CN114298221A - 故障确定方法及装置、电子设备和计算机可读存储介质 - Google Patents

Abstract

本公开提供了一种故障确定方法及装置、电子设备和计算机可读存储介质，可以应用于数据中心运维技术领域，也可用于金融技术领域。该故障确定方法包括：获取目标参考数据，其中目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中至少一个关联指标与目标故障类别关联；获取多个待检测指标数据，其中每个待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

Description

故障确定方法及装置、电子设备和计算机可读存储介质

技术领域

本公开涉及数据中心运维技术领域，更具体地，涉及一种故障确定方法及装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

当前，随着虚拟化、云计算等新技术的广泛应用，企业数据中心内部IT基础设施规模成倍增长，计算机硬件和软件的规模不断的扩大，相应的计算机故障也频繁发生，给运维人员的运维工作也增加了处理难度。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题，目前的故障发现方式通常只进行相同指标内的比较，没有建立起故障类型与指标类型之间的潜在关联，无法将多种指标进行混合计算比较，对较复杂的故障情形的发现存在偏差。

发明内容

鉴于上述问题，本公开提供了一种故障确定方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种故障确定方法，包括：

获取目标参考数据，其中目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中至少一个关联指标与目标故障类别关联；

获取多个待检测指标数据，其中每个待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；

根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，其中根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果包括：

将每个待检测指标数据分别与目标参考数据进行相似度比较，以得到第一相似度比较结果；

根据第一相似度比较结果，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，其中，将每个待检测指标数据分别与目标参考数据进行相似度比较，以得到相似度比较结果包括：

计算至少一个关联指标的指标数据的簇心，以得到目标簇心；

利用预设相似度算法，将每个待检测指标数据分别与目标簇心进行相似度比较，以得到相似度比较结果。

根据本公开的实施例，还包括：确定与目标故障类别关联的至少一个关联指标；

其中确定与目标故障类别关联的至少一个关联指标包括：

获取在预设历史故障时间段内，故障设备的多个初始指标的指标数据；

对故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集；

将满足预设判别条件的故障指标数据集确定为目标故障指标数据集；

从目标故障指标数据集中，提取与目标故障类别关联的至少一个关联指标。

根据本公开的实施例，其中对故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集包括：

在根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集的情况下，迭代执行：更新下一次数据集的簇心，以便根据下一次数据集的更新后簇心，将多个初始指标的指标数据中的下一个数据完成下一次聚类，直至预设终止条件，得到最终确定的多个故障指标数据集。

根据本公开的实施例，其中，根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集包括：

利用预设相似度算法，将当前数据分别与至少一个当前簇心进行相似度比较，以得到至少一个第二相似度比较结果；

将当前数据加入目标当前数据集，以便通过目标当前数据集和未更新当前数据集形成至少一个下一次数据集，其中目标当前数据集的当前簇心与当前数据之间的第二相似度比较结果大于预设相似度阈值。

根据本公开的实施例，其中，预设相似度阈值为0.9。

根据本公开的实施例，其中，获取目标参考数据包括：

采集原始目标数据，其中原始目标数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的原始指标数据；

分别对至少一个关联指标的原始指标数据进行归一化处理，以得到目标参考数据。

根据本公开的实施例，其中，目标参考数据还包括：预定义故障类型下的预选指标的指标数据；

其中，获取目标参考数据包括：

获取与预定义故障类型关联的故障曲线，其中故障曲线用于表征预选指标的指标值随时间变化的趋势；

按照预设时间间隔，从故障曲线中提取预设数量的指标值，确定为目标参考数据。

本公开的第二方面提供了一种故障确定装置，包括第一获取模块、第二获取模块和第一确定模块。

其中，第一获取模块，用于获取目标参考数据，其中目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中至少一个关联指标与目标故障类别关联；

第二获取模块，用于获取多个待检测指标数据，其中每个待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；

第一确定模块，用于根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，其中第一确定模块包括比较单元、第一确定单元。

其中，比较单元，用于将每个待检测指标数据分别与目标参考数据进行相似度比较，以得到第一相似度比较结果；

第一确定单元，用于根据第一相似度比较结果，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，其中，比较单元包括计算子单元和比较子单元。

其中，计算子单元，用于计算至少一个关联指标的指标数据的簇心，以得到目标簇心；

比较子单元，用于利用预设相似度算法，将每个待检测指标数据分别与目标簇心进行相似度比较，以得到相似度比较结果。

根据本公开的实施例，还包括：第二确定模块，用于确定与目标故障类别关联的至少一个关联指标。

其中第二确定模块包括第一获取单元、聚类单元、第二确定单元和第一提取单元。

其中，第一获取单元，用于获取在预设历史故障时间段内，故障设备的多个初始指标的指标数据；

聚类单元，用于对故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集；

第二确定单元，将满足预设判别条件的故障指标数据集确定为目标故障指标数据集；

第一提取单元，用于从目标故障指标数据集中，提取与目标故障类别关联的至少一个关联指标。

根据本公开的实施例，其中聚类单元包括聚类子单元，用于在根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集的情况下，迭代执行：更新下一次数据集的簇心，以便根据下一次数据集的更新后簇心，将多个初始指标的指标数据中的下一个数据完成下一次聚类，直至预设终止条件，得到最终确定的多个故障指标数据集。

