[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

本發明提供了一種基于規則與模型增強的運維告警規則生成方法和系統，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。本發明使用業務經驗規則初始化機器學習模型，無需接觸真實數據，提高了數據安全性，降低了部署成本。

技術領域

本發明涉及數據處理、智能運維技術領域，具體地，涉及一種基于規則與模型增強的運維告警規則生成方法和系統。

背景技術

在IT運維中，各類告警監控系統發揮著巨大的作用，觸發告警即異常檢測的方法一般包含規則和模型兩類。基于規則的方法的特點是易于理解、誤報率極低，傳統的專家知識庫等都屬于這類方法，這類方法缺點是泛化性較差，面對不斷推陳出新的系統，規則顯得更新不夠及時，會有較多漏報，且編寫規則對人力消耗較大。基于模型的方法一般將異常檢測作為分類問題處理，通過標注樣本訓練檢測模型，加入新的訓練樣例模型即可更新，基于模型的方法優點是準確性和泛化性均較好，缺點是數據標注成本高、存在一定的誤報、主流深度學習模型可解釋性較差等。目前，主流的兩類異常檢測方法均無法做到可解釋性、泛化性、準確性、人力成本之間較好平衡。

專利文獻CN112218126A(申請號：CN202011084443.5)公開了一種基于終端的內容推薦效果反饋方法、系統及設備，該專利需要通過每一個推薦終端收集每一次反饋作為優化依據，而本發明僅需要轉化效果的抽樣統計值；該專利需要保持推薦終端與推薦系統之間的聯系以獲取反饋數據，而本發明僅需要圖形界面填寫兩個抽樣統計值即可；該專利的推薦模型為規則模型，而本發明為基于規則模型擬合的機器學習模型，具備更好的泛化、平滑特性。

專利文獻CN106897912A(申請號：CN201710034167.3)公開了一種基于epsilon反饋算法的推薦系統冷啟動方法。該專利需要記錄用戶的每次反饋并用于后續的模型更新，而本發明僅需要使用采樣后的轉化率來進行模型更新；該專利使用用戶的行為反饋來進行模型的初始化與冷啟動，而本發明是使用業務經驗規則來初始化模型。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于規則與模型增強的運維告警規則生成方法和系統。

根據本發明提供的基于規則與模型增強的運維告警規則生成方法，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。

優選的，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。

優選的，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；