[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

本公開實施例中提供了一種應用于AIOps故障預警的動態閾值預測方法、設備及介質，屬于數據處理技術領域，具體包括：獲取待測設備在預設時段內的歷史流量數據，并對歷史流量數據進行預處理，得到目標數據集；根據目標數據集進行拓撲數據分析，提取拓撲特征，以及，將目標數據集輸入卷積神經網絡，提取時空特征；將拓撲特征、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；將預測結果和均值代入預設公式，計算待測設備在指定置信度下的預測閾值區間。通過本公開的方案，將拓撲特征、時空特征和統計特征聯結訓練得到動態的預測閾值區間，提高了AIOps故障預警的動態閾值預測的預測效率、預測精準度和適應性。

技術領域

本公開實施例涉及數據處理技術領域，尤其涉及一種應用于AIOps故障預警的動態閾值預測方法、設備及介質。

背景技術

目前，隨著公司內部報警平臺的發展，報警配置及報警發送量都在快速增長，同時業務開發人員對報警的實時性與準確性有著更高的要求。而現有的預測方法如支持向量回歸模型難以適應存在較為復雜結構的數據，且無法學習較長的時間依賴，長短期記憶網絡無法處理和預測時間序列中間隔和延遲較短的重要事件，或者，深度學習模型如GPT等存在超參數龐大、訓練時間極長且依賴較多的GPU資源等問題。當前的工業應用模型大多是對模型復雜度、資源消耗和時間消耗的折中選擇。

可見，亟需一種預測效率、預測精準度和適應性較強的應用于AIOps故障預警的動態閾值預測方法。

發明內容

有鑒于此，本公開實施例提供一種應用于AIOps故障預警的動態閾值預測方法、設備及介質，至少部分解決現有技術中存在預測效率、預測精準度和適應性較差的問題。

第一方面，本公開實施例提供了一種應用于AIOps故障預警的動態閾值預測方法，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；

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；

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。

根據本公開實施例的一種具體實現方式，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。

根據本公開實施例的一種具體實現方式，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；

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。

根據本公開實施例的一種具體實現方式，所述對所述目標數據集進行takens嵌入，轉換為點云數據的步驟，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。

根據本公開實施例的一種具體實現方式，所述對所述點云數據進行持續同調，得到所述拓撲特征的步驟，包括：

計算所述點云數據集中全部點對應的歐氏距離矩陣；