现代系统大规模发展，已经成为 IT 行业的核心部分，支持各种在线服务和智能应用。这些系统大多设计为全天候 24x7 运行，每小时就有约几百 GB（约120至2亿行）大量日志，在系统操作期间记录详细的运行时信息。
此外5G的出现，不仅伴随着数据传输速率的提高、延迟的减少以及设备连接的大规模化，同时也伴随着数据量的增多、微服务的增多等，由此将产生大量的日志数据，这些数据中记录了众多的5G设备运行信息，如何利用这些信息做到日志异常诊断智能化，对于5G时代系统的运维具有重要的意义。
系统发生故障前，其日志通常都具有许多特征反应出系统的异常状态，如果我们能提前发现系统异常，就能避免系统发生更严重的错误。然而在目前大多数系统中，管理员都是在系统出现故障之后，根据日志信息进行排错。这种事后检测会浪费大量的时间和精力，并且不一定能取得很好的效果。
传统的日志分析方法具有速度慢，鲁棒性差，难以适应大型系统等弊端，以迫切需要自动的、基于日志的系统异常检测方案。因此本项目使用机器学习方法来自动化学习，检测，定位日志中可能出现的异常。
- 操作系统：Windows/Linux/Mac
- python>=3.6
- Flask==1.0.2
- Flask-Cors==3.0.6
- numpy==1.18.0
- scikit-learn==0.19.2
- scipy==1.1.0
- tensorboardX==1.9
- pytorch==1.2.0
- node.js>=8.11.3
git@github.com:XLab-Tongji/LogAnalysis.git
Open folder "LogAnalysis" with your IDE
- cd {project folder}/SE
- python app.py
- cd {project folder}/Frontend
- npm install
- npm run serve
- open browser with http://localhost:8080
- 日志清洗
- 日志聚类
- 基于log key的异常日志检测
- 基于log value的异常日志检测
- 基于workflow的异常日志定位
5G 5G日志相关文件
k8s k8s日志相关文件
logcluster logcluster聚类工具
Model1 模型一相关代码
log_key_LSTM_train.py 模型一训练
Model2 模型二相关代码
variable_LSTM_train.py 模型二训练
Frontend
src 前端vue.js代码
views 前端页面
router 前端路由
package.json 前端node.js配置文件
public 公共资源
babel.configure.js 前端babel配置文件
Backend
app.py 后端运行
log_processor 数据预处理
log_key_LSTM_train.py 模型一训练
variable_LSTM_train.py 模型二训练
LogPredict.py 日志预测
upload 日志上传
Docs 项目文档