CN104657667B - 一种b/s架构系统状态评价与预测方法 - Google Patents

一种b/s架构系统状态评价与预测方法 Download PDF

Info

Publication number
CN104657667B
CN104657667B CN201510068544.6A CN201510068544A CN104657667B CN 104657667 B CN104657667 B CN 104657667B CN 201510068544 A CN201510068544 A CN 201510068544A CN 104657667 B CN104657667 B CN 104657667B
Authority
CN
China
Prior art keywords
index
taken out
return
data
iterator
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.)
Active
Application number
CN201510068544.6A
Other languages
English (en)
Other versions
CN104657667A (zh
Inventor
常政威
蒋自国
文亮
潘雄
董琪
江维
王电钢
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.)
State Grid Corp of China SGCC
University of Electronic Science and Technology of China
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
University of Electronic Science and Technology of China
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
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 State Grid Corp of China SGCC, University of Electronic Science and Technology of China, Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201510068544.6A priority Critical patent/CN104657667B/zh
Publication of CN104657667A publication Critical patent/CN104657667A/zh
Application granted granted Critical
Publication of CN104657667B publication Critical patent/CN104657667B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/03—Indexing scheme relating to G06F21/50, monitoring users, programs or devices to maintain the integrity of platforms
    • G06F2221/034—Test or assess a computer or a system

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种B/S架构系统状态评价与预测方法，所述方法包括以下步骤：S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；S2：寻找最新版本的权重表；S3：进行指标分级；S4：读取数据，计算1~5级指标得分；S5：进行系统状态预测；S6：进行系统状态评价与数据储存；S7：睡眠时间t，返回步骤S4，实现了在不增加硬件成本的前提下，简单完成使B/S架构系统的状态评价和评估，系统维护人员能够准确把握系统当前状态的问题，便于系统维护人员提前做好系统检查及维护的准备，提高系统稳定性，工作量较小的技术效果。

