CN111143103A - 一种关联关系确定方法、装置、设备及可读存储介质 - Google Patents

一种关联关系确定方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN111143103A
CN111143103A CN201911367789.3A CN201911367789A CN111143103A CN 111143103 A CN111143103 A CN 111143103A CN 201911367789 A CN201911367789 A CN 201911367789A CN 111143103 A CN111143103 A CN 111143103A
Authority
CN
China
Prior art keywords
target
fault
event
fault event
cluster
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.)
Withdrawn
Application number
CN201911367789.3A
Other languages
English (en)
Inventor
张建刚
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.)
Beijing Inspur Data Technology Co Ltd
Original Assignee
Beijing Inspur Data Technology Co Ltd
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 Beijing Inspur Data Technology Co Ltd filed Critical Beijing Inspur Data Technology Co Ltd
Priority to CN201911367789.3A priority Critical patent/CN111143103A/zh
Publication of CN111143103A publication Critical patent/CN111143103A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • 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
    • G06F11/0793—Remedial or corrective actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种关联关系确定方法、装置、设备及可读存储介质。本申请公开的方法包括：获取存储集群中已产生的所有故障事件；利用DBSCAN算法对故障事件进行聚类分析，获得多个目标簇；为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；利用Apriori算法处理多个目标集合，获得关联结果；关联结果包括：具有关联关系的不同故障事件。本申请利用DBSCAN算法和Apriori算法分析不同故障事件的关联关系，将具有关联关系的不同故障事件记录为关联结果，当存储集群中产生故障事件，可以根据关联结果快速确定可能发生的另一个故障事件，从而实现了故障事件的提前预防。本申请公开的一种关联关系确定装置、设备及可读存储介质，也同样具有上述技术效果。

Description

一种关联关系确定方法、装置、设备及可读存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种关联关系确定方法、装置、设备及可读存储介质。
背景技术
目前，当存储集群发生故障，可及时将故障事件提示给用户，用户需要一定的时间来分析故障事件后，再解决故障。其中，一个故障事件的发生可能会导致另一故障事件发生，因此用户在解决前一个故障事件后，又紧接着需要解决另一个故障事件，这样不仅增加了运维工作量，降低了运维效率。还可能导致存储集群业务运行受阻，降低存储集群的性能。
因此，如何发现不同故障事件之间的关联关系，实现故障的提前预防，是本领域技术人员需要解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种关联关系确定方法、装置、设备及可读存储介质，以发现不同故障事件之间的关联关系，实现故障的提前预防。其具体方案如下：
第一方面，本申请提供了一种关联关系确定方法，包括：
获取存储集群中已产生的所有故障事件；
利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇；
为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；
利用Apriori算法处理所述多个目标集合，获得关联结果；所述关联结果包括：具有关联关系的不同故障事件。
优选地，所述利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇，包括：
提取每个故障事件的产生时间，以所述产生时间为簇中心，利用所述DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇。
优选地，所述利用所述DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇，包括：
