本發(fā)明屬于故障根因定位領(lǐng)域，更具體地，涉及一種基于因果圖的代價(jià)最小必要因故障根因定位方法、系統(tǒng)及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、故障根因定位是一項(xiàng)重要且具有挑戰(zhàn)性的任務(wù)，異常值檢測(cè)在工業(yè)、醫(yī)療和金融領(lǐng)域極為重要，異常值可能是由于數(shù)據(jù)錯(cuò)誤、系統(tǒng)故障、操作失誤等原因?qū)е碌模@些異常值可能是故障的早期預(yù)警。如果運(yùn)維人員能夠及時(shí)檢測(cè)并定位到這些異常值的根因，就能在故障發(fā)生之前采取措施，避免或減少故障帶來(lái)的損失。例如，在現(xiàn)代航空業(yè)的復(fù)雜網(wǎng)絡(luò)系統(tǒng)中，系統(tǒng)故障的成本非常高。達(dá)美航空運(yùn)營(yíng)中心斷電五小時(shí)，導(dǎo)致2,000個(gè)航班取消，估計(jì)損失1.5億美元。鑒于監(jiān)控節(jié)點(diǎn)之間錯(cuò)綜復(fù)雜的依賴關(guān)系以及所涉及的大量數(shù)據(jù)，手動(dòng)分析根本原因變得不切實(shí)際，而當(dāng)分析根本原因的目的是采取行動(dòng)時(shí)，根因應(yīng)該與目標(biāo)異常值具有因果關(guān)系，因此如何在因果過(guò)程中進(jìn)行異常值檢測(cè)已成為特別關(guān)注的焦點(diǎn)。

2、異常值檢測(cè)側(cè)重于識(shí)別顯著偏離正常數(shù)據(jù)模式的數(shù)據(jù)點(diǎn)。knorr等人的早期工作為特征子空間內(nèi)異常值的“例外性”提供了解釋。隨后，例如micenkova等人和gupta等人的研究，集中于分析與異常值相關(guān)的特征來(lái)描述異常群體。盡管這些方法可以識(shí)別與異常值相關(guān)的特征，但這些特征不一定是異常的原因，因?yàn)榭赡艽嬖谟绊懱卣骱彤惓Ｖ档墓餐瑵撛谝蛩?。近期的根本原因分?rca)方法，budhathoki等人基于系統(tǒng)的給定因果結(jié)構(gòu)和學(xué)習(xí)的功能因果模型(peter，2017)，解釋異常觀察結(jié)果在葉節(jié)點(diǎn)處。這些方法的工作原理是首先檢測(cè)異常葉子，然后利用因果結(jié)構(gòu)和反事實(shí)推理將異常值分?jǐn)?shù)歸因于祖先節(jié)點(diǎn)(budhathoki等人，2022)。這種方法不僅有助于識(shí)別異常點(diǎn)，還可以揭示這些異常背后的更深層次原因。最近，nguyen等人將此框架擴(kuò)展到異常邊的檢測(cè)，不僅限于節(jié)點(diǎn)異常，考慮各個(gè)邊緣的變化，并通過(guò)貝葉斯線性回歸對(duì)其進(jìn)行建模，其中因果邊緣中的噪聲表示為回歸權(quán)重的分布(nguyen，2024)，從而提高了異常原因檢測(cè)的全面性。然而，故障根因定位的核心在于，通過(guò)運(yùn)維手段干預(yù)故障根因，解決故障告警。大多數(shù)異常值檢測(cè)方法得出的根因并不能很好地為干預(yù)行動(dòng)提供指導(dǎo)，原因在于，在現(xiàn)實(shí)場(chǎng)景中，相比于關(guān)心故障是如何產(chǎn)生的，運(yùn)維人員更關(guān)心應(yīng)該怎么做使得故障告警解除。也就是說(shuō)，根因定位的目的應(yīng)該是尋找必要因而不是充分因，而現(xiàn)有的根因定位方法都集中于尋找充分因。

3、根據(jù)pearl等人對(duì)原因必要性概率(pn)的定義，故障場(chǎng)景下的pn可以表示為：在故障y發(fā)生和事件集合x發(fā)生的情況下，如果消除事件x，故障y也被消除的概率，而必要因則表示為使得pn最大的事件x。但是尋找必要因具有挑戰(zhàn)性，現(xiàn)有方法試圖擴(kuò)展pn的定義以適應(yīng)復(fù)雜的現(xiàn)實(shí)環(huán)境，例如多原因數(shù)據(jù)，但它們受到簡(jiǎn)單的二元變量假設(shè)和忽略現(xiàn)實(shí)環(huán)境中上下文信息的困擾。此外，學(xué)習(xí)具有最優(yōu)pn的動(dòng)作仍然是一個(gè)問題。

4、現(xiàn)有技術(shù)公開號(hào)為cn115964211a的發(fā)明專利提出了一種根因定位方法、裝置、設(shè)備和可讀介質(zhì)，方案包括：首先，對(duì)于異常的目標(biāo)指標(biāo)，使用目標(biāo)指標(biāo)對(duì)應(yīng)的時(shí)序數(shù)據(jù)以及目標(biāo)指標(biāo)相關(guān)聯(lián)的候選指標(biāo)對(duì)應(yīng)的時(shí)序數(shù)據(jù)來(lái)訓(xùn)練線性回歸模型，得到模型回歸系數(shù)，以便根據(jù)模型回歸系數(shù)從與目標(biāo)指標(biāo)相關(guān)聯(lián)的各候選指標(biāo)中篩選出可能的根因指標(biāo)；然后，采用歸因分析的方法計(jì)算各個(gè)可能的根因指標(biāo)的歸因分?jǐn)?shù)，以便根據(jù)歸因分?jǐn)?shù)從可能的根因指標(biāo)中確定出根因指標(biāo)，該方案未能將搜索問題表述為連續(xù)優(yōu)化問題，也未能將方法封裝在統(tǒng)一的似然函數(shù)中，為任務(wù)提供端到端框架。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為克服現(xiàn)有技術(shù)中未能將搜索問題表述為連續(xù)優(yōu)化問題，也未能將方法封裝在統(tǒng)一的似然函數(shù)中，為任務(wù)提供端到端框架，提供了一種基于因果圖的代價(jià)最小必要因故障根因定位方法、系統(tǒng)及計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。

2、本發(fā)明第一方面提供了一種基于因果圖的代價(jià)最小必要因故障根因定位方法，包括如下步驟：

3、s1：利用初始化參數(shù)配置神經(jīng)網(wǎng)絡(luò)；接收預(yù)設(shè)場(chǎng)景因果圖和采集對(duì)應(yīng)的數(shù)據(jù)集，將所述數(shù)據(jù)集劃分成測(cè)試數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集，利用測(cè)試數(shù)據(jù)集初始化干預(yù)數(shù)據(jù)；

4、s2：利用所述訓(xùn)練數(shù)據(jù)集根據(jù)預(yù)設(shè)方法構(gòu)建并訓(xùn)練編碼器和解碼器；

5、s3：分批將測(cè)試數(shù)據(jù)集中的數(shù)據(jù)轉(zhuǎn)換成掩碼，與測(cè)試數(shù)據(jù)集中自身數(shù)據(jù)拼接后輸入到編碼器中進(jìn)行編碼，得到編碼后的數(shù)據(jù)；

6、s4：將所述編碼后的數(shù)據(jù)與利用干預(yù)數(shù)據(jù)計(jì)算出的掩碼拼接后輸入到解碼器中進(jìn)行反事實(shí)過(guò)程，得到反事實(shí)目標(biāo)結(jié)果；

7、s5：利用所述反事實(shí)目標(biāo)結(jié)果按預(yù)設(shè)方法計(jì)算出系統(tǒng)的最小代價(jià)必要因。

8、進(jìn)一步地，所述步驟s1中初始化參數(shù)包括：選擇網(wǎng)絡(luò)層數(shù)、激活函數(shù)、迭代次數(shù)、數(shù)據(jù)集劃分比例和訓(xùn)練批量大小。

9、進(jìn)一步地，所述步驟s2中訓(xùn)練并構(gòu)建編碼器和解碼器的步驟包括：

10、s2.1：分批讀取訓(xùn)練數(shù)據(jù)集作為訓(xùn)練的輸入；

11、s2.2：利用損失函數(shù)訓(xùn)練編碼器編碼過(guò)程和解碼器重構(gòu)過(guò)程；

12、s2.3：判斷是否達(dá)到預(yù)設(shè)迭代次數(shù)，未達(dá)到則繼續(xù)讀取訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練；若達(dá)到了預(yù)設(shè)迭代次數(shù)，則結(jié)束訓(xùn)練。

13、進(jìn)一步地，所述步驟s2.2中的損失函數(shù)由重構(gòu)的均方誤差損失和潛在變量的kl散度兩部分組成。

14、進(jìn)一步地，所述步驟s5中方法計(jì)算出系統(tǒng)的最小代價(jià)必要因的步驟包括：

15、s5.1：利用所述反事實(shí)目標(biāo)結(jié)果按預(yù)設(shè)公式計(jì)算代價(jià)必要性概率；

16、s5.2：利用預(yù)設(shè)梯度下降算法優(yōu)化所述概率，判斷其是否收斂，若未收斂，則利用預(yù)設(shè)梯度下降算法迭代更新干預(yù)數(shù)據(jù)并回到s4繼續(xù)執(zhí)行；若收斂，則輸出干預(yù)數(shù)據(jù)，作為系統(tǒng)的最小代價(jià)必要因。

17、進(jìn)一步地，所述步驟s5.1中所述計(jì)算代價(jià)必要性概率公式表示為：

18、

19、其中，由代價(jià)函數(shù)和必要性概率兩部分組成，代價(jià)函數(shù)由專家先驗(yàn)的代價(jià)系數(shù)c＝{c1,c2,c3,…,cn}，干預(yù)向量s＝{s1,s2,s3,…,sn}和修改的變量個(gè)數(shù)b組成，n表示原因變量的個(gè)數(shù)，修改的變量個(gè)數(shù)b等于干預(yù)向量中的非零元素個(gè)數(shù)，代價(jià)函數(shù)fcost的具體形式為：

20、

21、在連續(xù)且多變量情況下把必要性概率pn被定義為反事實(shí)結(jié)果在目標(biāo)值ytarget上的概率密度，必要性概率pn的具體形式為：

22、

23、其中概率密度函數(shù)表示為f(·)，表示解碼器輸出的反事實(shí)結(jié)果的均值和方差，與一同由解碼器給出，將代價(jià)函數(shù)和必要性概率結(jié)合得到代價(jià)必要性概率的公式，表示為：

24、costpn＝fcost·(1-pn)

25、進(jìn)一步地，所述步驟s5.2中所述梯度下降算法是連續(xù)最小二乘法算法。

26、本發(fā)明第二方面提供了一種基于因果圖的代價(jià)最小必要因故障根因定位的系統(tǒng)，其特征在于，該系統(tǒng)包括：存儲(chǔ)器、處理器，所述存儲(chǔ)器中包括基于因果圖的代價(jià)最小必要因故障根因定位的方法程序，所述基于因果圖的代價(jià)最小必要因故障根因定位的方法程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如下步驟：

27、s1：利用初始化參數(shù)配置神經(jīng)網(wǎng)絡(luò)；接收預(yù)設(shè)場(chǎng)景因果圖和采集對(duì)應(yīng)的數(shù)據(jù)集，將所述數(shù)據(jù)集劃分成測(cè)試數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集，利用測(cè)試數(shù)據(jù)集初始化干預(yù)數(shù)據(jù)；

28、s2：利用所述訓(xùn)練數(shù)據(jù)集根據(jù)預(yù)設(shè)方法構(gòu)建并訓(xùn)練編碼器和解碼器；

29、s3：分批將測(cè)試數(shù)據(jù)集中的數(shù)據(jù)轉(zhuǎn)換成掩碼，與測(cè)試數(shù)據(jù)集中自身數(shù)據(jù)拼接后輸入到編碼器中進(jìn)行編碼，得到編碼后的數(shù)據(jù)；

30、s4：將所述編碼后的數(shù)據(jù)與利用干預(yù)數(shù)據(jù)計(jì)算出的掩碼拼接后輸入到解碼器中進(jìn)行反事實(shí)過(guò)程，得到反事實(shí)目標(biāo)結(jié)果；

31、s5：利用所述反事實(shí)目標(biāo)結(jié)果按預(yù)設(shè)方法計(jì)算出系統(tǒng)的最小代價(jià)必要因。

32、進(jìn)一步地，所述s1中初始化參數(shù)包括：選擇網(wǎng)絡(luò)層數(shù)、激活函數(shù)、迭代次數(shù)、數(shù)據(jù)集劃分比例和訓(xùn)練批量大小。

33、本發(fā)明第三方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中包括基于因果圖的代價(jià)最小必要因故障根因定位的方法程序，所述基于因果圖的代價(jià)最小必要因故障根因定位的方法程序被處理器執(zhí)行時(shí)，實(shí)現(xiàn)所述的一種基于因果圖的代價(jià)最小必要因故障根因定位方法的步驟。

34、與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：

35、本發(fā)明提供了成本加權(quán)必要概率(cpn)，它將原始pn擴(kuò)展到連續(xù)的多原因數(shù)據(jù)，并將上下文信息制定為成本加權(quán)函數(shù)來(lái)調(diào)整pn的值。為了實(shí)現(xiàn)cpn，我們將自回歸融入到生成模型中，假設(shè)一個(gè)變量由其前序變量和自身潛在變量決定，經(jīng)過(guò)點(diǎn)對(duì)點(diǎn)的轉(zhuǎn)換得到必要干預(yù)的反事實(shí)分布。

36、本發(fā)明將搜索問題表述為連續(xù)優(yōu)化問題，將方法封裝在統(tǒng)一的似然函數(shù)中，為任務(wù)提供端到端框架。