随着腾讯云业务的扩大，母机数量越来越多。为减少人力并实现母机故障的自动化定位，本文尝试利用机器学习算法，通过对历史故障母机的日志数据学习，训练模型实现自动化分析定位母机故障原因。
背景对于每一单母机故障我们都需要定位出背后真实的故障原因，以便对相应的部件进行更换以及统计各种部件故障率的情况，因此故障定位和分析消耗的人力也越来越多。希望能借助机器学习的方法对历史故障母机的日志数据进行学习，沉淀出一些模型出来实现自动化的分析新的母机故障的原因，进而提高母机工单的处理效率解放人力，同时也能分析出故障的一些规律，进而实现对故障的预测等。
目标1、对母机宕机故障进行自动化的分析，准确定位故障原因；
2、当故障分类准确率达到足够准确之后，能够不需要人工参与，实现自动化结单；
3、实时流式处理母机的各种数据，实现部分故障的预测。
数据1、dmesg ：机器宕机前的最后一屏，含有netconsole数据；
2、mcelog ：系统检查到硬件错误产生的日志；
3、sel ：系统事件日志，是服务器传感器收集数据发现异常产生的日志。
方法步骤主要步骤包括数据筛选、数据清洗、文本向量化、模型构建、结果分析等。
数据筛选1)查看三类日志，分析是否每一种日志对故障定位都有存价值。剔除无价值的日志；
2)根据业务需求，选择特定的故障类别。因为某些故障的工单数量特别少，难以建立机器学习模型做分类；
3)保留三种日志不全为空的故障工单，完全无记录的工单是无法利用的；
4)根据工单编号ticket_id将日志及故障工单整合，工单和母机应该是一一对应的。
数据清洗1)剔除特殊符号'#', '<', '>', '&', '@','!', '(', ')', '*', '_'等；
2)剔除日志的无用信息，如数字格式和英文格式的；
3)日志分开清洗，当不同日志的格式不一致时，需要区分对待分开清洗。
文本向量化日志数据一般为文本数据，在构建文档分类模型时，需要将文本型数据转化成数值型数据。文本向量化（也叫做特征权重计算）常用以下三种方法。
1)布尔权重（Boolean vector），是最简单的权重计算方法。如果某特征词在文本中出现，其权重即为1,；不出现，即为0.这一简单粗暴的方法容易丢失文本内部具体信息，效果略差。但适用于一些采用二分类的模型，比如决策树和概率分类器。
2)频度权值（term frequence），是最直观的权重计算方法。单词在文本中出现的次数即为频度权重。这种方法的思想是，出现次数越多的特征单词，其重要性越大。
3)Tf-idf（Term Frequency-Inverse Document Frequency, 词频-逆文件频率），是应用最广泛的权值计算方法。单词在一条工单的日志中出现次数越多, 同时在所有工单中出现次数越少, 越能够代表该故障工单。
相比于频度权值，引入了IDF。IDF的主要思想是：如果包含词条t的文档越少, IDF越大，则说明词条具有很好的类别区分能力。计算公式如下，分母之所以要加1，是为了避免分母为0
参考示例：
模型构建在已有数据（标记）的基础上构造出一个分类函数/分类模型， 即为一个决策面。
1)数据划分：随机分层抽样，划分训练集（70%）用于构建模型，测试集（30%）用于验证模型效果；
2)数据预处理：数据整合、数据清洗、文本分词等过程在训练集和测试集上是同样的处理方式，以确保最后的干净的训练集和测试数据的格式是统一的；
3)文本向量化：采用tf-idf将文本向量化，选择l2正则化，结合文档频率df和最大词频tf进行特征选择，选出若干个关键词；设置停用词['is', 'not', 'this', 'the', 'do', 'in']等；
4)模型构建：选取分类问题常用的算法构建模型，构建模型过程中不断参数调优，构建最佳的模型。
注：对于数量特别少的故障类型，如果依靠专家知识分析已有的工单日志能够一一正确区分的话，那么可以人为地抽象出独一无二的故障特征，并编写模块实现自动化分类。
结果分析