[发明专利]告警根因判断方法、模型训练方法、装置、设备和介质

说明书

本公开提供了一种告警根因判断方法、模型训练方法、装置、设备和介质，涉及计算机技术领域。其中，告警根因预测模型的训练方法，包括：获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip‑gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。训练过程重复修正skip‑gram的嵌入算法的预设参数，逐渐让训练样本的根因的预测概率能够最大化，实现告警根因的预测，提高告警根因预测的准确率。

技术领域

本公开涉及信息处理技术领域，尤其涉及一种告警根因的判断方法、预测模型的训练方法、装置、电子设备和计算机存储介质。

背景技术

随着云计算、云原生技术的愈发成熟，云功能模块之间愈发解耦，依靠相互调用形成多种云服务。调用复杂度大幅上升，给云服务提供商带来了更大的运维难度。

由于云功能组件间的调用关系，往往是一个组件出现问题，许多服务产生告警，运维人员很难发现产生问题的组件是哪一个，即无法判定故障根因。目前已有的根因分析方法包括随机游走，频繁项集，告警权重等多种方法。但是，这些方法对于冷启动问题能力较弱，对根因分析的结果可靠性不足。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种告警根因的判断方法、预测模型的训练方法及相关设备，至少在一定程度上克服由于相关技术的限中告警根因分析结果可靠性不足的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种告警根因预测模型的训练方法，包括：获取历史告警信息，其中，所述历史告警信息包括历史告警和所述历史告警对应的根因；根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本；以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参数，直至满足所述训练样本的根因的预测概率最大化，得到所述告警根因预测模型。

在本公开一个实施例中，所述根据所述根因与所述历史告警的对应关系，组成多个历史告警群，得到训练样本的步骤，包括：利用独热方法对所述历史告警进行编码，得到所述历史告警的独热编码；将以相同根因导致的多个所述历史告警集合到同一历史告警群，得到多组历史告警群；将所述多组历史告警群进行收集，得到训练样本。

在本公开一个实施例中，所述以使每组所述历史告警群的根因的预测概率最大化为训练目标，重复的修正skip-gram的嵌入算法的预设参量，直至满足所述训练样本的根因的预测概率最大，得到所述告警根因预测模型的步骤，包括：根据告警发生时间对一个历史告警群内的告警进行排序，获得对应历史告警的时间序列信息和历史根因；逐一以所述历史告警群中的所述历史告警为告警中心，通过所述预训练的告警根因预测模型，对所述告警中心在时间序列上距离为m的历史告警和历史根因进行预测；根据所述告警根因预测模型输出的训练结果，重复的修正skip-gram的嵌入算法的参数；将所述训练样本中所述多个历史告警群分别训练完成，得到所述告警根因预测模型。

在本公开一个实施例中，所述告警根因预测模型分别存储嵌入矩阵和解析矩阵，所述嵌入矩阵和解析矩阵中均具有能够修正的预设参数；其中，所述嵌入矩阵对所述历史告警的独热编码进行处理，获得嵌入编码；所述嵌入编码输入所述解析矩阵中进行处理，输出预测告警和所述预测告警的概率分布。