基于时序运维大数据的高召回因果发现方法、装置及设备与流程

1.本发明涉及运维数据技术领域，具体地涉及一种基于时序运维大数据的高召回因果发现方法、一种基于时序运维大数据的高召回因果发现装置、一种基于时序运维大数据的高召回因果发现设备以及对应的存储介质。


背景技术：

2.运维数据中的因果发现大多采用svar-fci方法使用平稳性及额外推断进行边移除。但是该方法没有考虑功能关系或复杂结构的假设，导致召回率低，形成的结果无法准确反映运维数据中的因果关系，降低了大数据分析的准确性和可靠性。


技术实现要素：

3.本发明实施例的目的是提供一种基于时序运维大数据的高召回因果发现方法、装置及设备。
4.为了实现上述目的，本发明第一方面提供一种基于时序运维大数据的高召回因果发现方法，所述方法基于因果发现算法，包括：预定义应用于完全图中边和点的若干关系规则；获取待分析的流式运维数据；采用图库和图算法将所述流式运维数据初始化成完全图；根据所述若干关系规则对所述流式运维数据的完全图中的关系进行处理；输出处理后的因果关系图，所述因果关系图用于描述所述流式运维数据中的因果关系。
5.在本技术实施例中，根据所述若干关系规则对所述流式运维数据的完全图中的关系进行处理，包括：根据所述若干关系规则定义以下算法：完全图处理主算法、第一移除算法、第二移除算法和删除边处理算法；采用所述第一移除算法和第二移除算法对流式运维数据的完全图中的边进行处理，以实现关系处理；所述第一移除算法用于确定有序变量对在完全图中与不相邻的变量之间所有的边为待删除或待保留；并根据待保留的边所连接的点之间的因果关系确定所述待保留的边的方向；所述第二移除算法用于确定有序变量对之间的满足预设分离集的边为待删除或待保留；并根据待保留的边所连接的点之间的因果关系确定所述待保留的边的方向；所述完全图处理主算法用于提供主函数功能，以及对所述第一移除算法和第二移除算法进行调用；所述删除边处理算法用于对所述第一移除算法和所述第二移除算法所确定的待删除的边进行二次处理。
6.在本技术实施例中，所述完全图处理主算法用于：调用所述第一移除算法对完全图进行第一次遍历，并对所述完全图中的父子关系进行标记；调用所述第一移除算法和所述第二移除算法对第一次遍历后的完全图进行识别，确定出所述完全图对应的部分祖先图；将确定出的所述部分祖先图作为处理后的因果关系图输出。
7.在本技术实施例中，所述第一移除算法还用于：将所述完全图中的有序变量根据邻接关系确定出有序变量对；确定所述有序变量对之间的边的中间标记为第一类标记；根据第一预设条件对所述有序变量对之间的边确定为待保留或待删除；若所述有序变量对之间的边被确定为待删除，则调用所述删除边处理算法进行二次处理。
8.在本技术实施例中，所述第二移除算法还用于：将所述完全图中的有序变量根据邻接关系确定出有序变量对；确定所述有序变量对之间的边的中间标记为第二类标记；根据第二预设条件对所述有序变量对之间的边确定为待保留或待删除；若所述有序变量对之间的边被确定为待删除，则调用所述删除边处理算法进行二次处理。
9.在本技术实施例中，所述删除边处理算法用于：获取根据所述第一移除算法和所述第二移除算法所确定的待删除的边；若确定的待删除的边为有向边，则对删除后的冲突进行解决；对确定的待删除的边执行删除操作，并对相应的分离集弱极小化。
10.本技术第二方面提供一种基于时序运维大数据的高召回因果发现装置，所述装置包括：规则定义模块，用于预定义应用于完全图中边和点的若干关系规则；运维数据接入模块，用于获取待分析的流式运维数据；完全图生成模块，用于采用图库和图算法将所述流式运维数据初始化成完全图；边处理模块，用于根据所述若干关系规则对所述流式运维数据的完全图中的关系进行处理；以及结果输出模块，用于输出处理后的因果关系图，所述因果关系图用于描述所述流式运维数据中的因果关系。
11.在本技术实施例中，所述边处理模块中包括：完全图处理主算法子模块、第一移除算法子模块、第二移除算法子模块和删除边处理算法子模块；其中，所述第一移除算法子模块用于通过第一移除算法确定出有序变量对在完全图中与不相邻的变量之间所有的边为待删除或待保留；并根据待保留的边所连接的点之间的因果关系确定所述待保留的边的方向；所述第二移除算法子模块用于通过第二移除算法确定出有序变量对之间的满足预设分离集的边为待删除或待保留；并根据待保留的边所连接的点之间的因果关系确定所述待保留的边的方向；所述完全图处理主算法子模块用于提供主函数功能，以及对所述第一移除算法和第二移除算法进行调用；所述删除边处理算法子模块用于对所述第一移除算法和所述第二移除算法所确定的待删除的边进行二次处理。
12.本技术第三方面提供一种基于时序运维大数据的高召回因果发现设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述的基于时序运维大数据的高召回因果发现方法的步骤。
13.本技术第四方面提供一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的基于时序运维大数据的高召回因果发现方法。
14.在本发明的第五方面提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现前述的基于时序运维大数据的高召回因果发现方法。
15.上述技术方案具有以下有益效果：通过优化后的因果发现方法，对运维数据进行处理，使从运维数据中提取到的因果关系更为准确，提升了运维大数据分析的准确性和可靠性。
16.本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
17.附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
18.图1示意性示出了根据本技术实施例的基于时序运维大数据的高召回因果发现方法的流程示意图；
19.图2示意性示出了根据本技术实施例的基于时序运维大数据的高召回因果发现装置的结构框图。
具体实施方式
20.以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
21.为便于本领域技术人员理解和实施，对本发明及其实施方式的技术原理介绍如下：
22.对真实连接的检测能力量化了由于错误的偏相关系数(parcorr)ci测试而没有被错误删除的连接的概率，记为和此处也说明本方法也适用于非时间序列的情况。本方法依赖于四个方面：(1)样本大小(通常是固定的)；(2)ci测试的显著性水平α(一般会被固定位假阳性水平)；(3)ci检测的估计维度；(4)效应大小。
23.将效应大小定义为最小的ci检验统计值i(a；b|s)，替换所有正在测试的条件集s。这个最小值可以非常小，最终导致低的检测效率。本方法主要通过如下两个方面以提高效应大小：(1)限制需要测试的条件集s，以便删除所有的错误连接；此处只需要考虑由a或b的祖先组成的条件集合是充分的；(2)扩展需要使用所谓的默认条件s
def
进行测试的集合s，s
def
用来增加ci检验统计值同时不会产生虚假依赖。但是如果s
def
仅由a或b的祖先组成，则不会存在虚假依赖。
24.对于上文提及的效应理论介绍如下：
25.设a*
→
b(其中和)在m(g)中是一个连接(
→
或)。对于默认条件s
def
＝pa({a,b},m(g))\{a,b}，同时x*＝x\s
def
。设定义了提高方法效应大小集合的集。如果同时满足以下两个条件：(1)s*∈s，其中或(2)存在一个合理的子集满足条件i(a；b；s
def
\q|s*∪q)《0，则存在若假设不满足，则上式》变成≥即可。
26.其中i表示(条件)相互信息，同时i(a；b；c|d)≡i(a；b|d)-i(a；b|c∪d)表示交互信息；上述理论表明，将s
def
作为a和b父类的并集会提高效应大小。
27.由上述的理论推导可知：除非有更高的效应大小被增加的估计维数过度抵消(这个现象的原因是更高基数的条件集合设定)，这将导致更高的检测能力和更高的召回率。上述原则只有在所有ci测试完成前已知一些(非)祖先时才会有用。且上述方法通过复杂边的去除和定位来实现，例如学习祖先连接关系再去删除错误边。
28.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
29.图1示意性示出了根据本技术实施例的基于时序运维大数据的高召回因果发现方
法的流程示意图。如图1所示，在本技术一实施例中，提供了一种基于时序运维大数据的高召回因果发现方法，包括：
30.101、预定义应用于完全图中边和点的若干关系规则；
31.102、获取待分析的流式运维数据；
32.103、采用图库和图算法将所述流式运维数据初始化成完全图；
33.104、根据所述若干关系规则对所述流式运维数据的完全图中的关系进行处理；
34.105、输出处理后的因果关系图，所述因果关系图用于描述所述流式运维数据中的因果关系。
35.因果关系图中的点与点之间的因果关系通过边进行体现，边包括有向边，对应于因果关系，以及双向边，对应于互为因果。在以上实施例中，预定义的若干关系规则是基于因果发现中的因果关系规则，包括但不限于技术原理部分提到的点与点之间的因果关联规则、去边规则和方向规则等。以上的若干关系规则是步骤104中的对关系进行处理的依据。
36.获取待分析的流式运维数据，其中的获取方式包括例如kafka实时接入等方式。将获取的流式运维数据进行初始化，包括将数据映射为图中的若干点，并在这些点的每对点之间均采用一条边进行连接，以得到一个完全图。但是该完全图包括了所有点之间的全部可能的因果关系，其并不能体现出流式运维数据实际的因果关系。通过预定义的若干关系规则对完全图中的部分边进行删除，最终留下通过若干边相连的点，以体现点与点之间的因果关系，此时的图为最终的因果关系图。其中，通过预定义的关系规则对完全图中的部分边进行删除，可以通过一个或多个预设的边删除算法进行实现。
37.通过以上实施方式，基于约束的因果发现算法，在条件设置中包含了因果父母关系，增加效应量。本实时方式通过识别到条件独立性测试的低效应是主因，确定导致低召回率的原因，从而利用发现和理论去提高ci测试的效应大小。本实施方式在整个过程中会尽量去识别父类，观察时间序列在当前潜在的混杂因素，并在边移除阶段使用新的方向规则来确定父子或祖先关系进行过程迭代。通过以上实施方式得到的信息量最大的因果关系图能够准确体现流式运维数据中的因果关系。
38.在本发明提供的一种实施例中，根据所述若干关系规则对所述完全图中的关系进行处理，包括：根据所述若干关系规则定义以下算法：完全图处理主算法、第一移除算法、第二移除算法和删除边处理算法；采用第一移除算法和第二移除算法对完全图中的边进行处理，以实现对关系的处理；其中，所述完全图处理主算法用于提供主函数功能，以及对所述第一移除算法和第二移除算法进行调用；所述第一移除算法用于确定有序变量对在完全图中与不相邻的变量之间所有的边为待删除或待保留；并根据待保留的边所连接的点之间的因果关系确定所述待保留的边的方向；所述第二移除算法用于确定有序变量对之间的满足预设分离集的边为待删除或待保留；并根据待保留的边所连接的点之间的因果关系确定所述待保留的边的方向；所述删除边处理算法用于对所述第一移除算法和所述第二移除算法所确定的待删除的边进行二次处理。以上算法的具体实现方式将在后文详述。
39.为使本领域技术人员更好地理解后文中提及的实施例，此处先对后文中伪代码描述所用到的名词定义解释如下：
40.定义多元时间序列vj。。为遵循平稳离散时间结构向量，因此由
结构因果模型scm描述的自回归过程如下：其中：j＝1，l，测量函数fj依赖于输入参数，噪声变量则相对独立。集合基于v
tj
定义了因果服务，且v
t
＝(v
t1
,v
t2
,
…
)和p
ts
是时序数据序列。由于平稳性，因果关系的一对变量和所有时间序列移动的对一样，其中τ≥0被称为滞后。
41.假设没有循环的因果关系，这个假设的前提是时序限制同期(τ＝0)的相互作用。本方法允许观测不到的变量存在，譬如只观测研究子集合其中进一步，假设没有选择变量，且假设在相对可信环境下，即通过scm产生的观察分布p(v)中的条件独立性ci表示在基于变量v的相关时间序列图g的d-separation。
42.定义最大祖先图和部分祖先图。最大祖先图(mags，maximal ancestral graphs)可以包含有向边(在图中以
“→”
表示)和双向边(在图中以表示)，其中双向边也可以称为链路；部分祖先图(pags，partial ancestral graphs)可以有额外的有向边和双向边类型。
43.定义最大时滞。在时间序列因果发现中，平稳性假设和选择的时滞窗长度t-τ
max
≤t'≤t起着重要作用。在因果充分条件下(x＝v)，因果图对所有τ
max
≥p
ts
情况都相同。在潜在情况下情况有所不同，设为通过边缘化在时间区间t'《t-τ
max
所有未观测变量和所有一般观测变量得到的mag值。然后，通过增加τ
max
以增长时滞窗口大小可能导致在原始窗口中所有包含的边被删掉，即使在很好的统计数据决策的案例情况下，也会出现这种情况。也就是说，在τ
