CN109492826A - 一种基于机器学习的信息系统运行状态风险预测方法 - Google Patents
一种基于机器学习的信息系统运行状态风险预测方法 Download PDFInfo
- Publication number
- CN109492826A CN109492826A CN201811487389.1A CN201811487389A CN109492826A CN 109492826 A CN109492826 A CN 109492826A CN 201811487389 A CN201811487389 A CN 201811487389A CN 109492826 A CN109492826 A CN 109492826A
- Authority
- CN
- China
- Prior art keywords
- achievement data
- dimension
- risk
- value
- data
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Abstract
本发明涉及一种基于机器学习的信息系统运行状态风险预测方法,属于信息系统运行状态风险预测技术领域,解决了现有技术中无法智能化预测信息系统运行状态风险,信息系统风险防控能力较差的问题。所述方法包括步骤:采集原始日志中的指标数据,选取多个维度的所述指标数据,得到每个维度指标数据的训练集和测试集;针对每个维度指标数据的训练集和测试集,构建相应维度指标数据的维度值预测模型;预测得到对应维度指标数据预设未来时长的纵向预测值;根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,得到预设未来时长的风险预测结果。实现了信息系统运行状态风险的智能化预测,增加了信息系统风险防控能力。
Description
技术领域
本发明涉及信息系统运行状态风险预测技术领域,尤其涉及一种基于机器学习的信息系统运行状态风险预测方法。
背景技术
在信息系统生命周期中,系统建设的时间和成本只占相对小的一部分,而系统运行维护占据了整个时间和成本的主要部分,可以说信息系统是“三分建设、七分运维”,足见信息系统运维的重要性;近年来,各行各业的信息化已从信息系统建设为主逐步进入建设和运维并重的新阶段,信息系统运维技术飞速发展;但在IT运维过程中,IT员工大多数只是处在被动低效率手工救火的状态,只有当事件已经发生并已造成业务影响时才能发现和着手处理。
为了提高运维的效率和质量,对系统运行情况进行全方面的预测分析,从而达到提前预防处理可能发生的系统故障的目的,解决现阶段无法智能化地保障系统长期稳定运行的技术问题,提高系统风险防控能力。
尽管现有的IT运维管理的技术在不断进步,但智能化不高;技术虽然能够获取IT设备、服务器、网络流量,甚至数据库的预警信息,但无法将各个维度指标进行横向对比分析,给出系统运行状态风险建议,从而达到提前预防处理可能发生的系统故障的目的。
发明内容
鉴于上述的分析,本发明旨在提供一种基于机器学习的信息系统风险预测方法,用以解决现有技术中无法智能化预测信息系统运行状态风险,信息系统风险防控能力较差的问题。
本发明提供了一种对日志数据进行深入学习和模式识别的方法,包括:
采集原始日志中的指标数据,选取多个维度的所述指标数据,得到每个维度指标数据的训练集和测试集;
针对每个维度指标数据的训练集和测试集,构建相应维度指标数据的维度值预测模型;
利用各维度值预测模型,预测得到对应维度指标数据预设未来时长的纵向预测值;
根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,得到预设未来时长的风险预测结果。
上述技术方案的有益效果为:通过上述方法智能化的预测出信息系统运行状态风险,从而增加信息系统风险防控能力。
进一步地,采集原始日志中的指标数据,具体包括:采集原始日志中目标系统服务器、网络、应用程序、数据库和中间件的指标数据。
进一步地,上述方法还包括,对采集得到的指标数据进行结构化对象存储,得到结构化存储后的指标数据。
上述进一步技术方案的有益效果为:通过上述方法实现了对采集的指标数据进行规范化管理,以提高检索指标数据的速度,满足大数据与多并发的需求。
进一步地,得到每个维度的所述指标数据的训练集和测试集,具体包括:根据采集时间点,按照预设时间间隔,对所述指标数据进行筛选,得到选取的每个维度指标数据的训练集和测试集。
上述进一步技术方案的有益效果为:通过上述方法筛选出符合要求的训练集和测试集,以便构建各个维度指标数据的维度值预测模型。
进一步地,针对每个维度指标数据的训练集和测试集,构建相应维度指标数据的维度值预测模型,包括:针对每个维度的指标数据,分别采用不同的回归方法进行训练,将各自训练得到的预测结果与各自的测试集进行对比,以正确率作为指标,确定每个维度指标数据最适合的回归方法,将所述最合适的回归方法作为相应维度指标数据的维度值预测模型。
上述进一步技术方案的有益效果为:通过上述方法寻求指标数据各自最合适的维度值预测模型,从而提高纵向预测值的可信度。
进一步地,所述多个维度指标数据与风险结果值的对应关系通过下述步骤得到:采用决策树学习算法,对所述多个维度指标数据按历史时间节点分析,得到所述多个维度指标数据与风险结果值的对应关系。
上述进一步技术方案的有益效果为:通过决策树学习算法的监督学习方式,准确而有效的挖掘出多个维度指标数据与风险结果值的对应关系。
