CN119473667A 一种根因分析设备间多告警情况下的根因关联方法及装置 （中盈优创资讯科技有限公司）

一种根因分析设备间多告警情况下的根因本发明公开一种根因分析设备间多告警情2S022、逐条遍历所有历史告警数据，进行计算获得历S0227、起点设备和终点设备转换后的告警向量分别记为fromAS0232、统计不同fromAlarm类型发生的次数，统计不同f3S032、模型训练拟合时使用mse作为损失函数，将模模型的输入端包括两个，分别是fromAlarm和toAlarm的多维告警特征向量，在将fromAlarm和toAlarm多维告警特征向量路线下线性层得到的输出结果共同通过一S041、获得当前发生告警及其前一个时间切片内目10.根据权利要求10所述的根因分析设备间多告警情况下的根因关联方法，其特征在11.根据权利要求11所述的根因分析设备间多告警情况下的根因关联方法，其特征在413.根据权利要求12所述的根因分析设备间多告警情况下的根因关联装置，其特征在14.根据权利要求12所述的根因分析设备间多告警情况下的根因关联装置，其特征在告警历史向量关系表模块、逐条遍历所有历史告警数据，进行计算15.根据权利要求14所述的根因分析设备间多告警情况下的根因关联装置，其特征在16.根据权利要求14所述的根因分析设备间多告警情况下的根因关联装置，其特征在截取历史告警数据模块、根据当前该条告警的发生时间，截分组模块、将时间切片内不同设备id的数据进行拓扑关系查询模块、以该条告警发生设备作为起始节点，通过设备取出模块、查询到的设备在该时间切片内发生告警，则将该起告警向量记录模块、起点设备和终点设备转换后的告警向量分别记为fromAlarm和17.根据权利要求14所述的根因分析设备间多告警情况下的根因关联装置，其特征在预测目标值计算模块、统计不同fromAlarm类型发生的次数，统计不同fromAlarm和518.根据权利要求12所述的根因分析设备间多告警情况下的根因关联装置，其特征在19.根据权利要求18所述的根因分析设备间多告警情况下的根因关联装置，其特征在模型的输入端包括两个，分别是fromAlarm和toAlarm的多维告警特征向量，在将fromAlarm和toAlarm多维告警特征向量路线下线性层得到的输出结果共同通过一20.根据权利要求12所述的根因分析设备间多告警情况下的根因关联装置，其特征在告警设备查询模块、获得当前发生告警及其前一个时间切片内目无向图构建模块、构建一个无向图，将获取到的所有有告警且有连21.根据权利要求20所述的根因分析设备间多告警情况下的根因关联装置，其特征在两个权重获取模块、将两端的告警特征向量代入多维告警6根结点推论模块、在一个有向图空间内形成了该子图中22.根据权利要求21所述的根因分析设备间多告警情况下的根因关联装置，其特征在7多种不同类型告警的情况，通常的因果分析算法，例如GES即使用贪婪搜索学习贝叶斯网通常需要先在每个设备上优先选取出一个告警，再判断相邻设备之间的告警是否存在联[0005]在本发明一实施例中，提出了一种根因分析设备间多告警情况下的根因关联方[0015]S0221、根据当前该条告警的发生时间，截取时间切片内发生的所有历史告警数8[0030]模型的输入端包括两个，分别是fromAlarm和toAlarm的多维告警特征向量，在[0031]全连接层是深度学习中的一种网络结构,用来处[0032]将fromAlarm和toAlarm多维告警特征向量路线下线性层得到的输出结果共同通过一个双线性变换层得到输出值，输出值为产生概率值，fromAlarm的多维向量导致[0033]双线性变换层是深度学习中的一种网络结9[0039]S041、获得当前发生告警及其前一个时间切片内目标区[0070]告警向量记录模块、起点设备和终点设备转换后的告警向量分别记为fromAlarm[0079]模型的输入端包括两个，分别是fromAlarm和toAlarm的多维告警特征向量，在[0080]将fromAlarm和toAlarm多维告警特征向量路线下线性层得到的输出结果共同通过一个双线性变换层得到输出值，输出值为产生概率值，fromAlarm的多维向量导致[0090]高权重值模块、取计算出较高权重值方向对应的起点和终点为因果推断的起始[0091]根结点推论模块、在一个有向图空间内形成了该子图中所有节点的有向连接关存储有执行根因分析设备间多告警情况下的根因关联方法的[0096]本发明一种根因分析设备间多告警情况下的根因关联方法及装置解决了常见的[0110]所述历史告警信息包含不少于6个月的历史数据，共计不少于10万条历史告警数[0117]S0221、根据当前该条告警的发生时间，截取时间切片内发生的所有历史告警数[0132]模型的输入端包括两个，分别是fromAlarm和toAlarm的多维告警特征向量，在[0133]全连接层是深度学习中的一种网络结构,用来处[0134]将fromAlarm和toAlarm多维告警特征向量路线下线性层得到的输出结果共同通过一个双线性变换层得到输出值，输出值为产生概率值，fromAlarm的多维向量导致[0135]双线性变换层是深度学习中的一种网络结[0141]S041、获得当前发生告警及其前一个时间切片内目标区[0153]需要说明的是，尽管在上述实施例及附图中以特定顺序描述了本发明方法的操[0154]为了对上述根因分析设备间多告警情况下的根因关联方[0159]当我们按照流程处理完所有的数据并训练完成后，便会得到告警类型列表alarmType.npy和多维特征因果模型mo生告警的设备是否有因果连接关系以及关系的方向性。以下面这样一个5分钟的告警数据[0166]bd9e8e77_8f87_11ec_8543_04a2f38b3dcd_GigabitEthernet2/0/0和c10d576f_8f87_11ec_8543_04a2f38b3dcd_GigabitEt[0168]bd9556ca_8f87_11ec_8543_04a2f38b3dcd_GigabitEthernet2/0/0和c116c79f_8f87_11ec_8543_04a2f38b3dcd_GigabitEth[0172]告警信息处理模块120、历史告警信息处理，逐条对历史告警信息进行处理并建[0175]所述告警与拓扑信息获取模块110中历史告警信息为：目标区域设备发生的告警[0176]所述告警与拓扑信息获取模块110中历史告警信息包含：不少于6个月的历史数[0189]告警向量记录模块、起点设备和终点设备转换后的告警向量分别记为fromAlarm[0198]模型的输入端包括两个，分别是fromAlarm和toAlarm的多维告警特征向量，在[0199]将fromAlarm和toAlarm多维告警特征向量路线下线性层得到的输出结果共同通过一个双线性变换层得到输出值，输出值为产生概率值，fromAlarm的多维向量导致[0209]高权重值模块、取计算出较高权重值方向对应的起点和终点为因果推断的起始[0210]根结点推论模块、在一个有向图空间内形成了该子图中所有节点的有向连接关[0211]两个权重获取模块中计算出两个权重值相同，比较两个节点最早发生的告警时述的一个模块的特征和功能可以进一步划分为由多个模210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序230，处理器220执行计算机程序230时实现前述根因分析设质存储有执行前述根因分析设备间多告警情况下的根因关联方[0215]本发明一种根因分析设备间多告警情况下的根因关联方法及装置解决了常见的算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理[0218]用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器