CN104852810A - 一种业务平台异常的确定方法和设备 - Google Patents
一种业务平台异常的确定方法和设备 Download PDFInfo
- Publication number
- CN104852810A CN104852810A CN201410055984.3A CN201410055984A CN104852810A CN 104852810 A CN104852810 A CN 104852810A CN 201410055984 A CN201410055984 A CN 201410055984A CN 104852810 A CN104852810 A CN 104852810A
- Authority
- CN
- China
- Prior art keywords
- information
- performance parameter
- business platform
- feature information
- percentage
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种业务平台异常的确定方法和设备,该方法包括:业务平台采集第一类型性能参数,确定第一类型性能参数对应的第一特征信息,并在本业务平台上维护第一特征信息;业务平台采集第二类型性能参数,确定第二类型性能参数对应的第二特征信息,并比较第一特征信息以及第二特征信息;当第一特征信息与第二特征信息之间满足预设条件时,业务平台确定本业务平台发生异常,否则业务平台确定本业务平台未发生异常。本发明实施例中,通过比较第一类型性能参数对应的第一特征信息和第二类型性能参数对应的第二特征信息,准确判断出业务平台是否发生异常,减少错误报警给用户带来的不必要的审核工作量,可减少冗余的报警数据。
Description
技术领域
本发明涉及通信技术领域,尤其是一种业务平台异常的确定方法和设备。
背景技术
随着各种业务平台的复杂化,对业务平台的监控、分析以及异常报警等就显得越发重要。现有技术中,在确定业务平台是否发生异常时,需要判断业务平台的性能参数是否大于预设阈值,如果业务平台的性能参数大于预设阈值,则认为业务平台发生异常,如果业务平台的性能参数不大于预设阈值,则认为业务平台未发生异常。假设性能参数为CPU(Center Process Unit,中央处理器)使用率,预设阈值为80%,则当CPU使用率大于80%时,说明业务平台发生异常,当CPU使用率不大于80%时,说明业务平台未发生异常。
在上述实现方式中,预设阈值的范围难以确定,缺乏灵活性,由于无法合理选取预设阈值,因此导致误判率比较高,即业务平台未发生异常时,得到业务平台发生异常这个错误结论。例如,在业务平台压力比较大的情况下,经常会导致CPU使用率大于预设阈值80%,此时将得到业务平台发生异常这个错误结论,并进行报警,这样报警会很频繁,这种错误报警会给用户带来很多不必要的审核工作量,同时让真正的异常状况淹没在众多的无效信息中。
发明内容
本发明实施例提供一种业务平台异常的确定方法和设备,以准确判断出业务平台是否发生异常,减少错误报警给用户带来的不必要的审核工作量。
为了达到上述目的,本发明实施例提供一种业务平台异常的确定方法,所述方法具体包括以下步骤:业务平台采集第一类型性能参数,确定所述第一类型性能参数对应的第一特征信息,并在所述业务平台上维护所述第一特征信息;所述业务平台采集第二类型性能参数,确定所述第二类型性能参数对应的第二特征信息,并比较所述第一特征信息以及所述第二特征信息;当第一特征信息与第二特征信息之间满足预设条件时,所述业务平台确定本业务平台发生异常,否则,所述业务平台确定本业务平台未发生异常。
所述第一特征信息具体为图像信息或特征向量信息,所述第二特征信息具体为图像信息或特征向量信息;业务平台确定所述第一类型性能参数对应的第一特征信息,具体包括:业务平台确定所述第一类型性能参数对应的图像信息;或者,所述业务平台确定所述第一类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第一类型性能参数对应的特征向量信息;业务平台确定所述第二类型性能参数对应的第二特征信息,具体包括:业务平台确定所述第二类型性能参数对应的图像信息;或者,所述业务平台确定所述第二类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第二类型性能参数对应的特征向量信息。
在第一特征信息和第二特征信息为特征向量信息时,业务平台比较第一特征信息以及第二特征信息,并确定第一特征信息与第二特征信息之间满足预设条件的过程,具体包括:所述业务平台利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异;所述业务平台将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比;其中,所述指定区间内的百分比用于标识所述第一特征向量信息与所述第二特征向量信息之间的相似度;在所述指定区间内的百分比大于预设百分比阈值时,所述业务平台确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,所述业务平台确定所述第一特征信息与所述第二特征信息之间不满足预设条件。
在第一特征信息和第二特征信息为特征向量信息时,业务平台比较第一特征信息以及第二特征信息,并确定第一特征信息与第二特征信息之间满足预设条件的过程,具体包括:业务平台判断第二类型性能参数是否大于预设性能参数阈值;如果否,业务平台确定第一特征信息与第二特征信息之间不满足预设条件;如果是,业务平台利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比,在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;或者,所述业务平台利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的特征向量百分比;所述业务平台利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比;在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,所述业务平台确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,业务平台确定所述第一特征信息与所述第二特征信息之间不满足预设条件;其中,特征向量权重+阈值权重=100%,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。
