运维故障的识别方法、装置、设备及可读存储介质

技术领域

本申请涉及数字医疗技术领域，尤其涉及一种运维故障的识别方法、装置、计算机设备及计算机可读存储介质。

背景技术

在包括但不限于大型医疗集团等数字医疗业务系统中，随着数字医疗技术的发展，往往采用基于人工智能的大型、复杂的数字医疗IT系统进行医疗业务的自动化与智能化处理，数字医疗IT系统的运维非常重要，一旦数字医疗IT系统出现故障，需要及时进行修复，否则，将会造成重大医疗损失或者医疗危害。因此，上述应用场景中，更加需要借助人工智能进行数字医疗IT系统的自动化智能运维，以便提高数字医疗IT系统的运维效率。

在智能运维的根因定位中，尤其对于包括但不限于大型医疗集团等复杂业务的数字医疗IT系统，对于数字医疗IT系统故障的迅速识别非常重要，尤其是对于那些重复性发生的故障，这些故障会经常性地在不同位置上重复出现，干扰数字医疗IT系统的正常运作，占数字医疗IT系统的日常故障运维的很大一部分，需要运维工程师耗费大量时间精力对这些故障进行处理。因此，在发生故障时，需要快速准确地判断数字医疗IT系统出现的故障，以指导运维工程师进行故障修复。

由于重复性故障会反复发生，不同故障的变化情况有一定规律可循，因此可以采用分类器来对故障进行识别。然而传统的数字医疗IT系统的故障识别需要人工进行大量的特征工程，由于人工处理特征工程的主观性，导致对故障的识效果较差、识别准确性较低。

发明内容

本申请提供了一种运维故障的识别方法、装置、计算机设备及计算机可读存储介质，能够解决传统技术中对数字医疗IT系统的运维故障识别准确性较低的技术问题。

第一方面，本申请提供了一种运维故障的识别方法，包括：若检测到系统出现故障，则获取所述系统的预设指标所对应的时间序列特征数据；从所述时间序列特征数据中筛选得到局部子序列特征；获取所述局部子序列特征所对应的指标类型，并获取与所述指标类型相对应的指标故障分类模型；将所述局部子序列特征转换为特征向量，并将所述特征向量输入所述指标类型所对应的指标故障分类模型，对所述故障进行识别，得到所述故障所对应的故障类型。

第二方面，本申请提供了一种运维故障的识别装置，包括：第一获取单元，用于若检测到系统出现故障，则获取所述系统的预设指标所对应的时间序列特征数据；第二获取单元，用于从所述时间序列特征数据中筛选得到局部子序列特征；第三获取单元，用于获取所述局部子序列特征所对应的指标类型，并获取与所述指标类型相对应的指标故障分类模型；识别单元，用于将所述局部子序列特征转换为特征向量，并将所述特征向量输入所述指标类型所对应的指标故障分类模型，对所述故障进行识别，得到所述故障所对应的故障类型。

第三方面，本申请提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现所述运维故障的识别方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，所述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使所述处理器执行所述运维故障的识别方法的步骤。

本申请提供了一种运维故障的识别方法、装置、计算机设备及计算机可读存储介质，所述处理方法通过若系统出现故障，获取系统的预设指标所对应的时间序列特征数据，从时间序列特征数据中筛选得到局部子序列特征，获取局部子序列特征所对应的指标类型，并获取与指标类型相对应的指标故障分类模型，将局部子序列特征转换为特征向量，并将特征向量输入指标类型所对应的指标故障分类模型，对故障进行识别，得到故障所对应的故障类型，借助局部子序列特征及相应的指标故障分类模型，能够有效对包括但不限于数字医疗IT系统出现的故障进行识别，提高故障识别的智能化、准确性与效率，进而提高故障的运维效率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的运维故障的识别方法的流程示意图；

图2为本申请实施例提供的运维故障的识别方法的第一个子流程示意图；

图3为本申请实施例提供的运维故障的识别方法的第二个子流程示意图；

图4为本申请实施例提供的运维故障的识别装置的示意性框图；

图5为本申请实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

本申请实施例提供了一种运维故障的识别方法，所述处理方法可以应用于智能手机、平板电脑、笔记本电脑、台式机电脑等计算机设备中，对包括但不限于数字医疗IT系统出现的运维故障进行识别与处理时使用。

下面结合附图，对本申请的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1为本申请实施例提供的运维故障的识别方法的流程示意图。如图1所示，该方法包括但不限于以下步骤S11-S14：

S11、若检测到系统出现故障，则获取所述系统的预设指标所对应的时间序列特征数据。

具体地，在包括但不限于数字医疗IT系统中，根据系统的组件会出现故障的情形，尤其对于那些容易重复发生的故障，预先设置指标，即预设指标，例如，对于CPU、磁盘、硬盘等会出现故障的系统组件，预先设置CPU的占用率、温度等，与CPU出现故障相关的指标作为预设指标，或者预先设置与磁头损坏、电路板问题、芯片信息丢失、马达不转、芯片烧毁等故障各自相关的指标作为硬盘的预设指标。

若检测到系统出现故障，根据预先设置，获取系统的若干个预设指标各自所对应的时间序列特征数据，例如，对于CPU，获取系统的故障发生前的一段时间内CPU的占用率或者温度等。示例性地，在大型医疗集团等数字医疗IT系统中，若检测到数字医疗IT系统出现故障，根据预先设置，获取数字医疗IT系统的包括但不限于医疗用用的计算机设备的CPU、磁盘、硬盘等会出现故障的若干个预设指标各自所对应的时间序列特征数据，例如，对于医疗用的计算机设备的CPU，获取数字医疗IT系统的故障发生前的一段时间内CPU的占用率或者温度等。

S12、从所述时间序列特征数据中筛选得到局部子序列特征。

具体地，在包括但不限于数字医疗IT系统中，根据时间序列特征数据，从时间序列特征数据中，筛选得到局部子序列特征，尤其可以筛选出具备辨别性的局部子序列特征，具备辨别性的局部子序列特征描述具备典型特点、能够代表时间序列特征数据的局部特征。例如，在一示例中，从时间序列特征数据中，基于Shapelet，筛选出最具备辨别性的局部子序列特征，可以称为Shapelet特征，其中，Shapelet可以拆成Shape与let，Shape是形状，-let表示“小”的后缀，Shapelet即表示时间序列的“小形状”，即一个子序列，这个子序列是这段时间序列数据中一个特别的子序列，其能表达时序数据中最显著的特点。在其它示例中，对于CPU的占用率所对应的时间序列特征数据，可以根据CPU的占用率与一段时间内CPU的平均占用率进行比较，获取CPU的时间序列特征数据中占用率大于或者等于平均占用率的局部占用率所对应的局部子序列特征，也可以根据CPU的时间序列特征数据，将CPU的占用率按照大小进行排序，获取CPU的时间序列特征数据中占用率较大的若干占用率作为局部子序列特征，从而从CPU的时间序列特征数据中筛选得到CPU的占用率所对应的局部子序列特征。

S13、获取所述局部子序列特征所对应的指标类型，并获取与所述指标类型相对应的指标故障分类模型。

具体地，在包括但不限于数字医疗IT系统中，对于包括但不限于医疗用的计算机设备的CPU、磁盘、硬盘等系统的不同预设指标，分别设置相对应的预设指标故障分类模型，预设指标故障分类模型用于识别一类或者几类的预设指标的故障类型。例如，对于医疗用的计算机设备的CPU，可以设置相对应的预设指标故障分类模型，该预设指标故障分类模型可以仅用于识别CPU的故障，用来处理CPU的内存占用率或者CPU的温度等CPU的指标，在其它实施例中，也可以将PCU与硬盘一起设置相对应的预设指标故障分类模型，此种情形下，预设指标故障分类模型用于识别CPU的故障与磁盘的故障，用来处理CPU的内存占用率或者CPU的温度等CPU的指标，及处理磁盘的占用率或者温度等磁盘的指标。

基于上述设置，获取局部子序列特征所对应的指标类型，指标类型描述局部子序列特征所对应的预设指标所属的类型，例如，获取局部子序列特征所对应的指标类型为CPU指标、磁盘指标或者硬盘指标等预设指标的特征，并根据指标类型，获取相对应的预设指标故障分类模型。

S14、将所述局部子序列特征转换为特征向量，并将所述特征向量输入所述指标类型所对应的指标故障分类模型，对所述故障进行识别，得到所述故障所对应的故障类型。

具体地，在包括但不限于数字医疗IT系统中，将局部子序列特征转换为特征向量，可以为基于Shapelet特征转换，例如，Shapelet特征集合为S＝

本申请实施例，通过获取局部子序列特征及其所对应的指标类型，并根据指标类型，获取相对应的预设指标故障分类模型，并将局部子序列特征转换为特征向量，将特征向量输入指标类型所对应的预设指标故障分类模型，对故障进行识别，得到故障所对应的故障类，从而借助局部子序列特征及相对应的预设指标故障分类模型，能够提高对包括但不限于数字医疗IT系统中出现的故障进行识别的准确性，同时预设指标故障分类模型仅用于识别一类或者几类的预设指标的故障，能够减少预设指标故障分类模型的计算量而提高故障识别的效率，从而能够有效对包括但不限于数字医疗IT系统的故障进行识别，能够提高故障识别的智能化、准确性与效率，进而提高故障的运维效率。

在一实施例中，请参阅图2，图2为本申请实施例提供的运维故障的识别方法的第一个子流程示意图。如图2所示，在该实施例中，所述局部子序列特征为基于Shapelet特征算法的特征，所述从所述时间序列特征数据中筛选得到局部子序列特征，包括：

S21、将所述系统的若干个预设指标所对应的时间序列特征数据组成故障指标时序数据集；

S22、根据所述故障指标时序数据集，获取初始子特征序列，并将所述初始子特征序列组成初始子序列特征集合；

S23、根据所述初始子序列特征集合，将所述初始子序列特征进行分类，得到单类初始子序列特征集合，并计算所述单类初始子序列特征集合包含的初始子序列特征与相应的时间序列特征数据的相似度；

S24、根据所述相似度，统计每个所述初始子序列特征的统计量，所述统计量描述所述初始子序列特征的分类能力；

S25、根据所述相似度，对于属于同一个所述时间序列特征数据的初始子序列特征，过滤掉相似度较高的初始子序列特征，得到若干个目标子序列特征；

S26、根据所述统计量，将所有所述目标子序列特征进行排序，并获取所述统计量所对应的分类能力最强的若干个目标子序列特征作为局部子序列特征。

进一步地，所述根据所述故障指标时序数据集，获取初始子特征序列，包括；

通过不同窗口长度的滑动窗口对所述故障指标时序数据集的每个时间序列特征数据进行遍历；

提取不同的滑动窗口所对应的特征数据，并将具有相同窗口长度的特征数据作为初始子特征序列。

具体地，在包括但不限于数字医疗IT系统中，将系统的包括但不限于计算机设备的CPU、磁盘、硬盘、电路板、芯片、马达的若干个预设指标各自所对应的时间序列特征数据组成故障指标时序数据集，示例性地，在一示例中，将CPU的占用率作为预设指标之一，并将CPU的占用率在一系列时间点的占用率值形成的时间序列特征数据组成相对应的故障指标时序数据集，在另一示例中，将CPU的温度作为预设指标之一，并将CPU的温度在一系列时间点的温度值形成的时间序列特征数据组成相对应的故障指标时序数据集。其中，故障指标时序数据集可以采用如下T描述：T＝{T

根据初始子序列特征集合，将初始子序列特征进行分类，得到单个类别的单类初始子序列特征集合，并计算单类初始子序列特征集合包含的每个初始子序列特征与相应的时间序列特征数据的相似度，例如，若根据滑动窗口的长度L，将初始子序列特征进行分类，将同一长度L的初始子序列特征归为一类，得到单类初始子序列特征集合，其中，L的最小值可以采用min描述L的最大值可以采用max描述，L的集合可以采用{min，max}描述，例如L为10分钟、30分钟或者1个小时等不同的时间长度，可以根据包括但不限于数字医疗IT系统的不同运维需求进行确定，并可以计算滑动窗口的长度为L的初始子序列特征Shapelet与故障指标时序数据集T中每一个长度也为L的时间序列特征数据T

其中，W

根据相似度，评估每个候选Shapelet的分类能力，可以引入统计量F描述Shapelet的分类能力，统计每个初始子序列特征的分类能力所对应的统计量F，统计量F计算公式可以采用如下公式(2)进行计算：

其中，D

根据相似度，对于属于同一个时间序列特征数据的初始子序列特征，过滤掉相似度较高的初始子序列特征，得到若干个目标子序列特征，根据统计量F，将所有目标子序列特征进行排序，并获取统计量F所对应的分类能力最强的若干个目标子序列特征，作为具备辨别性的子序列特征。例如，对于Shapelet筛选，针对来自同一T

本申请实施例，通过根据故障指标时序数据集，获取初始子特征序列，尤其可以通过滑动窗口遍历故障指标时序数据集包含的每个时间序列特征数据，得到初始子特征序列，并对得到初始子特征序列进行筛选，从而得到具备辨别性的局部子序列特征，进而利用时间序列特征数据的局部特征的捕捉比全局特征的捕捉准确度更高，来确定包括但不限于数字医疗IT系统出现的故障所对应的故障类型，来对包括但不限于数字医疗IT系统的故障进行识别，能够有效对包括但不限于数字医疗IT系统出现的故障进行识别，能够提高包括但不限于数字医疗IT系统的故障进行识别的智能化、准确性与效率，进而提高包括但不限于数字医疗IT系统的故障进行维护的运维效率。

在一实施例中，所述得到所述故障所对应的故障类型之后，还包括：

获取k个所述局部子序列特征各自所对应的故障类别，其中，k为正整数；

将k个所述局部子序列特征所对应的预设内容显示在预设显示屏。

进一步地，所述将k个所述局部子序列特征所对应的预设内容显示在预设显示屏，包括：

将每个所述局部子序列特征所对应的特征向量、故障类别显示在预设显示屏；

将每个所述局部子序列特征所对应的Shapelet特征采用图形方式显示在所述预设显示屏。

具体地，获取k个局部子序列特征各自所对应的故障类别，其中，k为正整数，例如，k取3、5或者8等不同的数值，将k个局部子序列特征所对应的特征向量与故障类别等预设内容显示在预设显示屏。例如，在数字医疗IT系统所对应的医疗场景中，将医疗用的计算机设备所对应的预设内容显示在数字医疗IT系统的运维人员所用的服务器的显示屏或者与服务器连接的终端的显示屏上。

进一步地，基于Shapelet特征算法，采用Shapelet特征进行故障识别时，获取时间序列特征数据的Shapelet特征，即局部子序列特征，局部子序列特征可以为k个，k为正整数，并获取k个局部子序列特征各自所对应的故障类别，将每个局部子序列特征所对应的特征向量、故障类别显示在预设显示屏，且将每个局部子序列特征所对应的Shapelet特征采用图形方式显示在预设显示屏，从而将将k个局部子序列特征、故障类别、Shapelet特征转换的结果、Shapelet特征可视化的折线图等预设内容，显示在运维人员使用的显示屏上。

本申请实施例，通过获取k个局部子序列特征各自所对应的故障类别，并将k个局部子序列特征所对应的特征向量与故障类别进行显示，尤其局部子序列特征为基于Shapelet算法的特征时，其中，基于Shapelet算法的特征可以称为Shapelet特征，能够使运维人员通过查看Shapelet特征转换的结果以及Shapelet可视化的折线图，找出当前故障指标时间序列相似度最大的k个Shapelet，并查找这k个Shapelet对应的类别，通过比较不同类别的Shapelet与故障指标相似度，从而准确确定模型输出的故障分类结果的原因，相比传统技术中的分类算法最终只能提供一个分类结果，不能说明类别间的差异，也无法了解数据内部的特性，无法让运维人员解读模型的输出结果，本申请实施例通过将k个局部子序列特征、特征向量、故障类别进行可视化显示，除了能够输入到机器学习模型中实现较高的分类精度，Shapelet也可以让模型结果更具解释性，由于每个Shapelet都可以可视化，并且可以观察每个Shapelet与故障指标时序的相似度，包括但不限于数字医疗IT系统的运维人员便能更好的了解医疗设备等相关的数据和模型输出的结果，进而帮助数字医疗IT系统等相关系统的运维人员更好地排查和修复故障。

进一步地，所述将每个所述局部子序列特征所对应的Shapelet特征采用图形方式显示在所述预设显示屏之后，还包括：

获取用户确定的目标故障及对应的目标故障类型；

将所述目标故障、目标故障类型及所对应的局部子序列特征作为训练样本训练所述指标故障分类模型。

具体地，在包括但不限于数字医疗IT系统中，将k个局部子序列特征各自所对应的故障类别、Shapelet特征转换的结果、Shapelet特征可视化的折线图等预设内容，显示在运维人员使用的显示屏后，由用户对比k个局部子序列特征及各自所对应的预设内容，并让用户根据自己的判断选取系统的故障会是哪个，并将选取的局部子序列特征所对应的故障作为目标故障，该目标故障的类型作为目标故障类型，目标故障类型包括但不限于CPU故障、磁盘故障、硬盘故障，然后获取用户确定的目标故障及对应的目标故障类型，将目标故障、目标故障类型及所对应的局部子序列特征作为训练样本训练指标故障分类模型，以通过增加的训练样本提高指标故障分类模型对故障识别的准确性。

在一实施例中，请参阅图3，图3为本申请实施例提供的运维故障的识别方法的第二个子流程示意图。如图3所示，在该实施例中，所述获取与所述指标类型相对应的指标故障分类模型之前，还包括：

S31、构建原始分类模型，并获取样本故障所对应的基于时间序列的初始指标样本特征数据；

S32、根据所述初始指标样本特征数据，基于Shapelet特征算法，获取Shapelet样本特征；

S33、将所述Shapelet样本特征转换为特征向量，得到样本特征向量；

S34、采用所述样本特征向量训练所述原始分类模型，得到指标故障分类模型。

具体地，在包括但不限于数字医疗IT系统中，采用逻辑回归、支持向量机、随机森林、梯度提升树等已有的分类模型，构建原始分类模型。并获取样本故障所对应的基于时间序列的初始指标样本特征数据，初始指标样本特征数据为预设指标所对应的一段时间内具备时间序列特征的数据，即获取预先设置的每种故障对应的时间序列的样本特征数据作为训练样本。例如，对于在包括但不限于数字医疗IT系统中的计算机设备的散热不良导致的死机或者自动关机等故障，预先设置散热不良所对应的基于时间序列的初始温度样本特征数据，示例性的，系统故障发生前，计算机设备在半个小时内每5分钟一次的温度数据，对于计算机设备的内存不足导致的死机或者自动关机等故障，预先设置CPU的占用率所对应的初始占用率样本特征数据，示例性的，CPU的故障发生前，CPU在10分钟时间内每1分钟一次的占用率数据，对于主板供电超出CPU承受的电压而造成的烧毁等CPU损坏故障，预先设置电压所对应的初始电压样本特征数据，示例性的，在烧毁等CPU损坏故障前，电压在20分钟时间内每2分钟一次的电压值数据。

根据初始指标样本特征数据，基于Shapelet特征算法，获取初始指标样本特征数据包含的具有辨识性的时间序列子序列作为Shapelet特征，即Shapelet样本特征，并获取Shapelet样本特征，从而借助Shapelet样本特征，通过识别局部特征达到对时间序列准确分类的目的。

将Shapelet样本特征转换为特征向量，得到样本特征向量，可以采用如下方式将Shapelet样本特征转换为特征向量，示例性的，采取如下公式：Ax＝cx：A为矩阵，c为特征值，x为特征向量，其中，矩阵A乘以x表示，对向量x进行一次转换(旋转或拉伸)(是一种线性转换)，而该转换的效果为常数c乘以向量x(即只进行拉伸)。然后采用样本特征向量训练原始分类模型，得到指标故障分类模型。

本申请实施例，通过构建原始分类模型，并获取样本故障所对应的基于时间序列的初始指标样本特征数据，根据初始指标样本特征数据，基于Shapelet特征算法，获取Shapelet样本特征，将Shapelet样本特征转换为特征向量，得到样本特征向量，采用样本特征向量训练原始分类模型，得到指标故障分类模型，借助具备辨识性的Shapelet样本特征所对应的局部子序列特征，并借助不同故障所对应的预设指标的变化规律，根据局部子序列特征对原始分类模型进行训练，能够有效对原始分类模型进行训练，得到识别准确的指标故障分类模型，提高在包括但不限于数字医疗IT系统中的指标故障分类模型对故障识别的智能化、准确性与效率，进而提高包括但不限于数字医疗IT系统故障的运维效率。

需要说明的是，上述各个实施例所述的运维故障的识别方法，可以根据需要将不同实施例中包含的技术特征重新进行组合，以获取组合后的实施方案，但都在本申请要求的保护范围之内。

请参阅图4，图4为本申请实施例提供的运维故障的识别装置的示意性框图。对应于上述的运维故障的识别方法，本申请实施例还提供一种运维故障的识别装置。如图4所示，该运维故障的识别装置包括用于执行上述的所述运维故障的识别方法的单元，该运维故障的识别装置可以被配置在包括但不限于数字医疗IT系统的计算机设备中。具体地，请参阅图4，所述运维故障的识别装置40包括第一获取单元41、第二获取单元42、第三获取单元43及识别单元44。

其中，第一获取单元41，用于若检测到系统出现故障，则获取所述系统的预设指标所对应的时间序列特征数据；

第二获取单元42，用于从所述时间序列特征数据中筛选得到局部子序列特征；

第二获取单元43，用于获取所述局部子序列特征所对应的指标类型，并获取与所述指标类型相对应的指标故障分类模型；

识别单元44，用于将所述局部子序列特征转换为特征向量，并将所述特征向量输入所述指标类型所对应的指标故障分类模型，对所述故障进行识别，得到所述故障所对应的故障类型。

