故障识别方法、模型的训练方法、装置、设备以及介质与流程

本发明属于数据处理，特别是涉及一种故障识别方法、模型的训练方法、装置、设备以及介质。

背景技术：

1、随着大数据技术的快速发展，加速了社会信息化的进步，企业运维技术也由传统的依赖人工转变为智能运维。在智能运维的过程中，智能故障诊断作为智能运维中的核心技术，能够实现及时发现问题，快速定位故障根因等功能，从而保障系统的安全性、稳定性和可用性。

2、相关技术中，往往通过在业务系统中的日志数据中搜索故障关键字，以输出当前故障现象对应的故障类型，但这种故障类型的识别方法，无法准确定位真实故障类型，并且逐一对日志数据中的信息进行关键字搜索，耗费的时间较长，因此，这种故障识别方法的准确度较低且识别效率较低。

技术实现思路

1、为克服相关技术中存在的问题，本发明提供了一种故障识别方法、模型的训练方法、装置、设备以及介质。

2、第一方面，本发明提供了一种故障识别方法，所述方法包括：

3、获取待识别日志数据；所述待识别日志数据用于记录目标故障对应的故障信息；

4、基于故障识别模型中的特征提取模型，对所述待识别日志数据进行特征提取，得到特征提取向量；所述特征提取模型是基于用于提取不同维度特征的至少两个目标语义模型融合得到的，所述特征提取向量用于表征所述待识别日志数据对应的多维度特征信息；

5、基于所述故障识别模型中的目标分类模型，对所述特征提取向量进行处理，得到所述目标故障对应的故障分类结果；所述故障分类结果用于表征所述目标故障对应的故障类型。

6、第二方面，本发明提供了一种故障识别模型的训练方法，所述方法包括：

7、获取待训练样本数据集；所述待训练样本数据集包括多个样本日志数据；

8、基于所述多个样本日志数据，对至少两个待训练语义模型进行训练，得到至少两个目标语义模型，并基于所述至少两个目标语义模型确定特征提取模型；

9、基于所述特征提取模型获取各所述样本日志数据对应的第一特征向量；所述第一特征向量用于表征所述样本日志数据对应的多维度特征信息；

10、基于所述多个样本日志数据对应的第一特征向量以及所述多个样本日志数据对应的类别标签，对待训练分类模型进行训练，得到目标分类模型；所述类别标签用于表征所述样本日志数据记录的故障所属的故障类型；

11、将所述特征提取模型以及所述目标分类模型确定为故障识别模型。

12、第三方面，本发明提供了一种故障识别装置，所述装置包括：

13、第一获取模块，用于获取待识别日志数据；所述待识别日志数据用于记录目标故障对应的故障信息；

14、第一提取模块，用于基于故障识别模型中的特征提取模型，对所述待识别日志数据进行特征提取，得到特征提取向量；所述特征提取模型是基于用于提取不同维度特征的至少两个目标语义模型融合得到的，所述特征提取向量用于表征所述待识别日志数据对应的多维度特征信息；

15、第一处理模块，用于基于所述故障识别模型中的目标分类模型，对所述特征提取向量进行处理，得到所述目标故障对应的故障分类结果；所述故障分类结果用于表征所述目标故障对应的故障类型。

16、第四方面，本发明提供了一种故障识别模型的训练装置，其特征在于，所述装置包括：

17、第二获取模块，用于获取待训练样本数据集；所述待训练样本数据集包括多个样本日志数据；

18、第一训练模块，用于基于所述多个样本日志数据，对至少两个待训练语义模型进行训练，得到至少两个目标语义模型，并基于所述至少两个目标语义模型确定特征提取模型；

19、第三获取模块，用于基于所述特征提取模型获取各所述样本日志数据对应的第一特征向量；所述第一特征向量用于表征所述样本日志数据对应的多维度特征信息；

20、第二训练模块，用于基于所述多个样本日志数据对应的第一特征向量以及所述多个样本日志数据对应的类别标签，对待训练分类模型进行训练，得到目标分类模型；所述类别标签用于表征所述样本日志数据记录的故障所属的故障类型；

21、第三确定模块，用于将所述特征提取模型以及所述目标分类模型确定为故障识别模型。

22、第五方面，本发明提供一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述第一方面中任一项所述的故障识别方法或故障识别模型的训练方法。

23、第六方面，本发明提供一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述第一方面中任一项实施例中的故障识别方法或故障识别模型的训练方法中的步骤。

