一种基于日志的故障指标自动标注方法与系统与流程

本发明涉及分布式环境可靠性领域，特别涉及一种基于日志的故障指标自动标注方法与系统。

背景技术：

故障诊断是指：用于发现系统或系统组件中不正常现象的一种技术。随着软件系统的规模不断变大，逻辑变得更加复杂，故障诊断的难度也越来越大。一方面，大规模系统中不一定具备细致的监控能力；另一方面，由于一些容错机制的存在，故障有时并不会直观表现出来。故障诊断技术主要可以用于发现系统的不足。

当前，故障诊断技术正不断融入新的计算技术和数学方法，包括人工智能、机器学习、随机过程、贝叶斯推断、图论等。下面列举主要的故障诊断技术及其优缺点：基于规则的技术，基于规则的技术主要通过将专家知识表示为一系列规则来进行故障诊断，规则是人为可扩展和可解释的，但这种技术不能诊断未知的错误，而且大量的知识库也不易维护；基于模型的技术，基于模型的技术将系统定义为数学表示，通过测试观察到的行为来验证是否满足模型，基于模型的技术适合诊断应用级别的问题，然而，构建模型需要对系统有非常深刻的理解；统计技术，统计技术通过对经验数据使用关联分析、对比和概率等理论来进行故障诊断，统计技术不需要对系统内部或者模型具备深入的了解，但是对于系统的非稳态(意料之外，情理之中)故障难以诊断，而这类非稳态故障对于大规模系统而言是很常见的；机器学习技术，机器学习技术采用聚类的方法识别模式，或者使用训练数据来确定系统状态是否健康，找出故障的潜在原因，机器学习技术可以自动地学习系统行为，但是当特征维度变大时，精确度会迅速下降；计数和阈值技术，计数和阈值技术可以诊断出短暂和间歇性错误，这种技术在很大程度上依赖于参数的校正，可通过严格的数学公式和分析模型的配置参数；可视化技术，可视化技术通过可视化数据的趋势和模式来识别异常点，它可以对问题出现的根源有各种假设，但是这种技术并不能自动识别问题。

目前故障诊断的数据来源包括：基于日志的故障诊断，日志是故障诊断的主要信息来源之一，基于日志的故障诊断是指采用系统日志、ras日志等作为故障诊断的手段，从日志中提取出故障特征和失效规则等，然后用于故障诊断和失效预测；基于指标的故障诊断，指标数据是故障诊断的另一种信息来源，基于指标的故障诊断是指分析系统运行过程的各种指标，如cpu利用率、内存使用率、网络带宽、访存带宽、ipc(instructionperclock，即cpu每一时钟周期内所执行的指令多少)、cache失效率等，来进行故障及异常的发现、诊断及预测。一般来说，使用基于指标的故障诊断方法，主要是通过基于指标数据的时序分析并设置异常阈值来发现故障；然而，什么样的指标数据是属于故障指标，目前的方法主要是由人工来确定和标注。

目前使用人工标注指标的故障诊断方案，会事先由人工来筛选出哪些指标范围属于故障指标的范围，或这预先定义好指标的故障特征，即通过人工标注来对指标数据进行分类(故障，正常)，再使用相关的诊断技术来进行故障诊断。人工标注故障指标的方法由于需要人的参与，不仅耗时耗力，增加了用户的工作量，而且难以实现自动化。

专利“一种基于非相似度指标的故障分类诊断方法”，该专利的原理是，首先通过对每种参考故障类型进行特征变量选择，选择出该种故障最能区别于正常数据的特征变量，然后，利用特征变量两两对比在线故障数据窗口与各个参考故障数据窗口的分布非相似度，在线检测出的故障类型就对应于取得最小非相似度指标的参考故障类型。该方法通过窗口数据在空间分布上的相似匹配来实施故障诊断，能最大化地避免重叠数据的错分类情况。相较于上述专利提出的参考故障类型进行特征变量选择的不确定性，本发明根据收集到的日志的syslogseverity严重性等级便可确定该日志是否是失效或故障日志，再结合message信息进行文本相似度分类，进一步确定其-失效/故障类别。其次，根据每类故障来确定故障指标的有效时间窗口范围，然后对同类故障指标进行训练(svdd一类分类算法)，构建出该类的故障指标模型。

