论文部分内容阅读
事件管理和变更管理是IT服务管理领域中的两个重要流程。借助这两个流程,IT服务系统可以快速处理突发问题、快速响应外部需求,从而提供更好的服务质量。然而随着客户需求的日益增加,事件管理和变更管理所承受的压力也逐渐增大。面对数量庞大的事件单和变更请求,手工处理已经难以保证时效性,而普通运维人员也很难确定其中所蕴含的风险。这将导致服务质量的下降甚至出现服务中断。因此使用自动化决策支持方法来快速处理事件和变更具有很大的应用价值。本文在分析和学习现有研究成果的基础上,针对现有技术的缺陷和决策支持领域的特点提出了基于机器学习的自动化决策支持方法。本文的主要研究内容如下:1)基于机器学习的决策支持方法:针对现有决策支持方法对数据的鲁棒性较差并且计算复杂度过高,进而需要更多地资源和时问来进行数据预处理和训练的问题。本文以事件单和变更请求作为决策支持的基础,针对流程的具体特点引入表示事件与变更的四类特征。通过创新的引入相关配置项和部署架构图这两类特征,本方法可以更好地表示事件与变更并提高决策支持的准确性。然后,本文综合分析了机器学习各种学习方式的适用性以及具体的训练算法,进而提供了高精确度、高鲁棒性以及训练时间少的决策支持方法。2)自动化决策支持方法:由于现有流程自动化方案在决策支持中仍需大量人力参与,因此本文还针对决策支持的特点提供了自动化决策支持方法。通过引入相关性得分、部署架构图相似性得分、特征签名等计算方法,本文提供了适合决策支持领域的自动化流程,在避免高昂的人员培养费用和维持费用的同时提升处理事件与变更的准确率和及时率。最后,本文给出了在变更管理中进行仿真实验的具体过程。通过分析实验结果可以得出本文所述自动化决策支持方法在决策支持准确率和训练时间方面都优于现有决策支持方法。