本技术涉及微服务，具体而言，涉及一种基于事件驱动的微服务监控告警方法及系统。
背景技术：
1、随着信息技术的快速发展，微服务架构因其高内聚、低耦合的特性以及良好的可扩展性和可维护性，在现代软件系统中得到了广泛应用。然而，微服务架构的复杂性也带来了监控和管理的挑战，特别是在处理大规模、高并发的微服务交互时，如何有效地监控系统的运行状态并及时发现潜在的问题成为了亟待解决的技术难题。
2、传统的微服务监控方法通常基于规则和阈值进行告警，这种方法简单直接，但在面对复杂多变的微服务环境时，往往难以准确识别出真正的异常事件，容易产生误报和漏报。此外，传统的监控方法在处理大量监控数据时效率低下，难以满足实时性要求。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种基于事件驱动的微服务监控告警方法及系统，通过获取范例微服务监控日志序列和衍生微服务监控日志序列，充分利用了历史数据和衍生数据的信息。其中，范例微服务监控日志序列包含了有效范例驱动事件和无效范例驱动事件的知识数据，为模型提供了正反两面的学习样本；而衍生微服务监控日志序列则通过对注意力聚焦矢量进行衍生扩展处理，进一步丰富了模型的输入信息。通过基于知识比较训练的方式对微服务监控告警网络进行告警知识矢量提取学习，能够生成具有强大特征提取能力的目标告警网络。该网络能够准确地从候选驱动事件的事件知识数据中提取出关键特征，并生成目标告警知识矢量。这些矢量不仅包含了事件的详细信息，还反映了事件的异常程度和紧急程度，为后续的告警处理和故障排查提供了有力的支持。由此，本技术旨在解决现有技术中存在的问题和不足，通过结合事件驱动和知识比较训练的思想，提高微服务监控的准确性和效率，为微服务系统的稳定运行提供有力保障。
2、依据本技术的第一方面，提供一种基于事件驱动的微服务监控告警方法，所述方法包括：
3、获取范例微服务监控日志序列和衍生微服务监控日志序列；所述范例微服务监控日志序列包括范例微服务监控事件的范例微服务监控事件日志、有效范例驱动事件的第一事件知识数据和无效范例驱动事件的第二事件知识数据，所述有效范例驱动事件为所述范例微服务监控事件执行了设定异常活动的驱动事件，所述无效范例驱动事件为所述范例微服务监控事件未执行所述设定异常活动的驱动事件；所述衍生微服务监控日志序列包括范例驱动事件的第三事件知识数据、有效衍生知识数据和无效衍生知识数据，所述有效衍生知识数据和所述无效衍生知识数据均对相应事件知识数据中的注意力聚焦矢量进行了衍生扩展处理；
4、依据所述范例微服务监控日志序列和所述衍生微服务监控日志序列，对微服务监控告警网络进行基于知识比较训练的告警知识矢量提取学习，生成目标告警网络；
5、将候选驱动事件的事件知识数据加载到所述目标告警网络进行特征提取，生成目标告警知识矢量。
6、在第一方面的一种可能的实施方式中，所述有效衍生知识数据和所述无效衍生知识数据的确定步骤，包括：
7、对所述第三事件知识数据中的注意力聚焦矢量进行衍生扩展，并对所述第三事件知识数据中除所述注意力聚焦矢量外的其它矢量数据进行启发式衍生扩展，生成所述有效衍生知识数据；
8、获取与所述范例驱动事件存在依赖关系的范例驱动事件的第四事件知识数据；
9、对所述第四事件知识数据中的注意力聚焦矢量进行衍生扩展，并对所述第四事件知识数据中除所述注意力聚焦矢量外的其它矢量数据进行启发式衍生扩展，生成所述第三事件知识数据对应的无效衍生知识数据。
10、在第一方面的一种可能的实施方式中，所述依据所述范例微服务监控日志序列和所述衍生微服务监控日志序列，对微服务监控告警网络进行基于知识比较训练的告警知识矢量提取学习，生成目标告警网络包括：
11、利用所述微服务监控告警网络提取所述范例微服务监控事件日志的范例事件编码向量序列、所述第一事件知识数据的第一告警知识矢量、所述第二事件知识数据的第二告警知识矢量、所述第三事件知识数据的第三告警知识矢量、所述有效衍生知识数据的有效衍生编码向量和所述无效衍生知识数据的无效衍生编码向量；
12、以所述范例事件编码向量序列与所述第一告警知识矢量之间的特征距离最小化、所述范例事件编码向量序列与所述第二告警知识矢量之间的特征距离最大化为第一学习方向，以及以所述第三告警知识矢量与所述有效衍生编码向量之间的特征距离最小化、所述第三告警知识矢量与所述无效衍生编码向量之间的特征距离最大化为第二学习方向，更新所述微服务监控告警网络至符合网络收敛要求，生成所述目标告警网络。
13、在第一方面的一种可能的实施方式中，所述利用所述微服务监控告警网络提取所述范例微服务监控事件日志的范例事件编码向量序列、所述第一事件知识数据的第一告警知识矢量、所述第二事件知识数据的第二告警知识矢量、所述第三事件知识数据的第三告警知识矢量、所述有效衍生知识数据的有效衍生编码向量和所述无效衍生知识数据的无效衍生编码向量包括：
14、依据所述微服务监控告警网络的自编码器对所述范例微服务监控事件日志、所述第一事件知识数据、所述第二事件知识数据、所述第三事件知识数据、所述有效衍生知识数据和所述无效衍生知识数据进行编码，生成微服务监控事件编码数据、第一事件编码数据、第二事件编码数据、第三事件编码数据、有效衍生编码数据和无效衍生编码数据；
15、将所述微服务监控事件编码数据加载到所述微服务监控告警网络的第一循环神经网络进行提取，生成所述范例事件编码向量序列；
16、分别将所述第一事件编码数据、所述第二事件编码数据和所述第三事件编码数据加载到所述微服务监控告警网络的第二循环神经网络进行特征提取，生成所述第一告警知识矢量、所述第二告警知识矢量和所述第三告警知识矢量；
17、分别将所述有效衍生编码数据和所述无效衍生编码数据加载到所述微服务监控告警网络的第三循环神经网络进行特征提取，生成所述有效衍生编码向量和所述无效衍生编码向量；所述第二循环神经网络和所述第三循环神经网络共用相同的参数信息。
18、在第一方面的一种可能的实施方式中，所述以所述范例事件编码向量序列与所述第一告警知识矢量之间的特征距离最小化、所述范例事件编码向量序列与所述第二告警知识矢量之间的特征距离最大化为第一学习方向，以及以所述第三告警知识矢量与所述有效衍生编码向量之间的特征距离最小化、所述第三告警知识矢量与所述无效衍生编码向量之间的特征距离最大化为第二学习方向，更新所述微服务监控告警网络至符合网络收敛要求，生成所述目标告警网络包括：
19、基于所述范例事件编码向量序列、所述第一告警知识矢量、所述第二告警知识矢量、所述第三告警知识矢量、所述有效衍生编码向量和所述无效衍生编码向量确定网络误差参数；
20、依据所述网络误差参数更新所述微服务监控告警网络的网络权值和偏置信息，以进行微服务监控告警学习的循环参数学习，在更新过程中，网络权值和偏置信息更新的方向为提高同一循环阶段中生成的范例事件编码向量序列与第一告警知识矢量间的相关性、第三告警知识矢量与有效衍生编码向量间的相关性，以及减小同一循环阶段中生成的范例事件编码向量序列与第二告警知识矢量间的相关性、第三告警知识矢量与无效衍生编码向量间的相关性，至符合所述网络收敛要求；
21、将符合所述网络收敛要求的更新后的微服务监控告警网络输出为所述目标告警网络。
22、在第一方面的一种可能的实施方式中，所述基于所述范例事件编码向量序列、所述第一告警知识矢量、所述第二告警知识矢量、所述第三告警知识矢量、所述有效衍生编码向量和所述无效衍生编码向量确定网络误差参数包括：
23、基于所述范例事件编码向量序列、所述第一告警知识矢量、所述第二告警知识矢量和第一网络超参数进行训练损失确定，生成第一比较误差参数；
24、基于所述第三告警知识矢量、所述有效衍生编码向量、所述无效衍生编码向量和第二网络超参数进行训练损失确定，生成第二比较误差参数；
25、对所述第一比较误差参数和所述第二比较误差参数进行加权计算，生成所述网络误差参数。
26、在第一方面的一种可能的实施方式中，所述注意力聚焦矢量用于区分不同驱动事件的微服务交互路径的细节特征。
27、在第一方面的一种可能的实施方式中，所述方法还包括：
28、获取目标微服务监控事件的微服务监控事件日志，将所述微服务监控事件日志加载到所述目标告警网络的第一循环神经网络进行特征提取，生成目标事件编码向量序列；
29、确定所述目标事件编码向量序列与预设的多个目标告警知识矢量间的特征距离，依据所述特征距离从所述多个目标告警知识矢量中提取与所述目标微服务监控事件关联的目标告警知识矢量；
30、将所述关联的目标告警知识矢量所属的驱动事件输出为目标告警驱动事件。
31、在第一方面的一种可能的实施方式中，所述方法还包括：
32、分析各个所述目标告警驱动事件的相关属性，所述相关属性包括影响范围、持续时间、历史发生频率；
33、利用预设的优先级评估规则引擎对所述目标告警驱动事件的相关属性进行评估，确定所述目标告警驱动事件的优先级信息，并将优先级信息附加到对应的目标告警驱动事件中；
34、检索历史告警数据库，查找与所述目标告警驱动事件相关的历史告警事件，并利用关联分析算法挖掘所述目标告警驱动事件与所述历史告警事件之间的关联规则，根据关联规则识别对应的告警传播链数据；
35、结合微服务架构的调用链和依赖关系数据，对所述告警传播链数据进行分析，获得每个所述目标告警驱动事件的微服务调用图数据，并利用图分析算法在所述微服务调用图数据中定位关键节点或关键路径。
36、依据本技术的第二方面，提供一种基于事件驱动的微服务监控告警系统，所述基于事件驱动的微服务监控告警系统包括机器可读存储介质及处理器，所述机器可读存储介质存储有机器可执行指令，所述处理器在执行所述机器可执行指令时，该基于事件驱动的微服务监控告警系统实现前述的基于事件驱动的微服务监控告警方法。
37、依据本技术的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可执行指令，在所述计算机可执行指令被执行时，实现前述的基于事件驱动的微服务监控告警方法。
38、依据上述任意一个方面，本技术的技术效果在于：
39、本技术实施例通过获取范例微服务监控日志序列和衍生微服务监控日志序列，采用基于知识比较训练的方式，对微服务监控告警网络进行告警知识矢量提取学习，能够有效地从范例和衍生数据中提取出关键特征，形成目标告警网络，使其能够更好地识别和处理各种微服务监控事件。最后，通过将候选驱动事件的事件知识数据加载到目标告警网络进行特征提取，能够生成准确的目标告警知识矢量，这些目标告警知识矢量不仅包含了事件的详细信息，还反映了事件的异常程度和紧急程度，由此能够有效地提高微服务监控的准确性和效率，降低故障发生的概率和影响范围，保障了微服务系统的稳定运行。
1.一种基于事件驱动的微服务监控告警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于事件驱动的微服务监控告警方法，其特征在于，所述有效衍生知识数据和所述无效衍生知识数据的确定步骤，包括：
3.根据权利要求1所述的基于事件驱动的微服务监控告警方法，其特征在于，所述依据所述范例微服务监控日志序列和所述衍生微服务监控日志序列，对微服务监控告警网络进行基于知识比较训练的告警知识矢量提取学习，生成目标告警网络包括：
4.根据权利要求3所述的基于事件驱动的微服务监控告警方法，其特征在于，所述利用所述微服务监控告警网络提取所述范例微服务监控事件日志的范例事件编码向量序列、所述第一事件知识数据的第一告警知识矢量、所述第二事件知识数据的第二告警知识矢量、所述第三事件知识数据的第三告警知识矢量、所述有效衍生知识数据的有效衍生编码向量和所述无效衍生知识数据的无效衍生编码向量包括：
5.根据权利要求3所述的基于事件驱动的微服务监控告警方法，其特征在于，所述以所述范例事件编码向量序列与所述第一告警知识矢量之间的特征距离最小化、所述范例事件编码向量序列与所述第二告警知识矢量之间的特征距离最大化为第一学习方向，以及以所述第三告警知识矢量与所述有效衍生编码向量之间的特征距离最小化、所述第三告警知识矢量与所述无效衍生编码向量之间的特征距离最大化为第二学习方向，更新所述微服务监控告警网络至符合网络收敛要求，生成所述目标告警网络包括：
6.根据权利要求5所述的基于事件驱动的微服务监控告警方法，其特征在于，所述基于所述范例事件编码向量序列、所述第一告警知识矢量、所述第二告警知识矢量、所述第三告警知识矢量、所述有效衍生编码向量和所述无效衍生编码向量确定网络误差参数包括：
7.根据权利要求1-6中任意一项所述的基于事件驱动的微服务监控告警方法，其特征在于，所述注意力聚焦矢量用于区分不同驱动事件的微服务交互路径的细节特征。
8.根据权利要求4所述的基于事件驱动的微服务监控告警方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的基于事件驱动的微服务监控告警方法，其特征在于，所述方法还包括：
10.一种基于事件驱动的微服务监控告警系统，其特征在于，包括处理器以及计算机可读存储介质，所述计算机可读存储介质存储有机器可执行指令，所述机器可执行指令被处理器执行时实现权利要求1-9中任意一项所述的基于事件驱动的微服务监控告警方法。
