使用Python机器学习降低静态日志噪声

持续集成(CI)作业可以产生大量的数据。当作业失败时，找出了什么问题可能是一个繁琐的过程，需要对日志进行调查以发现根本原因-这通常是在作业总输出的一小部分中发现的。为了更容易地将最相关的数据从其他数据中分离出来，日志还原机器学习模型使用以前成功的作业运行来训练，以从失败的运行日志中提取异常。
此原则也可应用于其他用例，例如，从期刊或其他系统范围的常规日志文件。

利用机器学习降低噪声

一个典型的日志文件包含许多名义事件(“基线”)以及一些与开发人员相关的异常。基线可能包含难以检测和删除的随机元素，如时间戳或唯一标识符。要删除基线事件，我们可以使用k最近邻模式识别算法 (k-NN)。

的日志事件必须转换为数值。k-NN回归。使用通用特征提取工具HashingVectorizer允许将该进程应用于任何类型的日志。它对每个单词进行散列，并在稀疏矩阵中对每个事件进行编码。为了进一步减少搜索空间，令牌化将删除已知的随机单词，例如日期或IP地址。

一旦模型被训练，k-NN搜索告诉我们每个新事件与基线之间的距离。

Jupyter notebook演示了稀疏矩阵向量的过程，并绘制了稀疏矩阵向量图。

介绍LOGPREIN

LogReallyPython软件透明地实现了这个过程。的最初目标是协助祖尔CI使用构建数据库进行作业失败分析，现在将其集成到软件厂发展锻造的工作日志过程。
最简单的是，LogReduce比较文件或目录，并删除类似的行。Log冷水为每个源文件构建一个模型，并使用以下语法输出距离超过定义阈值的任何目标行：距离文件名：行号：行内容.

更高级的LogReduce使用可以将模型离线训练成可重用的模型。基线的许多变体可以用来适应k-NN搜索树

LogReduce还实现了接口，以发现日志时间范围(天/周/月)和Zuul CI作业构建历史记录的基线。它还可以生成HTML报告，在一个简单的接口中发现多个文件中的组异常。

管理基线

使用的关键k-神经网络回归异常检测是有一个已知的良好基线的数据库，该模型用于检测偏离过远的线。该方法依赖于包含所有标称事件的基线，因为基线中没有发现的任何事件都将被报告为异常。

Ci工作是我们的主要目标。k-NN回归，因为作业输出通常是确定性的，以前的运行可以自动用作基线。Log还原功能可以将Zuul作业角色用作失败的作业发布任务的一部分，以便发布简明的报告(而不是完整的作业日志)。这一原则可适用于其他情况，只要可以事先建立基线。例如，一个标称系统的SOS报告可用于查找有缺陷的部署中的问题。

异常分类服务

下一个版本的Logreduce引入了一种服务器模式，用于将日志处理卸载到外部服务，在该服务中可以进一步分析报表。它还支持导入现有的报告和请求来分析Zuul构建。服务运行异步地进行分析，并提供一个Web界面来调整分数和删除假阳性。

评审报告可以作为独立的数据集存档，目标日志文件和记录在平面JSON文件中的异常行的分数。

项目路线图

LogReduce已经被有效地使用了，但是有很多改进工具的机会。今后的计划包括：

• 管理日志文件中发现的许多带注释的异常，并生成公共域数据集，以便进一步研究。日志文件中的异常检测是一个具有挑战性的主题，拥有一个通用的数据集来测试新的模型将有助于确定新的解决方案。
• 使用模型重用带注释的异常，以细化所报告的距离。例如，当用户通过将其距离设置为零将行标记为假阳性时，该模型可以减少这些行在未来报告中的得分。
• 指纹归档异常以检测新的报告何时包含已知的异常。因此，服务可以通知用户作业遇到了已知的问题，而不是报告异常的内容。解决问题后，服务可以自动重新启动作业。
• 支持更多的目标基线发现接口，如SOS报告、Jenkins构建、Travis CI等。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接

原文链接：https://opensource.com/article/18/9/quiet-log-noise-python-and-machine-learning