所述业务平台确定本业务平台发生异常之后,所述方法进一步包括:所述业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段内的性能参数以及日志信息存储到数据库的异常表内;和/或,所述业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员。
所述业务平台确定本业务平台发生异常之后,所述方法进一步包括:如果相邻的异常时间段内所述业务平台多次发生异常,且相邻的异常时间段内的性能参数以及日志信息相同或者相似,则所述业务平台只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,所述业务平台只将一个异常时间段内的性能参数以及日志信息通知给系统管理员。
优选的,在上述处理过程中,所述第一类型性能参数为业务平台未发生异常时的性能参数,所述第二类型性能参数为需要检测业务平台是否发生异常时的性能参数;其中,所述性能参数包括以下之一或者任意组合:中央处理器CPU使用情况、内存使用情况、网络拥塞情况。
本发明实施例中还提供了一种业务平台,且所述业务平台,具体包括:维护模块,用于采集第一类型性能参数,确定所述第一类型性能参数对应的第一特征信息,并在所述业务平台上维护所述第一特征信息;采集模块,用于采集第二类型性能参数,并确定所述第二类型性能参数对应的第二特征信息;比较模块,用于比较所述第一特征信息以及所述第二特征信息;确定模块,用于当所述第一特征信息与所述第二特征信息之间满足预设条件时,确定本业务平台发生异常,否则,确定本业务平台未发生异常。
所述第一特征信息具体为图像信息或者特征向量信息,所述维护模块,具体用于确定所述第一类型性能参数对应的图像信息;或者,所述维护模块,具体用于确定所述第一类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第一类型性能参数对应的特征向量信息;
所述第二特征信息具体为图像信息或者特征向量信息,所述采集模块,具体用于确定所述第二类型性能参数对应的图像信息;或者,所述采集模块,具体用于确定所述第二类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第二类型性能参数对应的特征向量信息。
在第一特征信息和第二特征信息为特征向量信息时,所述比较模块,具体用于利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异;将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比;其中,所述指定区间内的百分比用于标识所述第一特征向量信息与所述第二特征向量信息之间的相似度;在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件。
在第一特征信息和第二特征信息为特征向量信息时,所述比较模块,具体用于判断第二类型性能参数是否大于预设性能参数阈值;如果否,则确定第一特征信息与第二特征信息之间不满足预设条件;如果是,则利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比,在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;或者,利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的特征向量百分比;利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比;在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;其中,特征向量权重+阈值权重=100%,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。
还包括:报警模块,用于在确定本业务平台发生异常之后,确定本业务平台发生异常时的异常时间点,并将所述异常时间点对应的异常时间段内的性能参数以及日志信息存储到数据库的异常表内;和/或,在确定本业务平台发生异常之后,确定本业务平台发生异常时的异常时间点,并将所述异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员。
所述报警模块,进一步用于如果相邻的异常时间段内所述业务平台多次发生异常,且相邻的异常时间段内的性能参数以及日志信息相同或者相似,则只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,只将一个异常时间段内的性能参数以及日志信息通知给系统管理员。
优选的,在上述处理过程中,所述第一类型性能参数为业务平台未发生异常时的性能参数,所述第二类型性能参数为需要检测业务平台是否发生异常时的性能参数;其中,所述性能参数包括以下之一或者任意组合:中央处理器CPU使用情况、内存使用情况、网络拥塞情况。
与现有技术相比,本发明实施例至少具有以下优点:本发明实施例中,通过比较第一类型性能参数对应的第一特征信息和第二类型性能参数对应的第二特征信息,准确判断出业务平台是否发生异常,减少错误报警给用户带来的不必要的审核工作量。此外,可减少冗余的报警数据,进行有效的报警。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例一提供的一种业务平台异常的确定方法流程示意图;
图2是本发明实施例二提供的一种业务平台的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
针对现有技术中存在的问题,本发明实施例一提供一种业务平台异常的确定方法,如图1所示,该业务平台异常的确定方法具体包括以下步骤:
步骤101,业务平台采集第一类型性能参数,确定第一类型性能参数对应的第一特征信息,并在本业务平台上维护第一特征信息。其中,该第一类型性能参数为业务平台未发生异常时的性能参数,且该性能参数包括但不限于以下之一或者任意组合:CPU使用情况、内存使用情况、网络拥塞情况。
本发明实施例中,第一特征信息具体为图像信息或者特征向量信息。在第一特征信息为图像信息时,业务平台确定第一类型性能参数对应的第一特征信息,包括:业务平台确定第一类型性能参数对应的图像信息。在第一特征信息为特征向量信息时,业务平台确定第一类型性能参数对应的第一特征信息,包括:业务平台确定第一类型性能参数对应的图像信息,对图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到第一类型性能参数对应的特征向量信息。
具体的,在业务平台正常的情况下(即业务平台未发生异常),业务平台采集第一类型性能参数(如CPU使用情况、内存使用情况、网络拥塞情况等),并形成该第一类型性能参数对应的图像信息。例如:1:00时的CPU使用率、内存使用率,网络拥塞情况,且形成1:00时的CPU使用率、内存使用率,网络拥塞情况的图像信息;2:00时的CPU使用率、内存使用率,网络拥塞情况,且形成2:00时的CPU使用率、内存使用率,网络拥塞情况的图像信息;以此类推,24:00时的CPU使用率、内存使用率,网络拥塞情况,且形成24:00时的CPU使用率、内存使用率,网络拥塞情况的图像信息。
进一步的,在得到第一类型性能参数对应的图像信息后,业务平台对图像信息进行预处理,如对图像信息进行二值化、去噪等预处理操作,以利于后期特征向量的提取。之后,业务平台对预处理后的图像信息进行归一化处理。之后,业务平台对归一化处理后的图像信息进行特征提取,以得到第一类型性能参数对应的特征向量信息。基于上述处理,业务平台得到1:00时的CPU使用率、内存使用率,网络拥塞情况对应的特征向量信息,2:00时的CPU使用率、内存使用率,网络拥塞情况对应的特征向量信息,以此类推,24:00时的CPU使用率、内存使用率,网络拥塞情况的特征向量信息。
需要注意的是,在上述处理过程中,业务平台可以得到第一类型性能参数对应的图像信息和第一类型性能参数对应的特征向量信息。在实际应用中,业务平台上可以维护图像库,且通过该图像库存储第一类型性能参数对应的图像信息和/或第一类型性能参数对应的特征向量信息。其中,该第一类型性能参数对应的图像信息具体可以为一张或者多张图像信息,相应的,该第一类型性能参数对应的特征向量信息具体可以为一个或者多个特征向量信息。
步骤102,业务平台采集第二类型性能参数,并确定第二类型性能参数对应的第二特征信息。其中,该第二类型性能参数为需要检测业务平台是否发生异常时的性能参数(即监控过程中的性能参数),且该性能参数包括但不限于以下之一或者任意组合:CPU使用情况、内存使用情况、网络拥塞情况。
本发明实施例中,第二特征信息具体为图像信息或者特征向量信息。在第二特征信息为图像信息时,业务平台确定第二类型性能参数对应的第二特征信息,包括:业务平台确定第二类型性能参数对应的图像信息。在第二特征信息为特征向量信息时,业务平台确定第二类型性能参数对应的第二特征信息,包括:业务平台确定第二类型性能参数对应的图像信息,对图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到第二类型性能参数对应的特征向量信息。
具体的,在监控业务平台是否发生异常的过程中,业务平台采集当前时间的第二类型性能参数(如CPU使用情况、内存使用情况、网络拥塞情况等),并形成该第二类型性能参数对应的图像信息。进一步的,在得到第二类型性能参数对应的图像信息后,业务平台对图像信息进行预处理,如对图像信息进行二值化、去噪等预处理操作,以利于后期特征向量的提取。之后,业务平台对预处理后的图像信息进行归一化处理。之后,业务平台对归一化处理后的图像信息进行特征提取,以得到第二类型性能参数对应的特征向量信息。
步骤103,业务平台比较第一特征信息以及第二特征信息;当第一特征信息与第二特征信息之间满足预设条件时,则业务平台执行步骤104;当第一特征信息与第二特征信息之间不满足预设条件时,则业务平台执行步骤105。
步骤104,业务平台确定本业务平台发生异常。
步骤105,业务平台确定本业务平台未发生异常。
本发明实施例中,在第一特征信息和第二特征信息为图像信息时,业务平台直接比较第二类型性能参数对应的图像信息和第一类型性能参数对应的图像信息。进一步的,如果二者差别很大,则说明第二特征信息与第一特征信息差别很大,即监控过程中的业务平台的性能参数(即第二类型性能参数)与业务平台未发生异常时的性能参数(即第一类型性能参数)差别很大,此时,说明第一特征信息与第二特征信息之间满足预设条件,因此,业务平台可以确定本业务平台发生异常。此外,如果二者相同或者相似,则说明第二特征信息与第一特征信息相同或者相似,即监控过程中的业务平台的性能参数(即第二类型性能参数)与业务平台未发生异常时的性能参数(即第一类型性能参数)相同或者相似,此时,说明第一特征信息与第二特征信息之间不满足预设条件,因此,业务平台可以确定本业务平台未发生异常。
本发明实施例中,在第一特征信息和第二特征信息为特征向量信息时,业务平台直接比较第二类型性能参数对应的特征向量信息和第一类型性能参数对应的特征向量信息。进一步的,如果二者差别很大,则说明第二特征信息与第一特征信息差别很大,即监控过程中的业务平台的性能参数(即第二类型性能参数)与业务平台未发生异常时的性能参数(即第一类型性能参数)差别很大,此时说明第一特征信息与第二特征信息之间满足预设条件,因此,业务平台可以确定本业务平台发生异常。此外,如果二者相同或者相似,则说明第二特征信息与第一特征信息相同或者相似,即监控过程中的业务平台的性能参数(即第二类型性能参数)与业务平台未发生异常时的性能参数(即第一类型性能参数)相同或者相似,此时说明第一特征信息与第二特征信息之间不满足预设条件,因此,业务平台可以确定本业务平台未发生异常。
本发明实施例的一种优选实施方式中,在第一特征信息和第二特征信息为特征向量信息时,业务平台比较第一特征信息以及第二特征信息,并确定第一特征信息与第二特征信息之间满足预设条件的过程,具体包括但不限于:
方式一、业务平台利用欧式距离算法计算第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异。业务平台将第一特征向量信息与第二特征向量信息之间的差异转化成指定区间内的百分比;其中,该指定区间内的百分比用于标识第一特征向量信息与第二特征向量信息之间的相似度。进一步的,在指定区间内的百分比大于预设百分比阈值时,业务平台确定第一特征信息与第二特征信息之间满足预设条件;否则,业务平台确定第一特征信息与第二特征信息之间不满足预设条件。
方式二、业务平台判断第二类型性能参数是否大于预设性能参数阈值。如果否,则业务平台直接确定第一特征信息与第二特征信息之间不满足预设条件。如果是,则业务平台进一步利用欧式距离算法计算第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异。业务平台将第一特征向量信息与第二特征向量信息之间的差异转化成指定区间内的百分比;其中,该指定区间内的百分比用于标识第一特征向量信息与第二特征向量信息之间的相似度。在指定区间内的百分比大于预设百分比阈值时,业务平台确定第一特征信息与第二特征信息之间满足预设条件;否则,业务平台确定第一特征信息与第二特征信息之间不满足预设条件。
方式三、业务平台利用欧式距离算法计算第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将第一特征向量信息与第二特征向量信息之间的差异转化成指定区间内的特征向量百分比;其中,该指定区间内的百分比用于标识第一特征向量信息与第二特征向量信息之间的相似度。业务平台利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比。进一步的,在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,业务平台确定第一特征信息与第二特征信息之间满足预设条件;否则,业务平台确定第一特征信息与第二特征信息之间不满足预设条件。其中,特征向量权重+阈值权重=100%,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。
在上述方式一、方式二和方式三中,由于第一类型性能参数对应的第一特征向量信息可以为一个或者多个,因此在有多个第一特征向量信息时,则业务平台在利用欧式距离算法计算第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异之后,该业务平台可以选取差异最小(即相似度最高)的差异进行后续的相关处理。
以下结合具体应用场景对上述方式三进行详细说明,方式一和方式二的相关处理与此类似,后续过程不再赘述。在方式三中,假设第一类型性能参数为CPU使用率,第二类型性能参数为CPU使用率,特征向量权重为70%,阈值权重为30%,预设性能参数阈值为80%,预设百分比阈值为20%。
首先,业务平台利用欧式距离算法计算第一类型性能参数(CPU使用率)对应的第一特征向量信息与第二类型性能参数(CPU使用率)对应的第二特征向量信息之间的差异,并将第一特征向量信息与第二特征向量信息之间的差异转化成指定区间(如0-100%)内的特征向量百分比。其中,第一特征向量信息与第二特征向量信息之间的差异越高,则该指定区间(如0-100%)内的特征向量百分比将越大。假设当前得到的特征向量百分比为10%。
其次,业务平台利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比;其中,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。例如,在第二类型性能参数(CPU使用率)为70%时,由于预设性能参数阈值为80%,因此阈值百分比为0;在第二类型性能参数(CPU使用率)为90%时,由于预设性能参数阈值为80%,因此阈值百分比为100%。假设第二类型性能参数(CPU使用率)为90%,阈值百分比为100%。
在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,业务平台确定第一特征信息与第二特征信息之间满足预设条件;否则,业务平台确定第一特征信息与第二特征信息之间不满足预设条件。在上述应用场景下,特征向量百分比为10%,特征向量权重为70%,阈值百分比为100%,阈值权重为30%,因此10%*70%+100%*30%=37%,且37%大于预设百分比阈值20%,即第一特征信息与第二特征信息之间满足预设条件。
本发明实施例中,业务平台确定本业务平台发生异常之后,业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段(即将异常时间点扩展一个时间段(如前后1分钟))内的性能参数(如CPU使用率、内存使用率,网络拥塞情况等)以及日志信息存储到数据库的异常表内。和/或,业务平台确定本业务平台发生异常之后,业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段(即将异常时间点扩展一个时间段)内的性能参数以及日志信息通知给系统管理员。
本发明实施例中,业务平台还可以配置需要监控的日志位置以及需要监控的日志关键词(如error,exception等)。基于此,业务平台还需要监控用户指定的日志,即监控需要监控的日志位置内是否存在需要监控的日志关键词;如果存在,则业务平台认为本业务平台发生异常;如果不存在,则业务平台认为本业务平台未发生异常。业务平台确定本业务平台发生异常之后,业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段(即将异常时间点扩展一个时间段)内的性能参数(如CPU使用率、内存使用率,网络拥塞情况等)以及日志信息存储到数据库的异常表内。和/或,业务平台确定本业务平台发生异常之后,业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段(即将异常时间点扩展一个时间段)内的性能参数以及日志信息通知给系统管理员。