根据本公开的实施例，其中，聚类子单元中，根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集包括：

利用预设相似度算法，将当前数据分别与至少一个当前簇心进行相似度比较，以得到至少一个第二相似度比较结果；

将当前数据加入目标当前数据集，以便通过目标当前数据集和未更新当前数据集形成至少一个下一次数据集，其中目标当前数据集的当前簇心与当前数据之间的第二相似度比较结果大于预设相似度阈值。

根据本公开的实施例，其中，预设相似度阈值为0.9。

根据本公开的实施例，其中，第一获取模块包括采集单元、处理单元。

其中，采集单元，用于采集原始目标数据，其中原始目标数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的原始指标数据；

处理单元，用于分别对至少一个关联指标的原始指标数据进行归一化处理，以得到目标参考数据。

根据本公开的实施例，其中，目标参考数据还包括：预定义故障类型下的预选指标的指标数据。

其中，第一获取模块包括第二获取单元和第二提取单元。

其中，第二获取单元，用于获取与预定义故障类型关联的故障曲线，其中故障曲线用于表征预选指标的指标值随时间变化的趋势；

第二提取单元，用于按照预设时间间隔，从故障曲线中提取预设数量的指标值，确定为目标参考数据。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述故障确定方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述故障确定方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述故障确定方法。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的故障确定方法、装置、设备、介质和程序产品的应用场景图；

图2示意性示出了相关技术中的故障确定方法的流程图；

图3示意性示出了根据本公开实施例的故障确定方法的流程图；

图4示意性示出了根据本公开实施例的对采集数据进行数据清洗的示意图；

图5示意性示出了根据本公开实施例的对故障设备的多个初始指标的指标数据进行聚类处理的流程图；

图6示意性示出了根据本公开实施例的故障确定装置的结构框图；以及

图7示意性示出了根据本公开实施例的适于实现故障确定方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

需要说明的是，在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

本公开的实施例提供了一种故障确定方法，包括：

获取目标参考数据，其中目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中至少一个关联指标与目标故障类别关联；

获取多个待检测指标数据，其中每个待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；

根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

图1示意性示出了根据本公开实施例的故障确定方法、装置、设备、介质和程序产品的应用场景图。

如图1所示，根据该实施例的系统架构100可以包括待检测系统101、数据处理系统102、故障处置系统103。待检测系统101、数据处理系统102、故障处置系统103之间可通过网络进行通信，网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

在本公开实施例的应用场景下，待检测系统101可以是数据中心中待检测的各种软硬件设备，用于响应于用户请求，对外提供各种类型的业务服务，待检测系统101可以包括一台或多台业务服务器，也可以是一个或多个业务服务集群。

待检测系统101中的服务器可以是提供各种服务的服务器，例如对用户利用终端设备所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。用户可以使用终端设备通过网络与服务器交互，以接收或发送消息等。

数据处理系统102用于采集到待检测系统101中的各个设备的各项指标数据(例如CPU使用率、内存使用率、磁盘I/O速度等等)，并结合预设算法，对各个设备的各项指标数据进行数据处理，例如可以是根据历史上故障发生时间节点及之前所产生的指标数据，结合实时采样的指标值，将两者进行比较后，根据比较结果作出故障的预发现；同时，可将实时采样的指标值与预设告警阈值进行比较，在指标值大于预没阈值的情况下，向故障处置系统103发出告警通知。

故障处置系统103，用于接收数据处理系统102发出的告警通知，并对存在故障的设备进行故障应急处理，例如将用户请求由故障服务器转发至正常运行的业务服务器等等。

以下将基于图1描述的场景，通过图2～图7对公开实施例的故障确定方法进行详细描述。

随着企业数据中心内部IT基础设施规模成倍增长，计算机硬件和软件的规模不断的扩大，相应的计算机故障也频繁发生，给运维人员的运维工作也增加了处理难度。但是在数据中心运维的工作中，如何在故障发生前就发现故障的苗头和趋势，进而在故障发生前就进行对应的处置，是一个亟待解决的问题。其中如何通过指标数据进行故障的预发现，是相关技术中主要关注的方向。

相关技术中，在数据中心的日常运维工作中，一般是通过基础监控系统和应用监控系统，构建针对数据中心软硬件故障发现的机制。在这个过程中，各种软硬件会产生大量周期性的指标性数据。通过指标阈值设定，可以对故障的发生进行直接的判断。在故障预发现的应用场景下，如何能够快速准确的判断故障即将发生，相关技术中例如可以根据历史上故障发生节点及之前所产生的指标值，结合现在的指标值，比较后作出故障的预判。

