CN108023740A - 监控中异常信息的风险提示方法和装置 - Google Patents

Abstract

本公开揭示了一种监控中异常信息的风险提示方法和装置。所述方法包括：获取监控中输出的异常信息，所述异常信息将被显示于相应客户端；通过配置的机器学习模型进行所述异常信息的风险预测得到所述异常信息对应的风险系数；根据所述异常信息和对应的风险系数得到所述异常信息在相应客户端的异常显示控制信息，所述异常显示控制信息用于控制所述异常信息的显示和风险提示；向相应客户端发送所述异常显示控制信息。由此，将使得对正常运行造成较大风险的异常信息，不再被淹没于大量信息中，有利于提高客户端中异常信息查看和处理的有效性。

Description

监控中异常信息的风险提示方法和装置

技术领域

本公开涉及信息处理技术领域，特别涉及一种监控中异常信息的风险提示方法和装置。

背景技术

随着互联网信息技术的迅猛发展，存在着各种信息的输出和推送。例如，在一运行的系统中进行监控，如果存在故障节点，则会产生各种异常信息，比如，故障节点中一异常情况的告警信息，进而被推送至相应运维人员的客户端，在此客户端中等待相应运维人员处理。

随着监控的进行，运维人员的客户端，将会在某一时刻接收到大量异常信息。例如，日常工作中，甚至于夜间，都可能产生等待此运维人员处理的异常信息。

运维人员的客户端进行异常信息的显示时，大量异常信息被显示于客户端界面，运维人员只能在此客户端界面中按序处理异常信息。

客户端显示的大量异常信息，用于反映系统运行发生的各种故障事件。异常信息大致可分为两大类，一类异常信息为有效反映故障事件的信息，此类异常信息将对系统的正常运行造成较大风险；另一类异常信息，则并未真实反映系统运营中的故障，例如，虚假报错的异常信息。

对系统正常运行造成较大风险的异常信息，被淹没于大量信息中，进而无法被运维人员及时查看及时处理，影响了异常信息查看和处理的有效性。

发明内容

为了解决相关技术中对正常运行造成较大风险的异常信息，被淹没于大量信息中，缺乏异常信息查看和处理的有效性的技术问题，本公开提供了一种监控中异常信息的风险提示方法和装置。

一种监控中异常信息的风险提示方法，所述方法包括：

获取监控中输出的异常信息，所述异常信息将被显示于相应客户端；

通过配置的机器学习模型进行所述异常信息的风险预测得到所述异常信息对应的风险系数；

根据所述异常信息和对应的风险系数得到所述异常信息在相应客户端的异常显示控制信息，所述异常显示控制信息用于控制所述异常信息的显示和风险提示；

向相应客户端发送所述异常显示控制信息。

一种监控中异常信息的风险提示方法，所述方法包括：

接收服务器发送的异常显示控制信息，所述异常显示控制信息是所述服务器根据异常信息和对应的风险系数得到；

通过所述异常显示控制信息进行所述异常信息的显示；

在所述异常信息的显示中进行所述异常信息的风险提示。

一种监控中异常信息的风险提示装置，所述装置包括：

信息获取模块，用于获取监控中输出的异常信息，所述异常信息将被显示于相应客户端；

风险预测模块，用于通过配置的机器学习模型进行所述异常信息的风险预测得到所述异常信息对应的风险系数；

控制信息获得模块，用于根据所述异常信息和对应的风险系数得到所述异常信息在相应客户端的异常显示控制信息，所述异常显示控制信息用于控制所述异常信息的显示和风险提示；

发送模块，用于向相应客户端发送所述异常显示控制信息。

一种监控中异常信息的风险提示装置，所述装置包括：

信息接收模块，用于接收服务器发送的异常显示控制信息，所述异常显示控制信息是所述服务器根据异常信息和对应的风险系数得到；

信息显示模块，用于通过所述异常显示控制信息进行所述异常信息的显示；

风险提示模块，用于在所述异常信息的显示中进行所述异常信息的风险提示。

本公开的实施例提供的技术方案可以包括以下有益效果：

所进的监控中，会产生并输出相应的异常信息，以供相应的运维人员通过客户端查看和处理，以解决监控到的故障事件，而反映此故障事件的异常信息，即为对正常运行造成较大风险的异常信息。

在获取监控中输出的异常信息之后，通过配置的机器学习模型进行异常信息的风险预测得到异常信息对应的风险系数，根据异常信息和对应的风险系数得到异常信息在相应客户端的异常显示控制信息，并向相应客户端发送，以通过此异常显示控制信息实现客户端中异常信息的显示控制和风险提示，由此，将使得对正常运行造成较大风险的异常信息，不再被淹没于大量信息中，有利于提高客户端中异常信息查看和处理的有效性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据本公开所涉及的实施环境的示意图；

图2是根据一示例性实施例示出的一种装置的框图

图3是根据一示例性实施例示出的一种监控中异常信息的风险提示方法的流程图；

图4是图3对应实施例中对通过配置的机器学习模型进行异常信息的风险预测得到异常信息对应的风险系数步骤的细节进行描述的流程图；

图5是图4对应实施例中对从监控输出的异常信息中获得归属于相同用户的异常信息，并由异常信息归属的用户获得异常信息对应的机器学习模型步骤的细节进行描述的流程图；

图6图3对应实施例中对根据异常信息和对应的风险系数得到异常信息在相应客户端的异常显示控制信息步骤的细节进行描述的流程图；

图7是根据另一示例性实施例示出的一种监控中异常信息的风险提示方法的流程图；

图8是根据一示例性实施例示出的一种监控中异常信息的风险提示方法在客户端侧的流程图；

图9是根据另一示例性实施例示出的一种监控中异常信息的风险提示方法在客户端侧的流程图；

图10是根据一示例性实施例示出的监控中异常信息风险提示的系统架构图；

图11是根据一示例性实施例示出的一种工单处理的流程图；

图12是根据一示例性实施例示出的机器学习配置信息配置过程的示意图；

图13是根据一示例性实施例示出的简易模式配置过程的示意图；

图14是根据一示例性实施例示出的高级配置模式的示意图；

图15是根据一示例性实施例示出的一种监控中异常信息的风险提示装置的框图；

图16是根据图15对应实施例示出的对风险预测模块的细节进行描述的框图；

图17是根据图16对应实施例示出的对模型获得单元的细节进行描述的框图；

图18是根据图15对应实施例示出的对控制信息获得模块的细节进行描述的框图；

图19是根据另一示例性实施例示出的一种监控中异常信息的风险提示装置的框图；

图20是根据一示例性实施例示出的一种监控中异常信息的风险提示装置在客户端侧的框图；

图21是根据另一示例性实施例示出的一种监控中异常信息的风险提示装置在客户端侧的框图。

具体实施方式

这里将详细地对示例性实施例执行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

图1是根据本公开所涉及的实施环境的示意图。该实施环境包括服务器110和客户端130。

其中，服务器110用于监控中异常信息的获得以及处理，进而在服务器110的配合下实现客户端130的异常信息显示，由此，通过服务器110和客户端130之间的数据交互来实现客户端130中用户的异常信息查看。

图2是根据一示例性实施例示出的一种装置的框图。例如，装置200可以是图1所示实施环境中的服务器110和数据请求端130。服务器110比如可以是数据服务器，数据请求端130比如可以是Web服务器。

参照图2，该装置200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)222(例如，一个或一个以上处理器)和存储器232，一个或一个以上存储应用程序242或数据244的存储介质230(例如一个或一个以上海量存储设备)。其中，存储器232和存储介质230可以是短暂存储或持久存储。存储在存储介质230的程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器222可以设置为与存储介质230通信，在装置200上执行存储介质230中的一系列指令操作。装置200还可以包括一个或一个以上电源226，一个或一个以上有线或无线网络接口250，一个或一个以上输入输出接口258，和/或，一个或一个以上操作系统241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。下述图3、图5、图6和图7所示实施例中所述的由服务器所执行的步骤可以基于该图2所示的装置结构。

图3是根据一示例性实施例示出的一种监控中异常信息的风险提示方法的流程图。该监控中异常信息的风险提示适用于图1所示实施环境的服务器110，该服务器110在一个示例性实施例中可以是图2所示的装置200。如图3所示，该监控中异常信息的风险提示方法，可以由服务器100执行，可以包括以下步骤。

在步骤310中，获取监控中输出的异常信息，异常信息被显示于相应客户端。

其中，首先需要说明的是，服务器110和客户端130将构成了监控的处理系统。具体而言，服务器110将为客户端130提供可查看和处理的异常信息，而客户端130将作为此处理系统中用户使用的操作端，通过用户在客户端130中异常信息的查看和处理来实现相应的异常处理过程。

监控中，将会向服务器110输出异常信息，此异常信息在大多数情况下，其数量为多个。因此，随着监控的进行，服务器110将得到监控中输出的多个异常信息。

在一个示例性实施例中，异常信息，可以是工单的形式，也可以是邮件的形式，还可以是短信的形式等，在此不进行限定。

具体而言，此异常信息，可以是以工单、邮件或者短信形式对存在的异常告警信息、客户投诉信息等，即监控中向服务器110推送的信息。

例如，服务器110和客户端130所构成的监控的处理系统，可以是对接告警信息、客户投诉信息的工单系统，后续所涉及的确认、处理、流转、回退和结单流程均在此工单系统上完成。

由此，通过本公开所实现的工单系统，可以应用于各种客户服务管理，例如，银行系统的客服工作、游戏行业的客服工作和云平台类的服务工作等。

可以理解的，对于监控中输出的大量异常信息，需要将其发送至相应用户所在的客户端中，以待相应用户处理。服务器110将与多个用户所在的客户端130对接，在监控中输出异常信息之后，将此异常信息分发给相应的用户。

因此，服务器110所获得的，监控中输出的异常信息，均是归属于相应的用户的，其所归属的用户，即为有权限处理此异常信息的用户，而用户所在的客户端便是此异常信息的相应客户端，也是此异常信息分发的目标客户端。

在此需要补充说明的是，异常信息在相应客户端中的显示，可以是客户端主动请求的，也可以是服务器在获得异常信息之后向相应客户端主动推送的，在此不进行限定。

在步骤330中，通过配置的机器学习模型进行异常信息的风险预测得到异常信息对应的风险系数。

其中，监控输出的异常信息，是相应系统运行中产生的各类异常信息。例如，真实反映故障事件的异常信息和误报故障事件的异常信息，并且对于真实反映故障事件的异常信息，也可包括可延迟处理故障事件的异常信息和亟待处理故障事件的异常信息等。

由此，各类不同的异常信息，其所对应的风险将各不相同。如前述所列举的各类异常信息，亟待处理故障事件的异常信息，其对于系统的运行而言，必然存在着高风险；误报故意事件的异常信息，必然是低风险的。

因此，在通过前述步骤310获得监控中输出的大量异常信息之后，应当对所获得的大量异常信息分别进行风险预测。

可以理解的，异常信息的风险预测，实际是评估异常信息所属风险等级的过程。高风险的异常信息，其处于同一风险等级，而低风险的异常信息处于同一风险等级，以此类推，即可通过异常信息的分类来完成异常信息的风险预测。

进而，异常信息的风险预测，其是以历史异常信息为依据实现的异常信息分类过程，通过与异常信息最为匹配的历史异常信息，其所对应的风险等级，即可获得异常信息的风险等级，由此便完成了异常信息的风险预测。

基于此，在示例性实施例的具体实现中，服务器110中风险预测通过配置的机器学习模型实现。

配置的机器学习模型是通过历史异常信息而训练得到的。例如，以设定的的核心维度以及每一核心维度的权重等作为机器学习模型的参数，历史异常信息为样本即可实现机器学习模型的训练。

风险系数是机器学习模型输出的，用于指示相应异常信息风险高低的数值。换而言之，风险系数将指示了异常信息所属的风险等级。作为样本的历史异常信息，有唯一对应的风险系数，例如，高风险的历史异常信息，均对应了较高的风险系数，通过机器学习模型，确认在核心维度等多个方面与此高风险的异常信息相匹配的异常信息，则必然会输出较高的风险系数。

以此类推，即可通过机器学习模型实现所有异常信息的风险预测，进而得到每一异常信息所唯一对应的风险系数。

在此需要补充说明的是，配置的机器学习模型，可以是配置于服务器侧的，针对监控所输出的所有异常信息而实现风险预测的；也可以是针对异常信息所归属的用户，而分别配置的机器学习模型，在此不进行限定，可以根据实际运营的需要进设定。

例如，针对监控输出的所有异常信息实现风险预测的机器学习模型，其是以统一的机器学习配置信息为参数而配置的；而针对异常信息所归属的用户分别配置的机器学习模型，则是以此用户对应的机器学习配置信息为参数而配置的。

在步骤350中，根据异常信息和对应的风险系数得到异常信息在相应客户端的异常显示控制信息，异常显示控制信息用于控制异常信息的显示和风险提示。

其中，异常显示控制信息，用于为相应客户端提供显示的异常信息，并控制此异常信息在客户端的显示和风险提示，因此，每一异常信息均有其所属的异常显示控制信息。

通过异常显示控制信息而进行的风险提示，是与异常信息对应的风险系数相匹配的。在一个示例性实施例中，可以是在客户端显示的异常信息中标识与风险系数相匹配的风险等级；也可以是在客户端中按照与风险系数相匹配的风险等级顺序进行异常信息的显示；还可以直接按照风险系数顺序进行异常信息的显示或者对显示的异常信息标识其风险系数。

在步骤370中，向相应客户端发送异常显示控制信息。

其中，相应客户端，是相对一异常信息而言的，即相应客户端是有权限处理此异常信息的用户所在客户端。

服务器110在根据一异常信息和对应的风险系数得到异常显示控制信息之后，便确定此异常信息发送的相应客户端，进而向此客户端发送异常显示控制信息。

通过如上所述的过程，为监控中输出的异常信息，实现了其到客户端的显示和风险提示，进而将极大地提高了异常信息处理的及时性和效率，避免大量信息的存在而无法及时处理当前风险高而亟待处理的异常信息，避免了大量异常信息对异常信息的处理造成干扰。

