CN114201328A - 基于人工智能的故障处理方法、装置、电子设备及介质 - Google Patents

Abstract

本申请涉及人工智能技术领域，提供一种基于人工智能的故障处理方法、装置、电子设备及介质，所述方法包括：基于埋点获取目标***对应的报错语句；对报错语句进行解析，确定报错语句对应的报错事项；基于报错事项，在故障图谱中提取多个故障处理方法；确定报错事项对应的目标用户以及目标用户对应的故障记录，并基于故障记录确定报错事项对应的特征值；将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。本申请提高了故障处理的效率。

Description

基于人工智能的故障处理方法、装置、电子设备及介质

技术领域

本申请涉及人工智能技术领域，具体涉及一种基于人工智能的故障处理方法、装置、电子设备及介质。

背景技术

在***经过长时间的运行之后，或执行了某些非常规操作之后，容易发生各种各样的问题，针对当前***运维告警量是非常巨大的，而每次发生的问题可能都大同小异，大部分是同类型的告警处理。但是，每次发生***问题后，都需要***管理员或运维人员对***进行人工修复，由于人力资源的紧张，所以***问题的处理效率较低。因此，如何实现***问题的自动化处理，提高***问题的处理效率，成为了亟待解决的技术问题。

发明内容

鉴于以上内容，有必要提出一种基于人工智能的故障处理方法、装置、电子设备及介质，提高***故障的处理效率。

第一方面，本申请提供了一种基于人工智能的故障处理方法，所述方法包括：

基于预先植入的埋点，获取目标***对应的报错语句；

对所述报错语句进行解析，确定所述报错语句对应的报错事项；

基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法；

确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值；

将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；

基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

根据本申请的一个可选的实施方式，所述确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录包括：

定位监测到所述报错语句出现时所对应的目标时刻；

获取所述目标时刻上所述目标***对应的用户标识，并根据所述用户标识确定目标用户；

基于所述目标用户从故障处理日志库中获取所述目标用户对应的故障记录。

根据本申请的一个可选的实施方式，所述第一随机森林模型的训练过程包括：

获取多个历史报错事项对应的特征值及多个历史故障处理方法，作为训练数据集；

从所述训练数据集中随机抽取M个训练样本集；

对所述M个训练样本集进行学习，以此生成M个决策树，并在所述M个决策树的生成过程中，从M个决策树的特征变量中随机抽取N个特征变量，各个决策树利用所述N个特征变量上最优的***方式来分支，且N值在随机森林模型的形成过程中设定为恒定常数；

当满足分支规则时，停止所述M个决策树的生成过程，得到所述第一随机森林模型。

根据本申请的一个可选的实施方式，所述M个决策树的生成过程包括：

随机地给每个所述特征变量加入噪声干扰；

依据准确率降低的程度来确定每个所述特征变量的重要度；

依据所述重要度对所述M个决策树的生成过程进行优化。

根据本申请的一个可选的实施方式，所述故障图谱的构建包括：

获取多个历史故障处理记录；

抽取所述多个历史故障处理记录中的故障事件；

对所述故障事件进行聚类处理，得到至少一个故障类别及每个故障类别对应的聚类事件；

计算所述聚类事件之间的关联关系；

根据所述聚类事件及所述关联关系构建故障图谱。

根据本申请的一个可选的实施方式，所述抽取所述多个历史故障处理记录中的故障事件包括：

对每个历史故障处理记录进行分词处理，得到信息分词；

确定所述信息分词在所述信息分词所在的信息语句中的目标词性，并将所述目标词性为预设词性的信息分词确定为待选分词；

将所述待选分词与预设故障模板库中的模板故障进行匹配，并将与所述模板故障匹配成功的待选分词确定为故障事件。

根据本申请的一个可选的实施方式，所述方法还包括：

在确定的目标***中设置埋点服务SDK；

通过所述埋点服务SDK对外暴露一个数据埋点服务接口；

当侦测到所述目标***的报错信号时，调用所述数据埋点服务接口获取所述报错信号对应的报错语句。

第二方面，本申请提供了一种基于人工智能的故障处理装置，所述装置包括：

报错获取模块，用于基于预先植入的埋点，获取目标***对应的报错语句；

语句解析模块，用于对所述报错语句进行解析，确定所述报错语句对应的报错事项；

图谱查询模块，用于基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法；

特征确定模块，用于确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值；

分值预测模块，用于将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；

方法确定模块，用于基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

第三方面，本申请提供了一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述基于人工智能的故障处理方法。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于人工智能的故障处理方法。

