CN107918670A - 一种应用于电力通信系统的告警处理方法 - Google Patents

一种应用于电力通信系统的告警处理方法 Download PDF

Info

Publication number
CN107918670A
CN107918670A CN201711223167.4A CN201711223167A CN107918670A CN 107918670 A CN107918670 A CN 107918670A CN 201711223167 A CN201711223167 A CN 201711223167A CN 107918670 A CN107918670 A CN 107918670A
Authority
CN
China
Prior art keywords
alarm
node
nodes
relevance
cluster
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.)
Pending
Application number
CN201711223167.4A
Other languages
English (en)
Other versions
CN107918670A8 (zh
Inventor
崔硕
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 Information and Telecommunication Co Ltd
Original Assignee
State Grid Information and Telecommunication 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 Information and Telecommunication Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN201711223167.4A priority Critical patent/CN107918670A/zh
Publication of CN107918670A publication Critical patent/CN107918670A/zh
Publication of CN107918670A8 publication Critical patent/CN107918670A8/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种应用于电力通信系统的告警处理方法，包括：根据系统节点之间的关联性强弱，对其进行分簇；通过各簇内告警间的关联关系分析寻找出每个簇内的告警频繁集；根据局部告警和全局告警之间的关系，由各个簇的告警数据库的局部告警频繁项集得到全系统的全局频繁项集。该方法能够提高规则系统的性能和健壮性，提升告警关联分析的效率。