论文“基于pu学习的软件故障检测研究”，本文设计实现仅用正例和未标注数据建模可以得到与有监督学习方法相近的软件故障检测率，且集成分类器方法比单分类器方法具有更高的检测率，未标注样本集大小的软件故障检测率同样有影响。首先采用合成少数类过采样smote算法对数据集中的正例样本进行过采样，平衡数据集中的类分布。在此基础上合理构建正例集合和未标注集合，采用posc4.5和bagging算法构建软件故障决策树集成分类器。相比于上述论文只采用正例和未标注数据建模的局限性，本发明在数据收集方面更加全面，可结合系统日志对指标数据进行自动标注。

现有技术在使用系统指标数据进行故障检测和自动诊断过程中，在检测不同应用在运行过程中产生的各类指标数据时，哪些指标属于系统失效或故障时对应的指标难于界定，通常需要通过人工查看系统行为和指标时序图来进行有针对性分析，且即使用户可以根据自己的经验来对异常或故障指标预先设定阈值，但是不同的指标具有不同的单位，例如，cpu利用率和内存使用率为百分比值，磁盘访存带宽和网络传输带宽为mb/s，等等，那么当面对繁多的系统指标时，故障指标的阈值如何选取，对用户来说也是一个难题。

针对以上问题，本发明结合系统日志中的失效/故障事件，来自动为故障指标进行标注，通过一段时间的训练后，就可以仅根据已经训练得到的故障指标集进行基于指标的故障诊断。

技术实现要素：

本发明的目的是对故障指标进行自动标注，用以减少人工标注。具体包括：如何提取故障指标的特征，并自动标注故障指标，本发明目的在于通过结合日志中的严重性等级和信息，找出失效/故障日志所对应的性能指标，并将这些性能指标进行建模，用以构建故障指标模型，然后基于故障指标模型用于对故障指标的自动标注。

具体地说，本发明公开了一种基于日志的故障指标自动标注系统，其中包括：

日志收集模块、用于从分布式系统或单机计算机系统收集多条系统日志；

指标采集模块、用于采集该分布式系统或该单机计算机系统中的性能指标数据；

数据处理模块、用于首先根据该系统日志的事件等级筛选出失效/故障日志，其次根据每条该失效/故障日志的信息内容为每条该失效/故障日志分配失效/故障类别，最后根据每类该失效/故障类别确定该性能指标数据的有效时间窗口；

离线建模模块、用于对每类该失效/故障类别的该有效时间窗口对应的所有该性能指标数据进行建模，构建故障指标模型；

故障指标标注模块、用于根据该故障指标模型对该性能指标数据进行自动标注该性能指标数据是否为故障指标。

该基于日志的故障指标自动标注系统，其中该指标采集模块，每隔一定时间间隔采集系统中的性能指标数据，该性能指标数据包括cpu利用率、内存使用率、磁盘读写带宽、ipc、缓存缺失率等。

该基于日志的故障指标自动标注系统，其中该数据处理模块包括：

时间窗口划分模块、通过查询具有同类失效/故障类别的失效/故障日志的时间戳并结合预先设定的时间窗口阈值，确定各失效/故障类别的有效时间窗口，并通过查找该有效时间窗口内性能指标的时间戳，得到该有效时间窗口范围内的该性能指标数据。

该基于日志的故障指标自动标注系统，其中该离线建模模块包括：

汇总模块、用于将每类失效/故障类别的所有有效时间窗口所对应的性能指标数据汇总为故障指标组；

模型构建模块、用于对每个该故障指标组中的性能指标数据，使用一类目标分类算法，构建出该失效类型的故障指标模型。

该基于日志的故障指标自动标注系统，其中该故障指标标注模块，通过计算该性能指标数据和该故障指标模型间局部离群概率，标注该性能指标数据是否为故障指标。

本发明还提供了一种基于日志的故障指标自动标注方法，其中包括：

日志收集步骤、从分布式系统或单机计算机系统收集多条系统日志；

指标采集步骤、采集该分布式系统或该单机计算机系统中的性能指标数据；

数据处理步骤、首先根据该系统日志的事件等级筛选出失效/故障日志，其次根据每条该失效/故障日志的信息内容为每条该失效/故障日志分配失效/故障类别，最后根据每类该失效/故障类别确定该性能指标数据的有效时间窗口；

