CN109343952A - 贝叶斯网络确定方法、装置、存储介质和电子设备 - Google Patents

贝叶斯网络确定方法、装置、存储介质和电子设备 Download PDF

Info

Publication number
CN109343952A
CN109343952A CN201810961177.6A CN201810961177A CN109343952A CN 109343952 A CN109343952 A CN 109343952A CN 201810961177 A CN201810961177 A CN 201810961177A CN 109343952 A CN109343952 A CN 109343952A
Authority
CN
China
Prior art keywords
data flow
bayesian network
projection
data
discriminant vector
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
Application number
CN201810961177.6A
Other languages
English (en)
Other versions
CN109343952B (zh
Inventor
吴斌
石子凡
许力
张霞
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.)
Neusoft Corp
Original Assignee
Neusoft Corp
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 Neusoft Corp filed Critical Neusoft Corp
Priority to CN201810961177.6A priority Critical patent/CN109343952B/zh
Publication of CN109343952A publication Critical patent/CN109343952A/zh
Application granted granted Critical
Publication of CN109343952B publication Critical patent/CN109343952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种贝叶斯网络确定方法、装置、存储介质和电子设备，该方法包括：将采集到的预设时间段内的系统指标数据封装为第一数据流；根据第一数据流的投影方差和投影余弦，获取第一数据流的第一判别向量；在历史数据流的判别向量中确定与第一判别向量距离最近的第二判别向量；根据第一判别向量距离和第二判别向量确定第一数据流是否发生概念漂移；当确定第一数据流未发生概念漂移时，将第二判别向量对应的数据流所对应的贝叶斯网络，作为第一数据流对应的贝叶斯网络；当确定第一数据流发生概念漂移时，通过对第一数据流进行贝叶斯网络学习，获取第一数据流对应的贝叶斯网络。能够降低运维过程中的计算复杂度以及降低系统资源消耗。

Description

贝叶斯网络确定方法、装置、存储介质和电子设备
技术领域
本公开涉及运维技术领域，具体地，涉及一种贝叶斯网络确定方法、装置、存储介质和电子设备。
背景技术
CPU(Central Processing Unit，中央处理器)资源、内存资源、磁盘IO(Input/Output)资源、网络IO资源等资源是重要的计算机系统资源，是保证系统中各应用正常运行的基础。在实际生产环境中，经常会遇到一些问题(例如，代码质量问题或者程序算法本身问题导致的内存泄漏、CPU计算密集等)，因此某些应用的运行问题，可能会急剧增加对系统资源的消耗，使得其中一种或者几种计算机资源耗尽，导致系统中其他正在运行的应用获得不到所需要的系统资源，从而影响其他应用的正常运行，甚至可能导致宕机。
在系统运行发生异常时，运维人员通常需要根据经验进行繁琐的操作，以对问题进行查找。为了辅助运维人员更快的找到问题，目前可以通过系统指标数据构建贝叶斯网络，应用贝叶斯网络推理，可以辅助运维人员缩小问题范围，达到快速定位问题的目的。通常，贝叶斯网络推理分两个过程：首先，基于历史数据构建贝叶斯网络(可以称为贝叶斯网络学习)，其次，基于贝叶斯网络结构进行推理(可以称为贝叶斯网络推理)。目前，贝叶斯网络推理在实践中的应用已经非常灵活和广泛，但是由于贝叶斯网络结构的复杂性，在构建贝叶斯网络过程中，目前所采用基于评价的搜索打分算法计算复杂度极高，消耗较多的系统资源。
发明内容
本公开提供一种贝叶斯网络确定方法、装置、存储介质和电子设备，用于解决目前由于构建贝叶斯网络过程中算法复杂度高造成的消耗系统资源多的问题。
为了实现上述目的，本公开的第一方面，提供一种贝叶斯网络确定方法，所述方法包括：
将采集到的预设时间段内的系统指标数据封装为第一数据流；
根据所述第一数据流的投影方差和投影余弦，获取所述第一数据流的第一判别向量；
在历史数据流的判别向量中确定与所述第一判别向量距离最近的第二判别向量，所述历史数据流为在所述第一数据流之前的数据流；
根据所述第一判别向量距离和所述第二判别向量确定所述第一数据流是否发生概念漂移；
当确定所述第一数据流未发生概念漂移时，将所述第二判别向量对应的数据流所对应的贝叶斯网络，作为所述第一数据流对应的贝叶斯网络；
当确定所述第一数据流发生概念漂移时，通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络。
可选地，所述根据所述第一数据流的投影方差和投影余弦，获取所述第一数据流的第一判别向量，包括：
根据所述第一数据流的样本集合，获取所述第一数据的样本中心，所述样本集合中包括多个数据样本；
根据所述第一数据流的投影矩阵，以及所述样本中心，获取所述第一数据的投影后的样本中心；
根据所述投影矩阵，以及所述第一数据流的样本集合，获取所述第一数据流的投影后的样本集合；
根据所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影方差；
根据所述第一数据流的样本集合，所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影余弦；
根据所述投影方差和所述投影余弦获取所述第一判别向量。
可选地，所述根据所述第一判别向量距离和所述第二判别向量确定所述第一数据流是否发生概念漂移，包括：
获取所述第一判别向量与所述第二判别向量相减所得向量差的范数；
判断所述范数是否大于预设阈值；
当所述范数大于所述预设阈值时，确定所述第一数据流发生概念漂移；
当所述范数小于或等于所述预设阈值时，确定所述第一数据流未发生概念漂移。
可选地，所述通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络，包括：
根据所述第一数据流的样本集合中的多个数据样本以及多个变量，生成所述第一数据流的贝叶斯网络集合，所述贝叶斯网络集合中包括：由所述多个变量中的部分变量或全部变量所构成的多个贝叶斯网络；
利用预设算法在所述多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，作为所述第一数据流对应的贝叶斯网络。
可选地，所述利用预设算法在所述多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，包括：
利用贝叶斯狄里克雷打分函数分别获取所述多个贝叶斯网络的后验概率；
根据所述多个贝叶斯网络的后验概率，确定所述具有最大后验概率的目标贝叶斯网络。
本公开的第二方面，提供一种贝叶斯网络确定装置，所述装置包括：
数据采集模块，用于将采集到的预设时间段内的系统指标数据封装为第一数据流；
向量获取模块，用于根据所述第一数据流的投影方差和投影余弦，获取所述第一数据流的第一判别向量；
向量确定模块，用于在历史数据流的判别向量中确定与所述第一判别向量距离最近的第二判别向量，所述历史数据流为在所述第一数据流之前的数据流；
漂移识别模块，用于根据所述第一判别向量距离和所述第二判别向量确定所述第一数据流是否发生概念漂移；
网络确定模块，用于当确定所述第一数据流未发生概念漂移时，将所述第二判别向量对应的数据流所对应的贝叶斯网络，作为所述第一数据流对应的贝叶斯网络；
网络获取模块，用于当确定所述第一数据流发生概念漂移时，通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络。
可选地，所述向量获取模块，包括：
样本中心获取子模块，用于根据所述第一数据流的样本集合，获取所述第一数据的样本中心，所述样本集合中包括多个数据样本；
样本中心投影子模块，用于根据所述第一数据流的投影矩阵，以及所述样本中心，获取所述第一数据的投影后的样本中心；
样本集合投影子模块，用于根据所述投影矩阵，以及所述第一数据流的样本集合，获取所述第一数据流的投影后的样本集合；
投影方差获取子模块，用于根据所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影方差；
投影余弦获取子模块，用于根据所述第一数据流的样本集合，所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影余弦；
向量获取子模块，用于根据所述投影方差和所述投影余弦获取所述第一判别向量。
可选地，所述漂移识别模块，包括：
计算子模块，用于获取所述第一判别向量与所述第二判别向量相减所得向量差的范数；
判断子模块，用于判断所述范数是否大于预设阈值；
确定子模块，用于当所述范数大于所述预设阈值时，确定所述第一数据流发生概念漂移；当所述范数小于或等于所述预设阈值时，确定所述第一数据流未发生概念漂移。
可选地，所述网络获取模块，包括：
概率计算子模块，用于根据所述第一数据流的样本集合中的多个数据样本以及多个变量，生成所述第一数据流的贝叶斯网络集合，所述贝叶斯网络集合中包括：由所述多个变量中的部分变量或全部变量所构成的多个贝叶斯网络；
网络选择子模块，用于利用预设算法在所述多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，作为所述第一数据流对应的贝叶斯网络。
可选地，所述网络选择子模块，用于：
利用贝叶斯狄里克雷打分函数分别获取所述多个贝叶斯网络的后验概率；
根据所述多个贝叶斯网络的后验概率，确定所述具有最大后验概率的目标贝叶斯网络。
本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
本公开的第四方面，提供一种电子设备，包括：存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以第一方面所述方法的步骤。
在上述技术方案，首先将采集到的预设时间段内的系统指标数据封装为第一数据流，再根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量，并在历史数据流的判别向量中确定与该第一判别向量距离最近的第二判别向量，该历史数据流为在该第一数据流之前的数据流，然后根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移，从而当确定该第一数据流未发生概念漂移时，将该第二判别向量对应的数据流所对应的贝叶斯网络，作为该第一数据流对应的贝叶斯网络；当确定该第一数据流发生概念漂移时，再通过对该第一数据流进行贝叶斯网络学习，获取该第一数据流对应的贝叶斯网络。由此可见，在本公开的技术方案中，当采集到一段时间内的系统指标数据的数据流时，选判断该数据流是否发生概念漂移，当没有发生概念漂移时，采用已经构建好的历史数据流的贝叶斯网络，只有当发生概念漂移才针对该数据流新建贝叶斯网络，因此能够复用已经构建好的贝叶斯网络，特别是随时间的推移，已经构建好的贝叶斯网络数量不断增加，则可以大量复用之前的历史数据流的贝叶斯网络，从而能够大量减少贝叶斯网络的构建过程，从而能够解决由于目前计算复杂度高导致的消耗系统资源多的问题，因此能够降低运维过程中的计算复杂度以及降低系统资源消耗。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种贝叶斯网络确定方法的流程图；
图2是根据本公开一示例性实施例示出的一种判别向量获取方法的流程图；
图3是根据本公开一示例性实施例示出的一种判别向量获取方法的流程图；
图4是根据本公开一示例性实施例示出的一种判别向量获取方法的流程图；
图5是根据一示例性实施例示出的一种贝叶斯网络确定装置的框图；
图6是根据一示例性实施例示出的一种向量获取模块的框图；
图7是根据一示例性实施例示出的一种漂移识别模块的框图；
图8是根据一示例性实施例示出的一种网络获取模块的框图；
图9是根据一示例性实施例示出的一种电子设备的框图；