利用所述DBSCAN算法对每个故障事件进行聚类分析，获得多个中间簇；
删除所有中间簇中的事件个数低于预设密度阈值的中间簇，获得所述多个目标簇。
优选地，所述为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合，包括：
按照事件故障类型为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合。
优选地，所述利用Apriori算法处理所述多个目标集合，获得关联结果，包括：
利用所述Apriori算法将每个目标集合中的故障事件划分为多个候选子集；
确定每个候选子集的支持度和置信度；
若任一个候选子集的支持度和置信度满足预设条件，则将当前候选子集确定为所述关联结果。
优选地，所述利用Apriori算法处理所述多个目标集合，获得关联结果之后，还包括：
获取所述存储集群中产生的目标故障事件；
按照所述关联结果确定与所述目标故障事件具有关联关系的对象故障事件；
生成并展示包含所述对象故障事件和所述目标故障事件的提示消息。
优选地，所述生成并展示包含所述对象故障事件和所述目标故障事件的提示消息之后，还包括：
将所述提示消息发送至预设管理终端。
第二方面，本申请提供了一种关联关系确定装置，包括：
获取模块，用于获取存储集群中已产生的所有故障事件；
聚类模块，用于利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇；
添加模块，用于为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；
处理模块，用于利用Apriori算法处理所述多个目标集合，获得关联结果；所述关联结果包括：具有关联关系的不同故障事件。
第三方面，本申请提供了一种关联关系确定设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的关联关系确定方法。
第四方面，本申请提供了一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的关联关系确定方法。
通过以上方案可知，本申请提供了一种关联关系确定方法，包括：获取存储集群中已产生的所有故障事件；利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇；为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；利用Apriori算法处理所述多个目标集合，获得关联结果；所述关联结果包括：具有关联关系的不同故障事件。
可见，该方法对于存储集群中已产生的所有故障事件，利用DBSCAN算法对其进行聚类分析，获得多个目标簇；并为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；从而进一步利用Apriori算法处理多个目标集合，获得关联结果；关联结果包括：具有关联关系的不同故障事件。本申请利用DBSCAN算法和Apriori算法分析获得了不同故障事件的关联关系，并且将具有关联关系的不同故障事件记录为关联结果，这样当存储集群中再次产生新的故障事件，那么便可以根据关联结果快速确定可能发生的另一个故障事件，从而实现故障事件的提前预防，保障存储集群的平稳运行，提高存储集群的性能。同时，还降低了运维工作量，提高了运维效率。
相应地，本申请提供的一种关联关系确定装置、设备及可读存储介质，也同样具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种关联关系确定方法流程图；
图2为本申请公开的另一种关联关系确定方法流程图；
图3为本申请公开的一种关联关系确定装置示意图；
图4为本申请公开的一种关联关系确定设备示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，现有技术增加了运维工作量，降低了运维效率。还可能导致存储集群业务运行受阻，降低存储集群的性能。为此，本申请提供了一种关联关系确定方案，能够发现不同故障事件之间的关联关系，实现故障的提前预防。
参见图1所示，本申请实施例公开了一种关联关系确定方法，包括：
S101、获取存储集群中已产生的所有故障事件。
其中，步骤S101获取的故障事件为多个，故障事件包括：事件发生时间、事件错误码、事件描述、事件发生原因及所在的业务模块等信息。
S102、利用DBSCAN算法对故障事件进行聚类分析，获得多个目标簇。
在一种具体实施方式中，利用DBSCAN(Density Based Spatial Clustering ofApplications with Noise，基于密度的聚类算法)算法对故障事件进行聚类分析，获得多个目标簇，包括：提取每个故障事件的产生时间，以产生时间为簇中心，利用DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇。
在本实施例中，以每个故障事件的产生时间为簇中心，实现故障事件的分类。
在一种具体实施方式中，利用DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇，包括：利用DBSCAN算法对每个故障事件进行聚类分析，获得多个中间簇；删除所有中间簇中的事件个数低于预设密度阈值的中间簇，获得多个目标簇。