进一步的,如果相邻的异常时间段内业务平台多次发生异常,且相邻的异常时间段内的性能参数以及日志信息相同或者相似,则业务平台只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,业务平台只将一个异常时间段内的性能参数以及日志信息通知给系统管理员。
具体的,如果有相邻时间多次异常,则判定多次异常是否为相似。如果相似则仅仅上报一条(即业务平台只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,业务平台只将一个异常时间段内的性能参数以及日志信息通知给系统管理员),并提及有n条和此异常相似的信息。例如,在业务平台受到严重创伤,而不是偶发并可恢复的小异常的情况下,则性能参数(如CPU)会长期在异常情况。如果业务平台频繁上报异常,这会让用户频繁收到告警信息。业务平台通过上述方式的合理合并,使得用户能够得到更合理有效的告警信息,如“***异常,发生次数10次”。
本发明实施例中,业务平台在将异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员时,业务平台可以通过邮件方式或者短信方式将异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员,且将本业务平台的信息通知给系统管理员,以方便远程定位。
在上述处理过程中,需要在业务平台进行如下配置:需要采集的第一类型性能参数,该性能参数包括但不限于以下之一或者任意组合:CPU使用情况、内存使用情况、网络拥塞情况;需要采集的第二类型性能参数,该性能参数包括但不限于以下之一或者任意组合:CPU使用情况、内存使用情况、网络拥塞情况;特征向量权重;阈值权重;预设性能参数阈值;预设百分比阈值;需要监控的日志位置;需要监控的日志关键词;告警方式,如邮件等。
综上所述,本发明实施例中,通过对正常数据的图像进行学习,建立正常图像库,且在监控过程中,对监控数据除去利用阈值做初步判断,更多的利用监控数据生成图像后与现有正常图像库进行比对来鉴别当前业务平台系统是否运行正常,在异常发生后,通过邮件或者短信不仅会发送出当前的异常图像情况,同时还会包括其它正在监控的同时间段的其它参数图像,和用户配置的业务系统平台日志,并进行有效的相似异常合并,从而实现有效的报警。基于上述方式,更容易为挖掘异常的根源提供足够的分析信息;对相似的异常进行合并处理,减少冗余的报警数据,进行有效的报警。
实施例二
基于与上述方法实施例同样的发明技术构思,本发明实施例中还提供了一种业务平台,如图2所示,所述业务平台具体可以包括以下功能模块:
维护模块11,用于采集第一类型性能参数,确定所述第一类型性能参数对应的第一特征信息,并在所述业务平台上维护所述第一特征信息;采集模块12,用于采集第二类型性能参数,并确定所述第二类型性能参数对应的第二特征信息;比较模块13,用于比较所述第一特征信息以及所述第二特征信息;确定模块14,用于当所述第一特征信息与所述第二特征信息之间满足预设条件时,确定本业务平台发生异常,否则,确定本业务平台未发生异常。
所述第一特征信息具体为图像信息或者特征向量信息,所述维护模块11,具体用于确定所述第一类型性能参数对应的图像信息;或者,所述维护模块11,具体用于确定所述第一类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第一类型性能参数对应的特征向量信息;
所述第二特征信息具体为图像信息或者特征向量信息,所述采集模块12,具体用于确定所述第二类型性能参数对应的图像信息;或者,所述采集模块12,具体用于确定所述第二类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第二类型性能参数对应的特征向量信息。
在第一特征信息和第二特征信息为特征向量信息时,所述比较模块13,具体用于利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异;将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比;其中,所述指定区间内的百分比用于标识所述第一特征向量信息与所述第二特征向量信息之间的相似度;在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件。
在第一特征信息和第二特征信息为特征向量信息时,所述比较模块13,具体用于判断第二类型性能参数是否大于预设性能参数阈值;如果否,则确定第一特征信息与第二特征信息之间不满足预设条件;如果是,则利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比,在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;或者,利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的特征向量百分比;利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比;在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;其中,特征向量权重+阈值权重=100%,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。
业务平台还包括:报警模块15,用于在确定本业务平台发生异常后,确定本业务平台发生异常时的异常时间点,将所述异常时间点对应的异常时间段内的性能参数以及日志信息存储到数据库的异常表内;和/或,在确定本业务平台发生异常后,确定本业务平台发生异常时的异常时间点,将所述异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员。
所述报警模块15,进一步用于如果相邻的异常时间段内所述业务平台多次发生异常,且相邻的异常时间段内的性能参数以及日志信息相同或者相似,则只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,只将一个异常时间段内的性能参数以及日志信息通知给系统管理员。
所述第一类型性能参数为业务平台未发生异常时的性能参数,所述第二类型性能参数为需要检测业务平台是否发生异常时的性能参数;所述性能参数包括以下之一或任意组合:CPU使用情况、内存使用情况、网络拥塞情况。
其中,本发明装置的各个模块可以集成于一体,也可以分离部署。上述模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
本领域技术人员可以理解附图只是一个优选实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上公开的仅为本发明的几个具体实施例,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (14)
1.一种业务平台异常的确定方法,其特征在于,所述方法包括:
业务平台采集第一类型性能参数,确定所述第一类型性能参数对应的第一特征信息,并在所述业务平台上维护所述第一特征信息;
所述业务平台采集第二类型性能参数,确定所述第二类型性能参数对应的第二特征信息,并比较所述第一特征信息以及所述第二特征信息;
当第一特征信息与第二特征信息之间满足预设条件时,所述业务平台确定本业务平台发生异常,否则,所述业务平台确定本业务平台未发生异常。
2.如权利要求1所述的方法,其特征在于,所述第一特征信息具体为图像信息或特征向量信息,所述第二特征信息具体为图像信息或特征向量信息;
所述业务平台确定所述第一类型性能参数对应的第一特征信息,具体包括:所述业务平台确定所述第一类型性能参数对应的图像信息;或者,所述业务平台确定所述第一类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第一类型性能参数对应的特征向量信息;
所述业务平台确定所述第二类型性能参数对应的第二特征信息,具体包括:所述业务平台确定所述第二类型性能参数对应的图像信息;或者,所述业务平台确定所述第二类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第二类型性能参数对应的特征向量信息。
3.如权利要求1所述的方法,其特征在于,在第一特征信息和第二特征信息为特征向量信息时,所述业务平台比较第一特征信息以及第二特征信息,并确定第一特征信息与第二特征信息之间满足预设条件的过程,具体包括:
所述业务平台利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异;
所述业务平台将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比;其中,所述指定区间内的百分比用于标识所述第一特征向量信息与所述第二特征向量信息之间的相似度;
在所述指定区间内的百分比大于预设百分比阈值时,所述业务平台确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,所述业务平台确定所述第一特征信息与所述第二特征信息之间不满足预设条件。
4.如权利要求1所述的方法,其特征在于,在第一特征信息和第二特征信息为特征向量信息时,所述业务平台比较第一特征信息以及第二特征信息,并确定第一特征信息与第二特征信息之间满足预设条件的过程,具体包括:
所述业务平台判断第二类型性能参数是否大于预设性能参数阈值;如果否,则所述业务平台确定第一特征信息与第二特征信息之间不满足预设条件;如果是,则所述业务平台利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比,在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;或者,
所述业务平台利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的特征向量百分比;所述业务平台利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比;在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,所述业务平台确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,业务平台确定所述第一特征信息与所述第二特征信息之间不满足预设条件;其中,特征向量权重+阈值权重=100%,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。
5.如权利要求1所述的方法,其特征在于,所述业务平台确定本业务平台发生异常之后,所述方法进一步包括:
所述业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段内的性能参数以及日志信息存储到数据库的异常表内;和/或,所述业务平台确定本业务平台发生异常时的异常时间点,并将异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员。
6.如权利要求5所述的方法,其特征在于,所述方法进一步包括:
如果相邻的异常时间段内所述业务平台多次发生异常,且相邻的异常时间段内的性能参数以及日志信息相同或者相似,则所述业务平台只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,所述业务平台只将一个异常时间段内的性能参数以及日志信息通知给系统管理员。
7.如权利要求1-4任一项所述的方法,其特征在于,所述第一类型性能参数为业务平台未发生异常时的性能参数,所述第二类型性能参数为需要检测业务平台是否发生异常时的性能参数;其中,所述性能参数包括以下之一或者任意组合:中央处理器CPU使用情况、内存使用情况、网络拥塞情况。
