本技术涉及计算机，尤其涉及一种风险处理方法、装置、电子设备和存储介质。
背景技术：
1、信息技术（it）系统运维是保证it系统稳定、高效、安全运行的一系列管理与技术活动，其目标是贯穿于系统从部署上线到退役的全生命周期。具体来说，运维过程需要通过持续的监控、维护、优化和故障处理，使it系统能够支撑组织的业务需求。
2、在实际应用中，传统运维方案主要依赖于人工经验或是基于阈值进行风险预警，容易出现漏报或误报的问题，且依赖于人工或简单的阈值设置无法快速定位复杂告警的根源，因此，其风险预测能力不足，运维效率较低。
技术实现思路
1、本技术实施例提供了一种风险处理方法、装置、电子设备和存储介质，以提高it系统的风险预测能力，进而提高运维效率。
2、第一方面，本技术实施例提供了一种风险处理方法，包括：
3、获取it系统的硬件检测数据；
4、基于所述硬件检测数据所属的多个类别属性，对所述硬件检测数据进行特征处理，得到所述硬件检测数据对应的分类嵌入向量；
5、基于所述分类嵌入向量生成所述硬件检测数据的时态数据图，所述时态数据图用于指示所述硬件检测数据的时序信息；
6、基于所述分类嵌入向量和所述时态数据图进行风险预测，得到所述it系统的风险预测结果；
7、基于目标知识图谱对所述风险预测结果进行根因分析，得到所述风险预测结果对应的目标根因节点，所述目标知识图谱用于指示所述it系统中的多个风险设备以及所述多个风险设备的关联关系。
8、可选地，所述基于所述硬件检测数据所属的多个类别属性，对所述硬件检测数据进行特征处理，得到所述硬件检测数据对应的分类嵌入向量，包括：
9、对所述硬件检测数据进行转换，得到所述硬件检测数据对应的张量数据；
10、基于所述多个类别属性分别对所述张量数据进行嵌入处理，得到所述硬件检测数据在所述多个类别属性下的属性嵌入向量；
11、对所述硬件检测数据在所述多个类别属性下的属性嵌入向量进行聚合处理，得到聚合嵌入向量；
12、基于多层感知机对所述聚合嵌入向量进行处理，得到所述硬件检测数据的分类嵌入向量。
13、可选地，所述风险预测通过门控时态注意力网络执行，所述门控时态注意力网络包括门控机制和时序图注意力网络；
14、所述基于所述分类嵌入向量和所述时态数据图进行风险预测，得到所述it系统的风险预测结果，包括：
15、将所述分类嵌入向量和所述时态数据图作为输入数据，通过所述时序图注意力网络确定时序聚合特征；
16、通过所述门控机制对所述时序聚合特征和所述分类嵌入向量进行处理，得到门控特征；
17、基于所述门控特征和所述时态数据图，确定所述风险预测结果。
18、可选地，所述基于目标知识图谱对所述风险预测结果进行根因分析，得到所述风险预测结果对应的目标根因节点，包括：
19、利用关键字或标签匹配技术，基于所述风险预测结果，从所述目标知识图谱指示的所述多个风险设备中确定初始根因节点；
20、基于风险预测结果与所述初始根因节点之间的规则特征，确定所述初始根因节点的第一分数，并基于所述第一分数从所述初始根因节点中确定候选根因节点；
21、利用梯度提升树确定所述候选根因节点的第二分数，并基于所述第二分数从所述候选根因节点中确定所述目标根因节点。
22、可选地，所述利用梯度提升树确定所述候选根因节点的第二分数，并基于所述第二分数从所述候选根因节点中确定所述目标根因节点，包括：
23、对候选根因节点进行初始预测，得到初始预测结果；
24、计算所述初始预测结果与预设真实结果之间的残差；
25、基于所述残差进行模型训练，训练结束得到所述梯度提升树；
26、利用所述梯度提升树对所述候选根因节点进行打分，得到所述第二分数；
27、将所述第二分数中的最大值对应的候选根因节点确定为所述目标根因节点。
28、第二方面，本技术实施例提供了一种风险处理装置，包括：
29、数据获取模块，用于获取it系统的硬件检测数据；
30、特征处理模块，用于基于所述硬件检测数据所属的多个类别属性，对所述硬件检测数据进行特征处理，得到所述硬件检测数据对应的分类嵌入向量；
31、图生成模块，用于基于所述分类嵌入向量生成所述硬件检测数据的时态数据图，所述时态数据图用于指示所述硬件检测数据的时序信息；
32、风险预测模块，用于基于所述分类嵌入向量和所述时态数据图进行风险预测，得到所述it系统的风险预测结果；
33、根因分析模块，用于基于目标知识图谱对所述风险预测结果进行根因分析，得到所述风险预测结果对应的目标根因节点，所述目标知识图谱用于指示所述it系统中的多个风险设备以及所述多个风险设备的关联关系。
34、可选地，所述特征处理模块，具体用于：
35、对所述硬件检测数据进行转换，得到所述硬件检测数据对应的张量数据；
36、基于所述多个类别属性分别对所述张量数据进行嵌入处理，得到所述硬件检测数据在所述多个类别属性下的属性嵌入向量；
37、对所述硬件检测数据在所述多个类别属性下的属性嵌入向量进行聚合处理，得到聚合嵌入向量；
38、基于多层感知机对所述聚合嵌入向量进行处理，得到所述硬件检测数据的分类嵌入向量。
39、可选地，所述风险预测通过门控时态注意力网络执行，所述门控时态注意力网络包括门控机制和时序图注意力网络；
40、所述风险预测模块，具体用于：
41、将所述分类嵌入向量和所述时态数据图作为输入数据，通过所述时序图注意力网络确定时序聚合特征；
42、通过所述门控机制对所述时序聚合特征和所述分类嵌入向量进行处理，得到门控特征；
43、基于所述门控特征和所述时态数据图，确定所述风险预测结果。
44、第三方面，本技术实施例提供了一种电子设备，所述设备包括：处理器、存储器、系统总线；
45、所述处理器以及所述存储器通过所述系统总线相连；
46、所述存储器用于存储程序，所述程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述风险处理方法的任一实现步骤。
47、第四方面，本技术实施例提供了一种计算机可读存储介质，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器执行时实现如上述风险处理方法的任一实现步骤。
48、从以上技术方案可以看出，本技术实施例具有以下优点：
49、在本技术实施例中，获取it系统的硬件检测数据之后，可以先基于硬件检测数据所属的多个类别属性，对硬件检测数据进行特征处理，得到硬件检测数据对应的分类嵌入向量，再基于分类嵌入向量生成硬件检测数据的时态数据图，该时态数据图用于指示硬件检测数据的时序信息。接着，可以基于分类嵌入向量和时态数据图进行风险预测，得到it系统的风险预测结果，而后便可基于目标知识图谱对风险预测结果进行根因分析，得到风险预测结果对应的目标根因节点，该目标知识图谱用于指示it系统中的多个风险设备以及多个风险设备的关联关系。可见，在本方案中能够通过数据采集、时态图建模、风险预测以及根因分析几个步骤构建智能化运维闭环，即先分析硬件检测数据挖掘出对应的分类嵌入向量与时序信息之间的关系，实现对潜在风险的预测，再基于目标知识图谱风险预测结果对应的目标根因节点的快速定位，以便于工作人员基于目标根因节点进行后续故障处理。这样一来，能够有效地实现对it系统的全生命周期风险管控，提升it系统的风险预测能力和运维效率。