具体的，根据实际需求设置DBSCAN算法的半径和预设密度阈值。半径即同一个簇中，距离簇中心最远的故障事件至簇中心的距离(此距离在本实施例中是时间长短)。预设密度阈值表示一个簇中的故障事件个数，若一个簇中的故障事件个数低于预设密度阈值，则表明该簇中的故障事件无用，即为噪声点，可将该簇丢弃。半径和预设密度阈值可根据实际需求灵活调整。
需要说明的是，DBSCAN算法可以对任意密度的数据集进行聚类，而K-Means之类的聚类算法一般只适用于凸数据集。DBSCAN算法可以在聚类过程中发现异常点，剔除噪声点；DBSCAN算法对聚类结果没有偏倚，使得聚类结果更为准确。
S103、为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合。
在一种具体实施方式中，为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合，包括：按照事件故障类型为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合。
其中，事件描述字段一般包括：故障原因、故障类型等。
S104、利用Apriori算法处理多个目标集合，获得关联结果；关联结果包括：具有关联关系的不同故障事件。
在一种具体实施方式中，利用Apriori算法处理多个目标集合，获得关联结果，包括：利用Apriori算法将每个目标集合中的故障事件划分为多个候选子集；确定每个候选子集的支持度和置信度；若任一个候选子集的支持度和置信度满足预设条件，则将当前候选子集确定为关联结果。
具体的，若候选子集的支持度和置信度满足预设条件，则表明候选子集中的故障事件的关联关系较大，因此当候选子集中的一个故障事件发生时，候选子集中的另一个故障事件发生的概率较高。其中，可设置支持度阈值和置信度阈值，若候选子集的支持度不小于支持度阈值，且该候选子集的置信度不小于置信度阈值，则确定该候选子集的支持度和置信度满足预设条件。
其中，支持度阈值和置信度阈值可以根据实际需求灵活设定(如75％、80％等)，二者可相等，也可不等。一般情况下，置信度阈值大于支持度阈值。若候选子集的支持度满足支持度阈值，但其置信度不满足置信度阈值，将此候选子集称为频繁集。频繁集中的不同故障事件之间关联关系较小。
需要说明的是，按照Apriori算法的原理，候选子集中的故障事件的个数不固定，具体可参照现有技术，在此不再赘述。
在一种具体实施方式中，利用Apriori算法处理多个目标集合，获得关联结果之后，还包括：获取存储集群中产生的目标故障事件；按照关联结果确定与目标故障事件具有关联关系的对象故障事件；生成并展示包含对象故障事件和目标故障事件的提示消息。其中，生成并展示包含对象故障事件和目标故障事件的提示消息之后，还包括：将提示消息发送至预设管理终端。
也就是，当存储集群中产生新的故障事件，可以根据关联结果快速确定可能发生的另一个故障事件，并展示相应的提示信息，从而实现故障事件的提前告知，以使用户提前预防另一故障事件的发生。
可见，本申请实施例对于存储集群中产生的故障事件，利用DBSCAN算法对其进行聚类分析，获得多个目标簇；并为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；从而进一步利用Apriori算法处理多个目标集合，获得关联结果；关联结果包括：具有关联关系的不同故障事件。本申请利用DBSCAN算法和Apriori算法分析获得了不同故障事件的关联关系，并且将具有关联关系的不同故障事件记录为关联结果，这样当存储集群中再次产生新的故障事件，那么便可以根据关联结果快速确定可能发生的另一个故障事件，从而实现故障事件的提前预防，保障存储集群的平稳运行，提高存储集群的性能。同时，还降低了运维工作量，提高了运维效率。
参见图2所示，本申请实施例公开了另一种关联关系确定方法，该方法包括：利用DBSCAN算法对故障事件集进行聚类，生成多个簇；为每个簇中的故障事件添加描述字段(即事件事务化)，获得Apriori算法可以处理的训练数据。(即输出关联规则)。
具体的，利用DBSCAN算法对故障事件集进行聚类，生成多个簇，具体包括：设置DBSCAN算法的半径r和密度阈值MinTh，基于故障事件的时间、半径r和密度阈值MinTh对故障事件集进行聚类，生成多个簇。其中，删除事件个数低于预设密度阈值的簇，以去除噪声点，使生成的簇更有效、更准确。
具体的，为每个簇中的故障事件添加描述字段(即事件事务化)，获得Apriori算法可以处理的训练数据，具体包括：遍历每个簇，为每个簇中的故障事件添加描述字段，使得一个故障事件变成一条事务，从而可获得与每个簇对应的对象集合(即前文所述的目标集合)。每个对象集合中包括多条事务。其中，对象集合可表示为{“Tid”：[Object1，Objcet2，...]}，“Tid”为对象集合的标识信息，Object1，Objcet2为对象集合中的两条事务。对象集合的标识信息为对象集合中包括的任一条事务产生的时间戳(即故障事件产生的时间)，如：遍历目标对象集合时，将遍历到的第一条事务产生的时间戳确定为目标对象集合的标识信息。
具体的，利用Apriori算法处理训练数据，输出具有关联关系的关联结果(即输出关联规则)，具体包括：设置合理的支持度阈值(min_sup)和置信度阈值(min_conf)，利用Apriori算法处理训练数据，处理过程中，若候选子集的支持度和置信度满足预设条件，则表明候选子集中的故障事件的关联关系较大，因此输出相应的关联结果。据此可获得多个关联结果。
Apriori算法处理训练数据的过程中，首先生成仅包含一条事务的候选子集，并进行支持度和置信度的计算；进而生成包含2条事务的候选子集，并进行支持度和置信度的计算；如此以此类推，直到无法生成更高阶的候选子集为止。
