[发明专利]一种基于时序相似度对告警信息分析查询的装置及方法

说明书

本发明公开了一种基于时序相似度对告警信息进行分析查询的装置及方法，属于告警信息分析查询技术领域，解决现有技术中告警信息关联挖掘本质是基于告警信息共现的历史数据，在真实数据中告警信息共现的数据并不多，且对于真实有关联的告警信息覆盖比例很小，从面造成查询告警信息的结果对于运维人员进行后续告警信息定位的误差率非常的大的问题。本发明包括告警信息源、告警信息时间分片模块、指标时序数据模块、告警信息关联扩展模块、告警信息关联挖掘模块和根因分析查询服务模块；以及对应的告警信息分析查询方法。本发明用于扩展告警信息后实现告警信息分析查询。

技术领域

一种基于时序相似度对告警信息进行分析查询的装置及方法，用于扩展告警信息后实现告警信息分析查询，属于告警信息分析查询技术领域。

背景技术

当运维工程师每天面对来自不同监控系统中数量庞大、类型复杂的故障告警信息时，需要运维工程师对系统、应用、业务都有一定了解，且完成建立在个人经验之上，才能完成告警信息的定位问题。

随着我国企业信息化建设逐步完善，越来越多的监控告警信息，应用与系统信息都被存储与管理。通过对这些系统信息，应用信息进行分析，可以使得运维工作(如：告警信息的定位)越来越自动化、智能化。

为了实现上述自动化、智能化的告警信息定位问题，现有技术中在如下技术方案：

时间分片：按照特定的时间区间，将时序数据或按时间排列的数据，划分到区间中。

FP-Growth算法是韩嘉炜等人在2000年提出的关联分析算法，它采取如下分治策略：将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree)，但仍保留项集关联信息。

在算法中使用了一种称为频繁模式树(Frequent Pattern Tree)的数据结构。FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成。FP-Growth算法基于以上的结构加快整个挖掘过程。

算法描述如下：

1、对于每个频繁项，构造它的条件投影数据库和投影FP-tree。

2、对每个新构建的FP-tree重复第一步，直到构造的新FP-tree为空，或者只包含一条路径。

3、当构造的FP-tree为空时，其前缀即为频繁模式；当只包含一条路径时，通过枚举所有可能组合并与此树的前缀连接即可得到频繁模式。

Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。而且算法已经被广泛的应用到商业、网络安全等各个领域。

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。现有技术方案主要分为四步，如图1所示，告警信息记录、告警信息时间分片、告警信息关联挖掘和构建根因查询服务。

告警信息源：该部是由系统将告警信息，记录到存储设备中，进行存储。存储设备一般使用MySQL/Oracle；告警信息主要包括：告警信息内容描述、对应异常指标、时间点。

告警信息时间分片：对于记录下来的告警信息需要累积，一般是半年以上的告警信息，时间太短，数据比较稀疏。时间分片具体分为2个步骤：1.将告警信息按照记录的时间，优先到后排序，形成队列；2.设置时间滑动窗口(5分钟)与滑动步长(1分钟)，并将窗口放置于第一步生成的告警信息有序队列中，滑动窗口；每次滑动都将落于窗口中的告警信息子集合记录下。