买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽思高智能科技有限公司

摘要：本发明公开了一种面向缺失数据的微服务系统根因定位方法、介质及设备，涉及智能运维领域，面向缺失数据的微服务系统根因定位方法主要包括：基于卷积网络对输入数据构建时间和空间维度的向量特征并得到拼接向量，通过GRU获取拼接向量的隐藏层状态，将编码器输出进行注意力对齐，得到解码器的注意力上下文向量；最后利用GRU进行解码，得到重建后的数据特征，基于重建后的数据特征，对节点的故障概率进行预测，最终实现故障根因排序。实施本发明提供的面向缺失数据的微服务系统根因定位方法、介质及设备，能实现故障根因排序，提高维护微服务系统的稳定性和可观测性。

主权项：1.一种面向缺失数据的微服务系统根因定位方法，其特征在于，包括以下步骤：S1：获取微服务监控数据，对所述微服务监控数据进行预处理，得到原序列数据和目标序列；S2：对所述原序列数据进行时间特征提取，得到微服务监控数据时间特征向量和微服务监控数据空间特征向量，将所述微服务监控数据时间特征向量和所述微服务监控数据空间特征向量进行合并，得到拼接向量；步骤S2具体包括以下步骤：S21：对所述原序列数据进行时间特征提取，得到微服务监控数据时间特征向量，如公式： ，其中，X′timeb,h,t,n为微服务监控数据时间特征向量，形状为[B,Ht,T,N]，B为数据批处理大小，Ht表示时间维度卷积层输出的特征数量，T为时间步数，N为微服务系统节点数量，Xtime是经过形状调整的输入数据，形状为[B,F,T,N]，F为每个节点监控的指标数量；b为批次索引，表示当前处理的是哪一个批次中的样本；f为特征通道索引，表示当前处理的是哪一个特征；h为输出通道索引，对应于卷积层输出特征图中的一个特定“深度”或“通道”；t为时间步索引，表示经过卷积操作后的时间维度上的位置；n为节点索引，表示当前处理的是哪一个节点；ReLU为激活函数；kt为时间维度上的卷积核大小；m为卷积核的局部索引；Wt为时间维度卷积核的权重参数；bt为时间维度卷积操作的偏置项；S22：对所述原序列数据进行空间特征提取，得到微服务监控数据空间特征向量，如公式： ，其中，X′nodeb,h,f,t为微服务监控数据空间特征向量，形状为[B,Hn,T,N]，B为数据批处理大小，Hn表示空间维度卷积层输出的特征数量，T为时间步数，N为微服务系统节点数量；b为批次索引，h为输出通道索引，f为特征通道索引，t为时间步索引；ReLU为激活函数；kn为在空间维度上卷积核大小；Xnode是经过形状调整的输入数据，形状为[B,N,F,T]；m为卷积核的局部索引；Wn为空间维度卷积核的权重参数；bn为空间维度卷积操作的偏置项；S23：将所述微服务监控数据时间特征向量和所述微服务监控数据空间特征向量进行合并，得到拼接向量，如公式： ，其中，Xcombined是拼接向量，concat.,dim=1表示在第二维上拼接两个向量，X′time为微服务监控数据时间特征向量，X′node为微服务监控数据空间特征向量；S3：根据所述拼接向量，利用1D卷积、GRU时序网络和编码器隐藏层多层传感器，得到隐藏状态、编码器输出；S4：根据所述编码器输出和隐藏状态，得到能量得分、注意力权重和上下文向量；S5：根据所述上下文向量，利用GRU解码器，得到重建后的数据特征；S6：根据所述重建后的数据特征，对节点的故障概率进行预测，得到系统故障根因。

全文数据：

权利要求：

百度查询： 安徽思高智能科技有限公司 面向缺失数据的微服务系统根因定位方法、介质及设备