基于决策树的企业信息系统故障自动诊断分析方法

doi:10.11959/j.issn.1000-0801.2017058

电信科学 ›› 2017, Vol. 33 ›› Issue (3): 163-167.doi: 10.11959/j.issn.1000-0801.2017058

基于决策树的企业信息系统故障自动诊断分析方法

金鑫,闫龙川,刘军,张书林

国家电网公司信息通信分公司，北京100761

修回日期:2017-02-24 出版日期:2017-03-01 发布日期:2017-04-05
作者简介:金鑫（1985-），女，国家电网公司信息通信分公司工程师，主要从事信息运维工作。|闫龙川（1979-），男，国家电网公司信息通信分公司高级工程师，主要从事信息运维工作。|刘军（1970-），男，国家电网公司信息通信分公司高级工程师，主要从事信息通信运维及管理工作。|张书林（1968-），男，国家电网公司信息通信分公司工程师，主要从事信息通信运维及管理工作。

Enterprise information system automatic fault diagnosis and analysis method based on decision tree

Xin JIN,Longchuan YAN,Jun LIU,Shulin ZHANG

State Grid Information ＆ Telecommunication Branch, Beijing 100761, China

Revised:2017-02-24 Online:2017-03-01 Published:2017-04-05

摘要/Abstract

摘要：

目前，大型企业信息系统规模和复杂度快速增长，但对故障的诊断分析仍主要依赖传统的人工经验，这不仅耗时、耗力，还影响对故障的及时处理。针对这一问题，创新性地提出了基于决策树的企业信息系统故障自动诊断分析方法，根据信息系统运行监控指标告警信息，实现对信息系统故障的自动诊断。利用某大型国有企业的实际生产运行数据，提取典型告警数据特征对该方法进行了验证，并在R语言环境下对决策树模型及其训练方法进行了仿真和对比分析。实验结果证明，该方法可以较为准确地实现故障自动快速诊断，有助于提高信息系统故障诊断分析效率。

关键词: 自动诊断分析, 信息系统故障, 决策树, R语言

Abstract:

With the rapid growth of the scale and complexity of enterprise information systems, traditional fault diagnosis and analysis methods relying on human experiences and manual operations cost more and more labor and time. To solve this problem, an automatic algorithm was proposed. The algorithm exploits information from system operation monitoring indicators and alarm data, based on decision tree, to automatically diagnose and analyze faults of enterprise information systems. The algorithm was verified, and the decision tree model and training method was simulated and analyzed comparatively under R language environment, using alarm data extracted from real operation data of a typical large-scale enterprise system. The experiment results show that this algorithm is able to achieve fast automatic fault diagnosis accurately, and is much helpful on improving efficiencies of information system fault processing.

Key words: automatic diagnosis analysis, fault of information system, decision tree, R language

中图分类号:

TP319

金鑫,闫龙川,刘军,张书林. 基于决策树的企业信息系统故障自动诊断分析方法[J]. 电信科学, 2017, 33(3): 163-167.

Xin JIN,Longchuan YAN,Jun LIU,Shulin ZHANG. Enterprise information system automatic fault diagnosis and analysis method based on decision tree[J]. Telecommunications Science, 2017, 33(3): 163-167.

图/表 6

图1

图2

表1

图3

图4

表2

参考文献 5

[1]	曲朝阳，高宇峰，聂欣 . 基于决策树的网络故障诊断专家系统模型[J]. 计算机工程， 2008,34(22): 215-217.
	QU Z Y , GAO Y F , NIE X . Network fault diagnosis expert system model based on decision tree[J]. Computer Engineering, 2008,34(22): 215-217.
[2]	白建社，樊波，黄文华，等. 基于决策树的变电站故障诊断知识表示与获取[J]. 电力系统及其自动化学报， 2004,16(2): 5-8.
	BAI J S , FAN B , HUANG W H , et al. Knowledge representation and acquisition based on decision tree for substation fault diagnosis[J]. Proceedings of the EPSA, 2004,16(2): 5-8.
[3]	黄勇，胡连城，刘增良 . 基于决策树算法的工业光纤网络通信故障检测系统[J]. 现代电子技术， 2014(20): 134-136.
	HUANG Y , HU L C , LIU Z L . Industrial fiber network communication fault detection system based on decision tree algorithm[J]. Modern Electronics Technique, 2014(20): 134-136.
[4]	车雅良，林初善，潘青，等. ASON网络故障诊断系统推理机的设计与研究[J]. 广东通信技术， 2015,35(3): 64-67.
	CHE Y L , LIN C S , PAN Q , et al. Design and research of ASON network fault diagnosis system inference engine[J]. Guangdong Communication Technology, 2015,35(3): 64-67.
[5]	李智慧 . 大型网站技术架构：核心原理与案例分析[M]．北京: 电子工业出版社, 2013.
	LI Z H . Large website technology architecture: core principles and case studies[M]. Beijing: Publishing House of Electronics Industry, 2013.

序号	层次	构成组件及运行状态指标	故障点
1	业务层	在线用户数和健康运行时长指标、URL地址探测、系统可访问性、业务使用情况等	应用服务业务量、用户权限、监控工具运行等
2	应用服务层	应用节点连通性、应用节点可用性、端口、进程、线程、事件、内存、日志、CPU、TCP连接、磁盘、文件使用率、会话连接、代码效率、数据库可连接性、JVM内存、中间件线程等	应用服务 CPU、应用服务 TCP连接、应用服务磁盘、应用服务进程、应用服务内存、应用服务线程、应用服务代码质量、应用服务电源、中间件数据库连接池、中间件内存、负载均衡配置、隔离装置运行等
3	数据层	数据库节点连通性、dbtime、I/O性能、集群等待事件、行锁情况、监听服务、内存、会话数、swap空间、日志空间、数据库表空间、归档空间、数据库密码、集群 RPC通信时长、SQL语句等	数据库 SQL语句、数据库归档空间、数据库监听服务、数据库密码、数据库内存、数据库存储过程、数据库响应时长等

复杂度	C4.5算法正确率	CART算法正确率
cp=0.1	61.5%	50%
cp=0.05	61.5%	65.4%
cp=0.001	84.6%	76.9%

[1]	王雪荣, 唐政治, 李银川, 齐美玉, 朱建波, 张亮. 基于优化决策树的时延敏感流智能感知调度[J]. 电信科学, 2023, 39(4): 120-132.
[2]	胡坚, 孙磊, 尹以雁, 杨晓康, 白金贵, 张叶江. 基于数据挖掘和地理可视化的4G/5G语音质量优化研究[J]. 电信科学, 2022, 38(10): 131-139.
[3]	谭晓敏,方艾,梁冰,杨豪杰. 基于决策树的EPG体验异常原因定位[J]. 电信科学, 2019, 35(8): 158-164.
[4]	崔羽飞,魏进武,潘思宇,张溶芳,王笑,贾子翔. 一种基于决策树终端换机间隔的研究[J]. 电信科学, 2019, 35(7): 165-172.
[5]	陈小峰,赵雅迪,张利鹏,朱峰. 电力潜在敏感客户预测的大数据方法应用[J]. 电信科学, 2019, 35(11): 117-124.
[6]	何振红. 基于广义高斯分布FDCT_Wrap和FSVM的虹膜识别[J]. 电信科学, 2016, 32(7): 126-131.
[7]	邢宇恒. 基于知识库的系统安全评估方法[J]. 电信科学, 2016, 32(4): 192-196.
[8]	王雪琼,熊珺洁,姚晓辉. 基于大数据挖掘的终端换机模型[J]. 电信科学, 2016, 32(12): 43-52.
[9]	董昊,曲桦,赵季红,陈梁骏,戴慧珺. 基于DT-KSVM的业务感知算法[J]. 电信科学, 2015, 31(11): 67-71.
[10]	陈志竞,梁伯瀚. 数据挖掘助力精细化流量经营[J]. 电信科学, 2012, 28(7): 1-5.
[11]	贾丹华,王润润,王鹏. 电信套餐资费预演中客户量的预测方法研究[J]. 电信科学, 2011, 27(8): 25-32.
[12]	蔡鑫. 基于家庭关联关系识别模型的电信融合套餐营销[J]. 电信科学, 2009, 25(9): 34-37.

基于决策树的企业信息系统故障自动诊断分析方法

Enterprise information system automatic fault diagnosis and analysis method based on decision tree

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 5

相关文章 12

Metrics

推荐阅读 0