max,1
《τ
max,2
下，不该是的子图，因此τ
max
是一种分析选择而非一个可调参数。
44.定义合理性和完备性。出于同样的原因，平稳性也会影响正在被估计的mags和pags的定义。因此通常不能确定的一个pag。形式化上述逻辑如下：(1)在通过强制重复邻接边获取到的mag，记为(2)通过在上运行有向规则算法得到马尔科夫等价类的最大信息pag，记为(3)通过在每个步骤使用方向规则，额外强制执行时间顺序和重复方向要素得到的pag，记为另外，可能有较少的圆形回路标识，其比包含的信息更多。综上所述，目标是构建得到如果一个算法能返回一个pag，记为则称该算法是合理的；如果能返回则称该算法是完备的。在下文中，将简单标记及
45.定义集合：指的是除以外所有非未来邻接的集合，且未被确定为的非祖先。
46.在前述的napds
t
集合下定义如下子集：
47.集合是和的并集；
48.集合是集合中去掉所有变量的结果，且是与有连接且尾部是的所有变量。
49.集合是所有变量的集合，且是通过路径p和有连接的。
50.定义路径p的属性。路径p有如下几点属性：
51.a)在路径p上，除了其他任意节点都没有尾部；
52.b)路径p上的每三个连续点中的中间节点是路径p上的对撞节点；
53.c)路径p不包含
54.d)与邻接的节点和没有以头部为的边连接，且不会以为尾部；
55.e)在路径p上除了和所有节点与或一尾部是或的都没有边相连，且不会以和为尾部或头部与两者同时有边相连。
56.定义中间标记。为了便于边的早期定位，在算法的每一步对图给出一个明确的因果解释，上述通过对边增加中间标记来实现。中间标记在链接符号上进行表示，选项包括：“？”、“l”、“r”、“！”或者空。例如：表示如果a《b(b《a)，则有或不存在即a和b在m(g)中有若干距离。“《”在这里表示变量集合的任意顺序，其目的是区别和这个符号的选择是任意的，不会影响因果信息的内容。式中的“*”是一个通配符，表示pags中出现的所有三个连接边(尾、头、环)的标记。此外，表示和都是真实的。空的中间标记a**b则表示a∈adj(b,m(g))。？不表示任何状态。非环边标记(这里可能隐藏在*符号之下)可以表示标准意义上的祖先和非祖先，同时，a和b之间不存在边仍然可以表达如下意义，即
57.定义祖先-父节点理论。1)a
→
b可得2)a》b且a
→
b可得3)a《b且a
→
b可得选择与时间顺序一致的总顺序，也就是其中τ》0或τ＝0，i《j。滞后连接可以用边进行初始化。
58.定义弱极小分离集。在mag m(g)中，设a和b是被s集合分开若干距离的点，则当s满足如下两个条件时，集合s称为a和b的弱极小分离集：
59.1)s可以分解成其中
60.2)若且且以若干距离分开了a和b，则有s'2＝s2。
61.(s1,s2)对可称为s的极弱小组成。
62.为一般化最小分离集的定义，需要保证
63.定义强显式三点对规则。设是pag c(g)中的显式三点对，s
ac
是a和c
的分离集，则有：
64.1)如果b∈s
ac
，s
ac
是极弱最小集合，则b∈({a,c},g)。
65.2)设任意取值。如果a和b不能被s
ac
∪τ
ab
\{a,b}分隔开。c和b不能被s
ac
∪τ
cb
\{c,b}分隔开，则后面两条件的设定可能会与将来或过去的变量相交。上述规则适用于算法的每一个步骤，且可以在任意时间或任意顺序执行。
66.在本发明的一个实施例中，所述完全图处理主算法，包括：调用所述第一移除算法所述完全图进行第一次遍历，并对所述完全图中的父子关系进行标记；调用所述第一移除算法和所述第二移除算法对第一次遍历后的完全图进行识别，确定出所述完全图对应的部分祖先图；以得到的所述部分祖先图作为所述信息量最大的因果关系图。具体的，为了便于本领域技术人员理解和实施，提供对应的伪代码如下：
67.输入需求：时间序列数据集x＝{x1,...,xn}，最大时滞τ
max
，显著性水平α，ci测试ci(x,y,s)，非负整数k；
68.1.初始化c(g)为一个完全图，其中
69.2.for 0≤l≤k-1，执行：
70.3.使用第一移除算法进行边移除和方向规则的使用；
71.4.重复第一行，若则将有向边标记在c(g)中。
72.5.使用第一移除算法进行边移除和方向规则的使用；
73.6.使用第二移除算法进行边移除和方向规则的使用；
74.7.
75.对以上伪代码进行说明如下：初始化c(g)为一个完整的完全图，算法会进入初始阶段，然后设计调用第一移除算法，该算法移除了许多错误连接(但一般不会是全部的)，并且在删除的同时反复使用上面介绍的方向规则。这些规则能在g中识别到(非)祖先的子集，并据此在c(g)的边中标记上头或者尾的标记。然后非祖先关系进一步约束后续的ci测试的条件集合s，祖先关系被用于扩展这些集合s∪s
def
，其中c(g)是哪些被独立性检验后的变量的已知双亲。接着在第3行后用c(g)标记的所有父子关系会被标记，同时在下次第一移除算法使用前转移到重新初始化的c(g)中。条件集合可以从一开始扩展到已知的父亲节点。这个迭代过程的目的是为了确定g中父子关系的一个精确子集合。然后这些结果被传递到5-6行中的最后阶段，也就是对于第一移除算法的最后一次使用。此时可能仍然有错误的连接，原因在于第一移除算法会错误删除变量间和错误连接，且在和中没有任何对方的祖先。这就是第二移除算法在第6行中被调用的目的，该步是第二个删除阶段。第二移除算法反复应用在方向规则上，且和第一移除算法一样用于识别(非)祖先。这样就可以找到pag p(g)。另外，该方法的输出不依赖与n倍的时间序列变量xj的顺序。初始阶段你的迭代次数k是一个超级参数，且算法的每一步都具有平稳性。
76.在本发明的一个实施例中，所述第一移除算法还包括：将所述完全图中的有序变量根据邻接关系确定出有序变量对；确定所述有序变量对之间的边的中间标记为第一类标记；根据第一预设条件对所述有序变量对之间的边确定为待保留或待删除；若所述有序变量对之间的边为待删除，则调用所述删除边处理算法进行二次处理。具体的，提供第一移除算法的伪代码如下：
77.输入需求：c(g)，最小测试统计值的变量i
min
(.,.)，分离集合sepset(.,.)，时间序列数据集x＝{x1,...,xn}，最大时滞τ
max
，显著水平α，ci测试ci(x,y,s)
78.[0079][0080]
对以上伪代码进行说明如下：删除pair中在m(g)不相邻的变量之间所有的边。为此，算法对给定s∪s
def
的ci进行了测试，同时，基于的基数|s|＝p先后增加，其中apds
t
的定义前文已经给出，即排除中所有已经被标识为非祖先的变量。默认条件集合由所有在c(g)中或下所有被标记为父亲的变量。算法有必要以p＝0进行重启，否则未来计算出的分离集可能不是最弱小的。上面提到的规则也可以定位非祖先关系，然后进一步对apds
t
集合进行限制。该方法的另一个创新点是在进行边测试前，有些边会提前判断并删除。也可以用如下术语表示：
[0081]
首先测试所有的自依赖链接，然后是交叉链接从时滞τ＝0一步一步到时滞τ＝τ
max
。整个顺序不依赖于n阶时序变量xj的顺序，因此不需要引入顺序依赖。该算法在c(g)的中间标记“！”或空的情况下是收敛的，其不能被多次分离，也不需要进一步的测试。第11行中的更新内存用于跟踪对给定变量的所有先前ci检验的最小检验统计值。这些值用于对地起航的序列s
search
进行排序，譬如如果那在s
search
中一定会在前面出现。注意，在第18行，只有一个选定的规则子集使用了，且只应用于有向滞后链接。
[0082]
在本发明的一个实施例中，所述第二移除算法还包括：将所述完全图中的有序变量根据邻接关系确定出有序变量对；确定所述有序变量对之间的边的中间标记为第二类标记；根据第二预设条件对所述有序变量对之间的边确定为待保留或待删除；若所述有序变量对之间的边为待删除，则调用所述删除边处理算法进行二次处理。具体的，提供第二移除算法伪代码如下：
[0083]
输入需求：c(g)，最小测试统计值的变量i
min
(.,.)，分离集合sepset(.,.)，时间序列数据集x＝{x1,...,xn}，最大时滞τ
max
，显著水平α，ci测试ci(x,y,s)
[0084]
[0085][0086]
对以上伪代码进行说明如下：所有c(g)中的中间标记都是“！”或空，且中间标记为空的边肯定在m(g)中，但标记为“！”的不一定在m(g)中。后者边是变量对之间的边，且其中一个都不是另一个祖先。算法只搜索出的分离集。除了c(g)中的父节点外，该算法还对中当前napds
t
集合所有节点设置默认条件。一旦所有中间标记为空，该算法将收敛，然后进行最后的穷举规则应用以保证完整性。
[0087]
在本发明的一个实施例中，所述删除边处理算法，包括：获取根据所述第一移除算法和所述第二移除算法所确定的待删除的边；若确定的待删除的边为有向边，则对删除后的冲突进行修复；对确定的待删除的边执行删除操作，并对相应的分离集弱极小化。具体的，提供伪代码如下：
[0088]
输入需求：c(g)，有序的规则列表τ，最小测试统计值的变量i
min
(.,.)，分离集合sepset(.,.)，时间序列数据集x＝{x1,...,xn}，最大时滞τ
max
，显著水平α，ci测试ci(x,y,s)
[0089][0090]
对以上伪代码进行说明如下：该算法详尽的应用一组有向规则进行边计算。由于很多规则要求分离集的弱最小性，第10行作用是使得他们弱最小，具体过程如下：分离集合和并不一定是弱极小，但他们可以通过逐次去掉单个元素，这些元素在结果集合不能再分离时会被识别出是和集合的祖先。特别的，不需要搜索原始分离集的所有子集。这种方法的有效性是在于弱极小性和第二类弱极小性的等价性。
[0091]
图2示意性示出了根据本技术实施例的基于时序运维大数据的高召回因果发现装置的结构框图，如图2所示，在本技术一实施例中，提供了一种基于时序运维大数据的高召回因果发现装置，所述装置包括：规则定义模块，用于预定义应用于完全图中边和点的若干关系规则；运维数据接入模块，用于获取待分析的流式运维数据；完全图生成模块，用于采用图库和图算法将所述流式运维数据初始化成完全图；边处理模块，用于根据所述若干关系规则对所述流式运维数据的完全图中的关系进行处理；以及结果输出模块，用于输出处理后的因果关系图，所述因果关系图用于描述所述流式运维数据中的因果关系。
[0092]
所述基于时序运维大数据的高召回因果发现装置包括处理器和存储器，上述规则定义模块、运维数据接入模块、完全图生成模块、边处理模块和结果输出模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。
[0093]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对基于时序运维大数据的高召回因果发现方法。
[0094]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0095]
本领域技术人员可以理解，图2中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备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。
[0096]
本技术实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现基于时序运维大数据的高召回因果发现方法的步骤。
[0097]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有基于时序运维大数据的高召回因果发现方法步骤的程序。
[0098]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0099]
本技术是参照根据本技术实施例的方法、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。
[0100]
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。
[0101]
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设备上，使得在计算机或其他可编程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。
[0102]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0103]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0104]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器
(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0105]
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0106]
以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。