CN109542452A - 一种基于ai语义分析的运维管理方法及*** - Google Patents

Abstract

本发明公开了一种基于AI语义分析的运维管理方法及***，该方法包括：获取人员输入的询问指令，所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本；利用AI引擎对所述询问指令解析，得到答案；所述AI引擎中的初始数据为历史人工运维数据的输入和输出；根据所述答案利用运维工具确定需执行操作流程；按照所述需执行操作流程在线上服务器依序执行。本发明能够实现运维人员无需手动输入复杂的命令或者参数，只需要输入自然语言，即可自动化的映射并触发运维流程进行操作。

Description

一种基于AI语义分析的运维管理方法及***

技术领域

本发明涉及人工智能技术领域，特别是涉及一种基于AI语义分析的运维管理方法及***。

背景技术

现代的互联网公司为了管理、维护线上各种软硬件资源，往往采用了各种运维管理方法与工具。比如安排运维工程师节假日在公司值班值守，要求运维工程师使用远程登录工具登录至线上机器，使用命令行进行人工操作维护等。这些传统的运维管理思维虽然帮助企业实现了资源管理，但是随着企业线上业务规模，软件部署频率、故障排查次数成指数级增长，运维人员越来越疲于奔命、救火，这些于运维方法的缺点也越来越明显，主要有以下几点：

1、手工操作，自动化程度低。虽然使用了一些运维工具，但是大部分运维工程师依旧需要：输入账号、密码，输入命令行，输入各种参数，肉眼解析命令行结果，执行下一步操作。改方法由于大量的手工输入，极易出错，且效率较低。对于一些重复繁杂的工作，没有很好的自动化、流程化的进行。

2、地域限制，移动办公不友好。对于大部分企业，运维管理所依赖的设备、软件等均在办公场地，即使节假日也需要运维工程师在办公地值守。这些工作对于运维人员极其无聊，同时也增加了企业的人力成本。

3、信息孤岛，运维人员执行运维管理的过程犹如一个黑盒，这些知识无法很好的沉淀并展现给其他人员，比如新入职的运维人员想要传承这些经验变得极其困难。

4、职责与观念的落后，传统的运维方法认为这些工作是仅属于运维人员。但是对于企业自己开发的软件在线上出现的各种问题，最终还是需要开发人员自己去排查才能定位、解决。运维不仅仅是运维人员的工作，应该是与开发人员相互沟通的一起执行的工作。

5、运维命令并非自然语言不方便记忆。比如像linux命令，传统运维方法需要于运维人员自行记忆命令，又或者利用手册之类的东西辅助基于，效率率，容易忘记。无法利用自然语言的方式执行运维操作。

发明内容

本发明的目的是提供一种基于AI语义分析的运维管理方法及***，以解决上述问题。

为实现上述目的，本发明提供了一种基于AI语义分析的运维管理方法，所述方法包括：

获取人员输入的询问指令，所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本；

利用AI引擎对所述询问指令解析，得到答案；所述AI引擎中的初始数据为历史人工运维数据的输入和输出；

根据所述答案利用运维工具确定需执行操作流程；

按照所述需执行操作流程在线上服务器依序执行。

可选的，在所述利用AI引擎对所述询问指令解析，得到答案之后，所述方法还包括：

存储所述询问指令对应的解析后的输入文本和所述答案；

利用所述解析后的输入文本和所述答案对所述AI引擎中的解析模型进行训练。

可选的，所述按照所述需执行操作流程在线上服务器依序执行之后，所述方法还包括：

收集所述在线上服务器依序执行的执行结果；

根据所述执行结果映射下一步操作选项；

根据所述下一步操作选项，重复所述步骤“获取人员输入的询问指令”至步骤“按照所述需执行操作流程在线上服务器依序执行”。

可选的，所述利用AI引擎对所述询问指令解析，得到答案，具体包括：

对所述询问指令进行分词、词性标注和句法分析，得到解析后的文本；

将所述将解析后的文本输入所述AI引擎中的解析模型中，得到答案。

可选的，所述解析模型的建立方法如下：

构建机器学习框架；

以所述历史人工运维数据的输入和输出作为所述机器学习框架的训练集对所述机器学习框架进行训练，得到解析模型；

或以解析后的输入文本和与所述解析后的输入文本对应的答案作为所述机器学习框架的训练集对所述机器学习框架进行训练，得到解析模型。

可选的，所述对所述询问指令进行分词，具体包括：

采用字符串匹配算法对所述询问指令进行分词；所述字符串匹配算法包括正向最大匹配法、逆向最大匹配法或最少切分法；

或采用统计方法对所述询问指令进行分词；所述统计方法为统计相邻的两个字出现次数，确定所述次数多于设定阈值的两个字为一个词。

可选的，在所述将所述将解析后的文本输入所述AI引擎中的解析模型中，得到答案之后，所述方法还包括：

根据统计概率和反馈机制校正答案；

当所述解析后的文本输入得出多个答案时，获取答案被选择的次数；

确定所述被选择的次数最多的答案为标准答案，存于所述AI引擎中。

本发明还提供了一种基于AI语义分析的运维管理***，所述***包括：

询问指令获取单元，用于获取人员输入的询问指令，所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本；

解析单元，用于利用AI引擎对所述询问指令解析，得到答案；所述AI引擎中的初始数据为历史人工运维数据的输入和输出；

操作流程确定单元，用于根据所述答案利用运维工具确定需执行操作流程；

执行单元，用于按照所述需执行操作流程在线上服务器依序执行。

可选的，所述***还包括：

存储单元，用于存储所述询问指令对应的解析后的输入文本和所述答案；

更新训练单元，用于利用所述解析后的输入文本和所述答案对所述AI引擎中的解析模型进行训练。

可选的，所述***还包括：

执行结果收集单元，用于收集所述在线上服务器依序执行的执行结果；

映射单元，用于根据所述执行结果映射下一步操作选项；

重复执行单元，用于根据所述下一步操作选项，重复所述步骤“获取人员输入的询问指令”至步骤“按照所述需执行操作流程在线上服务器依序执行”。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

1.聊天式操作，自动化程度高：运维人员无需手动输入复杂的命令或者参数，只需要输入自然语言，即可自动化的映射并触发运维流程进行操作。

2.移动办公，地域不限：聊天工具提供移动设备的客户端界面，可在非办公区域进行操作，无需强制地点的人员值守。

3.操作信息共享：运维整个操作的命令发起与结果均在聊天中展现给所有人，信息实时同步给其他人，既方便信息共享，也得以让运维知识传承。

4.开发人员也可以利用聊天工具自助排障，无需等待运维人员。转变开发人员观念，运维不仅仅是运维人员的事情，也是开发人员工作之一。

5.聊天工具中可输入自然语言的询问指令，而非严格的程序命令术语，由AI引擎对自然语言进行处理、分析并得到最终需要执行的运维操作命令。AI引擎会根据每次输入以及答案进行反复训练，不断提高回答的精准性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的实施例提供的基于AI语义分析的运维管理方法的流程图；

图2为本发明的实施例提供的基于AI语义分析的运维管理***的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本实施例提供的基于AI语义分析的运维管理方法包括：

步骤101：获取人员输入的询问指令。该询问指令是运维人员或者其他人员利用聊天工具的客户端界面发起的，并由聊天工具服务端或聊天机器人从客户端界面读取询问指令，并将询问指令发送至AI引擎。

所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本。该询问指令可以是汉语言文字，也可以是其他各个国家的自然语言文字，这里需要说明的是询问指令采用的是工作人员日常工作和生活所使用的语言。这样更便于人员对运维的管理和执行，降低人员本身文化和知识技能的要求。该询问指令的种类可以包括查询某台机器CPU占用最高情况，查询内存或网络异常情况，或者是某种业务数据、日志指标异常，比如还款数据异常，提现相关的异常日志数增多等等。

步骤102：利用AI引擎对所述询问指令解析，得到答案。

所述AI引擎中的初始数据为历史人工运维数据的输入和输出。具体的，AI引擎中初始数据来源于已有运维人工排障流程相关数据，将其划分为输入与输出，比如输入是“CPU占用高”，输出则是查询哪个进程占用高的命令“top”。将现有所有人工的排障流程均划分为输入、输出后，作为初始数据录入AI引擎。