具体的，Apriori算法伪代码如下：
Figure BDA0002338885910000071
Figure BDA0002338885910000081
由上可见，本实施例采用DBSCAN算法和Apriori算法挖掘分析存储集群上报的故障事件。以时间因素指标对故障事件进行分类，避免个人主观性对事件发生时间的影响，同时删除孤立发生的故障事件，确保分类的准确性。其次根据聚类生成训练数据集，利用Apriori算法分析训练数据集中各个故障事件的依赖性和诱发性(即关联关系)，从而输出关联结果。
基于关联结果，可挖掘故障事件之间的隐藏关系。当某一故障事件发生后，预测即将出现的其他故障事件，并及早通知管理员及客户做好相对预防措施，从而可减少因设备故障而引发的各种损失。同时，设计开发人员基于关联结果开发产品，可充分考虑多场景布局，在设计初期就避免一些故障事件之间的相互关联，从而提高设备的稳定性，提高产品竞争力和用户体验。
下面对本申请实施例提供的一种关联关系确定装置进行介绍，下文描述的一种关联关系确定装置与上文描述的一种关联关系确定方法可以相互参照。
参见图3所示，本申请实施例公开了一种关联关系确定装置，包括：
获取模块301，用于获取存储集群中已产生的所有故障事件；
聚类模块302，用于利用DBSCAN算法对故障事件进行聚类分析，获得多个目标簇；
添加模块303，用于为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；
处理模块304，用于利用Apriori算法处理多个目标集合，获得关联结果；关联结果包括：具有关联关系的不同故障事件。
在一种具体实施方式中，聚类模块具体用于：
提取每个故障事件的产生时间，以产生时间为簇中心，利用DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇。
在一种具体实施方式中，聚类模块具体用于：
利用DBSCAN算法对每个故障事件进行聚类分析，获得多个中间簇；删除所有中间簇中的事件个数低于预设密度阈值的中间簇，获得多个目标簇。
在一种具体实施方式中，添加模块具体用于：
按照事件故障类型为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合。
在一种具体实施方式中，处理模块包括：
划分单元，用于利用Apriori算法将每个目标集合中的故障事件划分为多个候选子集；
第一确定单元，用于确定每个候选子集的支持度和置信度；
第二确定单元，用于若任一个候选子集的支持度和置信度满足预设条件，则将当前候选子集确定为关联结果。
在一种具体实施方式中，还包括：
目标故障事件获取模块，用于获取存储集群中产生的目标故障事件；
确定模块，用户按照关联结果确定与目标故障事件具有关联关系的对象故障事件；
提示模块，用于生成并展示包含对象故障事件和目标故障事件的提示消息。
在一种具体实施方式中，还包括：
发送模块，用于将提示消息发送至预设管理终端。
其中，关于本实施例中各个模块、单元更加具体的工作过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本实施例提供了一种关联关系确定装置，该装置利用DBSCAN算法和Apriori算法分析获得了不同故障事件的关联关系，并且将具有关联关系的不同故障事件记录为关联结果，这样当存储集群中再次产生新的故障事件，那么便可以根据关联结果快速确定可能发生的另一个故障事件，从而实现故障事件的提前预防，保障存储集群的平稳运行，提高存储集群的性能。同时，还降低了运维工作量，提高了运维效率。
下面对本申请实施例提供的一种关联关系确定设备进行介绍，下文描述的一种关联关系确定设备与上文描述的一种关联关系确定方法及装置可以相互参照。
参见图4所示，本申请实施例公开了一种关联关系确定设备，包括：
存储器401，用于保存计算机程序；
处理器402，用于执行所述计算机程序，以实现上述任意实施例公开的方法。
下面对本申请实施例提供的一种可读存储介质进行介绍，下文描述的一种可读存储介质与上文描述的一种关联关系确定方法、装置及设备可以相互参照。
一种可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的关联关系确定方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本申请涉及的“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法或设备固有的其它步骤或单元。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的可读存储介质中。
本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，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申请的限制。

Claims (10)

1.一种关联关系确定方法，其特征在于，包括：
获取存储集群中已产生的所有故障事件；
利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇；
为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；