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种贝叶斯网络确定方法的流程图，如图1所示，该方法可以包括：
步骤101，将采集到的预设时间段内的系统指标数据封装为第一数据流。
示例的，该预设时间段内例如可以是一天内，该系统指标数据可以是与系统资源有关的指标数据，例如系统中各个应用的CPU占用率、内存占用率、磁盘IO占用率、网络IO占用率中的一种或多种，和/或CPU总占用率、内存总占用率、磁盘IO总占用率、网络IO总占用率中的一种或多种等数据。即可以理解为，可以每天都采集一天内的上述系统指标数据审生成当天的数据流，并执行步骤101至106，从而实现每天对系统指标数据的监控。
步骤102，根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量。
其中，投影方差能够反映数字在子空间中的离散程度，投影余弦能够反映数据在子空间中的方向变化，从而在本实施例中通过投影方差和投影余弦来分析数据投影后方差分布和角度分布，来进行概念漂移的判断。
其中，在预测分析和机器学习中，概念漂移表示目标变量的统计特性随着时间的推移以不可预见的方式变化的现象，随着时间的推移，模型的预测精度将降低。概念漂移中的“概念”指的是要被预测的目标变量。更一般地，它也可以指其他感兴趣的现象之外的目标的概念，诸如输入，但是在概念漂移的上下文中，通常指的是目标变量。
现实生活中产生的数据以数据流的形式出现，其中概念并不是稳定不变的，而是随时间改变的，例如天气预报，人们的穿衣习惯都会随季节不同而发生改变等。当某些数据产生环境因素发生变化时，新的数据的分布规律将发生变化，所产生的概念将会发生改变，而这时利用历史数据建立的数据模型或概念将不再适合对新数据分类或新事物的认识，旧模型旧概念就必须发生与时俱进的改变。因此称这种数据流中数据分布随时间发生改变，概念发生改变的现象为“概念漂移”。
步骤103，在历史数据流的判别向量中确定与该第一判别向量距离最近的第二判别向量，该历史数据流为在该第一数据流之前的数据流。
示例的，如步骤101中所述，由于可以以预设时间段为周期(如每天)，周期性地执行步骤101至1063，因此可以获取到多个数据流，以及之前的每个历史数据流的判别向量。因此，在当前的第一数据流之前，可能已经获取了多个数据流的判别向量，从而可以在历史数据流的判别向量中确定与该第一判别向量距离最近的第二判别向量。
步骤104，根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移。
其中，由于第二判别向量是与该第一判别向量距离最近的判别向量，因此，通过分析该第一判别向量距离与第二判别向量的距离可以确定该第一判别向量相对于第二判别向量的变化程度的大小，从而也就确定了该第一判别向量相对于历史数据流的判别向量中与自己最接近的判别向量的变化程度的大小。当该第一判别向量相对于第二判别向量的变化程度较大时，也就说明该第一数据流相较于历史数据流发生了概念漂移，因此历史数据流的贝叶斯网络不适用于当前的第一数据流，需要为该第一数据流新建对应的贝叶斯网络，因此执行步骤106，而当该第一判别向量相对于第二判别向量的变化程度较小时，说明该第一数据流相较于历史数据流没有发生概念漂移，已有的历史数据流的贝叶斯网络仍然适用于该第一数据流，因此可以执行步骤105。
步骤105，当确定该第一数据流未发生概念漂移时，将该第二判别向量对应的数据流所对应的贝叶斯网络，作为该第一数据流对应的贝叶斯网络。
步骤106，当确定该第一数据流发生概念漂移时，通过对该第一数据流进行贝叶斯网络学习，获取该第一数据流对应的贝叶斯网络。
在上述技术方案，首先将采集到的预设时间段内的系统指标数据封装为第一数据流，再根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量，并在历史数据流的判别向量中确定与该第一判别向量距离最近的第二判别向量，该历史数据流为在该第一数据流之前的数据流，然后根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移，从而当确定该第一数据流未发生概念漂移时，将该第二判别向量对应的数据流所对应的贝叶斯网络，作为该第一数据流对应的贝叶斯网络；当确定该第一数据流发生概念漂移时，再通过对该第一数据流进行贝叶斯网络学习，获取该第一数据流对应的贝叶斯网络。由此可见，在本公开的技术方案中，当采集到一段时间内的系统指标数据的数据流时，选判断该数据流是否发生概念漂移，当没有发生概念漂移时，采用已经构建好的历史数据流的贝叶斯网络，只有当发生概念漂移才针对该数据流新建贝叶斯网络，因此能够复用已经构建好的贝叶斯网络，特别是随时间的推移，已经构建好的贝叶斯网络数量不断增加，则可以大量复用之前的历史数据流的贝叶斯网络，从而能够大量减少贝叶斯网络的构建过程，从而能够解决由于目前计算复杂度高导致的消耗系统资源多的问题，因此能够降低运维过程中的计算复杂度以及降低系统资源消耗。
图2是根据本公开一示例性实施例示出的一种判别向量获取方法的流程图，如图2所示，步骤102所述的根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量，包括：
步骤1021，根据该第一数据流的样本集合，获取该第一数据的样本中心，该样本集合中包括多个数据样本。
示例的，可以将当前的第一数据流记为数据流i，则第一数据流的样本集合可以表示为Xi，该第一数据流的样本集合的样本集合大小可以表示为Ni，该样本集合大小可以理解为该样本集合中的数据样本的数量。
步骤1022，根据该第一数据流的投影矩阵，以及该样本中心，获取该第一数据的投影后的样本中心。
步骤1023，根据该投影矩阵，以及该第一数据流的样本集合，获取该第一数据流的投影后的样本集合。
示例的，可以通过子空间学习算法获取该第一数据流的投影矩阵，子空间学习算法例如可以是LDA(Linear DiscriminantAnalysis，线性判别式分析)或者PCA((PrincipalComponent Analysis，主成分分析)算法。其中，投影矩阵可以用W表示，则相应的当前的第一数据流记的投影矩阵可以表示为Wi。
从而，该第一数据流的投影后的样本集合Yi可以表示为：
Yi＝XiWi (1)
另一方面，该第一数据流的样本中心可以表示为：
其中，μi表示数据流i，也即该第一数据流的样本中心，x表示第一数据流的样本集合Xi中的数据样本，Ni表示该第一数据流的样本集合的样本集合大小。
投影后的样本中心可以表示为：