综上所述，本申请所述的基于人工智能的故障处理方法、装置、电子设备及介质，通过埋点可以及时获取目标***出现的报错语句，并基于报错语句确定所述目标***当前对应的报错事项，基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法，所述多个故障处理方法与所述报错事项存在关联，可以用于解决所述报错事项对应的故障；确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值，所述特征用于表示所述报错事项出现的频次，根据所述报错事项对应的特征值可以确定使用与当前报错事项的故障处理方法，提高故障处理方法确定的准确率；接着将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值，所述匹配值用于在多个故障处理方法中确定目标故障处理方法进一步提高了确定故障处理方法的准确率，基于目标故障处理方法进行故障处理，实现了故障的主动处理，提高了***故障处理的效率。

附图说明

图1是本申请实施例一提供的基于人工智能的故障处理方法的流程图。

图2是本申请实施例二提供的基于人工智能的故障处理装置的结构图。

图3是本申请实施例三提供的电子设备的结构示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的，不是旨在于限制本申请。

本申请实施例提供的基于人工智能的故障处理方法由电子设备执行，相应地，基于人工智能的故障处理装置运行于电子设备中。所述电子设备可以包括手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等。

本申请实施例可以基于人工智能技术对目标***对应的报错语句进行处理，得到所述报错语句对应的故障处理方法，提高了***故障处理的效率。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

实施例一

图1是本申请实施例一提供的基于人工智能的故障处理方法的流程图。所述基于人工智能的故障处理方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，基于预先植入的埋点，获取目标***对应的报错语句。

其中，所述目标***可以是公司业务***、公司平台***、文献***、内部图书库***等等。所述报错语句用于确定用户在访问目标***时出现的故障，可以包括用户通过电子设备访问所述目标***中遇见故障时出现的报错信号对应的SQL语句，其中，所述报错信号可以显示在访问所述目标***的电子设备的屏幕面板上。

可以事先借助第三方的SDK(软件开发工具包)，采用埋点式的方法，例如，事先在所述目标***中植入探针或者字节码增强式的埋点方式，采集用户访问所述目标***的行为数据，进而获取所述目标***对应的报错语句。

在一个可选的实施方式中，所述方法还包括：

在确定的目标***中设置埋点服务SDK；

通过所述埋点服务SDK对外暴露一个数据埋点服务接口；

当侦测到所述目标***的报错信号时，调用所述数据埋点服务接口获取所述报错信号对应的报错语句。

通过所述目标***监听用户的访问行为，获取用户在访问过程中的行为数据，例如，监听到用户在访问目标***时触发了报错信号，调用数据埋点服务接口，将所述报错信号对应的报错语句回传给电子设备。

在一个可选的实施方式中，通过在电子设备后台应用服务中设置埋点服务SDK捕获用户访问目标***过程中出现的报错语句，相较于在目标***中植入埋点，能够避免行为数据泄露的风险，且能够避免当某个第三方SDK要升级时，还需要对对应的应用进行升级。

S12，对所述报错语句进行解析，确定所述报错语句对应的报错事项。

一条报错语句是由多个字符串组成的正则表达式，对报错语句进行解析，可以通过提取报错语句中的预设关键字，比如Warn，Error，Fatal等，然后根据预设关键词对报错语句进行分割，即可确定报错语句包含的一个或者多个报错关键词。或者，可以基于预设的语句事项映射表中，报错语句与报错事项的映射关系，对所述报错语句进行解析，确定所述报错语句对应的报错事项。

S13，基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法。

在一个可选的实施方式中，所述故障图谱的构建包括：

获取多个历史故障处理记录；

抽取所述多个历史故障处理记录中的故障事件；

对所述故障事件进行聚类处理，得到至少一个故障类别及每个故障类别对应的聚类事件；

计算所述聚类事件之间的关联关系；

根据所述聚类事件及所述关联关系构建故障图谱。

所述故障事件为历史故障处理记录中解决的故障对应的时间，例如，可以包括访问失败、无法跳转至目标页面、数据加载异常、等等。

可以基于预先设置的聚类条件对所述故障事件进行聚类处理，确定至少一个故障类别，故障类别是指相似故障所对应的类别，如访问异常等。聚类条件用于划分故障事件，符合同一聚类条件的故障事件属于同一个聚类，即属于同一个故障类别，聚类条件可以根据实际的情况进行设置，在此不做任何限定。

