巧用機器學習定位雲伺服器故障

騰訊雲+社群發表於2018-09-13

歡迎大家前往騰訊雲+社群，獲取更多騰訊海量技術實踐乾貨哦~

本文由roganhuang 發表於雲+社群專欄

導語

隨著騰訊雲業務的擴大，母機數量越來越多。為減少人力並實現母機故障的自動化定位，本文嘗試利用機器學習演算法，通過對歷史故障母機的日誌資料學習，訓練模型實現自動化分析定位母機故障原因。

背景

對於每一單母機故障我們都需要定位出背後真實的故障原因，以便對相應的部件進行更換以及統計各種部件故障率的情況，因此故障定位和分析消耗的人力也越來越多。希望能藉助機器學習的方法對歷史故障母機的日誌資料進行學習，沉澱出一些模型出來實現自動化的分析新的母機故障的原因，進而提高母機工單的處理效率解放人力，同時也能分析出故障的一些規律，進而實現對故障的預測等。

目標

1、對母機當機故障進行自動化的分析，準確定位故障原因；

2、當故障分類準確率達到足夠準確之後，能夠不需要人工參與，實現自動化結單；

3、實時流式處理母機的各種資料，實現部分故障的預測。

資料

1、dmesg ：機器當機前的最後一屏，含有netconsole資料；

2、mcelog ：系統檢查到硬體錯誤產生的日誌；

3、sel ：系統事件日誌，是伺服器感測器收集資料發現異常產生的日誌。

方法步驟

主要步驟包括資料篩選、資料清洗、文字向量化、模型構建、結果分析等。

資料篩選

1)檢視三類日誌，分析是否每一種日誌對故障定位都有存價值。剔除無價值的日誌；

2)根據業務需求，選擇特定的故障類別。因為某些故障的工單數量特別少，難以建立機器學習模型做分類；

3)保留三種日誌不全為空的故障工單，完全無記錄的工單是無法利用的；

4)根據工單編號ticket_id將日誌及故障工單整合，工單和母機應該是一一對應的。

資料清洗

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

2)剔除日誌的無用資訊，如數字格式和英文格式的；

3)日誌分開清洗，當不同日誌的格式不一致時，需要區分對待分開清洗。

文字向量化

日誌資料一般為文字資料，在構建文件分類模型時，需要將文字型資料轉化成數值型資料。文字向量化（也叫做特徵權重計算）常用以下三種方法。

1)**布林權重（Boolean vector），是最簡單的權重計算方法。**如果某特徵詞在文字中出現，其權重即為1,；不出現，即為0.這一簡單粗暴的方法容易丟失文字內部具體資訊，效果略差。但適用於一些採用二分類的模型，比如決策樹和概率分類器。

2)**頻度權值（term frequence），是最直觀的權重計算方法。**單詞在文字中出現的次數即為頻度權重。這種方法的思想是，出現次數越多的特徵單詞，其重要性越大。

3)Tf-idf（Term Frequency-Inverse Document Frequency, 詞頻-逆檔案頻率），是應用最廣泛的權值計算方法。單詞在一條工單的日誌中出現次數越多, 同時在所有工單中出現次數越少, 越能夠代表該故障工單。

相比於頻度權值，引入了IDF。IDF的主要思想是：如果包含詞條t的文件越少, IDF越大，則說明詞條具有很好的類別區分能力。計算公式如下，分母之所以要加1，是為了避免分母為0

參考示例： www.ruanyifeng.com/blog/2013/0…

模型構建

在已有資料（標記）的基礎上構造出一個分類函式/分類模型，即為一個決策面。

1)**資料劃分：**隨機分層抽樣，劃分訓練集（70%）用於構建模型，測試集（30%）用於驗證模型效果；

2)**資料預處理：**資料整合、資料清洗、文字分詞等過程在訓練集和測試集上是同樣的處理方式，以確保最後的乾淨的訓練集和測試資料的格式是統一的；

3)**文字向量化：**採用tf-idf將文字向量化，選擇l2正則化，結合文件頻率df和最大詞頻tf進行特徵選擇，選出若干個關鍵詞；設定停用詞['is', 'not', 'this', 'the', 'do', 'in']等；

4)**模型構建：**選取分類問題常用的演算法構建模型，構建模型過程中不斷引數調優，構建最佳的模型。

注：對於數量特別少的故障型別，如果依靠專家知識分析已有的工單日誌能夠一一正確區分的話，那麼可以人為地抽象出獨一無二的故障特徵，並編寫模組實現自動化分類。

結果分析

故障診斷階段，將構建好的模型運用到測試集上，對故障診斷結果分析。以決策樹建立故障診斷模型，可見在訓練集上的效果可達98.94%，測試集上可達90.24%。

**為進一步提高模型效能，**一方面應具體分析訓練集和測試集上被錯誤分類的故障工單，檢視三種日誌的內容並查詢問題；另一方面，可增加更多的資料用於構建模型，一般而言，資料量越大，模型越接近。

**不同演算法：**嘗試採用不同的文字分類演算法用於故障分類，測試效果能反映出該演算法對當前問題的適用性。如下，筆者採用了8種演算法進行對比，並對結果進行總結分析。

**關聯規則：左鍵 ->右鍵，**左鍵的組合導致右鍵的發生。引入關聯規則挖掘，可進一步分析日誌中關鍵詞的出現，可以如何判定某一類故障的發生。譬如當{'TSC', 'CPU', 'Hardware', 'Error'}等詞同時出現時，可理解為當這些關鍵詞出現時，有89.1%的置信度人為發生了硬體故障-記憶體故障。

解決方案補充

從工程實踐的角度出發，筆者提出以下幾種可能的解決方案，以作為對上面方法步驟的補充：

1.故障分級：將故障劃分等級，如一級故障（硬體故障-軟體故障），二級故障為硬體故障下更具體的故障型別。當直接對所有二級故障做分類效果不理想時，可先考慮對一級故障做分類，再對二級故障做分類，實現故障分級的效果。

2.**資料不平衡：**即不同類別的故障工單在數量級上不一致，資料量上相差較大，使得分類模型偏向於數量多的故障。考慮到故障工單資料不平衡的問題，可考慮將數目少的歸總為一類——其他類。示例如下，九分類問題可被轉化為四分類問題。但是，在工單數量嚴重不平衡而且故障類別多的情況下，這種歸總少類樣本為其他類的方法，使得模型分類效果具有較大的隨機性。