异常组件溯源方法、装置、电子设备及计算机存储介质与流程

本技术涉及人工智能，尤其涉及一种异常组件溯源方法、装置、电子设备及计算机存储介质。

背景技术：

1、当计算机应用失败，当前溯源异常组件的常规方法主要有历史报错信息溯源方法和报错日志溯源方法。历史报错信息溯源方法即根据历史报错信息，进行日志匹配，从而快速定位异常根源。报错日志溯源方法即根据报错日志，采用控制变量的方法，层层定位，通过排他法，最终定位异常根源。

2、历史报错信息溯源方法虽然可能快速定位异常根源，但是会存在日志相似，但根源不一致的情况，使得异常溯源的准确率下降。另外，若出现新的报错日志，就无法使用历史报错信息溯源方法。

3、报错日志溯源方法虽然最终定位准确，但是要求业务人员具备丰富经验的能力，另外，报错日志溯源方法耗费较多的时间，定位较慢，浪费了业务人员的大量时间精力。

技术实现思路

1、本技术提供一种异常组件溯源方法、装置、电子设备及计算机存储介质，旨在实现快速且准确地溯源异常组件。

2、第一方面，本技术提供一种异常组件溯源方法，包括：

3、确定组件结构图，并根据所述组件结构图中各个图节点的第一描述信息和各个节点边的第二描述信息，生成节点向量；

4、通过节点向量化算法结合各个所述图节点和所述节点向量，生成目标节点向量；

5、通过分层聚合算法结合所述目标节点向量对各个所述图节点进行分层聚合，得到一阶聚合向量；

6、通过多阶聚合算法结合所述目标节点向量对各个所述图节点进行多阶聚合，得到多阶聚合向量，并将所述一阶聚合向量和所述多阶聚合向量进行加权，得到最终节点向量；

7、通过标准分类模型结合所述最终节点向量定位出频率最高的图节点，并将所述频率最高的图节点确定为异常节点。

8、在一个实施例中，所述通过标准分类模型结合所述最终节点向量定位出频率最高的图节点，包括：

9、通过预设学习模型输出所述最终节点向量在发生异常警告时的异常日志；

10、根据所述异常日志中的初始异常节点和待处理节点构建初始二分类器，并根据所述初始二分类器计算所述初始异常节点的第一概率值，以及所述待处理节点的的第二概率值；

11、根据所述第一概率值和所述第二概率值确定所述待处理节点中的待处理异常节点，并将所述待处理异常节点确定为异常样本数据；

12、根据所述异常样本数据和所述初始异常节点，定位出所述频率最高的图节点。

13、所述根据所述异常样本数据和所述初始异常节点，定位出所述频率最高的图节点，包括：

14、对所述异常样本数据进行预设次数抽样，得到第一异常样本集合和第二异常样本集合；

15、根据所述第一异常样本集合和所述初始异常节点构建目标二分类器，并通过所述目标二分类器对所述第二异常样本集合进行预测，得到各个目标异常节点；

16、将各个所述目标异常节点进行并集处理，定位出各个所述目标异常节点中频率最高的图节点。

17、所述通过分层聚合算法结合所述目标节点向量对各个所述图节点进行分层聚合，得到一阶聚合向量，包括：

18、确定节点相似度阈值，并将所述目标节点向量确定为各个所述图节点的原始向量表征；

19、根据所述目标节点向量和所述节点相似度阈值，确定各个所述图节点中一阶节点的第一节点集合和第二节点集合；

20、通过所述分层聚合算法将各个所述图节点的第一节点集合和第二节点集合进行分层聚合，确定所述一阶聚合向量。

21、所述通过所述分层聚合算法将各个所述图节点的第一节点集合和第二节点集合进行分层聚合，确定所述一阶聚合向量，包括：

22、根据各个所述图节点的第一节点集合的节点数量，构建第一阈值计数矩阵，并根据各个所述图节点的第二节点集合的节点数量，构建第二阈值计数矩阵；

23、根据各个所述图节点和所述第一阈值计数矩阵，构建第一度矩阵，根据各个所述图节点和所述第二阈值计数矩阵，构建第二度矩阵；

24、根据各个所述图节点与所述第一节点集合中各个节点的连接度构建第一连接矩阵，并根据各个所述图节点与所述第二节点集合中各个节点的连接度构建第二连接矩阵；

25、基于所述第一阈值计数矩阵、所述第一度矩阵和所述第一连接矩阵，确定第一节点信息融合向量，并基于所述第二阈值计数矩阵、所述第二度矩阵和所述第二连接矩阵，确定第二节点信息融合向量；

26、将所述第一节点信息融合向量和所述第二节点信息融合向量进行融合，得到所述一阶聚合向量。

27、所述通过节点向量化算法结合各个所述图节点和所述节点向量，生成目标节点向量，包括：

28、通过所述节点向量化算法结合各个所述图节点之间的边权重和相似度，以及各个所述图节点的节点度生成各个图结构向量；

29、将各个所述图结构向量与所述节点向量进行拼接，生成所述目标节点向量。

30、所述根据所述组件结构图中各个图节点的第一描述信息和各个节点边的第二描述信息，生成节点向量，包括：

31、根据各个所述图节点的第一描述信息，生成各个所述图节点的节点句向量，并根据各个所述节点边的第二描述信息，生成各个所述节点边的连边句向量；

32、将各个所述节点边的连边句向量进行加权求均值，得到各个所述节点边的连边均值向量；

33、将各个所述图节点的节点句向量和各个所述节点边的连边均值向量进行拼接，生成所述节点向量。

34、构建所述组件结构图，包括：

35、将终端设备的各个软件设备和各个硬件设备确定为各个组件，并将各个组件确定为图节点；

36、将各个所述图节点之间的调用关系确定为节点边，将各个所述图节点之间的调用次数确定为边权重；

37、根据各个所述图节点，以及各个所述图节点之间的节点边和边权重，构建所述组件结构图。

38、第二方面，本技术提供一种异常组件溯源装置包括：

39、确定生成模块，用于确定组件结构图，并根据所述组件结构图中各个图节点的第一描述信息和各个节点边的第二描述信息，生成节点向量；

40、生成模块，用于通过节点向量化算法结合各个所述图节点和所述节点向量，生成目标节点向量；

41、分层聚合模块，用于通过分层聚合算法结合所述目标节点向量对各个所述图节点进行分层聚合，得到一阶聚合向量；

42、聚合加权模块，用于通过多阶聚合算法结合所述目标节点向量对各个所述图节点进行多阶聚合，得到多阶聚合向量，并将所述一阶聚合向量和所述多阶聚合向量进行加权，得到最终节点向量；

43、溯源模块，用于通过标准分类模型结合所述最终节点向量定位出频率最高的图节点，将所述频率最高的图节点确定为异常节点。

44、第三方面，本技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述异常组件溯源方法。

45、第四方面，本技术还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述异常组件溯源方法。

46、第五方面，本技术还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被所述处理器执行时实现第一方面所述异常组件溯源方法。

47、本技术提供的异常组件溯源方法、装置、电子设备及计算机存储介质，在溯源异常组件的过程中，通过节点向量化算法丰富节点的语义表征，通过分层聚合算法扩大节点的特征维度，通过多阶聚合算法扩大节点感知信息，最后通过标准分类模型快速且准确地溯源出异常节点，即能够快速且准确地溯源出所有组件中的异常组件。