图4是根据一示例性实施例示出的对步骤330的细节进行描述的流程图。该步骤330，如图4所示，可以包括以下步骤。

在步骤331中，从监控输出的异常信息中获得归属于相同用户的异常信息，并由异常信息归属的用户获得异常信息对应的机器学习模型。

其中，服务器中配置的机器学习模型，是归属于不同用户的。换而言之，每一用户，都有其所对应的机器学习模型。因此，在从监控中输出异常信息之后，首先需要确定此异常信息归属的用户，以便于获得对此异常信息进行风险预测的机器学习模型。

如前所述的，从监控输出了多个异常信息将被分发至各个异常信息的相应客户端。也就是说，监控输出的多个异常信息，分别归属于不同用户。因此，在一个示例性实施例的具体实现中，对多个异常信息，获得归属于相同用户的异常信息，以此，将获得多组异常信息，并且每一组异常信息都是归属于相同用户的。

从监控中输出的大量异常信息中，获得归属于相同用户的异常信息之后，即可由这些异常信息归属的用户获得对这些异常信息进行风险预没的机器学习模型。

在步骤333中，通过获得的机器学习模型对异常信息输出风险系数。

其中，在通过前述这步骤确定了对异常信息进行风险预测的机器学习模型之后，将异常信息输入此机器学习模型，以输出异常信息所对应的风险系数。

通过如上所述的的过程，为异常信息提供了有针对性的风险预测，即针对其所归属的用户采用相应的机器学习模型输出风险系数，进而能够针对各个用户所存在的独特情况而实现精准的风险预测，极大提高了输出风险系数的精准性。

图5是根据一示例性实施例示出的对步骤331的细节进行描述的流程图。该步骤331，如图5所示，可以包括以下步骤。

在步骤3311中，根据监控中输出的异常信息得到异常信息对应的用户标识，并获得用户标识对应的所有异常信息。

其中，用户通过用户标识进行其在客户端的登录，进而对于监控中异常信息的分发和处理而言，用户标识将唯一标识了用户身份，并在用户标识的作用下实现异常信息对应的机器学习模型的获得和分发。

因此，在通过图3对应实施例中的步骤310获得监控中输出的大量异常信息之后，需要对这些异常信息进行风险预测。

如图4对应实施例所的，针对各个用户配置了相应的机器学习模型，因此，各个用户标识均有其对应的机器学习模型，并且此用户标识对应的所有异常信息通过这一机器学习模型完成风险预测。

具体的，对于监控中输出的大量异常信息，根据异常信息中指示的用户标识，得到各个异常信息对应的用户标识，进而确定此用户标识对应的所有异常信息，此用户对应的所有异常信息，将使用对应于其用户标识的机器学习模型进行风险预测。

在步骤3313中，在进行的机器学习配置存储中查找用户标识对应的机器学习配置信息。

其中，进行的机器学习配置存储，是指服务器对训练所得到的机器学习模型进行的存储。在为各个用户进行模型训练而得到对应的机器学习模型之后，在服务器中，将以用户标识为索引进行机器学习模型的存储，进而在服务器中实现机器学习配置存储。

在通过前述步骤确定了对于一用户标识的所有异常信息之后，将按照这一用户标识在服务器中进行机器学习配置信息的查找。

机器学习配置信息，一方面，将作为机器学习模型实现其风险预测的参数；另一方面，将其将是用户进行个性经配置而得到的，以使得机器学习模型能够适应于此用户的异常信息处理需求。

具体的，机器学习配置信息，包括用户配置其异常信息中的核心维度以及各个核心维度所对应的权重等内容。通过机器学习配置信息指示此用户处理异常信息所关注的维度，即所配置的核心维度，并且指示了每一维度的重要程度，即核心维度对应的权重越高，则此核心维度越为重要。

在步骤3315中，通过用户标识对应的机器学习配置信息进行机器学习模型的参数导入得到异常信息对应的机器学习模型。

其中，将查找的用户标识对应机器学习配置信息导入机器学习模型，即可得到用户所配置的，用于对其异常信息进行风险预测的机器学习模型。

通过如上所述的过程，便为用户的异常信息提供了适配于用户的异常信息处理需求的机器学习模型，进而保险了异常信息风险预测的自适应性和准确性。

图6是根据一示例性实施例示出的对步骤350的细节进行描述的流程图。该步骤350，如图6所示，可以包括以下步骤。

在步骤351中，根据异常信息对应的风险系数得到映射的风险等级。

其中，首先需要说明的是，服务器中配置了风险系数映射的风险等级。在一个示例性实施例的具体实现中，风险系数至风险等级之间的映射，可以通过配置风险系数区间和风险等级之间的映射关系实现。

首先设定各个风险系数区间，进而配置每一风险系数区间对应的风险等级，由此建立二者之间的映射关系并存储。

在通过图3对应实施例中的步骤330输出异常信息对应的风险系数之后，确定此风险系数所在的风险系数区间，进而由服务器中存储的风险系数区间和风险等级之间的映射关系得到异常信息对应风险系数映射的风险等级。

在步骤353中，将异常信息和异常信息对应风险系数映射的风险等级形成异常信息在相应客户端的异常显示控制信息。

其中，异常显示控制信息用于使得客户端显示的异常信息标识了风险等级，或者，使得客户端中异常信息显示是与风险等级相匹配的。

通过如上所述的过程，将为较为零散的风险系数提供了一简单可靠的解决方案，一方面有助于客户端中异常信息的风险提示过程的简化，另一方面，也保障了异常信息的风险提示过程与风险系数相符。

图7是根据一示例性实施例示出的一种监控中异常信息的风险提示方法的流程图。该监控中异常信息的风险提示方法，如图7所示，可以包括以下步骤。

在步骤410中，接收用户的机器学习配置请求，根据机器学习配置请求推送机器学习模型的配置页面。

其中，如前所述的，服务器中存储了用户为自身异常信息处理而配置的机器学习配置信息，即用户可以个性化的进行机器学习配置信息的配置。而在此机器学习配置信息配置的具体实现中，服务器将会接收到用户的机器学习配置请求，该机器学习配置请求是由用户所在的客户端向服务器发起的。

服务器将根据机器学习配置请求，向客户端进行机器学习的配置页面的推送，具体而言，服务器将获取与机器学习配置请求相符的页面数据，即机器学习模型的配置页面的页面数据，以推送至客户端。

在步骤430中，通过机器学习模型的配置页面获取用户的机器学习配置信息。

其中，服务器通过机器学习模型的配置页面，来获取用户所配置的机器学习配置信息。具体而言，机器学习配置信息，包括核心维度和权重、历史异常信息的样本时长、机器学习模型的种类等。机器学习模型的种类，可以是决策树、随机森林、线性回归和逻辑回归等，根据需要可选用不同机器学习的模型。

与之相对应的，机器学习模型的配置页面中，机器学习配置信息的配置项，包括核心维度和权重的设置、选择历史异常信息的样本时长的设置、机器学习模型的种类的设定。

也就是说，在机器学习模型的配置页面中，可以通过用户的设置操作，进行与机器学习模型所相关的配置过程，此设置操作，包括了某一配置项新增操作、修改操作或者删除操作，在此不进行一一列举，对于机器学习配置信息而言，将根据用户处理异常信息的需求进行随意配置。

此时，在实现了机器学习配置信息的配置之后，便将此机器学习配置信息提交至服务器中，以使得服务器通过机器学习模型的配置页面获得用户配置的机器学习配置信息。

在步骤450中，以用户标识为索引，进行用户标识和用户配置的机器学习配置信息的对应存储。

其中，服务器在通过前述步骤430获得用户配置的机器学习配置信息之后，便进行用户标识和用户配置的机器学习配置信息的对应存储，以便于后续能够通过用户标识查找得到。

通过如上所述的过程，为机器学习配置信息的配置提供了具体实现，进而为后续所进行的异常信息风险提示提供了便利条件。

图8是根据一示例性实施例示出的一种监控中异常信息的风险提示方法在客户端侧的流程图。该监控中异常信息的风险提示方法适用于图1所示实施环境的客户端130。

该监控中异常信息的风险提示方法，如图8所示，可以包括以下步骤。

在步骤510中，接收服务器发送的异常显示控制信息，异常显示控制信息是服务器根据异常信息和对应的风险系数得到。

其中，所接收的异常显示控制信息，可以是客户端通过向服务器发起异常信息查看指令而获得的，也可以是监控中输出需要用户处理的异常信息时，服务器向客户端主动推送的。

无论通过何种方式，异常显示控制信息均携带了异常信息，除此之外，还携带了用以实现此异常信息风险提示的风险系数或者风险系数映射的风险等级等。

在步骤530中，通过异常显示控制信息进行异常信息的显示。

其中，客户端在接收到服务器发送的异常显示控制信息之后，即由此异常显示控制信息提取得到异常信息，进而对此显示于客户端界面中，便于用户查看并处理。

在步骤550中，在异常信息的显示中进行异常信息的风险提示。

其中，所指的异常信息的风险提示，是对客户端中显示的异常信息标示其风险的过程。

在一个示例性实施例中，异常显示控制信息包括异常信息和异常信息对应风险系数映射的风险等级，步骤550包括以下过程。

异常信息的显示中，通过标示异常信息的风险等级进行异常信息的风险提示。

图9是根据另一示例性实施例示出的一种监控中异常信息的风险提示方法在客户端侧的流程图。该监控中异常信息的风险提示方法，如图9所示，可以包括以下步骤。

在步骤610中，向服务器发起用户的机器学习配置请求。

其中，如前所述的，用户的机器学习配置请求，用于通过客户端发起此用户的机器学习配置信息的配置过程。任意用户都可通过客户端向服务器发起。

在步骤630中，通过用户的机器学习配置请求从服务器获得机器学习模型的配置页面，并显示。

其中，客户端通过机器学习配置请求向服务器请求机器学习模型的配置页面，以跳转至请求的机器学习模型的配置页面，并显示。

在客户端所显示的机器学习模型的配置页面中获取用户配置的机器学习配置信息，进而发送至服务器中。

在步骤650中，在显示的机器学习模型的配置页面中，进行机器学习模型的参数配置得到机器学习配置信息，并发送至服务器。

通过如上所述的过程，实现了客户端中机器学习配置信息的配置，进而使得用以实现异常信息的风险提示具备个性化，用户能够个性化的配置异常信息的风险提示过程，从而使得后续所进行的异常信息风险提示是与用户的需求相适配的，进而是提高灵活性的同时，能够按照用户处理异常信息的需求进行机器学习配置信息的配置，因此，将能够最大程度的提高异常信息处理的效率。

以企业内部对运行服务器状态进行监控为例，结合具体应用场景，描述该监控中异常信息的风险提示方法。

在此，所进行的监控即为运行服务器中异常状态的监控，运行服务器出现异常时，便输出相应的异常信息，以发生告警。

图10是根据一示例性实施例示出的监控中异常信息风险提示的系统架构图。该监控中异常信息风险提示的系统架构将接收到监控中输出的异常信息，并形成相应异常显示控制信息后分发至相应客户端。

异常信息的存在形式为工单，则如图10所示的，监控中，由于运行服务器异常而产生的工单将被推送至工单系统710。

随着用户所在客户端中异常信息查看指令的发起，对于工单系统710而言，此异常信息查看指令即为工单查看指令。

此时，工单系统710将处理来自客户端的异常信息查看指令，或者处理需要主动推送给客户端的异常信息。

在此过程中，工单系统710将主动查询智能工单风险等级标签配置库730，以实时为每一工单的风险等级打上标签，并显示给客户端。

图11是根据一示例性实施例示出的一种工单处理的流程图。如图11所示的，用户通过工单系统710来发起工单的查看过程，对于工单系统710，通过智能工单风险等级标签配置库730得到风险等级，即如步骤810至830所示的。

通过如上所述的过程，企业中一用户登录工单系统710处理工单时，所显示的工单均标示有其风险等级。例如，当一用户在半夜收到一个工单时，如果标示的风险等级较高，则不得不及时起床处理，当是一个风险等级较低的工单时，可以选择第二天上班时再处理，这样就能高效的完成判断并快速做出决策，避免遗漏掉关键的工单未及时处理。

智能工单风险等级标签配置库730中，如图12所示的，可以设置、修改和删除相应的机器学习配置信息，保存，以便于后续风险预测过程使用。

在此机器学习配置信息的配置中，包括两个方面，一个方面是简易模式的配置过程，另一个方面则是高级配置模式。

图13是根据一示例性实施例示出的简易模式配置过程的示意图。用户可通过步骤910点选默认推荐方案，此时，即可配置通用的机器学习配置信息，并保存。

图14是根据一示例性实施例示出的高级配置模式的示意图。用户可通过步骤1010配置机器学习信息的各个配置项，进而保存。

在如上所述的过程中，通过本公开所实现的监控中异常信息的风险提示方法，能够接入工单系统中，为工单系统提供灵活的交互。

在如上所述的过程中，把工单实时打上风险等级轻量实现，不影响不增加正常用户的使用，并且在此过程中，可快速判断事情的轻重缓急，平衡用户的生活和工作，不重要的工单可以延后处理，对于重要的工单，极好提高了处理效率。

而如上所述的过程中，机器学习模型的引入，为工单闭环和工单运营的有效性提供了可长期聚焦优化的方案。

如上所述的过程，由于引入了工单标示风险等级的方案，可将工单系统变成有利的运营工具，提供更好的运用视角，各个时段内高、中、低风险的工单总量和各自占比一目了然，对于处理判断和日常的运营起到很好的帮助。

下述为本公开装置实施例，可以用于执行本公开上述服务器110执行的监控中异常信息的风险提示方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开监控中异常信息的风险提示方法实施例。

图15是根据一示例性实施例示出的一种监控中异常信息的风险提示装置的框图。该监控中异常信息的风险提示装置，如图15所示，包括但不限于：信息获取模块1310、风险预测模块1330、控制信息获得模块1350和发送模块1370。

信息获取模块1310，用于获取监控中输出的异常信息，异常信息将被显示于相应客户端。

风险预测模块1330，用于通过配置的机器学习模型进行异常信息的风险预测得到异常信息对应的风险系数。

控制信息获得模块1350，用于根据异常信息和对应的风险系数得到异常信息在相应客户端的异常显示控制信息，异常显示控制信息用于控制异常信息的显示和风险提示。

发送模块1370，用于向相应客户端发送所述异常显示控制信息。

图16是根据一示例性实施例示出的对风险预测模块的细节进行描述的框图。该风险预测模块1330，如图16所示，可以包括但不限于：模型获得单元1331和系数输出单元1333。