图2示意性示出了相关技术中的故障确定方法的流程图。如图2所示，相关技术中对数据中心故障进行预测确定的方法可采用均值回归的方式。

如图2所示，利用均值回归方法进行故障确定的主要构思为：假设业务系统收到的业务访问量在相同时段是恒定的，例如在每个工作日的上午10点，业务收到的访问量是相近的，因此推测在相似时间段内，业务的系统压力(CPU使用率、内存使用率、网络使用率等)也是类似的。因此可以统计之前若干天相同时间点的系统压力值，并进行均值化计算，再加权以一定系数，计算得到的结果数据，作为与当前时间点系统压力值进行参考比较的参数值。如果当前时间点的系统压力值比之前的均值要高很多或低很多，可能还没有达到告警的阈值)，但是仍可以推断系统压力有异常情况(或业务异常)，基于此情形可以进行故障预警。另外，因为是针对同一软硬件设备的同一指标进行的比较，因此一般情况下无需进行数据归一化等数据清洗操作。

在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：

目前的故障发现方法通常只进行相同指标内的比较，且通过历史相同时间段指标均值计算的故障预警阈值，是从正常的数据进行推导，一般无法反应比较特殊的极端情况和故障即将发生前的情况；计算的指标只能依赖同一软硬件设备在相同服务环境下的数据，因此适用面比较窄，无法在相同软硬件设备之间进行比较；指标数据一般指过去固定时间的指标数据做比较，获取样本的范围很小，算法无法覆盖更多的样本；总之，相关技术中的故障发现方法没有建立起故障类型与指标类型之间的潜在关联，无法将多种指标进行混合计算比较，对较复杂的故障情形的发现存在偏差。

有鉴于此，本公开的实施例提供了一种故障确定方法。

图3示意性示出了根据本公开实施例的故障确定方法的流程图。

如图3所示，该实施例的故障确定方法包括操作S310～操作S330。

在操作S310，获取目标参考数据，其中目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中至少一个关联指标与目标故障类别关联。

在操作S320，获取多个待检测指标数据，其中每个待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据。

在操作S330，根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，目标参考数据为业务系统中的故障设备的历史指标数据，包括了与某一目标故障类别关联的多个关联指标的数据，可以表征这一故障类别下的相关指标数据的变化规律。业务系统中的故障设备的故障可划分为多个不同的故障类别，例如网络类故障、存储类故障、中间件类故障、应用程序类故障等等，目标故障类别可以是上述故障类别中的任一种，为当前进行分析的故障类别。

根据本公开的实施例，关联指标可以是故障设备的任意软硬件指标，例如可以是CPU使用率、内存使用率、磁盘I/O速度等等。

根据本公开的实施例，对于每一故障类别，分别关联有一个或多个指标，例如与磁盘类故障(如磁盘抖动)关联的指标可以有CPU使用率、磁盘I/O速度；例如与内存类故障(过于频繁释放内存)关联的指标可以有CPU使用率、内存使用率等等。

根据本公开的实施例，获取目标参考数据，可以是在与目标故障类别关联的关联指标的类型已知的情况下，从故障设备的历史指标数据中，提取相应的关联指标的历史数据。

根据本公开的实施例，获取目标参考数据，可以是在与目标故障类别关联的关联指标的类型未知的情况下，首先对故障设备的所有相关指标数据进行分析处理后，确定出在与目标故障类别关联的关联指标的类型，之后再从故障设备的历史指标数据中，提取相应的关联指标的历史数据。

根据本公开的实施例，获取目标参考数据，还可以是根据用户自定义的故障类别，首先获取到自定义故障类型关联的故障曲线，然后从故障曲线中提取预设数量的指标值，作为与该自定义的故障类别关联的关联指标的数值。

根据本公开的实施例，所述预设历史故障时间段为所述故障设备发生故障前的时间段，而非故障发生时或故障发生后的指标数据。因在故障发生前的若干时间，相关指标大概率已经表现出一些异常情况，因此时的指标值可能还没有超过告警阈值，所以还可能没有被发现和重视，但是这个阶段的指标数据的变化已经表现出了一定程度的异常，提示了一定的故障预警信息，因此这个阶段的数据对故障预发现起到了较为重要的参考作用。

根据本公开的实施例，多个待检测指标数据例如可以包括待检测设备的CPU使用率数据、内存使用率数据、磁盘I/O速度数据等等。

根据本公开的实施例，根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预没时间段内是否会发生目标故障类别的故障的检测结果，可以是将每个待检测指标数据分别与目标参考数据进行比较，得到比较结果，再根据比较的结果判断该设备否会发生目标故障类别的故障。根据本公开的实施例，将每个待检测指标数据分别与目标参考数据进行比较，例如可以是进行相似度比较、差值比较、比值比较等等。根据比较的结果判断该设备否会发生目标故障类别的故障，例如可以是根据相似度比较的相似度值，在相似度值大于预设阈值的情况下，判断该设备可能会发生目标故障类别的故障；也可以是根据差值比较的差值，在差值小于预设阈值的情况下，判断该设备可能会发生目标故障类别的故障等等。

根据本公开的实施例，目标参考数据包括了与目标故障类别关联的多个关联指标的数据，表征了故障类型与指标类型之间的潜在关联关系，通过根据多个待检测指标数据和目标参考数据确定待检测设备是否会发生目标故障类别的故障，实现了对多种关联指标的融合处理，而不仅仅是只进行相同指标内的比较，故障预测结果更为准确。此外，待检测指标数据包括了待检测设备的多个指标数据，考虑了可能与故障发生关联的多种指标类型的影响，计算的指标不依赖同一软硬件设备在相同服务环境下的数据，适用面更广，可以用于更多较为复杂的故障情形下的场景，故障预测的结果更具参考性。

