智能運維中知識圖譜的運用

梁泉 林妍

（中國電信股份有限公司廣東分公司 廣東·廣州 510000）

在企業運營過程中，會產生海量的結構化數據、半結構化數據和非結構化數據，并且這些運營數據分為人為核心數據和運維數據兩大類，其中運維數據包括設備運行狀態、故障數據、設施設備管理等以機器為核心的數據。目前，企業智能運維越來越復雜、企業業務對智能運維的依賴程度越來越深，智能運維從早期關注網絡和基礎硬件設備發展到了對各方面綜合管理的程度，智能運維面臨著巨大的壓力，如：業務系統、運維人員、運行環境等。為了持續、穩定、保持各類系統安全可靠運行，利用知識圖譜，可以快速響應需求、靈活調整系統以及個性化運維服務，為系統運維人員提供解決方案參考，促進智能運維的可持續發展。

1 知識圖譜綜述

知識圖譜是顯示知識發展進程與結構關系的一系列各種不同的圖形，是圖書情報界知識域可視化或知識領域映射地圖，可以幫助用戶更快更簡單地發現新的信息和知識。知識圖譜是互聯網語義網絡發展的產物，在其發展歷程中，知識圖譜極大地推動了語義網、自然語言處理、數據庫等相關技術的發展，是目前知識庫構建和搜索領域最為熱門、最為領先的技術與發展趨勢，可以廣泛支持知識檢索、智能問答、決策支持等智能應用。通過知識圖譜對海量數據進行挖掘、抽取、清晰、融合、推理等，可以用圖的形式，將無序數據變為知識網絡，從而以更加直觀的形式展示知識網絡，反應出現實中實體及實體間的關系。一般情況下，知識圖譜包括實體、屬性、關系等重要元素，其中節點表示“實體”，用邊將信息連接形成關系網絡，表示實體間的“關系”，將抽象的信息用可視化圖形方式展現出來。利用知識圖譜，人們不但可以獲得分析和解決問題的能力，還可以快速地獲得知識和知識之間的邏輯關系，從而實現數據驅動應用。

知識圖譜具有以下幾點優點：第一，語義表達能力豐富。知識圖譜源于語義網絡，對于知識服務應用任務具有重要的支持作用，是一階謂詞邏輯的簡化形式。并且知識圖譜能夠描述概念、事實、規則等各種層次的知識，在實際應用中，通過定義大量的概念和關系類型，能夠有效組織和描述人類在自然環境和社會活動中形成的海量數據，能夠極大地豐富語義網絡內涵，為各類人工智能應用系統奠定知識基礎；第二，知識圖譜表示方法對計算機友好、支持高效推理。以往，在知識推理時，傳統的推理方法很難快速地進行知識處理，復雜度很高，很難實現知識表現得目標。而知識圖譜的表示形式是結合圖論相關算法，以圖結構為基礎的前沿技術，通過利用對節點和路徑的遍歷搜索，可以極大地降低計算機處理成本，有效提升推理效率；第三，知識圖譜描述形式統一，能夠方便不同類型知識的集成與融合。知識圖譜可以通過對齊、匹配等操作，以語義網的資源描述框架規范形式，對異構知識進行集成和融合，統一表示知識體系和實例數據，從而促使知識服務更加靈活，支撐更加豐富；第四，知識圖譜方便計算機系統存儲與檢索，是基于圖結構的數據格式，能夠更容易推廣數據的標準化，其以三元組為基礎，結合圖數據庫技術以及語義網描述體系、標準和工具，能夠使相應的工具更加方便數據統一，為計算機系統存儲與檢索大規模知識系統提供技術保障。

2 智能運維中知識圖譜的作用

對于知識服務來說，知識圖譜能夠將傳統基于淺層語義分析的信息服務凡是提升到基于深層語義的知識服務，具有非常重要的支撐作用。而智能運維是通過融合IT數據、打破數據信息孤島，使IT能夠更好地支撐業務，對監控、自動化、服務臺進行支持，是利用大數據技術以及機器學習技術、機器學習技術，來回答單從IT口徑無法回答的問題，或者回答以前很多單從業務口徑。

知識圖譜是人工智能基礎設施，智能運維需要依托人工智能技術。也可以說，沒有知識圖譜，智能運維難有建樹，擁有知識圖譜，智能運維就會更進一步，知識圖譜能夠完善智能運維的現有體系。如在競爭日趨激勵的市場環境中，為了向DevOps提供持續反饋，AlOps以創造商業價值為導向，持續洞察IT運營以及業務運營，加快了企業數字化轉型的步伐。從全球ALOps廠商來看，其時序指標流派和事件流派是目前兩大最熱門的流派：一方面，時序指標流派利用時序數據作為ALOps的數據源、落地場景多為單指標時序預測、多指標時序預測、單指標異常檢測、多指標異常檢測，國外的Appdynamic、Newrelic、Datadog,國內聽云、云智慧等都選擇這個路線來做監控系統；另一方面，事件流派主要是采用文本型數據作為ALOps平臺的數據源，在事件降噪、事件發現、事件抑制等領域集中落地場景。并且在事件根因分析、異常事件發現、事件解決方案推薦等也會嘗試做一些高級功能。國外Splunk、國內的日志易、擎創等都選擇這個路線來做日志分析。但無論采用哪種方式做ALOps，都會遇到一些瓶頸，這是由于落地場景不斷深入造成的。如由于用戶數據種類繁多、特征各異，運用時序指標來做 ALOps的廠商是不可能只使用某種單一算法來解決的。因此，在實際生產中，為了大幅提升效率，可以利用知識圖譜描述形式統一的特點，集成和融合不同類型知識，快捷地講時序指標和算法精準地結合起來。知識圖譜基于圖結構的數據格式，能夠快速提供生產系統中應用和組件之間的關聯、承載關系，可以促使結果數據更為精準，日志分析廠商就是通過日志數據來做事件根因分析的。

知識圖譜豐富的語義表達能力和對計算機友好的表示方法，可以幫助企業不斷收集基于實際生產環境的運維知識沉淀，建立企業自己的知識圖譜，進一步看到數據背后的真實含義和相互關系，如硬件屬性信息、應用拓撲關系、系統配置信息等。

3 智能運維中知識圖譜的運用

構建知識圖譜是一個迭代更新的過程，根據現有經驗數據，通過自動抽取資源的方式，可以促使現有的知識庫豐富和完善。

3.1 知識圖譜的構建

首先，知識抽取與挖掘。為了提取出知識以及知識間的相互關系，需要從各種類型的數據源中進行知識抽取，并形成網狀知識結構。知識抽取是構建知識圖譜的基礎，一般情況下，企業設備運維數據的分析與應用是圍繞著一些核心主題對象的屬性及關系信息進行的。如：在設備運維中從業務數據中抽取各類數據源中存在的核心對象，通過關系識別，形成網狀知識結構。并為了提升知識抽取的準確率和效率，可以通過數據挖掘手段，來發現各類數據源中的蘊含關聯。

3.2 知識融合與加工

獲得新知識之后，應通過整合的方法，消除知識間的矛盾和歧義。除了海量的結構化數據外，龐大、形式多樣的智能運維數據還有大量的、以視頻、圖片等本結構化或者非結構化的形式存儲。這些數據無法直接為上層應用提供支撐，處于零散的狀態。因此，為了形成更加全面的信息，需要通過消歧、指代消歧等數據處理過程來整合不同數據源中的實體，通過知識推理進行隱含知識的深度挖掘，通過知識質量評估將正確的知識放入知識圖譜中，實現知識圖譜的質量保證。經過融合和加工后，知識形成關系、有序的知識網絡，能夠更加有效、智能地進行知識深度挖掘，并以規范化存儲在知識庫中生成索引。

3.3 知識圖譜的應用

進入21世紀以來，智能信息服務應用發展迅速，知識圖譜實現了業務邏輯性保存，對數據組織、存儲方式的改變具有很大的影響，已經在智能搜索、智能問答、個性化推薦等領域廣泛運用，能夠讓知識被用戶訪問到（搜索）、被查詢（問答）、可被支持行動（決策）。由此，本文嘗試通過識別數據源、知識抽取、融合、加工的過程，以知識圖譜方法論為指導，構建了項目實施和運維知識庫。面對系統功能在不同單位間的復制推廣、個性化需求調整，系統層面側重于解決方案的提煉、審核、應用和迭代，解決了方案對新業務的適配，以及與之相關的管理辦法和流程；面對不斷有新客戶的進入、操作、重復性問題較多的情況，用戶層探討了語義識別研究、智能客服開發以及模糊關鍵字的設置與調整等，側重于常見問題的梳理（圖1）。

圖1：知識圖譜構建流程

4 知識圖譜中智能運維的應用成果

完善的知識圖譜能夠實現知識的網狀結構存儲，目前，知識圖譜已經廣泛應用于智能搜索、智能問答、個性化推薦等領域。其中智能搜索和智能問答是知識圖譜主要應用方向。首先，智能搜索是面向內部顧問的應用，應用實現簡單、效果顯著。搜索答案時，內部運維顧問會提出精準的問題。而智能搜索根據問題的關鍵字以及其貼合度，能夠快速找出符合要求的答案，并對答案進行排序，展示與該問題答案知識相關度較高的其他知識鏈接。同時，為了方便顧問關注到與該知識相關的其他知識及屬性，通過知識與知識網狀關系的展示，可以快速找出可復用的巨額方案，更加直觀、完整的了解系統全貌。其次，智能問答是面向外部客戶的應用，能夠降低一線運維人員工作強度，滿足一部分客戶簡單、初級的操作咨詢請求，提升運維工作效率。但同時，問答系統還需要運營自然語義處理相關技術，將客戶口語化描述轉換成系統能理解的程式化語言，具有問題精準識別的難題。并且在操作過程中，智能問答還需要客戶直接將界面截圖并發布在問答系統上，需要提前對所有錯誤和提示進行編號。當客戶發出問題截圖說明時，識別提示對應的問題編號還需要通過圖像識別技術，才能反饋給客戶相應的答案，從逐步開展客戶智能問答試點。

5 結語

21世紀是一個大數據時代，知識的表達和組織方式成了各個專業領域的研究熱點，各行業中知識都面臨著爆炸式增長。而知識圖譜能夠實現有效的知識組織、管理和利用，是以圖的形式存儲實體機實體間關系的知識庫，可以提升知識體系的標準化和完備程度，優化知識體系，使業務流程和處理過程圖形化、可視化，是跨計算機、圖形學、人工智能多學科的前沿技術。在智能運維中運用知識圖譜知識很小的一把付恩，為了提升員工工作效率、客戶滿意度，在未來，知識圖譜應與實際業務、大數據分析相結合，才能促進企業運營的可持續發展。