Description

一种应用于电力通信系统的告警处理方法
技术领域
本发明涉及电力处理技术领域，具体涉及一种电力通信系统的告警处理 方法。
背景技术
随着电力通信网络的发展，网络的结构逐渐复杂，因此系统中产生的告 警数量也日益增多，其中也包含根告警引发的一系列重复无用的设备告警。 当无用告警将根告警信息淹没时，运维人员的故障处置工作难度增加，无法 在短时间内从监控系统内判断和分析骤增的告警。
关联分析方法的出现，过滤掉了重复和无用的告警信息，解脱了前端监 控处人工的查询和分析。这一技术将系统产生的所有告警集中至告警信息库 中进行数据挖掘。为高效的进行告警关联分析和故障定位处理，在告警关联 分析之前对产生的海量告警进行增加预处理流程，达到压缩告警数据库的目 的，进而提升告警的处理效率。
电力系统具有非常广泛的覆盖范围，系统产生的告警信息多是通过一种 集中式的处理方式，即海量告警的分析处理都是在一个主服务器上完成的。 但将传统关联分析方法直接应用到规模逐渐增加的智能电网系统中，将会面 临着的低下的关联分析效率问题，无法满足运维需求。因此，需研究适用于 电力系统的告警信息的高效关联分析方法，保障网络的稳定运行和实行有效 维护。
发明内容
本发明所要解决的技术问题是通过控制告警数量以提高告警的关联分析 效率，为此，提供了一种应用于电力通信系统的告警处理方法。
本发明解决上述技术问题所采取的技术方案如下：
一种应用于电力通信系统的告警处理方法，包括：
根据系统节点之间的关联性强弱，对其进行分簇；
通过各簇内告警间的关联关系分析寻找出每个簇内的告警频繁集；
根据局部告警和全局告警之间的关系，由各个簇的告警数据库的局部告 警频繁项集得到全系统的全局频繁项集。
优选的是，所述系统节点之间的关联性强弱，通过以下方式获取：
由故障之间的关联性，即两节点同时发生故障的频率、时间间隔及业务 往来频率，判定系统节点之间的关联性；
节点i与节点j之间的相关性表达式，即关联值为：
其中，tn,n＝1,2,3...表示在时刻n进行故障信息统计，且各时刻之间具有等 间距性；|d|和|di,j|分别表示节点i与节点j在统计时间内发生故障的总次数与 同时发生故障的次数；△t是时间平均上的故障发生时间差，且满足 其中tmi与tmj表示节点i与节点j在时间段tm-1:tm内发生故障 的时刻。N表示节点i与节点j与系统中其他节点的所有业务往来次数，Ni,j表 示节点i与节点j之间的业务往来次数；
当两节点间的关联值大于某一阈值时，规定两节点间的相关性强，否则， 则认为两节点间的相关性弱。
优选的是，还包括：
基于关联度程度函数，构建涵括系统所有节点之间关联值的关联度矩阵， 将关联值用一个二值数值表示，其中，0表示相关性弱，1表示相关性强；
所述关联度矩阵中，任意一节点k的关联度可通过矩阵中k行所有元素 的值求和得出，若和值为0，将节点k定义为零度节点。
优选的是，所述关联度矩阵如下：
节点k的关联度为
当dk的值为0时，节点k为零度节点。
优选的是，根据系统节点之间的关联性强弱，对其进行分簇，具体包括：
先将所有零度节点筛选出来，再依据关联度矩阵将系统中关联性强的节 点分为一簇，最后将所有零度节点添加至每个生成的簇中，构建新的簇。
优选的是，获取各簇内告警间的关联关系，具体包括：
每个簇都在自己告警数据库内根据Apriori算法进行数据挖掘，通过关 联分析后锁定簇内的告警频繁集。
优选的是，获取局部告警和全局告警之间的关系，具体包括：
1)若告警项集W在某一子网中R是局部频繁的，则项集W的所有子集都 是子网R中的频繁告警项集；
2)若告警项集W在全网内是频繁的，则存在一个子网R，满足项集W和 其所有子集在R内是频繁的；
3)若告警项集W是全局频繁的n阶项集，则存在子网R，满足项集W与 其n-1阶子项集在子网R内繁复。
该方法能够提高规则系统的性能和健壮性，提升告警关联分析的效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说 明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优 点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实 现和获得。
附图说明
下面结合附图对本发明进行详细的描述，以使得本发明的上述优点更加 明确。其中，
图1示出了实施例中应用于电力通信系统的告警处理方法流程图；
图2示出了实施例中节点分簇方法的流程图；
图3示出了实施例中基于分簇的分布式告警关联分析算法流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如 何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并 据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各 实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范 围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的 计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情 况下，可以以不同于此处的顺序执行所示出或描述的步骤。
具体来说，本发明所要解决的技术问题是如何通过控制告警数量以提高 告警的关联分析效率。
为此目的，本发明提出一种应用于电力通信系统的告警处理方法和装置， 以提高规则系统的性能和健壮性，提升告警关联分析的效率。包括：
告警预处理模块：根据系统节点之间的关联性，对其进行分簇；
关联分析模块：通过各簇内告警间的关联分析寻找出每个簇内的告警频 繁集；
根据局部告警和全局告警之间的关系，由各个簇的告警数据库的局部告 警频繁项集得到全系统的全局频繁项集。
可选地，所述系统节点之间的关联性，其特征在于，
由故障之间的关联性，即两节点同时发生故障的频率、时间间隔及业务 往来频率，判定系统节点之间的关联性。
基于2项集支持度，节点i与节点j之间的相关性表达式，即关联值为：
其中，tn,n＝1,2,3...表示在时刻n进行故障信息统计，且各时刻之间具有等 间距性。|d|和|di,j|分别表示节点i与节点j在统计时间内发生故障的总次数与 同时发生故障的次数。△t是时间平均上的故障发生时间差，且满足 其中tmi与tmj表示节点i与节点j在时间段tm-1:tm内发生故障 的时刻。N表示节点i与节点j与系统中其他节点的所有业务往来次数，Ni,j表 示节点i与节点j之间的业务往来次数。
当两节点间的关联值大于某一阈值时，规定两节点间的相关性强，否则， 则认为两节点间的相关性弱。
可选地，所述系统节点之间的关联性，其特征还在于，
构建涵括系统所有节点之间关联值的关联度矩阵，将关联值用一个二值 数值表示(0表示相关性弱，1表示相关性强)。
可选地，所述关联度矩阵，其特征在于，
任意一节点k的关联度可通过矩阵中k行的所有元素的值求和得出，若 和值为0，将节点k定义为零度节点。
可选地，节点分簇方法，其特征在于，
先将所有零度节点筛选出来，再依据关联度矩阵将系统中关联性强的节 点分为一簇，最后将所有零度节点添加至每个生成的簇中，构建新的簇。
可选地，所述的簇内告警关联分析，其特征在于，
每个簇都在自己告警数据库内根据Apriori算法进行数据挖掘，通过关 联分析后确定簇内的告警频繁集。
可选地，所述局部告警和全局告警之间的关系，其特征在于，包括：
1)若告警项集W在某一子网中R是局部频繁的，则项集W的所有子集都 是子网R中的频繁告警项集；
2)若告警项集W在全网内是频繁的，则存在一个子网R，满足项集W和 其所有子集在R内是频繁的；
3)若告警项集W是全局频繁的n阶项集，则存在子网R，满足项集W与 其n-1阶子项集在子网R内繁复。
如图1所示，告警处理方法分两个处理模块：告警预处理模块语关联分 析模块。在预处理模块中，根据系统节点之间的关联性，对其进行分簇；在 关联分析模块中，通过各簇内告警间的关联分析寻找出每个簇内的告警频繁 集；根据局部告警和全局告警之间的关系，由各个簇的告警数据库的局部告 警频繁项集得到全系统的全局频繁项集。
图2所示是节点分簇的流程图；由故障之间的关联性，即两节点同时发 生故障的频率、时间间隔及业务往来频率，判定系统节点之间的关联性。
基于2项集支持度，节点i与节点j之间的相关性表达式，即关联值为：
其中，tn,n＝1,2,3...表示在时刻n进行故障信息统计，且各时刻之间具有等 间距性。|d|和|di,j|分别表示节点i与节点j在统计时间内发生故障的总次数与 同时发生故障的次数。△t是时间平均上的故障发生时间差，且满足 其中tmi与tmj表示节点i与节点j在时间段tm-1:tm内发生故障 的时刻。N表示节点i与节点j与系统中其他节点的所有业务往来次数，Ni,j表 示节点i与节点j之间的业务往来次数。
当两节点间的关联值大于某一阈值时，规定两节点间的相关性强，否则， 则认为两节点间的相关性弱。为便于分簇处理，将节点间的关联值统一用二 值数值表示。
定义节点i与节点j之间的关联度程度函数为
且定义e(i,i)＝0表示节点的自相关，关联性最强。基于关联度程度函数，构建 关联度矩阵函数
节点k的关联度为
当dk的值为0时，节点k为零度节点。
具体步骤如下：
1、基于系统所有节点集合构建关联度矩阵A，初始化迭代因子u＝1。
2、找出系统中的所有零度节点，构建集合S，除零度节点外的节点集合 Q＝B-S
3、分簇。
(a)判断A是否为全零矩阵，是则转向步骤(c)
(b)A不为全零矩阵时，找出具有最大关联度的节点k，将关联度矩阵A 中的k行和k列的值置0，生成集合Hs＝Hs∪k
(c)生成第s个簇Qs＝Q-Hs
4、基于节点集合Hs构建关联度矩阵As，满足As≠0且|Hs|≠1，u＝u+1， 跳转至步骤3，否则，Qs+1＝Hs
5、在生成的每个簇中添加集合S中的孤立节点，构成最终的簇。
图3所示是基于分簇的分布式告警关联分析算法流程；每个簇都在自己 告警数据库内根据Apriori算法进行数据挖掘，通过关联分析后确定簇内的 告警频繁集。
局部告警和全局告警之间的关系包括：
1)若告警项集W在某一子网中R是局部频繁的，则项集W的所有子集都 是子网R中的频繁告警项集；
2)若告警项集W在全网内是频繁的，则存在一个子网R，满足项集W和 其所有子集在R内是频繁的；
3)若告警项集W是全局频繁的n阶项集，则存在子网R，满足项集W与 其n-1阶子项集在子网R内繁复。
需要说明的是，对于上述方法实施例而言，为了简单描述，故将其都表 述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描 述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同 时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属 于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或 计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、 或结合软件和硬件方面的实施例的形式。
而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计 算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上 实施的计算机程序产品的形式。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限 制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的 技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作 的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种应用于电力通信系统的告警处理方法，其特征在于，包括：
根据系统节点之间的关联性强弱，对其进行分簇；
通过各簇内告警间的关联关系分析寻找出每个簇内的告警频繁集；
根据局部告警和全局告警之间的关系，由各个簇的告警数据库的局部告警频繁项集得到全系统的全局频繁项集。
2.根据权利要求1所述的告警处理方法，其特征在于，所述系统节点之间的关联性强弱，通过以下方式获取：
由故障之间的关联性，即两节点同时发生故障的频率、时间间隔及业务往来频率，判定系统节点之间的关联性；
节点i与节点j之间的相关性表达式，即关联值为：
其中，tn,n＝1,2,3...表示在时刻n进行故障信息统计，且各时刻之间具有等间距性；
|d|和|di,j|分别表示节点i与节点j在统计时间内发生故障的总次数与同时发生故障的次数；△t是时间平均上的故障发生时间差，且满足其中tmi与tmj表示节点i与节点j在时间段tm-1:tm内发生故障的时刻；
N表示节点i与节点j与系统中其他节点的所有业务往来次数，Ni,j表示节点i与节点j之间的业务往来次数；
当两节点间的关联值大于某一阈值时，规定两节点间的相关性强，否则，则认为两节点间的相关性弱。
3.根据权利要求2所述的告警处理方法，其特征在于，还包括：
基于关联度程度函数，构建涵括系统所有节点之间关联值的关联度矩阵，将关联值用一个二值数值表示，其中，0表示相关性弱，1表示相关性强；
所述关联度矩阵中，任意一节点k的关联度可通过矩阵中k行所有元素的值求和得出，若和值为0，将节点k定义为零度节点。
4.根据权利要求3所述的告警处理方法，其特征在于，其特征在于，所述关联度矩阵如下：
节点k的关联度为
当dk的值为0时，节点k为零度节点。
5.根据权利要求1所述的告警处理方法，其特征在于，根据系统节点之间的关联性强弱，对其进行分簇，具体包括：
先将所有零度节点筛选出来，再依据关联度矩阵将系统中关联性强的节点分为一簇，最后将所有零度节点添加至每个生成的簇中，构建新的簇。
6.根据权利要求1所述的告警方法，其特征在于，获取各簇内告警间的关联关系，具体包括：
每个簇都在自己告警数据库内根据Apriori算法进行数据挖掘，通过关联分析后锁定簇内的告警频繁集。
7.根据权利要求1所述的告警方法，其特征在于，获取局部告警和全局告警之间的关系，具体包括：
1）若告警项集W在某一子网中R是局部频繁的，则项集W的所有子集都是子网R中的频繁告警项集；
2）若告警项集W在全网内是频繁的，则存在一个子网R，满足项集W和其所有子集在R内是频繁的；
3）若告警项集W是全局频繁的n阶项集，则存在子网R，满足项集W与其n-1阶子项集在子网R内繁复。
CN201711223167.4A 2017-11-29 2017-11-29 一种应用于电力通信系统的告警处理方法 Pending CN107918670A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711223167.4A CN107918670A (zh) 2017-11-29 2017-11-29 一种应用于电力通信系统的告警处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711223167.4A CN107918670A (zh) 2017-11-29 2017-11-29 一种应用于电力通信系统的告警处理方法

Publications (2)

Publication Number Publication Date
CN107918670A true CN107918670A (zh) 2018-04-17
CN107918670A8 CN107918670A8 (zh) 2019-08-30

Family

ID=61898070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711223167.4A Pending CN107918670A (zh) 2017-11-29 2017-11-29 一种应用于电力通信系统的告警处理方法

Country Status (1)

Country Link
CN (1) CN107918670A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829794A (zh) * 2018-06-04 2018-11-16 北京交通大学 基于区间图的告警分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871003A (zh) * 2014-03-31 2014-06-18 国家电网公司 一种应用历史故障数据的配电网故障诊断方法
CN105677759A (zh) * 2015-12-30 2016-06-15 国家电网公司 一种信息通信网络中的告警关联性分析方法
CN107527123A (zh) * 2017-09-30 2017-12-29 广东电网有限责任公司电力科学研究院 一种基于分布式关联规则的扰动事件预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103871003A (zh) * 2014-03-31 2014-06-18 国家电网公司 一种应用历史故障数据的配电网故障诊断方法
CN105677759A (zh) * 2015-12-30 2016-06-15 国家电网公司 一种信息通信网络中的告警关联性分析方法
CN107527123A (zh) * 2017-09-30 2017-12-29 广东电网有限责任公司电力科学研究院 一种基于分布式关联规则的扰动事件预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴简: "面向业务的基于模糊关联规则挖掘的网络故障诊断", 《中国博士学位论文全文数据库 信息科技辑》 *
王治和 等: "分布式关联规则挖掘研究", 《南京师大学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829794A (zh) * 2018-06-04 2018-11-16 北京交通大学 基于区间图的告警分析方法
CN108829794B (zh) * 2018-06-04 2022-04-12 北京交通大学 基于区间图的告警分析方法

Also Published As

Publication number Publication date
CN107918670A8 (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CA3026034C (en) Distributed data set indexing
US10275690B2 (en) Machine learning predictive labeling system
CN110708204B (zh) 一种基于运维知识库的异常处理方法、系统、终端及介质
Guan et al. Ensemble of Bayesian predictors and decision trees for proactive failure management in cloud computing systems.
CN110351150B (zh) 故障根源确定方法及装置、电子设备和可读存储介质
Cao et al. Titant: Online real-time transaction fraud detection in ant financial
US10860809B2 (en) Word embeddings and virtual terms
CN111885040A (zh) 分布式网络态势感知方法、系统、服务器及节点设备
CN114465874B (zh) 故障预测方法、装置、电子设备与存储介质
CN111726248A (zh) 一种告警根因定位方法及装置
US11334809B1 (en) System and methods for interactive text regression model building
CN104598565B (zh) 一种基于随机梯度下降算法的k均值大规模数据聚类方法
CN107104951B (zh) 网络攻击源的检测方法和装置
Li et al. Intelligent anti-money laundering solution based upon novel community detection in massive transaction networks on spark
US10824694B1 (en) Distributable feature analysis in model training system
Karthik et al. Prognostic Kalman Filter Based Bayesian Learning Model for Data Accuracy Prediction.
Wang et al. A Log‐Based Anomaly Detection Method with Efficient Neighbor Searching and Automatic K Neighbor Selection
CN115632874A (zh) 一种实体对象的威胁检测方法、装置、设备及存储介质
CN112363891B (zh) 一种基于细粒度事件和KPIs分析的异常原因获得方法
Laloux et al. Efficient distributed approach for density-based clustering
Guan et al. Anomaly detection in large-scale coalition clusters for dependability assurance
CN107918670A (zh) 一种应用于电力通信系统的告警处理方法
Sisiaridis et al. Feature extraction and feature selection: Reducing data complexity with apache spark
CN117675691A (zh) 路由器的远程故障监控方法、装置、设备及存储介质
KR20210108074A (ko) 플랜트 엔지니어링 업무 단계별 의사결정 지원을 위한 머신러닝 자동화 플랫폼 장치

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
CI02 Correction of invention patent application
CI02 Correction of invention patent application

Correction item: Application Date

Correct: 2018.01.25

False: 2017.11.29

Number: 16-01

Page: The title page

Volume: 34

Correction item: Application Date

Correct: 2018.01.25

False: 2017.11.29

Number: 16-01

Volume: 34

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180417