一种问题排查方法、装置、设备及可读存储介质

技术领域

本申请涉及数据处理技术领域，具体涉及一种问题排查方法、装置、设备及可读存储介质。

背景技术

在软硬件使用过程中，用户会遇到各种各样的问题，有的是软件或硬件产品本身的问题，有的是用户操作不当导致的，但是用户并不知道该如何排查有可能造成此问题的原因。

目前用户进行问题排查的方法一般是联系客服或者技术支持人员，沟通成本高并且得到的体验较差，因此，亟需一种问题排查方法。

发明内容

有鉴于此，本申请提供了一种问题排查方法、装置、设备及可读存储介质，提高问题排查的精准和效率，实现对数据的更精细化管控，保障敏感数据安全。

第一方面，本申请提供了一种问题排查方法，其特征在于，所述方法包括：

获取待排查问题数据，所述待排查问题数据包括所述待排查问题的错误码和所述待排查问题的全局流水号；

利用所述待排查问题的错误码和所述待排查问题的全局流水号，构建待排查问题图谱；

将所述待排查问题图谱输入预设图神经网络模型中，获得已排查问题数据集合以及已排查问题数据集合中各个已排查问题数据的问题发生概率；

利用所述已排查问题数据集合和所述问题发生概率确定目标问题。

在一种可能实现的方式中，所述预设图神经网络模型的训练过程：

获取待训练问题图谱；

获取所述待训练问题图谱对应的问题，并将所述待训练问题图谱对应的问题作为标签；

利用所述待训练问题图谱和所述标签训练预设图神经网络模型。

在一种可能实现的方式中，所述待排查问题的全局流水号，包括：交易链路上的产品业务流水号、时间流水号和随机序号。

在一种可能实现的方式中，所述方法还包括：

根据预设问题编号库，确定所述目标问题对应的问题编号、产品码和问题现象；

基于所述问题编号从预设问题解决方案库中确定所述目标问题的解决方案。

在一种可能实现的方式中，所述方法还包括：

利用所述解决方案，在预设问题解决时长表中确定出所述目标问题的解决时长。

第二方面，本申请一种问题排查装置，所述装置包括：

获取模块，用于获取待排查问题数据，所述待排查问题数据包括所述待排查问题的错误码和所述待排查问题的全局流水号；

构建模块，用于利用所述待排查问题的错误码和所述待排查问题的全局流水号，构建待排查问题图谱；

输入模块，用于将所述待排查问题图谱输入预设图神经网络模型中，获得已排查问题数据集合以及已排查问题数据集合中各个已排查问题数据的问题发生概率；

第一确定模块，用于利用所述已排查问题数据集合和所述问题发生概率确定目标问题。

在一种可能实现的方式中，所述预设图神经网络模型的训练过程：

获取待训练问题图谱；

获取所述待训练问题图谱对应的问题，并将所述待训练问题图谱对应的问题作为标签；

利用所述待训练问题图谱和所述标签训练预设图神经网络模型。

在一种可能实现的方式中，所述待排查问题的全局流水号，包括：交易链路上的产品业务流水号、时间流水号和随机序号。

在一种可能实现的方式中，所述装置还包括：第二确定模块和第三确定模块；

所述第二确定模块，用于根据预设问题编号库，确定所述目标问题对应的问题编号、产品码和问题现象；

所述第三确定模块，用于基于所述问题编号从预设问题解决方案库中确定所述目标问题的解决方案。

在一种可能实现的方式中，所述装置还包括：第四确定模块

所述第四确定模块，用于基于所述解决方案在预设问题解决时长表中确定出所述目标问题的解决时长。

第三方面，本申请提供了一种问题排查设备，其特征在于，包括：处理器和存储器；

所述存储器，用于存储一个或多个程序；

所述处理器，用于当所述一个或多个程序被所述处理器执行时，实现如上述第一方面所述的问题排查方法。

第四方面，本申请提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储指令，当所述指令在设备上运行时，使得所述设备执行如上述第一方面所述的问题排查方法。

由此可见，本申请具有如下有益效果：

本申请提供了一种问题排查方法、装置、设备及可读存储介质，获取待排查问题数据，待排查问题数据包括待排查问题的错误码和待排查问题的全局流水号，再利用待排查问题的错误码和待排查问题的全局流水号，构建待排查问题图谱；然后将待排查问题图谱输入预设图神经网络模型中，获得已排查问题数据集合以及已排查问题数据集合中各个已排查问题数据的问题发生概率，利用所述已排查问题数据集合和所述问题发生概率确定目标问题。可见，本申请中利用待排查的问题数据生成待排查问题图谱，再利用预设图神经网络模型对于待排查问题图谱进行处理，生成已排查问题数据集合，再根据已排查数据集和各个已排查问题数据的问题发生概率，确定出目标问题。如此可以根据待排查问题图谱和预设图神经网络模型确定出问题，提高问题确定的效率和准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种问题排查方法的方法流程示意图；

图2为本申请实施例提供的另一种问题排查方法的方法流程示意图；

图3为本申请实施例提供的一种问题排查装置的装置结构示意图。

具体实施方式

为了便于理解和解释本申请实施例提供的技术方案，下面将先对本申请实施例可能涉及的名词及本申请的背景技术进行说明：

在软硬件使用过程中，用户会遇到各种各样的问题，而有的错误码可能出现的不止一次，有的是软件或硬件产品本身的问题，有的是用户操作不当导致的，但是用户并不知道该如何排查有可能造成此问题的原因，联系客服或者技术支持人员，可能造成沟通成本，并带来不好的体验。

比如一个硬件或软件经常会报的错误系统是知道的，维护的技术人员一看就能定位出问题，而使用人尤其是初次使用的人可能缺少经验和分析能力，导致耗费沟通的成本。一个产品的交易链路具有方向性，错误码是固定的，因此不能用传统的卷积神经网络来提取特征。

为解决该问题，本申请提出了一种问题排查方法，技术人员用相关信息构建出图谱，并用历史数据训练出图神经网络模型，可以以较高的准确率预测出问题的来源，解决方法及时效，帮助用户进行科学决策。也让用户学会初步定位并筛查出是否是操作不当导致的问题，节约沟通的时间成本。

下面对于本申请的构思进行介绍：

首先，获得产品的结构原理或技术架构，业务的全流程交易链路，错误码表构建有自己特征信息和结构信息的图谱，然后用以往的报错数据训练一个图神经网络模型，让它能自动化地同时学到图的特征信息和结构信息。用深度学习的方法做预测需要大量的数据支持，可以收集以前统计的常见问题数据，包括常见操作问题、软硬件自身问题等，及这些问题通常的解决办法及处理时间等等。

可以理解的是，我们需要将收集的常见问题输入进模型中，每天系统定时自动运行图神经网络模型，预测出问题可能的来源和关联系统，并根据概率大小排出优先级，自动查询到对应的解决办法及解决时效。根据优先级，若是系统问题按事先设定好的规则依次生成信息/邮件发送给技术支持端，并发送提示消息，以使技术支持端及时查看、解决问题并反馈问题处理进度。另外，如果是用户端操作不当导致的问题，系统自动排查出问题的原因，和解决办法及时指导用户端正确操作及合理使用。如果是硬件问题，根据技术人员当前的结单情况、当地库存硬件资源，售后路程的距离情况，以往的时间数据和目前技术人员的上门服务时间，模型能预测出解决问题需要的时间，如有不能按时完成的问题，会触动预警机制，提醒技术调度端采取增添新的技术端等方法应对用户端反馈的问题，如果时间充足，也可以调动技术端到其他处理问题端缺乏的区域中，加快问题处理的效率。同时在可视化展示模块，可以直观地看到预测的解决问题的时效，及时向用户端展示该时效，防止长时间等待。

本申请提供了一种问题排查方法、装置、设备及可读存储介质，获取待排查问题数据，待排查问题数据包括待排查问题的错误码和待排查问题的全局流水号，再利用待排查问题的错误码和待排查问题的全局流水号，构建待排查问题图谱，然后将待排查问题图谱输入预设图神经网络模型中，获得已排查问题数据集合以及已排查问题数据集合中各个已排查问题数据的问题发生概率，利用所述已排查问题数据集合和所述问题发生概率确定目标问题。可见，本申请中利用待排查的问题数据生成待排查问题图谱，再利用预设图神经网络模型对于待排查问题图谱进行处理，生成已排查问题数据集合，再根据已排查数据集和各个已排查问题数据的问题发生概率，确定出目标问题。如此可以根据待排查问题图谱和预设图神经网络模型确定出问题所在，提高问题确定的效率和准确率。

下面通过流程图对于本申请的技术方案进行介绍，具体流程图参见图1，可以理解的是，具体的执行流程先后顺序为首先进行图谱构建，再进行模型训练，然后再进行模型预测，最后可视化展示并且通知。

图谱构建具体为：获得产品的原理或技术架构，过去的问题信息、解决办法和解决时效等源数据，接着输入产品架构和历史数据等信息从而完成图谱构建。

模型训练具体为：将生成的图谱下传到模型中进行训练，然后通过历史数据训练出图神经网络模型，能分析图谱的特征信息和结构信息。也就是说，可以用以往的测试数据训练一个图神经网络模型，让该图神经网络模型同时学到图的特征信息和结构信息。进一步的，可以把数据拆分成多个批次，然后分别训练模型，并对参数进行加权。另外，模型的参数是滚动更新的，增添了新收集的问题数据后，会自动更新模型的参数。

模型预测具体为：将收集的常见问题输入进模型中，每天系统可以定时自动运行图神经网络模型，预测出问题可能的来源和关联系统，并根据概率大小排出优先级，自动查询到对应的解决办法及解决时效。

根据优先级，若是系统问题按事先设定好的规则依次生成信息/邮件发送给技术端，提醒技术端查看，回复和解决问题，并反馈进度。另外，如果是用户端操作不当导致的问题，系统自动排查出问题的原因，和解决办法及时指导用户端正确操作及合理使用。如果是硬件问题，根据技术端当前的结单情况、当地库存硬件资源，售后路程的距离情况，以往的时间数据和目前技术人员的上门服务时间，模型能预测出解决问题需要的时间，如有不能按时完成的问题，会触动预警机制，提醒技术调度端采取增添新的技术人员等方法应对用户端反馈的问题，如果时间充足，也可以调动技术人员到其他人员缺乏的区域中。

可视化展示并且通知具体为：将预测结果，分别传输给可视化展示模块和通知模块。在可视化展示模块，能直观地掌握预测的结果从而做出科学的决策工单处理策略，还可以直观地看到预测的解决时效，及时告知用户端，防止长时间等待。在通知模块，系统会自动按优先级与其他模块沟通，并反馈进度，也就是说，根据优先级，按事先设定好的规则依次生成信息/邮件发送给其他用户端，为用户提供便利。

为了便于理解本申请实施例提供的技术方案，下面结合附图对本申请实施例提供的一种问题排查方法和装置进行说明。

首先，参见图2所述，该图为本申请实施例提供的一种问题排查方法的方法流程示意图，该方法具体包括S201-S204。

S201：获取待排查问题数据，所述待排查问题数据包括所述待排查问题的错误码和所述待排查问题的全局流水号。

本实施例中，可以待排查问题数据库中获取待排查问题数据，也可以接受客户端发送的待排查问题数据，在此不对待排查问题数据的具体获取方式进行限定。

可以理解的是，待排查问题的错误码，可以用于指示对应的待排查问题，也就是说，待排查问题的错误码至少可以指示一个待排查问题。

待排查问题的全局流水号，至少可以包括：交易链路上的产品业务流水号、时间流水号和随机序号。其中，产品业务流水号可以表示该产品业务的执行顺序以及执行的业务对象，例如，业务流水号为A-B-C，可以理解的是，此时，首先执行的业务为业务A，然后执行了业务B，最后执行的业务为业务C。即业务A为业务流水中的发起业务，业务C为截止业务。时间流水号，可以是问题时间流水号指示问题发生的时间，随机序号可以是利用随机数生成器服务该待排查问题的序号。

S202：利用所述待排查问题的错误码和所述待排查问题的全局流水号，构建待排查问题图谱。

获取了待排查问题的错误码和待排查问题的全局流水号之后，可以将待排查问题的错误码和待排查问题的全局流水号输入预设的图谱框架，完成待排查问题谱图的构建。

S203：将所述待排查问题图谱输入预设图神经网络模型中，获得已排查问题数据集合以及已排查问题数据集合中各个已排查问题数据的问题发生概率。

可以理解的是，预设图神经网络模型的训练过程具体为：

获取待训练问题图谱，待训练的问题图谱，可以是存储在历史图谱数据库中的历史问题图谱。

进一步的，获取待训练问题图谱对应的问题，并将待训练问题图谱对应的问题作为标签，再将利用待训练问题图谱和标签输入到初始图神经网络中，训练初始图神经网络模型。模型训练过程中会不断调整模型的网络结构以及参数，使得待训练问题图谱与标签的差距小于阈值,从而生成预设图神经网络模型。本申请不限制初始图神经网络模型的具体网络结构，初始图神经网络模型的具体网络结构可以为本领域常见的图神经网络模型结构。

可以理解是，当获得训练完成的预设图神经网络模型之后，将待排查问题图谱数据预设图神经网络模型，获得已排查问题数据集合。可以理解的是，已排查问题数据集合为该待排查问题数据对应的问题的集合，预设图神经网络模型还可以输出已排查问题数据集合中各个问题的发生概率。例如，预设图神经网络模型可以输出的已排查问题数据集合还可以包括：已排查问题B，已排查问题B发生概率0.8，也就是说待排查问题数据A对应的问题为问题B的概率为0.8，已排查问题C，已排查问题B发生概率0.75，待排查问题数据A对应的问题为问题C的概率为0.75。

S204：利用所述已排查问题数据集合和所述问题发生概率确定目标问题。

在获取已排查问题集合以及已排查问题集合中已排查问题的发生概率之后，在一种可能实现的方式中，可以将已排查问题的发生概率从大到小进行排序，选取概率最大的作为待排查问题数据对应的目标问题。

进一步的，还可以根据预设问题编号库，确定目标问题对应的问题编号、产品码和问题现象，基于问题编号从预设问题解决方案库中确定目标问题的解决方案。

再利用解决方案，在预设问题解决时长表中确定出目标问题的解决时长。

基于S201-S204的相关内容可知，本申请中利用待排查的问题数据生成待排查问题图谱，再利用预设图神经网络模型对于待排查问题图谱进行处理，生成已排查问题数据集合，再根据已排查数据集和各个已排查问题数据的问题发生概率，确定出目标问题。如此可以根据待排查问题图谱和预设图神经网络模型确定出问题，提高问题确定的效率和准确率。

与图2所述的方法相对应，本申请实施例还提供了一种问题排查装置，用于对图2中方法的具体实现，需要说明的是，本申请提供的一种问题排查方法、装置、设备及可读存储介质，可用于金融领域或其他领域，上述仅为示例，并不对本申请提供的一种问题排查方法、装置、设备及可读存储介质的应用领域进行限定。

本申请实施例提供的问题排查装置可以应用计算机终端或各种移动设备中，其结构示意图如图3所示，该问题排查装置具体包括：

301获取模块，用于获取待排查问题数据，所述待排查问题数据包括所述待排查问题的错误码和所述待排查问题的全局流水号；

302构建模块，用于利用所述待排查问题的错误码和所述待排查问题的全局流水号，构建待排查问题图谱；

303输入模块，用于将所述待排查问题图谱输入预设图神经网络模型中，获得已排查问题数据集合以及已排查问题数据集合中各个已排查问题数据的问题发生概率；

304第一确定模块，用于利用所述已排查问题数据集合和所述问题发生概率确定目标问题。

在一种可能实现的方式中，所述预设图神经网络模型的训练过程：

获取待训练问题图谱；

获取所述待训练问题图谱对应的问题，并将所述待训练问题图谱对应的问题作为标签；

利用所述待训练问题图谱和所述标签训练预设图神经网络模型。

在一种可能实现的方式中，所述待排查问题的全局流水号，包括：交易链路上的产品业务流水号、时间流水号和随机序号。

在一种可能实现的方式中，所述装置还包括：第二确定模块和第三确定模块；

所述第二确定模块，用于根据预设问题编号库，确定所述目标问题对应的问题编号、产品码和问题现象；

所述第三确定模块，用于基于所述问题编号从预设问题解决方案库中确定所述目标问题的解决方案。

在一种可能实现的方式中，所述装置还包括：第四确定模块

所述第四确定模块，用于基于所述解决方案在预设问题解决时长表中确定出所述目标问题的解决时长。

第三方面，本申请提供了一种问题排查设备，其特征在于，包括：处理器和存储器；

所述存储器，用于存储一个或多个程序；

所述处理器，用于当所述一个或多个程序被所述处理器执行时，实现如上述任一项实施例所述的问题排查方法。

第四方面，本申请提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储指令，当所述指令在设备上运行时，使得所述设备执行如上述任一项实施例所述的问题排查方法。

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、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。