CN107992395B - 一种基于遗传算法的告警阈值设置方法 - Google Patents
一种基于遗传算法的告警阈值设置方法 Download PDFInfo
- Publication number
- CN107992395B CN107992395B CN201711214261.3A CN201711214261A CN107992395B CN 107992395 B CN107992395 B CN 107992395B CN 201711214261 A CN201711214261 A CN 201711214261A CN 107992395 B CN107992395 B CN 107992395B
- Authority
- CN
- China
- Prior art keywords
- alarm
- individual
- alarm threshold
- fitness
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002068 genetic effect Effects 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000001960 triggered effect Effects 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 230000035484 reaction time Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
- G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
- G06F2201/81—Threshold
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于遗传算法的告警阈值设置方法,包括如下步骤:步骤一,初始化,随机生成M个告警阈值的个体作为初始群体P(0);步骤二,个体评价:计算群体P(t)中各个个体的适应度;步骤三,选择运算:将优化的告警阈值遗传给下一代;步骤四,交叉运算:将最优告警阈值作用于群体P(t)中适应度较低的个体;步骤五,变异运算:群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1);步骤六,终止条件判断:若t=T,则以进化过程中个体所得到的具有最大适应度的告警阈值作为个体最优解输出,终止计算。本发明对群体中的个体的适应度以及最优告警阈值进行逐步调整,最终设定一最优告警阈值使得个体具有最高的适应度,以便设备进行更好的数据处理工作。
Description
技术领域
本发明创造涉及智能设备技术领域,尤其涉及一种基于遗传算法的告警阈值设置方法。
背景技术
目前服务器等设备在进行数据处理时,采用的人工设置告警阈值的方式,但人工设置经常会出现无法准确的反应每台设备实际告警需求的情况,另外,当服务器连接的设备越多设置阈值的工作量也就越大,经常发生大量的无用告警,因此急需手段来达到智能科学预警的目的。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法;能够使得种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码,可作为问题近似最优解。
发明内容
为解决现有技术的不足,本发明的目的在于提供一种基于遗传算法的告警阈值设置方法,基于遗传算法,对群体中的个体的适应度以及最优告警阈值进行逐步调整,最终设定一最优告警阈值使得个体具有最高的适应度,以便设备进行更好的数据处理工作;数据处理速度快,准确度高。
为了实现上述目标,本发明采用如下的技术方案:
一种基于遗传算法的告警阈值设置方法,包括如下步骤:
步骤一,设置告警阈值进化代数计数器t,t初始值为0,随机设置最大进化代数T,随机生成M个告警阈值的个体作为初始群体P(0);
步骤二,个体在达到告警阈值后经历N个处理器采集数据的采集周期后,产生告警反馈,根据N的数值结合评价准则给予不同的评价值,从而计算群体P(t)中各个个体的适应度,报警判断流程方法如下:
1)事件判断
每个报警策略包含多个条件,条件之间可以通过表达式“||”,“&&”,“()”,“==”等连接,当多个条件表达式的最后值为true的时候,会触发动作;上述动作包括:发送报警或执行恢复动作;报警策略选择性的作用在多个主机组或多个主机上,或作用在特定的主机组或者主机上。
2)条件判断
每个报警策略有多个条件,上述条件包括:指标(metric)、标签(tags)、比较表达式、阈值以及报警方法;
3)报警处理
产生报警时可以依据所属组与所属主机按照报警级别进行展示,报警级别分成高、中、低三种级别;报警可以被知悉,当点击了报警知悉后,该报警就不会再被发送;知悉后的报警可以被关闭,关闭后可以输入一些备注来说明对于此次报警的具体处理方式;
步骤三,将选择算子作用于群体P(t)中,根据个体在达到告警阈值一个周期内不同的告警反馈给予不同的评价值,将优化的告警阈值遗传给下一代;
步骤四,将交叉算子作用于群体P(t)中,根据群体P(t)中各个个体的适应度,计算个体的最优告警阈值,将最优告警阈值作用于群体P(t)中适应度较低的个体;
步骤五,将变异算子作用于群体P(t)中,即是对群体P(t)中的个体串的适应度最高的告警阈值给予一个随机数值的变化,群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1);
步骤六,终止条件判断:若t=T,则以进化过程中个体所得到的具有最大适应度的告警阈值作为个体最优解输出,终止计算。
前述的一种基于遗传算法的告警阈值设置方法,报警判断的算法为最大值算法,具体方法为:在某一段时间范围内,采集多个数据点,从中找出一个最大值,用最大值和我们预先定义的阈值进行比较,用此种方式来判断是否触发报警。
前述的一种基于遗传算法的告警阈值设置方法,报警判断的算法为最小值算法,具体方法为:和最大值正好相反,从采集的数据中找到一个最小值并和阈值一起进行比较。
前述的一种基于遗传算法的告警阈值设置方法,报警判断的算法为环比算法,具体方法为:环比是当前时间段的数据集的平均data2与之前某一段时间数据集的平均值data1进行差值然后除以之前数据集的平均值,公式是:(data2–data1/data1)*100;当某一个时间段的数据坡度明显增高或者降低时,说明服务遇到了很大的波动,那么就要触发相应的报警提示。
前述的一种基于遗传算法的告警阈值设置方法,报警判断的算法为TopN算法,具体方法为:将数据集中的每一个点都和高阈值进行比较,当所有的点都达到高阈值时才触发报警。
前述的一种基于遗传算法的告警阈值设置方法,报警判断的算法为BottomN算法,具体方法为:将数据集中的每一个点都和低阈值进行比较,当所有的点都达到低阈值时才触发报警。
前述的一种基于遗传算法的告警阈值设置方法,步骤二中的评价准则包括:初始评价值为100分,当个体在达到告警阈值后,经历N个周期后产生告警反馈的情况,评价值为100-(N-1)分。
前述的一种基于遗传算法的告警阈值设置方法,步骤二中的评价准则还包括:若个体在3分钟内积极响应并处理告警,使自身状态恢复正常,则将个体的评价值提高10分;如果个体处理告警不及时,则将个体的评价值降低10分,判断个体的适应度低。
前述的一种基于遗传算法的告警阈值设置方法,告警反馈包括:响应周期、处理时长、告警恢复;响应周期为从个体收到告警警报到个体开始处理的反应时间;处理时长为个体处理告警警报的时间;告警恢复为个体处理告警警报后恢复的状态。
本发明的有益之处在于:
本发明基于遗传算法,对群体中的个体的适应度以及最优告警阈值进行逐步调整,最终设定一最优告警阈值使得个体具有最高的适应度,从而进行智能科学预警,以便设备进行更好的数据处理工作;
本发明通过响应周期、处理时长、告警恢复能够得知个体在响应时间、处理速度以及处理效果上的情况,从而能够为评价个体的适应度提供依据,进而有助于调整告警阈值。
附图说明
图1是本发明的一种实施例的流程图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
一种基于遗传算法的告警阈值设置方法,包括以下步骤:
步骤一,设置告警阈值进化代数计数器t,t初始值为0,随机设置最大进化代数T,随机生成M个告警阈值的个体作为初始群体P(0);
步骤二,个体在达到告警阈值后经历N个处理器采集数据的采集周期后,产生告警反馈,根据N的数值结合评价准则给予不同的评价值,从而计算群体P(t)中各个个体的适应度。需要说明的是:步骤二中的评价准则包括:初始评价值为100分,当个体在达到告警阈值后,经历N个周期后产生告警反馈的情况,评价值为100-(N-1)分。若个体在3分钟内积极响应并处理告警,使自身状态恢复正常,则将个体的评价值提高10分;如果个体处理告警不及时,则将个体的评价值降低10分,判断个体的适应度低。
当个体积极响应并处理告警、使自身状态恢复正常,则能够表明个体在处理问题时的能力较好,对环境的适应能力较强,故而适应度也就较高;相反当个体处理告警不及时,则证明个体处理问题的能力不好,对环境的适应能力较差,无法很好的进行自我调整,故而适应度也就较低。
步骤二建立在群体中个体的适应度评估基础上;为了设置最佳的告警阈值,应当在个体能够获得较好的适应度的前提下,即个体在不影响自身对告警警报处理的前提下,尽可能的选择较大的告警阈值;故而步骤二是以群体中个体的适应度评估为基础的。
告警反馈包括:响应周期、处理时长、告警恢复;响应周期为从个体收到告警警报到个体开始处理的反应时间;处理时长为个体处理告警警报的时间;告警恢复为个体处理告警警报后恢复的状态。响应周期能够代表个体自身在接收到告警警报后开始处理的反应总时间,能够表现个体自身的反应速度,从而代表个体在对告警警报反应时的适应情况;处理时长则能够表现个体在处理告警警报时的处理速度,能够表现个体在处理问题时的处理速度,为后续选择具有最大适应度的告警阈值提供数据依据;而告警恢复则能够展现个体在进行处理后的恢复效果,从而利用恢复效果展现个体的处理能力。
判断流程方法如下:
1)事件判断
每一个报警策略包含多个条件,条件之间通过表达式“||”,“&&”,“()”,“==”等连接,当多个条件表达式的最后值为true的时候,会触发某个动作;具体的动作可以是发送报警,执行某个恢复动作;报警策略可以选择性的作用在多个主机组和多个主机上,也可以作用在某个特定的主机组或者主机上。
2)条件判断
每个策略有多个条件,每个条件包括指标(metric)、标签(tags)、比较表达式、阈值以及报警方法。
举例说明,一个指标上可以包括多个tag,这些tag可以根据不同维度去抓取数据,得到数据后再根据比较方法和比较表达式计算最终的一个布尔值。