从而，在获取第一数据流后，根据第一数据流的样本集合Xi，用上述公式(1)即可确定该第一数据流的投影后的样本集合，利用上述公式(2)即可确定该第一数据流的样本中心，再利用上述公式(3)即可确定该第一数据流的投影后的样本中心。
步骤1024，根据该投影后的样本集合、该投影后的样本中心，以及该第一数据流的样本集合大小，确定该投影方差。
示例的，可以通过以下的投影方差公式获取该投影方差：
其中，Vi表示该第一数据流的投影方差，Yi表示该第一数据流的投影后的样本集合，表示投影后的样本中心，Ni表示该第一数据流的样本集合的样本集合大小，trace表示矩阵的迹。
步骤1025，根据该第一数据流的样本集合，该投影后的样本集合、该投影后的样本中心，以及该第一数据流的样本集合大小，确定该投影余弦。
示例的，可以通过以下的投影余弦公式获取该投影余弦：
其中，Ei表示该第一数据流的投影余弦，x表示第一数据流的样本集合Xi中的数据样本，y表示第一数据流的投影后的样本集合Yi中的数据样本，Ni表示该第一数据流的样本集合的样本集合大小，表示投影后的样本中心。
步骤1026，根据该投影方差和该投影余弦获取该第一判别向量。
示例的，可以通过以下的判别向量公式获取该第一判别向量：
Zi＝(Vi，Ei)T
其中，Zi表示该第一判别向量，Vi表示该第一数据流的投影方差，Ei表示该第一数据流的投影余弦。
图3是根据本公开一示例性实施例示出的一种判别向量获取方法的流程图，如图3所示，步骤104所述的根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移，可以包括以下步骤：
步骤1041，获取该第一判别向量与该第二判别向量相减所得向量差的范数。
步骤1042，判断该范数是否大于预设阈值。
步骤1043，当该范数大于该预设阈值时，确定该第一数据流发生概念漂移。
步骤1044，当该范数小于或等于该预设阈值时，确定该第一数据流未发生概念漂移。
示例的，用δ表示该预设阈值，则上述步骤1041至1044可以通过以下公式来确定该第一数据流是否发生概念漂移：
||Zi-Zk||＞δ
其中，该Zi表示该第一判别向量，Zk表示该第二判别向量，||Zi-Zk||表示该第一判别向量与该第二判别向量相减所得向量差的范数。
图4是根据本公开一示例性实施例示出的一种判别向量获取方法的流程图，如图4所示，步骤106中所述的通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络，可以包括以下步骤：
步骤1061，根据该第一数据流的样本集合中的多个数据样本以及多个变量，生成该第一数据流的贝叶斯网络集合，该贝叶斯网络集合中包括：由该多个变量中的部分变量或全部变量所构成的多个贝叶斯网络。
其中，贝叶斯网络是一种概率图模型，能够图形化地表示一组变量间的联合概率分布函数。一个贝叶斯网络包括了一个结构模型和阈值相关的一组条件概率分布函数。其中，该结构模型可以是一个有向无环图，有向无环图中的结点表示了随机变量，在这里就是我们要监控的系统变量，并描述了变量的状态，如低、中和高。有向无环图中的边则表示变量间的概率依赖关系。图中的每个节点都有一个给定其父节点情况下该节点的条件概率分布函数。这样，一个贝叶斯网络就可以用图形化的形式表示，并将与一系列节点相关的条件概率函数组合成为整体的联合概率分布函数。
因果贝叶斯网络是指具有因果含义的贝叶斯网络，其中每个节点的父节点被解释为该节点相对于模型中其它节点的直接原因。为了与之区别，有时也将没有因果意义的贝叶斯网络称为概率贝叶斯网络(本公开各个实施例中所构建的贝叶斯网络应当是没有因果关系)。
贝叶斯网络具有以下优点：(1)贝叶斯网络将有向无环图与概率理论有机结合，不但具有了正式的概率理论基础，同时也具有更加直观的知识表示形式。(2)贝叶斯网络与一般知识表示方法不同的是对于问题域的建模，因此当条件或行为等发生变化时，不用对模型进行修正。(3)贝叶斯网络可以图形化表示随机变量间的联合概率，因此能够处理各种不确定性信息。(4)贝叶斯网络中没有确定的输入或输出节点，节点之间是相互影响的，任何节点观测值的获得或者对于任何节点的干涉，都会对其他节点造成影响，并可以利用贝叶斯网络推理来进行估计预测。(5)贝叶斯网络的推理是以贝叶斯概率理论为基础的，不需要外界的任何推理机制，不但具有理论依据，而且将知识表示与知识推理结合起来，形成统一的整体。通过运维数据构建贝叶斯网络，可以辅助运维人员进行指标状态推断，解决异常原因定位、系统风险评估等问题。
示例的，在本实施例中，可以用Z表示该第一数据流的变量集合，该变量集合中包含多个变量，该多个变量为离散变量，并且该变量集合Z中的变量是根据该第一数据流的样本集合确定的，另一方面可以用Q表示该第一数据流的贝叶斯网络集合，即由Z中的变量所构成的贝叶斯网络的集合。其中，该贝叶斯网络集合Q中可以包含，由Z中的变量所构成的所有可能的贝叶斯网络。
举例来说，假设该第一数据流的变量集合有10个变量，则可以以这10个变量为节点，构建包含这10个变量中的部分或全部变量的所有可能的贝叶斯网络，作为该第一数据流的贝叶斯网络集合。
步骤1062，利用预设算法在该多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，作为该第一数据流对应的贝叶斯网络。
示例的，首先，利用贝叶斯狄里克雷打分函数分别获取该多个贝叶斯网络的后验概率。
其中，用贝叶斯狄里克雷打分函数可以表示数据的极大似然，该贝叶斯狄里克雷打分函数可以表示为：
其中，BS表示当前的贝叶斯网络，例如可以依次为该第一数据流的贝叶斯网络集合Q中的每个贝叶斯网络，表示P(BS)贝叶斯网络BS的先验概率(先验概率是指根据以往经验和分析得到的概率)，D表示当前的数据流的样本集合，在针对该第一数据流进行计算时，D即为该第一数据流的样本集合Xi，P(BS|D)表示贝叶斯网络BS的后验概率，即在数据流的样本集合为样本集合D的情况下，当前的贝叶斯网络BS的条件概率，表示贝叶斯网络集合Q中的第i个贝叶斯网络，表示在数据流的样本集合为样本集合D的情况下，贝叶斯网络集合Q中的第i个贝叶斯网络的条件概率。对于贝叶斯网络BS中的每个变量都有一个父节点集πi，可以用Wij表示πi的第j个状态，qi则表示πi的状态的数量，Nijk表示D中的变量ai的值为vik，且πi处于Wij状态时的样本个数，
其次，根据该多个贝叶斯网络的后验概率，确定具有最大后验概率的目标贝叶斯网络。
通过上述打分函数，可以确定该第一数据流的贝叶斯网络集合Q中的每个贝叶斯网络集合的P(BS|D)，从而选择P(BS|D)值最大的贝叶斯网络作为该目标贝叶斯网络，作为该第一数据流对应的贝叶斯网络。即：
