故障分析装置，包括：
[0030]获取模块，用于获取待预测运维指标序列；所述待预测运维指标序列中包括多个运维指标对应的时序数据；
[0031]预测模块，用于将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务的故障信息；其中，运维故障预测模型包括不规则卷积网络及LSTM网络；所述运维故障预测模型根据历史运维故障指标序列样本输入所述不规则卷积网络，并将输出的卷积结果处理成一维向量输入所述LSTM网络训练得到。
[0032]在一种可选的方式中，所述装置进一步包括：
[0033]预处理模块，用于对历史运维故障指标的初始时序数据进行预处理，得到各个历史运维故障指标对应的预处理后的时序数据；
[0034]相关性分析模块，用于分析各个历史运维故障指标与目标业务的业务性能之间的相关性；
[0035]筛选模块，用于根据所述相关性，从各个历史运维故障指标中筛选预设数量的历史运维故障指标；
[0036]拼接模块，用于将所述预设数量的历史运维故障指标对应的预处理后的时序数
据，拼接得到历史运维故障指标序列样本。
[0037]根据本专利技术实施例的另一方面，提供了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
[0038]所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行所述的运维故障分析方法的操作。
[0039]根据本专利技术实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在计算机设备上运行时，使得计算机设备所述的运维故障分析方法的操作。
[0040]本专利技术实施例通过获取待预测运维指标序列；所述待预测运维指标序列中包括多个运维指标对应的时序数据；将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务的故障信息；其中，运维故障预测模型包括不规则卷积网络及LSTM网络；所述运维故障预测模型根据历史运维故障指标序列样本输入所述不规则卷积网络，并将输出的卷积结果处理成一维向量输入所述LSTM网络训练得到，能够准确预测运维故障信息。
[0041]上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0042]附图仅用于示出实施方式，而并不认为是对本专利技术的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种运维故障分析方法，其特征在于，所述方法包括：获取待预测运维指标序列；所述待预测运维指标序列中包括多个运维指标对应的时序数据；将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务的故障信息；其中，运维故障预测模型包括不规则卷积网络及LSTM网络；所述运维故障预测模型根据历史运维故障指标序列样本输入所述不规则卷积网络，并将输出的卷积结果处理成一维向量输入所述LSTM网络训练得到。2.根据权利要求1所述的方法，其特征在于，所述将所述待预测运维指标序列输入预设的运维故障预测模型，得到目标业务在未来预设时间段的故障信息之前，所述方法包括：对历史运维故障指标的初始时序数据进行预处理，得到各个历史运维故障指标对应的预处理后的时序数据；分析各个历史运维故障指标与目标业务的业务性能之间的相关性；根据所述相关性，从各个历史运维故障指标中筛选预设数量的历史运维故障指标；将所述预设数量的历史运维故障指标对应的预处理后的时序数据，拼接得到历史运维故障指标序列样本。3.根据权利要求2所述的方法，其特征在于，所述对历史运维故障指标的初始时序数据进行预处理，得到各个历史运维故障指标对应的预处理后的时序数据，进一步包括：获取多个历史运维故障指标的时序数据；对所述历史运维故障指标的时序数据进行日期补齐，得到补齐后的时序数据；将所述补齐后的时序数据采用正态标准化方法，对所述时序数据进行数据归一化，得到归一化后的时序数据；根据数据偏离度，识别所述归一化后的时序数据中的异常数据，并替换为预设数值，得到所述历史运维故障指标对应的预处理后的时序数据。4.根据权利要求2所述的方法，其特征在于，所述分析各个历史运维故障指标与目标业务的业务性能之间的相关性，包括：采用皮尔逊相关系数计算各个所述历史运维故障指标与目标业务的业务性能之间的相关性。5.根据权利要求2所述的方法，其特征在于，所述根据数据偏离度，识别所述归一化后的时序数据中的异常数据，并替换为预设数值，得到所述历史运维故障指标对应的预处理后的时序数据，包括：计算所述归一化后的时序数据中任一个数据之前的各个数据的中位数值；根据所述归一化后的时序数据中任一个数据与所述中位数值的数据偏离度，确定所述数据是否为异常数据；当所述数据为异常数据时，将所述数据替换为预设数值。6.根据权利要求1所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：乔柏林，于祥兵，翁乐怡，郑璐璐，王璇，
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：
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。