[发明专利]线上报警方法和装置

说明书

本发明提供一种线上报警方法和装置，其中，方法包括：获取报警数据；将所述报警数据输入至改进后的随机森林网络模型得到所述报警数据对应的报警等级；按照所述报警等级确定相应的报警策略，根据所述报警策略执行相应的报警动作；其中，所述改进后的随机森林网络模型包括随机森林网络模型和多层序列选择模型，所述随机森林网络模型是基于原始训练数据以及所述原始训练数据对应的报警等级标签进行训练得到；所述多层序列选择模型用于根据输入的原始训练数据，确定关键特征指标集合。本发明通过对随机森林网络模型进行改进，使得模型在可以在缩减监控收集数据量的同时确保问题严重性评估模型的效果，满足业务与系统的需求。

技术领域

本发明涉及计算机技术领域，尤其涉及一种线上报警方法和装置。

背景技术

在公司内部，虽然存在线上报警机制，但功能简单、层次单一，仅仅是将超过报警阈值的监控指标通过企业微信、邮件通知给所有业务相关人员。而且，由于线上问题数据庞大、报警频繁，很容易对业务人员与管理者造成报警信息的“轰炸”。与此同时，大规模、多维度的数据在报警系统实时处理时也有着极大的计算压力。因此，业务方提出根据问题的严重程度对不同人群分级报警的诉求，来解决报警通知信息冗杂，报警问题严重程度辨别困难的问题。而在系统内部，也需要在不影响报警准确性的情况下，精简报警特征收集数据的需求。

在业内，对软件线上问题的报警系统更多关注在了数据存储与处理的优化上，对报警通知机制、报警升级机制的优化非常少。而且，结合人工智能来对线上问题报警进行升级的系统更是少之又少。

在算法上，用于分类的随机森林算法是目前应用最广泛的机器学习方法之一，它以多个决策树的分类器为基础，由各个树输出的类别的众数确定输出结果。这种方法一般不需要反复调节参数就可以给出很好的结果，且训练过程可以轻松并行在多个CPU内核的计算机上。但它也会在训练过程中会产生一定的分类误差，即这些弱分类器的简单序列会导致错误层层累积，使得整体随机森林算法分类精度较差。

特征选择反向消除法(Recursive Feature Elimination，简称RFE)一般使用模型准确率来判断哪些特征(或特征组合)对预测结果贡献较大，常被用于优化算法。其缺点是容易使算法模型陷入局部最优。

发明内容

本发明提供一种线上报警方法和装置，用以解决现有技术中进行报警时数据收集量大的缺陷，实现缩减监控收集数据量的同时确保问题严重性评估模型的效果。

第一方面，本发明提供一种线上报警方法，包括：

获取报警数据；

将所述报警数据输入至改进后的随机森林网络模型得到所述报警数据对应的报警等级；

按照所述报警等级确定相应的报警策略，根据所述报警策略执行相应的报警动作；

其中，所述改进后的随机森林网络模型包括随机森林网络模型和多层序列选择模型，所述随机森林网络模型是基于原始训练数据以及所述原始训练数据对应的报警等级标签进行训练得到；

所述多层序列选择模型用于根据输入的原始训练数据，确定关键特征指标集合。

根据本发明提供一种的线上报警方法，其中，所述获取报警数据，具体包括：

根据预定义的数据聚合类别，收集原始报警数据；其中，所述数据聚合类别为根据对改进后的随机森林网络模型进行训练的过程中生成的关键特征指标集合确定；

将所述原始报警数据存储至分布式数据库中；

获取所述分布式数据库中的原始报警数据，并对不同数据聚合类别的所述原始报警数据按照时间维度进行聚合处理，得到报警数据；

将所述报警数据存储至聚合数据库。

根据本发明提供一种的线上报警方法，其中，所述关键特征指标集合的确定方法包括：