搞定这个日志智能分析设计，大小故障都无处可逃 - 运维 - dbaplus社群：围绕Data、Blo...

sw 2022-06-05 11:26:00

一、背景

随着系统的日益复杂，生成的日志是海量的。当发生故障时，人工从海量错误日志中定位异常的成本非常高，主要原因：

• 日志格式繁多，难以依靠人工划分，而传统的日志规则分类需要配置复杂的规则和正则，难以通用化；

• 日志量级大，报警多，难以定位需要关注的异常，一些无关的错误日志容易掩盖真正的问题。

日志智能分类算法可以自动根据日志的相似性对日志进行流式聚类，并提取其中的关键信息——日志模版，有效避免相似日志的无效查看，大幅节省排查时间。并且日志异常检测可以从海量日志中发现潜在的异常日志模式，帮助程序快速定位异常。

二、日志智能分类

1、设计方案

最初的日志分类服务在具体的算法选用上选择了 Drain 算法来对日志模板进行提取。随着业务经验的累积，为了提高日志分类的准确性，用两级模型对日志进行流式分类并生成日志模版。其中一次分类相当于是预分类，然后把预分类结果再进行二次分类，将预分类没有分好的日志进行融合，形成最终满足预期的分类结果。

2、一次分类

一次分类使用的是一种改进的前缀树。

从根节点开始，第一层为长度层，同样长度的日志进到同一个结点，接下来的节点就是根据token进行判别，只有匹配了同样的token的日志，才往对应的路径分。此外，还会设置一个阈值，当叶子结点到达阈值后，会增加一个<*>结点，用于匹配所有未成功匹配的日志。由于树深是提前设定的，一般会设得比较小，因此匹配的速度会非常快。整个树生成和匹配的过程实际上就是一个加入长度层的前缀树。

算法流程如下：

• 预处理，以分隔符/空格为单位将日志切分为一个个的token；

• 根据日志token长度去第二层（每个节点对应一个长度）寻找对应节点，比如Receive from node 4匹配的节点对应日志token长度为4；

• 根据日志token按顺序去进行分裂，这里受到depth限制，分裂树深为depth-2（去除root和length层）；

• 分裂到叶子节点后，计算日志与各个模板的相似度simSeq，返回simSeq大于阈值st并且相似度最高的模板；

• 更新Parsetree，当日志在叶子节点匹配到了模板，并且部分token有差异，则用<*>替换；当没有匹配到模板时，则将新的日志加入到该叶子节点的模板列表，作为新的模版。

3、二次分类

二次分类使用的是基于最长公共子序列匹配的算法。

一次分类第一层会有一个长度匹配，那不同长度的日志必然不会被分到一类；而且一次分类是根据token的顺序一个个匹配的，计算相似度也是顺序计算的，两条很像的日志，如果仅中间某些token划分不能对齐，就会导致无法分到同一类。为了克服上述问题，引入了基于最长公共子序列的匹配算法，将一次分类获得的模版进行二次合并，获得聚类效果更佳的模版。同时，由于最长公共子序列的时间复杂度较高，因此设计了前缀树、简单循环等两种前置预匹配方法，减少部分LCS的匹配，提升算法整体的效率。

算法流程如下：

1）预处理，以分隔符/空格为单位将日志切分为一个个的token。

2）前缀树预匹配，可以匹配到则返回匹配的分类和模版；匹配不到转到（3）。

3）简单循环匹配，可以匹配到则返回匹配的分类和模版；匹配不到转到（4）。

4）计算最长公共子序列，进行LCS匹配，可以匹配到则返回匹配的分类和模版，计算更新后的模版，差异部分用<*>替换；匹配不到则新增分类和模版。

4、traceback日志的处理

traceback日志与普通日志不一样，普通错误日志以分隔符/空格来划分token比较合适，但是traceback错误日志是一个trace的结构，按行看比较合适，因此把每一行traceback日志作为一个token，这样可以把trace类似的错误聚到一起，方便查找问题。

