[发明专利]大型主机硬件故障识别方法、装置、设备及存储介质

说明书

本说明书涉及金融领域或其他领域的大型主机硬件故障识别技术，提供了一种大型主机硬件故障识别方法、装置、设备及存储介质，该方法包括：从目标主机系统的硬件英文告警历史信息中提取关键字英文实体；按照每类字母出现的频率将所述关键字英文实体进行量化编码，获得故障特征序列集；根据所述故障特征序列集训练隐马尔科夫模型，获得硬件故障识别模型；利用所述硬件故障识别模型对所述目标主机系统进行硬件故障识别。本说明书实施例可以提高大型主机硬件故障识别的时效性。

技术领域

本说明书涉及金融领域或其他领域的大型主机硬件故障识别技术，尤其是涉及一种大型主机硬件故障识别方法、装置、设备及存储介质。

背景技术

目前，金融领域的数据中心一般采用国外引进的大型主机，这些大型主机内部构造复杂，其技术文档往往以英文形式编写且数量接近上千页。而很多情况下，大型主机的硬件告警(以英文描述)并不是硬件故障告警，因此需要对其进行识别。目前在发现硬件告警英文描述时，一般由人工依据故障告警英文和技术文档进行识别；这种方式耗时费力，时效性较低。

发明内容

本说明书实施例的目的在于提供一种大型主机硬件故障识别方法、装置、设备及存储介质，以提高大型主机硬件故障识别的时效性。

为达到上述目的，一方面，本说明书实施例提供了一种大型主机硬件故障识别方法，包括：

从目标主机系统的硬件英文告警历史信息中提取关键字英文实体；

按照每类字母出现的频率将所述关键字英文实体进行量化编码，获得故障特征序列集；

根据所述故障特征序列集训练隐马尔科夫模型，获得硬件故障识别模型；

利用所述硬件故障识别模型对所述目标主机系统进行硬件故障识别。

本说明书的实施例中，所述根据所述故障特征序列集训练隐马尔科夫模型，包括：

根据公式迭代更新隐马尔科夫模型，直至相邻两次迭代的概率值对数差小于给定阈值时为止，并将此时的隐马尔科夫模型作为硬件故障识别模型；

其中，为目标主机系统从隐含状态i转到隐含状态j的状态转移概率矩阵；为目标主机系统在隐含状态j下出现故障特征序列k的输出概率矩阵；l为观察序列样本集数目变量；L为l的样本总数；t为观察状态时间点变量；T为t的样本总数；M为隐藏状态总数目；为t时刻隐含状态i下观察序列(O₁,O₂,…,O_t)出现的概率；a_ij为目标主机系统从隐含状态i转到隐含状态j的状态转移概率；为隐含状态j下观察值出现的概率；为隐含状态j下观察序列(O_i+2,O_i+3,…,O_T)出现的概率；为t时刻隐含状态i下观察序列(O_t+1,O_t+2,…,O_T)出现的概率；为t+1时刻隐含状态j下观察序列(O₁,O₂,…,O_t+1)出现的概率；为t时刻隐含状态j下观察序列(O₁,O₂,…,O_t)出现的概率；为t时刻隐含状态j下观察序列(O_t+1,O_t+2,…,O_T)出现的概率；O_t＝v_k表示t时刻出现的观察值O_t的取值为v_k。

本说明书的实施例中，所述给定阈值预先根据以下公式确定；