基于知识图谱的告警根因分析方法及其相关设备与流程

本技术涉及人工智能，尤其涉及一种基于知识图谱的告警根因分析方法及其相关设备。

背景技术：

1、在告警根因的分析过程中，通常需要通过计算实时告警事件的实时告警图谱和历史告警图谱的相似度，来进行知识图谱的融合，以使告警根因的分析更加贴近实际情况。

2、目前，主要通过图卷积网络(graph convolutional networks，gcn)计算实时告警事件的实时告警图谱和历史告警图谱的相似度，但是这种方式在知识图谱融合的过程中，知识图谱的边的权重是固定的，其灵活度不高，与实际情况相比仍然存在一定差异，从而导致告警根因的定位的准确率较低。

技术实现思路

1、本技术的主要目的在于提供一种基于知识图谱的告警根因分析方法及其相关设备，旨在解决告警根因的定位的准确率较低的问题。

2、为实现上述目的，本技术提供一种基于知识图谱的告警根因分析方法，所述基于知识图谱的告警根因分析方法包括以下步骤：

3、在检测到实时告警事件的情况下，根据所述实时告警事件的告警传播关系，生成与所述实时告警事件关联的实时告警知识图谱，并从图数据库中获取历史告警知识图谱；

4、通过实体对齐方法计算所述实时告警知识图谱和所述历史告警知识图谱之间的相似度，并确定所述历史告警知识图谱中与所述实时告警知识图谱的相似度大于预设值的目标告警知识图谱；其中，所述实体对齐方法将图注意力网络gat作为嵌入对齐模型；

5、根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因。

6、可选地，所述通过实体对齐方法计算所述实时告警知识图谱和所述历史告警知识图谱之间的相似度，并确定所述历史告警知识图谱中与所述实时告警知识图谱的相似度大于预设值的目标告警知识图谱的步骤，包括：

7、通过神经网络的图嵌入层gat，将所述实时告警知识图谱和所述历史告警知识图谱中的实体对映射到向量空间中，并在所述向量空间中通过知识嵌入层transh计算相似度；

8、确定所述历史告警知识图谱中与所述实时告警知识图谱的相似度大于预设值的目标告警知识图谱。

9、可选地，所述根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因的步骤，包括：

10、通过关联分析算法apriori，计算所述目标告警知识图谱中目标告警事件和所述实时告警事件的告警指标的支持度和置信度；

11、若所述告警指标的支持度大于预设的支持度阀值，且所述告警指标的置信度大于所述置信度阈值，则剔除与所述目标告警事件关联的目标告警知识图谱，得到非关联目标告警知识图谱；

12、根据预设的告警根因数目，在所述非关联目标告警知识图谱中，确定与所述告警根因数目对应的告警根因。

13、可选地，所述根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因的步骤，还包括：

14、在实时告警事件的切片时间窗口内，通过时序数据异常检测方法计算所述目标告警知识图谱中目标告警事件的指标数据，并基于预设的异常值范围确定与所述指标数据关联的目标告警事件的状态；

15、若与所述指标数据关联的目标告警事件的状态为正常状态，则剔除与所述正常状态的目标告警事件关联的目标告警知识图谱，得到异常告警知识图谱；其中，所述正常状态是指与不在所述异常值范围内的指标数据关联的目标告警事件的状态；

16、根据预设的告警根因数目，在所述异常告警知识图谱中，确定与所述告警根因数目对应的告警根因。

17、可选地，所述根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因的步骤，还包括：

18、根据历史告警数据，计算告警传播权重值，其中，所述告警传播权重值由所述告警知识图谱中相邻的两个节点，上一节点发生告警的条件下，下一节点发生告警的次数与上一节点总共发生的告警次数的比值得到的；

