CN115237721A - 一种基于窗口频繁序列预测故障方法、装置及存储介质 - Google Patents
一种基于窗口频繁序列预测故障方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115237721A CN115237721A CN202210906843.2A CN202210906843A CN115237721A CN 115237721 A CN115237721 A CN 115237721A CN 202210906843 A CN202210906843 A CN 202210906843A CN 115237721 A CN115237721 A CN 115237721A
- Authority
- CN
- China
- Prior art keywords
- frequent
- fault
- time window
- alarm
- sel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- 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
- G06F11/0766—Error or fault reporting or storing
- G06F11/0775—Content or structure details of the error report, e.g. specific table structure, specific error fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种基于窗口频繁序列预测故障方法、装置及存储介质。本发明预设存储时间窗口的时间窗口集合,将告警SEL日志中导致任一故障结果的异常事件作为关键字,遍历时间窗口集合获得时间窗口,以关键字为锚点,向前截取时间窗口大小的告警SEL日志块;分别针对按各个时间窗口所截取的告警SEL日志块计算频繁项集,取频繁项集中元素个数为2‑3且包含该关键字的频繁项组成目标频繁项集,记录频繁项集相应的目标时间窗口;将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列;利用窗口频繁序列计算故障结果权重和,取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果,实现基于日志的故障分析。
Description
技术领域
本发明涉及基于日志的故障预测领域,尤其涉及一种基于窗口频繁序列预测故障方法、装置及存储介质。
背景技术
在服务器管理技术领域,***基板管理控制器(BMC),热交换控制器(HSC)以及BOIS都能够产生事件日志并记录在***事件日志(SEL)中,用户或技术人员能够通过日志浏览器访问***事件日志,日志浏览器从SEL中提取信息,通过SEL信息可以监视服务器以发现警告或潜在的重大问题。
随着服务器功能发展,服务器本身集成的各种模块的越来越多,模块之间的相互配合相互影响关系复杂,导致故障根源可能错综复杂。根据SEL日志中的事件分析故障一般需要专业的维护人员分析,每次发生网络故障时,都需要排查各个层次以及各组件的SEL日志,耗费大量的人力物力,取得的效果仍未必好。也有预设某些事件与故障结果之间对应关系,将SEL日志中的事件匹配对应关系得到故障结果的分析方式。但是这种分析方式所形成的对应关系相对固定,无法随着服务器模块的拓展而拓展,且分析故障结果的事件往往较少,若两种故障结果发生时,存在共同的事件,极容易发生误报,故障分析的效果较差。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本发明提供一种基于窗口频繁序列预测故障方法、装置及存储介质。
第一方面,本发明提供一种基于窗口频繁序列预测故障方法,包括:
预设存储时间窗口的时间窗口集合,将告警SEL日志中导致任一故障结果的异常事件作为关键字,遍历时间窗口集合获得时间窗口,以关键字为锚点,向前截取时间窗口大小的告警SEL日志块;分别针对按各个时间窗口所截取的告警SEL日志块计算频繁项集,取频繁项集中元素个数为2-3且包含该关键字的频繁项组成目标频繁项集,记录频繁项集相应的目标时间窗口;将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列;
利用窗口频繁序列计算故障结果权重和,取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果,或预设权重和阈值,按权重和从高到低输出高于所述权重和阈值的故障结果。
更进一步地,收集服务器中各模块的SEL日志,并按照SEL日志内容中的事件发生结果,判断SEL日志是否为告警类的日志,筛除非告警的SEL日志得到所述告警SEL日志。
更进一步地,预设基于异常事件分析出故障结果的分析规则,所述分析规则包含SEL日志中的异常事件和分析异常事件所得到故障结果,所述分析规则的格式为[eventi->errori],其中enenti为SEL日志中的异常事件,errori为故障结果,通过分析规则确定锚点所导致故障结果。