步骤102具体包括：

对所述询问指令进行分词、词性标注和句法分析，得到解析后的文本；

将所述将解析后的文本输入所述AI引擎中的解析模型中，得到答案。

其中，对所述询问指令进行分词的方法包括：

采用字符串匹配算法对所述询问指令进行分词；所述字符串匹配算法包括正向最大匹配法、逆向最大匹配法或最少切分法。

或采用统计方法对所述询问指令进行分词；所述统计方法为统计相邻的两个字出现次数，确定所述次数多于设定阈值的两个字为一个词。

在步骤102之后还包括：

存储所述询问指令对应的解析后的输入文本和所述答案；

利用所述解析后的输入文本和所述答案对所述AI引擎中的解析模型进行训练。这样能够根据新的查询指令实时更新AI引擎中的数据，保证语言分析的准确性，并提高答案的精度。

上述解析模型的建立方法如下：

构建机器学习框架；

以所述历史人工运维数据的输入和输出作为所述机器学习框架的训练集对所述机器学习框架进行训练，得到解析模型；在无新数据时利用历史人工运维数据划分出的输入和输出作为训练集对模型进行训练，可以实现模型的自学习过程和能力。

在有新数据输入后，往往输入与答案并非一一对应，可能会出现一对多的情况，然而何如从多个答案中确定更准确的答案较难实现。本实施例通过以下方法实现一对多的情况的答案校正，具体方法如下：

根据统计概率和反馈机制校正答案；

当所述解析后的文本输入得出多个答案时，获取答案被选择的次数；

确定所述被选择的次数最多的答案为标准答案，存于所述AI引擎中。

比如在训练集中，输入语句中但凡是包含“CPU”关键字，答案里面必然包含“top”命令关键。那么经过学习后，就会产生一种关联，即“CPU”—>“top”。之后只要询问命令中包含“CPU”关键字，那么返回的答案中将有极大概率就是“top”命令。对于一对多的情况下，返回多个答案，***根据每次选择答案的次数，作为权重将影响生成答案的概率；被选择最多次的答案，有很大概率将作为标准答案。

这样将校正后的答案与输入对应之后可以作为新的训练集对解析模型重新训练，即以解析后的输入文本和与所述解析后的输入文本对应的答案作为所述机器学习框架的训练集对所述机器学习框架进行训练，得到解析模型。这样能实时更新AI引擎中的数据并提高解析模型的准确性。

步骤103：根据所述答案利用运维工具确定需执行操作流程。该步骤中的答案是从AI引擎中传输至聊天工具服务端或聊天机器人，由聊天工具服务端或聊天机器人利用运维工具将答案映射成需执行操作流程。运维工具含有编排的工作流程，可保证执行，执行异常后将中断执行，异常信息将会返回给聊天工具服务端或聊天机器人，再重新输入至AI引擎，重新确定答案。

步骤104：按照所述需执行操作流程在线上服务器依序执行。

在步骤104之后还包括：

收集所述在线上服务器依序执行的执行结果；

根据所述执行结果映射下一步操作选项；

根据所述下一步操作选项，重复所述步骤101至步骤104。

如图2所示，本实施例还提供了一种与上述实施例相应的基于AI语义分析的运维管理***，该***包括：

询问指令获取单元201，用于获取人员输入的询问指令，所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本；

解析单元202，用于利用AI引擎对所述询问指令解析，得到答案；所述AI引擎中的初始数据为历史人工运维数据的输入和输出；

操作流程确定单元203，用于根据所述答案利用运维工具确定需执行操作流程；

执行单元204，用于按照所述需执行操作流程在线上服务器依序执行。

该***还包括以下单元：

存储单元，用于存储所述询问指令对应的解析后的输入文本和所述答案；

更新训练单元，用于利用所述解析后的输入文本和所述答案对所述AI引擎中的解析模型进行训练。

执行结果收集单元，用于收集所述在线上服务器依序执行的执行结果；

映射单元，用于根据所述执行结果映射下一步操作选项；

重复执行单元，用于根据所述下一步操作选项，重复所述步骤101至步骤104。

由于本***是与上述实施例所述的方法相应，那么具有的特征完全相应，产生的技术效果也完全相同。在此不再赘述。

下面结合一具体运维管理案例详细说明本发明的实施过程：

01：运维或开发人员发起CPU查询命令，比如：“CPU占用情况”；

02：聊天工具或机器人接收后，将其转发给AI引擎。AI引擎对命令进行解析，得出“CPU”“占用”等核心关键字，输入模型后，得到答案“top cpu on192.168.102.22”，也就是运维操作命令；

