[发明专利]一种故障定位方法及装置

权利要求书

1.一种故障定位方法，其特征在于，包括：

获取服务器的历史数据，所述历史数据包括故障服务器的历史日志列表信息、历史运行状态信息和历史故障原因；

根据预置规则，转换所述日志列表信息和所述运行状态信息生成训练故障矩阵；

将所述训练故障矩阵作为输入信息，将所述训练故障矩阵对应的历史故障原因作为输出信息，输入卷积神经网络CNN模型进行训练，直至所述CNN模型判断故障原因的准确率达到预置数值；

如果健康状态为WARNING，则获取当前服务器的实时日志列表信息和实时运行状态信息；

根据所述预置规则，转换所述实时日志列表信息和所述实时运行状态信息生成实时故障矩阵；

将所述实时故障矩阵输入所述CNN模型，定位所述当前服务器的实时故障原因。

2.如权利要求1所述的方法，其特征在于，所述获取服务器的历史数据，包括：

查找健康状态为WARINING的故障服务器，以及所述故障服务器的故障时刻；

获取所述故障服务器在所述故障时刻的历史日志列表信息，历史运行状态信息和历史故障原因。

3.如权利要求1所述的方法，其特征在于，所述根据预置规则，转换所述日志列表信息和所述运行状态信息生成训练故障矩阵，包括：

提取所述日志列表信息中的硬件日志信息；

获取所述硬件日志信息中的硬件标识，以及所述硬件标识对应的运行状态信息；

以所述运行状态信息为行向量，以所述硬件标识为列向量，生成训练故障矩阵。

4.如权利要求3所述的方法，其特征在于，所述以所述运行状态信息为行向量，以所述硬件标识位列向量，生成训练故障矩阵，包括：

统计所述硬件标识的硬件数量，以及所述运行状态信息的状态类别数量；

以所述状态类别数量为行数，以所述硬件数量为列数，建立空的二维矩阵；

按照所述硬件标识，将与所述硬件标识对应的所述运行状态信息添加至所述二维矩阵，生成训练故障矩阵。

5.如权利要求1所述的方法，其特征在于，所述将所述训练故障矩阵作为输入信息，将所述训练故障矩阵对应的历史故障原因作为输出信息，输入卷积神经网络CNN模型进行训练，直至所述CNN模型判断故障原因的准确率达到预置数值，包括：

将所述训练故障矩阵输入所述CNN模型，根据训练模型参数，计算与所述训练故障矩阵对应的训练故障原因；

统计所述训练故障矩阵对应的历史故障原因和所述训练故障原因相同的判断故障原因的准确率；

如果所述准确率小于所述预置数值，则计算所述训练故障矩阵对应的历史故障原因和所述训练故障原因的差值；

按照预置计算规则，根据所述差值更新所述训练模型参数。

6.如权利要求5所述的方法，其特征在于，所述将所述训练故障矩阵输入所述CNN模型，根据训练模型参数，计算与所述训练故障矩阵对应的训练故障原因，包括：

使用卷积核与所述训练故障矩阵进行卷积运算；

将所述卷积结果中具有相同硬件标识的数据相加，生成各个硬件对应的硬件特征矩阵；

计算所述硬件特征矩阵的特征向量值；

将所述特征向量值中的最大值对应的硬件，确定为与所述训练故障矩阵对应的训练故障原因。

7.如权利要求1-6任一项所述的方法，其特征在于，所述将所述实时故障矩阵输入所述CNN模型，定位所述当前服务器的故障原因之后，所述方法还包括：

根据预置故障与处理方案对应表，查找所述当前服务器的故障原因对应的故障处理方案，以便于维护人员根据所述故障处理方案维护所述当前服务器。