日志特征选择汇总(基于天池比赛)
数据是基于第三届阿里云磐久智维算法大赛，
官方地址：第三届阿里云磐久智维算法大赛赛题与数据-天池大赛-阿里云天池 (aliyun.com)
亚军方案gihub：AI-Competition/3rd_PanJiu_AIOps_Competition at main · yz-intelligence/AI-Competition · GitHub
本赛题提供了故障工单与日志数据，分析msg的结构，根据|可以将其分解。根据实际的业务场景，在故障发生的前后5/10/15/30分钟或更久产生的日志信息，都可能与此故障有关。
sn代表服务器序列号，故障工单中共有13700+个sn；
服务器型号server_model和服务器序列号sn是一对多的关系；
将msg经过TF-IDF编码，输入到线性模型中，使用eli5得出每个类别下，msg单词的贡献程度，权重越高表示区分该类别的贡献越大。
0类和1类表示CPU相关故障，processor的权重都是最高的，且区分度不是很高；
2类表示内存相关故障，权重较高的是memory、mem、ecc;
3类表示其他类型故障，权重较高的是hdd、fpga、bus，可能是和硬件相关的故障。
主要步骤：数据预处理，特征工程，特征选择，模型训练，模型融合。
数据预处理：按照距离故障发生时间的间隔，将日志分成不同的时间区间；msg根据特殊符号进行标准化。
特征工程：主要构建关键词特征、时间差特征、TF-IDF词频统计特征、W2V特征、统计特征、New Data特征。
特征选择：对抗验证进行特征选择，保证训练和测试集的一致性，提高模型在测试集的泛化能力。
模型训练：CatBoost与LightGBM使用伪标签技术进行模型训练。
模型融合：CatBoost与LightGBM的预测结果以8:2进行加权融合得到最终的模型预测结果。
根据实际业务场景，故障发生之前可能会有预警日志产生，故障发生之后可能会产生日志风暴，对每一条故障工单数据，按照不同的时间切分构造新的日志数据，按照日志聚合之后构造统计特征。
特征工程：
时间差特征
反映故障日志与正常日志发生的间隔。特征构造方法：
获取日志时间和故障发生时间的时间差，结合
sn, server_model进行分组特征衍生。时间差的统计特征：
[max, min, median, std, var, skw, sum, mode]时间差的分位数特征：
[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9]时间差差分:
[max, min, median, std, var, skw, sum]
关键词特征
关键词对各类别的影响。构造关键词特征首先要找到关键词，两种方法确定关键词：
方案1：msg 做TF-IDF编码，输入到线性模型中，计算每个类别下关键词的权重，取每个类别的TOP20。
方案2：根据' | '对 msg 分词，统计每个类别的词频占比，取每个类别的TOP20。
方法1与方法2取并集，得到最终的关键词。
将每个关键词在msg中出现与否作为特征。
统计特征：根据类别特征分组构造统计特征，使类别特征隐藏的信息充分暴露出来。
根据
sn分组，server_mode统计特征:[count,nunique,freq,rank]根据
sn分组，日志统计特征：msg, msg_0, msg_1, msg_2:[count,nunique,freq,rank]
W2V特征：反映msg的语义信息
根据
sn分组，按照时间对msg进行排序，对于每一个sn，将排序好的msg作为一个序列，提取embedding特征。
TFIDF特征
根据 fault_id(sn+fault_time)分组，根据fault_id将msg拼接作为一个序列，提取TF-IDF特征。
特征选择
特征选择环节主要是使用对抗验证进行特征选择，将训练集与测试集删除label重新打标，训练集为1，测试集为0，数据集合并进行模型训练计算AUC，如果AUC大于设定好的阈值，将特征重要性最高的特征删除，重新训练模型。直至AUC小于阈值。
在模型训练的时候，使用伪标签技术，具体是将A、B榜测试集的预测结果，选取置信度>0.85的样本作为可信样本，加入到训练集中，达到增大样本量的目的。
参考：
天池算法大赛项目：基于大规模日志的故障诊断亚军方案！
日志特征选择汇总(基于天池比赛)相关推荐
- 【机器学习】实战系列五——天文数据挖掘实验（天池比赛）
系列文章目录 学习笔记: [机器学习]第一章--机器学习分类和性能度量 [机器学习]第二章--EM(期望最大化)算法 [机器学习]第六章--概率无向图模型 实战系列: [机器学习]实战系列一--波士顿 ...
- 姿态估计算法汇总|基于RGB、RGB-D以及点云数据
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨Tom Hardy@知乎 来源丨https://zhuanlan.zhihu.com/p/305 ...
- 阿里天池比赛——街景字符编码识别
文章目录 前言 一.街景字符编码识别 1. 目标 2. 数据集 3. 指标 总结 前言 之前参加阿里天池比赛,好久了,一直没有时间整理,现在临近毕业,趁论文外审期间,赶紧把东西整理了,5月底学校就要让 ...
- 阿里天池比赛——地表建筑物识别
阿里天池比赛--地表建筑物识别 记录一下之前参加的阿里天池比赛,方便以后查看. 策略: 1.多模型训练 2.多模型测试 3.数据增强 4.预训练/冻结训练 5.迁移学习 6.TTA 7.后处理 8.f ...
- 阿里天池比赛——食物声音识别
阿里天池比赛--食物声音识别 最近写毕业论文无聊之余,再次参加阿里天池比赛,之前一直做CV,第一次尝试做语音识别,记录一下过程. 策略: 1.梅尔频谱和梅尔倒谱以及混合 2.多模型测试 想玩这个项目的 ...
- Docker提交天池比赛流程
一.安装docker 天池大赛入门与docker实践课程: https://tianchi.aliyun.com/course/351 Ubuntu20.04安装docker: https://blo ...
- 天池比赛notebook
天池比赛的链接文档说明 https://tianchi.aliyun.com/notebook/index.htm?spm=5176.9876270.5610778.14.31d1e44axRaA3f ...
- 天池比赛——用户情感可视化分析
天池比赛--用户情感可视化分析 目录 天池比赛--用户情感可视化分析 前言 一.读取数据,查看基本情况并做数据预处理 引入相关库 读取数据,基础分析数据 空值处理,数据映射 对评论进行分词分析 二.词 ...
- 天池比赛——Docker基础镜像搭建，容器导出镜像
天池Docker 文章目录 天池Docker 一. 通过基础的Dockerfile,只有python的镜像 二. 然后build构建镜像,再运行镜像进容器 三. 进入容器,安装环境 四. 退出容器, ...
最新文章
- python raw_input 与 input 的区别
- 在Ubuntu上编写一个开机自启动的Python脚本
- opencv 图像增强_图像增强、锐化，利用 Python-OpenCV 帮你实现 4 种方法！
- JWT令牌创建和解析讲解
- leetcode 543. 二叉树的直径（Java版）
- python图书管理系统增删改查_图书管理系统---增删改查
- 数据挖掘决策树python_机器学习之决策树ID3(python实现)
- BerryBoot实现树莓派多系统切换
- ios android 宏,iOS常用宏(不断更新)
- linux火狐浏览器50版本,firefox 52 下载-Firefox(火狐浏览器)52版下载 v52.0.2官方版--pc6下载站...
- 一二线城市知名 IT 互联网公司名单（新版）
- cwRsync实现windows server文件定时自动同步
- Crosses and Crosses POJ - 3537 （博弈）
- java使用密文链接数据库_Java基础——数据库连接信息使用密文
- 牛熊分界点？技术指标择时 在当前A股指数效果解密
- 谷歌，互联网界的“彩蛋狂魔”
- 网上查信用报告，什么是问题验证？
- 数字后端基本概念介绍——Pin Blockage
- PAT 1051 复数乘法
- 微信小程序（布局适配与物理逻辑像素）