8.一种业务平台,其特征在于,所述业务平台具体包括:
维护模块,用于采集第一类型性能参数,确定所述第一类型性能参数对应的第一特征信息,并在所述业务平台上维护所述第一特征信息;
采集模块,用于采集第二类型性能参数,并确定所述第二类型性能参数对应的第二特征信息;
比较模块,用于比较所述第一特征信息以及所述第二特征信息;
确定模块,用于当所述第一特征信息与所述第二特征信息之间满足预设条件时,确定本业务平台发生异常,否则,确定本业务平台未发生异常。
9.如权利要求8所述的业务平台,其特征在于,
所述第一特征信息具体为图像信息或者特征向量信息,所述维护模块,具体用于确定所述第一类型性能参数对应的图像信息;或者,所述维护模块,具体用于确定所述第一类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第一类型性能参数对应的特征向量信息;
所述第二特征信息具体为图像信息或者特征向量信息,所述采集模块,具体用于确定所述第二类型性能参数对应的图像信息;或者,所述采集模块,具体用于确定所述第二类型性能参数对应的图像信息,对所述图像信息进行预处理,对预处理后的图像信息进行归一化处理,并对归一化处理后的图像信息进行特征提取,以得到所述第二类型性能参数对应的特征向量信息。
10.如权利要求8所述的业务平台,其特征在于,
在第一特征信息和第二特征信息为特征向量信息时,所述比较模块,具体用于利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异;将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比;其中,所述指定区间内的百分比用于标识所述第一特征向量信息与所述第二特征向量信息之间的相似度;在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件。
11.如权利要求8所述的业务平台,其特征在于,
在第一特征信息和第二特征信息为特征向量信息时,所述比较模块,具体用于判断第二类型性能参数是否大于预设性能参数阈值;如果否,则确定第一特征信息与第二特征信息之间不满足预设条件;如果是,则利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的百分比,在所述指定区间内的百分比大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;或者,利用欧式距离算法计算所述第一类型性能参数对应的第一特征向量信息与第二类型性能参数对应的第二特征向量信息之间的差异,并将所述第一特征向量信息与所述第二特征向量信息之间的差异转化成指定区间内的特征向量百分比;利用第二类型性能参数与预设性能参数阈值之间的关系确定阈值百分比;在(特征向量百分比*特征向量权重+阈值百分比*阈值权重)大于预设百分比阈值时,确定所述第一特征信息与所述第二特征信息之间满足预设条件;否则,确定所述第一特征信息与所述第二特征信息之间不满足预设条件;其中,特征向量权重+阈值权重=100%,在第二类型性能参数大于预设性能参数阈值时,阈值百分比为100%,在第二类型性能参数小于预设性能参数阈值时,阈值百分比为0。
12.如权利要求8所述的业务平台,其特征在于,还包括:
报警模块,用于在确定本业务平台发生异常之后,确定本业务平台发生异常时的异常时间点,并将所述异常时间点对应的异常时间段内的性能参数以及日志信息存储到数据库的异常表内;和/或,在确定本业务平台发生异常之后,确定本业务平台发生异常时的异常时间点,并将所述异常时间点对应的异常时间段内的性能参数以及日志信息通知给系统管理员。
13.如权利要求12所述的业务平台,其特征在于,
所述报警模块,进一步用于如果相邻的异常时间段内所述业务平台多次发生异常,且相邻的异常时间段内的性能参数以及日志信息相同或者相似,则只在数据库的异常表内存储一个异常时间段内的性能参数以及日志信息;和/或,只将一个异常时间段内的性能参数以及日志信息通知给系统管理员。
14.如权利要求8-11任一项所述的业务平台,其特征在于,所述第一类型性能参数为业务平台未发生异常时的性能参数,所述第二类型性能参数为需要检测业务平台是否发生异常时的性能参数;所述性能参数包括以下之一或者任意组合:中央处理器CPU使用情况、内存使用情况、网络拥塞情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410055984.3A CN104852810B (zh) | 2014-02-18 | 2014-02-18 | 一种业务平台异常的确定方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410055984.3A CN104852810B (zh) | 2014-02-18 | 2014-02-18 | 一种业务平台异常的确定方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104852810A true CN104852810A (zh) | 2015-08-19 |
CN104852810B CN104852810B (zh) | 2018-11-30 |
Family
ID=53852178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410055984.3A Active CN104852810B (zh) | 2014-02-18 | 2014-02-18 | 一种业务平台异常的确定方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104852810B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508874A (zh) * | 2018-05-08 | 2018-09-07 | 网宿科技股份有限公司 | 一种监控设备故障的方法和装置 |
CN110764975A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101175267A (zh) * | 2006-10-31 | 2008-05-07 | 华为技术有限公司 | 通信终端及软件检测方法及装置 |
CN102118276A (zh) * | 2009-12-31 | 2011-07-06 | 北京亿阳信通软件研究院有限公司 | 提供性能告警服务的方法和装置 |
CN102752132A (zh) * | 2012-06-06 | 2012-10-24 | 北京像素软件科技股份有限公司 | 一种对服务器进行远程实时监控的方法、装置及系统 |
CN103200039A (zh) * | 2012-01-09 | 2013-07-10 | 阿里巴巴集团控股有限公司 | 数据监控方法及装置 |
CN103281461A (zh) * | 2013-04-26 | 2013-09-04 | 上海华东电脑股份有限公司 | 一种呼叫中心监控方法、装置与系统 |
CN103365969A (zh) * | 2013-06-24 | 2013-10-23 | 北京奇虎科技有限公司 | 一种异常数据检测处理的方法和系统 |
-
2014
- 2014-02-18 CN CN201410055984.3A patent/CN104852810B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101175267A (zh) * | 2006-10-31 | 2008-05-07 | 华为技术有限公司 | 通信终端及软件检测方法及装置 |
CN102118276A (zh) * | 2009-12-31 | 2011-07-06 | 北京亿阳信通软件研究院有限公司 | 提供性能告警服务的方法和装置 |
CN103200039A (zh) * | 2012-01-09 | 2013-07-10 | 阿里巴巴集团控股有限公司 | 数据监控方法及装置 |
CN102752132A (zh) * | 2012-06-06 | 2012-10-24 | 北京像素软件科技股份有限公司 | 一种对服务器进行远程实时监控的方法、装置及系统 |
CN103281461A (zh) * | 2013-04-26 | 2013-09-04 | 上海华东电脑股份有限公司 | 一种呼叫中心监控方法、装置与系统 |
CN103365969A (zh) * | 2013-06-24 | 2013-10-23 | 北京奇虎科技有限公司 | 一种异常数据检测处理的方法和系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508874A (zh) * | 2018-05-08 | 2018-09-07 | 网宿科技股份有限公司 | 一种监控设备故障的方法和装置 |
CN110764975A (zh) * | 2018-07-27 | 2020-02-07 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
CN110764975B (zh) * | 2018-07-27 | 2021-10-22 | 华为技术有限公司 | 设备性能的预警方法、装置及监控设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104852810B (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN109684179B (zh) | 系统故障的预警方法、装置、设备及存储介质 | |
CN108564181B (zh) | 电力设备故障检测与维修方法及终端设备 | |
CN108206747B (zh) | 告警生成方法和系统 | |
CN105656693B (zh) | 一种基于回归的信息安全异常检测的方法及系统 | |
CN113556258B (zh) | 一种异常检测方法及装置 | |
CN110708204A (zh) | 一种基于运维知识库的异常处理方法、系统、终端及介质 | |
CN105243252B (zh) | 一种账户风险评估的方法及装置 | |
CN105095056A (zh) | 一种数据仓库数据监控的方法 | |
CN105808368B (zh) | 一种基于随机概率分布的信息安全异常检测的方法及系统 | |
CN104778111A (zh) | 一种进行报警的方法和装置 | |
CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
CN109670690A (zh) | 数据信息中心监控预警方法、系统及设备 | |
CN114567538A (zh) | 告警信息处理方法及装置 | |
CN105871581A (zh) | 云计算中报警信息的处理方法及装置 | |
CN115033463B (zh) | 一种系统异常类型确定方法、装置、设备和存储介质 | |
CN111722991A (zh) | 告警信息处理方法、装置、设备及存储介质 | |
CN112988509A (zh) | 一种告警消息过滤方法、装置、电子设备及存储介质 | |
CN108039971A (zh) | 一种告警方法及装置 | |
CN114338348A (zh) | 一种智能告警方法、装置、设备及可读存储介质 | |
CN112769615B (zh) | 一种异常分析方法及装置 | |
CN114116391A (zh) | Redis实例的健康检测方法、装置、设备及存储介质 | |
CN104852810A (zh) | 一种业务平台异常的确定方法和设备 | |
KR20190104759A (ko) | 지능형 장비 이상 증상 사전 탐지 시스템 및 방법 | |
CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |