[发明专利]一种基于服务码级别的故障根因定位方法、系统及存储介质

权利要求书

1.一种基于服务码级别的故障根因定位方法，其特征在于，包括以下步骤：

S1构建包括系统间调用关系和服务码间调用关系的全局异质拓扑图；

S2构建基于多维指标的时间序列异常检测模型，对所述全局异质拓扑图的每条调用边进行异常检测；

S3基于每条所述调用边的异常检测结果，生成异质故障图；

S4基于随机游走的对象级别排序算法，对获得的所述异质故障图进行故障根因定位。

2.一种如权利要求1所述的基于服务码级别的故障根因定位方法，其特征在于，所述全局异质拓扑图的每条所述调用边是由交易明细数据和设定的时间粒度聚合生成的时间序列指标数据，所述指标数据至少包括交易量、成功量、响应量、失败量、未响应量、成功率、响应率、响应时间中的两种或多种的组合。

3.一种如权利要求1所述的基于服务码级别的故障根因定位方法，其特征在于，所述S2还包括以下步骤：

S2.1对n指标对应的时间窗口的时间序列进行归一化；

S2.2通过图注意力机制学习节点的融合特征；

S2.3基于获得的所有节点的融合特征H_i，学习获得不同指标对应的时间序列的嵌入特征；

S2.4基于获得的不同指标对应的时间序列的嵌入特征，得到所有指标的时间序列在t时刻的预测值

S2.5基于得到的所有指标的时间序列在t时刻的预测值计算获得代表指标的偏离程度的异常分数值score_i(t)；

S2.6基于获得的异常分数值score_i(t)，判断调用边是否异常。

4.一种如权利要求3所述的基于服务码级别的故障根因定位方法，其特征在于，所述S2.2通过图注意力机制学习节点的融合特征包括：

节点i的融合特征h_i通过如下公式计算：

其中，N(i)表示节点v_i的邻居节点的集合,v_j表示节点v_i的邻居节点，

其中，N(i)表示节点v_i的邻居节点的集合，v_j表示节点v_i的邻居节点，σ表示sigmoid激活函数，a_ij表示节点v_i和节点v_j的关联权重，节点v_j表示第j个KPI指标对应的w维特征向量；

关联权重a_ij通过以下公式计算：

其中，e_ij表示节点v_i和节点v_j之间的调用边的注意力值，e_il表示节点v_i和节点v_l之间的调用边的注意力值，表示特征连接操作，LeakyReLU为激活函数，W表示可学习的参数矩阵，L表示v_j节点的邻居节点数量，l表示v_i节点的邻居节点的序号。

5.一种如权利要求1所述的基于服务码级别的故障根因定位方法，其特征在于，所述S4包括以下步骤：

S4.1基于S3生成的异质故障图，确定对象集合V和对象类型集合A；

S4.2基于获得的对象类型集合A,为不同对象类型分配相应的异常传播因子；

S4.3基于获得的对象集合V，采用PageRank算法迭代计算得到各个对象的枢纽值作为各个对象的初始根因分数R_ea；

S4.4基于获得的异常传播因子和初始根因分数，确定每个对象的根因分数R_x；

S4.5基于获得的每个对象的根因分数，选择top-K的根因分数对应的对象作为故障根因定位结果。

6.一种如权利要求5所述的基于服务码级别的故障根因定位方法，其特征在于，所述S4.2包括：所述异常传播因子通过专家知识进行分配或者基于历史数据通过组合搜索优化算法进行分配。