[發明專利]基于規則與模型增強的運維告警規則生成方法和系統

有效

• 申請號: 202110349802.3
• 申請日: 2021-03-31
• 公開（公告）號: CN113052338B
• 公開（公告）日: 2022-11-08
• 發明（設計）人: 支鳳麟;蔡曉華
• 申請（專利權）人: 上海天旦網絡科技發展有限公司
• 主分類號: G06Q10/00
• 分類號: G06Q10/00;G06K9/62
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

1.一種基于規則與模型增強的運維告警規則生成方法，其特征在于，包括：

規則庫建立步驟：獲取告警檢測數據和操作命令，得到操作結果和告警檢測規則；

規則模型化步驟：根據告警檢測規則和原始監測數據，得到告警檢測模型和標注后的原始監測數據；

模型檢測強化步驟：根據告警檢測模型和標注后的原始監測數據，得到增強告警檢測模型和告警增強訓練數據；

新規則輔助生成步驟：根據告警檢測規則、增強告警檢測模型、告警增強訓練數據和原始監測數據，輸出候選告警因子集合；

所述規則庫建立步驟包括：

步驟1.1：通過API接口接收操作命令和告警檢測數據；

步驟1.2：根據操作命令和告警檢測數據操作進行相應操作，所述操作命令包括增、刪、查、改；

步驟1.3：返回操作命令是否執行成功的反饋值和相應結果；

所述規則模型化步驟包括：

步驟2.1：通過API接口訪問規則庫模塊并獲取告警檢測規則；

步驟2.2：獲取原始監測數據；

步驟2.3：根據告警檢測規則從原始監測數據中篩選出告警數據并進行標記；

步驟2.4：初始化深度神經網絡分類模型，輸入原始監測數據并進行訓練，得出該原始監測數據是否觸發告警的分類結果、告警檢測模型和標注后的原始監測數據；

所述模型檢測強化步驟包括：

步驟3.1：初始化深度神經網絡生成模型，輸入隨機數字向量，輸出與單條原始監測數據同格式的數據；

步驟3.2：將生成的數據與原始監測數據混合后對深度神經網絡分類模型進行訓練，訓練過程采用對抗生成網絡損失函數，得到訓練后的深度神經網絡生成模型；

步驟3.3：通過訓練后深度神經網絡生成模型生成偽告警檢測數據，將偽告警檢測數據與標注后的原始監測數據混合，構成告警增強訓練數據；

步驟3.4：使用告警增強訓練數據訓練告警檢測模型，獲得增強告警檢測模型；

所述新規則輔助生成步驟包括：

步驟4.1：加載增強告警檢測模型，使用該模型對告警增強訓練數據進行檢測，篩選出模型判定告警數據；

步驟4.2：從規則庫讀取告警檢測規則，使用規則對告警增強訓練數據進行檢測，篩選出規則判定告警數據；

步驟4.3：計算疑似告警數據：疑似告警數據＝模型判定告警數據-規則判定告警數據；

步驟4.4：對疑似告警數據中的所有特征進行獨熱編碼；

步驟4.5：計算疑似告警數據編碼后的中心R，采用公式：r是獨熱編碼的疑似告警數據，n是數據的條目數，使用余弦相似度法找到疑似告警數據中與R相似度最高的數據，記為R^′；

步驟4.6：計算疑似告警數據中所有數據的獨立編碼與R^′的余弦相似度，將余弦相似度作為數據的權重，得到帶權的疑似告警數據，將帶權的疑似告警數據與標注后的原始監測數據混合，構成新規則訓練數據；

步驟4.7：初始化Lasso線性回歸模型，使用新規則訓練數據訓練該模型；

步驟4.8：在Lasso線性回歸模型中，將權重大于0的特征取出作為候選告警正向因子，將權重小于0的特征取出作為候選告警負向因子，輸出兩類候選告警因子。

2.一種基于規則與模型增強的運維告警規則生成系統，其特征在于，包括：

規則庫建立模塊：獲取告警檢測數據和操作命令，得到操作結果和告警檢測規則；

規則模型化模塊：根據告警檢測規則和原始監測數據，得到告警檢測模型和標注后的原始監測數據；

模型檢測強化模塊：根據告警檢測模型和標注后的原始監測數據，得到增強告警檢測模型和告警增強訓練數據；

新規則輔助生成模塊：根據告警檢測規則、增強告警檢測模型、告警增強訓練數據和原始監測數據，輸出候選告警因子集合；

所述規則庫建立模塊包括：

模塊M1.1：通過API接口接收操作命令和告警檢測數據；

模塊M1.2：根據操作命令和告警檢測數據操作進行相應操作，所述操作命令包括增、刪、查、改；

模塊M1.3：返回操作命令是否執行成功的反饋值和相應結果；

所述規則模型化模塊包括：

模塊M2.1：通過API接口訪問規則庫模塊并獲取告警檢測規則；

模塊M2.2：獲取原始監測數據；

模塊M2.3：根據告警檢測規則從原始監測數據中篩選出告警數據并進行標記；

模塊M2.4：初始化深度神經網絡分類模型，輸入原始監測數據并進行訓練，得出該原始監測數據是否觸發告警的分類結果、告警檢測模型和標注后的原始監測數據；

所述模型檢測強化模塊包括：

模塊M3.1：初始化深度神經網絡生成模型，輸入隨機數字向量，輸出與單條原始監測數據同格式的數據；

模塊M3.2：將生成的數據與原始監測數據混合后對深度神經網絡分類模型進行訓練，訓練過程采用對抗生成網絡損失函數，得到訓練后的深度神經網絡生成模型；

模塊M3.3：通過訓練后深度神經網絡生成模型生成偽告警檢測數據，將偽告警檢測數據與標注后的原始監測數據混合，構成告警增強訓練數據；

模塊M3.4：使用告警增強訓練數據訓練告警檢測模型，獲得增強告警檢測模型；

所述新規則輔助生成模塊包括：

模塊M4.1：加載增強告警檢測模型，使用該模型對告警增強訓練數據進行檢測，篩選出模型判定告警數據；

模塊M4.2：從規則庫讀取告警檢測規則，使用規則對告警增強訓練數據進行檢測，篩選出規則判定告警數據；

模塊M4.3：計算疑似告警數據：疑似告警數據＝模型判定告警數據-規則判定告警數據；

模塊M4.4：對疑似告警數據中的所有特征進行獨熱編碼；

模塊M4.5：計算疑似告警數據編碼后的中心R，采用公式：r是獨熱編碼的疑似告警數據，n是數據的條目數，使用余弦相似度法找到疑似告警數據中與R相似度最高的數據，記為R^′；

模塊M4.6：計算疑似告警數據中所有數據的獨立編碼與R^′的余弦相似度，將余弦相似度作為數據的權重，得到帶權的疑似告警數據，將帶權的疑似告警數據與標注后的原始監測數據混合，構成新規則訓練數據；

模塊M4.7：初始化Lasso線性回歸模型，使用新規則訓練數據訓練該模型；

模塊M4.8：在Lasso線性回歸模型中，將權重大于0的特征取出作為候選告警正向因子，將權重小于0的特征取出作為候選告警負向因子，輸出兩類候選告警因子。