小編給大家分享一下如何使用Python機器學(xué)習(xí)降低靜態(tài)日志噪聲，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！
1、云計算，典型應(yīng)用OpenStack。2、WEB前端開發(fā)，眾多大型網(wǎng)站均為Python開發(fā)。3.人工智能應(yīng)用，基于大數(shù)據(jù)分析和深度學(xué)習(xí)而發(fā)展出來的人工智能本質(zhì)上已經(jīng)無法離開python。4、系統(tǒng)運維工程項目，自動化運維的標配就是python+Django/flask。5、金融理財分析，量化交易，金融分析。6、大數(shù)據(jù)分析。
持續(xù)集成(CI)作業(yè)可以產(chǎn)生大量的數(shù)據(jù)。當作業(yè)失敗時，找出了什么問題可能是一個繁瑣的過程，需要對日志進行調(diào)查以發(fā)現(xiàn)根本原因-這通常是在作業(yè)總輸出的一小部分中發(fā)現(xiàn)的。為了更容易地將最相關(guān)的數(shù)據(jù)從其他數(shù)據(jù)中分離出來，日志還原機器學(xué)習(xí)模型使用以前成功的作業(yè)運行來訓(xùn)練，以從失敗的運行日志中提取異常。
此原則也可應(yīng)用于其他用例，例如，從期刊或其他系統(tǒng)范圍的常規(guī)日志文件。
利用機器學(xué)習(xí)降低噪聲
一個典型的日志文件包含許多名義事件(“基線”)以及一些與開發(fā)人員相關(guān)的異常?；€可能包含難以檢測和刪除的隨機元素，如時間戳或唯一標識符。要刪除基線事件，我們可以使用k最近鄰模式識別算法 (k-NN)。
的日志事件必須轉(zhuǎn)換為數(shù)值。k-NN回歸。使用通用特征提取工具HashingVectorizer允許將該進程應(yīng)用于任何類型的日志。它對每個單詞進行散列，并在稀疏矩陣中對每個事件進行編碼。為了進一步減少搜索空間，令牌化將刪除已知的隨機單詞，例如日期或IP地址。
一旦模型被訓(xùn)練，k-NN搜索告訴我們每個新事件與基線之間的距離。
Jupyter notebook演示了稀疏矩陣向量的過程，并繪制了稀疏矩陣向量圖。
介紹LOGPREIN
LogReallyPython軟件透明地實現(xiàn)了這個過程。的最初目標是協(xié)助祖爾CI使用構(gòu)建數(shù)據(jù)庫進行作業(yè)失敗分析，現(xiàn)在將其集成到軟件廠發(fā)展鍛造的工作日志過程。
最簡單的是，LogReduce比較文件或目錄，并刪除類似的行。Log冷水為每個源文件構(gòu)建一個模型，并使用以下語法輸出距離超過定義閾值的任何目標行：距離文件名：行號：行內(nèi)容.
$ logreduce varlogauditaudit.log.1 varlogauditaudit.log INFO logreduce.Classifier - Training took 21.982s at 0.364MBs 1.314kls 8.000 MB - 28.884 kilo-lines 0.244 audit.log:19963: =USER_AUTH ="root" ="/usr/bin/su" hostname=managesf.sftests.com INFO logreduce.Classifier - Testing took 18.297s at 0.306MBs 1.094kls 5.607 MB - 20.015 kilo-lines 99.99 reduction from 20015 lines to
更高級的LogReduce使用可以將模型離線訓(xùn)練成可重用的模型?；€的許多變體可以用來適應(yīng)k-NN搜索樹
$ logreduce dir-train audit.clf varlogauditaudit.log. INFO logreduce.Classifier - Training took 80.883s at 0.396MBs 1.397kls 32.001 MB - 112.977 kilo-lines DEBUG logreduce.Classifier - audit.clf: written $ logreduce dir-run audit.clf varlogauditaudit.log
LogReduce還實現(xiàn)了接口，以發(fā)現(xiàn)日志時間范圍(天/周/月)和Zuul CI作業(yè)構(gòu)建歷史記錄的基線。它還可以生成HTML報告，在一個簡單的接口中發(fā)現(xiàn)多個文件中的組異常。
管理基線
使用的關(guān)鍵k-神經(jīng)網(wǎng)絡(luò)回歸異常檢測是有一個已知的良好基線的數(shù)據(jù)庫，該模型用于檢測偏離過遠的線。該方法依賴于包含所有標稱事件的基線，因為基線中沒有發(fā)現(xiàn)的任何事件都將被報告為異常。
Ci工作是我們的主要目標。k-NN回歸，因為作業(yè)輸出通常是確定性的，以前的運行可以自動用作基線。Log還原功能可以將Zuul作業(yè)角色用作失敗的作業(yè)發(fā)布任務(wù)的一部分，以便發(fā)布簡明的報告(而不是完整的作業(yè)日志)。這一原則可適用于其他情況，只要可以事先建立基線。例如，一個標稱系統(tǒng)的SOS報告可用于查找有缺陷的部署中的問題。
異常分類服務(wù)
下一個版本的Logreduce引入了一種服務(wù)器模式，用于將日志處理卸載到外部服務(wù)，在該服務(wù)中可以進一步分析報表。它還支持導(dǎo)入現(xiàn)有的報告和請求來分析Zuul構(gòu)建。服務(wù)運行異步地進行分析，并提供一個Web界面來調(diào)整分數(shù)和刪除假陽性。
評審報告可以作為獨立的數(shù)據(jù)集存檔，目標日志文件和記錄在平面JSON文件中的異常行的分數(shù)。
項目路線圖
LogReduce已經(jīng)被有效地使用了，但是有很多改進工具的機會。今后的計劃包括：
管理日志文件中發(fā)現(xiàn)的許多帶注釋的異常，并生成公共域數(shù)據(jù)集，以便進一步研究。日志文件中的異常檢測是一個具有挑戰(zhàn)性的主題，擁有一個通用的數(shù)據(jù)集來測試新的模型將有助于確定新的解決方案。
使用模型重用帶注釋的異常，以細化所報告的距離。例如，當用戶通過將其距離設(shè)置為零將行標記為假陽性時，該模型可以減少這些行在未來報告中的得分。
指紋歸檔異常以檢測新的報告何時包含已知的異常。因此，服務(wù)可以通知用戶作業(yè)遇到了已知的問題，而不是報告異常的內(nèi)容。解決問題后，服務(wù)可以自動重新啟動作業(yè)。
支持更多的目標基線發(fā)現(xiàn)接口，如SOS報告、Jenkins構(gòu)建、Travis CI等。
看完了這篇文章，相信你對“如何使用Python機器學(xué)習(xí)降低靜態(tài)日志噪聲”有了一定的了解，如果想了解更多相關(guān)知識，歡迎關(guān)注創(chuàng)新互聯(lián)成都網(wǎng)站設(shè)計公司行業(yè)資訊頻道，感謝各位的閱讀！
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機、免備案服務(wù)器”等云主機租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務(wù)可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場景需求。
重慶分公司
重慶分公司
