随着计算机技术的蓬勃发展,系统采集指标数量不断增加,业界产生了海量的运维数据,人们已经难以从海量数据中提炼出知识,形成专家经验,作为传统运维方式阈值设置的参考依据和作为分析告警原因和查询监控指标间关联的凭证。因此,如何通过数据挖掘相关方法,提炼运维数据中有效信息是当前的研究热点。频繁模式挖掘是一种有效的数据挖掘方法,但是面向特征复杂的运维数据,传统频繁模式挖掘算法的挖掘结果不够全面,挖掘效率低下。鉴于此,本文提出一种将频繁模式挖掘应用于运维数据挖掘的框架,以不同的方法进行挖掘不同特征的运维数据,提高提炼运维知识的有效性和效率。针对多维密集型的监控指标数据,首先,提出一种适用于所有指标的离散化方法将监控数据离散化,然后,定义并提出跃变频繁模式挖掘方法,作为传统挖掘方法的补充。针对稀有且聚集的告警数据,本文提出一种不完全最长序列模式挖掘方法,用于高效提取频繁告警序列,辅助告警排查。本文的主要研究内容如下:1.监控指标数据的知识提炼。针对频繁模式挖掘算法无法处理连续型数据和传统频繁模式和序列模式挖掘算法挖掘的监控指标数据结果不全面的问题,本文首先利用聚类算法结合箱型图法剔除异常数据,并使用趋势预测算法填充缺失值;然后,基于峰值检测、滤波的思想,提出一种通用的分布检测算法来提取海量指标的数据分布区间,以此将数据离散化;最后,挖掘并融合传统频繁模式和序列模式,形成一种跃变频繁模式,作为传统频繁模式和序列模式的补充,使用户更直观的了解指标变化对系统造成的影响。2.告警数据的知识提炼。针对传统最长频繁序列模式挖掘算法挖掘稀有且包含大量长频繁项的告警数据的耗费时间长的问题,提出了一种不完全最长序列模式挖掘方法。该方法简化了最长序列模式挖掘算法的搜索候选集中非最长序列模式的过程,提高了告警数据运维知识提炼的效率。3.系统实现与部署。设计并实现了基于微服务架构的运维知识提炼系统,该系统集成了数据预处理、监控指标数据频繁模式挖掘和告警数据频繁模式挖掘模块,并根据实际业务需求,实现了历史数据分析和在线数据检测功能,有效提高了运维智能化水平。