Description

一种B/S架构系统状态评价与预测方法
技术领域
本发明涉及计算机软件开发模式识别领域，尤其涉及一种B/S架构系统状态评价与预测方法。
背景技术
随着计算机的普及和应用，各个企业对大型软件管理系统需求越来越高，各式各样的软件管理系统成为各个企业安全、可靠和稳定运行的重要保障，因此，迫切要求提出以评估软件系统运行状态为基础的系统评价和预测机制，提高其运行的可靠性，以保证软件系统中各向功能的安全使用，但是软件状态预测方面，其理论与技术的发展仍然处在一个初级的阶段。
软件状态预测指通过历史信息以及软件系统当前状态信息，对于软件系统未来时间可能出现的状态进行预测。准确的评价及预测软件状态有助于运维人员及早发现和处理可能的问题，防止功能降级,或者系统崩溃等。
当前主流预测方法主要基于时间序列法，从以往系统状态序列中找到一定模式进而推测未来系统状态。
在现有技术中，现有的B/S架构系统状态评价与预测方法需要增加硬件才能进行预测，成本较高，且B/S架构系统状态评价与预测较为复杂，系统维护人员无法准确把握系统当前状态的问题，且工作量较大。
综上所述，本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
在现有技术中，现有的B/S架构系统状态评价与预测方法存在较为复杂，系统维护人员无法准确把握系统当前状态的问题，工作量较大，成本较高的技术问题。
发明内容
本发明提供了一种B/S架构系统状态评价与预测方法，解决了现有的B/S架构系统状态评价与预测方法存在较为复杂，系统维护人员无法准确把握系统当前状态的问题，工作量较大，成本较高的技术问题，实现了在不增加硬件成本的前提下，简单完成使B/S架构系统的状态评价和评估，系统维护人员能够准确把握系统当前状态的问题，便于系统维护人员提前做好系统检查及维护的准备，提高系统稳定性，工作量较小的技术效果。
为解决上述技术问题，本申请实施例提供了一种B/S架构系统状态评价与预测方法，所述方法包括以下步骤：
S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；
S2：寻找最新版本的权重表；
S3：进行指标分级；
S4：读取数据，计算1～5级指标得分；
S5：进行系统状态预测；
S6：进行系统状态评价与数据储存；
S7：睡眠时间t，返回步骤S4。
进一步的，所述步骤S2包括以下子步骤：
S21：与数据库建立连接；
S22：查询权重表，找到版本号最大的那条数据，令其为D1；
S23：从D1开始，将其后面的所有数据全部读出；
S24：将读出的数据，分别放入集合Map1和List中；
S25：进入步骤S3。
进一步的，所述的步骤S3包括以下子步骤：
S31：将集合List生成迭代器；
S32：取出指标；
S33：判断指标级别，将其放入对应的集合中，即一级指标放入List1中，二级指标放入List2中，以此类推；
S34：如果迭代完，就进入步骤S4，否则返回步骤S32。
进一步的，所述步骤S4包括以下子步骤：
S41：将集合List5生成迭代器；
S42：取出指标和指标数据；
S43：取出指标阈值，并将指标数据与指标阈值进行比较，得到量化值；
S44：将量化值存入集合Map中；
S45：如果迭代完，就进入步骤S46，否则返回步骤S42；
S46：将集合List5生成迭代器；
S47：取出5级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的4级指标得分中，然后再将得分放入集合Map中；
S48：如果迭代完，就进入步骤S49，否则返回步骤S47；
S49：将集合List4生成迭代器；
S410：取出4级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的3级指标得分中，然后再将得分放入集合Map中；
S411：如果迭代完，就进入步骤S412，否则返回步骤S410；
S412：将集合List3生成迭代器；
S413：取出3级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的2级指标得分中，然后再将得分放入集合Map中；
S414：如果迭代完，就进入步骤S415，否则返回步骤S413；
S415：将集合List2生成迭代器；
S416：取出2级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的1级指标得分中，然后再将得分放入集合Map中；
S417：如果迭代完，就进入步骤S5，否则返回步骤S416。
进一步的，所述步骤S5包括以下子步骤：
S51：选取预测指标，初始化滑动窗口，窗口长度为L，并且将预测指标存入集合Map2中；
S52：用Map2生成迭代器；
S53：取出指标及其对应的得分，更新其对应的滑动窗口中的数据；
S54：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn(其中，n为1≤n<L的整数)，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；
S55：如果n＝L，就进入步骤S56，否则返回步骤S54；
S56：将DL-1与V相加，得到预测值P1，并将V置0；