3)报警处理
产生报警时可以依据所属组与所属主机按照报警级别进行展示,报警级别可以分成高、中、低三种级别。报警可以被知悉,当点击了报警知悉后,该报警就不会再被发送。知悉后的报警可以被关闭,关闭后可以输入一些备注来说明对于此次报警的具体处理方式。
判断算法:
监控系统本身要监控许多种服务指标以及系统指标,而且各种指标的变化和监控的重点也是不一样的,针对不同的指标采用合适的报警算法,可以大大提高监控的准确性,降低误报率。
1)最大值
在某一段时间范围内,采集多个数据点,从中找出一个最大值,用最大值和我们预先定义的阈值进行比较,用此种方式来判断是否触发报警。举例说明,当某块磁盘的使用率超过了某一个阈值,我们就需要马上提示这台主机的磁盘空间不足,以避免影响业务服务的正常运转。
2)最小值
和最大值正好相反,从采集的数据中找到一个最小值并和阈值一起进行比较。主要的应用场景可以是监控某一服务的进程数,当进程数小于某个阈值时必须触发报警。
3)环比
环比是当前时间段的数据集的平均值(data2)与之前某一段时间数据集的平均值(data1)进行差值然后除以之前数据集的平均值,公式是:(data2–data1)/data1。此种算法的具体应用场景是针对那些平时指标曲线比较稳定坡度不是很大服务。当某一个时间段的数据坡度明显增高或者降低时,说明服务一定遇到了很大的波动,那么就要触发相应的报警提示。
4)TopN
此种算法是将数据集中的每一个点都和阈值进行比较,当所有的点都达到阈值时才触发报警。CPU使用率在某一时间点突然增高其实是一种很常见的情况,这种情况是TopN具体的应用场景之一;不能因为某一个时间点CPU突然增高就立刻发送报警,这样会产生很多无用的误报。
5)BottomN
将数据集中的每一个点都和低阈值进行比较,当所有的点都达到低阈值时才触发报警。
步骤三,将选择算子作用于群体P(t)中,根据个体在达到告警阈值一个周期内不同的告警反馈给予不同的评价值,将优化的告警阈值遗传给下一代。选择算子为告警阈值;根据个体在达到告警阈值一个周期内不同的告警反馈给予不同的评价值,并应用于群体P(t)中,从而获得优化的告警阈值,并将优化的告警阈值遗传给下一代,以便设置得到更佳的告警阈值。
步骤四,将交叉算子作用于群体P(t)中,根据群体P(t)中各个个体的适应度,计算个体的最优告警阈值,将最优告警阈值作用于群体P(t)中适应度较低的个体。
步骤五,将变异算子作用于群体P(t)中,即是对群体P(t)中的个体串的适应度最高的告警阈值给予一个随机数值的变化,群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
步骤六,终止条件判断:若t=T,则以进化过程中个体所得到的具有最大适应度的告警阈值作为个体最优解输出,终止计算。
综上所述,S1为预备步骤,设置告警阈值进化代数计数器t=0,设置最大进化代数T,随机生成M个告警阈值的个体作为初始群体P(0),为后续逐步调整提供基础;S2用于考核个体的适应度,以便在S3中对个体在达到告警阈值一个周期内不同的告警反馈给予不同的评价,从而对告警阈值进行优化,并将将优化的告警阈值遗传给下一代;而S4则用于计算出个体的最优告警阈值,并将最优告警阈值运用于适应度较低的个体,从而判断最优告警阈值在适应度较低的个体中的工作情况;S5则用于对P(t)中的个体串的适应度较高的告警阈值作变动;最终在S6中,得到个体具有最大适应度的告警阈值,并将此作为个体最优解输出,即作为最终告警阈值的设置;本发明创造基于遗传算法,对群体中的个体的适应度以及最优告警阈值进行逐步调整,最终设定一最优告警阈值使得个体具有最高的适应度,从而进行智能科学预警,以便设备进行更好的数据处理工作。
本发明基于遗传算法,对群体中的个体的适应度以及最优告警阈值进行逐步调整,最终设定一最优告警阈值使得个体具有最高的适应度,从而进行智能科学预警,以便设备进行更好的数据处理工作;
本发明通过响应周期、处理时长、告警恢复能够得知个体在响应时间、处理速度以及处理效果上的情况,从而能够为评价个体的适应度提供依据,进而有助于调整告警阈值。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,上述实施例不以任何形式限制本发明,凡采用等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (9)
1.一种基于遗传算法的告警阈值设置方法,其特征在于,包括如下步骤:
步骤一,设置告警阈值进化代数计数器t,t初始值为0,随机设置最大进化代数T,随机生成M个告警阈值的个体作为初始群体P(0);
步骤二,个体在达到告警阈值后经历N个处理器采集数据的采集周期后,产生告警反馈,根据N的数值结合评价准则给予不同的评价值,从而计算群体P(t)中各个个体的适应度,报警判断流程方法如下:
1)事件判断
每个报警策略包含多个条件,条件之间可以通过表达式“||”,“&&”,“()”,“==”等连接,当多个条件表达式的最后值为true的时候,会触发动作;上述动作包括:发送报警或执行恢复动作;报警策略选择性的作用在多个主机组或多个主机上,或作用在特定的主机组或者主机上;
2)条件判断
每个报警策略有多个条件,上述条件包括:指标(metric)、标签(tags)、比较表达式、阈值以及报警方法;
3)报警处理
产生报警时可以依据所属组与所属主机按照报警级别进行展示,报警级别分成高、中、低三种级别;报警可以被知悉,当点击了报警知悉后,该报警就不会再被发送;知悉后的报警可以被关闭,关闭后可以输入一些备注来说明对于此次报警的具体处理方式;
步骤三,将选择算子作用于群体P(t)中,根据个体在达到告警阈值一个周期内不同的告警反馈给予不同的评价值,将优化的告警阈值遗传给下一代;
步骤四,将交叉算子作用于群体P(t)中,根据群体P(t)中各个个体的适应度,计算个体的最优告警阈值,将最优告警阈值作用于群体P(t)中适应度较低的个体;
步骤五,将变异算子作用于群体P(t)中,即是对群体P(t)中的个体串的适应度最高的告警阈值给予一个随机数值的变化,群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1);
步骤六,终止条件判断:若t=T,则以进化过程中个体所得到的具有最大适应度的告警阈值作为个体最优解输出,终止计算。
2.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述报警判断的算法为最大值算法,具体方法为:在某一段时间范围内,采集多个数据点,从中找出一个最大值,用最大值和我们预先定义的阈值进行比较,用此种方式来判断是否触发报警。
3.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述报警判断的算法为最小值算法,具体方法为:和最大值正好相反,从采集的数据中找到一个最小值并和阈值一起进行比较。
4.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述报警判断的算法为环比算法,具体方法为:环比是当前时间段的数据集的平均data2与之前某一段时间数据集的平均值data1进行差值然后除以之前数据集的平均值,公式是:(data2–data1)/data1;当某一个时间段的数据坡度明显增高或者降低时,说明服务遇到了很大的波动,那么就要触发相应的报警提示。
5.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述报警判断的算法为TopN算法,具体方法为:将数据集中的每一个点都和高阈值进行比较,当所有的点都达到高阈值时才触发报警。
6.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述报警判断的算法为BottomN算法,具体方法为:将数据集中的每一个点都和低阈值进行比较,当所有的点都达到低阈值时才触发报警。
7.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述步骤二中的评价准则包括:初始评价值为100分,当个体在达到告警阈值后,经历N个周期后产生告警反馈的情况,评价值为100-(N-1)分。
8.根据权利要求7所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述步骤二中的评价准则还包括:若个体在3分钟内积极响应并处理告警,使自身状态恢复正常,则将个体的评价值提高10分;如果个体处理告警不及时,则将个体的评价值降低10分,判断个体的适应度低。
9.根据权利要求1所述的一种基于遗传算法的告警阈值设置方法,其特征在于,上述告警反馈包括:响应周期、处理时长、告警恢复;上述响应周期为从个体收到告警警报到个体开始处理的反应时间;上述处理时长为个体处理告警警报的时间;上述告警恢复为个体处理告警警报后恢复的状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214261.3A CN107992395B (zh) | 2017-11-28 | 2017-11-28 | 一种基于遗传算法的告警阈值设置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711214261.3A CN107992395B (zh) | 2017-11-28 | 2017-11-28 | 一种基于遗传算法的告警阈值设置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992395A CN107992395A (zh) | 2018-05-04 |
CN107992395B true CN107992395B (zh) | 2020-10-30 |
Family
ID=62033613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711214261.3A Active CN107992395B (zh) | 2017-11-28 | 2017-11-28 | 一种基于遗传算法的告警阈值设置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992395B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109194661B (zh) * | 2018-09-13 | 2021-10-26 | 网易(杭州)网络有限公司 | 网络攻击告警阈值配置方法、介质、装置和计算设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1617512A (zh) * | 2004-11-25 | 2005-05-18 | 中国科学院计算技术研究所 | 一种自适应网络流量预测和异常报警方法 |
US8494808B2 (en) * | 2010-05-17 | 2013-07-23 | The Johns Hopkins University | Method for optimizing parameters for detection systems |
CN106503802A (zh) * | 2016-10-20 | 2017-03-15 | 上海电机学院 | 一种利用遗传算法优化bp神经网络系统的方法 |
CN107392919B (zh) * | 2017-06-29 | 2021-07-20 | 广东唯仁医疗科技有限公司 | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 |
-
2017
- 2017-11-28 CN CN201711214261.3A patent/CN107992395B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107992395A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huong et al. | Detecting cyberattacks using anomaly detection in industrial control systems: A federated learning approach | |
KR102291869B1 (ko) | 비정상 트래픽 패턴의 탐지 방법 및 장치 | |
CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
US11699278B2 (en) | Mapper component for a neuro-linguistic behavior recognition system | |
CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
CN112800116B (zh) | 一种业务数据的异常检测方法及装置 | |
JP6355683B2 (ja) | リスク早期警報方法、装置、記憶媒体およびコンピュータプログラム | |
US11115295B2 (en) | Methods and systems for online monitoring using a variable data | |
CN111858231A (zh) | 一种基于运维监控的单指标异常检测方法 | |
EP3648433B1 (en) | System and method of training behavior labeling model | |
US10409910B2 (en) | Perceptual associative memory for a neuro-linguistic behavior recognition system | |
CN111666187B (zh) | 用于检测异常响应时间的方法和装置 | |
JPWO2009090939A1 (ja) | ネットワーク異常検出装置及び方法 | |
KR102087959B1 (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
US20230237306A1 (en) | Anomaly score adjustment across anomaly generators | |
WO2019121655A1 (en) | A probability-based detector and controller apparatus, method, computer program | |
CN107992395B (zh) | 一种基于遗传算法的告警阈值设置方法 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN112508316B (zh) | 实时异常检测系统中的自适应异常判定方法和装置 | |
Navya et al. | Intrusion detection system using deep neural networks (DNN) | |
CN112100024B (zh) | 一种资源负载异常检测方法、装置及设备 | |
CN116743555A (zh) | 一种鲁棒多模态网络运维故障检测方法、系统及产品 | |
US11537791B1 (en) | Unusual score generators for a neuro-linguistic behavorial recognition system | |
Lin et al. | An efficient adaptive failure detection mechanism for cloud platform based on volterra series | |
CN104239785A (zh) | 基于云模型的入侵检测数据划分方法 |
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 |