更进一步地,若一目标频繁项集仅仅从一时间窗口所分SEL日志块中提取,则该时间窗口为该目标频繁项集的目标时间窗口;若一目标频繁项集从按多个时间窗口所分SEL日志块中提取,则取最小的时间窗口作为该目标频繁项集的目标时间窗口。
更进一步地,Apriori算法加载分析告警SEL日志块的异常事件,生成基于异常事件的项集;获取每个项集中元素的数量,筛除元素数量为1和元素数量大于3的项集,计算剩余项集的支持度;预设最小支持度阈值和最小置信度阈值,选取支持度大于预设最小支持度阈值的项集,进而计算被选取项集的置信度,并取置信度大于最小置信度阈值的项集组成候选频繁项集;对于一关键字,取候选频繁项集中包含该关键字的频繁项组成该关键字的目标频繁项集,记录目标频繁项集相应的目标时间窗口。
更进一步地,将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列,窗口频繁序列的格式为Ej=[kj,m1,m2...mi,M],其中,Ej为故障结果的窗口频繁序列,kj为目标时间窗口,M为锚点,m1,m2...mi为对应目标时间窗口且包含锚点M的频繁项。
更进一步地,取告警SEL日志中异常事件可能导致的全部故障结果包括:
遍历一段告警SEL日志中的全部异常事件作为关键字;对于所遍历到的关键字,以关键字为锚点,根据分析规则确定锚点所对应的故障结果,从而得到该段告警SEL日志中全部异常事件可能导致的全部故障结果。
更进一步地,利用窗口频繁序列计算故障结果权重和包括:将锚点对故障结果贡献的权重设置为1,将频繁项对故障结果贡献的权重设置为目标时间窗口倒数,计算故障结果的权重和。
第二方面,本发明提供一种基于窗口频繁序列预测故障装置,包括:处理单元,总线单元,存储单元,所述总线单元连接存储单元、处理单元,所述存储单元存储计算机程序,计算机程序被处理单元执行时实现所述的基于窗口频繁序列预测故障方法。
第三方面,本发明提供一种实现基于窗口频繁序列预测故障方法的存储介质,所述存储介质存储计算机程序,所述计算机程序被处理器执行时实现所述的基于窗口频繁序列预测故障方法。
本发明实施例提供的上述技术方案与现有技术相比具有如下优点:
本发明且以告警SEL日志中导致任一故障结果的异常事件作为关键字,遍历时间窗口集合获得时间窗口,以关键字为锚点,向前截取时间窗口大小的告警SEL日志块。使得基于告警SEL日志块得到的频繁项集兼顾到不同时间窗口。本发明根据已有的异常事件与故障结果的对应关系,基于频繁项集思想的分析方法,探寻关键字所表示异常事件与其他异常事件之间的关联关系,故障的分析考虑关键字所表示异常事件与其他异常事件之间的关联,故障分析更加准确。将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列;利用窗口频繁序列计算故障结果权重和,取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果,或预设权重和阈值,按权重和从高到低输出高于所述权重和阈值的故障结果。故障结果分析更加准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于窗口频繁序列预测故障方法的流程图;
图2为本发明实施例提供的针对按各个时间窗口所截取的告警SEL日志块计算包含锚点的目标频繁项集,并基于目标频繁项集得到窗口频繁序列的流程图;
图3为本发明实施例提供利用窗口频繁序列计算故障结果权重和,取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果的流程图;
图4为本发明实施例提供的利用窗口频繁序列计算故障结果权重和,根据权重和分析预测可能的故障结果的流程图;
图5为本发明实施例提供一种基于窗口频繁序列预测故障装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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的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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例1
参阅图1所示,本发明提供一种基于窗口频繁序列预测故障方法,包括:
S100,收集服务器中各模块的告警SEL日志。SEL日志由BMC产生,SEL日志记录的各个服务器中各个模块重要参数的变化,并且记录了事件是产生还是解除。具体的,收集服务器中各模块的SEL日志,按照CPU、内存、风扇、网卡、物理磁盘、电源等模块将SEL日志分类,并按照SEL日志内容中的事件发生结果,判断SEL日志是否为告警类的日志,筛除非告警的SEL日志得到各模块的告警SEL日志。
S200,预设若干存储时间窗口的时间窗口集合。所述时间窗口集合中记录不同的时间窗口,一种可行的所述时间窗口集合为[1,3,7,15,30],单位是天。
S300,遍历告警SEL日志中导致任一故障结果的异常事件,将所遍历到的异常事件作为关键字,遍历时间窗口集合获得时间窗口。
具体实施过程中,预设基于异常事件分析出故障结果的分析规则,所述分析规则包含SEL日志中的异常事件和分析异常事件所得到故障结果,所述分析规则的格式为[eventi->errori],其中enenti为SEL日志中的异常事件,errori为故障结果,通过分析规则确定异常事件所对应的故障结果。
S400,以关键字为锚点,从锚点所处时刻起向前截取时间跨度为时间窗口大小的告警SEL日志得到告警SEL日志块。时间窗口集为[1,3,7,15,30]时,以1天、3天、7天、15天和30天为时间窗口截取告警SEL日志相应的告警SEL日志块。
S500,分别针对按各个时间窗口所截取的告警SEL日志块计算包含锚点的目标频繁项集,并基于目标频繁项集得到窗口频繁序列。具体实施过程中,参阅图2所示,分别针对按各个时间窗口所截取的告警SEL日志块计算包含锚点的目标频繁项集,并基于目标频繁项集得到窗口频繁序列包括:
S501,Apriori算法加载分析告警SEL日志块的异常事件,生成基于异常事件的项集。
S502,获取每个项集中元素的数量,筛除元素数量为1和元素数量大于3的项集,计算剩余项集的支持度。
S503,预设最小支持度阈值和最小置信度阈值,选取支持度大于预设最小支持度阈值的项集,进而计算被选取项集的置信度,并取置信度大于最小置信度阈值的项集组成候选频繁项集。
S504,对于一关键字,取候选频繁项集中包含该关键字的频繁项组成该关键字的目标频繁项集,记录目标频繁项集相应的目标时间窗口。具体实施过程中,若一目标频繁项集仅仅从一时间窗口所分SEL日志块中提取,则该时间窗口为该目标频繁项集的目标时间窗口;若一目标频繁项集从按多个时间窗口所分SEL日志块中提取,则取最小的时间窗口作为该目标频繁项集的目标时间窗口。
S505,将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列。具体实施过程中,将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列的格式为Ej=[kj,m1,m2...mi,M],其中,Ej为故障结果的窗口频繁序列,kj为目标时间窗口,M为锚点,m1,m2...mi为对应目标时间窗口且包含锚点M的频繁项。
S600,利用窗口频繁序列计算故障结果权重和,根据权重和分析预测可能的故障结果。其中,一种可行的根据权重和分析预测可能的故障结果包括取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果;或记录各个故障结果的权重和,将权重和与预设权重和阈值比较,按输出高于所述权重和阈值的故障结果,并将输出的故障结果按权重和从高到低排列。具体实施过程中,参阅图3所示,利用窗口频繁序列计算故障结果权重和,根据权重和分析预测可能的故障结果包括:
S601,遍历一段告警SEL日志中的全部异常事件作为关键字。
S602,对于所遍历到的关键字,以关键字为锚点,根据分析规则确定锚点所对应的故障结果,从而得到该段告警SEL日志中全部异常事件可能导致的全部故障结果。
S603,遍历全部对应锚点的故障结果,对于每个遍历得到的故障结果,利用窗口频繁序列计算故障结果权重和。具体的,按照分析规则的格式形成权重分析规则,窗口频繁序列中的锚点M和包含锚点M的频繁项作为eventi,在分析规则的故障结果errori前配置权重形成权重分析规则,如:对于窗口频繁序列Ej=[k,m1,m2..mi,M],处理后的权重分析规则的格式为:[M→1*Errorj]、 其中,故障结果前权重的配置方式如下:将窗口频繁序列中锚点对故障结果贡献的权重设置为1,将频繁项对故障结果贡献的权重设置为目标时间窗口倒数。具体实施过程中,不同的锚点M可能共有一个频繁项m,那么基于权重分析规则中,频繁项m对于不同的故障结果做出贡献:和 因此,分析窗口频繁序列会得到若干权重和不同的故障结果。
S604,记录并比较各个故障结果的权重和,取告警SEL日志中异常事件可能导致的全部故障结果中权重和最大的作为预测结果。
或参阅图4所示,执行完S603后执行S605,记录各个故障结果的权重和,将权重和与预设权重和阈值比较,按输出高于所述权重和阈值的故障结果,并将输出的故障结果按权重和从高到低排列。
实施例2
参阅图5所示,本发明实施例提供一种基于窗口频繁序列预测故障装置,包括:处理单元,总线单元,存储单元,所述总线单元连接存储单元、处理单元,所述存储单元存储计算机程序,计算机程序被处理单元执行时实现所述的基于窗口频繁序列预测故障方法。
实施例3
本发明实施例提供一种实现基于窗口频繁序列预测故障方法的存储介质,所述存储介质存储计算机程序,所述计算机程序被处理器执行时实现所述的基于窗口频繁序列预测故障方法。
本发明且以告警SEL日志中导致任一故障结果的异常事件作为关键字,遍历时间窗口集合获得时间窗口,以关键字为锚点,向前截取时间窗口大小的告警SEL日志块。使得基于告警SEL日志块得到的频繁项集兼顾到不同时间窗口。本发明根据已有的异常事件与故障结果的对应关系,基于频繁项集思想的分析方法,探寻关键字所表示异常事件与其他异常事件之间的关联关系,故障的分析考虑关键字所表示异常事件与其他异常事件之间的关联,故障分析更加准确。将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列;利用窗口频繁序列计算故障结果权重和,取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果,或预设权重和阈值,按权重和从高到低输出高于所述权重和阈值的故障结果。故障结果分析更加准确。
