[發明專利]基于信息系統日志的故障時間空間預測方法及系統

有效

• 申請號: 202010568671.3
• 申請日: 2020-06-19
• 公開（公告）號: CN111858526B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 吳樹霖;朱京;趙子巖;李宏發;張江龍;高揚;李金鳳;吳小華;張天奇;趙云龍;胡心穎;郭慶;楊彬彬;李小威
• 申請（專利權）人: 國網福建省電力有限公司信息通信分公司;國網福建省電力有限公司;國家電網有限公司信息通信分公司;安徽繼遠軟件有限公司;國網信息通信產業集團有限公司
• 主分類號: G06F16/18
• 分類號: G06F16/18;G06F16/2458;G06N3/04
• 代理公司: 合肥維可專利代理事務所(普通合伙) 34135
• 代理人: 吳明華

1.基于信息系統日志的故障時間空間預測方法，其特征在于：包括：

獲取信息系統當前時刻t之前的n個時間段(t-n*Δt，t)內的時序日志數據x₁，進行預處理；

基于所述時序日志數據采用第一深度神經網絡對未來一個時間段(t，t+Δt)內信息系統是否會產生故障進行判斷：

若不會產生故障，則不進一步處理，并輸出信息系統運行正常信息；

否則，進一步判斷產生故障的具體時間點和空間位置，并輸出包含時間空間信息的故障預警信息；

所述判斷產生故障的具體時間點和空間位置采用多任務學習模型，對故障發生具體時間和位置這兩個任務進行聯合訓練，并同時返回產生故障的具體時間點和空間位置；

所述第一深度神經網絡的訓練過程為：采集歷史時序日志數據，提取第一特征向量，形成訓練樣本集，所述第一特征向量包括與日志級別關聯的特征，并將日志級別為alert、error、warning且持續時間大于第一預設閾值的日志作為故障日志數據進行標注，日志級別為notice、info、debug的日志作為非故障數據進行標注，進行故障預測訓練；

所述第一深度神經網絡的預測過程為：基于采集的(t-n*Δt，t)內的時序日志數據提取第一特征向量，輸入第一深度神經網絡，預測(t，t+Δt)的日志級別，若日志級別為warning級別以上，則確定(t，t+Δt)內會產生故障；

所述多任務學習模型的訓練過程為：采集歷史故障時序日志數據，提取第二特征向量，形成訓練樣本集，所述第二特征向量包括與故障的位置和產生時間均關聯的特征，并將故障的位置和產生時間作為標注數據進行訓練；

所述多任務學習模型的預測過程為：基于采集的(t-n*Δt，t)內的時序日志數據中的故障數據，提取第二特征向量輸入多任務學習模型，預測(t，t+Δt)發生故障的具體時間和位置。

2.根據權利要求1所述的基于信息系統日志的故障時間空間預測方法，其特征在于：所述第一預設閾值根據閃斷告警日志的持續時間確定。

3.根據權利要求1所述的基于信息系統日志的故障時間空間預測方法，其特征在于：所述第一特征向量包括事件發生時間點、日志級別、事件持續時間、日志發生的空間信息、事件詳情；

第二特征向量包括告警級別、故障名稱、網元類型、網絡設備性能、告警源、故障的定位信息、故障的產生時間和清除時間。

4.根據權利要求1所述的基于信息系統日志的故障時間空間預測方法，其特征在于：所述多任務學習模型包括特征輸入層、隱層、特定任務層、特征任務輸出層，

所述特征輸入層用于接收第二特征向量和標注數據，

所述隱層采用參數硬共享機制，用于實現兩個任務的數據共享，

所述特定任務層包括第一特性隱藏層和第二特性隱藏層，分別用于學習故障的產生時間和位置的預測任務，

所述特征任務輸出層包括第一任務輸出層和第二任務輸出層，分別用于分別輸出產生故障的具體時間點和空間位置的預測值。

5.根據權利要求4所述的基于信息系統日志的故障時間空間預測方法，其特征在于：所述多任務學習模型的訓練過程還包括：基于特征輸入層輸入的第二特征向量，經過前向網絡傳播，特征任務輸出層輸出得到預測的故障的位置和產生時間，基于預設的多任務學習聯合損失函數，獲得特征任務輸出層輸出得到的預測值與該輸入的第二特征向量攜帶的標注數據之間的多任務聯合損失值，將多任務聯合損失值進行反向傳播，利用控制變量法進行模型參數優化，直至訓練過程結束，獲取最佳的網絡參數。

6.根據權利要求5所述的基于信息系統日志的故障時間空間預測方法，其特征在于：所述預設的多任務學習聯合損失函數loss_joint為：

其中，loss₁為故障時間的交叉熵損失函數，loss₂為故障空間的交叉熵損失函數。

7.基于信息系統日志的故障時間空間預測系統，其特征在于：包括：

時序日志數據獲取模塊，用于獲取信息系統當前時刻t之前的n個時間段(t-n*Δt，t)內的時序日志數據x₁，進行預處理；

故障預測模塊，用于基于所述時序日志數據對未來一個時間段(t，t+Δt)內信息系統是否會產生故障進行判斷，若不會產生故障，則不進一步處理，并輸出信息系統運行正常信息；

故障時間空間預測模塊，用于當故障預測模塊預測結果為會產生故障時，進一步判斷產生故障的具體時間點和空間位置，并輸出包含時間空間信息的故障預警信息；所述判斷產生故障的具體時間點和空間位置采用多任務學習模型，對故障發生具體時間和位置這兩個任務進行聯合訓練，并同時返回產生故障的具體時間點和空間位置；

所述故障預測模塊采用第一深度神經網絡，所述第一深度神經網絡的訓練過程為：采集歷史時序日志數據，提取第一特征向量，形成訓練樣本集，所述第一特征向量包括與日志級別關聯的特征，并將日志級別為alert、error、warning且持續時間大于第一預設閾值的日志作為故障日志數據進行標注，日志級別為notice、info、debug的日志作為非故障數據進行標注，進行故障預測訓練；

所述第一深度神經網絡的預測過程為：基于采集的(t-n*Δt，t)內的時序日志數據提取第一特征向量，輸入第一深度神經網絡，預測(t，t+Δt)的日志級別，若日志級別為warning級別以上，則確定(t，t+Δt)內會產生故障；

所述多任務學習模型的訓練過程為：采集歷史故障時序日志數據，提取第二特征向量，形成訓練樣本集，所述第二特征向量包括與故障的位置和產生時間均關聯的特征，并將故障的位置和產生時間作為標注數據進行訓練；

所述多任務學習模型的預測過程為：基于采集的(t-n*Δt，t)內的時序日志數據中的故障數據，提取第二特征向量輸入多任務學習模型，預測(t，t+Δt)發生故障的具體時間和位置。