03：聊天工具或机器人接收答案；

04：聊天工具或机器人将答案转发给运维工具；

05：运维工具接收到“top cpu on 192.168.102.22”后，映射出需要执行的操作流程，比如“查询指定机器CPU占用情况流程”。执行该流程：

-该流程先执行“top”命令找出CPU占用较高的数个进程信息；

-将进程信息格式化，并在该信息中为每个进程信息加入下一步操作命令，比如“kill进程号”；

-将格式化的信息返回给聊天工具或机器人，最终返回给运维或开发人员

-运维或开发人员看到进程占用信息后，可选择下一步操作，比如杀死进程，即再次发起命令给聊天工具或机器人，重复01-05的步骤。

其中，AI引擎会将每次输入文本与答案作为训练样本进行自我训练。

对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于AI语义分析的运维管理方法，其特征在于，所述方法包括：

获取人员输入的询问指令，所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本；

利用AI引擎对所述询问指令解析，得到答案；所述AI引擎中的初始数据为历史人工运维数据的输入和输出；

根据所述答案利用运维工具确定需执行操作流程；

按照所述需执行操作流程在线上服务器依序执行。

2.根据权利要求1所述的基于AI语义分析的运维管理方法，其特征在于，在所述利用AI引擎对所述询问指令解析，得到答案之后，所述方法还包括：

存储所述询问指令对应的解析后的输入文本和所述答案；

利用所述解析后的输入文本和所述答案对所述AI引擎中的解析模型进行训练。

3.根据权利要求1所述的基于AI语义分析的运维管理方法，其特征在于，所述按照所述需执行操作流程在线上服务器依序执行之后，所述方法还包括：

收集所述在线上服务器依序执行的执行结果；

根据所述执行结果映射下一步操作选项；

根据所述下一步操作选项，重复所述步骤“获取人员输入的询问指令”至步骤“按照所述需执行操作流程在线上服务器依序执行”。

4.根据权利要求1所述的基于AI语义分析的运维管理方法，其特征在于，所述利用AI引擎对所述询问指令解析，得到答案，具体包括：

对所述询问指令进行分词、词性标注和句法分析，得到解析后的文本；

将所述将解析后的文本输入所述AI引擎中的解析模型中，得到答案。

5.根据权利要求2或4所述的基于AI语义分析的运维管理方法，其特征在于，所述解析模型的建立方法如下：

构建机器学习框架；

以所述历史人工运维数据的输入和输出作为所述机器学习框架的训练集对所述机器学习框架进行训练，得到解析模型；

或以解析后的输入文本和与所述解析后的输入文本对应的答案作为所述机器学习框架的训练集对所述机器学习框架进行训练，得到解析模型。

6.根据权利要求4所述的基于AI语义分析的运维管理方法，其特征在于，所述对所述询问指令进行分词，具体包括：

采用字符串匹配算法对所述询问指令进行分词；所述字符串匹配算法包括正向最大匹配法、逆向最大匹配法或最少切分法；

或采用统计方法对所述询问指令进行分词；所述统计方法为统计相邻的两个字出现次数，确定所述次数多于设定阈值的两个字为一个词。

7.根据权利要求4所述的基于AI语义分析的运维管理方法，其特征在于，在所述将所述将解析后的文本输入所述AI引擎中的解析模型中，得到答案之后，所述方法还包括：

根据统计概率和反馈机制校正答案；

当所述解析后的文本输入得出多个答案时，获取答案被选择的次数；

确定所述被选择的次数最多的答案为标准答案，存于所述AI引擎中。

8.一种基于AI语义分析的运维管理***，其特征在于，所述***包括：

询问指令获取单元，用于获取人员输入的询问指令，所述询问指令包括对被运维管理的对象的相关信息的询问，所述询问指令为自然语言文本；

解析单元，用于利用AI引擎对所述询问指令解析，得到答案；所述AI引擎中的初始数据为历史人工运维数据的输入和输出；

操作流程确定单元，用于根据所述答案利用运维工具确定需执行操作流程；

执行单元，用于按照所述需执行操作流程在线上服务器依序执行。

9.根据权利要求8所述的基于AI语义分析的运维管理***，其特征在于，所述***还包括：

存储单元，用于存储所述询问指令对应的解析后的输入文本和所述答案；

更新训练单元，用于利用所述解析后的输入文本和所述答案对所述AI引擎中的解析模型进行训练。

10.根据权利要求8所述的基于AI语义分析的运维管理***，其特征在于，所述***还包括：

执行结果收集单元，用于收集所述在线上服务器依序执行的执行结果；

映射单元，用于根据所述执行结果映射下一步操作选项；

重复执行单元，用于根据所述下一步操作选项，重复所述步骤“获取人员输入的询问指令”至步骤“按照所述需执行操作流程在线上服务器依序执行”。