CN110175085A - 一种利用图分析的Hadoop***异常原因诊断方法及装置 - Google Patents

一种利用图分析的Hadoop***异常原因诊断方法及装置 Download PDF

Info

Publication number
CN110175085A
CN110175085A CN201910318337.XA CN201910318337A CN110175085A CN 110175085 A CN110175085 A CN 110175085A CN 201910318337 A CN201910318337 A CN 201910318337A CN 110175085 A CN110175085 A CN 110175085A
Authority
CN
China
Prior art keywords
function
basic reason
graph model
call
abnormal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910318337.XA
Other languages
English (en)
Other versions
CN110175085B (zh
Inventor
杨恺
谢雨霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910318337.XA priority Critical patent/CN110175085B/zh
Publication of CN110175085A publication Critical patent/CN110175085A/zh
Application granted granted Critical
Publication of CN110175085B publication Critical patent/CN110175085B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2237—Vectors, bitmaps or matrices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明涉及一种利用图分析的Hadoop***异常原因诊断方法及装置，其中方法包括：步骤S1：导入异常日志文件，并获取文件中的异常日志信息；步骤S2：基于异常日志信息，获取调用栈里面的函数调用关系，并结合先验知识绘制错误堆栈的调用关系图模型，其中调用关系图模型包括多个用于表示根本原因的第一类节点和多个用于表示调用栈中涉及函数的第二类节点，以及用于表示函数之间调用关系的第一类边和用于表示函数和根本原因关联关系的第二类边；步骤S3：获得待诊断的异常记录，提取其涉及的函数，并基于调用关系图模型输出导致异常的根本原因同时增量更新调用关系图模型。与现有技术相比，本发明具有可以实现可视化的异常根本原因分析等优点。

