本發(fā)明涉及災(zāi)難事件預(yù)測，具體涉及基于人工智能的災(zāi)難事件預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、信息技術(shù)服務(wù)管理(itsm)在保障信息技術(shù)(it)服務(wù)持續(xù)可用性方面發(fā)揮著關(guān)鍵作用，其運(yùn)作依賴于tickets機(jī)制自動化地向運(yùn)維團(tuán)隊(duì)報(bào)告客戶問題和事件。這些tickets的觸發(fā)主要有兩種情況：一是it生態(tài)系統(tǒng)中的異常中斷，如停機(jī)、錯誤、性能問題等；二是計(jì)劃內(nèi)的需求，如請求訪問權(quán)限、重置密碼、更新數(shù)據(jù)、配置服務(wù)等。異常中斷可能導(dǎo)致一系列故障，而與itsm相關(guān)的操作中，被動響應(yīng)機(jī)制常在高嚴(yán)重性事件發(fā)生后才采取應(yīng)對措施，這些事件會導(dǎo)致系統(tǒng)停機(jī)并增加成本。

2、傳統(tǒng)上，現(xiàn)有系統(tǒng)采用多種機(jī)制來預(yù)測系統(tǒng)故障或向運(yùn)維人員提供故障的及時警告，或確定應(yīng)用系統(tǒng)中故障的根本原因。這些機(jī)制包括基于日志過濾的技術(shù)、基于optics(ordering?points?to?identify?clustering?structure，基于密度的聚類算法)和lstm(長短期記憶網(wǎng)絡(luò))的技術(shù)，以及it系統(tǒng)控制臺日志相關(guān)的格式化文本、相似度評分技術(shù)、基于lime(局部可解釋模型無關(guān)解釋)的解釋性技術(shù)、以及如集群時間分析的分析方法。然而，這些現(xiàn)有技術(shù)存在諸多不足。

3、首先，現(xiàn)有技術(shù)未包含基于每個服務(wù)的個體模式識別災(zāi)難性事件及其發(fā)生概率的機(jī)制。此外，這些技術(shù)未考慮事件序列來針對災(zāi)難性事件進(jìn)行根本原因識別。現(xiàn)有技術(shù)中的事件預(yù)測系統(tǒng)通常使用獨(dú)立的事件模型，忽略了事件發(fā)生的時間順序和前后關(guān)聯(lián)性。這種方法主要集中在單一的事件特征和當(dāng)時狀態(tài)的分析，缺乏對事件序列的動態(tài)追蹤，導(dǎo)致無法全面識別連續(xù)事件間的相互關(guān)系和累積影響。在一些傳統(tǒng)的事件分析模型(如基于規(guī)則的系統(tǒng))中，事件處理往往是“靜態(tài)”的，即每個事件都獨(dú)立處理，忽略了時序關(guān)系。這種方式無法充分捕捉潛在的災(zāi)難性事件鏈條，也無法通過歷史事件的順序關(guān)系判斷根本原因。

4、具體來看，optics算法主要用于基于密度的聚類，雖然能夠有效發(fā)現(xiàn)不同密度的聚類，但它并沒有天然地考慮時間序列數(shù)據(jù)。在事件預(yù)測中，事件的發(fā)生順序和時間間隔對災(zāi)難性事件的預(yù)測至關(guān)重要，而optics無法有效處理帶有時間依賴性的事件序列，因此難以捕捉事件之間的時序關(guān)系。lstm網(wǎng)絡(luò)雖然是處理時間序列數(shù)據(jù)的強(qiáng)大工具，但它也存在一定的局限性。在災(zāi)難性事件預(yù)測中，lstm往往只能基于歷史數(shù)據(jù)的長期依賴關(guān)系來預(yù)測未來的事件，而忽略了事件序列中的局部模式和突發(fā)性變化。此外，lstm在處理大規(guī)模數(shù)據(jù)時可能面臨過擬合問題，尤其在數(shù)據(jù)稀疏或者事件間隔較長的情況下，lstm可能無法有效捕捉到潛在的災(zāi)難性事件序列。

5、將optics和lstm與序列規(guī)則結(jié)合進(jìn)行災(zāi)難性事件預(yù)測存在技術(shù)挑戰(zhàn)。optics主要通過數(shù)據(jù)的密度聚類來識別模式，但不考慮時間序列的依賴性，因此無法有效捕捉事件間的時序關(guān)系。而lstm雖然擅長處理時間序列數(shù)據(jù)，但對高維、多特征的數(shù)據(jù)和復(fù)雜事件間的多重依賴關(guān)系建模不足，可能導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確。此外，序列規(guī)則與機(jī)器學(xué)習(xí)模型在表達(dá)方式上的差異，使得兩者的結(jié)合復(fù)雜且難以實(shí)現(xiàn)，尤其是在處理噪聲和高維數(shù)據(jù)時，可能導(dǎo)致過擬合或泛化不足，影響預(yù)測的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、基于上述背景技術(shù)所提出的問題，本發(fā)明的目的在于提供基于人工智能的災(zāi)難事件預(yù)測方法、系統(tǒng)、設(shè)備及介質(zhì)，通過結(jié)合自然語言處理、機(jī)器學(xué)習(xí)、聚類分析和序列規(guī)則挖掘技術(shù)，針對多服務(wù)環(huán)境中災(zāi)難性事件從歷史和實(shí)時數(shù)據(jù)中識別事件模式、風(fēng)險(xiǎn)評分和根本原因，解決了現(xiàn)有技術(shù)模式識別與時間序列依賴性不足、高維多特征數(shù)據(jù)建模能力欠缺以及序列規(guī)則與機(jī)器學(xué)習(xí)模型結(jié)合困難的問題。

2、本發(fā)明通過下述技術(shù)方案實(shí)現(xiàn)：

3、本發(fā)明第一方面提供了基于人工智能的災(zāi)難事件預(yù)測方法，包括如下步驟：

4、接收來自于多個服務(wù)系統(tǒng)的tickets信息；

5、對所述tickets信息進(jìn)行嚴(yán)重性分析，根據(jù)嚴(yán)重性分析結(jié)果將所述tickets信息劃分為預(yù)定義事件窗口集合和預(yù)定義非事件窗口集合；

6、采用聚類模型對所述預(yù)定義事件窗口集合和所述預(yù)定義非事件窗口集合進(jìn)行聚類，得到群集數(shù)據(jù)；

7、對所述群集數(shù)據(jù)進(jìn)行序列模式挖掘，得到事件序列模式；

8、獲取模式規(guī)則庫，將所述事件序列模式與所述模式規(guī)則庫進(jìn)行匹配與分?jǐn)?shù)計(jì)算，得到服務(wù)事件風(fēng)險(xiǎn)分?jǐn)?shù)。

9、在上述技術(shù)方案中，事件預(yù)測系統(tǒng)的處理器從多個來源(例如服務(wù)平臺、運(yùn)維平臺等)接收多個ticket數(shù)據(jù)。每個ticket包含一組信息，包括ticket的嚴(yán)重性、服務(wù)類型、ticket描述、操作員信息和創(chuàng)建時間。處理器首先按時間順序排列這些ticket數(shù)據(jù)，以便進(jìn)行后續(xù)分析。

10、處理器對每個服務(wù)的ticket數(shù)據(jù)識別出預(yù)定義的“事件窗口”和“非事件窗口”。事件窗口指示在災(zāi)難性事件發(fā)生之前的ticket集合，非事件窗口則指示未涉及災(zāi)難性事件的ticket集合。這些窗口的定義基于ticket的到達(dá)時間間隔和其他歷史數(shù)據(jù)。

11、使用自然語言處理技術(shù)(nlp)，處理器從ticket描述中提取關(guān)鍵詞，去除與事件無關(guān)的術(shù)語，提取相關(guān)單詞集。通過這種方式，處理器能夠?yàn)槊總€ticket數(shù)據(jù)生成一組代表該ticket重要信息的單詞集。

12、處理器將ticket的單詞集與預(yù)定義的聚類模型進(jìn)行比較，識別每組ticket的聚類數(shù)據(jù)。通過計(jì)算詞集與聚類中心的相似度，處理器能夠?qū)⒚總€ticket歸類到最合適的聚類中。接著，處理器使用挖掘技術(shù)，識別每個聚類數(shù)據(jù)中的序列規(guī)則，這些規(guī)則反映了高嚴(yán)重性事件發(fā)生的模式。

13、基于歷史ticket數(shù)據(jù)、序列規(guī)則和聚類數(shù)據(jù)，處理器為每個服務(wù)生成風(fēng)險(xiǎn)評分。風(fēng)險(xiǎn)評分基于多個因素，例如ticket的嚴(yán)重性、歷史間隔時間、事件窗口中的模式等。根據(jù)生成的風(fēng)險(xiǎn)評分，處理器可以預(yù)測潛在的災(zāi)難性事件，并提前采取預(yù)防措施。

14、通過結(jié)合自然語言處理、機(jī)器學(xué)習(xí)、聚類分析和序列規(guī)則挖掘技術(shù)，針對多服務(wù)環(huán)境中災(zāi)難性事件從歷史和實(shí)時數(shù)據(jù)中識別事件模式、風(fēng)險(xiǎn)評分和根本原因，解決了現(xiàn)有技術(shù)模式識別與時間序列依賴性不足、高維多特征數(shù)據(jù)建模能力欠缺以及序列規(guī)則與機(jī)器學(xué)習(xí)模型結(jié)合困難的問題。

15、在一種可選的實(shí)施例中，對所述tickets信息進(jìn)行嚴(yán)重性分析，包括：

16、對所述tickets信息進(jìn)行文本預(yù)處理，并對文本預(yù)處理后的tickets信息進(jìn)行分詞操作，得到多個詞語單元；

17、通過詞形還原技術(shù)對所述多個詞語單元進(jìn)行歸并，得到統(tǒng)一詞語；

18、采用tf-idf算法計(jì)算所述統(tǒng)一詞語的重要性，生成向量化詞表。

19、在一種可選的實(shí)施例中，根據(jù)嚴(yán)重性分析結(jié)果將所述tickets信息劃分為預(yù)定義事件窗口集合和預(yù)定義非事件窗口集合，包括：

