巧用机器学习定位云服务器故障

欢迎你们前往腾讯云+社区，获取更多腾讯海量技术实践干货哦~

本文由roganhuang 发表于云+社区专栏

导语

随着腾讯云业务的扩大，母机数量愈来愈多。为减小人力并实现母机故障的自动化定位，本文尝试利用机器学习算法，经过对历史故障母机的日志数据学习，训练模型实现自动化分析定位母机故障缘由。

背景

对于每一单母机故障咱们都须要定位出背后真实的故障缘由，以便对相应的部件进行更换以及统计各类部件故障率的状况，所以故障定位和分析消耗的人力也愈来愈多。但愿能借助机器学习的方法对历史故障母机的日志数据进行学习，沉淀出一些模型出来实现自动化的分析新的母机故障的缘由，进而提升母机工单的处理效率解放人力，同时也能分析出故障的一些规律，进而实现对故障的预测等。

目标

一、对母机宕机故障进行自动化的分析，准肯定位故障缘由；

二、当故障分类准确率达到足够准确以后，可以不须要人工参与，实现自动化结单；

三、实时流式处理母机的各类数据，实现部分故障的预测。

数据

一、dmesg ：机器宕机前的最后一屏，含有netconsole数据；

二、mcelog ：系统检查到硬件错误产生的日志；

三、sel ：系统事件日志，是服务器传感器收集数据发现异常产生的日志。

方法步骤

主要步骤包括数据筛选、数据清洗、文本向量化、模型构建、结果分析等。

数据筛选

1)查看三类日志，分析是否每一种日志对故障定位都有存价值。剔除无价值的日志；

2)根据业务需求，选择特定的故障类别。由于某些故障的工单数量特别少，难以创建机器学习模型作分类；

3)保留三种日志不全为空的故障工单，彻底无记录的工单是没法利用的；

4)根据工单编号ticket_id将日志及故障工单整合，工单和母机应该是一一对应的。

数据清洗

1)剔除特殊符号'#', '<', '>', '&', '@','!', '(', ')', '*', '_'等；

2)剔除日志的无用信息，如数字格式和英文格式的；

3)日志分开清洗，当不一样日志的格式不一致时，须要区分对待分开清洗。

文本向量化

日志数据通常为文本数据，在构建文档分类模型时，须要将文本型数据转化成数值型数据。文本向量化（也叫作特征权重计算）经常使用如下三种方法。

1)**布尔权重（Boolean vector），是最简单的权重计算方法。**若是某特征词在文本中出现，其权重即为1,；不出现，即为0.这一简单粗暴的方法容易丢失文本内部具体信息，效果略差。但适用于一些采用二分类的模型，好比决策树和几率分类器。

2)**频度权值（term frequence），是最直观的权重计算方法。**单词在文本中出现的次数即为频度权重。这种方法的思想是，出现次数越多的特征单词，其重要性越大。

3)Tf-idf（Term Frequency-Inverse Document Frequency, 词频-逆文件频率），是应用最普遍的权值计算方法。单词在一条工单的日志中出现次数越多, 同时在全部工单中出现次数越少, 越可以表明该故障工单。

相比于频度权值，引入了IDF。IDF的主要思想是：若是包含词条t的文档越少, IDF越大，则说明词条具备很好的类别区分能力。计算公式以下，分母之因此要加1，是为了不分母为0

参考示例： www.ruanyifeng.com/blog/2013/0…

模型构建

在已有数据（标记）的基础上构造出一个分类函数/分类模型， 即为一个决策面。

1)**数据划分：**随机分层抽样，划分训练集（70%）用于构建模型，测试集（30%）用于验证模型效果；

2)**数据预处理：**数据整合、数据清洗、文本分词等过程在训练集和测试集上是一样的处理方式，以确保最后的干净的训练集和测试数据的格式是统一的；

3)**文本向量化：**采用tf-idf将文本向量化，选择l2正则化，结合文档频率df和最大词频tf进行特征选择，选出若干个关键词；设置停用词['is', 'not', 'this', 'the', 'do', 'in']等；

4)**模型构建：**选取分类问题经常使用的算法构建模型，构建模型过程当中不断参数调优，构建最佳的模型。

注：对于数量特别少的故障类型，若是依靠专家知识分析已有的工单日志可以一一正确区分的话，那么能够人为地抽象出独一无二的故障特征，并编写模块实现自动化分类。

结果分析

故障诊断阶段，将构建好的模型运用到测试集上，对故障诊断结果分析。以决策树创建故障诊断模型，可见在训练集上的效果可达98.94%，测试集上可达90.24%。

**为进一步提升模型性能，**一方面应具体分析训练集和测试集上被错误分类的故障工单，查看三种日志的内容并查找问题；另外一方面，可增长更多的数据用于构建模型，通常而言，数据量越大，模型越接近。

**不一样算法：**尝试采用不一样的文本分类算法用于故障分类，测试效果能反映出该算法对当前问题的适用性。以下，笔者采用了8种算法进行对比，并对结果进行总结分析。

**关联规则：左键 ->右键，**左键的组合致使右键的发生。引入关联规则挖掘，可进一步分析日志中关键词的出现，能够如何断定某一类故障的发生。譬如当{'TSC', 'CPU', 'Hardware', 'Error'}等词同时出现时，可理解为当这些关键词出现时，有89.1%的置信度人为发生了硬件故障-内存故障。

解决方案补充

从工程实践的角度出发，笔者提出如下几种可能的解决方案，以做为对上面方法步骤的补充：

1.故障分级：将故障划分等级，如一级故障（硬件故障-软件故障），二级故障为硬件故障下更具体的故障类型。当直接对全部二级故障作分类效果不理想时，可先考虑对一级故障作分类，再对二级故障作分类，实现故障分级的效果。

2.**数据不平衡：**即不一样类别的故障工单在数量级上不一致，数据量上相差较大，使得分类模型偏向于数量多的故障。考虑到故障工单数据不平衡的问题，可考虑将数目少的归总为一类——其余类。示例以下，九分类问题可被转化为四分类问题。可是，在工单数量严重不平衡并且故障类别多的状况下，这种归总少类样本为其余类的方法，使得模型分类效果具备较大的随机性。

3.**多字特征词：**原理即将文本内容按字节流进行大小为N的滑动窗口操做，造成长度为N的字节片断序列，以自动产生多字特征词。相比于分开存在，几个单词的连续出现可能会有产生不同的意义，对分类产生影响。

4.布尔权重：CPU发生故障时，CPU多核故障和单核故障属于同一类，但多核故障会记录每个核的状况，致使某些关键词或者格式重复出现，使得模型对于二者的类似性下降。此时，可考虑使用布尔权重代替tf-idf进行文本向量化。

后续

因为文本分类涵盖的内容较多，本文尽量从简出发，阐述母机日志分析的大致流程，以及工程实践上的解决方案，以供交流。对于文本分类特征选择，模型参数调优和数据不平衡的更为详细的解决方法，笔者将在后续跟进。

以上内容基于roganhuang(黄荣庚) 在实习期间工做的总结。感谢运营开发组的小伙伴们的帮助，感谢学长@simbazhou，导师@lelandwu和学姐@mengnizhang给予的指导和帮助。

笔者不才。若有错误，欢迎指正！

参考连接

1.blog.csdn.net/zrc199021/a…

2.blog.csdn.net/sangyongjia…

3.www.ruanyifeng.com/blog/2013/0…

4.blog.csdn.net/lxg0807/art…

5.blog.csdn.net/wangongxi/a…

6.blog.csdn.net/wangongxi/a…

问答

机器学习入门须要哪些数学基础？

相关阅读

基于多维数据频繁项挖掘的母机隐患排查

不再用担忧网吧开黑队友听不清了！

本身动手打造前端性能监控系统

【每日课程推荐】机器学习实战！快速入门在线广告业务及CTR相应知识

此文已由做者受权腾讯云+社区发布，更多原文请点击

搜索关注公众号「云加社区」，第一时间获取技术干货，关注后回复1024 送你一份技术课程大礼包！

海量技术实践经验，尽在云加社区！