S57：将滑动窗口中的数据依次前移，即D2覆盖掉D1，D3覆盖掉D2，以此类推，最后将P1放入滑动窗口的末尾；
S58：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn(其中，n为1≤n<L的整数)，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；
S59：如果n＝L，就进入步骤S510，否则返回步骤S58；
S510：将DL-1与V相加，得到预测值P2，并将V置0；
S511：将P1、P2放入集合Map3中，同时将滑动窗口放入集合Map2中；
S512：如果迭代完，就进入步骤S6，否则返回步骤S53。
进一步的，所述步骤S6包括以下子步骤：
S61：将集合List4生成迭代器；
S62：取出4级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S63：如果迭代完，就进入步骤S64，否则返回步骤S62；
S64：将集合List3生成迭代器；
S65：取出3级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S66：如果迭代完，就进入步骤S67，否则返回步骤S65；
S67：将集合List2生成迭代器；
S68：取出2级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S69：如果迭代完，就进入步骤S610，否则返回步骤S68；
S610：将集合List1生成迭代器；
S611：取出1级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S612：如果迭代完，就进入步骤S613，否则返回步骤S611；
S613：将Map、Map3、Map4中的值存入数据库，进入步骤S7。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了将B/S架构系统状态评价与预测方法，其设计为包括以下步骤：S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；S2：寻找最新版本的权重表；S3：进行指标分级；S4：读取数据，计算1～5级指标得分；S5：进行系统状态预测；S6：进行系统状态评价与数据储存；S7：睡眠时间t，返回步骤S4的技术方案，即，在不增加硬件成本的前提下，使系统的状态评价变得比较准确，不仅解决了系统的维护人员无法准确把握系统状态的问题，还能预测出系统未来的健康趋势，让系统的维护人员提前做出应对措施，使B/S架构系统的状态评价和评估变得非常简单，本方案还能够根据系统当前状态及部分历史状态，预测未来两个时刻系统的状态，便于系统维护人员提前做好系统检查及维护的准备，对于提高系统稳定性有很大的帮助，本方案适用于基于B/S架构的各种类型的系统，在不增加硬件成本的前提下，以纯粹的软件方法实现了B/S架构系统状态的评估与预测，所以，有效解决了现有的B/S架构系统状态评价与预测方法存在较为复杂，系统维护人员无法准确把握系统当前状态的问题，工作量较大，成本较高的技术问题，进而实现了在不增加硬件成本的前提下，简单完成使B/S架构系统的状态评价和评估，系统维护人员能够准确把握系统当前状态的问题，便于系统维护人员提前做好系统检查及维护的准备，提高系统稳定性，工作量较小的技术效果。
附图说明
图1为本申请实施例一中B/S架构系统的框架示意图；
图2为本申请实施例一中B/S架构系统状态评价与预测方法的流程示意图；
图3为本申请实施例一中寻找最新版本权重表的流程示意图；
图4为本申请实施例一中指标分级的流程示意图；
图5为本申请实施例一中计算1～5级指标得分的流程示意图；
图6为本申请实施例一中系统状态预测的流程示意图；
图7为本申请实施例一中系统状态评价与数据储存的流程示意图。
具体实施方式
本发明提供了一种B/S架构系统状态评价与预测方法，解决了现有的B/S架构系统状态评价与预测方法存在较为复杂，系统维护人员无法准确把握系统当前状态的问题，工作量较大，成本较高的技术问题，实现了在不增加硬件成本的前提下，简单完成使B/S架构系统的状态评价和评估，系统维护人员能够准确把握系统当前状态的问题，便于系统维护人员提前做好系统检查及维护的准备，提高系统稳定性，工作量较小的技术效果。
本申请实施中的技术方案为解决上述技术问题。总体思路如下：
采用了将B/S架构系统状态评价与预测方法，其设计为包括以下步骤：S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；S2：寻找最新版本的权重表；S3：进行指标分级；S4：读取数据，计算1～5级指标得分；S5：进行系统状态预测；S6：进行系统状态评价与数据储存；S7：睡眠时间t，返回步骤S4的技术方案，即，在不增加硬件成本的前提下，使系统的状态评价变得比较准确，不仅解决了系统的维护人员无法准确把握系统状态的问题，还能预测出系统未来的健康趋势，让系统的维护人员提前做出应对措施，使B/S架构系统的状态评价和评估变得非常简单，本方案还能够根据系统当前状态及部分历史状态，预测未来两个时刻系统的状态，便于系统维护人员提前做好系统检查及维护的准备，对于提高系统稳定性有很大的帮助，本方案适用于基于B/S架构的各种类型的系统，在不增加硬件成本的前提下，以纯粹的软件方法实现了B/S架构系统状态的评估与预测，所以，有效解决了现有的B/S架构系统状态评价与预测方法存在较为复杂，系统维护人员无法准确把握系统当前状态的问题，工作量较大，成本较高的技术问题，进而实现了在不增加硬件成本的前提下，简单完成使B/S架构系统的状态评价和评估，系统维护人员能够准确把握系统当前状态的问题，便于系统维护人员提前做好系统检查及维护的准备，提高系统稳定性，工作量较小的技术效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一：
在实施例一中，提供了一种B/S架构系统状态评价与预测方法，请参考图1-图7，所述方法包括以下步骤：
S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；
S2：寻找最新版本的权重表；
S3：进行指标分级；
S4：读取数据，计算1～5级指标得分；
S5：进行系统状态预测；
S6：进行系统状态评价与数据储存；
S7：睡眠时间t，t与采样时间间隔相同，返回步骤S4。
其中，在本申请实施例中，所述步骤S1包括以下子步骤：
S11：启动Oracle数据库服务器和Weblogic服务器；
S12：设置采样频率，频率可以设置为毫秒级以上的时间，推荐设置为分钟；
S13：开始采集指标数据，采集的指标如表1：
表1
其中，在本申请实施例中，所述步骤S2包括以下子步骤：
S21：与数据库建立连接；
S22：查询权重表，找到版本号最大的那条数据，令其为D1；
S23：从D1开始，将其后面的所有数据全部读出；
S24：将读出的数据，分别放入集合Map1和List中；
S25：进入步骤S3。
其中，在本申请实施例中，所述的步骤S3包括以下子步骤：
S31：将集合List生成迭代器；
S32：取出指标；
S33：判断指标级别，将其放入对应的集合中，即一级指标放入List1中，二级指标放入List2中，以此类推；
S34：如果迭代完，就进入步骤S4，否则返回步骤S32。
其中，在本申请实施例中，所述步骤S4包括以下子步骤：
S41：将集合List5生成迭代器；
S42：取出指标和指标数据；
S43：取出指标阈值，并将指标数据与指标阈值进行比较，得到量化值；
S44：将量化值存入集合Map中；
S45：如果迭代完，就进入步骤S46，否则返回步骤S42；
S46：将集合List5生成迭代器；
S47：取出5级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的4级指标得分中，然后再将得分放入集合Map中；
S48：如果迭代完，就进入步骤S49，否则返回步骤S47；
S49：将集合List4生成迭代器；
S410：取出4级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的3级指标得分中，然后再将得分放入集合Map中；
S411：如果迭代完，就进入步骤S412，否则返回步骤S410；
S412：将集合List3生成迭代器；
S413：取出3级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的2级指标得分中，然后再将得分放入集合Map中；
S414：如果迭代完，就进入步骤S415，否则返回步骤S413；
S415：将集合List2生成迭代器；
S416：取出2级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的1级指标得分中，然后再将得分放入集合Map中；
S417：如果迭代完，就进入步骤S5，否则返回步骤S416。
其中，在本申请实施例中，所述步骤S5包括以下子步骤：
S51：选取预测指标，初始化滑动窗口，窗口长度为L，并且将预测指标存入集合Map2中；
S52：用Map2生成迭代器；
S53：取出指标及其对应的得分，更新其对应的滑动窗口中的数据；
S54：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn(其中，n为1≤n<L的整数)，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；
S55：如果n＝L，就进入步骤S56，否则返回步骤S54；
S56：将DL-1与V相加，得到预测值P1，并将V置0；
S57：将滑动窗口中的数据依次前移，即D2覆盖掉D1，D3覆盖掉D2，以此类推，最后将P1放入滑动窗口的末尾；
S58：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn(其中，n为1≤n<L的整数)，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；
S59：如果n＝L，就进入步骤S510，否则返回步骤S58；
S510：将DL-1与V相加，得到预测值P2，并将V置0；
S511：将P1、P2放入集合Map3中，同时将滑动窗口放入集合Map2中；
S512：如果迭代完，就进入步骤S6，否则返回步骤S53。
其中，在本申请实施例中，所述步骤S6包括以下子步骤：
S61：将集合List4生成迭代器；
S62：取出4级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S63：如果迭代完，就进入步骤S64，否则返回步骤S62；
S64：将集合List3生成迭代器；
S65：取出3级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S66：如果迭代完，就进入步骤S67，否则返回步骤S65；
S67：将集合List2生成迭代器；
S68：取出2级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S69：如果迭代完，就进入步骤S610，否则返回步骤S68；
S610：将集合List1生成迭代器；
S611：取出1级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S612：如果迭代完，就进入步骤S613，否则返回步骤S611；
S613：将Map、Map3、Map4中的值存入数据库，进入步骤S7。
其中，在本申请实施例中，下面结合具体的例子和附图对本申请进行详细介绍：
如图2所示，本申请中的基于加权移动平均模型的B/S信息系统状态评价与预测方法，包括以下步骤：
S1：启动系统，设置采样频率，开始采集指标数据；
S2：寻找最新版本的权重表；
S3：指标分级；
S4：读取数据，计算1～5级指标得分；
S5：系统状态预测；
S6：系统状态评价与数据储存；
S7：睡眠时间t，返回步骤S4。
系统启动后，首先对设置采样频率，然后才开始采集指标数据，数据一旦更新，评价模型也开始启动，首先，我们要寻找最新版本的权重表，如图3所示，本实施例所述的步骤S2包括以下子步骤：
S21：与数据库建立连接；此连接一旦建立，就一直不释放，以后凡是对数据库的操作，都使用该连接，即连接复用。
S22：查询权重表，找到版本号最大的那条数据，令其为D1，因为不同的系统，关注的指标肯定不一样；所以当系统维护人员发现系统指标的权重设置不合理时，可以手动调整某些指标的权重值。
S23：从D1开始，将其后面的所有数据全部读出。系统维护人员改动权重表中某些值后，权重表中所有的数据都会插入到权重表，而且每一次改动之后插入，权重表的版本号都会递增，因此我们只需要找到版本号最大的那条数据，然后将它后面所有的数据全部读出，就能得到最新的权重集合。
S24：将读出的数据，分别放入集合Map1和List中；
S25：进入步骤S3。
当取出最新权重表之后，就对权重表的指标进行分级。分级方式如表2：
表2
而分级流程如图4所示。因此，本实施例所述的步骤S3包括以下子步骤：
S31：将集合List生成迭代器；该集合List中有权重表中的所有指标。
S32：取出指标；
S33：判断指标级别，根据权重表的table_name字段，来区分该指标的级别。然后将其放入对应的集合中，即一级指标放入List1中，二级指标放入List2中，以此类推；
S34：如果迭代完，就进入步骤S4，否则返回步骤S32。
指标分级完成后，就可以进入本方法的循环体了。首先计算1～5级指标的得分，如图5所示，因此，本实施例所述的步骤S3包括以下子步骤：
S41：将集合List5生成迭代器；
S42：取出指标和指标数据；
S43：取出指标阈值，并将指标数据与指标阈值进行比较，得到量化值。量化值为1、2、3、4，它们分别代表：危险状态、异常状态、注意状态、正常状态。注意：5级指标的量化值，也是它们的得分；
S44：将量化值存入集合Map中；
S45：如果迭代完，就进入步骤S46，否则返回步骤S42；
S46：将集合List5生成迭代器；
S47：取出5级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的4级指标得分中，然后再将得分放入集合Map中；
S48：如果迭代完，就进入步骤S49，否则返回步骤S47；
S49：将集合List4生成迭代器；
S410：取出4级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的3级指标得分中，然后再将得分放入集合Map中；
S411：如果迭代完，就进入步骤S412，否则返回步骤S410；
S412：将集合List3生成迭代器；
S413：取出3级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的2级指标得分中，然后再将得分放入集合Map中；
S414：如果迭代完，就进入步骤S415，否则返回步骤S413；
S415：将集合List2生成迭代器；
S416：取出2级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的1级指标得分中，然后再将得分放入集合Map中；
S417：如果迭代完，就进入步骤S5，否则返回步骤S416。
注意：这些指标的计算顺序不能变，因为四级指标的得分，是在五级指标得分的基础上计算出来的，而三级指标得分是在四级指标得分的基础上计算出来的，即上一级指标的得分依赖于下一级指标的得分。
在得到系统当前状态得分的之后，就可以根据一部分历史数据和当前数据，对系统未来的状态进行预测，如图6。因此，本实施例所述的步骤S5包括以下子步骤：
S51：选取预测指标，初始化滑动窗口(窗口长度为L)，并且将它们存入集合Map2中；此滑动窗口的用来存放当前数据和一部分历史数据，窗口的大小可变，但是不能小于2；
S52：用Map2生成迭代器；
S53：取出指标及其对应的得分，更新其对应的滑动窗口中的数据；因为一开始滑动窗口中的数据全部为0，在第一次取得指标的的得分之后(令其为A1)，将滑动窗口中的数据全部替换为A1，以后每次取得得分之后，都替换滑动窗口中第L个数；
S54：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn(其中n为1≤n<L的整数)，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；此步骤中，采用的是加权移动平均法，即远离目标期的变量值的影响力相对较低，故应给予较低的权重。
S55：如果n＝L，就进入步骤S56，否则返回步骤S54；
S56：将DL-1与V相加，得到预测值P1，并将V置0；
S57：将滑动窗口中的数据依次前移，即D2覆盖掉D1，D3覆盖掉D2，以此类推，最后将P1放入滑动窗口的末尾，这样，就可以用第一次预测的系统状态数据和滑动窗口中的系统状态数据再次预测系统未来的状态；
S58：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn(其中n为1≤n<L的整数)，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；同步骤S54；
S59：如果n＝L，就进入步骤S510，否则返回步骤S58；
S510：将DL-1与V相加，得到预测值P2，并将V置0；
S511：将P1、P2放入集合Map3中，同时将滑动窗口放入集合Map2中；
S512：如果迭代完，就进入步骤S6，否则返回步骤S53。
得到预测值之后，就可以将指标得分量化为状态量，让后将状态值、指标得分及系统状态预测存入数据库，其流程如图7。因此，本实施例所述的步骤S6包括以下子步骤：
S61：将集合List4生成迭代器；因为五级指标的得分，也是它们的状态值，所以，从四级指标开始量化。
S62：取出4级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S63：如果迭代完，就进入步骤S64，否则返回步骤S62；
S64：将集合List3生成迭代器；
S65：取出3级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S66：如果迭代完，就进入步骤S67，否则返回步骤S65；
S67：将集合List2生成迭代器；
S68：取出2级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S69：如果迭代完，就进入步骤S610，否则返回步骤S68。
S610：将集合List1生成迭代器；
S611：取出1级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S612：如果迭代完，就进入步骤S613，否则返回步骤S611；
S613：将Map、Map3、Map4中的值存入数据库，进入步骤S7。
以上步骤S4～S7在逻辑上形成一个循环结构，实时对系统状态进行评价及预测，实现对系统的实时监控。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
由于采用了将B/S架构系统状态评价与预测方法，其设计为包括以下步骤：S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；S2：寻找最新版本的权重表；S3：进行指标分级；S4：读取数据，计算1～5级指标得分；S5：进行系统状态预测；S6：进行系统状态评价与数据储存；S7：睡眠时间t，返回步骤S4的技术方案，即，在不增加硬件成本的前提下，使系统的状态评价变得比较准确，不仅解决了系统的维护人员无法准确把握系统状态的问题，还能预测出系统未来的健康趋势，让系统的维护人员提前做出应对措施，使B/S架构系统的状态评价和评估变得非常简单，本方案还能够根据系统当前状态及部分历史状态，预测未来两个时刻系统的状态，便于系统维护人员提前做好系统检查及维护的准备，对于提高系统稳定性有很大的帮助，本方案适用于基于B/S架构的各种类型的系统，在不增加硬件成本的前提下，以纯粹的软件方法实现了B/S架构系统状态的评估与预测，所以，有效解决了现有的B/S架构系统状态评价与预测方法存在较为复杂，系统维护人员无法准确把握系统当前状态的问题，工作量较大，成本较高的技术问题，进而实现了在不增加硬件成本的前提下，简单完成使B/S架构系统的状态评价和评估，系统维护人员能够准确把握系统当前状态的问题，便于系统维护人员提前做好系统检查及维护的准备，提高系统稳定性，工作量较小的技术效果。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种B/S架构系统状态评价与预测方法，其特征在于，所述方法包括以下步骤：
S1：启动待评价与预测系统，设置采样频率，开始采集指标数据；
S2：寻找最新版本的权重表；
S3：进行指标分级；
S4：读取数据，计算1～5级指标得分；
S5：进行系统状态预测；
S6：进行系统状态评价与数据储存；
S7：睡眠时间t，返回步骤S4；所述步骤S2包括以下子步骤：
S21：与数据库建立连接；
S22：查询权重表，找到版本号最大的那条数据，令其为D1；
S23：从D1开始，将其后面的所有数据全部读出；
S24：将读出的数据，分别放入集合Map1和List中；
S25：进入步骤S3；所述的步骤S3包括以下子步骤：
S31：将集合List生成迭代器；
S32：取出指标；
S33：判断指标级别，将其放入对应的集合中，即一级指标放入List1中，二级指标放入List2中，以此类推；
S34：如果迭代完，就进入步骤S4，否则返回步骤S32；所述步骤S4包括以下子步骤：
S41：将集合List5生成迭代器；
S42：取出指标和指标数据；
S43：取出指标阈值，并将指标数据与指标阈值进行比较，得到量化值；
S44：将量化值存入集合Map中；
S45：如果迭代完，就进入步骤S46，否则返回步骤S42；
S46：将集合List5生成迭代器；
S47：取出5级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的4级指标得分中，然后再将得分放入集合Map中；
S48：如果迭代完，就进入步骤S49，否则返回步骤S47；
S49：将集合List4生成迭代器；
S410：取出4级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的3级指标得分中，然后再将得分放入集合Map中；
S411：如果迭代完，就进入步骤S412，否则返回步骤S410；
S412：将集合List3生成迭代器；
S413：取出3级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的2级指标得分中，然后再将得分放入集合Map中；
S414：如果迭代完，就进入步骤S415，否则返回步骤S413；
S415：将集合List2生成迭代器；
S416：取出2级指标，取出其对应的分数和权重，将它们相乘，并将乘积累加到该指标对应的1级指标得分中，然后再将得分放入集合Map中；
S417：如果迭代完，就进入步骤S5，否则返回步骤S416；所述步骤S5包括以下子步骤：
S51：选取预测指标，初始化滑动窗口，窗口长度为L，并且将预测指标存入集合Map2中；
S52：用Map2生成迭代器；
S53：取出指标及其对应的得分，更新其对应的滑动窗口中的数据；
S54：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn,其中，n为1≤n<L的整数，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；
S55：如果n＝L，就进入步骤S56，否则返回步骤S54；
S56：将DL-1与V相加，得到预测值P1，并将V置0；
S57：将滑动窗口中的数据依次前移，即D2覆盖掉D1，D3覆盖掉D2，以此类推，最后将P1放入滑动窗口的末尾；
S58：计算出滑动窗口中的数据差值(Dn-Dn-1)的权重Wn,其中，n为1≤n<L的整数，计算公式为：Wn＝2n/(L2-L)，然后将(Dn-Dn-1)×Wn的值累加到V中；
S59：如果n＝L，就进入步骤S510，否则返回步骤S58；
S510：将DL-1与V相加，得到预测值P2，并将V置0；
S511：将P1、P2放入集合Map3中，同时将滑动窗口放入集合Map2中；
S512：如果迭代完，就进入步骤S6，否则返回步骤S53。
2.根据权利要求1所述的B/S架构系统状态评价与预测方法，其特征在于，所述步骤S6包括以下子步骤：
S61：将集合List4生成迭代器；
S62：取出4级指标，取出其对应的分数和阈值，将它们的量化值放入集合Map4中；
S63：如果迭代完，就进入步骤S64，否则返回步骤S62；
S64：将集合List3生成迭代器；
S65：取出3级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S66：如果迭代完，就进入步骤S67，否则返回步骤S65；
S67：将集合List2生成迭代器；
S68：取出2级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S69：如果迭代完，就进入步骤S610，否则返回步骤S68；
S610：将集合List1生成迭代器；
S611：取出1级指标，取出其对应的分数和阈值，将分数和阈值的量化值放入集合Map4中；
S612：如果迭代完，就进入步骤S613，否则返回步骤S611；
S613：将Map、Map3、Map4中的值存入数据库，进入步骤S7。
CN201510068544.6A 2015-02-10 2015-02-10 一种b/s架构系统状态评价与预测方法 Active CN104657667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510068544.6A CN104657667B (zh) 2015-02-10 2015-02-10 一种b/s架构系统状态评价与预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510068544.6A CN104657667B (zh) 2015-02-10 2015-02-10 一种b/s架构系统状态评价与预测方法

Publications (2)

Publication Number Publication Date
CN104657667A CN104657667A (zh) 2015-05-27
CN104657667B true CN104657667B (zh) 2017-09-29

Family

ID=53248777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510068544.6A Active CN104657667B (zh) 2015-02-10 2015-02-10 一种b/s架构系统状态评价与预测方法

Country Status (1)

Country Link
CN (1) CN104657667B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106708786A (zh) * 2016-12-25 2017-05-24 杭州博烁晟斐智能科技有限公司 一种基于传感器检测的铁塔问题严重程度计算方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1916949A (zh) * 2006-09-06 2007-02-21 曾德华 电力设备状态评估及维修策略支撑系统
CN101699432A (zh) * 2009-11-13 2010-04-28 黑龙江工程学院 基于排序策略的信息过滤系统
CN103530735A (zh) * 2013-10-23 2014-01-22 北京邮电大学 一种灾备中心日常运维管理能力评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SE529676C2 (sv) * 2006-03-02 2007-10-23 Abb Ab En metod för att utvärdera en applikation, ett automationssystem och en styrenhet

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1916949A (zh) * 2006-09-06 2007-02-21 曾德华 电力设备状态评估及维修策略支撑系统
CN101699432A (zh) * 2009-11-13 2010-04-28 黑龙江工程学院 基于排序策略的信息过滤系统
CN103530735A (zh) * 2013-10-23 2014-01-22 北京邮电大学 一种灾备中心日常运维管理能力评估方法

Also Published As

Publication number Publication date
CN104657667A (zh) 2015-05-27

Similar Documents

Publication Publication Date Title
CN107656154B (zh) 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN110095744A (zh) 一种电子式互感器误差预测方法
CN103902004B (zh) 一种充电剩余时间计算方法、装置及移动设备
CN111474490A (zh) 一种梯次利用电池快速筛选方法
CN108399453A (zh) 一种电力客户信用等级评价方法和装置
CN109215344B (zh) 用于城市道路短时交通流量预测的方法和系统
Devaraj et al. Artificial neural network model for voltage security based contingency ranking
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN105871634A (zh) 检测集群异常的方法及应用、管理集群的系统
CN109818349A (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN102252843A (zh) 一种滚动轴承性能变异的评估方法
CN109063759A (zh) 一种应用于图片多属性预测的神经网络结构搜索方法
CN106980874B (zh) 一种面向配网大数据的多时态维度数据融合方法
JP6200076B2 (ja) システムから取得される測定値を評価する方法及びシステム
CN104993966B (zh) 一种电力综合业务网流量预测方法
CN115908080B (zh) 一种基于多维数据分析的碳排放优化方法及系统
Bugaje et al. Selecting decision trees for power system security assessment
CN104657667B (zh) 一种b/s架构系统状态评价与预测方法
CN103200041A (zh) 基于历史数据的容迟容断网络节点相遇概率预测方法
CN113298296A (zh) 一种自下而上的输电变电站日前负荷概率预测方法
CN110137956A (zh) 一种电力系统灵活性需求的评估方法及系统
Halilcevic et al. Prediction of power system security levels
Zhang et al. BP-PSO-based intelligent case retrieval method for high-rise structural form selection
CN106779147A (zh) 一种基于自适应层次时间序列聚类的用电负荷预测方法
CN109657122A (zh) 一种基于学术大数据的学术团队重要成员识别方法

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