模型获得单元1331，用于从监控输出的异常信息中获得归属于相同用户的异常信息，并由异常信息归属的用户获得异常信息对应的机器学习模型。

系数输出单元1333，用于通过获得的机器学习模型对异常信息输出风险系数。

图17是根据一示例性实施例示出的对模型获得单元的细节进行描述的框图。该模型获得单元1331，如图17所示，可以包括但不限于：信息分类子单元13311、配置信息查找子单元13313和参数导入子单元13315。

信息分类子单元13311，用于根据监控中输出的异常信息得到异常信息对应的用户标识，并获得用户标识对应的所有异常信息。

配置信息查找子单元13313，用于在所进行的机器学习配置存储中查找用户标识对应的机器学习配置信息。

参数导入子单元13315，用于通过用户标识对应的机器学习配置信息进行机器学习模型的参数导入得到异常信息对应的机器学习模型。

图18是根据一示例性实施例示出的对控制信息获得模块的细节进行描述的流程图。该控制信息获得模块1350，如图18所示，可以包括但不限于：等级映射单元1351和控制信息形成单元1353。

等级映射单元1351，用于根据异常信息对应的风险系数得到映射的风险等级。

控制信息形成单元1353，用于将异常信息和异常信息对应风险系数映射的风险等级形成异常信息在相应客户端的异常显示控制信息。

图19是根据另一示例性实施例示出的一种监控中异常信息的风险提示装置的框图。该监控中异常信息的风险提示装置，如图19所示，可以包括但不限于：请求接收模块1410、配置获得模块1430和存储模块1450。

请求接收模块1410，用于接收用户的机器学习配置请求，根据机器学习配置请求推送机器学习模型的配置页面。

配置获得模块1430，用于通过机器学习模型的配置页面获取用户的机器学习配置信息。

存储模块1450，用于以用户标识为索引，进行用户标识和用户配置的机器学习配置信息的对应存储。

图20是根据一示例性实施例示出的一种监控中异常信息的风险提示装置在客户端侧的框图。该监控中异常信息的风险提示装置，如图20所示，可以包括但不限于：信息接收模块1510、信息显示模块1530和风险提示模块1550。

信息接收模块1510，用于接收服务器发送的异常显示控制信息，异常显示控制信息是服务器根据异常信息和对应的风险系数得到。

信息显示模块1530，用于通过异常显示控制信息进行异常信息的显示。

风险提示模块1550，用于在异常信息的显示中进行异常信息的风险提示。

在一个示例性实施例中，异常显示控制信息包括异常信息和所述异常信息对应风险系数映射的风险等级，风险提示模块1550进一步用于异常信息的显示中，通过标示异常信息的风险等级进行异常信息的风险提示。

图21是根据另一示例性实施例示出的一种监控中异常信息的风险提示装置在客户端侧的框图。该监控中异常信息的风险提示装置，如图21所示，可以包括但不限于：配置请求模块1610、页面获得模块1630和参数配置模块1650。

配置请求模块1610，用于向所述服务器发起用户的机器学习配置请求。

页面获得模块1630，用于通过用户的机器学习配置请求从服务器获得机器学习模型的配置页面，并显示。

参数配置模块1650，用于在显示的机器学习模型的配置页面中，进行机器学习模型的参数配置得到机器学习配置信息，并发送至服务器。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (16)

1.一种监控中异常信息的风险提示方法，其特征在于，所述方法包括：

获取监控中输出的异常信息，所述异常信息将被显示于相应客户端；

通过配置的机器学习模型进行所述异常信息的风险预测得到所述异常信息对应的风险系数；

根据所述异常信息和对应的风险系数得到所述异常信息在相应客户端的异常显示控制信息，所述异常显示控制信息用于控制所述异常信息的显示和风险提示；

向相应客户端发送所述异常显示控制信息。

2.根据权利要求1所述的方法，其特征在于，所述通过配置的机器学习模型进行所述异常信息的风险预测得到所述异常信息对应的风险系数，包括：

从所述监控输出的异常信息中获得归属于相同用户的异常信息，并由所述异常信息归属的用户获得所述异常信息对应的机器学习模型；

通过获得的所述机器学习模型对所述异常信息输出风险系数。

3.根据权利要求2所述的方法，其特征在于，所述从所述监控输出的异常信息中获得归属于相同用户的异常信息，并由所述异常信息归属的用户获得对应的机器学习模型，包括：

根据所述监控中输出的异常信息得到异常信息对应的用户标识，并获得所述用户标识对应的所有异常信息；

在所进行的机器学习配置存储中查找所述用户标识对应的机器学习配置信息；

通过所述用户标识对应的机器学习配置信息进行所述机器学习模型的参数导入得到所述异常信息对应的机器学习模型。

4.根据权利要求1所述的方法，其特征在于，所述根据所述异常信息和对应的风险系数得到所述异常信息在相应客户端的异常显示控制信息，包括：

根据所述异常信息对应的风险系数得到映射的风险等级；

将所述异常信息和所述异常信息对应风险系数映射的风险等级形成所述异常信息在相应客户端的异常显示控制信息。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