Description

一种利用图分析的Hadoop***异常原因诊断方法及装置
技术领域
本发明涉及一种异常诊断技术，尤其是涉及一种利用图分析的Hadoop***异常原因诊断方法及装置。
背景技术
随着IT***的规模及其复杂度的不断增加，***运维所需的人力成本与物力成本也随之增加，甚至会超过***的构建成本。因此，自动化、智能化的运维***不但能提高***的可靠性与使用效率，同时也将大幅度的节约运维成本。***的稳定运行依赖***内各个组件的相互协作和正常运行，而***日志数据非常有效地记录了关于***运行期间各个组件的运行状态，所以，分析日志数据有助于帮助运维人员了解***的运行状态，从而实现智能运维。现目前智能运维关注的主要是三个方面的内容：异常检测、异常预测和异常原因分析。其中异常检测和异常预测借助于现有的成熟机器学习技术加之很少的先验知识都能实现比较好的自动化和智能化，唯独异常原因分析在发现了异常之后由于涉及到进一步的推理工作，导致现目前无论在工业界还是学术界都没有能用较少的领域知识就能很好的进行自动化智能化分析的方法。实际应用中也主要依靠的是运维人员丰富的领域知识和项目经验来进行人工的分析，所以效率通常较低。并且一旦涉及到多组件异常的原因分析难度将会大幅度增加，所以一直是研究和应用的热点和难点。
根本原因分析(Root Cause Analysis，RCA)是一种结构化的问题处理方法，用以逐步找出问题的根本原因并协助解决，而不是仅仅关注问题的表征。在IT***内，异常根本原因分析能够有效地帮助***运维人员发现***问题的症结，并找出根本性的解决方案，可以有效的提高***运维质量。其中单组件异常的分析相对于多组件的异常分析显得更加简单和高效，多组件的异常分析，因为不仅涉及到组件内部异常之间关联的分析还涉及到不同组件之间的关联分析，所以实际推理难度更大，要做到实时有效的根本原因分析显得非常难。
现有的根本原因分析方法主要包括四种，分别是建立因果图，头脑风暴法，基于鱼骨图的因果分析，基于WHY-WHY图的因果分析。但这些方法在针对IT***中的多组件异常的根本原因分析都显得不够有效，所以在此发明当中提出一种新的方法来进行IT***中多组件的异常根本原因分析。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种利用图分析的Hadoop***异常原因诊断方法及装置。
本发明的目的可以通过以下技术方案来实现：
一种利用图分析的Hadoop***异常原因诊断方法，包括：
步骤S1：导入异常日志文件，并获取文件中的异常日志信息；
步骤S2：基于异常日志信息，获取调用栈里面的函数调用关系，并结合先验知识绘制错误堆栈的调用关系图模型，其中所述调用关系图模型包括多个用于表示根本原因的第一类节点和多个用于表示调用栈中涉及函数的第二类节点，以及用于表示函数之间调用关系的第一类边和用于表示函数和根本原因关联关系的第二类边；
步骤S3：获得待诊断的异常记录，提取其涉及的函数，并基于调用关系图模型输出导致异常的根本原因。
所述第一类边和第二类边均为有向线段，且所述第一类边的箭头指向被调用的函数。
所述步骤S3具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：基于图分析的原理，找出提取的函数在调用关系图模型当中的最长公共子序列，该子序列指向的根本原因作为异常诊断的候选原因同时对外反馈异常信息并基于返回诊断结果更新调用关系图模型；
或者，步骤S3具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：对外发送异常信息，并接收人工反馈结果增量更新调用关系图模型；
步骤S34：输出指向的根本原因作为诊断结果。
所述步骤S33中的诊断结果为人工诊断结果。
一种利用图分析的Hadoop***异常原因诊断装置，包括存储器、处理器，以及存储于所述存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：
步骤S1：导入异常日志文件，并获取文件中的异常日志信息；
步骤S2：基于异常日志信息，获取调用栈里面的函数调用关系，并结合先验知识绘制错误堆栈的调用关系图模型，其中所述调用关系图模型包括多个用于表示根本原因的第一类节点和多个用于表示调用栈中涉及函数的第二类节点，以及用于表示函数之间调用关系的第一类边和用于表示函数和根本原因关联关系的第二类边；
步骤S3：获得待诊断的异常记录，提取其涉及的函数，并基于调用关系图模型输出导致异常的根本原因。
与现有技术相比，本发明具有以下有益效果：
1)利用IT***中各组件的异常日志信息建立错误堆栈调用关系图，可视化错误发生的具体过程，根据错误堆栈调用关系图可以很好的将多组件异常之间的关联关系表达出来，基于所建立的错误堆栈调用关系图可以方便分析***发生异常的根本原因。
2)可以根据IT***中各组件的异常日志信息对错误的发生过程进行建模，并使用图的方式表示。
3)可以根据错误堆栈调用关系图将难以分析的多组件异常之间的关联关系很好地表达出来，便于分析。
4)可以对出现的异常日志进行推理分析，并且借助图可以帮助运维人员可视化的定位复杂异常发生的根本原因。
附图说明
图1为本发明方法的主要步骤流程示意图；
图2为针对异常日志进行调用栈信息提取示意图；
图3为针对错误堆栈建立调用关系图模型；
图4为生成***异常日志对应错误堆栈调用关系图模型的流程示意图；
