[发明专利]一种告警预测方法、装置、电子设备及存储介质

权利要求书

1.一种告警预测方法，其特征在于，所述方法包括：

采用多示例学习提取训练集的负包中的所有负的示例特征取平均值得到负包的特征，将所述训练集的正包中的示例聚类形成不同大小的聚类簇，基于所述聚类簇的大小计算正包中任一示例的权重，并结合正包中任一示例的特征向量得到正包中任一示例的特征，将正包中所有示例的特征加和得到正包的特征，通过特征聚合弱化训练集中的噪声示例权重；其中，假设聚类后形成的征兆示例簇比噪声示例簇大；

基于聚合后的特征构建事件预测模型并给出预警信号；

基于所述预警信号提供可解释分析的事件根因，其中通过计算所述预警信号的特征贡献排名以预测事件根因。

2.如权利要求1所述的告警预测方法，其特征在于，在所述多示例学习之前包括对观测窗口内的历史告警数据进行训练形成训练集并提取告警特征；所述告警特征包括以下两项：文本特征和统计特征；其中所述文本特征采用LDA主题模型获得；所述统计特征至少包括告警数量、告警发生的时间、告警间隔时间中的一项。

3.如权利要求2所述的告警预测方法，其特征在于，通过拼接所述文本特征和所述统计特征形成特征向量，采用多示例学习对所述特征向量进行聚合。

4.如权利要求1所述的告警预测方法，其特征在于，所述多示例学习还包括如下步骤：

获取训练集中的训练包以及训练包中的示例；

将训练包分为多个负包和多个正包，其中负包中均为负的示例，正包中至少包括一个正的示例。

5.如权利要求4所述的告警预测方法，其特征在于，基于聚合后的特征构建事件预测模型给出预警信号包括如下步骤：

定义正包为正样本观测窗口，负包为负样本观测窗口；

采用SMOTE过采样方法平衡所述正样本观测窗口和所述负样本观测窗口的数量；

基于聚合后的正包的特征和负包的特征，采用XGBOOT算法作为分类器构建事件预测模型给出当前样本的预测值作为预警信号。

6.如权利要求1所述的告警预测方法，其特征在于，基于所述预警信号提供可解释分析的事件根因，其中通过计算所述预警信号的特征贡献排名以预测事件根因包括：

采用LIME可解释方法给出预警信号的特征贡献排名。

7.一种告警预测装置，包括：

特征处理模块，采用多示例学习提取训练集的负包中的所有负的示例特征取平均值得到负包的特征，将所述训练集的正包中的示例聚类形成不同大小的聚类簇，基于所述聚类簇的大小计算正包中任一示例的权重，并结合正包中任一示例的特征向量得到正包中任一示例的特征，将正包中所有示例的特征加和得到正包的特征，通过特征聚合弱化训练集中的噪声示例权重；其中，假设聚类后形成的征兆示例簇比噪声示例簇大；

告警预测模块，基于聚合后的特征构建事件预测模型并给出预警信号；

可解释分析模块，基于所述预警信号提供可解释分析的事件根因，其中通过计算所述预警信号的特征贡献排名以预测事件根因。

8.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器耦合连接的存储器；其中，

所述存储器存储有计算机程序，所述计算机程序能够被所述至少一个处理器执行，以实现权利要求1-6任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，能够实现权利要求1-6任一项所述的方法。