CN102640154B - 基于所接收的与网络实体相关联的事件来构造贝叶斯网络 - Google Patents

基于所接收的与网络实体相关联的事件来构造贝叶斯网络 Download PDF

Info

Publication number
CN102640154B
CN102640154B CN200980160660.3A CN200980160660A CN102640154B CN 102640154 B CN102640154 B CN 102640154B CN 200980160660 A CN200980160660 A CN 200980160660A CN 102640154 B CN102640154 B CN 102640154B
Authority
CN
China
Prior art keywords
event
network
network entity
entity
record
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN200980160660.3A
Other languages
English (en)
Other versions
CN102640154A (zh
Inventor
R·杜特
J·布雷肖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hewlett Packard Enterprise Development LP
Original Assignee
Hewlett Packard Development Co LP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hewlett Packard Development Co LP filed Critical Hewlett Packard Development Co LP
Publication of CN102640154A publication Critical patent/CN102640154A/zh
Application granted granted Critical
Publication of CN102640154B publication Critical patent/CN102640154B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Abstract

接收与网络环境中的网络实体相关联的事件的记录，其中网络实体是从硬件实体、软件实体、以及硬件和软件实体的组合中选择的。识别事件的记录以识别与网络实体中的不同网络实体相关联的事件之间的关系，其中事件的记录识别受事件影响的对应的网络实体。基于所述分析来构造贝叶斯网络，其中所构造的贝叶斯网络能够关于与网络元件相关联的事件之间的关系做出预测。

