【技术实现步骤摘要】
本申请涉及计算，尤其涉及一种故障检测方法、装置和存储介质。
技术介绍
1、传统的运维模式，响应慢，发现故障时，往往业务已经受影响很长时间。而且传统的运维模式运维效率低下，出现故障后，定位故障原因需要花费较长时间。如何提升故障检测的准确性，提高运维的效率是当前亟待解决的技术问题。
技术实现思路
1、针对上述技术问题，本申请实施例提供了一种故障检测方法、装置及存储介质，提升故障检测的准确性和运维效率。
2、第一方面，本申请实施例提供的一种故障检测方法，包括：
3、对历史的多模态数据进行故障标注；
4、对所述多模态数据进行预处理；
5、对待检测数据进行单指标故障检测，得到单指标检测分数；
6、对待检测数据进行多指标故障检测，得到多指标检测分数；
7、根据所述单指标检测分数和所述多指标检测分数进行协同故障检测；
8、其中，所述多模态数据包括以下之一或者组合：业务指标、性能指标、日志数据、调用链数据；
9、所述对历史的多模态数据进行故障标注包括：
10、标注分为数据标注和故障标注；
11、所述数据标注包括多模态数据的原始数据；
12、所述故障标注包括故障发现的开始时间戳t，故障位置fl和故障类型ft。
13、本专利技术中，通过故障分类，给出端到端的故障场景，直接指明故障的具体位置和故障类型，提升故障定位的准确性和运维效率。
14、优选的，
15、将所述多模态数据转换成统一的时序数据格式；
16、若多模态数据包括日志数据，则对所述日志数据的预处理包括：先生成日志模板，再转换成时序数据格式。
17、优选的，本专利技术中，对待检测数据进行单指标故障检测包括：
18、通过离线训练，提取指标与故障的相关性，生成指标与故障的相关性分数矩阵；
19、根据所述相关性分数矩阵，对待检测数据进行单指标故障检测；
20、所述通过离线训练，提取指标与故障的相关性，生成指标与故障的相关性分数矩阵包括：
21、对所述多模态数据进行数据格式化，生成预设的数据格式；
22、通过数据分类算法，把指标分成n类；
23、通过异常检测算法编排，从异常检测算法库中，排编n类指标的n个算法组合，再经指标降维后，生成指标与故障的相关性分数矩阵；
24、其中n是大于等于2的整数。
25、优选的，根据相关性分数矩阵，对待检测数据进行单指标故障检测包括：
26、对待检测数据进行数据格式化，生成预设的数据格式；
27、经前置滤波器过滤掉正常指标；
28、通过异常检测算法编排模块，从异常检测算法库中排编指标异常检测算法检测指标是否异常，并输出异常指标到缓存队列。
29、优选的，单指标检测分数包括：
30、单指标检测分数包括单指标故障位置fl分数，单指标故障类型ft分数；
31、单指标故障位置fl分数scores-fl根据以下公式确定：
32、scores-fl＝k1×wsvc+k2×wlog+k3×wkpi+k4×wtrace；
33、其中，wsvc是业务指标故障位置fl最高分，k1是业务指标分数权重系数；wlog是日志数据故障位置fl最高分，k2是日志数据分数权重系数；wkpi是性能指标故障位置fl最高分，k3是性能指标分权重系数；wtrace是调用链故障位置fl最高分，ka是调用链分数权重系数；
34、单指标故障类型ft分数根据以下方式确定：
35、采用滑动窗口，取预设时间内的异常缓存数据，根据所述指标与故障的相关性分数矩阵，按以下公式统一计算故障类型ft分数scores-ft：
36、
37、其中，n为指标与故障相关性系数的数量，i为指标与故障相关性系数的编号，ri为第i个指标与故障相关性系数，ki为第i个指标权重系数。
38、本专利技术中，优选的，对待检测数据进行多指标故障检测，得到多指标检测分数包括：
39、对历史多模态数据进行数据预处理，通过预设算法，对指标数量降维后进行多分类，在预设时间窗口内对指标进行统计计算，得到分类特征，然后利用历史标注数据进行训练，得到故障标识和分类模型；
40、对待检测数据进行数据预处理后，根据所述故障标识和分类模型进行故障检测，输出包括故障位置fl、故障类型ft，故障位置fl分数和故障类型ft分数的数据，并存到异常缓存队列；
41、所述多指标检测分数包括多指标故障位置fl分数scarem-fl和多指标故障类型ft分数scarem-ft；
42、所述多指标故障位置fl分数scarem-fl和多指标故障类型ft分数scarem-ft从所述异常缓存队列中直接读取。
43、优选的，根据单指标检测分数和多指标检测分数进行协同故障检测包括：
44、协同故障检测的结果包括故障位置fl最终分数和故障类型ft最终分数；
45、故障位置fl最终分数scorefl根据以下公式确定：
46、scorefl＝(scores-fl+scorem-fl)×(1+tsvc)；
47、故障类型ft最终分数scoreft根据以下公式确定：
48、scoreft＝(scores-ft+scorem-ft)×(1+tsvc)；
49、其中，tsvc为业务辅助分数系数。
50、第二方面，本申请实施例还提供一种故障检测装置，包括：
51、数据处理模块，被配置用于对历史的多模态数据进行故障标注，对所述多模态数据进行预处理；
52、单指标故障检测模块，被配置用于对待检测数据进行单指标故障检测，得到单指标检测分数；
53、多指标故障检测模块，被配置用于对待检测数据进行多指标故障检测，得到多指标检测分数。
54、协同故障检测模块，被配置用于根据所述单指标检测分数和所述多指标检测分数进行协同故障检测；
55、其中，所述多模态数据包括以下之一或者组合：业务指标、性能指标、日志数据、调用链数据；
56、所述对历史的多模态数据进行故障标注包括：
57、标注分为数据标注和故障标注；
58、所述数据标注包括多模态数据的原始数据；
59、所述故障标注包括故障发现的开始时间戳t，故障位置fl和故障类型ft。
60、第三方面，本申请实施例还提供一种故障检测装置，包括：存储器、处理器和用户接口；
61、所述存储器，用于存储计算机程序；
62、所述用户接口，用于与用户实现交互；
63、所述处理器，用于读取所述存储器中的计算机程序，所述处理器执行所述计算机程本文档来自技高网...
【技术保护点】
1.一种故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述多模态数据进行预处理包括：
3.根据权利要求1所述的方法，其特征在于，所述对待检测数据进行单指标故障检测包括：
4.根据权利要求3所述的方法，其特征在于，根据所述相关性分数矩阵，对待检测数据进行单指标故障检测包括：
5.根据权利要求4所述的方法，其特征在于，所述得到单指标检测分数包括：
6.根据权利要求5所述的方法，其特征在于，所述对待检测数据进行多指标故障检测，得到多指标检测分数包括：
7.根据权利要求6所述的方法，其特征在于，根据所述单指标检测分数和所述多指标检测分数进行协同故障检测包括：
8.一种故障检测装置，其特征在于，包括：
9.一种故障检测装置，其特征在于，包括存储器、处理器和用户接口；
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7之一所述的故障检测方法。
【技术特征摘要】
1.一种故障检测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述多模态数据进行预处理包括：
3.根据权利要求1所述的方法，其特征在于，所述对待检测数据进行单指标故障检测包括：
4.根据权利要求3所述的方法，其特征在于，根据所述相关性分数矩阵，对待检测数据进行单指标故障检测包括：
5.根据权利要求4所述的方法，其特征在于，所述得到单指标检测分数包括：
6.根据权利要求5所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：成胜，佘文生，刘宽，向达，夏勇，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。