而后，可以将该第一数据流对应的贝叶斯网络和该第一判别向量进行存储，以便再次执行该步骤101-106时使用。其中，在第一数据流之前的历史数据流，也是采用了与该步骤101-106相同的方法获取的判别向量和贝叶斯网络的。
在上述技术方案，首先将采集到的预设时间段内的系统指标数据封装为第一数据流，再根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量，并在历史数据流的判别向量中确定与该第一判别向量距离最近的第二判别向量，该历史数据流为在该第一数据流之前的数据流，然后根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移，从而当确定该第一数据流未发生概念漂移时，将该第二判别向量对应的数据流所对应的贝叶斯网络，作为该第一数据流对应的贝叶斯网络；当确定该第一数据流发生概念漂移时，再通过对该第一数据流进行贝叶斯网络学习，获取该第一数据流对应的贝叶斯网络。由此可见，在本公开的技术方案中，当采集到一段时间内的系统指标数据的数据流时，选判断该数据流是否发生概念漂移，当没有发生概念漂移时，采用已经构建好的历史数据流的贝叶斯网络，只有当发生概念漂移才针对该数据流新建贝叶斯网络，因此能够复用已经构建好的贝叶斯网络，特别是随时间的推移，已经构建好的贝叶斯网络数量不断增加，则可以大量复用之前的历史数据流的贝叶斯网络，从而能够大量减少贝叶斯网络的构建过程，从而能够解决由于目前计算复杂度高导致的消耗系统资源多的问题，因此能够降低运维过程中的计算复杂度以及降低系统资源消耗。
图5是根据一示例性实施例示出的一种贝叶斯网络确定装置的框图，如图5所示，该装置500包括：
数据采集模块501，用于将采集到的预设时间段内的系统指标数据封装为第一数据流；
向量获取模块502，用于根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量；
向量确定模块503，用于在历史数据流的判别向量中确定与第一判别向量距离最近的第二判别向量，该历史数据流为在该第一数据流之前的数据流；
漂移识别模块504，用于根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移；
网络确定模块505，用于当确定该第一数据流未发生概念漂移时，将该第二判别向量对应的数据流所对应的贝叶斯网络，作为该第一数据流对应的贝叶斯网络；
网络获取模块506，用于当确定该第一数据流发生概念漂移时，通过对该第一数据流进行贝叶斯网络学习，获取该第一数据流对应的贝叶斯网络。
图6是根据一示例性实施例示出的一种向量获取模块的框图，如图6所示，该向量获取模块503，可以包括：
样本中心获取子模块5031，用于根据该第一数据流的样本集合，获取该第一数据的样本中心，该样本集合中包括多个数据样本；
样本中心投影子模块5032，用于根据该第一数据流的投影矩阵，以及该样本中心，获取该第一数据的投影后的样本中心；
样本集合投影子模块5033，用于根据该投影矩阵，以及该第一数据流的样本集合，获取该第一数据流的投影后的样本集合；
投影方差获取子模块5034，用于根据该投影后的样本集合、该投影后的样本中心，以及该第一数据流的样本集合大小，确定该投影方差；
投影余弦获取子模块5035，用于根据该第一数据流的样本集合，该投影后的样本集合、该投影后的样本中心，以及该第一数据流的样本集合大小，确定该投影余弦；
向量获取子模块5036，用于根据该投影方差和该投影余弦获取该第一判别向量。
图7是根据一示例性实施例示出的一种漂移识别模块的框图，如图7所示，该漂移识别模块504，可以包括：
计算子模块5041，用于获取该第一判别向量与该第二判别向量相减所得向量差的范数；
判断子模块5042，用于判断该范数是否大于预设阈值；
确定子模块5043，用于当该范数大于该预设阈值时，确定该第一数据流发生概念漂移；当该范数小于或等于该预设阈值时，确定该第一数据流未发生概念漂移。
图8是根据一示例性实施例示出的一种网络获取模块的框图，如图8所示，该网络获取模块506，可以包括：
概率计算子模块5061，用于根据该第一数据流的样本集合中的多个数据样本以及多个变量，生成该第一数据流的贝叶斯网络集合，该贝叶斯网络集合中包括：由该多个变量中的部分变量或全部变量所构成的多个贝叶斯网络；
网络选择子模块5062，用于利用预设算法在该多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，作为该第一数据流对应的贝叶斯网络。
其中，该网络选择子模块5062，可以用于：
利用贝叶斯狄里克雷打分函数分别获取该多个贝叶斯网络的后验概率；
根据该多个贝叶斯网络的后验概率，确定该具有最大后验概率的目标贝叶斯网络。
在上述技术方案，首先将采集到的预设时间段内的系统指标数据封装为第一数据流，再根据该第一数据流的投影方差和投影余弦，获取该第一数据流的第一判别向量，并在历史数据流的判别向量中确定与该第一判别向量距离最近的第二判别向量，该历史数据流为在该第一数据流之前的数据流，然后根据该第一判别向量距离和该第二判别向量确定该第一数据流是否发生概念漂移，从而当确定该第一数据流未发生概念漂移时，将该第二判别向量对应的数据流所对应的贝叶斯网络，作为该第一数据流对应的贝叶斯网络；当确定该第一数据流发生概念漂移时，再通过对该第一数据流进行贝叶斯网络学习，获取该第一数据流对应的贝叶斯网络。由此可见，在本公开的技术方案中，当采集到一段时间内的系统指标数据的数据流时，选判断该数据流是否发生概念漂移，当没有发生概念漂移时，采用已经构建好的历史数据流的贝叶斯网络，只有当发生概念漂移才针对该数据流新建贝叶斯网络，因此能够复用已经构建好的贝叶斯网络，特别是随时间的推移，已经构建好的贝叶斯网络数量不断增加，则可以大量复用之前的历史数据流的贝叶斯网络，从而能够大量减少贝叶斯网络的构建过程，从而能够解决由于目前计算复杂度高导致的消耗系统资源多的问题，因此能够降低运维过程中的计算复杂度以及降低系统资源消耗。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种电子设备900的框图。如图9所示，该电子设备900可以包括：处理器901，存储器902。该电子设备900还可以包括多媒体组件903，输入/输出(I/O)接口904，以及通信组件905中的一者或多者。
其中，处理器901用于控制该电子设备900的整体操作，以完成上述的贝叶斯网络确定方法中的全部或部分步骤。存储器902用于存储各种类型的数据以支持在该电子设备900的操作，这些数据例如可以包括用于在该电子设备900上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器902可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件903可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器902或通过通信组件905发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口904为处理器901和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件905用于该电子设备900与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件905可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备900可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的贝叶斯网络确定方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的贝叶斯网络确定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器902，上述程序指令可由电子设备900的处理器901执行以完成上述的贝叶斯网络确定方法。
图10是根据一示例性实施例示出的一种电子设备1000的框图。例如，电子设备1000可以被提供为一服务器。参照图10，电子设备1000包括处理器1022，其数量可以为一个或多个，以及存储器1032，用于存储可由处理器1022执行的计算机程序。存储器1032中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1022可以被配置为执行该计算机程序，以执行上述的贝叶斯网络确定方法。
另外，电子设备1000还可以包括电源组件1026和通信组件1050，该电源组件1026可以被配置为执行电子设备1000的电源管理，该通信组件1050可以被配置为实现电子设备1000的通信，例如，有线或无线通信。此外，该电子设备1000还可以包括输入/输出(I/O)接口1058。电子设备1000可以操作基于存储在存储器1032的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的贝叶斯网络确定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1032，上述程序指令可由电子设备1000的处理器1022执行以完成上述的贝叶斯网络确定方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种贝叶斯网络确定方法，其特征在于，所述方法包括：
将采集到的预设时间段内的系统指标数据封装为第一数据流；
根据所述第一数据流的投影方差和投影余弦，获取所述第一数据流的第一判别向量；
在历史数据流的判别向量中确定与所述第一判别向量距离最近的第二判别向量，所述历史数据流为在所述第一数据流之前的数据流；
根据所述第一判别向量距离和所述第二判别向量确定所述第一数据流是否发生概念漂移；
当确定所述第一数据流未发生概念漂移时，将所述第二判别向量对应的数据流所对应的贝叶斯网络，作为所述第一数据流对应的贝叶斯网络；
当确定所述第一数据流发生概念漂移时，通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一数据流的投影方差和投影余弦，获取所述第一数据流的第一判别向量，包括：
根据所述第一数据流的样本集合，获取所述第一数据的样本中心，所述样本集合中包括多个数据样本；
根据所述第一数据流的投影矩阵，以及所述样本中心，获取所述第一数据的投影后的样本中心；
根据所述投影矩阵，以及所述第一数据流的样本集合，获取所述第一数据流的投影后的样本集合；
根据所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影方差；
根据所述第一数据流的样本集合，所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影余弦；
根据所述投影方差和所述投影余弦获取所述第一判别向量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一判别向量距离和所述第二判别向量确定所述第一数据流是否发生概念漂移，包括：
获取所述第一判别向量与所述第二判别向量相减所得向量差的范数；
判断所述范数是否大于预设阈值；
当所述范数大于所述预设阈值时，确定所述第一数据流发生概念漂移；
当所述范数小于或等于所述预设阈值时，确定所述第一数据流未发生概念漂移。
4.根据权利要求1所述的方法，其特征在于，所述通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络，包括：
根据所述第一数据流的样本集合中的多个数据样本以及多个变量，生成所述第一数据流的贝叶斯网络集合，所述贝叶斯网络集合中包括：由所述多个变量中的部分变量或全部变量所构成的多个贝叶斯网络；
利用预设算法在所述多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，作为所述第一数据流对应的贝叶斯网络。
5.根据权利要求4所述的方法，其特征在于，所述利用预设算法在所述多个贝叶斯网络中确定具有最大后验概率的目标贝叶斯网络，包括：
利用贝叶斯狄里克雷打分函数分别获取所述多个贝叶斯网络的后验概率；
根据所述多个贝叶斯网络的后验概率，确定所述具有最大后验概率的目标贝叶斯网络。
6.一种贝叶斯网络确定装置，其特征在于，所述装置包括：
数据采集模块，用于将采集到的预设时间段内的系统指标数据封装为第一数据流；
向量获取模块，用于根据所述第一数据流的投影方差和投影余弦，获取所述第一数据流的第一判别向量；
向量确定模块，用于在历史数据流的判别向量中确定与所述第一判别向量距离最近的第二判别向量，所述历史数据流为在所述第一数据流之前的数据流；
漂移识别模块，用于根据所述第一判别向量距离和所述第二判别向量确定所述第一数据流是否发生概念漂移；