所述聚类事件是指相似故障，若有多个故障事件对应同一个故障类别，所述多个故障事件为该故障类别对应的聚类事件。一个故障类别对应的一个故障图谱。所述故障图谱中的图谱节点表示聚类事件(故障事件)，一个图谱节点对应一个聚类事件，其中，通过图谱节点可以调取所述图谱节点对应的聚类事件的故障处理方法。所述故障图谱中的连线表示两个聚类事件之间具有的逻辑关系，不同的连线表示两个节点之间具有的关联性大小不同，例如，较长的连线表示关联性较小，较短的连线表示关联性较大。

在一个可选的实施方式中，所述基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法包括：确定所述报错事项对应的故障类别，并确定所述故障类别对应的故障图谱，在所述故障图谱中确定所述报错事项对应的图谱节点，并获取所述图谱节点对应的至少一个关联节点，基于所述图谱节点和所述图谱节点对应的至少一个关联节点获取多个故障处理方法。

其中，图谱节点对应一个故障处理方法，所述至少一个关联节点中每个关联节点对应一个故障处理方法。

在一个可选的实施方式中，所述抽取所述多个历史故障处理记录中的故障事件包括：

对每个历史故障处理记录进行分词处理，得到信息分词；

确定所述信息分词在所述信息分词所在的信息语句中的目标词性，并将所述目标词性为预设词性的信息分词确定为待选分词；

将所述待选分词与预设故障模板库中的模板故障进行匹配，并将与所述模板故障匹配成功的待选分词确定为故障事件。

对每个历史故障处理记录中每一句信息语句进行分词处理，得到信息分词。所述目标词性是指所述信息分词在所述信息语句中所充当的角色，例如，所述目标词性为宾语，所述目标词性为主语等。所述预设词性是根据大数据分析后确定的，所述预设词性可以设置为主语，本发明对所述预设词性的具体确定方式不作阐述。例如，所述预设词性可以设置为宾语，所述信息分词为数据加载异常，该信息分词对应的信息语句为：本次故障为数据加载异常，数据加载异常为预设词性，所以将数据加载异常确定为待选分词。

所述预设故障模板库中存储有多个模板故障，用户可以根据经验在预设故障模板库中进行模板添加、模板删除、模板修改等操作，预设故障模板库中的模板故障可以是能被自动处理的故障。

S14，确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值。

一报错事项可以对应多种不同的故障处理方法，可以根据报错事项出现的次数确定故障处理方法，例如若报错事项出现的次数较多可以使用处理较为彻底、但耗时较长的方式；若报错事项出现的次数较少可以使用处理较为简单、但耗时较短的方式。不同用户遇到的报错事项次数不同，所以可以根据目标用户以及所述目标用户对应的故障记录确定该用户报错事项出现的次数，提高了确定报错事项次数的准确性。可以根据所述报错事项出现的次数，确定所述报错事项对应的特征值，例如一报错事项出现的次数越多，该报错事项对应的特征值越大；一报错事项出现的次数越少，该报错事项对应的特征值越小。可以根据实际情况设置报错事项出现的次数与所述特征值之间的映射关系。

在一个可选的实施方式中，所述确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录包括：

定位监测到所述报错语句出现时所对应的目标时刻；

获取所述目标时刻上所述目标***对应的用户标识，并根据所述用户标识确定目标用户；

基于所述目标用户从故障处理日志库中获取所述目标用户对应的故障记录。

其中，所述目标时刻是指所述报错语句出现时所对应的时刻。所述目标用户为当前出现报错语句的目标***用户。所述故障处理日志库中存储有故障处理过程中的相关日志信息，其中，包括每个目标***用户对应的故障记录。

