[发明专利]基于神经网络的异常定位方法、系统、设备及存储介质

说明书

本发明涉及人工智能技术领域，提出一种基于神经网络的异常定位方法、系统、设备及存储介质，该方法包括：获取目标业务系统预处理后的当前故障告警信息；根据预处理后的当前故障告警信息和训练后的受限玻尔兹曼机模型，获取当前关键特征；根据当前关键特征和训练后的故障预测神经网络模型，获取风险预测等级和异常位置信息；根据风险预测等级和异常位置信息，对目标业务系统进行预告警。本发明实施例中通过受限玻尔兹曼机提取故障告警信息中的关键特征，通过对故障告警因素进行概率处理，能够得到影响目标业务系统异常的关键因素，从而提高了后续对目标业务系统的异常定位精度。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于神经网络的异常定位方法、系统、设备及存储介质。

背景技术

在银行业、保险行业、电商等大数据领域，各种应用系统每天生成海量的交易数据，对于重要的业务系统保持高可靠性，针对系统出现的异常情况，需要快速定位和修复，避免由于业务系统的失败造成重大损失。

传统的故障告警或风险预警机制，比如通过人工神经网络、模糊算法等方法实现系统预告警的方法，通过判断自定义规则或策略并反馈异常给运维人员，通过人工判断实现异常及时响应和处理。尽管这些方法能够帮助诊断应用业务的不确定性故障信息，但是由于业务系统通常规模较大，并且影响系统稳定因素较多，因此其定位精度不高，常常出现误告警的情形，运维人员有时候不得不面临误告警情况。

因此，如何实现业务系统故障的有效预警是运维过程中主要面临的问题之一。

发明内容

本发明提供一种基于神经网络的异常定位方法，其主要目的在于对故障告警进行风险等级划分，有效提高故障预告警精度。

第一方面，本发明实施例提供一种基于神经网络的异常定位方法，包括：

获取目标业务系统预处理后的当前故障告警信息；

根据预处理后的当前故障告警信息和训练后的受限玻尔兹曼机模型，获取当前关键特征；

根据所述当前关键特征和训练后的故障预测神经网络模型，获取风险预测等级和异常位置信息；

根据所述风险预测等级和所述异常位置信息，对所述目标业务系统进行预告警。

优选地，所述训练后的受限玻尔兹曼机模型通过如下步骤获得：

获取预设数量历史故障告警信息训练集，每一历史故障告警信息训练集中包括对应同一历史异常位置信息的若干历史故障告警信息；

利用每一历史故障告警信息训练集分别对每一初始受限玻尔兹曼机进行训练，获取预设数量训练后的初始受限玻尔兹曼机；

将预设数量训练后的初始受限玻尔兹曼机进行级联，作为训练后的受限玻尔兹曼机模型。

优选地，所述训练后的故障预测神经网络模型通过如下步骤获得：

将每一历史故障告警信息训练集输入到训练后的受限玻尔兹曼机模型中，获取每一历史故障告警信息对应的历史关键特征；

根据每一历史故障告警信息对应的历史关键特征、每一历史故障告警信息对应的预设历史风险等级和每一历史故障告警信息对应的历史异常位置信息，对初始故障预测神经网络模型进行训练，获取训练后的故障预测神经网络模型。

优选地，所述初始受限玻尔兹曼机为两层的受限玻尔兹曼机。

优选地，所述根据预处理后的当前故障告警信息和训练后的受限玻尔兹曼机模型，获取当前关键特征，具体计算公式如下：

ftr＝[ftr₁,…,ftr_k,…,ftr_n]，