网络确定模块，用于当确定所述第一数据流未发生概念漂移时，将所述第二判别向量对应的数据流所对应的贝叶斯网络，作为所述第一数据流对应的贝叶斯网络；
网络获取模块，用于当确定所述第一数据流发生概念漂移时，通过对所述第一数据流进行贝叶斯网络学习，获取所述第一数据流对应的贝叶斯网络。
7.根据权利要求6所述的装置，其特征在于，所述向量获取模块，包括：
样本中心获取子模块，用于根据所述第一数据流的样本集合，获取所述第一数据的样本中心，所述样本集合中包括多个数据样本；
样本中心投影子模块，用于根据所述第一数据流的投影矩阵，以及所述样本中心，获取所述第一数据的投影后的样本中心；
样本集合投影子模块，用于根据所述投影矩阵，以及所述第一数据流的样本集合，获取所述第一数据流的投影后的样本集合；
投影方差获取子模块，用于根据所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影方差；
投影余弦获取子模块，用于根据所述第一数据流的样本集合，所述投影后的样本集合、所述投影后的样本中心，以及所述第一数据流的样本集合大小，确定所述投影余弦；
向量获取子模块，用于根据所述投影方差和所述投影余弦获取所述第一判别向量。
8.根据权利要求6所述的装置，其特征在于，所述漂移识别模块，包括：
计算子模块，用于获取所述第一判别向量与所述第二判别向量相减所得向量差的范数；
判断子模块，用于判断所述范数是否大于预设阈值；
确定子模块，用于当所述范数大于所述预设阈值时，确定所述第一数据流发生概念漂移；当所述范数小于或等于所述预设阈值时，确定所述第一数据流未发生概念漂移。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-5中任一项所述方法的步骤。
CN201810961177.6A 2018-08-22 2018-08-22 贝叶斯网络确定方法、装置、存储介质和电子设备 Active CN109343952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810961177.6A CN109343952B (zh) 2018-08-22 2018-08-22 贝叶斯网络确定方法、装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810961177.6A CN109343952B (zh) 2018-08-22 2018-08-22 贝叶斯网络确定方法、装置、存储介质和电子设备

Publications (2)

Publication Number Publication Date
CN109343952A true CN109343952A (zh) 2019-02-15
CN109343952B CN109343952B (zh) 2020-11-27

Family

ID=65296763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810961177.6A Active CN109343952B (zh) 2018-08-22 2018-08-22 贝叶斯网络确定方法、装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN109343952B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765324A (zh) * 2021-01-25 2021-05-07 四川虹微技术有限公司 一种概念漂移检测方法及装置
WO2022009210A1 (en) * 2020-07-08 2022-01-13 B. G. Negev Technologies And Applications Ltd., At Ben-Gurion University Method and system for detection and mitigation of concept drift

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251851A (zh) * 2008-02-29 2008-08-27 吉林大学 基于增量朴素贝叶斯网多分类器集成方法
CN103020288A (zh) * 2012-12-28 2013-04-03 大连理工大学 一种动态数据环境下的数据流分类方法
CN106354753A (zh) * 2016-07-31 2017-01-25 信阳师范学院 数据流中基于模式发现的贝叶斯分类器
CN106792799A (zh) * 2016-11-29 2017-05-31 德清云浩电子科技有限公司 一种基于贝叶斯网络的移动传感器网络降噪和校准方法
CN106960069A (zh) * 2016-12-27 2017-07-18 安徽理工大学 一种具有自学习功能的贝叶斯网络平台
CN107680120A (zh) * 2017-09-05 2018-02-09 南京理工大学 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101251851A (zh) * 2008-02-29 2008-08-27 吉林大学 基于增量朴素贝叶斯网多分类器集成方法
CN103020288A (zh) * 2012-12-28 2013-04-03 大连理工大学 一种动态数据环境下的数据流分类方法
CN106354753A (zh) * 2016-07-31 2017-01-25 信阳师范学院 数据流中基于模式发现的贝叶斯分类器
CN106792799A (zh) * 2016-11-29 2017-05-31 德清云浩电子科技有限公司 一种基于贝叶斯网络的移动传感器网络降噪和校准方法
CN106960069A (zh) * 2016-12-27 2017-07-18 安徽理工大学 一种具有自学习功能的贝叶斯网络平台
CN107680120A (zh) * 2017-09-05 2018-02-09 南京理工大学 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BACH等: "A bayesian approach to concept drift", 《 ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEM》 *
