CN106909487A - 应用于信息系统的预警方法及装置 - Google Patents
应用于信息系统的预警方法及装置 Download PDFInfo
- Publication number
- CN106909487A CN106909487A CN201710034859.8A CN201710034859A CN106909487A CN 106909487 A CN106909487 A CN 106909487A CN 201710034859 A CN201710034859 A CN 201710034859A CN 106909487 A CN106909487 A CN 106909487A
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- index
- target
- information system
- 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
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3495—Performance evaluation by tracing or monitoring for systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了应用于信息系统的预警方法及装置,其中,所述方法包括:采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;根据所述原始数据描述确定综合指标,综合指标包括各指标成分对应的权重系数;根据原始数据描述以及综合指标确定训练数据,并根据所述训练数据对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;当比较结果符合预置特征时,发出对应的信息系统预警信息。通过该方法,可以提高信息系统风险预警的灵活性,适应性,以及预警结果准确性。
Description
技术领域
本申请涉及信息系统运维技术领域,特别是涉及应用于信息系统的预警方法及装置。
背景技术
随着信息社会建设的不断深入,社会活动各领域全面发展和普遍采用现代信息技术手段,极大的提高了社会生产力的同时,也促使了新技术和新行业的不断涌现,可以说信息技术已经融入到社会活动的各行各业,甚至成为许多产业的重要基础组成部分。在许多行业、社会服务等社会活动领域应用信息技术的过程中,需要面对的技术问题常常包括管理复杂多样的软硬件资源,以及处理数量庞大的交互数据,尤其对于一些涉及到国计民生,或者关乎大众切身利益的重要行业或者社会服务,诸如银行服务,电力供给,税收,证券等等,保证其信息系统长期稳定的运行,是这些职能部门或社会组织有效提供服务的重要前提。
解决复杂信息系统面临的问题可以从多个方面进行,例如使用具有更高质量的硬件设备,定期的软硬件系统维护,使用更具容错性和兼容性的系统,重视数据保护和备份工作等等。然而,不断的深入研究和应用探索表明,规避问题更有效的方法之一在于信息系统风险防范,即通过对信息系统潜在的风险进行尽可能准确的预测,在信息系统出现风险导致更严重的后果之前,针对不同风险及时采取相应对策。有效的信息系统风险防范,可以更好的保证信息系统的流畅运行,保证数据安全,为终端用户提供稳定服务,进而改善用户体验以及提升企业竞争力,可见,有效的风险防范对于基于信息技术提供服务的行业具有非常重要的意义。
然而,在现有技术中,对于信息系统风险预警的方法存在不够灵活,适应性不强的缺点,无法适应逐渐增多的数据以及日渐复杂的数据类型,预警结果的准确性也有待进一步提高。综上,亟需本领域技术人员解决的问题就在于,提高信息系统风险预警的灵活性,适应性,以及进一步提高预警结果的准确性。
发明内容
本申请提供了应用于信息系统的预警方法及装置,可以灵活适应不同行业,不同特点信息系统,以及不同数据类型,特别是新出现的监控类型和监控需求,本方法也能够灵活适应,高效处理。提高了信息系统风险预警的灵活性,适应性,以及预警结果的准确性。
本申请提供了如下方案:
一种应用于信息系统的预警方法,包括:
采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;
根据所述原始数据描述确定综合指标,所述综合指标包括各指标成分对应的权重系数;
根据所述原始数据描述以及所述综合指标确定训练数据,并根据所述训练数据对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;
确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
当比较结果符合预置特征时,发出对应的信息系统预警信息。
一种应用于信息系统的预警方法,包括:
每次对目标预测数据进行预测时,确定待预测时间点前的预设时间周期内被监控节点的原始监测数据,并根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;所述描述矩阵的行数据标识特定时间内特定节点在各预设特征指标下的指标量;
通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标;所述综合指标包括各指标成分对应的权重系数;
根据所述描述矩阵的行数据以及所述综合指标,确定所述训练数据,并根据所述训练数据对最小二乘支持向量回归机实现的预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;所述预测函数包括回归方程及回归方程中的各系数;
确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
当比较结果符合预置特征时,发出对应的信息系统预警信息。
一种应用于信息系统的预警装置,包括:
原始数据构建单元,用于采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;
综合指标确定单元,用于根据所述原始数据描述确定综合指标,所述综合指标包括各指标成分对应的权重系数;
数据预测单元,用于根据所述原始数据描述以及所述综合指标确定训练数据,并根据所述训练数据对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;
数据转换及对比单元,用于确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
预警信息处理单元,用于当比较结果符合预置特征时,发出对应的信息系统预警信息。
一种应用于信息系统的预警装置,包括:
监测数据处理单元,用于每次对目标预测数据进行预测时,确定待预测时间点前的预设时间周期内被监控节点的原始监测数据,并根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;所述描述矩阵的行数据标识特定时间内特定节点在各预设特征指标下的指标量;
主成份分析单元,用于通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标;所述综合指标包括各指标成分对应的权重系数;
预测数据处理单元,用于根据所述描述矩阵的行数据以及所述综合指标,确定所述训练数据,并根据所述训练数据对最小二乘支持向量回归机实现的预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;所述预测函数包括回归方程及回归方程中的各系数;
数据对比处理单元,用于确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
预警单元,用于当比较结果符合预置特征时,发出对应的信息系统预警信息。
根据本申请提供的具体实施例,本申请公开了以下技术效果:
通过本申请,可以采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;根据原始数据描述确定综合指标,根据原始数据描述以及综合指标确定训练数据,并根据训练数据对预测模型进行训练,确定预测函数,并根据预测函数确定目标节点的目标预测数据;确定目标节点的实际获得数据,根据综合指标对实际获得数据进行转换,并将转换结果与目标预测数据进行比较;当比较结果符合预置特征时,发出对应的信息系统预警信息。不同的系统层次,不同方面预警需求,可以应用不同特征指标采集监测数据,进而根据采集的监测数据进行学习和预测,使得本方法可以灵活适应不同行业,不同特点信息系统,以及不同数据类型,特别是新出现的监控类型和监控需求,相对于在传统方法已无法处理的情况,本方法也能够灵活适应,高效处理。根据原始数据描述确定综合指标,能够更加准确的反映出各性能指标对于某一方面或某系统层次潜在问题的整体评价的重要程度,从而提高了预警的准确性。根据原始数据描述以及综合指标确定训练数据,也进一步提高了预测模型的准确性。提高了信息系统风险预警的灵活性,适应性,以及预警结果的准确性。
进一步的,该方法结合了主成份分析法这一无监督的降维技术,以及最小二乘支持向量回归机技术的预测模型,前者可以对原始监测数据构造综合指标,增加其可解释性,同时有效的降维以及构造综合指标,有效的减少数据噪音和冗余,同时减少过度拟合的可能性,为后续的机器学习过程中提高预测精度,减少计算量,以及提高学习和预测的效率打下了基础,而基于最小二乘支持向量回归机技术的预测模型,则可以快速高效的根据训练数据进行学习训练,从而确定预测函数,其所提供的多种预测方式更好的满足了不同背景下的信息系统预警需求,进一步提高了本方法的适应性和灵活性。
当然,实施本申请的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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申请的一些实施例,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他的附图。
图1是本申请实施例一提供的应用于信息系统的预警方法的流程图;
图2是本申请实施例一提供的动态基线的示意图;
图3是本申请实施例二提供的方法的流程图;
图4是本申请实施例提供的第一装置的示意图;
图5是本申请实施例提供的第二装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
大规模复杂信息系统在社会诸多行业有着广泛的应用,涉及了社会生活的方方面面,为保证系统的稳定运行,信息系统的运维工作愈发重要。传统运维方式存在发现问题不够及时,处置滞后影响系统协作以及用户体验等问题,为了提前进行风险防范,基于预警机制的技术手段开始被应用,然而许多预警方法存在应用范围窄,不能灵活适应复杂数据类型,预警准确性不足导致误报严重等问题,浪费了大量的人力物力等有待改进的方面。本申请特提出一种应用于信息系统的预警方法,旨在提高信息系统风险预警的灵活性,适应性,以及进一步提高预警结果的准确性。经过大量实验数据以及实际应用的验证,本申请所提供的方法达到了非常良好的预期效果。下面结合具体实施例对该应用于信息系统的预警方法进行详细介绍。
实施例一
请参看图1,为本申请实施例一提供的应用于信息系统的预警方法的流程图,如图1所示,该方法可以包括以下步骤:
S110:采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;
首先,可以采集预设时间周期内被监控节点的原始监测数据,在采集原始监测数据的过程中,对于所采集的原始监测数据的类型,可以根据预设特征指标确定,这是因为不同的预设特征指标或其组合,可以反映信息系统某一方面或某些方面的预警需求,简而言之,对信息系统有何种预警需求,则选择何种特征指标(组合),以及采集对应类型的原始监测数据。比如,要对信息系统各节点主机的CPU占用率进行监控和预警,则可以将CPU占用率确定为特征指标,采集被监控节点CPU占用率数据作为原始监测数据。显然,原始监测数据至少包括与预设特征指标相关的数据,而原始监测数据的采集也可以根据反映预警需求的预设特征指标进行,即可以根据预设特征指标的约束或指示来确定采集原始检测数据的类型。
在采集原始监测数据后,还可以根据实际应用需求对原始监测数据进行进一步的处理,例如可以对原始监测数据执行数据清洗,以抽取有用数据和去除无用数据,保证数据有效性;以及对原始监测数据进行归一化处理,以简化计算,提高处理效率和预测精度等等。
在传统的预警方法中,监控的目标数据常常集中在硬件层面以及网络层面,预警方法的专用性较高但灵活性不足,如某些行业的采集的监控数据包括系统运行过程中的硬件占用率,网络吞吐量,网络延迟等等硬件运行数据和网络运行数据,对于可以反映信息系统其它方面问题的数据类型缺乏处理和预测能力,例如,对于银行业信息系统较为重要的交易性指标数据,应用性能指标数据等等,由于指标数据具有不同的数据特征或者传统预警方法缺乏针对性的设计等原因,传统预警方法难以据此进行精确合理的预警甚至无法处理,而随着多种层次预警需求的产生,数据类型以及预警需求愈发多样化,传统的预警方法已经难以满足需求。
在本申请实施例一提供的方法中,预设特征指标可以根据监控需求来确定,为了实现这一点,预设特征指标可以根据预置特征指标模型库确定。为了满足不同系统层次,不同数据类型的监控需求,在特征指标模型库中可以保存指标类型与特征指标的对应关系,其中,根据实际应用需要,每个指标类型可以对应一个或多个与该指标类型相关的特征指标。指标类型与监控类型具有相关性,监控类型反映了不同系统层次或不同数据类型的监控需求。根据不同的标准可以划分为出不同的指标类型,如根据软硬件来划分可以分为软件指标和硬件指标等类型,根据不同层次又可分为基础层指标和应用层指标等等。本申请发明人在实现本申请的过程中,所采用的一个指标模型库的示例如表1所示:
表1
如表1所示,其中指标类型的分布覆盖了交易性指标,应用性能指标,网络性能指标,标准协议分析,日志信息,以及基础资源性能等指标类型,每个指标类型对应有多个不同的特征指标。表1中所示的指标模型库的示例可特别适用于银行服务业信息系统相应数据的预测和告警。在实际应用中,可以根据实际的监控需要确定指标类型以及特征指标,并根据所监控的特征指标来采集相应的原始监测数据。指标类型可以包括上述表1中任意一种或几种指标类型的组合。在采集原始监测数据时,也可以根据信息系统的预警需求首先确定一个或多个指标类型,并根据各指标类型下对应的多个特征指标,来采集预设时间周期内被监控节点的原始监测数据,进而根据预设特征指标构建原始数据描述。不同的原始监测数据可以通过不同的方式来获得,例如一些网络性能指标可以通过网络设备提供的预置镜像功能获得,而具有应用层类型的特征指标,例如交易性指标或应用性能指标所对应的特征指标,可以通过在信息系统中安装的Agent代理软件来获取。
此外,指标模型库包括可以基础型特征指标以及扩展型特征指标,其中,基础型特征指标可以包括由预警服务提供方所提供的指标类型和/或特征指标,通常,基础型特征指标在一个或多个行业的预测与告警服务中具有一定的通用性,而扩展型特征指标可以包括可被用户自定义的指标类型和/或特征指标,可以由用户定制适应其信息系统特点,或者适应其预测与告警需求等的指标类型和/或特征指标。通过在指标模型库包括指标类型包括基础型特征指标以及扩展型特征指标,可以使得整个预警方法或系统具有更好的可扩展性,进而能够灵活适应不同行业,不同特点信息系统,或不同数据类型的监控和预警需求。同时,灵活的全方位的指标覆盖,也增加了预警方法的应用范围,灵活适应不同类型的数据,使得该应用于信息系统的预警方法既可以做到全面覆盖,又可以针对特定方面的数据实施预测和告警,极大的提高了信息系统的预警方法的灵活性和适用性。
在采集被监控节点的原始监测数据时,原始监测数据的表达形式可以根据不同的监控对象,预警处理需求,以及特征指标等等而不同,为了便于读者理解,特举例说明,例如以下原始监测数据的组成形式的示例:
{节点标识,监测时间,特征指标,指标量,…}
其中节点标识代表被监控目标节点的标识,监测时间可以包括例如数据采集时间等监测时间相关参量,指标量可以包括被监控目标节点在该监测时间的与该特征指标对应的量,例如该节点在某一天内统计的网络流量。
在采集被监控节点的原始监测数据后,可以根据预设特征指标构建原始数据描述。根据预设特征指标构建原始数据描述的过程,可以理解为根据预设特征指标对原始监测数据进行整合的过程,主要目的可以包括使数据符合和满足下一步骤的输入要求等。例如,为了确定主成份作为综合指标,可以利用主成份分析法,在这种实施方式下,在采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述时,可以采集预设时间周期内被监控节点的原始监测数据,根据原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所构建的描述矩阵确定为原始数据描述。下面以举例的方式进行对这一过程进行具体说明。
如前所述,在本实施例一所提供的应用于信息系统的预警方法中,所采用的特征指标的类型包括多种,以及每种类型下又包括若干不同的特征指标,每个指标类型反映了某一方面的监控预警需求。为了便于说明和读者理解,下面以网络性能相关的特征指标为例,对根据预设特征指标构建原始数据描述的过程,具体的,对根据原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所构建的描述矩阵确定为原始数据描述的过程,进行详细的举例说明。请注意,本文中所涉及的相同的数学符号,表达式等描述的含义具有一致性,为避免赘述,无特殊说明的可以进行前后文参考阅读。
首先,假设采集一个信息系统的原始监测数据有如下构成:以“天”为一个时间单位采集的被监控节点的原始监测数据,假设采集原始监测数据的预设周期为l,即对每个受监控节点采集l天的原始监测数据,l的具体取值可标识监测时间,即哪一天采集的原始监测数据;在一个信息系统中通常存在多个需要监控的节点,这里假设需要进行数据采集和监控预警的节点数为m,同时可以将m所代表编号取值确定为节点标识;每个节点的网络性能以预设的n个网络性能相关的特征指标描述,即根据预设的这n个特征指标采集每个节点的原始监测数据,例如根据网络吞吐量,数据包吞吐量,网络延时,连接建立时间,网络重传率等特征指标采集每个节点的原始监测数据。所采集的到的数据包括了与节点标识,监测时间以及各预设特征指标相对应的指标量。在这种实现方式下,原始监测数据的数学描述如下:
xij=(xij1,xij2,…,xijn)∈Rn
其中,xij标识第j天第i个节点的流量;xijk是xij的第k个预设特征指标对应的指标量;i=1,2,…,m;j=1,2,…,l;k=1,2,…,n。
为了利用主成份分析法确定用于预测的网络性能相关的综合指标,可以在采集到上述原始监测数据后,根据原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所构建的描述矩阵确定为原始数据描述,以下为利用上述原始监测数据所构建的描述矩阵X的示例:
其中i=1,2,…,m;j=1,2,…,l。xijk为xij的第k个预设特征指标对应的指标量,k=1,2,…,n,xij为第j天第i个节点的流量。
以上以通过示例的方式介绍了根据预设特征指标构建原始数据描述的过程,在实际应用中,所构建的原始数据描述可以具体的方法需求采用不同的描述方式或形式,以上示例不应被理解为对本申请保护范围的限制。
此外,在采集被监控节点的原始监测数据时,可以在每次对目标预测数据进行预测时,确定待预测时间前的,与待预测时间相比邻的预设时间周期内被监控节点的原始监测数据。例如待预测时间为当日,即需要对当日全天的某些特征指标对应数据进行预测时,可以采集当日之前比邻的N天的数据作为原始监测数据,并以此类推。预设时间周期,即N的值可以根据经验值来确定,也可以根据预警效果指标进行自动调整和配置,例如可以以预测结果准确性和稳定性,原始监测数据的时效性和有效性,预警系统的计算压力等经验值或量化值为依据,对预设时间周期的长度进行配置或动态调整,以使其尽量满足预测结果稳定有效,原始监测数据具有足够的时效性和有效性,以及不超出预警系统计算压力承载范围,保证预警系统能够做出及时和有效的预警反馈。此外,采用待预测时间前的,与待预测时间相比邻的预设时间周期内被监控节点的原始监测数据,并依据其进行学习训练,可以提高所使用的原始监测数据时效性,从而提高了预测结果的准确度,也提高了整个预警系统的动态预测能力。
S120:根据所述原始数据描述确定综合指标,所述综合指标包括各指标成分对应的权重系数;
如前所述,在信息系统运行过程中,常常存在来自多个方面的预警需求,例如硬件,网络,系统,应用等等不同方面,都可能存在相应的预警和定位可能出现的系统风险的需求。在本申请实施例一提供的方法中,预设特征指标可以与信息系统某一或某些预警需求相对应,例如通过定义不同指标类型的特征指标采集原始监测数据,以满足对应方面或系统层次的预警需求。当多个性能指标反映信息系统某一方面或某一系统层次的预警需求时,每个性能指标对于这一方面或系统层次潜在问题的整体评价的重要程度常常不同,而这种不同可以通过性能指标赋予的不同权重来体现。在本申请实施例一提供的方法中,在采集原始监测数据并根据预设特征指标构建原始数据描述后,可以根据原始数据描述确定综合指标,具体的,可以确定综合指标,其中可以包括各指标成分对应的权重系数。
综合指标的确定可以通过赋权方法来实现,在本文中,以主成份分析法PCA为例,来详细介绍确定综合指标其中各指标成份及其对应的权重系数的过程。主成份分析法是一种应用于多元分析的降维和赋权的方法,在多元统计分析中,每个维度的指标在不同程度上反映了问题的某些信息,并且指标之间彼此之间常常具有一定的相关性,因而得到的统计结果所反映的信息通常具有一定程度的重叠,而通过主成份分析法,可以将多个指标转化为少数互相独立的且包含原指标大部分信息的综合指标,即通过主成份分析法得到的各主成份,其中每个主成份都是原始变量的线性组合,各主成份之间互相独立,且能够反映原始变量的大部分信息。
在具体实现时,可以在建立前述的描述矩阵,例如构建前述的描述矩阵X后,利用主成份分析法得到若干主成份作为所述综合指标,以求解第一主成份为例,即通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所得到的第一主成份确定为综合指标。此时可以将对矩阵X的主成份分析优化为:
s.t.vTv=1,v∈Rn
其中,(.)T为向量的转置,求解该问题等价于求解半正定矩阵XTX最大非负特征值的单位特征向量v*,即得到第一主成份。此时,v*可以是一个二维向量,其分量分别为两个指标成份在综合指标中的权重,在得到第一主成份后,可以将原始监测数据xij进行投影,得到
x’ij=xT ijv*∈Rn
经过投影后的矩阵X变换成一个列向量。可见,主成份分析法可以将原有的高维度特征指标映射到较低的维度上,从而减少特征数并有效的减少数据噪音和冗余,同时减少过度拟合的可能性,而重新构造出来的低维度的综合指标的指标成分,具有全新的正交特征,有利于在后续的机器学习过程中,有效的提高预测精度,减少计算量,以及提高学习和预测的效率。
S130:根据所述原始数据描述以及所述综合指标确定训练数据,并根据所述训练数据对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;
在确定出综合指标中各指标成分对应的权重系数后,可以根据原始数据描述以及综合指标确定训练数据。在实际应用中,不同的综合指标的确定方式下,得到的不同构成的综合指标,进而确定出不同的训练数据。以主成份分析法确定第一主成份作为综合指标为例,对矩阵X利用主成份分析法进行分析,得到单位特征向量v*,即得到第一主成份,从而可以使用v*对原始监测数据xij进行投影进而构建训练数据。在确定了训练数据后,可以根据训练数据对预测模型进行训练,确定预测函数,并根据预测函数确定目标节点的目标预测数据。
由于信息系统的预警方法目的是根据历史数据对系统某方面数据的变化趋势进行预测,而回归分析技术是可以利用数据统计原理对统计数据进行数学处理,进而确定因变量与自变量之间的相关关系,建立相关性较好的预测函数并利用预测函数进行趋势预测的分析分析技术,可以很好的满足信息系统预测和告警需求。以下以最小二乘支持向量回归机LS-SVR实现的预测模型为例,对根据原始数据描述对预测模型进行训练,确定预测函数,并根据预测函数确定目标节点的目标预测数据的过程进行详细介绍。
首先可以根据原始数据描述对最小二乘支持向量回归机进行训练,确定回归方程及回归方程中的各系数。最小二乘支持向量回归机可以包括线性和/或非线性最小二乘支持向量回归机,具体应用中,可以根据综合指标的具体特点,选择线性或非线性LS-SVR。对于特定的目标节点,即对于特定的i(i=1,2,…,m),对应的投影训练数据集合{(1,x’i1),……,(l,x’il)},为了便于说明,记:
A=(1,2,…,l)T;
Yi=(x’i1,x’i2,…,x’i1)T;
e=(1,1,…,1)T∈Rl;
在采用线性回归时,设所求解的方程为f(z)=wz+b,其中w,b为欲求系数,z为变量,则该线性回归问题可以由最小二乘支持向量回归机LS-SVR实现:
s.t.(Aw+eb)-Y=ξ
其中C为一个调节参数且C>0。调节参数的最优值可以通过网格搜索法确定,具体实现时,可以首先根据经验确定调节参数的范围,在所确定的范围内进行惩罚参数寻优。另外训练天数也可以以同样的方法进行选取,以获得最优训练天数。由于该模型采用线性等式约束,且考虑平方损失函数,因此求解速度较快。而优化该问题可以通过其对偶问题求解,具体的,设α∈Rl为该问题的对偶变量,则求解α和b可以通过求解以下方程组(1):
求解得到α和b的值后,可以得到预测函数(2)为:
其中,zi为A的第i行,即第i个样本点,z为待预测的样本点。
在采用非线性回归时,则可以通过使用核函数K(.,.)来实现,具体的,可以将方程组(1)中的矩阵:
替换为:
此时,可以得到预测函数:
其中,在核函数的选择上,可以采用泛化性能较好的径向基核函数。
以上详细介绍了根据原始数据描述,对最小二乘支持向量回归机实现的预测模型进行训练,分别采用线性回归和非线性回归方法,确定回归方程及回归方程中的各系数的过程,接下来可以以所确定的回归方程作为预测函数,利用回归方程确定目标节点的目标预测数据。例如为了预测新的一天,即第l+1天的目标预测数据,可以将z=l+1带入到已确定各系数的回归方程,例如预测函数(2)中,从而得到f(z)的值记为yi,则yi即为根据前l天的原始监测数据预测得到的目标预测数据,即预测得到的第l+1天的第i个节点处的目标预测数据。
在实际应用中,本方法可以根据预警需求实现多种预测方式。例如可以实现全天多接地你的同时预测,即由前l天的全天数据预测第l+1天的目标预测数据;也可以实现单节点的逐个预测,如利用前l天前k小时的数据预测第l+1天前k小时的目标预测数据,当l=1时,对于确定的n,可以实现第2天前n小时的预测,此时,对于第2天第n小时的第一个节点的预测,则可以根据第2天前n小时的数据进行。
S140:确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
在信息系统运行的过程中,会产生于预测数据相对应的实际数据,可以首先获得目标节点的实际获得数据,并根据综合指标对实际获得数据进行转换,以便将转换结果与目标预测数据进行比较,进一步根据比较结果确定是否需要进行预警。例如,对于第l+1天的第i个节点的实际获得数据,表示为xi,l+1,可以利用第一主成份v*对其进行转换,即令
x’i,l+1=xT i,l+1v*
在确定目标预测数据后,还可以将目标预测数据以直观的方式展示给用户,例如,可以显示一用户界面,在用户界面中可以包括一动态基线,其中,动态基线各处的值根据对应的目标预测数据确定。一个动态基线的示意图如图2所示,其中的实线为动态基线,动态基线各处的值对应各时刻的目标预测数据值。动态基线通常以二维坐标系的方式呈现,根据预警需求的不同,动态基线所在的坐标系的维度可能具有不同的意义,例如在动态基线反映多节点的全天候型指标时,纵坐标通常为目标预测数据值,而横坐标则为节点标识;当动态基线反映单节点的依时间变化的预测,例如逐小时变化的指标时,纵坐标通常为目标预测数据值,而横坐标则为时间坐标。在采集到目标预测数据对应的实际获得数据后,可以将实际获得数据或根据实际获得数据得到的所述转换结果,显示在所述用户界面中的对应位置。如图2中所示的虚线标识出了各时刻对应的实际获得数据的值。显然,通过图2示例中在用户界面显示的动态基线以及对应的实际获得数据,用户可以更加直观的了解信息系统实际运行过程中实际获得数据相对于目标预测数据的偏移量。
S150:当比较结果符合预置特征时,发出对应的信息系统预警信息。
将转换结果与目标预测数据进行比较后,如果比较结果符合预置特征时,发出对应的信息系统预警信息,例如当比较结果超过特定的阈值,则发出对应的信息系统告警。在通过阈值比较确定是否告警时,固定阈值的方式过于机械,告警阈值通常有人工设定,难以准确反映系统压力程度,易造成严重的误报和漏报。本申请实施例一提供了一种基于预测过程的多重动态阈值告警机制,以提高预警的准确程度,其具体实现如下。
在训练数据中添加不同强度的白噪声数据,将添加白噪声后的训练数据依次输入预测模型,并根据训练结果以及实际获得数据确定告警阈值序列;告警阈值依次与白噪声数据的强度相对应;告警阈值依次确定的区间分别对应不同告警强度的信息系统预警信息;在进行比较时,将比较结果与告警阈值进行比对,当比对结果落入告警阈值确定的某一区间时,发出对应告警强度的信息系统预警信息。
例如,以目标预测数据与实际获得数据的绝对误差偏移作参考:
pi=|x’i,l+1-yi|
可见,pi的越小,则实际获得数据与该点的极限值,即目标预测数据越接近,基于预测过程的多重动态阈值告警机制可以确定告警阈值序列,如
0≤δ1<δ2<δ3
当pi≤δ1时,确定数据正常系统对应运行状态无异常,当δ1<pi<δ2时,发出初级警告,当δ2<pi<δ3时,发出中级警告,当pi≥δ3时,发出严重警告。
为确定基于预测过程的多重动态阈值,可以通过在训练数据中添加不同强度的白噪声数据,将添加白噪声后的训练数据依次输入预测模型的方式获得,其步骤如下:
(a)在训练数据中添加强度为0的白噪声数据,并将此时的p的峰值确定为该预测模型此次添加白噪声数据后的轻微告警阈值;
(b)在训练数据中添加强度为1的白噪声数据,并将此时的p的峰值确定为该预测模型此次添加白噪声数据后的中级告警阈值;
(c)在训练数据中添加强度为2的白噪声数据,并将此时的p的峰值确定为该预测模型此次添加白噪声数据后的严重告警阈值;
以此类推,当实际应用需要时,还可以获得更多的警告级别对应的警告界限。为避免一次实验出现的偶然性影响结果的准确性,以上每一步骤可以重复多次,最终取各次结果的均值确定为对应的告警阈值,从而确定δ1,δ2,以及δ3的取值。由于各告警阈值基于预测过程确定,所得到的结果也与待预测数据的变化趋势相符,具有很好的动态准确性,能够更准确的确定实际获得数据相对于目标预测数据产生的偏移量所带来的系统压力的级别,从而提高了阈值告警技术的准确度。
以上对本申请实施例一提供的应用于信息系统的预警方法进行了详细的介绍,通过本方法,可以采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;根据原始数据描述确定综合指标,根据原始数据描述以及综合指标确定训练数据,并根据训练数据对预测模型进行训练,确定预测函数,并根据预测函数确定目标节点的目标预测数据;确定目标节点的实际获得数据,根据综合指标对实际获得数据进行转换,并将转换结果与目标预测数据进行比较;当比较结果符合预置特征时,发出对应的信息系统预警信息。不同的系统层次,不同方面预警需求,可以应用不同特征指标采集监测数据,进而根据采集的监测数据进行学习和预测,使得本方法可以灵活适应不同行业,不同特点信息系统,以及不同数据类型,特别是新出现的监控类型和监控需求,相对于在传统方法已无法处理的情况,本方法也能够灵活适应,高效处理。根据原始数据描述确定综合指标,能够更加准确的反映出每个性能指标对于某一方面或某系统层次潜在问题的整体评价的重要程度,从而提高了预警的准确性。根据原始数据描述以及综合指标确定训练数据,也进一步提高了预测模型的准确性。本申请实施例一提供的方法,提高了信息系统风险预警的灵活性,适应性,以及预警结果的准确性。
进一步的,该方法结合了主成份分析法这一无监督的降维技术,以及最小二乘支持向量回归机技术的预测模型,前者可以对原始监测数据构造综合指标,增加其可解释性,同时有效的降维以及构造综合指标,有效的减少数据噪音和冗余,同时减少过度拟合的可能性,为后续的机器学习过程中提高预测精度,减少计算量,以及提高学习和预测的效率打下了基础,而基于最小二乘支持向量回归机技术的预测模型,则可以快速高效的根据训练数据进行学习训练,从而确定预测函数,其所提供的多种预测方式更好的满足了不同背景下的信息系统预警需求,进一步提高了本方法的适应性和灵活性。
实施例二
请参看图3,为本申请实施例二提供的应用于信息系统的预警方法的流程图,如图3所示,该方法可以包括以下步骤:
S310:每次对目标预测数据进行预测时,确定待预测时间点前的预设时间周期内被监控节点的原始监测数据,并根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;所述描述矩阵的行数据标识特定时间内特定节点在各预设特征指标下的指标量;
S320:通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标;所述综合指标包括各指标成分对应的权重系数;
S330:根据所述描述矩阵的行数据以及所述综合指标,确定所述训练数据,并根据所述训练数据对最小二乘支持向量回归机实现的预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;所述预测函数包括回归方程及回归方程中的各系数;
S340:确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
S350:当比较结果符合预置特征时,发出对应的信息系统预警信息。
其中,可以在训练数据中添加不同强度的白噪声数据,将添加白噪声后的训练数据依次输入预测模型,并根据训练结果以及实际获得数据确定告警阈值序列;其中,告警阈值依次与白噪声数据的强度相对应;告警阈值依次确定的区间分别对应不同告警强度的信息系统预警信息;在这种实现方式下,在发出对应的信息系统预警信息时,可以将比较结果与所述告警阈值进行比对,当比对结果落入所述告警阈值确定的某一区间时,发出对应告警强度的信息系统预警信息。
另外,还可以显示一用户界面,用户界面中包括一动态基线,动态基线各处的值根据对应的目标预测数据确定;在采集到目标预测数据对应的实际获得数据后,将实际获得数据或根据实际获得数据得到的所述转换结果,显示在用户界面中的对应位置。通过在用户界面显示的动态基线以及对应的实际获得数据,用户可以更加直观的了解信息系统实际运行过程中实际获得数据相对于目标预测数据的偏移量。
关于本实施例的各步骤的具体实现,可以参照前述实施例一的记载,这里不再赘述。以上对本申请实施例二提供的应用于信息系统的预警方法进行了详细的介绍,通过本方法可以根据原始数据描述确定综合指标,能够更加准确的反映出各性能指标对于某一方面或某系统层次潜在问题的整体评价的重要程度,从而提高了预警的准确性。根据原始数据描述以及综合指标确定训练数据,也进一步提高了预测模型的准确性。本申请实施例二提供的方法,提高了信息系统风险预警的灵活性,适应性,以及预警结果的准确性。该方法结合了主成份分析法这一无监督的降维技术,以及最小二乘支持向量回归机技术的预测模型,前者可以对原始监测数据构造综合指标,增加其可解释性,同时有效的降维以及构造综合指标,有效的减少数据噪音和冗余,同时减少过度拟合的可能性,为后续的机器学习过程中提高预测精度,减少计算量,以及提高学习和预测的效率打下了基础,而基于最小二乘支持向量回归机技术的预测模型,则可以快速高效的根据训练数据进行学习训练,从而确定预测函数,其所提供的多种预测方式更好的满足了不同背景下的信息系统预警需求,进一步提高了本方法的适应性和灵活性。
与本申请实施例一相对应,还公开了一种应用于信息系统的预警装置,如图4所示,该装置可以包括:
原始数据构建单元410,用于采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;
综合指标确定单元420,用于根据原始数据描述确定综合指标,综合指标包括各指标成分对应的权重系数;
数据预测单元430,用于根据原始数据描述以及综合指标确定训练数据,并根据训练数据对预测模型进行训练,确定预测函数,并根据预测函数确定目标节点的目标预测数据;
数据转换及对比单元440,用于确定目标节点的实际获得数据,根据综合指标对实际获得数据进行转换,并将转换结果与目标预测数据进行比较;以及,
预警信息处理单元450,用于当比较结果符合预置特征时,发出对应的信息系统预警信息。
其中,原始数据构建单元410可以包括:
原始数据采集单元,用于每次对目标预测数据进行预测时,确定待预测时间前的预设时间周期内被监控节点的原始监测数据。
该装置还可以包括动态基线显示单元,用于显示一用户界面,用户界面中包括一动态基线,动态基线各处的值根据对应的目标预测数据确定;以及用于在采集到目标预测数据对应的实际获得数据后,将实际获得数据或根据实际获得数据得到的转换结果,显示在用户界面中的对应位置。
其中,预设特征指标可以根据预置特征指标模型库确定,特征指标模型库保存有指标类型与特征指标的对应关系;指标类型与监控类型具有相关性,指标类型包括基础型特征指标以及扩展型特征指标。
在这种实现方式下,指标类型可以包括以下任意一种或几种类型的组合:
交易性指标;应用性能指标;网络性能指标;标准协议分析指标;日志信息指标;基础资源性能指标。
原始数据构建单元410,可以包括:
原始数据构建子单元,用于采集预设时间周期内被监控节点的原始监测数据,根据原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将描述矩阵确定为原始数据描述;
在这种实现方式下,综合指标确定单元420可以包括:
综合指标确定子单元,用于通过主成份分析方法对描述矩阵进行分析,获取第一主成份,将第一主成份确定为综合指标。
预测模型可以包括最小二乘支持向量回归机,在这种实现方式下,数据预测单元430可以包括:
数据预测子单元,根据原始数据描述对最小二乘支持向量回归机进行训练,确定回归方程及回归方程中的各系数,并根据回归方程确定目标节点的目标预测数据。
其中,最小二乘支持向量回归机可以包括线性和/或非线性最小二乘支持向量回归机。
在最小二乘支持向量回归机实现的预测模型中包括调节参数,该装置还可以包括:参数最优值确定单元,用于通过网格搜索法确定调节参数的最优值。
此外,为实现更加精确的分级预警,该装置可以包括:
多级告警阈值确定单元,用于在训练数据中添加不同强度的白噪声数据,将添加白噪声后的训练数据依次输入预测模型,并根据训练结果以及实际获得数据确定告警阈值序列;告警阈值依次与白噪声数据的强度相对应;告警阈值依次确定的区间分别对应不同告警强度的信息系统预警信息;
在这种实现方式下,预警信息处理单元450可以包括:
预警信息处理子单元,用于将比较结果与告警阈值进行比对,当比对结果落入告警阈值确定的某一区间时,发出对应告警强度的信息系统预警信息。
与本申请实施例二相对应,还公开了另一种应用于信息系统的预警装置,如图5所示,该装置可以包括:
监测数据处理单元510,用于每次对目标预测数据进行预测时,确定待预测时间点前的预设时间周期内被监控节点的原始监测数据,并根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;所述描述矩阵的行数据标识特定时间内特定节点在各预设特征指标下的指标量;
主成份分析单元520,用于通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标;所述综合指标包括各指标成分对应的权重系数;
预测数据处理单元530,用于根据所述描述矩阵的行数据以及所述综合指标,确定所述训练数据,并根据所述训练数据对最小二乘支持向量回归机实现的预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;所述预测函数包括回归方程及回归方程中的各系数;
数据对比处理单元540,用于确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;以及,预警单元550,用于当比较结果符合预置特征时,发出对应的信息系统预警信息。
其中,可以在训练数据中添加不同强度的白噪声数据,将添加白噪声后的训练数据依次输入预测模型,并根据训练结果以及实际获得数据确定告警阈值序列;告警阈值依次与所述白噪声数据的强度相对应;告警阈值依次确定的区间分别对应不同告警强度的信息系统预警信息;
所述预警单元550具体用于:
将比较结果与告警阈值进行比对,当比对结果落入告警阈值确定的某一区间时,发出对应告警强度的信息系统预警信息。
另外,该装置还可以包括用户界面显示单元,用于显示一用户界面,用户界面中包括一动态基线,动态基线各处的值根据对应的目标预测数据确定;以及用于在采集到目标预测数据对应的实际获得数据后,将实际获得数据或根据实际获得数据得到的转换结果,显示在用户界面中的对应位置。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请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,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上对本申请所提供的应用于信息系统的预警方法及装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本申请的限制。
Claims (15)
1.一种应用于信息系统的预警方法,其特征在于,包括:
采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;
根据所述原始数据描述确定综合指标,所述综合指标包括各指标成分对应的权重系数;
根据所述原始数据描述以及所述综合指标确定训练数据,并根据所述训练数据对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;
确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
当比较结果符合预置特征时,发出对应的信息系统预警信息。
2.根据权利要求1所述的方法,其特征在于,所述采集预设时间周期内被监控节点的原始监测数据,包括:
每次对目标预测数据进行预测时,确定待预测时间前的预设时间周期内被监控节点的原始监测数据。
3.根据权利要求1所述的方法,其特征在于,还包括:
显示一用户界面,所述用户界面中包括一动态基线,所述动态基线各处的值根据对应的所述目标预测数据确定;
在采集到目标预测数据对应的实际获得数据后,将所述实际获得数据或根据所述实际获得数据得到的所述转换结果,显示在所述用户界面中的对应位置。
4.根据权利要求1所述的方法,其特征在于,所述预设特征指标根据预置特征指标模型库确定,所述特征指标模型库保存有指标类型与所述特征指标的对应关系;所述指标类型与监控类型具有相关性;所述指标类型包括基础型特征指标以及扩展型特征指标。
5.根据权利要求4所述的方法,其特征在于,所述指标类型包括以下任意一种或几种类型的组合:
交易性指标;应用性能指标;网络性能指标;标准协议分析指标;日志信息指标;基础资源性能指标。
6.根据权利要求1所述的方法,其特征在于,所述采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述,包括:
采集预设时间周期内被监控节点的原始监测数据,根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;
所述根据所述原始数据描述确定综合指标,包括:
通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述预测模型包括最小二乘支持向量回归机,所述根据所述原始数据描述对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据,包括:
根据所述原始数据描述对最小二乘支持向量回归机进行训练,确定回归方程及回归方程中的各系数,并根据所述回归方程确定目标节点的目标预测数据。
8.根据权利要求7所述的方法,其特征在于,所述最小二乘支持向量回归机包括线性和/或非线性最小二乘支持向量回归机。
9.根据权利要求7所述的方法,其特征在于,在最小二乘支持向量回归机实现的预测模型中包括调节参数,所述方法还包括:
通过网格搜索法确定所述调节参数的最优值。
10.根据权利要求1-6任一项所述的方法,其特征在于,还包括:
在所述训练数据中添加不同强度的白噪声数据,将添加所述白噪声后的训练数据依次输入所述预测模型,并根据训练结果以及所述实际获得数据确定告警阈值序列;所述告警阈值依次与所述白噪声数据的强度相对应;所述告警阈值依次确定的区间分别对应不同告警强度的信息系统预警信息;
所述当比较结果符合预置特征时,发出对应的信息系统预警信息,包括:将所述比较结果与所述告警阈值进行比对,当比对结果落入所述告警阈值确定的某一区间时,发出对应告警强度的信息系统预警信息。
11.一种应用于信息系统的预警方法,其特征在于,包括:
每次对目标预测数据进行预测时,确定待预测时间点前的预设时间周期内被监控节点的原始监测数据,并根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;所述描述矩阵的行数据标识特定时间内特定节点在各预设特征指标下的指标量;
通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标;所述综合指标包括各指标成分对应的权重系数;
根据所述描述矩阵的行数据以及所述综合指标,确定所述训练数据,并根据所述训练数据对最小二乘支持向量回归机实现的预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;所述预测函数包括回归方程及回归方程中的各系数;
确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
当比较结果符合预置特征时,发出对应的信息系统预警信息。
12.根据权利要求11所述的方法,其特征在于,在所述训练数据中添加不同强度的白噪声数据,将添加所述白噪声后的训练数据依次输入所述预测模型,并根据训练结果以及所述实际获得数据确定告警阈值序列;所述告警阈值依次与所述白噪声数据的强度相对应;所述告警阈值依次确定的区间分别对应不同告警强度的信息系统预警信息;
所述当比较结果符合预置特征时,发出对应的信息系统预警信息,包括:
将所述比较结果与所述告警阈值进行比对,当比对结果落入所述告警阈值确定的某一区间时,发出对应告警强度的信息系统预警信息。
13.根据权利要求11所述的方法,其特征在于,还包括:
显示一用户界面,所述用户界面中包括一动态基线,所述动态基线各处的值根据对应的所述目标预测数据确定;
在采集到目标预测数据对应的实际获得数据后,将所述实际获得数据或根据所述实际获得数据得到的所述转换结果,显示在所述用户界面中的对应位置。
14.一种应用于信息系统的预警装置,其特征在于,包括:
原始数据构建单元,用于采集预设时间周期内被监控节点的原始监测数据,并根据预设特征指标构建原始数据描述;
综合指标确定单元,用于根据所述原始数据描述确定综合指标,所述综合指标包括各指标成分对应的权重系数;
数据预测单元,用于根据所述原始数据描述以及所述综合指标确定训练数据,并根据所述训练数据对预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;
数据转换及对比单元,用于确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
预警信息处理单元,用于当比较结果符合预置特征时,发出对应的信息系统预警信息。
15.一种应用于信息系统的预警装置,其特征在于,包括:
监测数据处理单元,用于每次对目标预测数据进行预测时,确定待预测时间点前的预设时间周期内被监控节点的原始监测数据,并根据所述原始监测数据以节点标识,监测时间,以及各预设特征指标的指标量三个维度构建描述矩阵,将所述描述矩阵确定为所述原始数据描述;所述描述矩阵的行数据标识特定时间内特定节点在各预设特征指标下的指标量;
主成份分析单元,用于通过主成份分析方法对所述描述矩阵进行分析,获取第一主成份,将所述第一主成份确定为所述综合指标;所述综合指标包括各指标成分对应的权重系数;
预测数据处理单元,用于根据所述描述矩阵的行数据以及所述综合指标,确定所述训练数据,并根据所述训练数据对最小二乘支持向量回归机实现的预测模型进行训练,确定预测函数,并根据所述预测函数确定目标节点的目标预测数据;所述预测函数包括回归方程及回归方程中的各系数;
数据对比处理单元,用于确定目标节点的实际获得数据,根据所述综合指标对所述实际获得数据进行转换,并将转换结果与所述目标预测数据进行比较;
预警单元,用于当比较结果符合预置特征时,发出对应的信息系统预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034859.8A CN106909487B (zh) | 2017-01-18 | 2017-01-18 | 应用于信息系统的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710034859.8A CN106909487B (zh) | 2017-01-18 | 2017-01-18 | 应用于信息系统的预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106909487A true CN106909487A (zh) | 2017-06-30 |
CN106909487B CN106909487B (zh) | 2020-10-23 |
Family
ID=59206897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710034859.8A Active CN106909487B (zh) | 2017-01-18 | 2017-01-18 | 应用于信息系统的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106909487B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608862A (zh) * | 2017-10-13 | 2018-01-19 | 众安信息技术服务有限公司 | 监控告警方法、监控告警装置及计算机可读存储介质 |
CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
CN108984320A (zh) * | 2018-06-27 | 2018-12-11 | 郑州云海信息技术有限公司 | 一种消息队列集群防脑裂方法及装置 |
CN109284908A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市智物联网络有限公司 | 一种工业设备风险分析方法、系统及相关设备 |
CN109446041A (zh) * | 2018-09-25 | 2019-03-08 | 平安普惠企业管理有限公司 | 一种服务器压力预警方法、系统及终端设备 |
CN109711155A (zh) * | 2018-11-13 | 2019-05-03 | 同盾控股有限公司 | 一种预警确定方法和装置 |
CN109995599A (zh) * | 2019-04-28 | 2019-07-09 | 武汉烽火技术服务有限公司 | 一种网络性能异常的智能告警方法 |
CN110428018A (zh) * | 2019-08-09 | 2019-11-08 | 北京中电普华信息技术有限公司 | 一种全链路监控系统中的异常预测方法及装置 |
CN110455370A (zh) * | 2019-08-18 | 2019-11-15 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 防汛抗旱远程遥测显示系统 |
CN111007810A (zh) * | 2019-11-06 | 2020-04-14 | 珠海格力电器股份有限公司 | 物料分析预警方法、装置、电子设备及存储介质 |
CN111198808A (zh) * | 2019-12-25 | 2020-05-26 | 东软集团股份有限公司 | 预测性能指标的方法、装置、存储介质及电子设备 |
CN111755125A (zh) * | 2020-07-07 | 2020-10-09 | 医渡云(北京)技术有限公司 | 分析患者测量指标的方法、装置、介质及电子设备 |
CN112181758A (zh) * | 2020-08-19 | 2021-01-05 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112256526A (zh) * | 2020-10-14 | 2021-01-22 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
CN112286774A (zh) * | 2020-10-29 | 2021-01-29 | 平安普惠企业管理有限公司 | 运维监控数据展示方法、装置、存储介质及计算设备 |
CN112286932A (zh) * | 2020-10-28 | 2021-01-29 | 况客科技(北京)有限公司 | 数据处理系统 |
CN112667479A (zh) * | 2020-12-30 | 2021-04-16 | 联想(北京)有限公司 | 一种信息监控方法及装置 |
CN112905484A (zh) * | 2021-03-25 | 2021-06-04 | 兴业数字金融服务(上海)股份有限公司 | 一种自适应闭环性能测试方法、系统及介质 |
CN115982577A (zh) * | 2023-03-20 | 2023-04-18 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6671661B1 (en) * | 1999-05-19 | 2003-12-30 | Microsoft Corporation | Bayesian principal component analysis |
CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
CN105654229A (zh) * | 2015-11-26 | 2016-06-08 | 国家电网公司 | 一种电网自动化系统及设备运行状态风险评估算法 |
-
2017
- 2017-01-18 CN CN201710034859.8A patent/CN106909487B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6671661B1 (en) * | 1999-05-19 | 2003-12-30 | Microsoft Corporation | Bayesian principal component analysis |
CN102938742A (zh) * | 2012-11-08 | 2013-02-20 | 广东电网公司电力调度控制中心 | 基于电力业务需求的通信带宽预测方法及装置 |
CN105654229A (zh) * | 2015-11-26 | 2016-06-08 | 国家电网公司 | 一种电网自动化系统及设备运行状态风险评估算法 |
Non-Patent Citations (1)
Title |
---|
蒋少华等: "基于主元分析与支持向量机的方法及其在过程监控诊断中的应用", 《弹箭与制导学报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107608862B (zh) * | 2017-10-13 | 2020-10-27 | 众安信息技术服务有限公司 | 监控告警方法、监控告警装置及计算机可读存储介质 |
CN107608862A (zh) * | 2017-10-13 | 2018-01-19 | 众安信息技术服务有限公司 | 监控告警方法、监控告警装置及计算机可读存储介质 |
CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
CN108984320A (zh) * | 2018-06-27 | 2018-12-11 | 郑州云海信息技术有限公司 | 一种消息队列集群防脑裂方法及装置 |
CN109284908A (zh) * | 2018-09-03 | 2019-01-29 | 深圳市智物联网络有限公司 | 一种工业设备风险分析方法、系统及相关设备 |
CN109446041A (zh) * | 2018-09-25 | 2019-03-08 | 平安普惠企业管理有限公司 | 一种服务器压力预警方法、系统及终端设备 |
CN109711155A (zh) * | 2018-11-13 | 2019-05-03 | 同盾控股有限公司 | 一种预警确定方法和装置 |
CN109995599A (zh) * | 2019-04-28 | 2019-07-09 | 武汉烽火技术服务有限公司 | 一种网络性能异常的智能告警方法 |
CN110428018A (zh) * | 2019-08-09 | 2019-11-08 | 北京中电普华信息技术有限公司 | 一种全链路监控系统中的异常预测方法及装置 |
CN110455370A (zh) * | 2019-08-18 | 2019-11-15 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 防汛抗旱远程遥测显示系统 |
CN110455370B (zh) * | 2019-08-18 | 2020-10-02 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 防汛抗旱远程遥测显示系统 |
CN111007810A (zh) * | 2019-11-06 | 2020-04-14 | 珠海格力电器股份有限公司 | 物料分析预警方法、装置、电子设备及存储介质 |
CN111198808A (zh) * | 2019-12-25 | 2020-05-26 | 东软集团股份有限公司 | 预测性能指标的方法、装置、存储介质及电子设备 |
CN111198808B (zh) * | 2019-12-25 | 2023-12-22 | 东软集团股份有限公司 | 预测性能指标的方法、装置、存储介质及电子设备 |
CN111755125A (zh) * | 2020-07-07 | 2020-10-09 | 医渡云(北京)技术有限公司 | 分析患者测量指标的方法、装置、介质及电子设备 |
CN111755125B (zh) * | 2020-07-07 | 2024-04-23 | 医渡云(北京)技术有限公司 | 分析患者测量指标的方法、装置、介质及电子设备 |
CN112181758A (zh) * | 2020-08-19 | 2021-01-05 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112181758B (zh) * | 2020-08-19 | 2023-07-28 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112256526B (zh) * | 2020-10-14 | 2024-02-23 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
CN112256526A (zh) * | 2020-10-14 | 2021-01-22 | 中国银联股份有限公司 | 基于机器学习的数据实时监控方法以及装置 |
CN112286932A (zh) * | 2020-10-28 | 2021-01-29 | 况客科技(北京)有限公司 | 数据处理系统 |
CN112286932B (zh) * | 2020-10-28 | 2021-09-14 | 况客科技(北京)有限公司 | 数据处理系统 |
CN112286774A (zh) * | 2020-10-29 | 2021-01-29 | 平安普惠企业管理有限公司 | 运维监控数据展示方法、装置、存储介质及计算设备 |
CN112667479A (zh) * | 2020-12-30 | 2021-04-16 | 联想(北京)有限公司 | 一种信息监控方法及装置 |
CN112905484A (zh) * | 2021-03-25 | 2021-06-04 | 兴业数字金融服务(上海)股份有限公司 | 一种自适应闭环性能测试方法、系统及介质 |
CN112905484B (zh) * | 2021-03-25 | 2023-12-19 | 兴业数字金融服务(上海)股份有限公司 | 一种自适应闭环性能测试方法、系统及介质 |
CN115982577A (zh) * | 2023-03-20 | 2023-04-18 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和系统 |
CN115982577B (zh) * | 2023-03-20 | 2023-09-08 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106909487B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106909487A (zh) | 应用于信息系统的预警方法及装置 | |
Peak et al. | Comparing nonpharmaceutical interventions for containing emerging epidemics | |
US9367799B2 (en) | Neural network based cluster visualization that computes pairwise distances between centroid locations, and determines a projected centroid location in a multidimensional space | |
CN100412871C (zh) | 生成用于自动化系统管理的领域知识的系统和方法 | |
Nelson | ‘Some tactical problems in digital simulation’for the next 10 years | |
Höhle et al. | Bayesian nowcasting during the STEC O104: H4 outbreak in Germany, 2011 | |
Azzeh | A replicated assessment and comparison of adaptation techniques for analogy-based effort estimation | |
CN106971310A (zh) | 一种客户投诉数量预测方法及装置 | |
JP6907664B2 (ja) | 非定常時系列データの予測に用いる方法及び装置 | |
US11700210B2 (en) | Enhanced selection of cloud architecture profiles | |
Yu et al. | Quantifying community resilience using hierarchical Bayesian kernel methods: A case study on recovery from power outages | |
WO2023103527A1 (zh) | 一种访问频次的预测方法及装置 | |
Tomar et al. | Active learning method for risk assessment of distributed infrastructure systems | |
Yang et al. | An intelligent and hybrid weighted fuzzy time series model based on empirical mode decomposition for financial markets forecasting | |
Thomas et al. | Real-time prediction of severe influenza epidemics using Extreme Value Statistics | |
CN115705501A (zh) | 机器学习数据处理管道的超参数空间优化 | |
Raykar et al. | A fast algorithm for learning a ranking function from large-scale data sets | |
US9141686B2 (en) | Risk analysis using unstructured data | |
Murphy et al. | Empirical distributions of homoplasy in morphological data | |
Brandouy et al. | Algorithmic complexity of financial motions | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
Jewson et al. | Adjusting catastrophe model ensembles using importance sampling, with application to damage estimation for varying levels of hurricane activity | |
Das et al. | Functional regression-based monitoring of quality of service in hospital emergency departments | |
Ni | Fuzzy minimum weight edge covering problem | |
Singhal et al. | Effect of data compression on pattern matching in historical data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |