[发明专利]基于应用知识图谱的实时根因分析方法

权利要求书

1.一种基于应用知识图谱的实时根因分析方法，其特征在于包括：

构建运维对象的应用知识图谱，构建运维对象结构体，将应用的各个运维对象按相互关系有机的联系在一起，以支持后续的根因推断；

构建KPI指标，构建应用场景的四类黄金指标，包括业务量、成功率、延迟和TPS，其中业务量代表流入系统的请求数量，成功率指代表请求流出系统成功的比例，延迟代表系统处理请求的性能，TPS为系统吞吐量，代表系统当前能够处理的请求数量；

多指标异常检测，通过多指标异常检测算法对运维对象的KPI指标实时检测，其中，所述算法包括：利用历史数据，通过PCA模型，选择出在应用场景中造成影响的关键指标；实时将选择出的关键指标输入到使用历史数据训练好的Bagel神经网络中，对各层的运维对象进行同步异常检测，检测后返回各个运维对象的实时异常情况、异常开始时间和异常打分；

基于应用知识图谱的异常链推理，通过构建的应用知识图谱，从应用服务层级的异常入口，推理异常传播的路径，同时对每条传播路径根据路径深度、异常等级、持续时间给予评分；

故障链剪枝，利用异常链推理后形成的按链接权重排列的多条故障链，根据不同层级运维对象异常的相似性，计算异常的关联性，以合并相似的故障链，同时判定、排除分值较低的疑似故障链；

判断根因，根据异常点在应用知识图谱的路径深度、特征相似的程度，通过对故障链的权重计算，确定根因疑似的位置；

实例级关联分析，在将疑似根因定位到服务、中间件、主机层级之后，针对多个实例的异常，根据服务与实例的异常指标在时间窗口内的曲线特性、异常点特征的相似性，计算其相关性分数，并通过与预设的阈值th_ins相比较确定最终的一个或者多个故障根因，根据定位的对应实例或服务的异常，确定为应用系统的根因异常，之后，调用故障解决方案知识库，输出根因解决方案。

2.根据权利要求1所述的基于应用知识图谱的实时根因分析方法，其特征在于，应用场景包含应用服务、中间件、数据库、主机层级结构，每个层级结构包含多个能够独立部署服务的实体，亦即运维对象。

3.根据权利要求1所述的基于应用知识图谱的实时根因分析方法，其特征在于，运维对象的结构体包括实体E、属性A和关系R。

4.根据权利要求1所述的基于应用知识图谱的实时根因分析方法，其特征在于，用于多指标异常检测的Bagel神经网络模型采用CAVE算法。