图5为出现***异常时进行异常根本原因分析的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种利用图分析的Hadoop***异常原因诊断方法，该方法以计算机程序的形式由计算机***实现，该计算机***为一利用图分析的Hadoop***异常原因诊断装置，包括存储器、处理器，以及存储于存储器中并由处理器执行的程序，如图1所示，处理器执行程序时实现以下步骤：
步骤S1：导入异常日志文件，并获取文件中的异常日志信息；
步骤S2：基于异常日志信息，获取调用栈里面的函数调用关系，并结合先验知识绘制错误堆栈的调用关系图模型，其中调用关系图模型包括多个用于表示根本原因的第一类节点和多个用于表示调用栈中涉及函数的第二类节点，以及用于表示函数之间调用关系的第一类边和用于表示函数和根本原因关联关系的第二类边，第一类边和第二类边均为有向线段，且第一类边的箭头指向被调用的函数。
步骤S3：获得待诊断的异常记录，提取其涉及的函数，并基于调用关系图模型输出导致异常的根本原因同时增量更新调用关系图模型，具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：基于图分析的原理，找出提取的函数在调用关系图模型当中的最长公共子序列，该子序列指向的根本原因作为异常诊断的候选原因同时对外反馈异常信息并基于返回人工诊断结果增量更新调用关系图模型，当然该过程可以是接收人工诊断结果；
步骤S34：输出指向的根本原因作为诊断结果。
具体而言，该方法可以利用***本身产生的异常日志数据，提取其中包含的错误堆栈信息，通过一遍式的快速扫描和模式提取来获取错误堆栈里面每条调用栈对应的信息，将每条调用信息转化成图中的一个节点，从而将每条带有错误堆栈的异常日志转化为有向图的子图，结合一定的先验知识，就能建立整体的错误堆栈调用关系图，根据该图就能确定每个异常日志对应的根本原因，从而实现可视化的异常根本原因分析。
本申请的目的在于三点：其一是使用图论的方法，利用IT***中各组件的异常日志信息建立错误堆栈调用关系图，可视化错误发生的具体过程。其二是根据错误堆栈调用关系图可以很好的将多组件异常之间的关联关系表达出来。其三是基于所建立的错误堆栈调用关系图可以方便分析***发生异常的根本原因。本方法的核心是将多组件异常的日志数据转化为易于推理的图的形式，并借助图的性质，对***中多组件的异常根本原因进行归纳推理，找出多组件异常发生的根本原因。
具体而言，对于***内出现的所有组件的异常日志信息，我们将其逐条扫描，统计所有的调用栈所包含的函数信息以生成函数集合。集合中的每个元素表示一种函数(方法)，对应于图中的一个节点。举例而言，首先将***某个组件的异常日志信息进行扫描提取得到所需要的函数形式，其提取过程及结果表现形式如图2所示。其中每行对应相应的调用栈里面的一次函数调用，也对应于错误堆栈调用关系图中的一个节点。
对全局的组件产生的所有异常日志进行扫描提取之后，本发明使用有向图G(V,E)来表征***的异常日志对应的错误堆栈中各个函数之间的调用关系，如图3所示。其中V为有向图G的顶点集合，V包含有两种类别的顶点，分别是Ci对应的调用栈中方法节点和Ri对应的根本原因节点，E为有向图G的边集合，边的方向从上层方法指向底层被调用的方法。
节点之间的边表示不同调用栈的方法之间的关联关系。如图3所示的模型中包含9个类别的调用栈对应的方法信息，对应于图中的C顶点，总体的错误堆栈调用关系图中这类节点是由预处理扫描所得的所有类别的调用栈对应的方法的信息生成的，图中R顶点表示由一定的先验知识分析得到的根本原因节点，其中(C3→C2→C1)就表示一条错误堆栈信息对应的函数方法之间的调用关系。生成***异常日志对应错误堆栈调用关系图模型的流程如图4所示。
本申请方案可以实现借助构造出来的错误堆栈调用关系图来针对同一***中多组件异常之间的关联关系进行分析。
具体而言，错误堆栈调用关系图主要是为了可视化的表达错误发生的具体过程，并根据该过程有效的确定多组件异常之间的关联关系及其根本原因。对于同一组件以及不同组件异常日志之间的关联关系，在此发明中主要是通过对错误堆栈调用关系图进行路径搜索来获得，如图3所示，对于图中两条有向路径来说，通过判断两条路径之间的相似性，可以有效地确定组件之间不同异常的关联程度。对于路径之间相似性的判断，可以根据图中路的起点到终点经过的点和边的重合程度来界定。比如图3中的两条路径(C6→C5→C1)→R1和路径(C6→C5→C4)→R1都是从C6出发最终到达R1，中间还同时经过C5，那么这两条不同的路径所对应的原始异常日志可能具有较高的相似性，两条日志之间的关联程度也较大。结合具体的日志信息，我们可以进一步发现两条异常日志的根本原因都是由于最底层调用对应的组件发生异常所导致的。所以通过这样的错误堆栈调用关系图我们可以非常清晰明了的归纳推理出组件异常之间的关联关系，从而更好的定位异常根本原因。
此外，借助错误堆栈调用关系图，可视化的分析异常根本原因并进行在线更新。具体而言，本发明首先将异常日志错误堆栈中包含的调用栈信息进行提取转化，具体的异常发生过程对应到有向图中，在***中各组件发生异常时，通过对错误堆栈调用关系图的查询搜索来确定每个异常所对应的根本原因，并且能在线更新错误堆栈调用关系图的结构。通常运维人员在进行异常根本原因分析是都是依据已有的背景知识，加以一定的工程经验来逐条查看日志进而定位异常原因的，并没有借助于一个完整清晰的图的结构来可视化的进行异常根本原因的分析。有了建立的错误堆栈调用关系图，可以很好的帮助运维人员在***发生异常，产生异常日志时，跟踪错误发生的过程，高效定位异常根本原因。具体的在线异常根本原因分析过程如图5所示。

Claims (8)

1.一种利用图分析的Hadoop***异常原因诊断方法，其特征在于，包括：
步骤S1：导入异常日志文件，并获取文件中的异常日志信息；
步骤S2：基于异常日志信息，获取调用栈里面的函数调用关系，并结合先验知识绘制错误堆栈的调用关系图模型，其中所述调用关系图模型包括多个用于表示根本原因的第一类节点和多个用于表示调用栈中涉及函数的第二类节点，以及用于表示函数之间调用关系的第一类边和用于表示函数和根本原因关联关系的第二类边；
步骤S3：获得待诊断的异常记录，提取其涉及的函数，并基于调用关系图模型输出导致异常的根本原因。
2.根据权利要求1所述的一种利用图分析的Hadoop***异常原因诊断方法，其特征在于，所述第一类边和第二类边均为有向线段，且所述第一类边的箭头指向被调用的函数。
3.根据权利要求1所述的一种利用图分析的Hadoop***异常原因诊断方法，其特征在于，所述步骤S3具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：基于图分析的原理，找出提取的函数在调用关系图模型当中的最长公共子序列，该子序列指向的根本原因作为异常诊断的候选原因同时对外反馈异常信息并基于返回诊断结果增量更新调用关系图模型；
步骤S34：输出指向的根本原因作为诊断结果。
4.根据权利要求3所述的一种利用图分析的Hadoop***异常原因诊断方法，其特征在于，所述步骤S3具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：对外发送异常信息，并接收人工反馈结果增量更新调用关系图模型；
步骤S34：输出指向的根本原因作为诊断结果。
5.一种利用图分析的Hadoop***异常原因诊断装置，其特征在于，包括存储器、处理器，以及存储于所述存储器中并由所述处理器执行的程序，所述处理器执行所述程序时实现以下步骤：
步骤S1：导入异常日志文件，并获取文件中的异常日志信息；
步骤S2：基于异常日志信息，获取调用栈里面的函数调用关系，并结合先验知识绘制错误堆栈的调用关系图模型，其中所述调用关系图模型包括多个用于表示根本原因的第一类节点和多个用于表示调用栈中涉及函数的第二类节点，以及用于表示函数之间调用关系的第一类边和用于表示函数和根本原因关联关系的第二类边；
步骤S3：获得待诊断的异常记录，提取其涉及的函数，并基于调用关系图模型输出导致异常的根本原因。
6.根据权利要求5所述的一种利用图分析的Hadoop***异常原因诊断装置，其特征在于，所述第一类边和第二类边均为有向线段，且所述第一类边的箭头指向被调用的函数。
7.根据权利要求5所述的一种利用图分析的Hadoop***异常原因诊断装置，其特征在于，所述步骤S3具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：基于图分析的原理，找出提取的函数在调用关系图模型当中的最长公共子序列，该子序列指向的根本原因作为异常诊断的候选原因同时反馈异常信息并基于人工诊断结果增量更新调用关系图模型；
步骤S34：输出指向的根本原因作为诊断结果。
8.根据权利要求7所述的一种利用图分析的Hadoop***异常原因诊断装置，其特征在于，所述步骤S3具体包括：
步骤S31：获得待诊断的异常记录，并提取其涉及的函数；
步骤S32：判断提取的函数在调用关系图模型中是否存在指向任一根本原因的路径，若为是，则执行步骤S34，反之，则执行步骤S33；
步骤S33：对外发送异常信息，并接收人工反馈结果增量更新调用关系图模型；
步骤S34：输出指向的根本原因作为诊断结果。
CN201910318337.XA 2019-04-19 2019-04-19 一种利用图分析的Hadoop***异常原因诊断方法及装置 Active CN110175085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910318337.XA CN110175085B (zh) 2019-04-19 2019-04-19 一种利用图分析的Hadoop***异常原因诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910318337.XA CN110175085B (zh) 2019-04-19 2019-04-19 一种利用图分析的Hadoop***异常原因诊断方法及装置

