数据是基于第三届阿里云磐久智维算法大赛,
官方地址:第三届阿里云磐久智维算法大赛赛题与数据-天池大赛-阿里云天池 (aliyun.com)
亚军方案gihub:AI-Competition/3rd_PanJiu_AIOps_Competition at main · yz-intelligence/AI-Competition · GitHub
本赛题提供了故障工单与日志数据,分析msg的结构,根据|
可以将其分解。根据实际的业务场景,在故障发生的前后5/10/15/30分钟或更久产生的日志信息,都可能与此故障有关。
sn代表服务器序列号,故障工单中共有13700+个sn;
服务器型号server_model和服务器序列号sn是一对多的关系;
将msg经过TF-IDF编码,输入到线性模型中,使用eli5得出每个类别下,msg单词的贡献程度,权重越高表示区分该类别的贡献越大。
-
0类和1类表示CPU相关故障,processor的权重都是最高的,且区分度不是很高;
-
2类表示内存相关故障,权重较高的是memory、mem、ecc;
-
3类表示其他类型故障,权重较高的是hdd、fpga、bus,可能是和硬件相关的故障。
主要步骤:数据预处理,特征工程,特征选择,模型训练,模型融合。
-
数据预处理:按照距离故障发生时间的间隔,将日志分成不同的时间区间;msg根据特殊符号进行标准化。
-
特征工程:主要构建关键词特征、时间差特征、TF-IDF词频统计特征、W2V特征、统计特征、New Data特征。
-
特征选择:对抗验证进行特征选择,保证训练和测试集的一致性,提高模型在测试集的泛化能力。
-
模型训练:CatBoost与LightGBM使用伪标签技术进行模型训练。
-
模型融合:CatBoost与LightGBM的预测结果以8:2进行加权融合得到最终的模型预测结果。
根据实际业务场景,故障发生之前可能会有预警日志产生,故障发生之后可能会产生日志风暴,对每一条故障工单数据,按照不同的时间切分构造新的日志数据,按照日志聚合之后构造统计特征。
特征工程:
时间差特征
反映故障日志与正常日志发生的间隔。特征构造方法:
-
获取日志时间和故障发生时间的时间差,结合
sn, server_model
进行分组特征衍生。 -
时间差的统计特征:
[max, min, median, std, var, skw, sum, mode]
-
时间差的分位数特征:
[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]
-
时间差差分:
[max, min, median, std, var, skw, sum]
关键词特征
关键词对各类别的影响。构造关键词特征首先要找到关键词,两种方法确定关键词:
-
方案1:msg 做TF-IDF编码,输入到线性模型中,计算每个类别下关键词的权重,取每个类别的TOP20。
-
方案2:根据' | '对 msg 分词,统计每个类别的词频占比,取每个类别的TOP20。
-
方法1与方法2取并集,得到最终的关键词。
-
将每个关键词在msg中出现与否作为特征。
统计特征:根据类别特征分组构造统计特征,使类别特征隐藏的信息充分暴露出来。
-
根据
sn
分组,server_mode
统计特征:[count,nunique,freq,rank]
-
根据
sn
分组,日志统计特征:msg, msg_0, msg_1, msg_2:[count,nunique,freq,rank]
W2V特征:反映msg
的语义信息
-
根据
sn
分组,按照时间对msg
进行排序,对于每一个sn
,将排序好的msg
作为一个序列,提取embedding
特征。
TFIDF特征
根据 fault_id(sn+fault_time)
分组,根据fault_id
将msg
拼接作为一个序列,提取TF-IDF特征。
特征选择
特征选择环节主要是使用对抗验证进行特征选择,将训练集与测试集删除label重新打标,训练集为1,测试集为0,数据集合并进行模型训练计算AUC,如果AUC大于设定好的阈值,将特征重要性最高的特征删除,重新训练模型。直至AUC小于阈值。
在模型训练的时候,使用伪标签技术,具体是将A、B榜测试集的预测结果,选取置信度>0.85的样本作为可信样本,加入到训练集中,达到增大样本量的目的。
参考: