【技术实现步骤摘要】
本申请涉及计算机处理，尤其涉及一种故障预测模型的训练方法、装置、设备及存储介质。
技术介绍
1、随着互联网技术的发展，互联网网站组成越来越复杂。网站的结构(如物理层、传输层、数据层、应用层结构)变得十分复杂。并且网站内的各个层之间存在强关联的耦合关系，当系统内单个节点发生故障时，会影响到其他的各个节点，继而出现故障传播、级联失效甚至整个系统瘫痪。传统的故障分析手段只能针对单一故障源和简单场景，无法对复杂网络内的故障进行快速、可靠的故障分析和故障根因定位。目前，引入深度学习的神经网络进行故障诊断，则面临着网络结构复杂、数据维度多、计算量大、计算精度低等问题。
技术实现思路
1、本申请提供一种故障预测模型的训练方法、装置、设备及存储介质，训练好的故障预测模型能够更精准的预测故障类型，并降低计算成本。
2、本申请的技术方案是这样实现的：
3、本申请提供一种故障预测模型的训练方法，该方法包括：从全链路日志数据中，获取多个服务节点的告警状态样本矩阵；所述告警状态样本矩阵用于表...
【技术保护点】
1.一种故障预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述对所述告警状态样本数据进行故障分析降维处理，得到第一特征样本矩阵，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述将所述第一特征样本矩阵和预设的各采样时刻的故障原因标签输入故障预测模型，得到所述第一告警特征对应的故障原因标签的概率分布，包括：
4.根据权利要求3所述的训练方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的训练方法，其特征在于，所述从全链路日志数据中，获取多个服务节点的告警状态样
【技术特征摘要】
1.一种故障预测模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的训练方法，其特征在于，所述对所述告警状态样本数据进行故障分析降维处理，得到第一特征样本矩阵，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述将所述第一特征样本矩阵和预设的各采样时刻的故障原因标签输入故障预测模型，得到所述第一告警特征对应的故障原因标签的概率分布，包括：
4.根据权利要求3所述的训练方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的训练方法，其特征在于，所述从全链路日志数据中，获取多个服务节点的告警状态样本矩阵，包括：
【专利技术属性】
技术研发人员：王腾贺，邱春武，聂彦超，马超，
申请(专利权)人：新浪技术中国有限公司，
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。