根据本公开的实施例，获取目标参考数据，可以是在与目标故障类别关联的关联指标的类型已知的情况下，从故障设备的历史指标数据中，提取相应的关联指标的历史指标数据。具体地，获取目标参考数据包括：

采集原始目标数据，其中原始目标数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的原始指标数据；

分别对至少一个关联指标的原始指标数据进行数据清洗，即进行数据筛选、归一化处理等，以得到目标参考数据。

因数据中心设备数量庞大，业务功能比较复杂，所以采集的原始目标数据的数据体量比较庞大，需要以运维大数据平台作为技术支撑，对数据进行清洗，同时需要对故障进行定位和分类，方便进行样本归类。

图4示意性示出了根据本公开实施例的对采集数据进行数据清洗的示意图。以下结合图4对本公开实施例的方法进行说明。

运维大数据平台，可以使用预设大数据组件(例如hdfs、kudu、hive、elasticsearch等)存放运维相关的海量数据(例如告警数据、日志数据和指标数据等)。因数据量比较大，可以设置冷热数据分离，将近期的数据作为热数据，将较长一段时间以前的数据作为冷数据，并添加索引。

如图4所示，根据本公开的实施例，在提取数据前，需要进行故障定位，即通过运维大数据平台上的告警信息，确定故障发生的软硬件和时间。

根据本公开的实施例，在故障定位后，还需要进行故障分类。通过运维大数据平台的告警信息确定好的故障，将其按照告警的内容，划分成不同的故障类别，例如网络类故障、存储类故障、中间件类故障、应用程序类故障等等。不同类型的故障，其指标值变化可能会呈现不同的变化规律式，因此可将不同类型的故障分别单独处理。

根据本公开的实施例，故障指标提取指从故障设备的历史指标数据中，提取相应的关联指标的历史指标数据，即采集原始目标数据(故障设备的至少一个关联指标的原始指标数据)。

根据本公开的实施例，在对故障软硬件的历史指标数据进行采样提取的过程中，因为不同指标采样间隔时间不同(常见的如1分钟、5分钟采样一次)，需要获取的时间提前量也不同(有的故障需要考虑故障前1小时的情况，有的故障需要考虑故障前12小时的情况)，需要的采样点也不同(有的要采样30个指标值，有的需要采样60个指标值)。因此，对于指标数据提取的过程，可以通过设置配置文件，来提高获取指标的效率，以便在设计提取数据范围存在变化的情况下，可以快速转变数据提取方式。

根据本公开的实施例，在对故障软硬件的历史指标数据进行采样提取的过程中，对于每个关联指标，可设定提取故障发生前n个指标采样点的值，时间由小到大，存放在n维矩阵中，如下矩阵所示为其中一个指标X的采样数据：

X＝[x₁，x₂，x₃，...，x_n]

例如，假设指标采样频率为1分钟一次，且n＝30，则矩阵X中，x₁表示30分钟前指标值，x₂表示29分钟前指标值，以此类推。例如某Linux机器CPU使用率指标每分钟采样一次，最近30分钟采样的数值为X＝[46.0，51.4，49.3，...，48.3]。

根据本公开的实施例，在提取出一个或多个关联指标的原始指标数据后，还需要分别对这些关联指标的原始指标数据进行数据清洗，即进行数据筛选、归一化处理等，以得到目标参考数据。归一化是一种无量纲处理手段，使物理系统数值的绝对值变成某种相对值关系。在数据需要放入到一个与其他数据有交集的计算空间的时候，需要对数据做归一化处理，可使得计算的数值放在同一维度上进行比较，同时可以使得计算的时候，样本数据不会过于稀疏和分散。

根据本公开的实施例，对上述关联指标的原始指标数据进行归一化处理法方法如下公式(一)所示：

其中，X_min表示矩阵X中的最小值，X_max表示矩阵X中的最大值，其中，X、X′、X_min、X_max都是n维矩阵。

根据本公开的实施例，当需要对与目标故障类别关联的多个关联指标列进行综合计算，将多个关联指标的数值作为一个整体输出的情况下，还可以将已经归一化后的将多个关联指标值进行进一步的归一化处理，以得到目标参考数据。

根据本公开的实施例，上述操作例如可以是假定有三个指标项X、Y、Z的原始指标数据，经过单指标归一化后，得到X′、Y′、Z′，使用平均加权算法(或者也可以使用指定加权系数的加权方法)，得到三个指标的归一化值，如下式所示：

K＝(X′+Y′+Z′)/3 公式(二)

根据本公开的实施例，获取目标参考数据，可以是在与目标故障类别关联的关联指标的类型未知的情况下，首先对故障设备的所有相关指标数据进行分析处理后，确定出在与目标故障类别关联的关联指标的类型，之后再从故障设备的历史指标数据中，提取相应的关联指标的历史数据，获取目标参考数据。其中，关于提取指标数据的操作可参考上述实施例中的有关采样原始指标数据、以及对原始指标数据进行归一化处理的方法，在此不再赘述，以下重点介绍在与目标故障类别关联的关联指标的类型未知的情况下，对故障设备的所有相关指标数据进行分析处理，确定出在与目标故障类别关联的关联指标的类型的方法。

根据本公开的实施例，确定与目标故障类别关联的至少一个关联指标包括：

首先，获取在预设历史故障时间段内，故障设备的多个初始指标的指标数据；例如可以是从故障设备的历史指标数据中提取预设历史时间段内的所有类型的指标数据。

对故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集；例如可以是采用各种聚类算法，对所有类型的指标数据进行聚类处理后，得到多个故障指标数据集。

将满足预设判别条件的故障指标数据集确定为目标故障指标数据集；例如可以是将聚类后，指标类型数量最多的一个故障指标数据集作为目标故障指标数据集。因目标故障指标数据集中聚集了最多数量的指标类型，表征了这些指标在某一特性上呈现聚集性，聚集程度较为紧密，可认为这些指标与目标故障类别具有较为密切的关联性。

最后，从目标故障指标数据集中，提取与目标故障类别关联的至少一个关联指标。

根据本公开的实施例，上述方法例如可以是故障设备A发生了磁盘抖动的一个故障，目标故障类别即为磁盘类故障，可在故障设备A的历史指标数据中提取故障发生前最近一个小时内的所有类型的指标数据，包括CPU使用率、内存使用率、磁盘I/O速度等等。然后对这些指标数据聚类处理，得到多个故障指标数据集，例如故障指标数据集1中包括指标：CPU使用率、内存使用率；故障指标数据集2中包括指标：CPU使用率；故障指标数据集3中包括指标：CPU使用率、内存使用率、磁盘I/O速度。则可将故障指标数据集3确定为目标故障指标数据集，可从目标故障指标数据集中，提取与目标故障类别关联的至少一个关联指标为：CPU使用率、内存使用率、磁盘I/O速度。

根据本公开的实施例，在与目标故障类别关联的关联指标的类型未知的情况下，可通过本公开实施例的上述方法确定与目标故障类别关联的关联指标的类型。相较于根据运维经验确定与目标故障类别关联的关联指标的类型的方法，克服了经验法由于主观性较强对故障定位不准确的缺陷，便于发现目标故障类型下的潜在的关联故障指标。此外，通过对海量故障指标通过密度聚类的方法进行数据处理，可实现故障指标的快速自动分类，便于快速建立故障类型与指标类型之间关联。

根据本公开的实施例，在上述确定与目标故障类别关联的关联指标的类型的过程中，对故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集的方法具体包括：

在根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集的情况下，迭代执行：更新下一次数据集的簇心，以便根据下一次数据集的更新后簇心，将多个初始指标的指标数据中的下一个数据完成下一次聚类，直至预设终止条件，得到最终确定的多个故障指标数据集。

其中，根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集包括：

利用预设相似度算法，将当前数据分别与至少一个当前簇心进行相似度比较，以得到至少一个第二相似度比较结果；

将当前数据加入目标当前数据集，以便通过目标当前数据集和未更新当前数据集形成至少一个下一次数据集，其中目标当前数据集的当前簇心与当前数据之间的第二相似度比较结果大于预设相似度阈值。

图5示意性示出了根据本公开实施例的对故障设备的多个初始指标的指标数据进行聚类处理的流程图。以下结合图5，对上述方法进行示例性说明。

如图5所示，上述聚类处理的操作包括如下步骤：

步骤(一)、从已知故障设备的历史指标数据中采样获得故障设备的多个初始指标的指标数据，进行归一化后得到多个归一化指标的数值，X₁、X₂、...、X_n，这些指标都是n维矩阵，为与故障设备的已知故障可能存在关联的同一数据维度的多个指标的数据(可以是单指标，也可以是多指标)；

步骤(二)、将这些指标的数据，与已经存在的当前数据集的当前簇心分别进行相似度计算，例如采用夹角余弦相似度算法进行相似度计算(首个输入的指标自成一个聚类，无需计算)，得到多个相似度比较结果；

步骤(三)、如果当前指标数据与某个数据集的簇心计算得到的夹角余弦值大于预设相似度阈值(此阈值可以调整)，则将此指标数据X_i加入该数据集，并更新计算该数据集的簇心；如果当前指标数据与某个数据集的簇心计算得到的夹角余弦值小于等于预设相似度阈值(此阈值可以调整)，则将此指标X_i作为一个新的聚类，并将X_i设为新的聚类的簇心。

根据本公开的实施例，预设相似度阈值可采用0.9。预设相似度阈值设为0.9，是经过了大量的试验经过验证得到的经验值，在大量试验的过程中发现，将大量样本做聚类算法时，两个数据之间的相似度在0.9的时候，聚类效果比较好，反之聚类效果较差。例如当相似度小于0.85时，聚类过于庞大；当相似度大于0.95时，聚类过于松散。

上述步骤(三)中，计算各数据集的簇心X_core可采用如下公式(三)所示方法：

其中，X_i代表数据集中的各个指标的数据。

步骤(四)、循环处理所有的指标E1、E2、...、En，最终得到一系列的聚类。对于聚类中只有一个样本或样本数量较少的，可以将该聚类数据集剔除，可以指定数据集中样本数量最小阈值。

根据本公开的实施例，通过上述聚类算法，可实现从样本密度的角度来考察样本之间的可连续性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果，以数据集在空间分布上的稠密程度为依据进行聚类，最终得到多个故障指标数据集。通过上述聚类算法进行聚类的好处在于，当样本集密度不均匀的时候，不会影响影响聚类的效果，仍会形成若干个聚类，(密集的地方可能会有多一些聚类，稀疏的地方可能会少一些聚类)。

根据本公开的实施例，在获取目标参考数据和待检测设备的多个待检测指标数据后，根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果包括：

将每个待检测指标数据分别与目标参考数据进行相似度比较，以得到第一相似度比较结果；

根据第一相似度比较结果，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。例如可在相似度值大于预设阈值的情况下，预测该设备可能会发生目标故障类别的故障，在相似度值小于等于预设阈值的情况下，预测该设备不会发生目标故障类别的故障。

根据本公开的实施例，上述操作中，将每个待检测指标数据分别与目标参考数据进行相似度比较，以得到相似度比较结果具体包括：

计算至少一个关联指标的指标数据的簇心，以得到目标簇心；

利用预设相似度算法，将每个待检测指标数据分别与目标簇心进行相似度比较，以得到相似度比较结果。

以下，对上述相似度比较的操作方法进行示例性说明如下：

根据本公开的实施例，目标参考数据例如包括与目标故障类别关联多个关联指标数据，其中每个关联指标数据可以是已进行归一化处理的数据，例如：

同类故障1：指标X1，指标X2，指标X3，...

同类故障2：指标Y1，指标Y2，指标Y3，...

同类故障3：指标Z1，指标Z2，指标Z3，...

其中，故障指标X、故障指标Y、故障指标Z等都是n维矩阵，分别代表某一类故障的同一种归一化指标(可以是单指标，也可以是多指标)。目标参考数据例如可以是以上故障指标X、故障指标Y、故障指标Z……中的任一种。

根据本公开的实施例，待检测设备的多个待检测指标数据，可从运维大数据平台获得，运维大数据平台对所有正在被监控的待检测设备的软硬件的指标数据进行数据清洗，包括指标维度一致化处理(采样次数一致)和归一化处理(单指标归一化、多指标归一化)，得到一系列待判定故障的指标序列，设为：A1、A2、A3、...、An(均为n维矩阵)；

如下矩阵所示为其中一个指标的采样数据：

A_i＝[x₁，x₂，x₃，...，x_n]

根据本公开的实施例，首先，可以分别计算与各个故障类别分别关联的多个关联指标(故障指标X、故障指标Y、故障指标Z……)的指标数据的簇心，以得到多个参考簇心：X_core、Y_core、Z_core……，其中计算目标簇心的方法可采用公式(四)所示方法，在此不再赘述。其中，目标簇心是上述X_core、Y_core、Z_core……中的其中一个，与用户当前正在处理的故障类别有关。

然后，利用预设相似度算法，将每个待检测指标数据分别与目标簇心进行相似度比较，以得到相似度比较结果。例如可以是利用夹角余弦算法，分别计算A1、A2、A3、...、An和目标簇心(X_core、Y_core、Z_core……中的其中一个)之间的距离，夹角余弦算法如下公式如下：

根据本公开的实施例，上述夹角余弦算法计算出来相似度值在[0，1]区间范围内，可在相似度值大于预设阈值0.9(此阈值可以调整)的情况下，认为待检测设备的某个指标Ai和目标故障类别的簇心距离很近，表示这个指标可以归为目标故障类别，表示该设备在未来发生目标故障的概率很高。反之，在相似度值小于等于预设阈值0.9(此阈值可以调整)的情况下，预测该设备发生目标故障类别的故障的几率比较小。

根据本公开的实施例，上述故障确定方法例举了预测待测设备是否会发生目标故障，即预测是否会发生其中一种特定类别故障的方法，上述故障确定方法可类推至分别预测待测设备是否会发生各种类型的故障的情形，在该情形下，例如可以是利用夹角余弦算法，分别计算A1、A2、A3、..、An和多个故障类别的指标簇心(X_core、Y_core、Z_core……中的其中一个)之间的距离，根据相似度计算的结果，分别判断待测设备是否会发生每一种类型的故障。

根据本公开的实施例，在相似度计算过程中，可以不才赢分别循环逐个计算A1、A2、A3、...、An和X_core、Y_core、Z_core……的夹角余弦值，可以通过将A1、A2、A3、...、An和X_core、Y_core、Z_core……分别变成2个二维矩阵，计算两个二维矩阵的点积来快速计算所有需要计算的夹角余弦值，如此可加快计算的速度，节省计算资源。

根据本公开的实施例，通过利用预设相似度算法，将每个待检测指标数据分别与目标簇心进行相似度比较，以得到相似度比较结果，实现了量化计算待测指标和故障指标间距离，可以较为精准地实现故障预发现。

根据本公开的实施例，获取目标参考数据，还可以是根据用户自定义的故障类别，首先获取到自定义故障类型关联的故障曲线，然后从故障曲线中提取预设数量的指标值，作为与该自定义的故障类别关联的关联指标的数值。具体地，在该情形下，目标参考数据包括：预定义故障类型下的预选指标的指标数据。获取目标参考数据包括：

获取与预定义故障类型关联的故障曲线，其中故障曲线用于表征预选指标的指标值随时间变化的趋势；预定义故障类型关联的故障曲线可以是运维人员根据运维经验绘制的曲线，预设该曲线代表一种特殊故障类型。

按照预设时间间隔，从故障曲线中提取预设数量的指标值，确定为目标参考数据。例如，可将这条曲线置于一个二维坐标系(水平X，垂直Y)中，平均分成n段，提取相应的y值，归一化处理后得到指标R，即获取到目标参考数据R。

根据本公开的实施例，在获取到目标参考数据R后，可将所有软硬件目标的当前监控指标A1、A2、...、An分别与R进行夹角余弦值计算；夹角余弦值有超过阈值的，则认为此软硬件有即将发生R类型故障的风险。

根据本公开的实施例，通过上述方法，获取与预定义故障类型关联的故障曲线、根据故障曲线确定目标参考数据、并以目标参考数据为参考对象，对待测设备进行故障预测，实现了可根据用户自定义故障类型发现故障的目的，提供了一种快速构建故障样式，寻找类似故障的机制，便于发现当前还未定性的潜在故障类型。

基于上述故障确定方法，本公开还提供了一种故障确定装置。以下将结合图6对该装置进行详细描述。

图6示意性示出了根据本公开实施例的故障确定装置的结构框图。如图6所示，该实施例的故障确定装置包括第一获取模块610、第二获取模块620和第一确定模块630。

其中，第一获取模块610，用于获取目标参考数据，其中目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中至少一个关联指标与目标故障类别关联；

第二获取模块620，用于获取多个待检测指标数据，其中每个待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；

第一确定模块630，用于根据多个待检测指标数据和目标参考数据，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，通过第一获取模块610获取的目标参考数据包括了与目标故障类别关联的多个关联指标的数据，表征了故障类型与指标类型之间的潜在关联关系，通过第一确定模块630根据多个待检测指标数据和目标参考数据确定待检测设备是否会发生目标故障类别的故障，实现了对多种关联指标的融合处理，而不仅仅是只进行相同指标内的比较，故障预测结果更为准确。此外，通过第二获取模块620得到的待检测指标数据包括了待检测设备的多个指标数据，考虑了可能与故障发生关联的多种指标类型的影响，计算的指标不依赖同一软硬件设备在相同服务环境下的数据，适用面更广，可以用于更多较为复杂的故障情形下的场景，故障预测的结果更具参考性。

根据本公开的实施例，其中第一确定模块包括比较单元、第一确定单元。

其中，比较单元，用于将每个待检测指标数据分别与目标参考数据进行相似度比较，以得到第一相似度比较结果；

第一确定单元，用于根据第一相似度比较结果，确定用于表征待检测设备在未来预设时间段内是否会发生目标故障类别的故障的检测结果。

根据本公开的实施例，其中，比较单元包括计算子单元和比较子单元。

其中，计算子单元，用于计算至少一个关联指标的指标数据的簇心，以得到目标簇心；

比较子单元，用于利用预设相似度算法，将每个待检测指标数据分别与目标簇心进行相似度比较，以得到相似度比较结果。

根据本公开的实施例，还包括：第二确定模块，用于确定与目标故障类别关联的至少一个关联指标。

其中第二确定模块包括第一获取单元、聚类单元、第二确定单元和第一提取单元。

其中，第一获取单元，用于获取在预设历史故障时间段内，故障设备的多个初始指标的指标数据；

聚类单元，用于对故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集；

第二确定单元，将满足预设判别条件的故障指标数据集确定为目标故障指标数据集；

第一提取单元，用于从目标故障指标数据集中，提取与目标故障类别关联的至少一个关联指标。

根据本公开的实施例，其中聚类单元包括聚类子单元，用于在根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集的情况下，迭代执行：更新下一次数据集的簇心，以便根据下一次数据集的更新后簇心，将多个初始指标的指标数据中的下一个数据完成下一次聚类，直至预设终止条件，得到最终确定的多个故障指标数据集。

根据本公开的实施例，其中，聚类子单元中，根据至少一个当前数据集的当前簇心，将多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集包括：

利用预设相似度算法，将当前数据分别与至少一个当前簇心进行相似度比较，以得到至少一个第二相似度比较结果；

将当前数据加入目标当前数据集，以便通过目标当前数据集和未更新当前数据集形成至少一个下一次数据集，其中目标当前数据集的当前簇心与当前数据之间的第二相似度比较结果大于0.9。

根据本公开的实施例，其中，第一获取模块包括采集单元、处理单元。

其中，采集单元，用于采集原始目标数据，其中原始目标数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的原始指标数据；

处理单元，用于分别对至少一个关联指标的原始指标数据进行归一化处理，以得到目标参考数据。

根据本公开的实施例，其中，目标参考数据还包括：预定义故障类型下的预选指标的指标数据。

其中，第一获取模块包括第二获取单元和第二提取单元。

其中，第二获取单元，用于获取与预定义故障类型关联的故障曲线，其中故障曲线用于表征预选指标的指标值随时间变化的趋势；

第二提取单元，用于按照预设时间间隔，从故障曲线中提取预设数量的指标值，确定为目标参考数据。

根据本公开的实施例，第一获取模块610、第二获取模块620和第一确定模块630中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，第一获取模块610、第二获取模块620和第一确定模块630中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块610、第二获取模块620和第一确定模块630中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图7示意性示出了根据本公开实施例的适于实现故障确定方法的电子设备的方框图。

如图7所示，根据本公开实施例的电子设备700包括处理器701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 703中，存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备700还可以包括输入/输出(I/O)接口705，输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或多项：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的故障确定方法。

在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分709被下载和安装，和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (13)

1.一种故障确定方法，包括：

获取目标参考数据，其中所述目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中所述至少一个关联指标与目标故障类别关联；

获取多个待检测指标数据，其中每个所述待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；

根据所述多个待检测指标数据和所述目标参考数据，确定用于表征所述待检测设备在未来预设时间段内是否会发生所述目标故障类别的故障的检测结果。

2.根据权利要求1所述的方法，其中所述根据所述多个待检测指标数据和所述目标参考数据，确定用于表征所述待检测设备在未来预设时间段内是否会发生所述目标故障类别的故障的检测结果包括：

将每个所述待检测指标数据分别与所述目标参考数据进行相似度比较，以得到第一相似度比较结果；

根据所述第一相似度比较结果，确定用于表征所述待检测设备在未来预设时间段内是否会发生所述目标故障类别的故障的检测结果。

3.根据权利要求2所述的方法，其中，所述将每个所述待检测指标数据分别与所述目标参考数据进行相似度比较，以得到相似度比较结果包括：

计算所述至少一个关联指标的指标数据的簇心，以得到目标簇心；

利用预设相似度算法，将每个所述待检测指标数据分别与所述目标簇心进行相似度比较，以得到所述相似度比较结果。

4.根据权利要求1所述的方法，还包括：确定与所述目标故障类别关联的至少一个关联指标；

其中所述确定与所述目标故障类别关联的至少一个关联指标包括：

获取在所述预设历史故障时间段内，所述故障设备的多个初始指标的指标数据；

对所述故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集；

将满足预设判别条件的故障指标数据集确定为目标故障指标数据集；

从所述目标故障指标数据集中，提取与所述目标故障类别关联的至少一个关联指标。

5.根据权利要求4所述的方法，其中所述对所述故障设备的多个初始指标的指标数据进行聚类处理，以得到多个故障指标数据集包括：

在根据至少一个当前数据集的当前簇心，将所述多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集的情况下，迭代执行：更新所述下一次数据集的簇心，以便根据所述下一次数据集的更新后簇心，将所述多个初始指标的指标数据中的下一个数据完成下一次聚类，直至预设终止条件，得到最终确定的多个所述故障指标数据集。

6.根据权利要求5所述的方法，其中，根据至少一个当前数据集的当前簇心，将所述多个初始指标的指标数据中的当前数据，完成当前次聚类以形成至少一个下一次数据集包括：

利用预设相似度算法，将所述当前数据分别与至少一个所述当前簇心进行相似度比较，以得到至少一个第二相似度比较结果；

将所述当前数据加入目标当前数据集，以便通过所述目标当前数据集和未更新当前数据集形成所述至少一个下一次数据集，其中所述目标当前数据集的当前簇心与所述当前数据之间的所述第二相似度比较结果大于预设相似度阈值。

7.根据权利要求6所述的方法，其中：

所述预设相似度阈值为0.9。

8.根据权利要求1所述的方法，其中，所述获取目标参考数据包括：

采集原始目标数据，其中所述原始目标数据包括：在所述预设历史故障时间段内，所述故障设备的至少一个所述关联指标的原始指标数据；

分别对至少一个所述关联指标的原始指标数据进行归一化处理，以得到所述目标参考数据。

9.根据权利要求1所述的方法，其中，所述目标参考数据还包括：预定义故障类型下的预选指标的指标数据；

其中，获取所述目标参考数据包括：

获取与所述预定义故障类型关联的故障曲线，其中所述故障曲线用于表征所述预选指标的指标值随时间变化的趋势；

按照预设时间间隔，从所述故障曲线中提取预设数量的指标值，确定为所述目标参考数据。

10.一种故障确定装置，包括：

第一获取模块，用于获取目标参考数据，其中所述目标参考数据包括：在预设历史故障时间段内，故障设备的至少一个关联指标的指标数据，其中所述至少一个关联指标与目标故障类别关联；

第二获取模块，用于获取多个待检测指标数据，其中每个所述待检测指标数据包括：在待检测时间段内，待检测设备的其中一个待检测指标的指标数据；

第一确定模块，用于根据所述多个待检测指标数据和所述目标参考数据，确定用于表征所述待检测设备在未来预设时间段内是否会发生所述目标故障类别的故障的检测结果。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～9中任一项所述的方法。

12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～9中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～9中任一项所述的方法。

Images