閆祎穎，何云瑞，陳 亮，王 寧，李 揚，鄭思遠

（國家電網有限公司信息通信分公司，北京 100761）

0 引 言

隨著大數(shù)據(jù)、云計算、人工智能等新興技術的快速發(fā)展，電力行業(yè)信息系統(tǒng)建設也在不斷深化。系統(tǒng)數(shù)量在增多且架構日趨復雜，一次大的異?；蚬收贤赡軓木W絡、安全、系統(tǒng)、應用等多層次監(jiān)控渠道產生大量告警事件，而這些告警之間關聯(lián)復雜，運維人員無法快速定位故障原因，導致業(yè)務無法快速恢復。

目前，國內外研究系統(tǒng)故障定位的技術主要基于故障決策樹、神經網絡兩個方面。文獻[1-2]通過研究故障決策樹來構建故障診斷系統(tǒng)，其中文獻[2]同時結合CMDB進行了研究。文獻[3]詳細介紹了CMDB的構建。文獻[4-5]則提出基于神經網絡的故障診斷方法。

本文提出一種基于CMDB的信息系統(tǒng)故障定位技術，通過將CMDB中配置項之間的關聯(lián)關系與BP神經網絡技術相結合，推理出信息系統(tǒng)的故障根因。

1 基于CMDB的故障定位技術的架構

基于CMDB的故障定位技術的架構自底向上分為數(shù)據(jù)采集、數(shù)據(jù)處理以及數(shù)據(jù)應用三層，如圖1所示。

圖1 基于CMDB的故障定位技術的架構設計

數(shù)據(jù)采集層實現(xiàn)監(jiān)控平臺對運維對象的數(shù)據(jù)采集。運維對象包括但不限于硬件設備、網絡設備、中間件、數(shù)據(jù)庫、應用服務等。

數(shù)據(jù)處理層實現(xiàn)對數(shù)據(jù)的獲取、編碼、分析推理以及處置。該層核心為CMDB、故障知識庫以及推理機。CMDB數(shù)據(jù)采集層采集到的數(shù)據(jù)匯總，并提供相關對象的配置屬性和關系，為故障定位提供基礎。故障知識獲取模塊負責將這些數(shù)據(jù)轉換成故障知識庫可以識別的形式。而故障知識庫模塊通過BP神經網絡模型對獲取的數(shù)據(jù)進行分析，并通過故障推理機調用網絡模型來進行推理，直到得到結論，推理所得的結果可以向上層提供故障定位以及預測功能。

數(shù)據(jù)應用層主要是對故障定位功能提供面向用戶的接口，同時可以進行故障預測以及故障自愈的功能。當定位出故障根因時，用戶可以在故障自愈模塊針對定位出的故障根因，查詢是否可以一鍵處置。若可以一鍵處置，則執(zhí)行一鍵處置腳本庫中的相應腳本，從而實現(xiàn)故障自愈。

2 基于CMDB的故障定位技術的功能模塊

2.1 CMDB的構建

構建一個成功的CMDB，重點在于CMDB模型的頂層設計，本章將針對CMDB的配置項分類、屬性以及關系設計進行深入剖析。

關于配置項應遵循精而不多的原則。本文為配置項設計了四級分類，由小到大，精度依次增加?；A設備分類部分具體示例如表1所示。

表1 部分配置項分類示例

確定配置項屬性時，應針對每一個配置項分類來設計，每個層級之間的屬性是具有繼承性的。同時，需根據(jù)邏輯性劃分，如管理屬性、技術屬性等。

配置項關系是CMDB的重要價值體現(xiàn)之一，當故障發(fā)生時，可以通過配置項關系，準確快速的掌握相關信息，定位故障根因，評估故障影響范圍，從而快速恢復業(yè)務。配置項關系大致包括包含、屬于、運行在、安裝在、連接等。圖2為一個業(yè)務系統(tǒng)的CMBD配置項關系示例。

2.2 故障知識獲取模塊的設計

故障知識獲取模塊用于將知識轉換成一種神經網絡可以識別的形式。本章介紹了基于規(guī)則的專家系統(tǒng)常用到的產生式規(guī)則，在此基礎上將知識轉換成神經網絡存儲需要的數(shù)值形式。

產生式規(guī)則的一般形式為A→B或If A Then B。在信息系統(tǒng)的故障定位場景中，前提A為當前所有監(jiān)控狀態(tài)，結論B為故障根因。監(jiān)控狀態(tài)可以有多個，但根因只有一個，因此可表示為If a1^a2^…^anThen b。

知識通過產生式表達后，需要轉化成數(shù)值的形式存儲在神經網絡中。設事實的域為U，U={ fi|i=1,2,…,n}， fi為第i個事實，n為事實的總數(shù)，本文中為信息系統(tǒng)監(jiān)控總數(shù)，也為二進制編碼的碼長。結論的二進制編碼碼長可根據(jù)故障根因個數(shù)進行設定，本文設定其與前提的碼長相等。

圖2 CMBD配置項關系示例

監(jiān)控狀態(tài)分為兩類，正常與異常，分別用0和1表示。假設某個系統(tǒng)由2個應用節(jié)點、2個數(shù)據(jù)庫服務器以及一臺負載均衡設備組成，則其部分監(jiān)控及狀態(tài)如表2所示，故障根因如表3所示。

表2 某系統(tǒng)部分監(jiān)控及狀態(tài)

表3 某系統(tǒng)故障根因

采用如上提出的形式表示知識，如下例所示：

IF 數(shù)據(jù)庫實例1無法連接 and 數(shù)據(jù)庫實例2無法連接 and 應用節(jié)點1端口號為7100 HTTP無法連接 and 應用節(jié)點2端口號為7100 HTTP無法連接 and 系統(tǒng)健康運行時長指標異常 Then 數(shù)據(jù)庫會話連接數(shù)過多。

經過轉化為：0011110001→1000000000，將數(shù)值形式輸入到BP神經網絡，對知識進行存儲。

2.3 故障知識庫的設計

故障知識庫是用來存儲知識的，本文使用BP神經網絡來構建故障知識庫。

BP神經網絡是一種多層的前饋神經網絡，其主要特點為前向傳播信號，反向傳播誤差。

如圖3所示為一個典型的三層BP神經網絡模型。第一階段是信號的前向傳播，從輸入層經過隱含層，最后到達輸出層；第二階段是誤差的反向傳播，從輸出層到隱含層，最后到輸入層，依次調節(jié)隱含層到輸出層以及輸入層到隱含層的連接權和閾值。

圖3 三層BP神經網絡模型

假設輸入層的節(jié)點為n個，隱含層的節(jié)點為m個，輸出層的節(jié)點為z個，第k個輸入樣本及對應的期望輸出為Xk以及Yk，則BP神經網絡學習算法步驟如下。

第一步，給出輸入層到隱含層以及隱含層到輸出層的連接權Wih、Vho，隱含層的閾值Th，并隨機給輸出層的激活值To賦一個（0,1）間的較小值。

第二步，輸入樣本Xk=( x1(k), xz(k),…, xn(k))，期望輸出為Yk=( y1(k), yz(k),…, yz(k))，將x1(k)輸入，依次計算：

其中，Hh為隱含層節(jié)點的輸出函數(shù)，I0為輸出層節(jié)點輸出函數(shù)。

第三步，計算I0與之間的誤差a0：

第四步，將誤差bh反向分配至隱含層的節(jié)點：

第五步，修正連接權Wih、Vho，α，β為學習率：

第六步，調整閾值Th、To：

第七步，若a0足夠小或者為零時，停止學習，否則選擇下一個樣本，從第二步開始迭代執(zhí)行。

結合章節(jié)3.3中提出的知識表示方法，則章節(jié)3.3中某系統(tǒng)的BP神經網絡模型輸入層與輸出層均為10個神經元。隱含層節(jié)點個數(shù)根據(jù)經驗公式來確定，其中m與n為輸入層與輸出層神經元個數(shù)，a為1～10的調節(jié)常數(shù)，則不同個數(shù)的隱含層訓練情況如表4所示。因此，隱含層個數(shù)可選11或13，本文選擇11個，則某系統(tǒng)的BP網絡模型為10-11-10結構。將某系統(tǒng)故障的樣本集放入訓練好的BP神經網絡模型進行測試，結果如表5所示，最大誤差為0.000 3。

表4 不同個數(shù)隱含層訓練情況

表5 某信息系統(tǒng)BP神經網絡模型測試結果

2.4 故障推理機的設計

推理機制大致分為3種，正向推理機制、反向推理機制以及混合推理機制。本文選用正向推理機制來進行推理。

正向推理機制是由事實推出結論的過程，具體推論過程大致如下。

第1步：將CMDB獲取到的監(jiān)控告警以及相關信息作為初始信息放入動態(tài)事實庫。

第2步：將初始事實作為BP神經網絡模型的輸入。

第3步：用訓練好的BP神經網絡進行推理。若推理生成新知識，則更新知識庫。

第4步：判斷結果是否為故障根因，若是，則輸出根因；否則，進行第5步。

第5步：若CMDB中有相關信息可以補充新事實，則將新事實與初始事實作為輸入，跳轉至第3步；否則，失敗退出。

3 結 論

本文研究基于CMDB的信息系統(tǒng)故障定位相關技術，對CMDB的配置項分類、屬性以及關系進行了深入研究，在此基礎之上分析BP神經網絡算法，結合BP神經網絡模型實現(xiàn)信息系統(tǒng)的故障根因定位，并對信息系統(tǒng)樣本集進行了測試，實現(xiàn)了故障根因快速定位，提高了業(yè)務恢復效率。同時，結合一鍵處置功能實現(xiàn)了故障自愈。