导语

随着腾讯云业务的扩大，母机数量越来越多。为减少人力并实现母机故障的自动化定位，本文尝试利用机器学习算法，通过对历史故障母机的日志数据学习，训练模型实现自动化分析定位母机故障原因。

背景

对于每一单母机故障我们都需要定位出背后真实的故障原因，以便对相应的部件进行更换以及统计各种部件故障率的情况，因此故障定位和分析消耗的人力也越来越多。希望能借助机器学习的方法对历史故障母机的日志数据进行学习，沉淀出一些模型出来实现自动化的分析新的母机故障的原因，进而提高母机工单的处理效率解放人力，同时也能分析出故障的一些规律，进而实现对故障的预测等。

目标

1、对母机宕机故障进行自动化的分析，准确定位故障原因；

2、当故障分类准确率达到足够准确之后，能够不需要人工参与，实现自动化结单；

3、实时流式处理母机的各种数据，实现部分故障的预测。

数据

1、dmesg ：机器宕机前的最后一屏，含有netconsole数据；

2、mcelog ：系统检查到硬件错误产生的日志；

3、sel ：系统事件日志，是服务器传感器收集数据发现异常产生的日志。

方法步骤

主要步骤包括数据筛选、数据清洗、文本向量化、模型构建、结果分析等。

数据筛选

1)查看三类日志，分析是否每一种日志对故障定位都有存价值。剔除无价值的日志；

2)根据业务需求，选择特定的故障类别。因为某些故障的工单数量特别少，难以建立机器学习模型做分类；

3)保留三种日志不全为空的故障工单，完全无记录的工单是无法利用的；

4)根据工单编号ticket_id将日志及故障工单整合，工单和母机应该是一一对应的。

数据清洗

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

2)剔除日志的无用信息，如数字格式和英文格式的；

3)日志分开清洗，当不同日志的格式不一致时，需要区分对待分开清洗。

文本向量化

日志数据一般为文本数据，在构建文档分类模型时，需要将文本型数据转化成数值型数据。文本向量化（也叫做特征权重计算）常用以下三种方法。

1)布尔权重（Boolean vector），是最简单的权重计算方法。如果某特征词在文本中出现，其权重即为1,；不出现，即为0.这一简单粗暴的方法容易丢失文本内部具体信息，效果略差。但适用于一些采用二分类的模型，比如决策树和概率分类器。

2)频度权值（term frequence），是最直观的权重计算方法。单词在文本中出现的次数即为频度权重。这种方法的思想是，出现次数越多的特征单词，其重要性越大。



3)Tf-idf（Term Frequency-Inverse Document Frequency, 词频-逆文件频率），是应用最广泛的权值计算方法。单词在一条工单的日志中出现次数越多, 同时在所有工单中出现次数越少, 越能够代表该故障工单。

相比于频度权值，引入了IDF。IDF的主要思想是：如果包含词条t的文档越少, IDF越大，则说明词条具有很好的类别区分能力。计算公式如下，分母之所以要加1，是为了避免分母为0

模型构建

在已有数据（标记）的基础上构造出一个分类函数/分类模型， 即为一个决策面。



1)数据划分：随机分层抽样，划分训练集（70%）用于构建模型，测试集（30%）用于验证模型效果；

2)数据预处理：数据整合、数据清洗、文本分词等过程在训练集和测试集上是同样的处理方式，以确保最后的干净的训练集和测试数据的格式是统一的；

3)文本向量化：采用tf-idf将文本向量化，选择l2正则化，结合文档频率df和最大词频tf进行特征选择，选出若干个关键词；设置停用词['is', 'not', 'this', 'the', 'do', 'in']等；

4)模型构建：选取分类问题常用的算法构建模型，构建模型过程中不断参数调优，构建最佳的模型。



注：对于数量特别少的故障类型，如果依靠专家知识分析已有的工单日志能够一一正确区分的话，那么可以人为地抽象出独一无二的故障特征，并编写模块实现自动化分类。

结果分析

故障诊断阶段，将构建好的模型运用到测试集上，对故障诊断结果分析。以决策树建立故障诊断模型，可见在训练集上的效果可达98.94%，测试集上可达90.24%。



为进一步提高模型性能，一方面应具体分析训练集和测试集上被错误分类的故障工单，查看三种日志的内容并查找问题；另一方面，可增加更多的数据用于构建模型，一般而言，数据量越大，模型越接近。

不同算法：尝试采用不同的文本分类算法用于故障分类，测试效果能反映出该算法对当前问题的适用性。如下，笔者采用了8种算法进行对比，并对结果进行总结分析。





关联规则：左键 ->右键，左键的组合导致右键的发生。引入关联规则挖掘，可进一步分析日志中关键词的出现，可以如何判定某一类故障的发生。譬如当{'TSC', 'CPU', 'Hardware', 'Error'}等词同时出现时，可理解为当这些关键词出现时，有89.1%的置信度人为发生了硬件故障-内存故障。

解决方案补充

从工程实践的角度出发，笔者提出以下几种可能的解决方案，以作为对上面方法步骤的补充：

1.故障分级：将故障划分等级，如一级故障（硬件故障-软件故障），二级故障为硬件故障下更具体的故障类型。当直接对所有二级故障做分类效果不理想时，可先考虑对一级故障做分类，再对二级故障做分类，实现故障分级的效果。

2.数据不平衡：即不同类别的故障工单在数量级上不一致，数据量上相差较大，使得分类模型偏向于数量多的故障。考虑到故障工单数据不平衡的问题，可考虑将数目少的归总为一类——其他类。示例如下，九分类问题可被转化为四分类问题。但是，在工单数量严重不平衡而且故障类别多的情况下，这种归总少类样本为其他类的方法，使得模型分类效果具有较大的随机性。



3.多字特征词：原理即将文本内容按字节流进行大小为N的滑动窗口操作，形成长度为N的字节片段序列，以自动产生多字特征词。相比于分开存在，几个单词的连续出现可能会有产生不一样的意义，对分类产生影响。

4.布尔权重：CPU发生故障时，CPU多核故障和单核故障属于同一类，但多核故障会记录每一个核的情况，导致某些关键词或者格式重复出现，使得模型对于两者的相似性降低。此时，可考虑使用布尔权重代替tf-idf进行文本向量化。

后续

由于文本分类涵盖的内容较多，本文尽可能从简出发，阐述母机日志分析的大体流程，以及工程实践上的解决方案，以供交流。对于文本分类特征选择，模型参数调优和数据不平衡的更为详细的解决方法，笔者将在后续跟进。