通过所述目标时刻及所述任务标识能够准确的获取到所述日志信息，从而能够准确的获取到所述响应结果。

S15，将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值。

其中，第一随机森林模型为预先训练好的机器学习模型，将所述报错事项对应的特征值及多个故障处理方法作为第一随机森林模型的输入，通过第一随机森林模型预测并输出每个故障处理方法对应的匹配值，匹配值用于表征所述故障处理方法与所述报错实现的适合程度，若一故障处理方法的匹配值越高，该故障处理方法越适合处理所述报错事项。

在一个可选的实施方式中，所述第一随机森林模型的训练过程包括：

获取多个历史报错事项对应的特征值及多个历史故障处理方法，作为训练数据集；

从所述训练数据集中随机抽取M个训练样本集；

对所述M个训练样本集进行学习，以此生成M个决策树，并在所述M个决策树的生成过程中，从M个决策树的特征变量中随机抽取N个特征变量，各个决策树利用所述N个特征变量上最优的***方式来分支，且N值在随机森林模型的形成过程中设定为恒定常数；

当满足分支规则时，停止所述M个决策树的生成过程，得到所述第一随机森林模型。

历史报错事项对应的特征值为预设时间段之前的时间段对应的历史报错事项对应的特征值。可以基于故障记录确定在预设时间段内历史报错事项对应的特征值。

历史故障处理方法可以查询在预设时间段内的故障记录确定。

可以采用自助法进行随机抽样，也可以采用Bootstrap法有放回地进行随机抽样，将抽到的训练数据集(M)组成训练样本集，将未抽到的训练数据集则组成验证样本集(训练数据集中除M部分的内容)，然后对训练样本集中全部训练样本逐一构造决策树，M个训练样本集构造M个决策树。

在决策树生长过程中，每个节点处从所有特征变量中随机抽取N个特征变量作为当前节点***的待选特征，从待选特征中进行分支生长，且不进行剪枝。如此重复，使得决策树继续分支和生长，直至满足分支规则而停止生长，并储存M个决策树。根据储存的M个决策树建立随机森林模型，对M个决策树的结果计算平均值得到最终的预测结果，其中M和N的值可以根据实际情况进行确定，在此不做限定。

在一个可选的实施方式中，所述M个决策树的生成过程包括：

随机地给每个所述特征变量加入噪声干扰；

依据准确率降低的程度来确定每个所述特征变量的重要度；

依据所述重要度对所述M个决策树的生成过程进行优化。

可以给不同的特征变量加入不同的噪声干扰，也可以给所有的特征变量加入相同的噪声干扰，例如，加入高斯噪声等。

首先，使用验证样本集验证随机森林模型的第一预测准确率，然后每次从N个特征变量中随机选取一个特征变量加入噪声干扰，再使用验证样本集验证随机森林模型的第二预测准确率，从而根据第一预测准确率及第二预测准确率的差值，得到准确率降低的程度。当将N个特征变量中的每个特征变量依次加入了噪声干扰之后，可以得到N个第一预测准确率，从而得到N个准确率降低的程度。对这N个准确率降低的程度进行从大到小或者从小到大排序，根据排序结果确定每个特征变量的重要度。

当某个特征变量加入噪声干扰后，随机森林模型的准确率降低的程度越大，表明该特征变量对随机森林模型的影响程度越大，则该特征变量的重要度越高。当某个特征变量加入噪声干扰后，随机森林模型的准确率降低的程度越小，表明该特征变量对随机森林模型的影响程度越小，则该特征变量的重要度越低。

在确定特征变量的重要度之后，可以在对特征变量进行***的过程中依据重要度加入重要度权重，从而实现对M个决策树的生成过程的优化。

该可选的实施方式，通过找出变量特征的重要度，并依据所述重要度来对决策树生成过程进行优化，提高了随机森林模型的预测准确性。

S16，基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

示例性的，可以将所述多个故障处理方法中匹配值最大的故障处理方法确定为目标故障处理方法，控制电子设备根据所述目标故障处理方法解决所述目标***当前报错事项对应的故障。

本申请所述的基于人工智能的故障处理方法，通过埋点可以及时获取目标***出现的报错语句，并基于报错语句确定所述目标***当前对应的报错事项，基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法，所述多个故障处理方法与所述报错事项存在关联，可以用于解决所述报错事项对应的故障；确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值，所述特征用于表示所述报错事项出现的频次，根据所述报错事项对应的特征值可以确定使用与当前报错事项的故障处理方法，提高故障处理方法确定的准确率；接着将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值，所述匹配值用于在多个故障处理方法中确定目标故障处理方法进一步提高了确定故障处理方法的准确率，基于目标故障处理方法进行故障处理，实现了故障的主动处理，提高了***故障处理的效率。

实施例二

图2是本申请实施例二提供的基于人工智能的故障处理装置的结构图。

在一些实施例中，所述基于人工智能的故障处理装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的故障处理装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于人工智能的故障处理方法的功能。

本实施例中，所述基于人工智能的故障处理装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：报错获取模块201、语句解析模块202、图谱查询模块203、特征确定模块204、分值预测模块205及方法确定模块206。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

报错获取模块201，用于基于预先植入的埋点，获取目标***对应的报错语句。

其中，所述目标***可以是公司业务***、公司平台***、文献***、内部图书库***等等。所述报错语句用于确定用户在访问目标***时出现的故障，可以包括用户通过电子设备访问所述目标***中遇见故障时出现的报错信号对应的SQL语句，其中，所述报错信号可以显示在访问所述目标***的电子设备的屏幕面板上。

可以事先借助第三方的SDK(软件开发工具包)，采用埋点式的方法，例如，事先在所述目标***中植入探针或者字节码增强式的埋点方式，采集用户访问所述目标***的行为数据，进而获取所述目标***对应的报错语句。

在一个可选的实施方式中，报错获取模块201还用于：

在确定的目标***中设置埋点服务SDK；

通过所述埋点服务SDK对外暴露一个数据埋点服务接口；

当侦测到所述目标***的报错信号时，调用所述数据埋点服务接口获取所述报错信号对应的报错语句。

通过所述目标***监听用户的访问行为，获取用户在访问过程中的行为数据，例如，监听到用户在访问目标***时触发了报错信号，调用数据埋点服务接口，将所述报错信号对应的报错语句回传给电子设备。

在一个可选的实施方式中，报错获取模块201通过在电子设备后台应用服务中设置埋点服务SDK捕获用户访问目标***过程中出现的报错语句，相较于在目标***中植入埋点，能够避免行为数据泄露的风险，且能够避免当某个第三方SDK要升级时，还需要对对应的应用进行升级。

语句解析模块202，用于对所述报错语句进行解析，确定所述报错语句对应的报错事项。

一条报错语句是由多个字符串组成的正则表达式，对报错语句进行解析，可以通过提取报错语句中的预设关键字，比如Warn，Error，Fatal等，然后根据预设关键词对报错语句进行分割，即可确定报错语句包含的一个或者多个报错关键词。或者，可以基于预设的语句事项映射表中，报错语句与报错事项的映射关系，对所述报错语句进行解析，确定所述报错语句对应的报错事项。

图谱查询模块203，用于基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法。

在一个可选的实施方式中，图谱查询模块203还用于：

获取多个历史故障处理记录；

抽取所述多个历史故障处理记录中的故障事件；

对所述故障事件进行聚类处理，得到至少一个故障类别及每个故障类别对应的聚类事件；

计算所述聚类事件之间的关联关系；

根据所述聚类事件及所述关联关系构建故障图谱。

所述故障事件为历史故障处理记录中解决的故障对应的时间，例如，可以包括访问失败、无法跳转至目标页面、数据加载异常、等等。

可以基于预先设置的聚类条件对所述故障事件进行聚类处理，确定至少一个故障类别，故障类别是指相似故障所对应的类别，如访问异常等。聚类条件用于划分故障事件，符合同一聚类条件的故障事件属于同一个聚类，即属于同一个故障类别，聚类条件可以根据实际的情况进行设置，在此不做任何限定。

所述聚类事件是指相似故障，若有多个故障事件对应同一个故障类别，所述多个故障事件为该故障类别对应的聚类事件。一个故障类别对应的一个故障图谱。所述故障图谱中的图谱节点表示聚类事件(故障事件)，一个图谱节点对应一个聚类事件，其中，通过图谱节点可以调取所述图谱节点对应的聚类事件的故障处理方法。所述故障图谱中的连线表示两个聚类事件之间具有的逻辑关系，不同的连线表示两个节点之间具有的关联性大小不同，例如，较长的连线表示关联性较小，较短的连线表示关联性较大。

在一个可选的实施方式中，图谱查询模块203基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法包括：确定所述报错事项对应的故障类别，并确定所述故障类别对应的故障图谱，在所述故障图谱中确定所述报错事项对应的图谱节点，并获取所述图谱节点对应的至少一个关联节点，基于所述图谱节点和所述图谱节点对应的至少一个关联节点获取多个故障处理方法。

其中，图谱节点对应一个故障处理方法，所述至少一个关联节点中每个关联节点对应一个故障处理方法。

在一个可选的实施方式中，图谱查询模块203抽取所述多个历史故障处理记录中的故障事件包括：

对每个历史故障处理记录进行分词处理，得到信息分词；

确定所述信息分词在所述信息分词所在的信息语句中的目标词性，并将所述目标词性为预设词性的信息分词确定为待选分词；

将所述待选分词与预设故障模板库中的模板故障进行匹配，并将与所述模板故障匹配成功的待选分词确定为故障事件。

对每个历史故障处理记录中每一句信息语句进行分词处理，得到信息分词。所述目标词性是指所述信息分词在所述信息语句中所充当的角色，例如，所述目标词性为宾语，所述目标词性为主语等。所述预设词性是根据大数据分析后确定的，所述预设词性可以设置为主语，本发明对所述预设词性的具体确定方式不作阐述。例如，所述预设词性可以设置为宾语，所述信息分词为数据加载异常，该信息分词对应的信息语句为：本次故障为数据加载异常，数据加载异常为预设词性，所以将数据加载异常确定为待选分词。

所述预设故障模板库中存储有多个模板故障，用户可以根据经验在预设故障模板库中进行模板添加、模板删除、模板修改等操作，预设故障模板库中的模板故障可以是能被自动处理的故障。

特征确定模块204，用于确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值。

一报错事项可以对应多种不同的故障处理方法，可以根据报错事项出现的次数确定故障处理方法，例如若报错事项出现的次数较多可以使用处理较为彻底、但耗时较长的方式；若报错事项出现的次数较少可以使用处理较为简单、但耗时较短的方式。不同用户遇到的报错事项次数不同，所以可以根据目标用户以及所述目标用户对应的故障记录确定该用户报错事项出现的次数，提高了确定报错事项次数的准确性。可以根据所述报错事项出现的次数，确定所述报错事项对应的特征值，例如一报错事项出现的次数越多，该报错事项对应的特征值越大；一报错事项出现的次数越少，该报错事项对应的特征值越小。可以根据实际情况设置报错事项出现的次数与所述特征值之间的映射关系。

在一个可选的实施方式中，特征确定模块204确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录包括：

定位监测到所述报错语句出现时所对应的目标时刻；

获取所述目标时刻上所述目标***对应的用户标识，并根据所述用户标识确定目标用户；

基于所述目标用户从故障处理日志库中获取所述目标用户对应的故障记录。

其中，所述目标时刻是指所述报错语句出现时所对应的时刻。所述目标用户为当前出现报错语句的目标***用户。所述故障处理日志库中存储有故障处理过程中的相关日志信息，其中，包括每个目标***用户对应的故障记录。

通过所述目标时刻及所述任务标识能够准确的获取到所述日志信息，从而能够准确的获取到所述响应结果。

分值预测模块205，用于将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值。

其中，第一随机森林模型为预先训练好的机器学习模型，将所述报错事项对应的特征值及多个故障处理方法作为第一随机森林模型的输入，通过第一随机森林模型预测并输出每个故障处理方法对应的匹配值，匹配值用于表征所述故障处理方法与所述报错实现的适合程度，若一故障处理方法的匹配值越高，该故障处理方法越适合处理所述报错事项。

在一个可选的实施方式中，分值预测模块205还用于：

获取多个历史报错事项对应的特征值及多个历史故障处理方法，作为训练数据集；

从所述训练数据集中随机抽取M个训练样本集；

对所述M个训练样本集进行学习，以此生成M个决策树，并在所述M个决策树的生成过程中，从M个决策树的特征变量中随机抽取N个特征变量，各个决策树利用所述N个特征变量上最优的***方式来分支，且N值在随机森林模型的形成过程中设定为恒定常数；

当满足分支规则时，停止所述M个决策树的生成过程，得到所述第一随机森林模型。

历史报错事项对应的特征值为预设时间段之前的时间段对应的历史报错事项对应的特征值。可以基于故障记录确定在预设时间段内历史报错事项对应的特征值。

历史故障处理方法可以查询在预设时间段内的故障记录确定。

可以采用自助法进行随机抽样，也可以采用Bootstrap法有放回地进行随机抽样，将抽到的训练数据集(M)组成训练样本集，将未抽到的训练数据集则组成验证样本集(训练数据集中除M部分的内容)，然后对训练样本集中全部训练样本逐一构造决策树，M个训练样本集构造M个决策树。

在决策树生长过程中，每个节点处从所有特征变量中随机抽取N个特征变量作为当前节点***的待选特征，从待选特征中进行分支生长，且不进行剪枝。如此重复，使得决策树继续分支和生长，直至满足分支规则而停止生长，并储存M个决策树。根据储存的M个决策树建立随机森林模型，对M个决策树的结果计算平均值得到最终的预测结果，其中M和N的值可以根据实际情况进行确定，在此不做限定。

在一个可选的实施方式中，分值预测模块205，还用于：

随机地给每个所述特征变量加入噪声干扰；

依据准确率降低的程度来确定每个所述特征变量的重要度；

依据所述重要度对所述M个决策树的生成过程进行优化。

可以给不同的特征变量加入不同的噪声干扰，也可以给所有的特征变量加入相同的噪声干扰，例如，加入高斯噪声等。

首先，使用验证样本集验证随机森林模型的第一预测准确率，然后每次从N个特征变量中随机选取一个特征变量加入噪声干扰，再使用验证样本集验证随机森林模型的第二预测准确率，从而根据第一预测准确率及第二预测准确率的差值，得到准确率降低的程度。当将N个特征变量中的每个特征变量依次加入了噪声干扰之后，可以得到N个第一预测准确率，从而得到N个准确率降低的程度。对这N个准确率降低的程度进行从大到小或者从小到大排序，根据排序结果确定每个特征变量的重要度。

当某个特征变量加入噪声干扰后，随机森林模型的准确率降低的程度越大，表明该特征变量对随机森林模型的影响程度越大，则该特征变量的重要度越高。当某个特征变量加入噪声干扰后，随机森林模型的准确率降低的程度越小，表明该特征变量对随机森林模型的影响程度越小，则该特征变量的重要度越低。

在确定特征变量的重要度之后，可以在对特征变量进行***的过程中依据重要度加入重要度权重，从而实现对M个决策树的生成过程的优化。

该可选的实施方式，通过找出变量特征的重要度，并依据所述重要度来对决策树生成过程进行优化，提高了随机森林模型的预测准确性。

方法确定模块206，用于基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

示例性的，可以将所述多个故障处理方法中匹配值最大的故障处理方法确定为目标故障处理方法，控制电子设备根据所述目标故障处理方法解决所述目标***当前报错事项对应的故障。

本申请所述的基于人工智能的故障处理装置，通过埋点可以及时获取目标***出现的报错语句，并基于报错语句确定所述目标***当前对应的报错事项，基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法，所述多个故障处理方法与所述报错事项存在关联，可以用于解决所述报错事项对应的故障；确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值，所述特征用于表示所述报错事项出现的频次，根据所述报错事项对应的特征值可以确定使用与当前报错事项的故障处理方法，提高故障处理方法确定的准确率；接着将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值，所述匹配值用于在多个故障处理方法中确定目标故障处理方法进一步提高了确定故障处理方法的准确率，基于目标故障处理方法进行故障处理，实现了故障的主动处理，提高了***故障处理的效率。

实施例三

本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于人工智能的故障处理方法实施例中的步骤，例如图1所示的S11-S16：

S11，基于预先植入的埋点，获取目标***对应的报错语句；

S12，对所述报错语句进行解析，确定所述报错语句对应的报错事项；

S13，基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法；

S14，确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值；

S15，将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；

S16，基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

或者，该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能，例如图2中的模块201-206：

报错获取模块201，用于基于预先植入的埋点，获取目标***对应的报错语句；

语句解析模块202，用于对所述报错语句进行解析，确定所述报错语句对应的报错事项；

图谱查询模块203，用于基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法；

特征确定模块204，用于确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值；

分值预测模块205，用于将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；

方法确定模块206，用于基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

实施例四

参阅图3所示，为本申请实施例三提供的电子设备的结构示意图。在本申请较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、收发器33及至少一条通信总线34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的故障处理方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于人工智能的故障处理方法的全部或者部分步骤；或者实现基于人工智能的故障处理装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线34被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于人工智能的故障处理方法，其特征在于，所述方法包括：

基于预先植入的埋点，获取目标***对应的报错语句；

对所述报错语句进行解析，确定所述报错语句对应的报错事项；

基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法；

确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值；

将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；

基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

2.如权利要求1所述的基于人工智能的故障处理方法，其特征在于，所述确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录包括：

定位监测到所述报错语句出现时所对应的目标时刻；

获取所述目标时刻上所述目标***对应的用户标识，并根据所述用户标识确定目标用户；

基于所述目标用户从故障处理日志库中获取所述目标用户对应的故障记录。

3.如权利要求1所述的基于人工智能的故障处理方法，其特征在于，所述第一随机森林模型的训练过程包括：

获取多个历史报错事项对应的特征值及多个历史故障处理方法，作为训练数据集；

从所述训练数据集中随机抽取M个训练样本集；

对所述M个训练样本集进行学习，以此生成M个决策树，并在所述M个决策树的生成过程中，从M个决策树的特征变量中随机抽取N个特征变量，各个决策树利用所述N个特征变量上最优的***方式来分支，且N值在随机森林模型的形成过程中设定为恒定常数；

当满足分支规则时，停止所述M个决策树的生成过程，得到所述第一随机森林模型。

4.如权利要求3所述的基于人工智能的故障处理方法，其特征在于，所述M个决策树的生成过程包括：

随机地给每个所述特征变量加入噪声干扰；

依据准确率降低的程度来确定每个所述特征变量的重要度；

依据所述重要度对所述M个决策树的生成过程进行优化。

5.如权利要求1至4中任意一项所述的基于人工智能的故障处理方法，其特征在于，所述故障图谱的构建包括：

获取多个历史故障处理记录；

抽取所述多个历史故障处理记录中的故障事件；

对所述故障事件进行聚类处理，得到至少一个故障类别及每个故障类别对应的聚类事件；

计算所述聚类事件之间的关联关系；

根据所述聚类事件及所述关联关系构建故障图谱。

6.如权利要求5所述的基于人工智能的故障处理方法，其特征在于，所述抽取所述多个历史故障处理记录中的故障事件包括：

对每个历史故障处理记录进行分词处理，得到信息分词；

确定所述信息分词在所述信息分词所在的信息语句中的目标词性，并将所述目标词性为预设词性的信息分词确定为待选分词；

将所述待选分词与预设故障模板库中的模板故障进行匹配，并将与所述模板故障匹配成功的待选分词确定为故障事件。

7.如权利要求1至4中任意一项所述的基于人工智能的故障处理方法，其特征在于，所述方法还包括：

在确定的目标***中设置埋点服务SDK；

通过所述埋点服务SDK对外暴露一个数据埋点服务接口；

当侦测到所述目标***的报错信号时，调用所述数据埋点服务接口获取所述报错信号对应的报错语句。

8.一种基于人工智能的故障处理装置，其特征在于，所述装置包括：

报错获取模块，用于基于预先植入的埋点，获取目标***对应的报错语句；

语句解析模块，用于对所述报错语句进行解析，确定所述报错语句对应的报错事项；

图谱查询模块，用于基于所述报错事项，在预先构建的故障图谱中提取多个故障处理方法；

特征确定模块，用于确定所述报错事项对应的目标用户以及所述目标用户对应的故障记录，并基于所述故障记录确定所述报错事项对应的特征值；

分值预测模块，用于将所述特征值和所述多个故障处理方法输入至第一随机森林模型中进行预测，得到每个故障处理方法对应的匹配值；

方法确定模块，用于基于所述每个故障处理方法对应的匹配值，在所述多个故障处理方法中确定目标故障处理方法，并根据所述目标故障处理方法进行故障处理。

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于人工智能的故障处理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述基于人工智能的故障处理方法。

Images