Publications (2)

Publication Number Publication Date
CN110175085A true CN110175085A (zh) 2019-08-27
CN110175085B CN110175085B (zh) 2020-11-27

Family

ID=67689778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910318337.XA Active CN110175085B (zh) 2019-04-19 2019-04-19 一种利用图分析的Hadoop***异常原因诊断方法及装置

Country Status (1)

Country Link
CN (1) CN110175085B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609761A (zh) * 2019-09-06 2019-12-24 北京三快在线科技有限公司 确定故障源的方法、装置、存储介质和电子设备
CN112395159A (zh) * 2020-11-17 2021-02-23 华为技术有限公司 一种日志检测方法、***、设备及介质
CN112948154A (zh) * 2019-12-11 2021-06-11 中移(苏州)软件技术有限公司 一种***异常诊断方法、装置及存储介质
CN113098723A (zh) * 2021-06-07 2021-07-09 新华三人工智能科技有限公司 一种故障根因定位方法、装置、存储介质及设备
CN115964673A (zh) * 2023-03-14 2023-04-14 江苏省生态环境监测监控有限公司 企业用电工况异常预警分析方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050053009A1 (en) * 2003-08-19 2005-03-10 Lorraine Denby Method and apparatus for automatic determination of performance problem locations in a network
CN103947156A (zh) * 2011-09-30 2014-07-23 瑞典爱立信有限公司 用于根原因分析的方法、装置和通信网络
CN104298225A (zh) * 2014-09-25 2015-01-21 中国石油化工股份有限公司 化工过程异常工况因果关系推理模型建模与图形化展示方法
US20170068581A1 (en) * 2015-09-04 2017-03-09 International Business Machines Corporation System and method for relationship based root cause recommendation
CN107391353A (zh) * 2017-07-07 2017-11-24 西安电子科技大学 基于日志的复杂软件***异常行为检测方法
CN109032918A (zh) * 2018-05-31 2018-12-18 长安大学 一种基于异常任务函数轨迹的感知节点程序异常诊断方法
CN109213616A (zh) * 2018-09-25 2019-01-15 江苏润和软件股份有限公司 一种基于调用图分析的微服务软件***异常检测方法
CN109345121A (zh) * 2018-10-09 2019-02-15 湖南工学院 一种用于核电厂运行事件分析的方法和装置
CN109522209A (zh) * 2018-09-29 2019-03-26 中国平安人寿保险股份有限公司 日志堆栈信息分析方法及装置、计算机装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050053009A1 (en) * 2003-08-19 2005-03-10 Lorraine Denby Method and apparatus for automatic determination of performance problem locations in a network
CN103947156A (zh) * 2011-09-30 2014-07-23 瑞典爱立信有限公司 用于根原因分析的方法、装置和通信网络
CN104298225A (zh) * 2014-09-25 2015-01-21 中国石油化工股份有限公司 化工过程异常工况因果关系推理模型建模与图形化展示方法
US20170068581A1 (en) * 2015-09-04 2017-03-09 International Business Machines Corporation System and method for relationship based root cause recommendation
CN107391353A (zh) * 2017-07-07 2017-11-24 西安电子科技大学 基于日志的复杂软件***异常行为检测方法
CN109032918A (zh) * 2018-05-31 2018-12-18 长安大学 一种基于异常任务函数轨迹的感知节点程序异常诊断方法
CN109213616A (zh) * 2018-09-25 2019-01-15 江苏润和软件股份有限公司 一种基于调用图分析的微服务软件***异常检测方法
CN109522209A (zh) * 2018-09-29 2019-03-26 中国平安人寿保险股份有限公司 日志堆栈信息分析方法及装置、计算机装置及存储介质
CN109345121A (zh) * 2018-10-09 2019-02-15 湖南工学院 一种用于核电厂运行事件分析的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YANG ZHIMING;ZHANG CHENGCHENG;LIU MINZHUANG;PENG XIYUAN: "Graph-based fault diagnosis method for complex electronic systems", 《IEEE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110609761A (zh) * 2019-09-06 2019-12-24 北京三快在线科技有限公司 确定故障源的方法、装置、存储介质和电子设备
CN110609761B (zh) * 2019-09-06 2020-10-16 北京三快在线科技有限公司 确定故障源的方法、装置、存储介质和电子设备
CN112948154A (zh) * 2019-12-11 2021-06-11 中移(苏州)软件技术有限公司 一种***异常诊断方法、装置及存储介质
CN112395159A (zh) * 2020-11-17 2021-02-23 华为技术有限公司 一种日志检测方法、***、设备及介质
CN113098723A (zh) * 2021-06-07 2021-07-09 新华三人工智能科技有限公司 一种故障根因定位方法、装置、存储介质及设备
CN115964673A (zh) * 2023-03-14 2023-04-14 江苏省生态环境监测监控有限公司 企业用电工况异常预警分析方法