在一实施例中，所述局部子序列特征为基于Shapelet特征算法的特征；所述第二获取单元42包括：

组成子单元，用于将所述系统的若干个预设指标所对应的时间序列特征数据组成故障指标时序数据集；

第一获取子单元，用于根据所述故障指标时序数据集，获取初始子特征序列，并将所述初始子特征序列组成初始子序列特征集合；

计算子单元，用于根据所述初始子序列特征集合，将所述初始子序列特征进行分类，得到单类初始子序列特征集合，并计算所述单类初始子序列特征集合包含的初始子序列特征与相应的时间序列特征数据的相似度；

统计子单元，用于根据所述相似度，统计每个所述初始子序列特征的统计量，所述统计量描述所述初始子序列特征的分类能力；

过滤子单元，用于根据所述相似度，对于属于同一个所述时间序列特征数据的初始子序列特征，过滤掉相似度较高的初始子序列特征，得到若干个目标子序列特征；

排序子单元，用于根据所述统计量，将所有所述目标子序列特征进行排序，并获取所述统计量所对应的分类能力最强的若干个目标子序列特征作为局部子序列特征。

在一实施例中，第一获取子单元包括：

遍历子单元，用于通过不同窗口长度的滑动窗口对所述故障指标时序数据集的每个时间序列特征数据进行遍历；

提取子单元，用于提取不同的滑动窗口所对应的特征数据，并将具有相同窗口长度的特征数据作为初始子特征序列。

在一实施例中，所述识别单元43还包括：

第二获取子单元，用于获取k个所述局部子序列特征各自所对应的故障类别，其中，k为正整数；

显示子单元，用于将k个所述局部子序列特征所对应的预设内容显示在预设显示屏。

在一实施例中，所述显示子单元，包括：

第一显示子单元，用于将每个所述局部子序列特征所对应的特征向量、故障类别显示在预设显示屏；

可视化显示子单元，用于将每个所述局部子序列特征所对应的Shapelet特征采用图形方式显示在所述预设显示屏。

在一实施例中，所述识别单元43还包括：

第三获取子单元，用于获取用户确定的目标故障及对应的目标故障类型；

训练子单元，用于将所述目标故障、目标故障类型及所对应的局部子序列特征作为训练样本训练所述指标故障分类模型。

在一实施例中，所述运维故障的识别装置40还包括：

构建单元，用于构建原始分类模型，并获取样本故障所对应的基于时间序列的初始指标样本特征数据；

第四获取单元，用于根据所述初始指标样本特征数据，基于Shapelet特征算法，获取Shapelet样本特征；

转换单元，用于将所述Shapelet样本特征转换为特征向量，得到样本特征向量；

训练单元，用于采用所述样本特征向量训练所述原始分类模型，得到指标故障分类模型。

需要说明的是，所属领域的技术人员可以清楚地了解到，上述运维故障的识别装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。

同时，上述运维故障的识别装置中各个单元的划分和连接方式仅用于举例说明，在其他实施例中，可将运维故障的识别装置按照需要划分为不同的单元，也可将运维故障的识别装置中各单元采取不同的连接顺序和方式，以完成上述运维故障的识别装置的全部或部分功能。

上述运维故障的识别装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行，该计算机设备可以为包括但不限于数字医疗IT系统中的计算机设备。

请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是台式机电脑或者服务器等计算机设备，也可以是其他设备中的组件或者部件。

参阅图5，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504，所述存储器也可以为易失性存储介质。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种上述运维故障的识别方法。

该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种上述运维故障的识别方法。

该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图5所示实施例一致，在此不再赘述。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述描述的运维故障的识别方法的步骤。

应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来完成，该计算机程序可存储于一计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。

因此，本申请还提供一种计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时使处理器执行如下步骤：

一种计算机程序产品，当其在计算机上运行时，使得计算机执行以上各实施例中所描述的所述运维故障的识别方法的步骤。

所述计算机可读存储介质可以是前述设备的内部存储单元，例如设备的硬盘或内存。所述计算机可读存储介质也可以是所述设备的外部存储设备，例如所述设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述设备的内部存储单元也包括外部存储设备。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述存储介质为实体的、非瞬时性的存储介质，例如可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储计算机程序的实体存储介质。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本申请实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。

该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

以上所述，仅为本申请的具体实施方式，但本申请明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。