19、根据所述告警传播权重值，计算所述目标告警知识图谱的异常评分；

20、将所述异常评分由高到低进行排序，并依照所述异常评分的顺序确定与所述告警根因数目对应的高评分告警知识图谱；

21、确定所述高评分告警知识图谱中的告警根因。

22、可选地，所述在检测到实时告警事件的情况下，根据所述实时告警事件的告警传播关系，生成与所述实时告警事件关联的实时告警知识图谱，并从图数据库中获取历史告警知识图谱的步骤之前，包括：

23、根据cmdb数据和调用链数据，构建软硬件知识图谱；

24、根据与历史告警事件关联的告警传播关系，构建历史告警知识图谱；

25、将所述软硬件知识图谱和所述历史告警知识图谱存入图数据库，以供后续分析告警根因。

26、可选地，所述根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因的步骤之后，包括：

27、在预设的知识库中根据所述告警根因确定关联的解决方案，其中，所述知识库包括与至少一个告警根因关联的多个解决方案；

28、若确定到与所述告警根因关联的解决方案，则输出所述解决方案；

29、若未确定到与所述告警根因关联的解决方案，则接收用户输入的所述告警根因的实际解决方案，并将所述实际解决方案存入所述知识库。

30、此外，为实现上述目的，本技术还提供一种基于知识图谱的告警根因分析装置，所述基于知识图谱的告警根因分析装置包括：

31、获取模块，用于在检测到实时告警事件的情况下，根据所述实时告警事件的告警传播关系，生成与所述实时告警事件关联的实时告警知识图谱，并从图数据库中获取历史告警知识图谱；

32、计算模块，用于通过实体对齐方法计算所述实时告警知识图谱和所述历史告警知识图谱之间的相似度，并确定所述历史告警知识图谱中与所述实时告警知识图谱的相似度大于预设值的目标告警知识图谱；其中，所述实体对齐方法将图注意力网络gat作为嵌入对齐模型；

33、确定模块，用于根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因。

34、此外，为实现上述目的，本技术还提供一种基于知识图谱的告警根因分析设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于知识图谱的告警根因分析程序，所述基于知识图谱的告警根因分析程序配置为实现所述的基于知识图谱的告警根因分析方法的步骤。

35、此外，为实现上述目的，本技术还提供一种存储介质，所述存储介质上存储有基于知识图谱的告警根因分析程序，所述基于知识图谱的告警根因分析程序被处理器执行时实现所述的基于知识图谱的告警根因分析方法的步骤。

36、本技术提供了一种基于知识图谱的告警根因分析方法及其相关设备，与相关技术中主要通过图卷积网络(graph convolutional networks，gcn)计算实时告警事件的实时告警图谱和历史告警图谱的相似度，但是这种方式在知识图谱融合的过程中，知识图谱的边的权重是固定的，其灵活度不高，与实际情况相比仍然存在一定差异，从而导致告警根因的定位的准确率较低相比，在本技术中，在检测到实时告警事件的情况下，根据所述实时告警事件的告警传播关系，生成与所述实时告警事件关联的实时告警知识图谱，并从图数据库中获取历史告警知识图谱；通过实体对齐方法计算所述实时告警知识图谱和所述历史告警知识图谱之间的相似度，并确定所述历史告警知识图谱中与所述实时告警知识图谱的相似度大于预设值的目标告警知识图谱；其中，所述实体对齐方法将图注意力网络gat作为嵌入对齐模型；根据预设的告警根因数目，在所述目标告警知识图谱中确定与所述告警根因数目对应的告警根因。可以理解，在本技术中，根据实时告警事件的告警传播关系，生成实时告警知识图谱，并从图数据库中获取历史告警知识图谱，再通过将图注意力网络gat作为嵌入对齐模型的实体对齐方法计算实时告警知识图谱和历史告警知识图谱之间的相似度，并确定相似度大于预设值的目标告警知识图谱，然后在目标告警知识图谱中确定与预设的告警根因数目对应的告警根因，将图注意力网络gat作为嵌入对齐模型的实体对齐方法在知识图谱融合的过程中，知识图谱的边的权重是不固定的，其灵活度更高，与实际情况更加贴切，从而提高了告警根因的定位的准确率。