(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210956100.6 (22)申请日 2022.08.10 (71)申请人 清华大学 地址 100084 北京市海淀区清华园 (72)发明人 孟烨青　张千里　王继龙　 (74)专利代理 机构 北京安信方达知识产权代理 有限公司 1 1262 专利代理师 胡艳华　栗若木 (51)Int.Cl. H04L 9/40(2022.01) H04L 43/0823(2022.01) (54)发明名称 基于属性的多维异常根因定位方法、 系统及 存储介质 (57)摘要 本文公开基于属性的多维异常根因定位方 法， 包括： 根据多维属性记录数据集构建频繁模 式树， 利用所述频繁模式树进行频繁项挖掘， 得 到影响异常的粗粒度的属性值组合； 其中， 多维 属性记录数据集中的任意一条记录包括多维属 性的属性值以及关键性能指标KPI的测量值； 利 用粗粒度的属性值组合之间的超集 ‑子集关系构 建属性分析图， 利用所述属性分析图进行启发式 搜索得到影 响异常的更细粒度的属性值组合。 本 文的多维异常根因定位方法可解释性强、 速度 快、 准确性高。 权利要求书2页 说明书7页 附图3页 CN 115277245 A 2022.11.01 CN 115277245 A 1.一种基于属性的多维异常根因定位方法， 包括： 根据多维属性记录数据集构建频繁模式树， 利用所述频繁模式树进行频繁项挖掘， 得 到影响异常的粗粒度的属 性值组合； 其中， 多维属 性记录数据集中的任意一条记录包括多 维属性的属性 值以及关键性能指标 KPI的测量 值； 利用粗粒度的属性值组合之间的超集 ‑子集关系构建属性分析图， 利用所述属性分析 图进行启发式搜索得到影响异常的更细粒度的属性 值组合。 2.如权利要求1所述的方法， 其特 征在于： 所述根据多维属性记录数据集构建频繁模式树， 包括： 遍历所述多维属性记录数据集中的每一条记录并统计每一个属性值的支持度； 按照支 持度对所有的属 性值进行降序排序， 得到属 性值的降序顺序； 对每一条记录内的属 性值按 照所述降序顺序进 行降序排序， 并过滤掉支持度小于最小支持度阈值MIN_SUP的属性值； 初 始化频繁模式树的根节点， 然后调用插入函数将经过降序排序后的记录插入频繁模式树 中， 生成所述频繁模式树的节点和路径； 其中， 所述频繁模式树包括多个节点， 每个节点具有属性值、 支持度和节点指针三个特 征； 属性值是属性的取值， 支持度是属性值的累计KPI测量值， 节点指针指向具有相同属性 值的下一个节点。 3.如权利要求2所述的方法， 其特 征在于： 所述利用所述频繁模式树进行 频繁项挖掘， 包括： 针对所述频繁模式树上的任意一个属性值Ti， 检查所述频繁模式树上该属性值的前缀 路径集合， 构成条件模式基， 利用所述条件模式基构建条件频繁模式树； 其中， 条件频繁模 式树上每一条前缀路径的支持度是该前缀路径上所有节点的支持度中的最小值； 计算条件 频繁模式树上每条路径上节点的所有 可能组合， 得到以属性值Ti作为后缀的所有 频繁项集 合。 4.如权利要求1所述的方法， 其特 征在于： 所述属性分析图包括至少一个顶点； 任意一个顶点是一个属性值组合， 并且具有四个特征： feature_name， real_value， predicted_value和ver tex_dic； 其中， feature_name表示属性值组合 的规则， real_value表示与规则相对应的记录集 合的KPI测量值的累加和， predicted_value表示与规则相对应的记录集合的KPI预测值的 累加和； vertex_ dic是扩展属性值的集合， 为字典结构， 包括键和键对应的值， 键用于记录 扩展的属性 值， 键对应的值是一个顶点列表， 用于记录指定扩展属性维度上扩展的顶点。 5.如权利要求 4所述的方法， 其特 征在于： 利用粗粒度的属性 值组合之间的超集 ‑子集关系构建属性分析图， 包括： 当顶点i是顶点j的超集且顶点j是顶点i的子集时， 顶点i和顶点j之间生成一条从顶点 i指向顶点j的边。 6.如权利要求5所述的方法， 其特 征在于： 利用所述属性分析图进行启发式搜索得到影响异常的更细粒度的属性 值组合， 包括： 在属性分析图中扩展与顶点异常相关的属性值， 利用基于贡献率的剪枝算法过滤掉对 异常贡献率小于阈值的属性值组合， 利用基于涟漪效应的剪枝算法控制异常根因规则的粒权　利　要　求　书 1/2 页 2 CN 115277245 A 2度； 其中， 在属性分析图中， 任意顶点的后继顶点按照不同的扩展属性划分成不同的子节 点， 任意一个子节点表示在指定扩展维度下的属性 值组合。 7.如权利要求6所述的方法， 其特 征在于： 所述利用基于贡献率的剪枝算法过 滤掉对异常 贡献率小于阈值的属性 值组合， 包括： 从顶点vi开始， 根据规则扩展顶点vi的每一维扩展属性值的子节点， 针对任意一个子节 点vj执行以下处理： 计算子节点vj对其父节点vi的异常贡献率CP(vj)； 当CP(vj)大于或等于 贡献率阈值时， 继续扩展vj的子节点， 当CP(vj)小于贡献率阈值时， 停止在该子节点vj上继 续扩展； 其中， p(vj)是顶点vj的KPI预测值， r(vj)是顶点vj的KPI测量值， p(vi)是顶点vi的KPI预测值， r(vi)是顶点vi的KPI测量 值。 8.如权利要求6或7 所述的方法， 其特 征在于： 所述利用基于涟漪效应的剪枝算法控制异常根因规则的粒度， 包括： 从顶点vi开始， 根据规则扩展顶点vi的每一维扩展属性值的子节点， 针对任意一维扩展 属性值， 计算该扩展属性值下的每 一个子节点vj的相对异常值RA(vj)， 如果该维扩展属性值 上的所有子节点的相对异常值之间的方差小于方差阈值， 则判定该维扩展属性值上的所有 子节点与顶点vi之间满足涟漪效应， 停止在该维扩展属性 值上继续扩展； 其中， p(vj)是子节点vj的KPI预测值， r(vj)是子节点vj的KPI 测量值。 9.如权利要求2所述的方法， 其特 征在于： 所述最小支持度阈值MI N_SUP通过以下 方式进行确定： 获取多维属性记录数据集中所有记录的KPI测量 值， 构成测量 值序列； 判断所述测量值序列是否满足正态分布， 是则不进行预处理， 否则对所述测量值序列 进行预处理使得处 理后的测量 值序列接 近正态分布； 绘制所述测量值序列的累计分布图CDF， 应用Knee ‑Point算法自动选择拐点θ， 如果所 述测量值序列进行的预处理为对数化处理y＝log(x+1)， 则将最小支持度阈值设置为MIN_ SUP＝eθ‑1， 如果所述测 量值序列没有经过预处理， 则将最小支持度阈值设置为MIN_SUP＝ θ； 其中， x是 预处理之前的测量 值， y是预处理之后的测量 值。 10.一种基于属性的多维异常根因定位系统， 包括： 存储器及处理器， 所述存储器存储 有计算机程序， 所述计算机程序被所述处理器执行时实现上述权利要求1 ‑9中任一项所述 的基于属性的多维异常根因定位方法的步骤。 11.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时实 现上述权利要求1 ‑9中任一项所述的基于属性的多维异常根因定位方法的步骤。权　利　要　求　书 2/2 页 3 CN 115277245 A 3