最近參與了了一個(gè)日志和告警的數(shù)據(jù)挖掘項(xiàng)目，里面用到的一些思路在這里和大家做一個(gè)分享。
項(xiàng)目的需求是收集的客戶系統(tǒng)一個(gè)月300G左右的的日志和告警數(shù)據(jù)做一個(gè)整理，主要是歸類(Grouping)和關(guān)聯(lián)(Correlation)，從而得到告警和日志的一些統(tǒng)計(jì)關(guān)系，這些統(tǒng)計(jì)結(jié)果可以給一線支持人員參考。
得到的數(shù)據(jù)主要分為兩部分，一部分是告警的歷史數(shù)據(jù)，這部分?jǐn)?shù)據(jù)很少，只有50M左右，剩下的全部都是日志數(shù)據(jù)。日志數(shù)據(jù)大概有50多種不同類型，對(duì)應(yīng)系統(tǒng)中不同的模塊。每種類型的文件每天產(chǎn)生一個(gè)日志文件，所以總數(shù)大概是1500個(gè)左右的日志文件。文件大概都是這樣的：A_2016-04-15.log, B_2016-04-15.log, ..., A_2016-05-14.log, B_2016-05-14.log。每個(gè)文件在10M-1G之間不等。
1. 日志的模式挖掘
通過(guò)查看日志，發(fā)現(xiàn)所有的log每一行基本都是類似這樣的Pattern:
YYYY-MM-DD hh:mm:ss [模塊名] [具體日志]
每類日志的模塊名都是一樣的，基本可以忽略。有價(jià)值的就是時(shí)間戳和具體日志。
而且可以發(fā)現(xiàn)，很多日志只是極少部分動(dòng)態(tài)內(nèi)容不同，在代碼中屬于同一個(gè)位置的輸出，這些數(shù)據(jù)后面我們會(huì)分為一類數(shù)據(jù)。比如：
2016-04-26 00:30:38.795 55637 ResourceManager Free ram (MB): 244736