Description

基于所接收的与网络实体相关联的事件来构造贝叶斯网络
背景技术
在存在相对大量的可跨越多个地理区域的网络实体的网络环境中，可能难以快速地识别在一个或多个网络实体处的停机(outage)或缺陷对网络的其他部分的影响。
一些网络环境可以维护关于网络的配置的知识数据库(有时称作配置管理数据库)。响应于检测到的停机，管理员可以咨询知识数据库以试图确定，缺陷的停机将对网络的其他部分具有什么影响。对于大的网络环境来说，人工咨询该知识数据库以执行诊断会是耗时且乏味的任务，这可能最终产生不准确的结果。
此外，知识数据库可能相对较快就变得过时。因此，即使提供自动化过程来查询这种知识数据库以诊断在网络实体处的停机或缺陷的影响，但是如果知识数据库未被更新，则这种自动化过程可能仍然产生不准确的结果。
附图说明
本发明的一些实施例相对于下面的图进行描述：
图1是结合了本发明的一个实施例的示例性布置的框图；
图2是根据一个实施例的构造和使用贝叶斯网络的过程的流程图；
图3是根据另一实施例的将所接收的记录映射至所提供的本体(ontology)的过程的流程图。
具体实施方式
根据一些实施例，提供一种自动化学习系统来确定在包括网络实体的网络环境中发生的事件之间的因果关系。一些网络环境可以包括相对大量的网络实体(其可以是硬件实体、软件实体、和/或硬件和软件实体的组合)。例如，网络实体可以包括计算机、交换机、路由器、存储服务器等等。软件实体可以包括软件应用、web软件、脚本等等。
自动化学习系统接收与网络环境中的网络实体相关联的事件的记录。在一些实施例中，由记录所表示的事件是故障事件，其指示错误的某事已经在对应的网络实体处发生。例如，网络实体可能已经崩溃，或者可能已经产生引起了不准确的输出将被产生的错误。在其他实施例中，事件可以表示与网络实体相关联的其他发生的事。更一般来说，“事件”指的是在网络实体处或与网络实体有关的某种现象、动作、操作、警报等等的发生。
分析事件的记录以识别与网络实体中的不同网络实体相关联的事件之间的关系。事件的记录中的每个识别受事件影响的对应的网络实体。事件被接收的顺序是重要的。事件排序可以在时间上发生(按时间接收的事件)，或者事件排序可以在空间上发生(在给定的空间上接收的事件)。在前一种情况下，事件将指示因果(causal)(因果)关系，比如事件A具有在事件B之前的高度似然性。在后一种情况下，事件将指示空间关系，比如事件A具有在事件B附近的高度似然性。自动化学习系统基于该分析来构造贝叶斯网络。
所构造的贝叶斯网络能够关于与网络元件有关的事件之间的关系(例如因果关系、空间关系等等)做出预测。例如，贝叶斯网络可以基于检测在网络实体中的其他网络实体处的事件来预测与网络实体中的一些网络实体相关联的事件。作为另一例子，贝叶斯网络可以基于在一个或多个网络实体处检测到的事件来诊断问题的来源。另外，基于分析事件，贝叶斯网络可以被用来输出网络环境的基础设施的表示。随着网络环境中不断发生的变化，这可以帮助管理员维护经更新的系统互连，其可能是乏味且耗时的任务。
贝叶斯网络是域的概率结构化表示，以允许现有知识关于域来进行捕获。贝叶斯网络能够(例如在连续和实时的基础上)学习域的随机特性以随着时间的过去而更新域的模型。贝叶斯网络具有有向非循环图结构，其中有向非循环图具有节点以及在节点之间的弧，所述节点表示来自域的变量，所述弧表示变量之间的依赖性。贝叶斯网络的弧也与在变量上的条件概率分布相关联，其中条件概率分布对变量采用不同值作为图中父变量的给定值的概率进行编码。更一般来说，贝叶斯网络是用于表示域的随机变量之间的条件依赖性的图形模型。根据一些实施例，域是具有与诸如故障事件之类的事件相关联的网络实体的网络环境。
在表示具有互连网络实体的网络环境的上下文中，贝叶斯网络的节点表示对应的网络实体，并且节点之间的弧与条件概率分布相关联，所述条件概率分布表示与网络实体中的一些网络实体相关联的事件和与网络实体中的其他网络实体相关联的事件相关的似然性。
图1示出其中可以结合本发明的一些实施例的示例性布置。在图1中，网络环境102包括各种网络实体104，以及可能包括一个或多个监视代理106。监视代理106可以是网络实体104的一部分，或者与网络实体104相分离。监视代理106被用于监视网络实体104的操作。因此，在网络实体104处的任何停机或缺陷可由监视代理106检测。注意，网络实体104可以是软件实体、硬件实体、或软件和硬件实体的组合。监视代理106能够创建由监视代理检测到的事件的记录。
图1还示出呼叫中心108。呼叫中心108可关于由用户体验到的任何错误而从网络环境102的用户接收呼叫。在呼叫中心108处的呼叫代理可接着关于已发生在网络环境102中的事件来创建有关接收到的呼叫的记录。
在呼叫中心108和/或监视代理106处生成的记录可通过网络110被发送至分析计算机100。关于事件的“记录”指的是该事件的任何表示。记录可具有预定义的格式，使用预定义的语言，或者可具有任何其他预定义的结构。与特定事件相关联的记录比如通过使用配置标识符或者某一其他类型的标识符来识别网络实体。在一些实施例中，记录也可识别可能已经发生的不同类型的事件。例如，记录可识别不同类型的故障事件(比如导致网络实体崩溃(停机)的故障事件、产生数据错误的故障事件、软件故障事件、硬件故障事件、与缺陷相关联的故障事件等等)。
事件的记录作为事件112被存储在计算机100中的存储介质114中。存储介质114可利用一个或多个基于盘的存储设备和/或集成电路或半导体存储器设备来实施。计算机100包括分析软件114，该分析软件114能够分析从呼叫中心108和/或监视代理106接收的事件112。
分析软件114能够在一个或多个处理器116上执行，所述处理器通过网络接口118被连接至网络110以允许计算机100在网络110上通信。虽然被示出为单个块，但是会设想到，计算机100可以指的是或者单个计算机节点或者多个计算机节点。
分析软件114实施上面提到的自动化学习系统以用于分析与网络环境中的网络实体相关联的事件，以用于构造贝叶斯网络120，该贝叶斯网络120识别与网络环境102中的网络实体104中的不同网络实体相关联的事件之间的关系。所构造的贝叶斯网络120被存储在存储介质114中。注意，虽然贝叶斯网络120和分析软件114被示出为是两个单独的元件，但是注意，贝叶斯网络120是分析软件114的一部分，以允许基于事件的记录112捕获关于网络环境的知识。贝叶斯网络120可随着时间的过去而基于事件的记录112的连续收到来不断地更新其网络环境模型。
分析软件114能够基于事件类型的频率来构造推理，以及能够从始至终自动化整个过程。在一些实施例中，分析软件114查看故障事件在整个网络环境102中的传播(正如由事件记录112所报告的那样)。可从如由呼叫中心108和/或由监视代理106检测到的事件的频率和发生来推断关系。如上所述，事件记录包含对应的网络实体的标识符。
另外，为了帮助构造贝叶斯网络120，本体122也被创建并被存储在存储介质114中。本体是结构化、机器可读的数据模型。本体122建模正进行分析的域的概念，在这种情况下是网络环境102。本体122捕获域的概念(以及概念之间的关系)以提供域的共享的共同的理解。本体122用作关于网络环境102的知识库，以使得能够构造贝叶斯网络120。
在一些实施中，本体122提供具有Component子类的System类，该Component子类包含简单的诊断参数，所述诊断参数可以具有下列三个值之一：available(可用的)、degraded(退化的)和unavailable(不可用的)。每个网络实体可与前述的本体模型相关联。取决于网络实体的操作的状态，网络实体将已与被赋予前述三个值之一的诊断参数相关联。值available指示，网络实体正在正常操作。值degraded指示，网络实体具有退化的性能。值unavailable指示，网络实体停机(down)或以其他方式不可用。虽然上面提供特定的示例性本体，但是注意，可替换实施可采用其他示例性本体。
输入的记录可以包括非结构化文本，这可能使与给定的本体的一致相对困难。然而，如果记录被定义成具有与本体一致的特定标签，则自动化过程可被提供以根据本体从记录中提取信息。
在学习贝叶斯网络的过程中，在一段时间内执行对通过事件类型进行分类的输入事件的频率的分析。基于所分析的事件记录，贝叶斯网络120能够确定不同事件相关的似然性以及还确定关系的类型(例如它是原因还是结果关系)。如上所述，存在与输入事件相关联的顺序，其中该顺序可以是时间顺序或空间顺序。事件的时间排序允许使用贝叶斯网络120导出因果关系。然而，事件的空间排序允许贝叶斯网络来学习事件之间的空间关系。在一些实施例中，事件的时间和空间排序这二者在学习贝叶斯网络120中被考虑。
一旦训练(学习)了贝叶斯网络120，贝叶斯网络就可被用来做出预测。例如，贝叶斯网络可以预测，在网络实体A处的事件是否将影响网络实体B，或者在网络实体D处的故障很可能是由在网络实体C处的故障引起的。