5、解决冷启动问题

日志智能分类算法会比较日志和模版，保留相同部分（常量），填充差异部分（变量）为<*>，更新模版，因此天然具有提取日志公共部分的能力。但是如果直接把原始日志输入到算法中，需要较长时间才可以完成模版的收敛；且收敛后的模版与输入的顺序有很大的关系，无法获得一个鲁棒的结果。这样会导致新接入的项目无法很好地应用日志智能分类。但如果能提前识别出变量，提前将其填充为<*>，则可极大地提升日志模版的收敛速度，也可以获得更加鲁棒的日志模版。通过正则将数字、base64编码和地址编码提前填充为<*>极大地提升了模版的收敛速度，原来要一周才能稳定并可用的模版，现在接入后马上可用。

三、日志异常检测

1、设计方案

目前业界对日志异常检测的研究有很多，总结来说主要为以下几类：

我们日志异常检测算法主要是是基于统计+无监督的日志模版异常检测算法，完全没有人工标注成本，计算简单并具有较好的可解释性。目前日志异常检测算法需要依赖日志智能分类算法，需要在获得日志实时分类模版后，根据各模版的日志量的历史数据进行异常判定，从而发现其中的异常模式，并将对应常通过告警发送给用户。

2、具体算法

日志异常检测算法设计为1min粒度的：

1）按机器维度获取该机器的日志模版以及对应日志量的历史数据。

2）将不同模版的日志量历史数据使用卡方分布进行聚合。

3）对聚合后的数据进行异常检测，当发现异常时，触发（4），如果未发现异常，则返回结果为正常。

4）对每个日志模版对应的日志量的历史数据进行异常检测，根据异常程度，返回Top5的异常模版。

5）如果没有返回异常模版，则本次检测返回结果为正常；如果返回了异常模版，则本次检测返回结果为异常，并将异常结果、异常模版告警。

这里的异常检测设计为两步主要是因为：

• 每台机器的日志生成的模版数量都很多，对应日志量历史数据中噪声也较多，直接进行模版的异常检测容易产生较多无效的报警；

• 模版数量较多，全量进行1min粒度的异常检测计算压力较大，可能不能在1min内完成检测。因此考虑先从全局的角度设计一个噪声较少的指标，先对该指标进行异常检测，当异常检测结果为异常后，再下钻到具体的模版进行异常检测，找到异常模版，既能减少误报，也可以降低CPU压力。

设计平方和作为全局具有代表性的指标，采用卡方分布进行数据聚合，假设n个模版的频率特征符合标准正态分布，基于此构建模版的平方和特征，该特征满足卡方分布，在n较大时，卡方分布可近似为正态分布，可以使用3sigma的方式进行异常检测。

日志异常检测使用的异常检测算法除了使用3sigma方法外，还使用了箱线图的方法，将两者的结果转换为异常分数后再进行融合。

3、减少周期性误报

周期性异常是指昨天或者上周出现过的同样的异常，此类报警属于周期性误报。此时，昨天或者上周对应时间点的异常分数也会较高，可以利用这个历史分数对当前分数进行抑制，达到消除周期性误报的效果。但是，出现异常的时间点可能会有一定的偏移，因此需要对昨天和上周一定时间窗口内的分数进行中心rolling_max操作，再使用当前异常分数减去昨天或者上周较大的那个分数，得到抑制后的分数。

4、新日志类别报警

某些情况下希望当出现新的日志模版类的时候，对新日志类别进行告警。但是当日志智能分类结果尚未稳定的时候，会经常出现新的日志类别，有可能产生很多误报。我们设计了自适应的新日志类别报警，当一天内出现新的日志类别超过一定阈值时，对新日志类别报警进行抑制；当低于一定阈值时，进行新日志类别的告警。

四、应用效果

当日志异常检测检测到日志异常时，会告知用户异常的模版。

进入日志计数页面可以看到，当前时刻确实出现了异常的日志暴增。

>>>>

活动推荐

相信大家通过上文，在日志智能分析上汲取了不少经验，在智能运维的落地过程中，大家还面临着这些难题：如何进行时序数据的异常检测？如何有效缩短故障定位时长？如何进行硬件故障预测？

在即将到来的6月17日，Gdevops全球敏捷运维峰会-广州站邀请了网易游戏-技术中心-智能监控AIOps团队负责人施望，给大家带来的《网易游戏AIOps探索与实践》主题分享，将会给大家解答上述疑难。同场还有高可用架构设计、故障自愈、智能化运维等精选数据库议题，欢迎扫描下图二维码了解更多：