(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210421748.3 (22)申请日 2022.04.21 (71)申请人 中国农业银行股份有限公司 地址 100005 北京市东城区建国门内大街 69号 (72)发明人 裴冬冬　关德常　张志鹏　涂文芸　 来宾　郭昊　林溢星　郝春雨　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 张思淼 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/36(2019.01)G06F 11/07(2006.01) (54)发明名称 一种故障定位方法、 装置、 系统和存 储介质 (57)摘要 本申请提供一种故障定位方法、 装置、 系统 和存储介质， 采用预先训练的卷积神经网络CNN 算法模型对正则化的故障告警信息进行特征提 取和分类， 形成告警图谱， 形成运维图谱， 基础资 源包括各IT应用系统的配置信息、 变更信息和日 志信息， 通过告警图谱在运维图谱上的投影， 对 关联告警信息中的无关告警删除以得到最终告 警拓扑关系， 并对最终告警拓扑关系进行拓扑排 序得到N个根源告警， 根据配置信息变化情况、 变 更信息实施情况和日志信息出错情况计算得到N 个根源告警各自对应的置信 度， 将置信度最大的 根源告警作为最终根源故障点。 从而基于最终告 警拓扑关系， 减少了无关告警的干扰， 配合运维 数据分析， 提升了根源告警的置信度， 提升了故 障定位的准确性。 权利要求书2页 说明书9页 附图2页 CN 114781510 A 2022.07.22 CN 114781510 A 1.一种故障定位方法， 其特 征在于， 包括： 获取各信息技 术IT应用系统的初始故障告警信息； 对所述初始故障告警信息进行正则化处 理得到正则化的故障告警信息； 采用预先训练的卷积神经网络CNN算法模型对所述正则化的故障告警信息进行特征提 取和分类， 将具有相同特 征的所述 正则化的故障告警信息作为关联告警信息； 根据所述关联告警信 息发生时间的先后 顺序建立初步实时告警拓扑关系， 以形成告警 图谱； 构建所述各IT应用系统之间的拓扑关系、 所述各IT应用系统与基础资源之间的拓扑关 系， 和所述基础资源之间的拓扑关系， 以形成运 维图谱； 所述基础资源包括所述各IT应用系 统的配置信息、 变更信息和日志信息； 通过所述告警图谱在所述运维图谱上的投影， 对所述关联告警信 息中的无关告警删除 以得到最终告警拓扑关系， 并对 所述最终告警拓扑关系进行拓扑排序得到N个根源告警； 所 述N为正整数； 根据当前运维数据计算得到所述配置信 息变化情况、 所述变更信 息实施情况和所述日 志信息出错情况； 根据所述配置信 息变化情况、 所述变更信 息实施情况和所述日志信 息出错情况计算得 到所述N个根源告警各自对应的置信度， 将所述N个根源告警中对应的置信度最大的根源告 警作为最终根源故障点。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 根据所述最终根源故障点， 合并所述最终根源故障点对应的下游告警， 作为合并故障 点； 根据所述 合并故障点进行告警。 3.根据权利要求1所述的方法， 其特征在于， 所述采用卷积神经网络CNN算法对所述正 则化的故障告警信息进行 特征提取和分类之前， 所述方法还 包括: 获取初始CNN算法模型的训练集， 所述训练集包括： 已知故障告警信息和已知故障告警 信息的特 征分类； 利用所述训练集学习故障告警信息和故障告警信息的特 征分类的映射关系； 根据所述映射关系训练所述初始CNN算法模型得到所述预先训练的卷积神经网络CNN 算法模型。 4.根据权利要求1所述的方法， 其特征在于， 所述采用卷积神经网络CNN算法对所述正 则化的故障告警信息进行 特征提取和分类， 包括： 建立大小为第 一时长的滑动时间窗口， 对所述正则化的故障告警信 息在所述滑动时间 窗口内的信息采用卷积神经网络 CNN算法进行 特征提取和分类。 5.一种故障定位装置， 其特 征在于， 包括： 第一获取 单元， 用于获取 各信息技 术IT应用系统的初始故障告警信息； 正则化单元， 用于对所述初始故障告警信 息进行正则化处理得到正则化的故障告警信 息； 分类单元， 用于采用预先训练的卷积神经网络CNN算法模型对所述正则化的故障告警 信息进行特征提取和分类， 将具有相同特征的所述正则化的故障告警信息作为关联告警信权　利　要　求　书 1/2 页 2 CN 114781510 A 2息； 告警图谱建立单元， 用于根据 所述关联告警信 息发生时间的先后 顺序建立初步实时告 警拓扑关系， 以形成告警图谱； 运维图谱建立单元， 用于构建所述各IT应用系 统之间的拓扑关系、 所述各IT应用系统 与基础资源之 间的拓扑关系， 和所述基础资源之间的拓扑关系， 以形成运 维图谱； 所述基础 资源包括所述各IT应用系统的配置信息、 变更信息和日志信息； 投影单元， 用于通过所述告警图谱在所述运维图谱上的投影， 对所述关联告警信息中 的无关告警删除以得到最 终告警拓扑关系， 并对所述最 终告警拓扑关系进 行拓扑排序得到 N个根源告警； 所述 N为正整数； 计算单元， 用于根据当前运维数据计算得到所述配置信息变化情况、 所述变更信息实 施情况和所述日志信息出错情况； 根源故障点确定单元， 用于根据所述配置信息变化情况、 所述变更信息实施情况和所 述日志信息出错情况计算得到所述N个根源告警各自对应的置信度， 将所述N个根源告警中 对应的置信度最大的根源告警作为 最终根源故障点。 6.根据权利要求5所述的装置， 其特 征在于， 所述装置还 包括： 合并故障点确定单元， 用于根据所述最终根源故障点， 合并所述最终根源故障点对应 的下游告警， 作为 合并故障点； 告警单元， 用于根据所述 合并故障点进行告警。 7.根据权利要求5所述的装置， 其特 征在于， 所述装置还 包括: 第二获取单元， 用于获取初始CNN算法模型的训练集， 所述训练集包括： 已知故障告警 信息和已知故障告警信息的特 征分类； 学习单元， 用于利用所述训练集学习故障告警信 息和故障告警信 息的特征分类的映射 关系； 训练单元， 用于根据所述映射关系训练所述初始CNN算法模型得到所述预先训练的卷 积神经网络 CNN算法模型。 8.根据权利要求5所述的装置， 其特 征在于， 所述分类单 元， 包括： 分类子单元， 用于建立大小为第一时长的滑动 时间窗口， 对所述正则化的故障告警信 息在所述滑动时间窗口内的信息采用卷积神经网络 CNN算法进行 特征提取和分类。 9.一种故障定位系统， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1 ‑4任意一项所述故障定位方法 的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理执行时实现如权利要求1 ‑4任意一项所述故障定位方法的步 骤。权　利　要　求　书 2/2 页 3 CN 114781510 A 3