一种用于IT设备运维管理方法及系统与流程

本技术涉及人工智能，具体而言，涉及一种用于it设备运维管理方法及系统。

背景技术：

1、随着企业信息化程度的不断提高，it设备运维管理变得日益复杂和关键。传统的it设备运维管理方法主要依赖于人工监控和维护，这种方法不仅效率低下，而且难以应对大规模、复杂的it系统运维需求。此外，随着云计算、大数据和人工智能等技术的快速发展，传统的运维管理模式已经无法满足现代企业的需求。

2、传统的it设备运维管理方法，主要依赖人工监控，难以实时监控大量it设备的运行状态，导致故障发现和响应速度较慢。并且，人工维护需要大量的人力资源，且维护效率不高，导致运维成本高昂。

3、此外，在自动化运维管理过程中，相关技术缺乏对it设备运维事件之间协同关系的理解和利用，导致运维决策缺乏科学性和准确性。并且，运维过程中的经验和知识难以有效积累和利用，导致运维效率和水平难以持续提升。

技术实现思路

1、鉴于上述提及的问题，结合本技术的第一方面，本技术实施例提供一种用于it设备运维管理方法，所述方法包括：

2、获取包含第一it设备运维事件和第二it设备运维事件的目标运维路径数据；

3、对所述目标运维路径数据中的所述第一it设备运维事件、所述第二it设备运维事件和运维协同链路进行特征联系，生成携带特征联系数据的目标运维路径数据，所述运维协同链路用于表示所述目标运维路径数据中用于表征所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量的协同链路；

4、对所述携带特征联系数据的目标运维路径数据进行特征提取，生成所述第一it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，以及所述第二it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，所述运维逻辑特征矢量表征it设备运维事件的运维逻辑过程，所述运维协同特征矢量表征it设备运维事件与所述运维协同链路之间的协同参数；

5、基于所述第一it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，以及所述第二it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，确定所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量；

6、基于所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量，对所述第一it设备运维事件和所述第二it设备运维事件进行运维知识摘要生成。

7、在第一方面的一种可能的实施方式中，所述对所述携带特征联系数据的目标运维路径数据进行特征提取，生成所述第一it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，以及所述第二it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，包括：

8、利用特征提取模型对所述携带特征联系数据的目标运维路径数据进行特征提取，生成所述第一it设备运维事件对应的运维逻辑特征矢量和所述第二it设备运维事件对应的运维逻辑特征矢量；

9、获取所述特征提取模型的模型中转特征；

10、利用特征聚焦模型对所述模型中转特征进行特征聚焦，生成所述第一it设备运维事件对应的运维协同特征矢量和所述第二it设备运维事件对应的运维协同特征矢量。

11、在第一方面的一种可能的实施方式中，所述利用特征聚焦模型对所述模型中转特征进行特征聚焦，生成所述第一it设备运维事件对应的运维协同特征矢量和所述第二it设备运维事件对应的运维协同特征矢量，包括：

12、从所述模型中转特征中，提取所述第一it设备运维事件对应的流转轨迹特征、所述第二it设备运维事件对应的流转轨迹特征，以及所述运维协同链路对应的流转轨迹特征；

13、以所述第一it设备运维事件为数据基准节点，计算所述第一it设备运维事件对应的流转轨迹特征相较于所述第二it设备运维事件对应的流转轨迹特征和所述运维协同链路对应的流转轨迹特征的关联性强度，生成所述第一it设备运维事件对应的运维协同特征矢量；

14、以所述第二it设备运维事件为数据基准节点，计算所述第二it设备运维事件对应的流转轨迹特征相较于所述第一it设备运维事件对应的流转轨迹特征和所述运维协同链路对应的流转轨迹特征的关联性强度，生成所述第二it设备运维事件对应的运维协同特征矢量。

15、在第一方面的一种可能的实施方式中，所述对所述携带特征联系数据的目标运维路径数据进行特征提取，生成所述第一it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，以及所述第二it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量之后，所述方法还包括：

16、获取所述第一it设备运维事件对应的运维协同特征矢量和所述第二it设备运维事件对应的运维协同特征矢量之间的知识迁移特征矢量；

17、其中，所述知识迁移特征矢量用于结合所述第一it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量以及所述第二it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，确定所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量。

18、在第一方面的一种可能的实施方式中，所述获取所述第一it设备运维事件对应的运维协同特征矢量和所述第二it设备运维事件对应的运维协同特征矢量之间的知识迁移特征矢量，包括：

19、确定所述第一it设备运维事件对应的运维协同特征矢量相较于所述第二it设备运维事件对应的运维协同特征矢量的迁移特征向量，生成第一迁移特征向量；

20、确定所述第二it设备运维事件对应的运维协同特征矢量相较于所述第一it设备运维事件对应的运维协同特征矢量的迁移特征向量，生成第二迁移特征向量；

21、将所述第一迁移特征向量和所述第二迁移特征向量进行集成，生成所述知识迁移特征矢量。

22、在第一方面的一种可能的实施方式中，所述基于所述第一it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，以及所述第二it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，确定所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量，包括：

23、将所述第一it设备运维事件对应的运维逻辑特征矢量、所述第二it设备运维事件对应的运维逻辑特征矢量、所述第一it设备运维事件对应的运维协同特征矢量和所述第二it设备运维事件对应的运维协同特征矢量进行集成，生成集成特征矢量；

24、利用事件关系预测模型对所述集成特征矢量进行事件关系预测，生成多个参考事件协同操作模式分别对应的概率评分；

25、依据所述多个参考事件协同操作模式分别对应的概率评分，确定所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量。

26、在第一方面的一种可能的实施方式中，所述依据所述多个参考事件协同操作模式分别对应的概率评分，确定所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量，包括：

27、基于所述多个参考事件协同操作模式分别对应的概率评分，选择概率评分最大的目标参考事件协同操作模式；

28、如果所述目标参考事件协同操作模式符合目标要求，则将所述目标参考事件协同操作模式确定为所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量；

29、其中，所述目标要求包括以下至少一项：

30、所述目标运维路径数据中包含所述目标参考事件协同操作模式对应的信任列表中的协同链路，和/或，所述目标运维路径数据中不包含所述目标参考事件协同操作模式对应的排除列表中的协同链路；

31、所述目标参考事件协同操作模式对应的概率评分不小于第一门限参数值；

32、所述第一it设备运维事件、所述第二it设备运维事件和所述目标参考事件协同操作模式在it设备运维日志中的触发频率不小于第二门限参数值。

33、在第一方面的一种可能的实施方式中，所述获取包含第一it设备运维事件和第二it设备运维事件的目标运维路径数据，包括：

34、获取参考it设备运维事件序列，所述参考it设备运维事件序列中包括多个it设备运维事件；

35、将所述参考it设备运维事件序列中的it设备运维事件进行任意组合，生成多个it设备运维事件组合；

36、对于所述多个it设备运维事件组合中包含所述第一it设备运维事件和所述第二it设备运维事件的目标it设备运维事件组合，从it设备运维日志中选取包含所述第一it设备运维事件和所述第二it设备运维事件的目标运维路径数据。

37、在第一方面的一种可能的实施方式中，所述方法还包括：

38、获取机器学习网络模型的待学习it设备运维数据，所述待学习it设备运维数据包括：包含第一模板it设备运维事件和第二模板it设备运维事件的模板运维路径数据，以及所述第一模板it设备运维事件和所述第二模板it设备运维事件间的标注事件协同操作模式；

39、对所述模板运维路径数据中的所述第一模板it设备运维事件、所述第二模板it设备运维事件和运维协同链路进行特征联系，生成携带特征联系数据的模板运维路径数据，所述运维协同链路用于表示所述模板运维路径数据中用于表征所述第一模板it设备运维事件和所述第二模板it设备运维事件之间的事件协同操作矢量的协同链路；

40、利用所述机器学习网络模型的特征提取模型对所述携带特征联系数据的模板运维路径数据进行特征提取，生成所述第一模板it设备运维事件对应的运维逻辑特征矢量和所述第二模板it设备运维事件对应的运维逻辑特征矢量，获取所述特征提取模型的模型中转特征，利用特征聚焦模型对所述模型中转特征进行特征聚焦，生成所述第一模板it设备运维事件对应的运维协同特征矢量和所述第二模板it设备运维事件对应的运维协同特征矢量，所述运维逻辑特征矢量表征模板it设备运维事件的运维逻辑过程，所述运维协同特征矢量表征模板it设备运维事件与所述运维协同链路之间的协同参数；

41、利用所述机器学习网络模型的事件关系预测模型基于所述第一模板it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，以及所述第二模板it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，确定所述第一模板it设备运维事件和所述第二模板it设备运维事件间的预测事件协同操作模式；

42、基于所述标注事件协同操作模式和所述预测事件协同操作模式，确定所述机器学习网络模型的机器学习误差，并依据所述机器学习误差更新所述机器学习网络模型的模型参数信息；

43、在第一方面的一种可能的实施方式中，所述利用特征聚焦模型对所述模型中转特征进行特征聚焦，生成所述第一模板it设备运维事件对应的运维协同特征矢量和所述第二模板it设备运维事件对应的运维协同特征矢量之后，所述方法还包括：

44、获取所述第一模板it设备运维事件对应的运维协同特征矢量和所述第二模板it设备运维事件对应的运维协同特征矢量之间的知识迁移特征矢量；

45、其中，所述知识迁移特征矢量用于结合所述第一模板it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量以及所述第二模板it设备运维事件对应的运维逻辑特征矢量和运维协同特征矢量，确定所述第一模板it设备运维事件和所述第二模板it设备运维事件间的预测事件协同操作模式。

46、譬如，在第一方面的一种可能的实施方式中，所述对所述目标运维路径数据中的所述第一it设备运维事件、所述第二it设备运维事件和运维协同链路进行特征联系，生成携带特征联系数据的目标运维路径数据的步骤，包括：

47、从所述第一it设备运维事件和所述第二it设备运维事件中提取关键属性字段，所述关键属性字段包括事件类型、触发时间、持续时间、影响范围、关联设备，并对所述关键属性字段进行编码，生成关键属性编码结果；

48、基于所述关键属性编码结果识别出所述目标运维路径数据中第一it设备运维事件和第二it设备运维事件之间的运维协同链路，所述运维协同链路表现为第一it设备运维事件和第二it设备运维事件之间的直接关联、时间顺序关联或者因果关系；

49、将第一it设备运维事件、第二it设备运维事件以及所述第一it设备运维事件、第二it设备运维事件之间的运维协同链路进行特征联系，所述特征联系包括时间先后关系、事件类型匹配度、影响范围的交集或并集的特征联系；

50、获取特征联系后的第一it设备运维事件和第二it设备运维事件在时间序列上的相对位置，生成时间序列特征，以及分析第一it设备运维事件和第二it设备运维事件触发时的上下文状态信息，将所述上下文状态信息编码为上下文状态编码结果并与所述关键属性编码结果进行融合，生成融合编码结果，基于所述融合编码结果对所述特征联系后的第一it设备运维事件和第二it设备运维事件进行特征增强，输出携带特征联系数据的目标运维路径数据；

51、譬如，在第一方面的一种可能的实施方式中，所述基于所述第一it设备运维事件和所述第二it设备运维事件之间的事件协同操作矢量，对所述第一it设备运维事件和所述第二it设备运维事件进行运维知识摘要生成的步骤，包括：

52、通过矩阵分解对所述事件协同操作矢量进行深度解析，确定所述第一it设备运维事件和所述第二it设备运维事件之间的协同关系和潜在关系，所述潜在关系包括操作顺序、依赖关系以及互相关影响因素；

53、基于所述第一it设备运维事件和所述第二it设备运维事件之间的协同关系和潜在关系，构建运维知识图谱，所述运维知识图谱用于以图形化的方式展示第一it设备运维事件和第二it设备运维事件之间的关系，以及所述第一it设备运维事件和第二it设备运维事件与其它相关it设备运维事件、运维知识点因素的联系，所述运维知识图谱中的节点用于表示it设备运维事件、运维协同设备或者运维订阅人员，边用于表示所述节点之间的关系；

54、基于构建好的运维知识图谱，识别出与第一it设备运维事件和第二it设备运维事件直接相关的关键节点和关键路径，所述关键节点包括其它相关的it设备运维事件、运维协同设备或者运维订阅人员，所述关键路径代表了所述关键节点之间的关系链；

55、针对每个关键节点和关键路径，提取出与协同操作相关的关键信息，其中，对于运维协同设备节点，提取出运维协同设备的名称、型号、状态信息，对于it设备运维事件节点，提取出it设备运维事件的类型、发生时间、处理结果，对于所述关键路径，提取出起点和终点之间的关系类型、强度信息；

56、将提取出的关键信息按照预设摘要逻辑结构进行组织，并利用文本生成模型或者模板填充的方法，将组织好的摘要逻辑内容信息转换成自然语言文本，生成所述运维知识摘要。

57、再一方面，本技术实施例还提供一种用于it设备运维管理系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的方法。

58、基于以上方面，本技术实施例首先获取包含第一it设备运维事件和第二it设备运维事件的目标运维路径数据，然后对这些it设备运维事件及它们之间的运维协同链路进行特征联系，生成携带特征联系数据的目标运维路径数据，有效地捕捉了it设备运维事件之间的内在关联和协同模式。接着，对携带特征联系数据的目标运维路径数据进行特征提取，生成了表征运维事件运维逻辑过程的运维逻辑特征矢量和表征运维事件与协同链路之间协同参数的运维协同特征矢量，进一步深入解析了运维事件的本质和它们之间的协同关系。基于提取的运维逻辑特征矢量和运维协同特征矢量，确定了第一it设备运维事件和第二it设备运维事件之间的事件协同操作矢量，从而精确地反映了it设备运维事件之间的协同操作模式和关系强度。通过事件关系预测模型的应用，能够准确地预测事件之间的关系，为运维决策提供有力支持。最后，基于确定的事件协同操作矢量，生成了运维知识摘要，其以自然语言文本的形式呈现，易于理解和应用，总结了运维事件之间的协同操作关系，为运维人员提供了快速理解和响应事件关联性的途径，从而大大提高了运维效率。由此，通过特征联系、特征提取、事件关系预测和运维知识摘要生成等一系列步骤，为it设备运维管理提供了一种高效、准确的方法，不仅能够深入理解运维事件之间的协同关系，还能够为运维决策提供有力支持，显著提升运维效率和准确性。