BORCHANI H等: "Mining multi-dimensional concept-drifting data streams using Bayesian network classifiers", 《INTELLIGENT DATA ANALYSIS 2016》 *
包理群等: "贝叶斯邮件分类中概念漂移问题研究", 《计算机应用与软件》 *
杨彬彬: "基于贝叶斯混合集成的概念漂移数据流分类", 《计算机工程与设计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022009210A1 (en) * 2020-07-08 2022-01-13 B. G. Negev Technologies And Applications Ltd., At Ben-Gurion University Method and system for detection and mitigation of concept drift
CN112765324A (zh) * 2021-01-25 2021-05-07 四川虹微技术有限公司 一种概念漂移检测方法及装置

Also Published As

Publication number Publication date
CN109343952B (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN111694879B (zh) 一种多元时间序列异常模式预测方法及数据采集监控装置
US20180136617A1 (en) Systems and methods for continuously modeling industrial asset performance
Alban et al. Neural networks to predict dropout at the universities
Yu et al. Remaining useful life prediction for lithium-ion batteries using a quantum particle swarm optimization-based particle filter
CN110324168A (zh) 异常事件监控方法和装置及电子设备
JP2017091278A (ja) 学習装置、予測装置、学習方法、予測方法、およびプログラム
CN109343952A (zh) 贝叶斯网络确定方法、装置、存储介质和电子设备
Xue et al. Detection and quantification of anomalies in communication networks based on LSTM-ARIMA combined model
Zhang et al. Odtoolkit: A toolkit for building occupancy detection
Keshk et al. Automatic estimation of differential evolution parameters using Hidden Markov Models
CN117094599A (zh) 基于机器学习的生产质量管理方法、装置和计算机设备
Kazemi et al. Estimating the drift time for processes subject to linear trend disturbance using fuzzy statistical clustering
Moshtaghi et al. Exponentially weighted ellipsoidal model for anomaly detection
Yadwad et al. Fault Prediction for Network Devices Using Service Outage Prediction Model.
Kan et al. Online learning of parameters for modeling user preference based on bayesian network
Alonso et al. Virtual sensor for probabilistic estimation of the evaporation in cooling towers
Wu et al. A sequential bayesian partitioning approach for online steady-state detection of multivariate systems
Chen et al. A systematic approach to adaptive activity modeling and discovery in smart homes
Sousa et al. Prediction of electrical energy consumption for Internet of Things in disaggregated databases
Chitu et al. Predictive modeling of occupancy patterns in smart buildings
Rojek et al. Industrial control system based on data processing
US20230125620A1 (en) Optimized hvac control using domain knowledge combined with deep reinforcement learning (drl)
Daswani et al. Feature reinforcement learning using looping suffix trees
Oliker Green flash: Designing an energy efficient climate supercomputer
US20150100391A1 (en) Systems And Methods For Discovering An Optimal Operational Strategy For A Desired Service Delivery Outcome

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