图2是根据一个实施例的建立和使用贝叶斯网络的流程图。图2的过程可由图2的分析软件114和贝叶斯网络120执行。
接收事件的记录的流(在202处)。在一些实施例中事件是故障事件以用于指示网络环境102中的故障(图1)。如上所述，可从监视代理106和/或呼叫中心108接收记录。
分析在故障事件的记录中包含的信息(在204处)。所述分析涉及查看故障沿网络环境102中的网络实体的传播。此外，还分析通过事件类型(例如不同类型的故障)进行分类的故障事件的频率。由于存在事件和网络实体之间的对应(如由记录中的配置标识符所标识的那样)，因此事件之间的关系暗示了事件涉及的网络实体之间的潜在关系。分析通过事件类型进行分类的事件的频率允许贝叶斯网络120学习与网络实体相关联的故障事件之间的条件概率分布。例如，如果在网络实体A处特定类型的故障事件的发生频繁地与在网络实体C和F处的故障事件相关，则贝叶斯将在连接对应于网络实体A、C和F的节点的弧中反映这种关系。
基于任务的分析204，更新贝叶斯网络120(在206处)。经更新的贝叶斯网络120接着被用来做出预测(在208处)。例如，预测可以是如下：如果故障事件在网络实体A处发生，则这将如何影响网络实体B；如果故障事件在网络实体D处发生过，则该故障事件由在网络实体C处的故障引起有多大可能性。
注意，贝叶斯网络120的输出也可被用来发现网络环境102的网络基础设施。故障事件沿特定路径的传播将揭示沿该路径的网络实体之间的关系。由于事件的记录包含网络实体的标识符，因此该信息可被利用以增进网络基础设施的表示。
随着条件改变或者随着网络环境102的基础设施改变(例如，网络实体被添加，网络实体被移除，或者网络实体被升级)，图2的过程可被递归地重复以不断地更新贝叶斯网络120。以这种方式，确保所使用的网络环境102的模型是不会很快就变过时的经更新的表示。
图3是根据另一实施例的过程的流程图。提供待建模的域的本体(在302处)，其中域在这种情况下是网络环境102。在一些实施中，本体122提供具有Component子类的System类，该Component子类包含简单的诊断参数，所述诊断参数可以具有下列三个值之一：available、degraded和unavailable，如上所述。
所接收的事件的记录被映射(在304处)至本体。这将允许提取与学习贝叶斯网络有关的有意义的信息。在所接收的记录包含非结构化数据的情况下，预处理可被应用以执行映射。可替换地，标签字段可在包含与本体有关的信息的记录中被提供。
接下来，经映射的记录被提供(在306处)给分析软件114和贝叶斯网络120以继续学习贝叶斯网络120。
通过采用根据一些实施例的技术，实现一种预测与网络环境的对应的网络实体相关联的故障事件(或其他类型的事件)之间的因果关系(或空间关系)的相对方便和自动化的方式。管理员可以被快速地通知故障，使得可以开发出解决方案，或者可以开发出暂时的替代方法计划(workaround plan)。
加载上述软件的指令(包括图1的分析软件114和贝叶斯网络120)以在处理器(比如图1中的(一个或多个)处理器116)上执行。处理器包括微处理器、微控制器、处理器模块或子系统(包括一个或多个微处理器或微控制器)、或者其他控制或计算设备。
数据和(软件的)指令被存储在相应存储设备中，所述存储设备被实施为一个或多个计算机可读或计算机可用存储介质。存储介质包括不同形式的存储器，所述存储器包括：半导体存储器设备，比如动态或静态随机存取存储器(DRAM或SRAM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)以及闪速存储器；磁盘，比如固定盘、软盘和可拆卸盘；包含磁带的其他磁介质；以及光介质，比如光盘(CD)或数字视频盘(DVD)。注意，上面讨论的软件的指令可在一个计算机可读或计算机可用存储介质上被提供，或者可替换地，可在分布在可能具有多个节点的大型系统中的多个计算机可读或计算机可用存储介质上被提供。这样的(一个或多个)计算机可读或计算机可用存储介质被认为是物品(或制品)的一部分。物品或制品可指代任何制造的单个部件或多个部件。
在前述的描述中，阐述众多细节以提供对本发明的理解。然而，本领域技术人员将会理解，可以在没有这些细节的情况下实践本发明。虽然已相对于有限数量的实施例公开了本发明，但是本领域技术人员将会认识到对其的众多修改和变化。所附权利要求书意图覆盖如落在本发明的真实精神和范围之内的这样的修改和变化。

Claims (18)

1.一种用于基于所接收的与网络实体相关联的事件来构造贝叶斯网络的方法，包括： 
接收与网络环境中的网络实体相关联的事件的记录，其中所述网络实体是从硬件实体、软件实体、以及硬件和软件实体的组合中选择的；
通过一个或多个处理器分析所述事件的所述记录以识别与所述网络实体中的不同网络实体相关联的事件之间的关系，其中所述事件的所述记录识别受所述事件影响的对应的网络实体；以及
通过所述一个或多个处理器基于所述分析来构造贝叶斯网络，其中所构造的贝叶斯网络能够关于与网络实体相关联的事件之间的关系做出预测；
其中贝叶斯网络的节点表示对应的网络实体，并且节点之间的弧与条件概率分布相关联，所述条件概率分布表示与网络实体中的一些网络实体相关联的事件和与网络实体中的其他网络实体相关联的事件相关的似然性。
2.权利要求1所述的方法，还包括：使用所述贝叶斯网络以基于检测在所述网络实体中的其他网络实体处的事件来预测与所述网络实体中的一些网络实体相关联的事件。
3.权利要求1所述的方法，还包括：使用所述贝叶斯网络以基于在一个或多个网络实体处检测到的事件来诊断问题的来源。
4.权利要求1所述的方法，还包括：使用所述贝叶斯网络以发现所述网络环境的基础设施。
5.权利要求1所述的方法，还包括：
在所述网络环境的操作期间，不断地接收与所述网络实体相关联的所述事件的另外的记录；以及 
基于所述事件的所述另外的记录，更新所述贝叶斯网络。
6.权利要求1所述的方法，其中，接收事件的记录包括：接收表示与所述网络实体相关联的故障的事件的记录。
7.权利要求6所述的方法，其中，所述故障包括下列中的一个或多个：网络实体的停机，网络实体中的缺陷，或者由网络实体产生的数据错误。
8.权利要求1所述的方法，其中，分析所述事件的所述记录包括：确定故障在所述网络环境中的传播路径。
9.权利要求1所述的方法，其中，分析所述事件的所述记录包括：
以预定义的时间间隔分析所述事件的频率；以及
通过事件类型对所述事件进行分类。
10.权利要求1所述的方法，还包括：定义本体，所述本体定义用于学习所述贝叶斯网络的概念。
11.权利要求10所述的方法，其中，所述本体定义与所述网络实体中的每个相关联的、具有一组预定义的可能值的诊断参数。
12.权利要求11所述的方法，其中，该组预定义的可能值包括：第一值，其指示对应的网络实体正在正常操作；第二值，其指示对应的网络实体具有退化的性能；以及第三值，其指示对应的网络实体不可用。
13.权利要求1所述的方法，其中，接收事件的记录包括：接收具有时间和空间排序之一或二者的事件的记录，以及其中构造贝叶斯网络考虑所述时间和空间排序之一或二者。
14.一种用于基于所接收的与网络实体相关联的事件来构造贝叶斯网络的设备，包括：
用于接收与网络环境中的网络实体相关联的事件的记录的装置，其中所述网络实体是从硬件实体、软件实体、以及硬件和软件实体的组合中选择的；以及
用于分析所述事件的所述记录以识别与所述网络实体中的不同网络实体相关联的事件之间的关系的装置，其中所述事件的所述记录识别受所述事件影响的对应的网络实体；以及
用于基于所述分析来构造贝叶斯网络的装置，其中所构造的贝叶斯网络能够关于与网络实体相关联的事件之间的关系做出预测；
其中贝叶斯网络的节点表示对应的网络实体，并且节点之间的弧与条件概率分布相关联，所述条件概率分布表示与网络实体中的一些网络实体相关联的事件和与网络实体中的其他网络实体相关联的事件相关的似然性。
15.权利要求14所述的设备，其中，所述事件是故障事件，其指示在所述对应的网络实体处故障的发生。
16.权利要求15所述的设备，其中，用于分析所述事件的记录的装置包括用于确定故障在所述网络环境中的传播路径的装置。
17.权利要求14所述的设备，其中，基于所述事件的时间排序，所发现的关系包括事件之间的因果关系。
18.权利要求14所述的设备，其中，基于所述事件的空间排序，所发现的关系包括事件之间的空间关系。
CN200980160660.3A 2009-07-30 2009-07-30 基于所接收的与网络实体相关联的事件来构造贝叶斯网络 Expired - Fee Related CN102640154B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2009/052222 WO2011014169A1 (en) 2009-07-30 2009-07-30 Constructing a bayesian network based on received events associated with network entities

Publications (2)

Publication Number Publication Date
CN102640154A CN102640154A (zh) 2012-08-15
CN102640154B true CN102640154B (zh) 2015-03-25

Family

ID=43529591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200980160660.3A Expired - Fee Related CN102640154B (zh) 2009-07-30 2009-07-30 基于所接收的与网络实体相关联的事件来构造贝叶斯网络

Country Status (4)

Country Link
US (1) US8938406B2 (zh)
EP (1) EP2460105B1 (zh)
CN (1) CN102640154B (zh)
WO (1) WO2011014169A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2544401A1 (en) * 2011-07-08 2013-01-09 Alcatel Lucent Managing faults in a communication network based on statistical analysis
WO2014040633A1 (en) * 2012-09-14 2014-03-20 Huawei Technologies Co., Ltd. Identifying fault category patterns in a communication network
US10373065B2 (en) * 2013-03-08 2019-08-06 Oracle International Corporation Generating database cluster health alerts using machine learning
US9424288B2 (en) 2013-03-08 2016-08-23 Oracle International Corporation Analyzing database cluster behavior by transforming discrete time series measurements
EP2846295A1 (en) * 2013-09-05 2015-03-11 Siemens Aktiengesellschaft Query answering over probabilistic supply chain information
DE102013224378A1 (de) * 2013-09-18 2015-03-19 Rohde & Schwarz Gmbh & Co. Kg Automatisierte Auswertung von Testprotokollen im Telekommunikationsbereich
US10163420B2 (en) * 2014-10-10 2018-12-25 DimensionalMechanics, Inc. System, apparatus and methods for adaptive data transport and optimization of application execution
US9699205B2 (en) * 2015-08-31 2017-07-04 Splunk Inc. Network security system
US10728085B1 (en) * 2015-09-15 2020-07-28 Amazon Technologies, Inc. Model-based network management
US10630706B2 (en) * 2015-10-21 2020-04-21 Vmware, Inc. Modeling behavior in a network
US10831811B2 (en) 2015-12-01 2020-11-10 Oracle International Corporation Resolution of ambiguous and implicit references using contextual information
US20180276779A1 (en) * 2015-12-18 2018-09-27 Hitachi, Ltd. Model Determination Devices and Model Determination Methods
CA2960505C (en) 2016-03-10 2018-12-11 Tata Consultancy Services Limited System and method for visual bayesian data fusion
CN108320040B (zh) * 2017-01-17 2021-01-26 国网重庆市电力公司 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
US10237294B1 (en) 2017-01-30 2019-03-19 Splunk Inc. Fingerprinting entities based on activity in an information technology environment
US10616043B2 (en) * 2017-11-27 2020-04-07 Google Llc Real-time probabilistic root cause correlation of network failures
US11176474B2 (en) * 2018-02-28 2021-11-16 International Business Machines Corporation System and method for semantics based probabilistic fault diagnosis
CN113271216B (zh) * 2020-02-14 2022-05-17 华为技术有限公司 一种数据处理方法及相关设备
CN113537757B (zh) * 2021-07-13 2024-02-09 北京交通大学 一种轨道交通系统运营不确定风险的分析方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1529455A (zh) * 2003-09-29 2004-09-15 港湾网络有限公司 网络故障实时相关性分析方法及系统

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6076083A (en) * 1995-08-20 2000-06-13 Baker; Michelle Diagnostic system utilizing a Bayesian network model having link weights updated experimentally
US6807537B1 (en) * 1997-12-04 2004-10-19 Microsoft Corporation Mixtures of Bayesian networks
US6442694B1 (en) * 1998-02-27 2002-08-27 Massachusetts Institute Of Technology Fault isolation for communication networks for isolating the source of faults comprising attacks, failures, and other network propagating errors
US6535865B1 (en) 1999-07-14 2003-03-18 Hewlett Packard Company Automated diagnosis of printer systems using Bayesian networks
US7113988B2 (en) * 2000-06-29 2006-09-26 International Business Machines Corporation Proactive on-line diagnostics in a manageable network
US6738933B2 (en) * 2001-05-09 2004-05-18 Mercury Interactive Corporation Root cause analysis of server system performance degradations
US6957202B2 (en) 2001-05-26 2005-10-18 Hewlett-Packard Development Company L.P. Model selection for decision support systems
US7426502B2 (en) 2001-06-14 2008-09-16 Hewlett-Packard Development Company, L.P. Assessing health of a subsystem or service within a networked system
US7689521B2 (en) * 2001-06-28 2010-03-30 Microsoft Corporation Continuous time bayesian network models for predicting users' presence, activities, and component usage
US6990486B2 (en) * 2001-08-15 2006-01-24 International Business Machines Corporation Systems and methods for discovering fully dependent patterns
US20040143561A1 (en) 2002-11-14 2004-07-22 Jensen Finn Verner Method for problem solving in technical systems with redundant components and computer system for performing the method
US7062683B2 (en) * 2003-04-22 2006-06-13 Bmc Software, Inc. Two-phase root cause analysis
US7328201B2 (en) 2003-07-18 2008-02-05 Cleverset, Inc. System and method of using synthetic variables to generate relational Bayesian network models of internet user behaviors
US7747717B2 (en) * 2003-08-14 2010-06-29 Oracle International Corporation Fast application notification in a clustered computing system
ATE366011T1 (de) 2003-10-21 2007-07-15 Hewlett Packard Development Co Verfahren zur überwachung von computer systemen
US7451210B2 (en) * 2003-11-24 2008-11-11 International Business Machines Corporation Hybrid method for event prediction and system control
US20050216585A1 (en) * 2004-03-26 2005-09-29 Tsvetelina Todorova Monitor viewer for an enterprise network monitoring system
US7536370B2 (en) * 2004-06-24 2009-05-19 Sun Microsystems, Inc. Inferential diagnosing engines for grid-based computing systems
FR2873879B1 (fr) 2004-07-30 2006-10-27 Cit Alcatel Systeme de gestion de reseau de communication pour reparation automatique de pannes
EP2041919B1 (en) * 2006-06-30 2017-06-28 Telecom Italia S.p.A. Fault location in telecommunications networks using bayesian networks
US8660018B2 (en) 2006-07-31 2014-02-25 Hewlett-Packard Development Company, L.P. Machine learning approach for estimating a network path property
WO2008107020A1 (en) * 2007-03-08 2008-09-12 Telefonaktiebolaget L M Ericsson (Publ) An arrangement and a method relating to performance monitoring
US20100070589A1 (en) * 2008-09-17 2010-03-18 At&T Intellectual Property I, L.P. Intelligently anticipating and/or prioritizing events associated with a wireless client
US8209272B2 (en) * 2009-02-27 2012-06-26 Red Hat, Inc. Dynamic computation of optimal placement for services in a distributed computing system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1529455A (zh) * 2003-09-29 2004-09-15 港湾网络有限公司 网络故障实时相关性分析方法及系统

Also Published As

Publication number Publication date
US20120117009A1 (en) 2012-05-10
CN102640154A (zh) 2012-08-15
US8938406B2 (en) 2015-01-20
WO2011014169A1 (en) 2011-02-03
EP2460105A4 (en) 2013-01-23
EP2460105B1 (en) 2014-10-01
EP2460105A1 (en) 2012-06-06

Similar Documents

Publication Publication Date Title
CN102640154B (zh) 基于所接收的与网络实体相关联的事件来构造贝叶斯网络
US20190268214A1 (en) Predicting issues before occurrence, detection, or reporting of the issues
Pachidi et al. Understanding users’ behavior with software operation data mining
CN110851342A (zh) 故障预测方法、装置、计算设备以及计算机可读存储介质
US10397046B1 (en) Contextual state-based user interface notification triggering
EP4091110B1 (en) Systems and methods for distributed incident classification and routing
WO2012138319A1 (en) Creating a correlation rule defining a relationship between event types
CN111405030B (zh) 一种消息推送方法、装置、电子设备和存储介质
CN102609789A (zh) 图书馆信息监控与异常预测系统
Liu et al. A proactive workflow model for healthcare operation and management
WO2021254592A1 (en) Methods and devices for avoiding misinformation in machine learning
Gruber et al. Condition-based maintenance via simulation and a targeted Bayesian network metamodel
Liu et al. Proactive workflow modeling by stochastic processes with application to healthcare operation and management
CN109359829A (zh) 基于历史大数据的电力突发事件辅助决策方法及系统
Gaikwad et al. A framework design for algorithmic it operations (aiops)
US20180285758A1 (en) Methods for creating and analyzing dynamic trail networks
Zhu et al. An intelligent collaboration framework of IoT applications based on event logic graph
CN113329128B (zh) 话务数据预测方法及装置、电子设备、存储介质
WO2022167904A1 (en) A machine learning approach to multi-domain process automation and user feedback integration
Ghanta et al. {MPP}: Model performance predictor
US20240152821A1 (en) Methods and systems for operational surveillance of a physical asset using smart event detection
WO2021061416A1 (en) Techniques for alerting metric baseline behavior change
Chen et al. BALANCE: Bayesian Linear Attribution for Root Cause Localization
Jehangiri et al. Distributed predictive performance anomaly detection for virtualised platforms
WO2022222623A1 (en) Composite event estimation through temporal logic

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20170207

Address after: American Texas

Patentee after: HEWLETT PACKARD ENTERPRISE DEVELOPMENT LP

Address before: American Texas

Patentee before: HP Development Co., Ltd.

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150325

Termination date: 20160730