利用Apriori算法处理所述多个目标集合，获得关联结果；所述关联结果包括：具有关联关系的不同故障事件。
2.根据权利要求1所述的关联关系确定方法，其特征在于，所述利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇，包括：
提取每个故障事件的产生时间，以所述产生时间为簇中心，利用所述DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇。
3.根据权利要求2所述的关联关系确定方法，其特征在于，所述利用所述DBSCAN算法对每个故障事件进行聚类分析，获得多个目标簇，包括：
利用所述DBSCAN算法对每个故障事件进行聚类分析，获得多个中间簇；
删除所有中间簇中的事件个数低于预设密度阈值的中间簇，获得所述多个目标簇。
4.根据权利要求1所述的关联关系确定方法，其特征在于，所述为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合，包括：
按照事件故障类型为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合。
5.根据权利要求1所述的关联关系确定方法，其特征在于，所述利用Apriori算法处理所述多个目标集合，获得关联结果，包括：
利用所述Apriori算法将每个目标集合中的故障事件划分为多个候选子集；
确定每个候选子集的支持度和置信度；
若任一个候选子集的支持度和置信度满足预设条件，则将当前候选子集确定为所述关联结果。
6.根据权利要求1至5任一项所述的关联关系确定方法，其特征在于，所述利用Apriori算法处理所述多个目标集合，获得关联结果之后，还包括：
获取所述存储集群中产生的目标故障事件；
按照所述关联结果确定与所述目标故障事件具有关联关系的对象故障事件；
生成并展示包含所述对象故障事件和所述目标故障事件的提示消息。
7.根据权利要求6所述的关联关系确定方法，其特征在于，所述生成并展示包含所述对象故障事件和所述目标故障事件的提示消息之后，还包括：
将所述提示消息发送至预设管理终端。
8.一种关联关系确定装置，其特征在于，包括：
获取模块，用于获取存储集群中已产生的所有故障事件；
聚类模块，用于利用DBSCAN算法对所述故障事件进行聚类分析，获得多个目标簇；
添加模块，用于为每个目标簇中的故障事件添加事件描述字段，获得多个目标集合；
处理模块，用于利用Apriori算法处理所述多个目标集合，获得关联结果；所述关联结果包括：具有关联关系的不同故障事件。
9.一种关联关系确定设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的关联关系确定方法。
10.一种可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的关联关系确定方法。
CN201911367789.3A 2019-12-26 2019-12-26 一种关联关系确定方法、装置、设备及可读存储介质 Withdrawn CN111143103A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911367789.3A CN111143103A (zh) 2019-12-26 2019-12-26 一种关联关系确定方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911367789.3A CN111143103A (zh) 2019-12-26 2019-12-26 一种关联关系确定方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN111143103A true CN111143103A (zh) 2020-05-12

Family

ID=70520433

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911367789.3A Withdrawn CN111143103A (zh) 2019-12-26 2019-12-26 一种关联关系确定方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN111143103A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463847A (zh) * 2020-10-30 2021-03-09 深圳市安云信息科技有限公司 一种基于时序数据的故障关联分析方法和装置
CN113505018A (zh) * 2021-07-27 2021-10-15 联想(北京)有限公司 干扰进程检测方法、装置及电子设备
CN117573428A (zh) * 2023-11-08 2024-02-20 安徽鼎甲计算机科技有限公司 容灾备份方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103812719A (zh) * 2012-11-12 2014-05-21 华为技术有限公司 集群***的失效预测方法及装置
CN106909664A (zh) * 2017-02-28 2017-06-30 国网福建省电力有限公司 一种电力设备数据流故障识别方法
CN109358602A (zh) * 2018-10-23 2019-02-19 山东中创软件商用中间件股份有限公司 一种故障分析方法、装置及相关设备