离线建模步骤、对每类该失效/故障类别的该有效时间窗口对应的所有该性能指标数据进行建模，构建故障指标模型；

故障指标标注步骤、根据该故障指标模型对该性能指标数据进行自动标注该性能指标数据是否为故障指标。

该基于日志的故障指标自动标注方法，其中该指标采集步骤，每隔一定时间间隔采集系统中的性能指标数据，该性能指标数据包括cpu利用率、内存使用率、磁盘读写带宽、ipc、缓存缺失率等。

该基于日志的故障指标自动标注方法，其中该数据处理步骤包括：时间窗口划分步骤、通过查询具有同类失效/故障类别的失效/故障日志的时间戳并结合预先设定的时间窗口阈值，确定各失效/故障类别的有效时间窗口，并通过查找该有效时间窗口内性能指标的时间戳，得到该有效时间窗口范围内的该性能指标数据。

该基于日志的故障指标自动标注方法，其中该离线建模步骤包括：

汇总步骤、将每类失效/故障类别的所有有效时间窗口所对应的性能指标数据汇总为故障指标组；

模型构建步骤、对每个该故障指标组中的性能指标数据，使用一类目标分类算法，构建出该失效类型的故障指标模型。

该基于日志的故障指标自动标注方法，其中该故障指标标注步骤，通过计算该性能指标数据和该故障指标模型间局部离群概率，标注该性能指标数据是否为故障指标。

本发明的技术进步在于，基于日志来对系统性能指标是否是故障指标进行自动标注，不仅可以减少人工标注故障指标的耗时耗力，可节省时间和人力资源，减少工作量，方便管理员快速排查系统故障、进行故障诊断；而且，还可以直接根据指标的特征估计出某时间段内系统是否处于某种故障/失效解决，方便及时采取相应措施。

附图说明

图1为本发明基于日志的故障指标自动标注方法与系统流程图；

图2为失效/故障事件与failuremessage的文本相似度计算示意图；

图3为svdd分类示意图。

具体实施方式

为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。

本发明思路为，通过收集系统日志和系统性能指标数据，并根据系统日志的严重性等级找出失效或故障日志，结合失效/故障日志中每条事件的message对失效/故障日志进行失效分类，找出系统中存在的失效类别(failuretype)或故障类别。其次，根据每类的失效类别(failuretype)/故障类别来确定故障指标的有效时间窗口范围；然后对同类故障指标进行训练(例如，采用svdd一类分类算法)，构建出该类的故障指标模型。最后，通过建立失效类别的故障指标模型库，那么，之后就可以直接利用已建立的故障指标模型库来对性能指标进行自动标注。例如，在只采集了性能指标而缺乏日志的系统中，可以将系统的性能指标和故障指标模型进行比较(可以采用局部离群概率来进行模型的比较，但不局限于这种算法)，然后自动标注某一时间段内的性能指标是否为故障指标，用于发现系统的失效或故障。

本发明采集的linux系统日志来源于/var/log/messages，其会记录linux操作系统常见的系统和服务错误信息。

系统日志格式举例如下(日志格式可以通过日志采集工具rsyslog等自行定义)：

本发明为一种基于日志的故障指标自动标注方法与系统，该方法从分布式系统或指单机计算机系统收集的系统日志中采集指标数据等，并根据日志的syslogseverity严重性等级收集系统日志中失效或故障的日志，再结合message进行文本相似度分类，分类后的类别作为故障类别。其次，根据每类故障来确定故障指标的有效时间窗口范围。然后对同类故障指标进行训练(例如，svdd一类分类算法)，构建出该类的故障指标模型，然后利用已建立的故障指标模型来对性能指标进行自动标注。

如图1所示，故障指标自动标注系统由五个模块组成，分别是日志收集模块、指标采集模块、数据处理模块、离线建模模块和故障指标标注模块。

日志收集模块：用于收集多条系统日志。

指标采集模块：用于采集系统中的性能指标数据(指标数据)。

数据处理模块：用于根据linux系统日志的严重性等级(事件等级)找出失效或故障日志，结合失效/故障日志中每条事件的message对失效/故障日志进行失效分类用以为每条失效/故障日志分配失效类别(failuretype)，统计系统中存在的失效类别或故障类别；其次，根据每类失效类别(failuretype)/故障类别来确定性能指标数据的有效时间窗口范围。

离线建模模块：用于对同一失效类型的所有有效时间窗口对应的性能指标数据进行建模，构建故障指标模型。

故障指标标注模块：用于利用已建立的故障指标模型库来对性能指标进行自动标注。

以下对上述各模块的具体工作内容进行介绍，其中数据收集模块包括上述该日志收集模块和指标采集模块，日志收集模块，用于收集linux系统日志，系统日志是记录系统中硬件、软件和系统问题的信息，同时还可以监视系统中发生的事件。用户可以通过它来检查错误发生的原因，或者寻找受到攻击时攻击者留下的痕迹。本发明中的日志收集模块可以利用已有的开源工具rsyslog或其他日志采集工具来收集系统日志，系统日志中记录着系统中发生的一系列事件，管理者可以通过查看系统日志随时掌握系统状况。例如，可以收集到的linux系统日志syslog的日志格式如下表所示：

表1系统日志格式描述

指标采集模块，用于每隔一定时间间隔(1s)采集系统中的指标数据，在指标采集模块中，可以利用perf等工具来采集系统在运行过程中分别在系统层和微体系架构层上的性能指标数据，指标数据包括cpu利用率、内存使用率、磁盘读写带宽、ipc(instructionperclock，即cpu每一时钟周期内所执行的指令多少)、缓存缺失率等指标，如下表2所示，性能指标可以是以下表2中的指标，但不局限于以下指标。

表2采集的指标数据详细列表

数据处理模块包括：预处理模块，用于将系统日志中事件严重性等级syslogseverity，按照严重程度递增顺序分类为“info，warning，error，fatal/failure，failed”等。

表3syslogseverity分类表

找出linux系统日志中指标syslogseveritytext包含“fatal/failure，failed”等字段，并将这些日志标示为系统失效或故障的日志；

表4syslog中的失效/故障日志举例

找出系统失效/故障日志之后，结合失效/故障日志中每条事件的message对失效/故障日志进行失效分类，找出系统中存在的失效类别(failuretype)。在这里，可以使用文本相似度算法(对算法不做限定)进行故障分类。在这里，本发明引用一个简单的基于message文本相似度进行失效分类的算法[1]。具体过程如下所示：

先将第一个失效/故障事件的failuretype设置为1，存入到失效类别表中。再将下一个失效/故障事件的message和失效类别表中的已有失效类的message进行一个文本相似度的计算。下面对文本相似度的算法做详细描述：

a.首先，对失效类别表中的已有失效类的message进行标记mti。

ti＝{mti1,mti2,...,mtim}(1<i<k)(1)

其中，mti1,mti2,...,mtim表示已有失效类的message中的每一条信息类型中的每一个单词，m表示一条信息类型中的单词总数，k表示已有失效类的message中的信息类型总数。

b.其次，将失效/故障事件的message中包含的单词标记为mj。

mj＝{mj1,mj2,...,mjn}(2)

其中，mj1,mj2,...,mjn表示失效/故障事件的message中的每一个单词，n表示一条信息中的单词总数。

c.然后，求mti和mj之间的相似性sij：

d.最后计算出相似度失效/故障事件的message的相似度s：

s＝sij/n(4)

设定一个相似度阈值γ，若失效/故障事件的message相似度大于设定的相似度阈值γ，则该条失效/故障事件对应的失效类别为失效类别表中已有的failuretype，并将该条事件对应的失效类别设定为与其相似度值最高的那个message的失效类别；若相似度小于阈值γ，则将该条失效/故障事件的message作为新的一条failuretype添加到失效类别表中。以此类推，依次将分类后的类别作为故障类别。

下举具体实施例加进一步阐述该数据处理模块，如图3所示，已知失效/故障事件message为fatal:qmgr_active_feed:2a21b3fb015:renamefromdeferredtoactive:read-onlyfilesystem，由图1可知，已有失效类型列表中包含两种失效类型，分别是mt1和mt2，其中mt1＝{fatal，qmgr_active_feed，c0089459a93，rename，from，deferred，to，active，read-only，file，system}(m＝11)；

mt2＝{device，/dev/sdd，failed，smart，self-check.，back，up，datanow}(m＝9)

b.由图1可知，失效/故障事件的message的包含的单词集合

mj＝{fatal，qmgr_active_feed，2a21b3fb015，rename，from，deferred，to，active，read-only，file，system}(n＝11)

c.由图1可知，因为有10个单词符合mjl∈mt1，因此，则mt1和mj之间的相似性s1j/n＝10/11＝0.91

d.设定一个相似度阈值γ＝0.6，若失效/故障事件的message相似度0.91大于阈值0.6，则该条失效/故障事件对应的失效类别为失效类别表中已有的失效类型“1”。

数据处理模块还包括：时间窗口划分模块，用于查询系统日志中的失效类型的有效时间窗口，然后将系统日志中的某个失效事件类型所在的有效时间窗口中的起始、结束时间戳和所采集的指标数据的时间戳相关联。

1.查询失效类型的有效时间窗口：通过查询具有同类失效/故障类别的失效/故障日志的时间戳，确定各失效/故障类别的有效时间窗口，并通过查找该有效时间窗口内性能指标的时间戳，得到该有效时间窗口范围内的该性能指标数据。例如，首先确定关注的失效类型的某个失效事件的时间戳，然后在时间维度上向上向下搜索有没有类似失效类型的事件，如果有，就将时间窗口向上向下延伸，或者向上向下查找logmessage的相似度，然后将相似度类似的logmessage时间戳作为时间窗口。在这里，可以设置一个时间窗口阈值th_tw，如果在时间维度上向上向下搜索的时间窗口超过了所设置的阈值th_tw，就结束该失效类型时间戳的查询，并将该失效类型中具有最早时间戳的失效事件到具有最晚时间戳的失效事件之间的时间窗口作为该失效类型的有效时间窗口。

如表5所示，failiuretype为1的三条故障事件(syslogseverity为fatal)的三条logmessage比较相似，通过查询该失效类型的有效时间窗口，如果通过向上搜索没有在早于时间戳“2008-10-2903:44:01”10min(这里，将th_tw阈值设置为了10min)的范围内发现有类似的失效类型1，通过向下搜索没有在晚于时间戳“2008-10-2903:44:01”10min(这里，将th_tw阈值设置为了10min)的范围内发现有类似的失效类型1，就可以确定该失效类型的有效时间窗口为2008-10-2902:10:29到2008-10-2903:44:01。其他失效类型的有效时间窗口按此类推。

表5syslog中失效/故障事件所在的时间戳举例

2.然后，从失效类型的有效时间窗口中的起始、结束时间戳和所采集的指标数据的时间戳相关联，确定指标数据的时间窗口范围。以下表6为例，通过上一步查找到失效类型1的有效时间窗口为(2008-10-2902:10:29到2008-10-2903:44:01)，那么，根据该有效时间窗口的开始时间戳和结束时间戳去查找采集的性能指标的时间戳，并得到该有效时间窗口范围内的性能指标数据。如果，后续又发现了该失效类型的新有效时间窗口，仍按照上述的方法来获取该有效时间窗口对应的性能指标数据。

表6失效类型有效时间窗口和指标数据的时间戳的关联距离

离线建模模块负责离线训练，构建故障指标模型，包括：汇总模块，用于将每类失效/故障类别的所有有效时间窗口所对应的性能指标数据汇总为故障指标组；模型构建模块，用于对每个该故障指标组中的性能指标数据，使用一类目标分类算法，构建出该失效类型的故障指标模型。

具体地，统计每个失效类型的所有有效时间窗口所对应的性能指标数据，然后将这些性能指标数据汇总为一个故障指标组(failure_metrics_group)；然后，对每一个失效类型的failure_metrics_group，基于该group中所包含的指标数据点，使用一类目标分类算法，构建出该失效类型的故障指标模型，例如，可以采用svdd算法，训练出该failure_group的svdd模型，作为其故障指标模型，其中，将在svdd超球面内部的指标数据点作为该失效类型的故障指标，在svdd超球面外部的指标数据点作为离群指标点。

svdd算法原理与实现。如图2所示，svdd(supportvectordomaindescription)，它的原理和svm很像，可以用来做oneclasssvm。svdd的优化目标就是，求一个中心为a，半径为r的最小球面。算法的基本思想是，由于只存在一个class，于是就训练出一个最小的超球面(超球面是指3维以上的空间中的球面，对应的2维空间中就是曲线，3维空间中就是球面，3维以上的称为超球面)，把这堆数据全都包起来，识别一个新的数据点时，如果这个数据点落在超球面内，就是这个类，否则不是。

基于上述方法，可以对所有发现的失效类型都构建一个故障指标模型，然后可构成一个故障指标模型库。该故障指标模型库，可以结合新增的日志信息进行不断的更新和修改。

故障指标标注模块。通过上一步，已经建立了已有failure_group的故障指标模型库，在后续的工作中，可以直接利用已建立的故障指标模型库来对性能指标进行自动标注。例如，在只采集了性能指标而缺乏日志的系统中，可以将系统的性能指标数据和故障指标模型进行比较(可以采用局部离群概率来进行模型的比较，但不局限于这种算法)，然后自动标注某一时间段内的性能指标是否为故障指标，用于发现系统的失效或故障。

具体来说，故障指标模型库中包含多种failure_group的svdd模型，当获取到新的指标数据时，可以采用局部离群算法来训练新的指标数据，计算新数据到所有svdd模型中心点a的离群概率，同时，设置一个离群概率的阈值outlier_probability_threshold,如果新数据到部分svdd模型中心点a的离群概率小于outlier_probability_threshold，那么选择离群概率最小的那个模型，自动标注新数据属于该故障指标的svdd模型；如果新数据到所有svdd模型中心点a的离群概率都不小于outlier_probability_threshold，那么该指标数据不属于故障指标模型库中的任何一个svdd模型。

例如，这里的局部离群概率(loop)算法的原理与实现

loop算法是一种无监督的数据挖掘方法，最早应用于离群点检测领域。loop值的大小表明一个样本为离群点概率的大小。

首先将采集到的系统的性能指标表示为xi，再得到svdd模型的所有中心点集合all_set(a)；其次根据该集合计算xi到中心点的概率集距离，然后估计xi周围指标的分布密度并定义为概率局部离群因子；最后计算该离群因子的标准差，并利用高斯误差函数计算局部离群概率loop(xi)。loop(xi)取值范围为[0,1]。loop(xi)值越大，xi是离群指标点的概率越大。

以下为与上述系统实施例对应的方法实施例，本实施方式可与上述实施方式互相配合实施。上述施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。

本发明还提供了一种基于日志的故障指标自动标注方法，其中包括：

日志收集步骤、从分布式系统或单机计算机系统收集多条系统日志；

指标采集步骤、采集该分布式系统或该单机计算机系统中的性能指标数据；

数据处理步骤、首先根据该系统日志的事件等级筛选出失效/故障日志，其次根据每条该失效/故障日志的信息内容为每条该失效/故障日志分配失效/故障类别，最后根据每类该失效/故障类别确定该性能指标数据的有效时间窗口；

离线建模步骤、对每类该失效/故障类别的该有效时间窗口对应的所有该性能指标数据进行建模，构建故障指标模型；

故障指标标注步骤、根据该故障指标模型对该性能指标数据进行自动标注该性能指标数据是否为故障指标。

该基于日志的故障指标自动标注方法，其中该指标采集步骤，每隔一定时间间隔采集系统中的性能指标数据，该性能指标数据包括cpu利用率、内存使用率、磁盘读写带宽、ipc、缓存缺失率。

该基于日志的故障指标自动标注方法，其中该数据处理步骤包括：时间窗口划分步骤、通过查询具有同类失效/故障类别的失效/故障日志的时间戳并结合预先设定的时间窗口阈值，确定各失效/故障类别的有效时间窗口，并通过查找该有效时间窗口内性能指标的时间戳，得到该有效时间窗口范围内的该性能指标数据。

该基于日志的故障指标自动标注方法，其中该离线建模步骤包括：

汇总步骤、将每类失效/故障类别的所有有效时间窗口所对应的性能指标数据汇总为故障指标组；

模型构建步骤、对每个该故障指标组中的性能指标数据，使用一类目标分类算法，构建出该失效类型的故障指标模型。

该基于日志的故障指标自动标注方法，其中该故障指标标注步骤，通过计算该性能指标数据和该故障指标模型间局部离群概率，标注该性能指标数据是否为故障指标。

虽然本发明以上述实施例公开，但具体实施例仅用以解释本发明，并不用于限定本发明，任何本技术领域技术人员，在不脱离本发明的构思和范围内，可作一些的变更和完善，故本发明的权利保护范围以权利要求书为准。