接收用户的机器学习配置请求，根据所述机器学习配置请求推送所述机器学习模型的配置页面；

通过所述机器学习模型的配置页面获取所述用户的机器学习配置信息；

以用户标识为索引，进行所述用户标识和所述用户配置的机器学习配置信息的对应存储。

6.一种监控中异常信息的风险提示方法，其特征在于，所述方法包括：

接收服务器发送的异常显示控制信息，所述异常显示控制信息是所述服务器根据异常信息和对应的风险系数得到；

通过所述异常显示控制信息进行所述异常信息的显示；

在所述异常信息的显示中进行所述异常信息的风险提示。

7.根据权利要求6所述的方法，其特征在于，所述异常显示控制信息包括异常信息和所述异常信息对应风险系数映射的风险等级，所述在所述异常信息的显示中进行所述异常信息的风险提示，包括：

所述异常信息的显示中，通过标示所述异常信息的风险等级进行所述异常信息的风险提示。

8.根据权利要求6所述的方法，其特征在于，所述方法还包括：

向所述服务器发起用户的机器学习配置请求；

通过所述用户的机器学习配置请求从所述服务器获得机器学习模型的配置页面，并显示；

在显示的所述机器学习模型的配置页面中，进行所述机器学习模型的参数配置得到机器学习配置信息，并发送至所述服务器。

9.一种监控中异常信息的风险提示装置，其特征在于，所述装置包括：

信息获取模块，用于获取监控中输出的异常信息，所述异常信息将被显示于相应客户端；

风险预测模块，用于通过配置的机器学习模型进行所述异常信息的风险预测得到所述异常信息对应的风险系数；

控制信息获得模块，用于根据所述异常信息和对应的风险系数得到所述异常信息在相应客户端的异常显示控制信息，所述异常显示控制信息用于控制所述异常信息的显示和风险提示；

发送模块，用于向相应客户端发送所述异常显示控制信息。

10.根据权利要求9所述的装置，其特征在于，所述风险预测模块包括：

模型获得单元，用于从所述监控输出的异常信息中获得归属于相同用户的异常信息，并由所述异常信息归属的用户获得所述异常信息对应的机器学习模型；

系数输出单元，用于通过获得的所述机器学习模型对所述异常信息输出风险系数。

11.根据权利要求10所述的装置，其特征在于，所述模型获得单元包括：

信息分类子单元，用于根据所述监控中输出的异常信息得到异常信息对应的用户标识，并获得所述用户标识对应的所有异常信息；

配置信息查找子单元，用于在所进行的机器学习配置存储中查找所述用户标识对应的机器学习配置信息；

参数导入子单元，用于通过所述用户标识对应的机器学习配置信息进行所述机器学习模型的参数导入得到所述异常信息对应的机器学习模型。

12.根据权利要求9所述的装置，其特征在于，所述控制信息获得模块包括：

等级映射单元，用于根据所述异常信息对应的风险系数得到映射的风险等级；

控制信息形成单元，用于将所述异常信息和所述异常信息对应风险系数映射的风险等级形成所述异常信息在相应客户端的异常显示控制信息。

13.根据权利要求11所述的装置，其特征在于，所述装置还包括：

请求接收模块，用于接收用户的机器学习配置请求，根据所述机器学习配置请求推送所述机器学习模型的配置页面；

配置获得模块，用于通过所述机器学习模型的配置页面获取所述用户的机器学习配置信息；

存储模块，用于以用户标识为索引，进行所述用户标识和所述用户配置的机器学习配置信息的对应存储。

14.一种监控中异常信息的风险提示装置，其特征在于，所述装置包括：

信息接收模块，用于接收服务器发送的异常显示控制信息，所述异常显示控制信息是所述服务器根据异常信息和对应的风险系数得到；

信息显示模块，用于通过所述异常显示控制信息进行所述异常信息的显示；

风险提示模块，用于在所述异常信息的显示中进行所述异常信息的风险提示。

15.根据权利要求14所述的装置，其特征在于，所述异常显示控制信息包括异常信息和所述异常信息对应风险系数映射的风险等级，所述风险提示模块进一步用于所述异常信息的显示中，通过标示所述异常信息的风险等级进行所述异常信息的风险提示。

16.根据权利要求14所述的装置，其特征在于，所述装置还包括：

配置请求模块，用于向所述服务器发起用户的机器学习配置请求；

页面获得模块，用于通过所述用户的机器学习配置请求从所述服务器获得机器学习模型的配置页面，并显示；

参数配置模块，用于在显示的所述机器学习模型的配置页面中，进行所述机器学习模型的参数配置得到机器学习配置信息，并发送至所述服务器。