CN110351150A (zh) * 2019-07-26 2019-10-18 中国工商银行股份有限公司 故障根源确定方法及装置、电子设备和可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103812719A (zh) * 2012-11-12 2014-05-21 华为技术有限公司 集群***的失效预测方法及装置
CN106909664A (zh) * 2017-02-28 2017-06-30 国网福建省电力有限公司 一种电力设备数据流故障识别方法
CN109358602A (zh) * 2018-10-23 2019-02-19 山东中创软件商用中间件股份有限公司 一种故障分析方法、装置及相关设备
CN110351150A (zh) * 2019-07-26 2019-10-18 中国工商银行股份有限公司 故障根源确定方法及装置、电子设备和可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463847A (zh) * 2020-10-30 2021-03-09 深圳市安云信息科技有限公司 一种基于时序数据的故障关联分析方法和装置
CN113505018A (zh) * 2021-07-27 2021-10-15 联想(北京)有限公司 干扰进程检测方法、装置及电子设备
CN117573428A (zh) * 2023-11-08 2024-02-20 安徽鼎甲计算机科技有限公司 容灾备份方法、装置、计算机设备和存储介质
CN117573428B (zh) * 2023-11-08 2024-05-07 安徽鼎甲计算机科技有限公司 容灾备份方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US11710131B2 (en) Method and apparatus of identifying a transaction risk
US11675672B2 (en) Automation and optimization of data recovery after a ransomware attack
US11640349B2 (en) Real time application error identification and mitigation
CN111143103A (zh) 一种关联关系确定方法、装置、设备及可读存储介质
US10263833B2 (en) Root cause investigation of site speed performance anomalies
AU2017274576B2 (en) Classification of log data
Ying et al. An improved KNN-based efficient log anomaly detection method with automatically labeled samples
CN111078513B (zh) 日志处理方法、装置、设备、存储介质及日志告警***
CN113992340B (zh) 用户异常行为识别方法、装置、设备和存储介质
CN112579327A (zh) 一种故障检测方法、装置及设备
WO2021084020A1 (en) Detection of security threats in a network environment
CN110942314A (zh) 异常账户监管方法及装置
US10509712B2 (en) Methods and systems to determine baseline event-type distributions of event sources and detect changes in behavior of event sources
CN116610967A (zh) 基于聚类处理的银行***的异常检测方法、装置及设备
CN116071133A (zh) 基于大数据的跨境电商环境分析方法、***及计算设备
CN115659045A (zh) 用户操作的识别方法、装置、存储介质以及电子设备
US11621966B1 (en) Detection of malicious user accounts of an online service using feature analysis
CN114547406A (zh) 数据监控方法、***、存储介质及电子装置
JP2008171282A (ja) 最適パラメータ探索プログラム、最適パラメータ探索装置および最適パラメータ探索方法
CN111258788B (zh) 磁盘故障预测方法、装置及计算机可读存储介质
CN113468029A (zh) 日志管理方法、装置、电子设备和可读存储介质
CN112612679A (zh) ***运行状态监控方法、装置、计算机设备和存储介质
CN114756401B (zh) 基于日志的异常节点检测方法、装置、设备及介质
CN117234429B (zh) 一种存储芯片的写入擦除速度分析方法及装置
CN113032242B (zh) 数据标记方法及装置，计算机存储介质和电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200512

WW01 Invention patent application withdrawn after publication