告警生成方法、装置、电子设备及存储介质

技术领域

本发明实施例涉及信息处理技术领域，尤其涉及一种告警生成方法、装置、电子设备及存储介质。

背景技术

随着5G网络演进和多业务需求，5G网络中的监控变量大幅增加，海量的告警事件将极大地加重运维负担；目前的告警处理方法存在以下问题：存在大量冗余告警、根告警难定位、运维难度大、成本高、处理效率低，从而可能会影响系统的整体性能。

此外，目前的告警处理依赖经验库和专家规则，未能充分利用到海量告警数据中的丰富信息，而传统的告警的智能优化方法存在数据量大/数据不对齐等数据挖掘难题，难以准确地刻画告警关系，定位根告警。

可见，目前亟需一种新的告警生成方法。

发明内容

本发明实施例提供一种告警生成方法、装置、电子设备及存储介质，以解决相关技术中存在的问题，以进行智能告警优化，提高运维效率，节省运维成本，提供更佳的用户体验。

本发明实施例第一方面提供了一种告警生成方法，所述方法包括：

根据多个告警事件各自的持续告警时间，确定所述多个告警事件的重叠告警时间，所述重叠告警时间表征：持续告警时间存在重叠的各个告警事件的共同告警时间；

根据所述多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率；

根据所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，生成所述多个告警事件各自对应的高维向量；

根据所述多个告警事件各自对应的高维向量之间的相似度，输出告警信息。

可选地，根据所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，生成所述多个告警事件各自对应的高维向量，包括：

将所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，输入预先训练的高维向量生成模型，得到所述多个告警事件各自对应的高维向量；

所述高维向量生成模型生成的高维向量的长度用于表征：告警事件的告警属性信息，所述高维向量生成模型生成的高维向量的角度用于表征：告警事件与其他告警事件的关联概率。

可选地，所述方法还包括：

根据所述多个告警事件各自对应的高维向量之间的相似度，滤除相似度高于相似度阈值的告警事件簇中冗余的告警事件；

根据所述多个告警事件各自对应的高维向量之间的相似度，输出告警信息，包括：

针对滤除后剩余的告警事件，输出告警信息。

可选地，在滤除相似度高于相似度阈值的告警事件簇中冗余的告警事件之后，所述方法还包括：

生成并输出被滤除的告警事件与滤除后剩余的告警事件之间的冗余关系信息；

在滤除下一时间段内的相似度高于相似度阈值的告警事件簇中冗余的告警事件之后，更新所述冗余关系信息。

可选地，所述方法还包括：

根据所述多个告警事件各自对应的高维向量之间的相似度，以及所述多个告警事件各自的告警开始时刻的先后顺序，从所述多个告警事件中定位出根告警事件；

根据所述多个告警事件各自对应的高维向量之间的相似度，输出告警信息，包括：

针对所述根告警事件，输出告警信息。

可选地，在从所述多个告警事件中定位出根告警事件之后，所述方法还包括：

绘制并展示表征所述多个告警事件之间的因果关系的告警事件树；

在从下一时间段内的多个告警事件中定位出根告警之后，更新所述告警事件树。

可选地，所述方法还包括：

获取下一时间段内的多个告警事件的关联概率以及下一时间段内的多个告警事件各自的告警属性信息；

根据所述下一时间段内的多个告警事件的关联概率以及所述下一时间段内的多个告警事件各自的告警属性信息，更新所述高维向量生成模型的模型参数。

本发明实施例第二方面提供了一种告警生成装置，所述装置包括：

第一确定模块，用于根据多个告警事件各自的持续告警时间，确定所述多个告警事件的重叠告警时间，所述重叠告警时间表征：持续告警时间存在重叠的各个告警事件的共同告警时间；

第二确定模块，用于根据所述多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率；

生成模块，用于根据所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，生成所述多个告警事件各自对应的高维向量；

输出模块，用于根据所述多个告警事件各自对应的高维向量之间的相似度，输出告警信息。

可选地，所述生成模块，具体用于：

将所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，输入预先训练的高维向量生成模型，得到所述多个告警事件各自对应的高维向量；

所述高维向量生成模型生成的高维向量的长度用于表征：告警事件的告警属性信息，所述高维向量生成模型生成的高维向量的角度用于表征：告警事件与其他告警事件的关联概率。

可选地，所述装置还包括：

滤除模块，用于根据所述多个告警事件各自对应的高维向量之间的相似度，滤除相似度高于相似度阈值的告警事件簇中冗余的告警事件；

所述输出模块，具体用于：针对滤除后剩余的告警事件，输出告警信息。

可选地，所述装置还包括：

冗余关系信息输出模块，用于生成并输出被滤除的告警事件与滤除后剩余的告警事件之间的冗余关系信息；

冗余关系信息更新模块，用于在滤除下一时间段内的相似度高于相似度阈值的告警事件簇中冗余的告警事件之后，更新所述冗余关系信息。

可选地，所述装置还包括：

定位模块，用于根据所述多个告警事件各自对应的高维向量之间的相似度，以及所述多个告警事件各自的告警开始时刻的先后顺序，从所述多个告警事件中定位出根告警事件；

所述输出模块，具体用于：

针对所述根告警事件，输出告警信息。

可选地，所述装置还包括：

绘制模块，用于绘制并展示表征所述多个告警事件之间的因果关系的告警事件树；

告警事件树更新模块，用于在从下一时间段内的多个告警事件中定位出根告警之后，更新所述告警事件树。

可选地，所述装置还包括：

获取模块，用于获取下一时间段内的多个告警事件的关联概率以及下一时间段内的多个告警事件各自的告警属性信息；

模型参数更新模块，用于根据所述下一时间段内的多个告警事件的关联概率以及所述下一时间段内的多个告警事件各自的告警属性信息，更新所述高维向量生成模型的模型参数。

本发明实施例第三方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面所述的方法中的步骤。

本发明实施例第四方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现如本发明第一方面所述的方法中的步骤。

采用本发明实施例提供的告警生成方法，根据告警事件的持续告警时间，确定多个告警事件的重叠告警时间，进而确定告警事件之间的关联概率，从而根据该关联概率和各个告警事件自身的属性信息，将多个告警事件表示成高维向量，从而可以根据该高维向量衡量各个告警事件之间的相似性，进而，得到告警信息。

本发明实施例中，根据告警事件的时序特征，将各个告警事件表示成高维向量，从而可以通过向量之间的距离来衡量告警之间的相似性，可以克服传统方式中的数据不对齐问题。根据多个告警事件各自对应的高维向量之间的相似度，可以衡量各个告警事件之间的相似性，由此得到的告警信息可以滤除相似冗余告警、分析告警事件之间的根因关系、以及定位根故障告警，智能地生成告警信息，可以减少时间和人力成本，提高运维效率。并且，将各个告警事件表示成高维向量，具有良好的可视化特征，可以提高运维效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的一种告警生成方法的流程图；

图2是本发明实施例的另一种告警生成方法的流程图；

图3是本发明实施例的另一种告警生成方法的流程图；

图4是本发明实施例的一种告警生成装置的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1，示出了本发明实施例的一种告警生成方法的流程图，本发明实施例所提供的告警生成方法可以包括以下步骤：

S101，根据多个告警事件各自的持续告警时间，确定所述多个告警事件的重叠告警时间。

所述重叠告警时间表征：持续告警时间存在重叠的各个告警事件的共同告警时间。

本发明实施例中，每个告警事件的属性信息至少包括：告警起始时间和告警终止时间。根据告警起始时间和告警终止时间，进一步可以得到持续告警时间。从而根据多个告警事件各自的持续告警时间，可以确定所述多个告警事件的重叠告警时间。

具体地，可以根据多个告警事件各自的告警起始时间和告警终止时间将多个告警事件表示在时间轴上，从而得到重叠的时间区间，进而得到存在重叠的各个告警事件的共同告警时间。

本发明实施例中，告警事件指的是监控系统实时监控到的异常事件，本发明实施例提供的告警生成方法可以应用任意监控系统，在所述告警生成方法应用于5G网络监控系统的情况下，告警事件指的是5G网络监控系统中监控到的异常事件。

具体地，本发明实施例中，5G网络监控系统可以将网络中的部分或全部网络参数作为监控参数，对这些监控参数进行监控，对发生异常的监控参数进行告警，得到告警事件。

本发明实施例中，在对多个告警事件进行处理之前，还可以先将瞬断告警去除。具体包括：去除持续告警时间小于持续时长阈值的告警事件。

S102，根据所述多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率。

本发明实施例中，告警事件的重叠告警时间，可以反映告警事件之间的关联概率，一般而言，重叠告警时间越长，关联概率越高。

本发明实施例中，可以利用预先训练的概率预测模型，根据多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率。

具体地，本发明实施例中，所述概率预测模型可以为神经网络后验概率模型。

本发明实施例中，可以将历史告警事件与历史目标告警事件之间的重叠告警时间作为一条训练数据，该训练数据还携带该历史告警事件的属性信息(例如：告警起始时间、告警终止时间、对应监控参数)，并对该训练数据标注该历史告警事件与历史目标告警事件之间的关联度，以此类推，得到大量的训练数据，以这些训练数据为训练样本对神经网络后验概率模型进行训练，得到概率预测模型，从而，该概率预测模型可以学习到与各个监控参数相关的告警事件之间的关联关系。

本发明实施例中，基于海量告警事件训练得到的概率预测模型可以挖掘出传统方式无法挖掘到的关联关系；利用概率预测模型可以挖掘出隐式告警关联模式，从而克服专家系统和经验规则可能出现的盲区，实现更加智能地告警信息输出。

S103，根据所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，生成所述多个告警事件各自对应的高维向量。

具体地，本发明实施例中，根据多个告警事件之间的关联概率可以确定多个告警事件各自对应的高维向量的角度，根据各个告警事件各自的告警属性信息(例如：持续告警时间)可以确定多个告警事件各自对应的高维向量的长度，从而生成多个告警事件各自对应的高维向量。

本发明实施例中，通过告警事件之间的关联概率和维度转换方法，可以将某个告警事件表达为高维空间中的向量，从而解决告警事件在时间维度的数据不对齐问题，并且可以通过向量之间的相似性来衡量告警之间的相似性。

S104，根据所述多个告警事件各自对应的高维向量之间的相似度，输出告警信息。

本发明实施例中，在生成告警事件各自对应的高维向量之后，可以通过向量间的欧氏距离和/或余弦距离确定高维向量之间的相似度。

具体的，本发明实施例中，可以先计算向量间的欧式距离，在欧式距离相同时计算余弦距离，通过欧式距离和余弦距离阈值，确定出相似度高的高维向量，进而确定出相似度高的告警事件，进而根据告警事件的相似度。

本发明实施例中，可以在得到告警事件之间的相似度之后，将相似度大于相似度阈值的多个事件作为一项告警信息并输出，在这种情况下，针对相似度大于相似度阈值的多个事件可以仅输出一项告警信息，以便运维人员简单便捷地对告警信息进行分析。

本发明实施例中，也可以在得到告警事件与其他告警事件之间的相似度之后，将各个告警事件相似告警事件及其对应的相似度作为各个告警事件的关联属性信息添加到告警事件自身的属性信息中，作为一项告警信息并输出，以丰富告警事件的属性信息。在这种情况下，可以针对每一个告警事件输出一项告警信息，以便于运维人员可以全面且精细对各个告警事件进行分析。

本发明实施例中，还可以根据多个告警事件各自对应的高维向量之间的相似度，得到与同一告警现象相关的所有告警事件，并基于该告警现象，得到告警信息。

本发明实施例中，告警信息指的是：对告警事件进行分析后，输出到运维端的具体需要进行处理的告警信息，运维人员可以根据该告警信息针对性的对系统异常进行处理以及优化。

参照图2，示出了本发明实施例的一种告警生成方法的流程图，本发明实施例所提供的告警生成方法可以包括以下步骤：

S201，根据多个告警事件各自的持续告警时间，确定所述多个告警事件的重叠告警时间。

S202，根据所述多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率。

本发明实施例中，步骤S201-S202与上述步骤S11-102类似，在此不再赘述。

S203，将所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，输入预先训练的高维向量生成模型，得到所述多个告警事件各自对应的高维向量。

所述高维向量生成模型生成的高维向量的长度用于表征：告警事件的告警属性信息，所述高维向量生成模型生成的高维向量的角度用于表征：告警事件与其他告警事件的关联概率。

本发明实施例中，高维向量生成模型根据输入的多个告警事件的关联概率以及多个告警事件各自的告警属性信息，分析每两个告警事件之间的关联概率和对应的告警事件各自的告警属性信息，整体输出对应的高维向量，以将各个告警事件表示成同一高维坐标体系下的高维向量。

示例地，本发明实施例中，告警事件之间的关联概率越大，对应的高维向量之间的角度差距越小，告警事件的持续告警时间越长，该告警事件的长度越长。本发明实施例中，高维向量生成模型可以考虑各个告警事件中每两个告警事件之间的关联概率，整体确定各个告警事件对应的高维向量在高维空间(例如：三维空间)中的角度，最终输出的各个高维向量，每两个之间的角度差距符合对应的两个告警事件之间的关联概率。

具体的，本发明实施例中，对所述高维向量生成模型的模型参数进行实时更新，具体包括以下子步骤：

S1，获取下一时间段内的多个告警事件的关联概率以及下一时间段内的多个告警事件各自的告警属性信息。

S2，根据所述下一时间段内的多个告警事件的关联概率以及所述下一时间段内的多个告警事件各自的告警属性信息，更新所述高维向量生成模型的模型参数。

本发明实施例中，可以对按照预设时长划分得到多个时间段，进而按照时间段对监控系统产生的告警事件的划分，并按照时间段对同一时间段内的多个告警事件进行分析。

具体的，预设时长可以由运维人员根据实际需求进行设定，例如：预设时长可以为：半个小时、十分钟或者五分钟。

本发明实施例中，在实际应用过程中，可以根据每个时间段的多个告警事件的关联概率以及多个告警事件各自的告警属性信息，对高维向量生成模型的模型参数进行实时更新，从而对高维向量生成模型的模型参数不断进行优化。

S204，根据所述多个告警事件各自对应的高维向量之间的相似度，滤除相似度高于相似度阈值的告警事件簇中冗余的告警事件。

本发明实施例中，在确定多个告警事件各自对应的高维向量之间的相似度之后，可以提取相似度高于相似度阈值的多个告警事件作为告警事件对或者告警事件簇，进而可以从告警事件对或者告警事件簇中滤除冗余的告警事件。

本发明实施例中，针对告警事件对或者告警事件簇，可以按照告警事件的告警起始时间和/或告警终止时间对冗余的告警事件进行滤除。

具体地，可以仅保留告警起始时间最早的告警事件或者告警终止时间最晚的告警事件或者持续告警时间最长的告警事件，将其他告警事件滤除。

本发明实施例中，可以将相似度高于相似度阈值的多个告警事件视为针对同一监控参数的告警事件、或者针对关联度较高的监控参数告警事件，以滤除冗余的告警事件，减少后续的数据处理量，提升运维效率。

S205，针对滤除后剩余的告警事件，输出告警信息。

本发明实施例中，对告警事件进行滤除后，输出的告警信息可以仅包括剩余的告警事件相关信息。

本发明实施例中，从系统整体性进行考虑，滤除冗余告警事件，可以提高整体运维效率。

S206，生成并输出被滤除的告警事件与滤除后剩余的告警事件之间的冗余关系信息。

S207，在滤除下一时间段内的相似度高于相似度阈值的告警事件簇中冗余的告警事件之后，更新所述冗余关系信息。

本发明实施例中，在完成冗余告警事件的滤除后，可以对滤除的告警事件以及滤除后剩余的告警事件之间的冗余关系信息(例如：被滤除的告警事件所属的告警事件对或告警事件簇)进行记录、并输出，以便运维人员了解到滤除情况，避免重要告警事件被滤除导致告警事件漏处理。

本发明实施例中，在按照划分出的时间段对告警事件进行处理的情况下，可以在每一个时间段完成冗余告警事件的滤除后，对冗余关系信息进行更新，对冗余关系信息的不断更新，可以进一步优化滤除步骤的准确性。

本发明实施例中，在告警生成方法的执行过程中，还可以通过冗余关系信息的不断更新，确定出一些关联度较高的监控参数，从而减少对其中部分监控参数的监控，从而，本发明实施例中，从系统整体性进行考虑，可以减少冗余监控参数。

简单而言，假设一个告警事件簇中包括的告警事件均为针对监控参数A和监控参数B的告警事件，则可以判断监控参数A和监控参数B关联度较高，则在减少对其中一个监控参数的监控，以实现减少监控变量的同时，不降低监控系统的效能。

本发明实施例中，所述步骤S206-S207可以在S204之后、S205之前执行，也可以在S205之后执行，也可以与S205同时执行。

参照图3，示出了本发明实施例的一种告警生成方法的流程图，本发明实施例所提供的告警生成方法可以包括以下步骤：

S301，根据多个告警事件各自的持续告警时间，确定所述多个告警事件的重叠告警时间。

S302，根据所述多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率。

S303，根据所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，生成所述多个告警事件各自对应的高维向量。

本发明实施例中，步骤S301-S303与上述步骤S101-S103相似，在此不再赘述。

S304，根据所述多个告警事件各自对应的高维向量之间的相似度，以及所述多个告警事件各自的告警开始时刻的先后顺序，从所述多个告警事件中定位出根告警事件。

本发明实施例中，在确定多个告警事件各自对应的高维向量之间的相似度之后，可以将告警事件簇中包括的多个相似度高于相似度阈值的告警事件作为与某一告警现象相关联的所有告警事件，进而可以根据这些告警事件各自的告警开始时刻，对告警事件进行排序，将最先发生的告警事件作为根告警事件。

可以理解，某个异常告警现象发生时，可能会导致系统内的多个监控参数出现异常，从而产生告警事件，本发明实施例中，根据各个告警事件的重叠告警时间确定告警事件之间的关联度，并进一步确定各个告警事件之间的相似度，得到与同一异常告警现象相关的所有告警事件，并且，可以根据告警事件发生的时间顺序，定位出根告警事件，以便运维人员对系统进行优化与处理。

从而，本发明实施例中，可以在告警事件相关性分析的基础上，结合告警事件的时序特征，分析告警事件之间的时序因果关系和发生模式，快速定位根告警。

S305，针对所述根告警事件，输出告警信息。

本发明实施例中，在定位到根告警事件之后，即可生成对应的告警信息，以使运维人员快速了解当前发生的异常告警现象的根告警事件，并定位对应的监控参数，从而对异常告警现象进行处理。

本发明实施例中，可以根据多个告警事件各自对应的高维向量之间的相似度，分析告警事件间的根因关系，充分挖掘具有时序特征的告警事件信息。以快速定位根故障告警，实现智能告警处理，减少时间和人力成本，提高运维效率。

本发明实施例中，还可以结合专家规则和经验数据作为指导，进一步对告警信息进行分析和处理。

S306，绘制并展示表征所述多个告警事件之间的因果关系的告警事件树。

S307，在从下一时间段内的多个告警事件中定位出根告警之后，更新所述告警事件树。

本发明实施例中，针对每一个时间段确定出的告警事件簇，可以针对每个告警事件簇进行分析，确定其根告警，从而确定该告警事件簇内的因果关系，并且绘制告警事件树。

本发明实施例中，运维人员在收到告警信息之后，可以结合该告警事件树对对应的异常告警现象进行处理，对系统进行优化。

本发明实施例中，可以在每个时间段对告警事件树进行更新，以得到更为准确地告警事件树，以使得运维人员更加直观地得出告警信息处理方法。

本发明实施例提供的告警生成方法，从向量的视角，衡量告警事件的相似性，分析告警事件根因关系，得出告警事件树，具有良好的可视化性能，便于运维人员观察和处理。

本发明实施例中，也可以结合上述步骤S201-S207提供的告警生成方法，在滤除冗余告警事件之后，再定位根告警时间，进而生成告警信息。

相应地，本发明实施例，可以得到冗余关系信息和告警事件树，进一步地，本发明实施例可以将生成的冗余关系信息和告警事件树作为依据对监控系统进行优化，例如：不再监控某些监控参数、以及重点监控另外的某些参数。从而可以提高系统整体的运维效率，减少运维负担，减少时间和人力成本。

基于同一发明构思，本发明实施例提供一种告警生成装置，参考图4，图4是本发明实施例提供的告警生成装置的示意图。如图4所示，该装置包括：

第一确定模块401，用于根据多个告警事件各自的持续告警时间，确定所述多个告警事件的重叠告警时间，所述重叠告警时间表征：持续告警时间存在重叠的各个告警事件的共同告警时间；

第二确定模块402，用于根据所述多个告警事件的重叠告警时间，确定所述多个告警事件之间的关联概率；

生成模块403，用于根据所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，生成所述多个告警事件各自对应的高维向量；

输出模块404，用于根据所述多个告警事件各自对应的高维向量之间的相似度，输出告警信息。

可选地，所述生成模块403，具体用于：

将所述多个告警事件的关联概率以及所述多个告警事件各自的告警属性信息，输入预先训练的高维向量生成模型，得到所述多个告警事件各自对应的高维向量；

所述高维向量生成模型生成的高维向量的长度用于表征：告警事件的告警属性信息，所述高维向量生成模型生成的高维向量的角度用于表征：告警事件与其他告警事件的关联概率。

可选地，所述装置还包括：

滤除模块，用于根据所述多个告警事件各自对应的高维向量之间的相似度，滤除相似度高于相似度阈值的告警事件簇中冗余的告警事件；

所述输出模块404，具体用于：针对滤除后剩余的告警事件，输出告警信息。

可选地，所述装置还包括：

冗余关系信息输出模块，用于生成并输出被滤除的告警事件与滤除后剩余的告警事件之间的冗余关系信息；

冗余关系信息更新模块，用于在滤除下一时间段内的相似度高于相似度阈值的告警事件簇中冗余的告警事件之后，更新所述冗余关系信息。

可选地，所述装置还包括：

定位模块，用于根据所述多个告警事件各自对应的高维向量之间的相似度，以及所述多个告警事件各自的告警开始时刻的先后顺序，从所述多个告警事件中定位出根告警事件；

所述输出模块404，具体用于：

针对所述根告警事件，输出告警信息。

可选地，所述装置还包括：

绘制模块，用于绘制并展示表征所述多个告警事件之间的因果关系的告警事件树；

告警事件树更新模块，用于在从下一时间段内的多个告警事件中定位出根告警之后，更新所述告警事件树。

可选地，所述装置还包括：

获取模块，用于获取下一时间段内的多个告警事件的关联概率以及下一时间段内的多个告警事件各自的告警属性信息；

模型参数更新模块，用于根据所述下一时间段内的多个告警事件的关联概率以及所述下一时间段内的多个告警事件各自的告警属性信息，更新所述高维向量生成模型的模型参数。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

基于同一发明构思，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述的告警生成方法中的步骤。

基于同一发明构思，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现上述任一实施例所述的告警生成方法中的步骤。

基于同一发明构思，本发明实施例提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述任一实施例所述的告警生成方法中的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种告警生成方法、装置、电子设备及存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。