20、解析所述tickets信息的創(chuàng)建時間字段；

21、基于所述創(chuàng)建時間字段采用滑動窗口算法對所述tickets信息進(jìn)行時間窗口劃分，得到tickets信息時間窗口；

22、對所述tickets信息時間窗口內(nèi)的向量化詞表進(jìn)行分析，根據(jù)分析結(jié)果將所述tickets信息時間窗口劃分為預(yù)定義事件窗口集合和預(yù)定義非事件窗口集合。

23、在一種可選的實(shí)施例中，采用聚類模型對所述預(yù)定義事件窗口集合和所述預(yù)定義非事件窗口集合進(jìn)行聚類，包括如下步驟：

24、a、初始化聚類中心；

25、b、計(jì)算所述預(yù)定義事件窗口集合和所述預(yù)定義非事件窗口集合的余弦相似度；

26、c、根據(jù)所述余弦相似度將所述預(yù)定義事件窗口集合和所述預(yù)定義非事件窗口集合歸類至所述聚類中心；

27、d、對歸類后的聚類中心進(jìn)行更新，重復(fù)步驟b至步驟d直至更新后的聚類中心趨于穩(wěn)定。

28、在一種可選的實(shí)施例中，對所述群集數(shù)據(jù)進(jìn)行序列模式挖掘，包括：

29、獲取歷史事件數(shù)據(jù)，利用自然語言處理和機(jī)器學(xué)習(xí)技術(shù)對所述歷史事件數(shù)據(jù)進(jìn)行規(guī)則挖掘，生成序列規(guī)則；

30、基于所述序列規(guī)則采用prefixspan算法對所述群集數(shù)據(jù)中每個窗口內(nèi)的聚類標(biāo)簽進(jìn)行序列模式挖掘，得到頻繁事件序列。

31、本發(fā)明第二方面提供了基于人工智能的災(zāi)難事件預(yù)測系統(tǒng)，包括：

32、接收模塊，用于接收來自于多個服務(wù)系統(tǒng)的tickets信息；

33、窗口模塊，用于對所述tickets信息進(jìn)行嚴(yán)重性分析，根據(jù)嚴(yán)重性分析結(jié)果將所述tickets信息劃分為預(yù)定義事件窗口集合和預(yù)定義非事件窗口集合；

34、聚類模塊，用于采用聚類模型對所述預(yù)定義事件窗口集合和所述預(yù)定義非事件窗口集合進(jìn)行聚類，得到群集數(shù)據(jù)；

35、序列模塊，用于對所述群集數(shù)據(jù)進(jìn)行序列模式挖掘，得到事件序列模式；

36、匹配模塊，用于獲取模式規(guī)則庫，將所述事件序列模式與所述模式規(guī)則庫進(jìn)行匹配與分?jǐn)?shù)計(jì)算，得到服務(wù)事件風(fēng)險(xiǎn)分?jǐn)?shù)。

37、在一種可選的實(shí)施例中，所述窗口模塊包括：

38、文本處理單元，用于對所述tickets信息進(jìn)行文本預(yù)處理，并對文本預(yù)處理后的tickets信息進(jìn)行分詞操作，得到多個詞語單元；

39、詞語處理單元，用于通過詞形還原技術(shù)對所述多個詞語單元進(jìn)行歸并，得到統(tǒng)一詞語；

40、向量化單元，用于采用tf-idf算法計(jì)算所述統(tǒng)一詞語的重要性，生成向量化詞表。

41、在一種可選的實(shí)施例中，所述窗口模塊還包括：

42、解析單元，用于解析所述tickets信息的創(chuàng)建時間字段；

43、窗口劃分單元，用于基于所述創(chuàng)建時間字段采用滑動窗口算法對所述tickets信息進(jìn)行時間窗口劃分，得到tickets信息時間窗口；

44、集合劃分單元，用于對所述tickets信息時間窗口內(nèi)的向量化詞表進(jìn)行分析，根據(jù)分析結(jié)果將所述tickets信息時間窗口劃分為預(yù)定義事件窗口集合和預(yù)定義非事件窗口集合。

45、本發(fā)明第三方面提供了一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)基于人工智能的災(zāi)難事件預(yù)測方法。

46、本發(fā)明第四方面提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)基于人工智能的災(zāi)難事件預(yù)測方法。

47、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：

48、通過結(jié)合自然語言處理、機(jī)器學(xué)習(xí)、聚類分析和序列規(guī)則挖掘技術(shù)，針對多服務(wù)環(huán)境中災(zāi)難性事件從歷史和實(shí)時數(shù)據(jù)中識別事件模式、風(fēng)險(xiǎn)評分和根本原因，解決了現(xiàn)有技術(shù)模式識別與時間序列依賴性不足、高維多特征數(shù)據(jù)建模能力欠缺以及序列規(guī)則與機(jī)器學(xué)習(xí)模型結(jié)合困難的問題。