[发明专利]一种对多维日志的故障根因定位方法和装置

权利要求书

1.一种对多维日志的故障根因定位方法，其特征在于，包括以下步骤：

对多维日志中所有的叶子维度组合进行时间序列回归分析，得到每个所述叶子维度组合的实际值和预测值；

通过偏移分数对所述多维日志中所有的叶子维度组合进行聚类，得到所有受同一个根因影响的类,其中，通过所述的实际值和预测值获取所述的偏移分数；

分别对每一个所述的类进行启发式的根因搜索，得到根因维度组合。

2.如权利要求1所述的方法，其特征在于，通过ARMA模型对所述多维日志中所有的叶子维度组合进行时间序列回归分析，得到每一个所述叶子维度组合的预测值和实际值；

其中，对于每一个叶子节点，周期性地维护一个时间序列的ARMA模型，所述的ARMA模型的公式为：

其中，p为自回归项的个数，q为滑动平均项的个数，xt_-i表示该叶子维度组合的历史KPI，∈_t-i表示历史KPI的差分，C、φ、θ为所述ARMA模型的参数。

3.如权利要求1所述的方法，其特征在于，所述通过偏移分数对所述多维日志中所有的叶子维度组合进行聚类的方法，具体包括以下步骤：

计算每个所述叶子维度组合的偏移分数，统计每个所述的偏移分数，并将统计得到的所述偏移分数制作成直方图；

计算所述直方图分布的极大值和极小值；其中，将所述的极大值作为所述类的中心，将所述的极小值作为每个所述类的中心两边的边界；

通过所述类的中心和所述类的边得到每一个所述类的范围。

4.如权利要求3所述的方法，其特征在于，基于涟漪效应的原理获取所述的偏移分数；其中，所述涟漪效应为同一个根因对它的各个子维度组合的影响比例是相同的，且表示为：

其中S是根因维度组合，f(e)为叶子维度组合的预测值，v(e)为叶子维度组合的实际值，对于一个非叶子维度组合，它的f和v是它对应的所有子叶子维度组合的f和v的和；

所述基于涟漪效应获取所述偏移分数的公式为：

其中f(e)为叶子维度组合的预测值，v(e)为叶子维度组合的实际值，d(e)为偏移分数。

5.如权利要求1所述的方法，其特征在于，根据所述的实际值和预测值通过自上而下的方式分别对每一个所述的类进行启发式的根因搜索，包括以下步骤：

按数据方体包含的属性的数量，将所述的数据方体cuboid划分层次，从而得到所述数据方体之间的层次关系，其中，所述数据方体为相同属性的所有维度组合的集合；

将所述数据方体中所有的维度组合，按对应的叶子维度组合属于当前所述类的比例从大到小进行排序，通过下述公式得到排序结果：

其中，descent()是一个函数，用来给cuboid中每个维度组合计算一个分数，e₀是所述函数的自变量，表示当前在分析的维度组合，T_i为叶子维度组合所有可能的元组的集合，G为当前所述类。

分别测试所述排序结果的前k项组成集合的最大化GPS分数，其中k＝1,2,...，得到使得所述最大化GPS分数最大的k，所述前k项组成集合为当前cuboid的最可能的根因；

通过下式计算每个所述cuboid得到的结果的分数，选择分数最大的作为最终的根因:

GPS*C-ele*layer

C是参数，一般可以取0.01-0.1，ele指的是根因里维度组合的个数,即所述k，layer指的是这个cuboid中涉及的属性的个数。

6.如权利要求5所述的方法，其特征在于，所述最大化GPS分数的公式为：

其中avg指的是算术平均，S1指的是当前在评估的维度组合集合，S2指的是当前在评估的维度组合集合的补集，v(.)和f(.)分别是集合中每一个叶子维度组合的实际值和预测值组成的向量，

a指的是根据涟漪效应推算出来的异常，