Also Published As

Publication number Publication date
CN110175085B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN110175085A (zh) 一种利用图分析的Hadoop***异常原因诊断方法及装置
Meng et al. Localizing failure root causes in a microservice through causality inference
Lo et al. SMArTIC: Towards building an accurate, robust and scalable specification miner
WO2019079621A1 (en) METHOD AND SYSTEM FOR CLASSIFYING PENETRATION TESTS BASED ON CAPTURED LOG DATA
Li et al. Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network
CN112487033A (zh) 一种面向数据流及构建网络拓扑的业务可视化方法及***
Li et al. Using tri-relation networks for effective software fault-proneness prediction
CN110334105B (zh) 一种基于Storm的流数据异常检测方法
CN111949480B (zh) 一种基于组件感知的日志异常检测方法
CN114296975A (zh) 一种分布式***调用链和日志融合异常检测方法
CN110011990A (zh) 内网安全威胁智能分析方法
Lal et al. ECLogger: Cross-project catch-block logging prediction using ensemble of classifiers
CN105786635B (zh) 一种面向故障敏感点动态检测的复杂事件处理***及方法
CN116909788A (zh) 一种任务导向和视角不变的多模态故障诊断方法及***
CN117034149A (zh) 故障处理策略确定方法、装置、电子设备和存储介质
Guan et al. GAMA: A multi-graph-based anomaly detection framework for business processes via graph neural networks
CN115659135A (zh) 一种面向多源异构工业传感器数据的异常检测方法
Wang et al. Design and implementation of a semi-supervised anomaly log detection model dda
Aarthi et al. Double compression of test data using Huffman code
Chen et al. BertHTLG: Graph-based microservice anomaly detection through sentence-Bert enhancement
Chen et al. Hybrid tree model for root cause analysis of wireless network fault localization
Sharma et al. Scalable microservice forensics and stability assessment using variational autoencoders
Iftikhar et al. Electricity theft detection in smart grid using machine learning
Myers Detecting cyber attacks on industrial control systems using process mining
Lee et al. A real-time based intelligent system for predicting equipment status

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant