[發明專利]應用于AIOps故障預警的動態閾值預測方法、設備及介質

有效

• 申請號: 202111165179.2
• 申請日: 2021-09-30
• 公開（公告）號: CN113886181B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 陳志剛;譚源;王堃
• 申請（專利權）人: 中南大學
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06N3/04
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 董崇東

1.一種應用于AIOps故障預警的動態閾值預測方法，其特征在于，包括：

獲取待測設備在預設時段內的歷史流量數據，并對所述歷史流量數據進行預處理，得到目標數據集；

所述對所述歷史流量數據進行預處理，得到目標數據集的步驟，包括：

對所述歷史流量數據進行格蘭杰因果檢驗和相關性分析，得到特征相關分析結果；

根據所述特征相關分析結果剔除與所述歷史流量數據中的接收流量數據相關性較小的特征后形成所述目標數據集；

根據所述目標數據集進行拓撲數據分析，提取拓撲特征，以及，將所述目標數據集輸入卷積神經網絡，提取時空特征；

所述根據所述目標數據集進行拓撲數據分析，提取拓撲特征的步驟，包括：

對所述目標數據集進行takens嵌入，轉換為點云數據集；

使用所述點云數據集進行持續同調；

根據持續同調的結果得到基于歐式距離、Bottleneck距離、Wasserstein距離和持續性熵的拓撲特征；

所述對所述目標數據集進行takens嵌入，轉換為點云數據集的步驟，包括：

所述目標數據集進行歸一化處理后使用轉換函數進行轉換，得到所述點云數據集；

所述根據持續同調的結果得到基于歐式距離、Bottleneck距離、Wasserstein距離和持續性熵的拓撲特征的步驟，包括：

計算所述點云數據集中全部點對應的歐式 距離矩陣；

持續增大所述點云數據集中點的半徑并根據所述歐式距離矩陣構造每一輪的同調群；

根據所述同調群的生滅關系輸出所述拓撲特征；

將所述拓撲特征、所述時空特征和統計特征聯結，訓練門控循環單元網絡，得到預測結果，其中，所述統計特征包括所述目標數據集的均值和方差；

將所述預測結果和所述均值代入預設公式，計算所述待測設備在指定置信度下的預測閾值區間。

2.根據權利要求1所述的方法，其特征在于,所述預設公式為其中，TR表示所述預測閾值區間，表示網絡流量的預測結果，N表示所述目標數據集中樣本總數，x_i表示第i個樣本，u表示所述目標數據集的均值，h表示預測步數，k表示置信乘子。

3.根據權利要求1所述的方法，其特征在于,所述將所述預測結果和所述均值代入預設公式，計算所述待測設備在指定置信度下的預測閾值區間的步驟之后，所述方法還包括：

采集與所述預測閾值區間對應的每個時間節點的目標流量數據；

依次將每個所述時間節點的目標流量數據與預測閾值區間進行比對；

當檢測到所述目標流量數據不在所述預測閾值區間內時，則在對應的時間節點發送預警信息。

4.一種電子設備，其特征在于，所述電子設備包括：

至少一個處理器；以及，

與所述至少一個處理器通信連接的存儲器；其中，

所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行前述權利要求1-3中任一項所述的應用于AIOps故障預警的動態閾值預測方法。

5.一種非暫態計算機可讀存儲介質，該非暫態計算機可讀存儲介質存儲計算機指令，該計算機指令用于使該計算機執行前述權利要求1-3中任一項所述的應用于AIOps故障預警的動態閾值預測方法。