根因分析——KPI根因关联分析检测

from naie.rca import KpiCorrDetector, BaseSettings, DataInfo, AdvanceSettings
from naie.datasets import data_reference
from naie.context import Context as context

根据数据集名称创建DataReference对象

dataset = 'network'
dataset_entity = 'kpi' 
datareference = data_reference.get_data_reference(dataset=dataset, dataset_entity=dataset_entity)

数据预处理，删除不必要的特征列

df = datareference.to_pandas_dataframe()
df = df.drop("timestamp", axis=1)

配置KpiCorrDetector 基础参数

参数：

• business_kpi: 主KPI的名称，str类型，必选
• error_kpi: 关联KPI名称列表，list类型， 可选
• history_size: 关联检测使用的历史窗口大小，可选，默认一天，使用字典格式， key包含有"days", "seconds", "microseconds", "milliseconds", "minutes", "hours", "weeks", 例如：{"days":2.0, "hours":12}

base_settings = BaseSettings(business_kpi="335655482")

配置KpiCorrDetector 高级参数(可选）

参数：

• sim_max_shift: 最大的窗口移动距离，int类型，可选，默认值为-1
• missing_filler: 缺失值处理方式，必须是'zero'或'linear'或'adaptive'，可选，默认为'adaptive'
• trend_removal: 数据趋势处理方式，必须是None或'gradient'或'diff'，可选，默认为None
• noise_removal: 数据噪声是否处理，bool类型，可选，默认为False
• outlier_detector: 奇异值检测方法，必须是None, 'mad', 'std'，可选，默认为None
• outlier_filler: 奇异值填充方式，必须是'thresholding'或'filling'，可选，默认为'filling'
• n_cpus: 根因检测计算使用的cpu数，int 类型，可选，默认为-1
• fp_filter_cutoff: 波动特征高通过滤的阈值，int 类型，负值表示不使用高通过滤，可选，默认为-1
• fp_amplify_feature: 波动特征是否进行特征放大处理，bool类型，可选，默认为False
• sim_metric: 相似性计算函数，必须是'normxcorr','bivariate_granger', 'spearmanr', 'kendalltau', 'pearsonr'，可选，默认为'normxcorr'
• sim_positive_shift: 关联KPI是否只支持右移，bool类型，可选，默认为False
• sim_enforce_sign: 是否使用KPI类型来计算相似信息, bool类型，可选，默认为False

advance_setting = AdvanceSettings()

配置检测数据相关信息

参数：

• index_col：数据集中对应的时间列名， 必选，str类型
• present_time：检测数据的截至时间，格式为"yyyy-mm-dd HH:MM:SS"， 必选，str类型
• anomaly_time：检测数据的异常时间，格式为"yyyy-mm-dd HH:MM:SS"， 可选，str类型

data_info = DataInfo(index_col="format_time", present_time="2019-12-06 16:55:00")

使用KpiCorrDetetor进行根因分析检测

detector = KpiCorrDetector(base_settings, advance_setting)
ret = detector.detect(data=df, data_info=data_info)

100%|███████████████| 6/6 [00:01<00:00, 6.04it/s]

Ranked list of correlated L3 KPIs:

 KPI  Type Shift Score  AScore CScore Feature names
 335655477  None   0   -0.545142 1.0 -0.545142  SpectralSaliency - SpectralSaliency
 335655640  None -53   -0.532937 1.0 -0.532937  SpectralSaliency - SpectralSaliency
 335655475  None  -1   -0.486732 1.0 -0.486732  SpectralSaliency - SpectralSaliency
 335655473  None -53   -0.359917 1.0 -0.359917  SpectralSaliency - SpectralSaliency
 335655476  None -53   -0.344594 1.0 -0.344594  SpectralSaliency - SpectralSaliency

NAIE SDK帮助文档汇总请参考：

网络人工智能园地：NAIE SDK帮助文档汇总​ zhuanlan.zhihu.com

文章来源: zhuanlan.zhihu.com，作者：网络人工智能园地，版权归原作者所有，如需转载，请联系作者。

原文链接：zhuanlan.zhihu.com/p/382227352