一种基于机器学习的ITIL事件预演方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于机器学习的ITIL事件预演方法和装置。

背景技术

目前随着IT运维的大力发展，现有主流的IT运维管理技术，主要针对ITIL的几大要素：请求、事件、问题、变更、发布和CMDB进行流程化管控。通过提供灵活的、流程化的IT服务管理，帮助企业完成流程定义、流程执行、流程监控以及流程的优化。将日常操作全部流程化，并通过自动化工具对流程执行情况进行及时追踪。

在其中的事件管理中，有服务台或者自动产生的事件，主要填写一些事件或者问题的描述，相关配置项、关联的SLA以及跟事件相关的其它信息组成了事件的整体内容。后续再有一线或者二线的工程师对事件进行处理，处理后也可以形成知识放入知识库中，后续的事件预演方式是依托于现有数据库的只是内容进行分词或者是内容关联匹配，从而引导工程师进行进一步的事件处理。在实际流程的执行过程中，因为工程师的能力问题，以及单一知识库内容进行匹配有误，都会导致处理事件难度增大，花费成本高，效率低下，现有技术的缺陷为：

1、依靠现有知识库无法适应不同环境下的解决方法；2、只依靠工程师人为判断和处理，风险较高；3、知识没有自动学习和智能更新方式，导致在处理过程中不能尽快找到合适的案例和指导价值，效率低下；4、对事件预演算法和数据支撑有限，运维成本高，因此我们提出了一种基于机器学习的ITIL事件预演方法和装置用于解决上述问题。

发明内容

本发明的目的是为了解决现有技术的缺点，而提出的一种基于机器学习的ITIL事件预演方法和装置。

为了实现上述目的，本发明采用了如下技术方案：

一种基于机器学习的ITIL事件预演方法，包括以下步骤：

步骤S1：整理ITIL的管理系统的知识库，获取知识库的标签描述、内容描述；利用Hadoop大数据技术，对知识库中的非结构化文本数据进行处理和聚合操作，满足知识的多样性的要求；

步骤S2：利用已训练的循环神经网络框架提取步骤S1所述的多维特征值；

步骤S3：将所得的数值特征保存成矩阵数组，并将数据集根据75％：25％的比例分成训练集和测试集；

步骤S4：将训练集根据步骤S2得到的特征及其已知的用户信息、事件信息输入SVM进行训练，训练器自动总结不同知识的细微差别特点，生成分类模型，对分类模型进行分类并保存；

步骤S5：分类器的惩罚系数和核函数系数可变，训练时采用多种该参数组合进行测试，最后选取分类效果最好的参数组合，为分类器的分类精度标准，然后确认此模型参数并保存此分类器；若分类结果不理想，则调整模型的相关参数惩罚系数和核函数系数，再重复进行步骤S4，直到分类准确为止；

步骤S6：通过步骤S5中得到的分类器，对知识进行鉴别，依据事件特有属性获取相似事件的演变趋势，之后将事件对应参数输入上述训练好的SVM分类器，即可得到较优的解决方案。

优选的，所述步骤S1中，获取对应的事件关键字特征，事件的问题描述、事件的处理结果等信息入库；事件对应的处理工程师按照级别进行加权处理；所有特征信息进行降维处理，进入特征值数据集。

优选的，所述步骤S2中，网络框架采用TensorFlow网络框架，此网络为Google公司推出的开源软件库。

优选的，所述步骤S4中，将测试集利用生成的分类模型对其使用价值进行分类，并对比其已知的实际使用价值即可得到分类器的分类精度。

优选的，所述步骤S4中，选取多条数据作为样本进行SVM训练，得到性能优化的SVM分类器，具体的方法：设定SVM分类器的数目，对于多种类别需要训练多个SVM分类器；假设有N个事件类别，则需要训练得到N个SVM分类器，此时每个SVM分类器的作用为判断知识是否属于N种类别种植产地中的其中一类；针对于每个分类器，选取N种类别中的其中一种类别的多个特征集为正样本集，选取N种类别的其它类别的作为负样本集；提取所有的正样本集的多维特征值，提取所有负样本集的多维特征值，并对所有的正样本集和所有负样本集赋予样本标签；将所有的正样本集的多维特征值和所有负样本集的多维特征值；所有的正样本集的标签和所有负样本集的标签，都输入到SVM分类器中进行训练；则得到识别其中一类的性能较优化的一个SVM分类器，重复进行步骤S4的操作，得到性能优化的N个SVM分类器。

本发明还提供了一种基于机器学习的ITIL事件预演装置，包括展示模块、学习匹配模块和存储模块，所述展示模块、存储模块均与学习匹配模块双向连接；

所述存储模块用于存放知识库，并为所述学习匹配模块提供知识库数据；

所述展示模块用于进行结果展示，并将数据传输至所述学习匹配模块；

所述学习匹配模块用于进行机器学习匹配、事件预演判断和优化变更知识库。

优选的，所述学习匹配模块包括事件预演判断单元和知识库更新单元，所述事件预演判断单元用于进行事件预演判断并将结果传输至所述展示模块，所述知识库更新单元用于优化更新知识库并存放到所述存储模块内。

与现有技术相比，本发明中提供了一种基于机器学习的ITIL事件预演方法和装置，具备以下有益效果：

(1)本发明使用了多种机器学习的方法，结合现有知识库、事件、工程师级别及引用级别等多种特征值引用，协助工程师规范化处理事件；同时基于问题处理的反馈结果，对知识库进行优化和价值排序，更智能有效的提供IT服务支持；

(2)本发明技术方案提供了一种依托域大数据的智能化知识匹配结构，综合各种关键特征因素，保障了高价值知识的获取，不单单依赖知识库或者是工程师人工判断，大大提高了知识传递的准确率，准确率达到90％，同时在训练后，结果的响应速度也大大提高，为事件预演提供了有力的数据支撑，提高了服务质量和效率；

本发明设计利用神经网络和SVM的机器学习方法来提高知识的利用价值和准确率，保障事件预演的高质量结果。

附图说明

图1为本发明提出的一种基于机器学习的ITIL事件预演方法的流程图；

图2为本发明提出的一种基于机器学习的ITIL事件预演装置的原理框图；

图3为本发明提出的一种基于机器学习的ITIL事件预演装置中学习匹配模块的原理框图；

图4为本发明提出的一种基于机器学习的ITIL事件预演装置的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1-4，一种基于机器学习的ITIL事件预演方法，包括以下步骤：

步骤S1：整理ITIL的管理系统的知识库，获取知识库的标签描述、内容描述；利用Hadoop大数据技术，对知识库中的非结构化文本数据进行处理和聚合操作，满足知识的多样性的要求；

步骤S2：利用已训练的循环神经网络框架提取步骤S1所述的多维特征值；

步骤S3：将所得的数值特征保存成矩阵数组，并将数据集根据75％：25％的比例分成训练集和测试集；

步骤S4：将训练集根据步骤S2得到的特征及其已知的用户信息、事件信息输入SVM进行训练，训练器自动总结不同知识的细微差别特点，生成分类模型，对分类模型进行分类并保存；

步骤S5：分类器的惩罚系数和核函数系数可变，训练时采用多种该参数组合进行测试，最后选取分类效果最好的参数组合，为分类器的分类精度标准，然后确认此模型参数并保存此分类器；若分类结果不理想，则调整模型的相关参数惩罚系数和核函数系数，再重复进行步骤S4，直到分类准确为止；

步骤S6：通过步骤S5中得到的分类器，对知识进行鉴别，依据事件特有属性获取相似事件的演变趋势，之后将事件对应参数输入上述训练好的SVM分类器，即可得到较优的解决方案。

本实施例中，所述步骤S1中，获取对应的事件关键字特征，事件的问题描述、事件的处理结果等信息入库；事件对应的处理工程师按照级别进行加权处理；所有特征信息进行降维处理，进入特征值数据集；所述步骤S2中，网络框架采用TensorFlow网络框架，此网络为Google公司推出的开源软件库；所述步骤S4中，将测试集利用生成的分类模型对其使用价值进行分类，并对比其已知的实际使用价值即可得到分类器的分类精度。

本实施例中，所述步骤S4中，选取多条数据作为样本进行SVM训练，得到性能优化的SVM分类器，具体的方法：设定SVM分类器的数目，对于多种类别需要训练多个SVM分类器；假设有N个事件类别，则需要训练得到N个SVM分类器，此时每个SVM分类器的作用为判断知识是否属于N种类别种植产地中的其中一类；针对于每个分类器，选取N种类别中的其中一种类别的多个特征集为正样本集，选取N种类别的其它类别的作为负样本集；提取所有的正样本集的多维特征值，提取所有负样本集的多维特征值，并对所有的正样本集和所有负样本集赋予样本标签；将所有的正样本集的多维特征值和所有负样本集的多维特征值；所有的正样本集的标签和所有负样本集的标签，都输入到SVM分类器中进行训练；则得到识别其中一类的性能较优化的一个SVM分类器，重复进行步骤S4的操作，得到性能优化的N个SVM分类器。

本实施例还提供了一种基于机器学习的ITIL事件预演装置，包括展示模块、学习匹配模块和存储模块，所述展示模块、存储模块均与学习匹配模块双向连接；

所述存储模块用于存放知识库，并为所述学习匹配模块提供知识库数据；

所述展示模块用于进行结果展示，并将数据传输至所述学习匹配模块；

所述学习匹配模块用于进行机器学习匹配、事件预演判断和优化变更知识库。

本实施例中，所述学习匹配模块包括事件预演判断单元和知识库更新单元，所述事件预演判断单元用于进行事件预演判断并将结果传输至所述展示模块，所述知识库更新单元用于优化更新知识库并存放到所述存储模块内。

以上所述，仅为本发明较佳的具体实施方式，但本发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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。