[发明专利]一种基于操作日志的故障修复手段的推荐方法及系统

说明书

本发明公开了一种基于操作日志的故障修复手段的推荐方法及系统，本发明涉及的一种基于操作日志的故障修复手段的推荐方法，包括步骤：S11.建立记录操作信息的代理节点；S12.根据建立的代理节点记录异常事件相关对象的操作日志，并对所述操作日志进行标记；S13.对所述进行标记的操作日志进行过滤处理，得到异常事件中带有标记的介入性操作；S14.对所述得到的介入性操作的标记进行判断，剔除介入性操作中执行失败的操作日志行，得到介入性操作中执行成功的操作日志片段；S15.对所述得到的执行成功的操作日志片段进行标准化处理；S16.对步骤S12中与执行成功的操作日志片段相同的异常事件所搜集的操作日志片段进行公共操作片段提取，并作为故障处置的推荐操作。

技术领域

本发明涉及故障修复技术领域，尤其涉及一种基于操作日志的故障修复手段的推荐方法及系统。

背景技术

随着企业信息化的成熟，运维体系也愈发重要，而日益增多的设备量和趋于复杂的系统构架使运维工作的难度越来越大。门槛的提高不但导致人力成本的成倍增加，还使得运维风险直线加大，急需运维辅助工具来降低运维的复杂度，提升运维效率。

现有运维辅助工具的有History工具：在Linux中，可以通过history来查看历史命令。默认状态下，history只会输出命令的序号以及命令，可以对history命令的配置文件.bashrc做更改，添加执行时间、执行用户、执行路径等信息。

运维辅助工具还有inotify工具：它是一个内核用于通知用户空间程序文件系统变化的机制，如文件增加、删除等事件可以立刻让用户得知，该机制是著名的桌面搜索引擎项目 beagle 引入的，并在 Gamin 等项目中被应用。

如公开号为CN111191529A的专利公开了一种处理异常工单的方法，其中，所述异常工单为除质检结论为合格的工单以外的其他工单。所述处理异常工单的方法包括：通过深度神经网络模型从所述异常工单中提取特征属性，其中，该特征属性具有m个维度，m200；将所述特征属性转换成状态矩阵；将所述状态矩阵输入到异常工单决策模型中，其中，所述异常工单决策模型是以经过人工处理的异常工单的信息记录为样本数据通过深度强化学习算法训练得到的，所述异常工单决策模型的输入量为所述状态矩阵，所述异常工单决策模型的输出量为表征处理方案的权重向量；及通过所述异常工单决策模型计算出针对所述异常工单的处理方案。其虽然可以输出针对异常工单的处理方案，但是其处理的是工单各个维度的特征，其还需要采用神经网络的算法，确定各个维度的特征，进行分类，区别不合格的原因。

但是实际的运维工作难度越来越大，服务器的故障修复流程依然无法满足故障修复效率的要求。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于操作日志的故障修复手段的推荐方法及系统，可以围绕运维过程中运维人员的操作记录，通过找到成功修复此次故障的人工介入性操作，实现自动积累运维经验的目的。

为了实现以上目的，本发明采用以下技术方案：

一种基于操作日志的故障修复手段的推荐方法，包括步骤：

S1.建立记录操作信息的代理节点；

S2.根据建立的代理节点记录异常事件相关对象的操作日志，并对所述操作日志进行标记；

S3.对所述进行标记的操作日志进行过滤处理，得到异常事件中带有标记的介入性操作；

S4.对所述得到的介入性操作的标记进行判断，剔除介入性操作中执行失败的操作日志行，得到介入性操作中执行成功的操作日志片段；

S5.对所述得到的执行成功的操作日志片段进行标准化处理；

S6.对步骤S2中与执行成功的操作日志片段相同的异常事件所搜集的操作日志片段进行公共操作片段提取，并作为故障处置的推荐操作。