CN103914482A - 基于cmdb的集中监控事件影响性确定方法 - Google Patents
基于cmdb的集中监控事件影响性确定方法 Download PDFInfo
- Publication number
- CN103914482A CN103914482A CN201310005103.2A CN201310005103A CN103914482A CN 103914482 A CN103914482 A CN 103914482A CN 201310005103 A CN201310005103 A CN 201310005103A CN 103914482 A CN103914482 A CN 103914482A
- Authority
- CN
- China
- Prior art keywords
- layer
- cmdb
- item
- centerdot
- centralized monitoring
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于CMDB的集中监控事件影响性确定方法,步骤:一.建立层次结构模型;二.构造层对比阵;三.确定权向量并做一致性检验;四.确定组合权向量并做组合一致性检验。本发明在基于CMDB(配置管理数据库)的基础之上运用层次分析方法,可以根据CI项之间的多种关系定义权重,准确得到监控事件之间的相互影响度,用于确定监控领域的海量监控事件的影响性,实现有效快速发现和定位。
Description
技术领域
本发明涉及数据监控技术领域,具体地,涉及一种基于CMDB的集中监控事件影响性确定方法,能够广泛应用于大型数据中心的监控领域,确定监控事件的影响性。
背景技术
随着企业信息化的不断深入,IT系统在生产中扮演越来越重要的角色,如何保证生产系统的安全运营,更好的提升对外服务的质量是一个摆在各大型企业,尤其是金融、电信等重要服务行业的企业面前的问题。对于已经建立了基于ITIL构建了一体化运维体系的大数据中心,实现了从流程、监控、配置管理、服务等多方面优化和管理其信息安全。集中监控对网络和系统、安全、应用、交易等多个领域的运行状态,并进行自动监控、安全报警、集中告警,事件管理、故障管理等功能,集中监控平台将产生海量的监控事件。
一个典型的案例:核心交换机的一个模块故障会引起网络、主机、应用、数据库、中间件等众多的领域告警,且系统的同一故障告警,可能会因为时间记录的差异或者是记录序数差异,却产生了成千上万条的告警事件,局时在集中监控平台上可能将产生无数的告警信息,一线值班人员面对大量告警事件发生时,值班人员怎样有效快速发现问题和定位问题。
集中监控平台不仅需要对海量监控事件压缩,还需要对具有包含依赖及相互影响的告警事件进行关联性分析,以便精确定位事件的问题和根源。对监控事件关联性分析的方法可以有多种,常见的如关联分析、知识库等多种分析方法。对挖掘分析算法受置信度的影响,很难做到百分百的准确定位。知识库是对已知事件的知识积累,对未知事件无法做判断。
层次分析法,是指将一个复杂的多目标问题作为一个系统,将目标分解为多个目标,进而分解为多指标的若干层次,通过定性指标模糊量化方法算出层次单排序(权数)和总排序,以作为目标(多指标)优化决策的系统方法。
层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构,然后得用求解判断矩阵特征向量的办法,求得每一层次的各元素对上一层次某元素的优先权重,最后再加权和的方法递阶归并各备择方案对总目标的最终权重,此最终权重最大者即为最优方案。这里所谓“优先权重”是一种相对的量度,它表明各备择方案在某一特点的评价准则或子目标,标下优越程度的相对量度,以及各子目标对上一层目标而言重要程度的相对量度。层次分析法比较适合于具有分层交错评价指标的目标系统,而且目标值又难于定量描述的决策问题。其用法是构造判断矩阵,求出其最大特征值。及其所对应的特征向量W,归一化后,即为某一层次指标对于上一层次某相关指标的相对重要性权值。
层次分析法的基本步骤如图1所示。
基于CMDB(配置管理数据库)的CI配置项是以树形结构的关系存在,各CI项可以根据不同关系自上而下的分解成若干层次,同一层的诸因素从属于上一层的因素或对上层因素有影响,同时又支配下一层的因素或受到下层因素的作用。最上层为目标层A,最下层结果层P,中间可以有一个或几个层次,指标层C。影响指标层过多时应进一步分解出子准则层。
经检索,公开号为102695185A的中国发明专利申请,该发明公开了“一种监控系统业务影响分析方法,包括以下步骤:S1:根据产生的事件获取事件所在资源,并获取所有依赖该资源的上层资源;S2:遍历被依赖资源,根据资源关系和事件,对被依赖资源生成事件,对于任何产生的事件都触发上述步骤S1;S3:以业务资源所产生的事件为事件所产生的业务影响,并输出事件传递链。”
上述发明专利存在几个问题:第一个问题是依赖的资源配置,需要事先配置人工配置,资源的粒度没有标准度量,比如粒度是一台主机还是主机上的一块网卡。没有度量标准具有随意性,影响分析的准确性;第二个问题是资源配置的完整度,通过人工配置是否能保证资源在分析方法中都完整配置及及时更新,没有遗漏是个问题。第三个问题是影响性没有准确的度量标准,不同事件关系对事件影响度如何准确度量。
在本发明中,通过CMDB配置项解决了资源粒度及资源准确度的问题,通过层级结构方法解决了影响度的准确性问题。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于CMDB的集中监控事件影响性确定方法,在基于CMDB(配置管理数据库)的基础之上运用层次分析方法,可以根据CI项之间的多种关系定义权重,准确得到监控事件之间的相互影响度,用于确定监控领域的海量监控事件的影响性,实现有效快速发现和定位。
为实现上述目的,本发明采用以下技术方案:
一种基于CMDB的集中监控事件影响性确定方法,包括如下步骤:
步骤一.建立层次结构模型;
集中监控平台的事件主要来自网络、系统、应用、环境领域,根据CMDB的CI配置项对这几个领域的CI项,按CI项的关系构建中间指标层,依据树形逐层细化的方式,建立中间指标层,利用层级关系构造出层次结构模型。
优选地,所述层级结构模型按DSCI的层次构造(D:DOMAIN领域,S:SYSTEM系统,C:COMPONENT组建,I:ITEM配置项),DOMAIN领域包括:网络、系统、应用、环境等;SYSTEM系统包括:各领域下的系统,如网络领域的路由1、交互机1、交互机2,操作系统、中间件、CPU等;COMPONENT组建包括:有业务意义的一组系统,如:交互机1,所有接入它的网络即可定义为一组;ITEM配置项包括:细分的最细粒度CI项,如交互机1上的端口。层次结构模型按照系统构成和业务含义逐层定义。具体到本模型即第一层为领域,第二层为系统,第三层为组建,第四层为CI配置项。
步骤二.构造层对比阵;
从层次结构模型的第二层开始,对于从属于或影响上一层每个因素的同一层诸因素,用成对比较法和1-9比较尺度构造成对比较阵,直到最下层。例:对网络领域包括路由1、路由2、交互机1、交互机2、交互机3、交互机4等同一层次的系统构造成对比较阵。
步骤三.确定权向量并做一致性检验;
在本步骤对各领域的成对比较阵计算最大特征根及对应特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过,特征向量(归一化后)即为权向量:若不通过,需重新构造成对比较阵。如:针对网络领域,计算其最大特征根及对应特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。
步骤四.确定组合权向量并做组合一致性检验。
确定最下层对目标的组合权向量,并做组合一致性检验,若检验通过,则可按照组合权向量表示的结果进行决策,否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。如:针对交换机1下层的组合权向量做组合一致性检验。
与现有技术相比,本发明具有如下的有益效果:
本发明基于可信的CMDB依赖关系和层次分析的结合,其结果是一个准确可靠的数据,他区别于别的挖掘分析算法或知识库。运用挖掘算法得出的置信度的概率结果,不是一个准确值,而知识库是需要历史数据的积累,如果没有历史数据积累就没有判断依据,但很多事件的发生并不一定是已经发生过的。通过本方法能准确定位事件的影响性。本发明可以根据CI项之间的多种关系定义权重,准确得到监控事件之间的相互影响度,用于确定监控领域的海量监控事件的影响性,实现有效快速发现和定位。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为层次分析法的基本步骤图;
图2为影响性确定图;
图3为层次结构模型图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
基于CMDB的CI配置项的树形结构和多种关系,可以在集中监控平台确定故障影响性。通过事件的压缩和归集,事件都对应于CI配置项。通过对CI配置项的多种关系的分析,运用层次分析法可以方便的计算和展现出故障影响性。
配置项显示三种状态,分别标示不同的告警颜色或者其他方式告警:比如存在告警的状态(红色);不存在告警的状态(黑色);监控平台没有监控到告警,但怀疑存在告警的状态(深黄色);分析人员可以根据配置项的相互关系,得到故障的真正根源。
一.建立层次结构模型
如图3所示,集中监控平台的事件主要来自网络、系统、应用、环境等几个领域,根据CMDB的CI配置项对这几个领域的CI项,按CI项的关系构建中间指标层。依据树形逐层细化的方式,建立中间指标层,利用层级关系构造出其结构模型。层级结构模型按DSCI的层次构造(D:DOMAIN领域,S:SYSTEM系统,C:COMPONENT组建,I:ITEM配置项),DOMAIN领域包括:网络、系统、应用、环境等;SYSTEM系统包括:各领域下的系统,如网络领域的路由1、交互机1、交互机2,操作系统、中间件、CPU等;COMPONENT组建包括:有业务意义的一组系统,如:交互机1,所有接入它的网络即可定义为一组;ITEM配置项包括:细分的最细粒度CI项,如交互机1上的端口。层次结构模型安装系统构成和业务含义逐层定义。具体到本模型即第一层为领域,第二次为系统,第三次为组建,第四层为CI配置项。
如图2所示,设某层有n个因素,要比较它们对上一层某一准则(或目标)的影响程度,确定在该层中相对于某一准则所占的比重,即把n个因素对上层某一目标的影响程度排序。上述比较是两两因素之间进行的比较,比较时取1~9尺度。
用aij表示第i个因素相对于第j个因素的比较结果,则
A则称为成对比较矩阵:
由上述定义知,成对比较矩阵A=(aij)n×n满足以下性质则称为正互反阵。
●aii=1
●
●aij>0
对第二层A的各因素对目标层Z的影响两两比较结果如下:
Z | A1 | A2 | A3 | A4 | A5 |
A1 | 1 | 1/2 | 4 | 3 | 3 |
A2 | 2 | 1 | 7 | 5 | 5 |
A3 | 1/4 | 1/7 | 1 | 1/2 | 1/3 |
A4 | 1/3 | 1/5 | 2 | 1 | 1 |
A5 | 1/3 | 1/5 | 3 | 1 | 1 |
A1,A2,A3,A4,A5分别表示硬件、操作系统、中间件、数据库、软件包。由上表,可得成对比较矩阵。
二.构造层对比阵
从层次结构模型的第2层开始,对于从属于(或影响)上一层每个因素的同一层诸因素,用成对比较法和1—9比较尺度构造成对比较阵,直到最下层。
三.确定权向量并做一致性检验
对于每一个成对比较阵计算最大特征根及对应特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过,特征向量(归一化后)即为权向量:若不通过,需重新构造成对比较阵。
用权值表示影响程度,先从一个简单的例子看如何确定权值。
例如一台交换机记为1,将其端口数记为n,各端口分别记为:
w1,w2,…,wn,则可得成对比较矩阵。由矩阵可以看出,
即,aik·akj=aij,i,j=1,2,…,n。但在前例成对比较矩阵中,
一致阵的性质:
1.
2.AT也是一致阵
3.A的各行成比例,则rank(A)=1
4.A的最大特征根(值)为λ=n,其余n-1个特征根均等于0。
5.A的任一列(行)都是对应于特征根的特征向量。
若成对比较矩阵是一致阵,则取对应于最大特征根n的归一化特征向量wi表示下层第i个因素对上层某因素影响程度的权值。若成对比较矩阵不是一致阵,用其最大特征根对应的归一化特征向量作为权向量w,则Aw=λw w={w1,w2,…,wn},这样确定权向量的方法称为特征根法。
定理:n阶互反阵A的最大特征根λ≥n,当且仅当λ=n时,A为一致阵。
定义一致性指标其中n为A的对角线元素之和,也为A的特征根之和。
定义随机一致性指标RI。随机构造500个成对比较矩阵,A1,A2,…,A500。则可得一致性指标CI1,CI2,…,CI500
随机一致性指标RI的数值:
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | 1.51 |
一般,当一致性比率时,认为A的不一致程度在容许范围之内,可用其归一化特征向量作为权向量,否则要重新构造成对比较矩阵,对A加以调整。
一致性检验:利用一致性指标和一致性比率<0.1及随机一致性指标的数值表,对A进行检验的过程。
四.确定组合权向量并做组合一致性检验
确定最下层对目标的组合权向量,并根据公式做组合一致性检验,若检验通过,则可按照组合权向量表示的结果进行决策,否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。
●步骤1:分析系统中各因素间的关系,对同一层次各元素关于上一层次中某一准则的重要性进行两两比较,构造两两比较的判断矩阵;
●步骤2:由判断矩阵计算被比较元素对于该准则的相对权重,并进行判断矩阵的一致性检验;
●步骤3:计算各层次对于系统的总排序权重,并进行排序。
●最后,得到各方案对于总目标的总排序。
具体方法如下:确定某层所有因素对于总目标相对重要性的排序权值过程,称为层次总排序。从最高层到最低层逐层进行设:A层m个因素A1,A2,…,Am,对总目标Z的排序为a1,a2,…,am。B层次单排序为b1j,b2j,…,bnj(j=1,2,…,m)
B1:a1b11+a2b12+…amb1m
B2:a1b21+a2b22+…amb2m
…
B层的层次总排序为:Bn:a1bn1+a2bn2+…ambnm即B层第i个因素对总目标的权值为
层次总排序的一致性检验
设B层B1,B2,…,Bn对上层(A层)中因素Aj(j=1,2,…,m)的层次单排序一致性指标为CIj,随机一致性指为RIj,则层次总排序的一致性比率为:
当CR<0.1时,认为层次总排序通过一致性检验。到此,根据最下层(决策层)的层次总排序做出最后决策。
基于上述技术描述,本实施例的应用场景是大型数据中心,已经建立了基于ITIL构建了一体化运维体系的大数据中心,实现了从流程、监控、配置管理等管理功能,具体的实施情况如下:
表1准则层判断矩阵
解得最大特征值为λ=5
接着进行一致性检验:CI=0;
所以CR=CI/RI=0<0.1,即一致性检验成立;
最后,计算出最大特征值对应的特征向量为(9,4,1,1,3);
归一化后的结果是(0.50,0.22,0.06,0.06,0.17)即为准则层权重。
同理,计算各指标层矩阵如下述表2:
表2指标层网络因素判断矩阵
网络 | A路由器 | B交换机 | C交换机 | 权重 |
A路由器 | 1 | 0.5 | 0.25 | 0.1428 |
B交换机 | 2 | 1 | 0.5 | 0.2857 |
C交换机 | 4 | 2 | 1 | 0.5715 |
表3指标层主机因素判断矩阵
主机 | CPU | 操作系统 | 中间件 | 权重 |
CPU | 1 | 3.00 | 5 | 0.64 |
操作系统 | 0.33 | 1.00 | 3.00 | 0.26 |
中间件 | 0.20 | 0.33 | 1.00 | 0.10 |
表4指标层应用因素判断矩阵
应用 | 应用1 | 应用2 | 应用3 | 应用4 | 应用5 | 权重 |
应用1 | 1.00 | 5.00 | 1.00 | 7.00 | 7.00 | 0.39 |
应用2 | 0.20 | 1.00 | 0.20 | 5.00 | 5.00 | 0.14 |
应用3 | 1.00 | 5.00 | 1.00 | 7.00 | 7.00 | 0.39 |
应用4 | 0.14 | 0.20 | 0.14 | 1.00 | 1.00 | 0.04 |
应用5 | 0.14 | 0.20 | 0.14 | 1.00 | 1.00 | 0.04 |
表5指标层环境因素判断矩阵
环境 | 温度 | 湿度 | 电压 | 权重 |
温度 | 1 | 3.00 | 5 | 0.64 |
湿度 | 0.33 | 1.00 | 3.00 | 0.26 |
电压 | 0.20 | 0.33 | 1.00 | 0.10 |
表6影响CMDB事件告警各因素权重表
本实例通过准则层得到指标层的各影响因素的权重数据,最后得出各CI项对系统的影响性,判读监控到的告警事件对整个系统中的影响度。如:上实例中影响CMDB事件告警因素中网络领域中C交换机的权重最大,如果它产生监控告警事件,影响性就比较高。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (3)
1.一种基于CMDB的集中监控事件影响性确定方法,其特征在于包括如下步骤:
步骤一.建立层次结构模型;
集中监控平台的事件主要来自网络、系统、应用、环境领域,根据CMDB的CI配置项对这几个领域的CI项,按CI项的关系构建中间指标层,依据树形逐层细化的方式,建立中间指标层,利用层级关系构造出层次结构模型;
步骤二.构造层对比阵;
从层次结构模型的第二层开始,对于从属于或影响上一层每个因素的同一层诸因素,用成对比较法和1—9比较尺度构造成对比较阵,直到最下层;
步骤三.确定权向量并做一致性检验;
在本步骤对各领域的成对比较阵计算最大特征根及对应特征向量,利用一致性指标、随机一致性指标和一致性比率做一致性检验,若检验通过,特征向量归一化后即为权向量;若不通过,需重新构造成对比较阵;
步骤四.确定组合权向量并做组合一致性检验;
确定最下层对目标的组合权向量,并做组合一致性检验,若检验通过,则按照组合权向量表示的结果进行决策,否则重新考虑模型或重新构造那些一致性比率较大的成对比较阵,最后得出各CI项对系统的影响性,判读监控到的告警事件对整个系统中的影响度。
2.根据权利要求1所述的基于CMDB的集中监控事件影响性确定方法,其特征在于,所述层级结构模型按DSCI的层次构造,即D:DOMAIN领域,S:SYSTEM系统,C:COMPONENT组建,I:ITEM配置项;其中:
DOMAIN领域包括:网络、系统、应用、环境;
SYSTEM系统包括:各领域下的系统;
COMPONENT组建包括:有业务意义的一组系统;
ITEM配置项包括:细分的最细粒度CI项;
层次结构模型按照系统构成和业务含义逐层定义,具体到本模型即第一层为领域,第二层为系统,第三层为组建,第四层为CI配置项。
3.根据权利要求1或2所述的基于CMDB的集中监控事件影响性确定方法,其特征在于,所述步骤四,具体步骤包括:
步骤1:分析系统中各因素间的关系,对同一层次各元素关于上一层次中某一准则的重要性进行两两比较,构造两两比较的判断矩阵;
步骤2:由判断矩阵计算被比较元素对于该准则的相对权重,并进行判断矩阵的一致性检验;
步骤3:计算各层次对于系统的总排序权重,并进行排序;
最后,得到各方案对于总目标的总排序即各CI项对系统的影响性,判读监控到的告警事件对整个系统中的影响度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310005103.2A CN103914482B (zh) | 2013-01-07 | 2013-01-07 | 基于cmdb的集中监控事件影响性确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310005103.2A CN103914482B (zh) | 2013-01-07 | 2013-01-07 | 基于cmdb的集中监控事件影响性确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914482A true CN103914482A (zh) | 2014-07-09 |
CN103914482B CN103914482B (zh) | 2017-09-19 |
Family
ID=51040174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310005103.2A Active CN103914482B (zh) | 2013-01-07 | 2013-01-07 | 基于cmdb的集中监控事件影响性确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914482B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815682A (zh) * | 2017-01-16 | 2017-06-09 | 河南理工大学 | 一种应急预案有效性评价方法 |
CN106878079A (zh) * | 2017-02-24 | 2017-06-20 | 郑州云海信息技术有限公司 | 一种基于cmdb的自动关联图生成方法及装置 |
CN108881824A (zh) * | 2018-06-11 | 2018-11-23 | 广州市交通规划研究院 | 一种视频监控点服务级别的快速识别管理方法及装置 |
CN109522180A (zh) * | 2018-10-22 | 2019-03-26 | 武汉联影医疗科技有限公司 | 基于监控运维系统服务的数据分析方法、装置和设备 |
CN109726084A (zh) * | 2018-12-13 | 2019-05-07 | 网联清算有限公司 | 数据中心的故障问题的分析方法及装置 |
CN110830324A (zh) * | 2019-10-28 | 2020-02-21 | 烽火通信科技股份有限公司 | 一种检测数据中心网络连通性的方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080183690A1 (en) * | 2007-01-26 | 2008-07-31 | Ramachandran Puthukode G | Method for providing assistance in making change decisions in a configurable managed environment |
US8051028B2 (en) * | 2007-05-31 | 2011-11-01 | Symantec Corporation | Method and apparatus for generating configuration rules for computing entities within a computing environment using association rule mining |
CN101778017B (zh) * | 2010-01-05 | 2012-05-23 | 中国工商银行股份有限公司 | 一种大型机联机交易的故障事件处理方法及服务器 |
CN102592192A (zh) * | 2011-12-27 | 2012-07-18 | 浙江省电力公司 | 信息运行维护管理系统 |
-
2013
- 2013-01-07 CN CN201310005103.2A patent/CN103914482B/zh active Active
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815682A (zh) * | 2017-01-16 | 2017-06-09 | 河南理工大学 | 一种应急预案有效性评价方法 |
CN106878079A (zh) * | 2017-02-24 | 2017-06-20 | 郑州云海信息技术有限公司 | 一种基于cmdb的自动关联图生成方法及装置 |
CN108881824A (zh) * | 2018-06-11 | 2018-11-23 | 广州市交通规划研究院 | 一种视频监控点服务级别的快速识别管理方法及装置 |
CN108881824B (zh) * | 2018-06-11 | 2021-02-26 | 广州市交通规划研究院 | 一种视频监控点服务级别的快速识别管理方法及装置 |
CN109522180A (zh) * | 2018-10-22 | 2019-03-26 | 武汉联影医疗科技有限公司 | 基于监控运维系统服务的数据分析方法、装置和设备 |
CN109726084A (zh) * | 2018-12-13 | 2019-05-07 | 网联清算有限公司 | 数据中心的故障问题的分析方法及装置 |
CN109726084B (zh) * | 2018-12-13 | 2021-10-15 | 网联清算有限公司 | 数据中心的故障问题的分析方法及装置 |
CN110830324A (zh) * | 2019-10-28 | 2020-02-21 | 烽火通信科技股份有限公司 | 一种检测数据中心网络连通性的方法、装置及电子设备 |
CN110830324B (zh) * | 2019-10-28 | 2021-09-03 | 烽火通信科技股份有限公司 | 一种检测数据中心网络连通性的方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103914482B (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN103247008B (zh) | 一种电力统计指标数据的质量评估方法 | |
Cheng et al. | Contractor selection using the analytic network process | |
CN103914482A (zh) | 基于cmdb的集中监控事件影响性确定方法 | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN103366123A (zh) | 基于缺陷分析的软件风险评估方法 | |
CN104850963A (zh) | 一种流域突发水污染事件预警及应急处置方法和系统 | |
CN103581186A (zh) | 一种网络安全态势感知方法及系统 | |
CN109117641A (zh) | 一种基于i-hmm的网络安全风险评估方法 | |
CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
CN106549826A (zh) | 智能变电站交换机网络性能测试评估方法 | |
CN105046407B (zh) | 一种电网与用户双向互动服务运营模式的风险评估方法 | |
CN106056235A (zh) | 基于古林法物元可拓模型的输电网效率效益检测方法 | |
CN113537697A (zh) | 一种城市管理中监督员绩效评价的方法及系统 | |
CN103970651A (zh) | 基于组件安全属性的软件体系结构安全性评估方法 | |
CN115222196A (zh) | 一种山区道路网脆弱性评估与驱动力探测方法 | |
CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
CN110223004A (zh) | 一种指挥防护工程口部抢修作业风险评估系统 | |
CN104573374A (zh) | 一种组织机构代码信息质量数据模糊评估装置 | |
CN112819208A (zh) | 一种基于特征子集耦合模型的空间相似性地质灾害预测方法 | |
CN115829209A (zh) | 基于碳路径的绿色智能仓库环保质量分析方法及装置 | |
CN113837913B (zh) | 一种村镇耕地资源承载力关键阈值确定方法及装置 | |
CN109389281A (zh) | 一种基于高斯混合模型的采集终端生产厂商评价方法 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN113705920A (zh) | 火电厂用水数据样本集的生成方法和终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |