[发明专利]基于信息系统日志的故障时间空间预测方法及系统

权利要求书

1.基于信息系统日志的故障时间空间预测方法，其特征在于：包括：

获取信息系统当前时刻t之前的n个时间段(t-n*Δt，t)内的时序日志数据x₁，进行预处理；

基于所述时序日志数据采用第一深度神经网络对未来一个时间段(t，t+Δt)内信息系统是否会产生故障进行判断：

若不会产生故障，则不进一步处理，并输出信息系统运行正常信息；

否则，进一步判断产生故障的具体时间点和空间位置，并输出包含时间空间信息的故障预警信息；

所述判断产生故障的具体时间点和空间位置采用多任务学习模型，对故障发生具体时间和位置这两个任务进行联合训练，并同时返回产生故障的具体时间点和空间位置；

所述第一深度神经网络的训练过程为：采集历史时序日志数据，提取第一特征向量，形成训练样本集，所述第一特征向量包括与日志级别关联的特征，并将日志级别为alert、error、warning且持续时间大于第一预设阈值的日志作为故障日志数据进行标注，日志级别为notice、info、debug的日志作为非故障数据进行标注，进行故障预测训练；

所述第一深度神经网络的预测过程为：基于采集的(t-n*Δt，t)内的时序日志数据提取第一特征向量，输入第一深度神经网络，预测(t，t+Δt)的日志级别，若日志级别为warning级别以上，则确定(t，t+Δt)内会产生故障；

所述多任务学习模型的训练过程为：采集历史故障时序日志数据，提取第二特征向量，形成训练样本集，所述第二特征向量包括与故障的位置和产生时间均关联的特征，并将故障的位置和产生时间作为标注数据进行训练；

所述多任务学习模型的预测过程为：基于采集的(t-n*Δt，t)内的时序日志数据中的故障数据，提取第二特征向量输入多任务学习模型，预测(t，t+Δt)发生故障的具体时间和位置。

2.根据权利要求1所述的基于信息系统日志的故障时间空间预测方法，其特征在于：所述第一预设阈值根据闪断告警日志的持续时间确定。

3.根据权利要求1所述的基于信息系统日志的故障时间空间预测方法，其特征在于：所述第一特征向量包括事件发生时间点、日志级别、事件持续时间、日志发生的空间信息、事件详情；

第二特征向量包括告警级别、故障名称、网元类型、网络设备性能、告警源、故障的定位信息、故障的产生时间和清除时间。

4.根据权利要求1所述的基于信息系统日志的故障时间空间预测方法，其特征在于：所述多任务学习模型包括特征输入层、隐层、特定任务层、特征任务输出层，

所述特征输入层用于接收第二特征向量和标注数据，

所述隐层采用参数硬共享机制，用于实现两个任务的数据共享，

所述特定任务层包括第一特性隐藏层和第二特性隐藏层，分别用于学习故障的产生时间和位置的预测任务，

所述特征任务输出层包括第一任务输出层和第二任务输出层，分别用于分别输出产生故障的具体时间点和空间位置的预测值。

5.根据权利要求4所述的基于信息系统日志的故障时间空间预测方法，其特征在于：所述多任务学习模型的训练过程还包括：基于特征输入层输入的第二特征向量，经过前向网络传播，特征任务输出层输出得到预测的故障的位置和产生时间，基于预设的多任务学习联合损失函数，获得特征任务输出层输出得到的预测值与该输入的第二特征向量携带的标注数据之间的多任务联合损失值，将多任务联合损失值进行反向传播，利用控制变量法进行模型参数优化，直至训练过程结束，获取最佳的网络参数。

6.根据权利要求5所述的基于信息系统日志的故障时间空间预测方法，其特征在于：所述预设的多任务学习联合损失函数loss_joint为：

其中，loss₁为故障时间的交叉熵损失函数，loss₂为故障空间的交叉熵损失函数。

7.基于信息系统日志的故障时间空间预测系统，其特征在于：包括：

时序日志数据获取模块，用于获取信息系统当前时刻t之前的n个时间段(t-n*Δt，t)内的时序日志数据x₁，进行预处理；

故障预测模块，用于基于所述时序日志数据对未来一个时间段(t，t+Δt)内信息系统是否会产生故障进行判断，若不会产生故障，则不进一步处理，并输出信息系统运行正常信息；

故障时间空间预测模块，用于当故障预测模块预测结果为会产生故障时，进一步判断产生故障的具体时间点和空间位置，并输出包含时间空间信息的故障预警信息；所述判断产生故障的具体时间点和空间位置采用多任务学习模型，对故障发生具体时间和位置这两个任务进行联合训练，并同时返回产生故障的具体时间点和空间位置；

所述故障预测模块采用第一深度神经网络，所述第一深度神经网络的训练过程为：采集历史时序日志数据，提取第一特征向量，形成训练样本集，所述第一特征向量包括与日志级别关联的特征，并将日志级别为alert、error、warning且持续时间大于第一预设阈值的日志作为故障日志数据进行标注，日志级别为notice、info、debug的日志作为非故障数据进行标注，进行故障预测训练；

所述第一深度神经网络的预测过程为：基于采集的(t-n*Δt，t)内的时序日志数据提取第一特征向量，输入第一深度神经网络，预测(t，t+Δt)的日志级别，若日志级别为warning级别以上，则确定(t，t+Δt)内会产生故障；

所述多任务学习模型的训练过程为：采集历史故障时序日志数据，提取第二特征向量，形成训练样本集，所述第二特征向量包括与故障的位置和产生时间均关联的特征，并将故障的位置和产生时间作为标注数据进行训练；

所述多任务学习模型的预测过程为：基于采集的(t-n*Δt，t)内的时序日志数据中的故障数据，提取第二特征向量输入多任务学习模型，预测(t，t+Δt)发生故障的具体时间和位置。