在本发明所提供的实施例中,应该理解到,所揭露的结构和方法,可以通过其它的方式实现。例如,以上所描述的结构实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,结构或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于窗口频繁序列预测故障方法,其特征在于,包括:
预设存储时间窗口的时间窗口集合,将告警SEL日志中导致任一故障结果的异常事件作为关键字,遍历时间窗口集合获得时间窗口,以关键字为锚点,向前截取时间窗口大小的告警SEL日志块;分别针对按各个时间窗口所截取的告警SEL日志块计算频繁项集,取频繁项集中元素个数为2-3且包含该关键字的频繁项组成目标频繁项集,记录频繁项集相应的目标时间窗口;将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列;
利用窗口频繁序列计算故障结果权重和,取告警SEL日志中异常事件可能导致的全部故障结果中的权重和最大的作为预测故障结果,或预设权重和阈值,按权重和从高到低输出高于所述权重和阈值的故障结果。
2.根据权利要求1所述的基于窗口频繁序列预测故障方法,其特征在于,收集服务器中各模块的SEL日志,并按照SEL日志内容中的事件发生结果,判断SEL日志是否为告警类的日志,筛除非告警的SEL日志得到所述告警SEL日志。
3.根据权利要求1所述的基于窗口频繁序列预测故障方法,其特征在于,预设基于异常事件分析出故障结果的分析规则,所述分析规则包含SEL日志中的异常事件和分析异常事件所得到故障结果,所述分析规则的格式为[eventi->errori],其中enenti为SEL日志中的异常事件,errori为故障结果,通过分析规则确定异常事件所导致故障结果。
4.根据权利要求1所述的基于窗口频繁序列预测故障方法,其特征在于,确定目标频繁项集对应的目标时间窗口的方式为:若一目标频繁项集仅仅从一时间窗口所分SEL日志块中提取,则该时间窗口为该目标频繁项集的目标时间窗口;若一目标频繁项集从按多个时间窗口所分SEL日志块中提取,则取最小的时间窗口作为该目标频繁项集的目标时间窗口。
5.根据权利要求1所述的基于窗口频繁序列预测故障方法,其特征在于,Apriori算法加载分析告警SEL日志块的异常事件,生成基于异常事件的项集;获取每个项集中元素的数量,筛除元素数量为1和元素数量大于3的项集,计算剩余项集的支持度;预设最小支持度阈值和最小置信度阈值,选取支持度大于预设最小支持度阈值的项集,进而计算被选取项集的置信度,并取置信度大于最小置信度阈值的项集组成候选频繁项集;对于一关键字,取候选频繁项集中包含该关键字的频繁项组成该关键字的目标频繁项集,记录目标频繁项集相应的目标时间窗口。
6.根据权利要求1所述的基于窗口频繁序列预测故障方法,其特征在于,将目标时间窗口、相应频繁项和锚点整合成该故障结果的窗口频繁序列,窗口频繁序列的格式为Ej=[kj,m1,m2...mi,M],其中,Ej为故障结果的窗口频繁序列,kj为目标时间窗口,M为锚点,m1,m2...mi为对应目标时间窗口且包含锚点M的频繁项。
7.根据权利要求3所述的基于窗口频繁序列预测故障方法,其特征在于,取告警SEL日志中异常事件可能导致的全部故障结果包括:
遍历一段告警SEL日志中的全部异常事件作为关键字;对于所遍历到的关键字,以关键字为锚点,根据分析规则确定锚点所对应的故障结果,从而得到该段告警SEL日志中全部异常事件可能导致的全部故障结果。
8.根据权利要求1所述的基于窗口频繁序列预测故障方法,其特征在于,利用窗口频繁序列计算故障结果权重和包括:将锚点对故障结果贡献的权重设置为1,将频繁项对故障结果贡献的权重设置为目标时间窗口倒数,计算故障结果的权重和。
9.一种基于窗口频繁序列预测故障装置,其特征在于,包括:处理单元,总线单元,存储单元,所述总线单元连接存储单元、处理单元,所述存储单元存储计算机程序,计算机程序被处理单元执行时实现如权利要求1-8任一所述的基于窗口频繁序列预测故障方法。
10.一种实现基于窗口频繁序列预测故障方法的存储介质,所述存储介质存储计算机程序,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1-8任一所述的基于窗口频繁序列预测故障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906843.2A CN115237721A (zh) | 2022-07-29 | 2022-07-29 | 一种基于窗口频繁序列预测故障方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210906843.2A CN115237721A (zh) | 2022-07-29 | 2022-07-29 | 一种基于窗口频繁序列预测故障方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115237721A true CN115237721A (zh) | 2022-10-25 |
Family
ID=83677394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210906843.2A Pending CN115237721A (zh) | 2022-07-29 | 2022-07-29 | 一种基于窗口频繁序列预测故障方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115237721A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878421A (zh) * | 2022-12-09 | 2023-03-31 | 国网湖北省电力有限公司信息通信公司 | 一种基于日志时序关联特征挖掘的数据中心设备级故障预测方法、***及介质 |
-
2022
- 2022-07-29 CN CN202210906843.2A patent/CN115237721A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115878421A (zh) * | 2022-12-09 | 2023-03-31 | 国网湖北省电力有限公司信息通信公司 | 一种基于日志时序关联特征挖掘的数据中心设备级故障预测方法、***及介质 |
CN115878421B (zh) * | 2022-12-09 | 2023-11-14 | 国网湖北省电力有限公司信息通信公司 | 一种数据中心设备级故障预测方法、***及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321371B (zh) | 日志数据异常检测方法、装置、终端及介质 | |
US11314759B2 (en) | In-memory catalog for searching metrics data | |
US11429627B2 (en) | System monitoring driven by automatically determined operational parameters of dependency graph model with user interface | |
US8533193B2 (en) | Managing log entries | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和*** | |
Qu et al. | A new dependency and correlation analysis for features | |
Gainaru et al. | Event log mining tool for large scale HPC systems | |
US10956453B2 (en) | Method to estimate the deletability of data objects | |
WO2016065617A1 (en) | Automatically adjusting timestamps from remote systems based on time zone differences | |
CN112433874A (zh) | 一种故障定位方法、***、电子设备及存储介质 | |
CN111159563A (zh) | 用户兴趣点信息的确定方法、装置、设备及存储介质 | |
CN112364637A (zh) | 一种敏感词检测方法、装置,电子设备及存储介质 | |
JP4383484B2 (ja) | メッセージ解析装置、制御方法および制御プログラム | |
CN115237721A (zh) | 一种基于窗口频繁序列预测故障方法、装置及存储介质 | |
CN112182025A (zh) | 日志分析方法、装置、设备与计算机可读存储介质 | |
JP7274162B2 (ja) | 異常操作検知装置、異常操作検知方法、およびプログラム | |
CN112631889B (zh) | 针对应用***的画像方法、装置、设备及可读存储介质 | |
WO2021184588A1 (zh) | 集群优化方法、装置、服务器及介质 | |
CN115114070A (zh) | 一种故障诊断方法、装置、设备及介质 | |
CN113626387A (zh) | 一种任务数据的导出方法、装置、电子设备及存储介质 | |
US11501112B1 (en) | Detecting, diagnosing, and directing solutions for source type mislabeling of machine data, including machine data that may contain PII, using machine learning | |
JP6714160B2 (ja) | データリニエージ検出装置、データリニエージ検出方法、及びデータリニエージ検出プログラム | |
JP2002351702A (ja) | オンライン利用の端末稼働統計データ作成方法及び装置 | |
JP7302668B2 (ja) | レベル推定装置、レベル推定方法、および、レベル推定プログラム | |
Zhang et al. | Log-based openstack fault diagnosis by machine learning |
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 |