[發明專利]資源質量監控的智能化預警方法、系統、設備和存儲介質

在審

• 申請號: 202210360389.5
• 申請日: 2022-04-07
• 公開（公告）號: CN114726751A
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 徐運海;皋宇峰;周波;鄭博洪;賴偉;陶熙;李躍華;鄧云;曹磊
• 申請（專利權）人: 廣州匯智通信技術有限公司
• 主分類號: H04L43/04
• 分類號: H04L43/04;H04L41/147;H04L41/14;H04L41/0631
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 劉思言

本申請提供了一種用于資源質量監控的智能化預警方法、系統、設備及存儲介質，收集原始運維指標數據，將原始運維指標數據作為學習目標輸入到長短期記憶網絡LSTM中；基于長短期記憶網絡LSTM對原始運維指標數據的深層數據信息進行回歸學習，訓練權重和偏置確定的預測模型；利用預測模型進行資源質量監控，根據收集的當前時間段的時間序列指標數據預測下一時間段的數據指標，并為數據指標設定動態閾值；根據動態閾值篩選下一時間段的有效告警信息，根據有效告警信息進行智能化預警。本發明使用的LSTM網絡具有能夠最大程度發揮歷史信息的價值，預測未來更為準確的數據值，能夠有效的為運維人員降低時間成本，維護服務穩定運行。

技術領域

本發明涉及互聯網運維領域，具體涉及一種用于資源質量監控的智能化預警方法、系統、設備和存儲介質。

背景技術

目前，在互聯網運維領域中，指標的變化趨勢各不相同，其受到時間，用戶量，社會環境等多種因數的影響，呈現出無規律，變化多端等特點，例如手機流量，其在白天的總量一般低于晚上，若簡單的指定固定的閾值會導致晚上的服務告警劇增，然而其中大部分是正常的數據波動。

隨著數據量以及指標數量的劇增，以往的人工制定閾值并產生告警的運維方式逐漸不能滿足日常運維的要求，當指標數量較大時，需要運維人員根據經驗分別制定一個閾值，超過或低于閾值將會判定為指標出現異常，在一些數據指標中，這種方式通常會遺漏重要異常或產生較多無效告警，影響運維人員的判斷，直接導致運維質量低下，無法滿足巨大用戶的日常需求。

為減小運維人力成本，提高運維效率，及時為運維人員提供可靠的告警信息。用機器學習等方法為單個指標制定閾值成為一種可行的方案。機器學習是近年來興起的一種新技術，主要用于學習已標記樣本的特征，形成分類器或回歸器，例如決策樹算法，通過多種判定條件對已標記的標簽進行學習，訓練出一棵具有識別特定標簽能力的決策樹，用于預測或分類。

在互聯網運維領域中，現有的智能運維方案通常是使用差分整合移動平均自回歸模型ARIMA或XGBoost等機器學習算法對歷史的指標數據進行學習，通過預測未來一段時間的指標值來設定動態閾值，這種方法省去了人工設定閾值的人力成本和時間成本，且由于學習了數據指標的變化規律，因此能夠篩選掉更多的無效告警，找出其中真正異常的指標，提供可靠的告警信息。

但是，現有的智能運維動態閾值設定方法大部分是基于傳統的機器學習方法，如支持向量機、XGBoost等算法，但這些算法僅僅能夠學到數據的淺層信息，無法學習時間序列所存在的上下文信息以及記憶信息。而在序列類型的數據中，某一個數據的實際信息通常是由上文所有信息共同決定，各個時間點的數據聯系緊密且呈現出一定的規律，若不能深入挖掘這些信息，將導致動態閾值的準確性降低。

發明內容

為解決現有技術存在的問題，本發明提供了一種用于資源質量監控的智能化預警方法、系統、設備和存儲介質。為實現本發明的目的，本發明的技術方案如下。

一種用于資源質量監控的智能化預警方法，包括：

收集原始運維指標數據，將所述原始運維指標數據作為學習目標輸入到長短期記憶網絡LSTM中；

基于所述長短期記憶網絡LSTM對所述原始運維指標數據的深層數據信息進行回歸學習，訓練權重和偏置確定的預測模型；

利用所述預測模型進行資源質量監控，根據收集的當前時間段的時間序列指標數據預測下一時間段的數據指標，并為所述數據指標設定動態閾值；

根據所述動態閾值篩選下一時間段的有效告警信息，根據所述有效告警信息進行智能化預警。

優選地，所述基于所述長短期記憶網絡LSTM對所述原始運維指標數據的深層數據信息進行回歸學習，包括：

根據深度學習框架TensorFlow，以及多個不同結構的所述長短期記憶LSTM網絡，以集成學習的方式對所述原始運維指標數據中基于時間序列的單一指標進行回歸學習。