24、本发明实施例中，通过获取待识别日志数据，并基于故障识别模型中的特征提取模型，对待识别日志数据进行特征提取，得到特征提取向量；特征提取模型是基于用于提取不同维度特征的至少两个目标语义模型融合得到的；基于故障识别模型中的目标分类模型，对特征提取向量进行处理，得到目标故障对应的故障分类结果；故障分类结果用于表征目标故障对应的故障类型。这样，可以通过对待识别日志数据的特征提取得到特征提取向量，特征提取向量用于表征待识别日志数据对应的多维度特征信息，一定程度上增加了特征的表达维度，提高了特征提取向量的表达能力，并通过目标分类模型对特征提取向量进行处理得到故障分类结果，从而能够更准确的确定故障分类结果，提高了故障分类结果的准确性。同时，相较于逐一对日志数据中的信息进行关键字搜索，自动化的进行故障识别，提高了故障分类结果的获取效率并且降低了故障分类结果的获取成本。

技术特征：

1.一种故障识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于故障识别模型中的特征提取模型，对所述待识别日志数据进行特征提取，得到特征提取向量，包括：

3.根据权利要求2所述的方法，其特征在于，所述获取所述特征提取模型输出的特征提取向量，包括：

4.根据权利要求2所述的方法，其特征在于，所述指定字段包括所述待识别日志数据中的部件名称、部件位置以及故障相关信息。

5.根据权利要求1所述的方法，其特征在于，所述基于所述故障识别模型中的目标分类模型，对所述特征提取向量进行处理，得到所述目标故障对应的故障分类结果，包括：

6.根据权利要求1所述的方法，其特征在于，所述获取待识别日志数据，包括：

7.一种故障识别模型的训练方法，其特征在于，所述方法包括：

8.根据权利要求7所述的方法，其特征在于，所述基于所述多个样本日志数据，对至少两个待训练语义模型进行训练，得到至少两个目标语义模型，并基于所述至少两个目标语义模型确定特征提取模型，包括：

9.根据权利要求8所述的方法，其特征在于，所述基于所述字段编码信息以及标签编码信息，对至少两个待训练语义模型进行训练，并确定至少两个目标语义模型，包括：

10.根据权利要求8所述的方法，其特征在于，所述至少两个待训练语义模型用于对所述字段编码信息以及所述标签编码信息进行不同维度的特征提取。

11.根据权利要求7所述的方法，其特征在于，所述获取待训练样本数据集，包括：

12.根据权利要求8所述的方法，其特征在于，所述类别标签包括多个子类别标签以及所述多个子类别标签对应的概率值；所述基于所述样本日志数据对应的类别标签，确定标签编码信息，包括：

13.根据权利要求12所述的方法，其特征在于，所述第一公式包括：

14.根据权利要求7所述的方法，其特征在于，所述基于所述特征提取模型获取各所述样本日志数据对应的第一特征向量，包括：

15.根据权利要求7所述的方法，其特征在于，所述基于所述多个样本日志数据对应的第一特征向量以及所述多个样本日志数据对应的类别标签，对待训练分类模型进行训练，得到目标分类模型，包括：

16.根据权利要求15所述的方法，其特征在于，所述基于所述第一训练集以及所述第一训练集中各第一特征向量对应的第一类别标签，对所述待训练分类模型进行训练，得到所述目标分类模型，包括：

17.根据权利要求15所述的方法，其特征在于，所述第一训练集包括至少两组待训练数据组；所述基于所述第一训练集以及所述第一训练集中各第一特征向量对应的第一类别标签，对所述待训练分类模型进行训练，得到所述目标分类模型，包括：

18.一种故障识别装置，其特征在于，所述装置包括：

19.一种故障识别模型的训练装置，其特征在于，所述装置包括：

20.一种电子设备，其特征在于，包括：

21.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1-6中任一所述的故障识别方法，或执行如权利要求7-17任一项所述的故障识别模型的训练方法。

技术总结
本发明实施例提供了一种故障识别方法、模型的训练方法、装置、设备以及介质，涉及数据处理领域，该方法包括：通过获取待识别日志数据，并基于故障识别模型中的特征提取模型，对待识别日志数据进行特征提取，得到特征提取向量；特征提取模型是基于用于提取不同维度特征的至少两个目标语义模型融合得到的；基于故障识别模型中的目标分类模型，对特征提取向量进行处理，得到目标故障对应的故障分类结果；故障分类结果用于表征目标故障对应的故障类型。这样，一定程度上增加了特征的表达维度，提高了特征提取向量的表达能力，并通过目标分类模型对特征提取向量进行处理得到故障分类结果，能够更准确的确定故障分类结果，提高了故障分类结果的准确性。

技术研发人员：张潇澜,李峰
受保护的技术使用者：苏州元脑智能科技有限公司
技术研发日：
技术公布日：2024/4/7