进一步地,选取多个维度的所述指标数据,具体包括:选取目标系统服务器指标数据中的CPU利用率、内存利用率,选取网络指标数据中的实时网络速度,选取应用程序指标数据中的SQL执行性能,选取中间件指标数据中的中间件线程池等待队列中请求数。
上述进一步技术方案的有益效果为:通过上述方法对多个维度的指标数据的选取,使指标数据能够更全面的反应系统运行状态风险状况。
进一步地,针对每个维度的指标数据,分别采用不同的回归方法进行训练,具体包括:针对每个维度的指标数据,分别采用线性回归、树回归、神经网络回归方法进行训练。
进一步地,根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,得到预设未来时长的风险预测结果,具体包括:根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,按照未来的时间节点,生成未来每个时间节点的风险预测结果值,根据所述风险预测结果值得到风险级别。
进一步地,上述方法还包括,间隔一段时间,重复采集原始日志中的指标数据,再次选取多个维度的所述指标数据,得到每个维度指标数据的训练集和测试集,以对每个维度指标数据的训练集和测试集进行增量调整。
上述进一步技术方案的有益效果为:上述方法可以满足对风险预测的精度要求,并使维度值预测模型将逐步趋于稳定,并使其更具实用价值。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可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说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例所述方法流程示意图;
图2为本发明实施例所述信息系统运行状态的预测流程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种基于机器学习的信息系统运行状态风险预测方法,所述方法的流程示意图如图1所示,信息系统运行状态的预测流程示意图如图2所示;所述方法的步骤包括:
步骤S1、采集原始日志中的指标数据,选取多个维度的所述指标数据,得到每个维度指标数据的训练集和测试集;
采集原始日志中的指标数据,具体包括,由基于Python的pexpect类库采集原始日志中目标系统(被监管的主机以及服务器)的服务器、网络指标数据,如cpu,内存,硬盘,网络等运行指标数据;由java agent采集原始日志中应用程序相关指标数据;由基于JMX(JavaManagement Extensions,即Java管理扩展)和标准SQL脚本采集的数据库、中间件等相关指标数据;
指标数据采集后,为了实现对采集的指标数据进行规范化管理,并实现统一存储、统一管理,提高大数据情形下的检索速度,满足大数据与多并发的需求;需对这些指标数据进行结构化对象存储,具体包括,将各种途径采集到的数据都汇总到一起,并以结构化对象的方式进行存储,同时将这些结构化的指标数据统一归集在同一台服务器,并建立副本机制以防数据丢失;对已经存储的指标数据进行分类,并建立索引;
由于采集数据数量较大,为了筛选出符合要求的数据,还需要对结构化存储的数据进行大数据清洗。利用大数据清洗,通过采集时间点,按照预设时间间隔,对已经结构化存储的数据进行筛选,并按照目标维度构建机器学习训练集、测试集的需求,进行结构化的输出,从而获取每个维度的指定训练/测试集。
优选地,本实施例所选择的维度数为5个,分别为目标系统服务器指标数据中的CPU利用率、内存利用率,网络指标数据中的实时网络速率,中间件指标数据中的中间件线程池等待队列中请求数,应用程序指标数据中的SQL执行性能,其中,SQL执行性能也可作为数据库指标数据;这些指标数据有较高的覆盖面,且是引起系统风险的代表性因素,能够更全面的反应系统运行状态风险状况。
具体实施时,可获取近半年多5个维度的所有数据作为训练集、测试集,数据量较大。
步骤S2、针对每个维度指标数据的训练集和测试集,构建相应维度指标数据的维度值预测模型;
具体的,针对每个维度的指标数据,分别采用不同的回归方法进行训练,将各自训练得到的预测结果与各自的测试集进行对比,以正确率作为指标,确定每个维度指标数据最适合的回归方法,将所述最合适的回归方法作为相应维度指标数据的维度值预测模型。
具体实施时,针对选取的五个维度,分别采用了三种回归方法(包括:线性回归,树回归,神经网络回归)进行训练并将预测结果与测试集进行了对比,最终利用确定了每一个维度的维度值预测模型,如表1所示;
表1
维度1:CPU利用率 | 线性回归 |
维度2:内存利用率 | 线性回归 |
维度3:实时网络速率 | 树回归 |
维度4:中间件线程池等待队列中请求数 | 树回归 |
维度5:SQL执行性能 | 神经网络回归 |
步骤S3、利用各维度值预测模型,预测得到对应维度指标数据预设未来时长的纵向预测值;
在本实施例中,预设未来时长为1小时;利用各维度值预测模型,预测得到每个维度未来1小时区间内的所有结果预测值(如图2所示,各个维度都有纵向的预测值)。
步骤S4、根据所述预设未来时长的纵向预测值,结合所述多维度指标数据与风险结果值的对应关系,得到预设未来时长的风险预测结果。
通过上述步骤生成了结果值预测模型(风险结果值预测模型);
多维度指标数据与风险结果值的对应关系通过多维度监督学习风险预测算法得到;具体包括,利用监督学习的方式,采用决策树算法,对多个维度的历史数据按时间节点从横向进行分析,得到多个维度指标数据与风险结果值之间的对应关系;
上述通过决策树学习算法的监督学习方式,可以准确而有效的挖掘出多个维度指标数据与风险结果值的对应关系。
在具体实施例中,针对选取的五个维度,其算法公式如下:
风险结果值=F(CPU利用率、内存利用率、实时网络速率、中间件线程池等待队列中请求数、SQL执行性能);
利用多维度监督学习风险预测算法,对所有维度的历史数据做横向的分析,得出风险结果值预测模型,将风险结果值预测模型进行持久化保存。
根据各个维度的预设未来时长的纵向预测值,结合已经生成的风险结果值预测模型,按照未来的时间节点,生成未来每个时间节点的风险预测结果值,根据这些风险预测结果值,利用风险系数算法,得到未来的风险级别;
此处的风险系数算法的公式为“风险系数=f(风险结果值)”
风险结果值与风险结论有如下对应关系:
0<风险结果值<=0.25对应的风险结论(风险级别)为0;0.25<风险结果值<=0.5对应的风险结论为1;0.5<风险结果值<=0.75对应的风险结论为2;0.75<风险结果值<=1对应的风险结论为3;
其中,风险结论为0、1、2、3分别对应无风险、低风险、中风险、高风险;在进行风险预测时,上述风险结果值即为风险预测结果值。
如图2所示,未来的时间节点展示了风险结论。
为了实施调整模型,以满足风险预测的精度要求;还需要定时对训练集和测试集进行增量调整。
具体实施时,可选定每7天对训练集和测试集进行一次增量调整(此处增量调整的含义是:每7天都会产生新的数据,新的数据又可以作为历史数据加入到训练集和测试集,这些新加入到训练集和测试集中的数据被称为增量数据,这种训练集、测试集调整的方式被称为增量调整),训练集、测试集更新后,重复执行上述步骤S1-S2,不断对维度值预测模型进行优化调整。
当训练集和测试集的量足够大,调整次数足够多,该维度值预测模型将逐步趋于稳定,此时模型更具实用价值。
当该模型基本稳定后,只需执行上述步骤S3-S4,便可对风险进行预测;即,获取每个维度的指标数据,利用维度值预测模型对每个维度各自做预测(预设未来时长为1小时),对未来1小时的指标数据,应用风险结果值预测模型,得到1小时区间内的所有风险结果值;对每组风险结果值进行风险识别,得到风险结论;
根据风险结论,可进行相应的应用操作,比如预测风险的智能告警,例如,预测到在未来1个小时后会出现高风险,而此时5个维度中,系统内存使用率较高,那么可以判断系统内存的高使用率很有可能是诱导系统高风险的原因,此时系统在后台可以将风险提示与原因分析(考虑是内存的高使用率将导致系统风险)推送给运维人员,从而让运维人员实施增加内存或及时清理内存的处理,达到规避风险的目的。
本发明提供了一种基于机器学习的信息系统风险识别方法,通过大数据日志分析技术,对原始日志进行规范化管理;在此基础上,利用已经规范化管理的日志数据,以机器学习、数据挖掘等技术为支持,合理使用多个维度的数据信息,构建相应维度指标数据的维度值预测模型;实现了维度指标数据纵向预测值的预测,还将各个指标数据做关联分析,挖掘风险结果值与多个维度指标数据的潜在对应关系,实现了信息系统运行状态风险识别。
使用该方法能够综合分析和定位信息系统重要运维信息,进行系统运行状态风险识别、风险定性分析、风险定量分析、风险响应和风险监控等功能,提高了信息系统风险防控能力,更高效更精准的进行故障的定位与问题的诊断,实时预测系统运行的状态,可以通过主动推动预警信息,提升运维质量,并为长期高效保障系统稳定运行提供了一种解决思路。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习的信息系统运行状态风险预测方法,其特征在于,包括以下步骤:
采集原始日志中的指标数据,选取多个维度的所述指标数据,得到每个维度指标数据的训练集和测试集;
针对每个维度指标数据的训练集和测试集,构建相应维度指标数据的维度值预测模型;
利用各维度值预测模型,预测得到对应维度指标数据预设未来时长的纵向预测值;
根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,得到预设未来时长的风险预测结果。
2.根据权利要求1所述的方法,其特征在于,采集原始日志中的指标数据,具体包括:采集原始日志中目标系统服务器、网络、应用程序、数据库和中间件的指标数据。
3.根据权利要求1所述的方法,其特征在于,还包括,对采集得到的指标数据进行结构化对象存储,得到结构化存储后的指标数据。
4.根据权利要求1所述的方法,其特征在于,得到每个维度的所述指标数据的训练集和测试集,具体包括:根据采集时间点,按照预设时间间隔,对所述指标数据进行筛选,得到选取的每个维度指标数据的训练集和测试集。
5.根据权利要求1所述的方法,其特征在于,针对每个维度指标数据的训练集和测试集,构建相应维度指标数据的维度值预测模型,包括:针对每个维度的指标数据,分别采用不同的回归方法进行训练,将各自训练得到的预测结果与各自的测试集进行对比,以正确率作为指标,确定每个维度指标数据最适合的回归方法,将所述最合适的回归方法作为相应维度指标数据的维度值预测模型。
6.根据权利要求1所述的方法,其特征在于,所述多个维度指标数据与风险结果值的对应关系通过下述步骤得到:采用决策树学习算法,对所述多个维度指标数据按历史时间节点分析,得到所述多个维度指标数据与风险结果值的对应关系。
7.根据权利要求1所述方法,其特征在于,选取多个维度的所述指标数据,具体包括:选取目标系统服务器指标数据中的CPU利用率、内存利用率,选取网络指标数据中的实时网络速度,选取应用程序指标数据中的SQL执行性能,选取中间件指标数据中的中间件线程池等待队列中请求数。
8.根据权利要求5所述的方法,其特征在于,针对每个维度的指标数据,分别采用不同的回归方法进行训练,具体包括:针对每个维度的指标数据,分别采用线性回归、树回归、神经网络回归方法进行训练。
9.根据权利要求1所述的方法,其特征在于,根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,得到预设未来时长的风险预测结果,具体包括:根据所述预设未来时长的纵向预测值,结合所述多个维度指标数据与风险结果值的对应关系,按照未来的时间节点,生成未来每个时间节点的风险预测结果值,根据所述风险预测结果值得到风险级别。
10.根据权利要求1所述的方法,其特征在于,还包括,间隔一段时间,重复采集原始日志中的指标数据,再次选取多个维度的所述指标数据,得到每个维度指标数据的训练集和测试集,以对每个维度指标数据的训练集和测试集进行增量调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487389.1A CN109492826B (zh) | 2018-12-06 | 2018-12-06 | 一种基于机器学习的信息系统运行状态风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811487389.1A CN109492826B (zh) | 2018-12-06 | 2018-12-06 | 一种基于机器学习的信息系统运行状态风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109492826A true CN109492826A (zh) | 2019-03-19 |
CN109492826B CN109492826B (zh) | 2021-12-14 |
Family
ID=65709487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811487389.1A Active CN109492826B (zh) | 2018-12-06 | 2018-12-06 | 一种基于机器学习的信息系统运行状态风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492826B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334899A (zh) * | 2019-05-21 | 2019-10-15 | 中国大唐集团科学技术研究院有限公司 | 一种基于机器学习的增强型运维审计方法 |
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 |
CN110531988A (zh) * | 2019-08-06 | 2019-12-03 | 新华三大数据技术有限公司 | 应用程序的状态预测方法及相关装置 |
CN111290913A (zh) * | 2020-02-04 | 2020-06-16 | 复旦大学 | 一种基于运维数据预测的故障定位可视化系统和方法 |
CN111638988A (zh) * | 2019-04-28 | 2020-09-08 | 上海伽易信息技术有限公司 | 一种基于深度学习的云主机故障智能预测方法 |
CN111949501A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | It系统运行风险监控方法及装置 |
CN112130991A (zh) * | 2020-08-28 | 2020-12-25 | 北京思特奇信息技术股份有限公司 | 一种基于机器学习的应用程序控制方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401699A (zh) * | 2013-07-18 | 2013-11-20 | 深圳先进技术研究院 | 一种云数据中心安全监控预警系统及方法 |
CN103428272A (zh) * | 2013-07-16 | 2013-12-04 | 无限极(中国)有限公司 | 一种中间件线程的监控调度系统及方法 |
US20140351550A1 (en) * | 2013-05-23 | 2014-11-27 | Electronics And Telecommunications Research Institute | Memory management apparatus and method for threads of data distribution service middleware |
CN104820663A (zh) * | 2014-01-30 | 2015-08-05 | 西门子公司 | 发现低性能的sql语句以及预测sql语句性能的方法和装置 |
CN106445788A (zh) * | 2016-09-30 | 2017-02-22 | 国家电网公司 | 一种信息系统运行状态预测方法和装置 |
CN106503841A (zh) * | 2016-10-17 | 2017-03-15 | 东软集团股份有限公司 | 指标阈值的确定方法和装置 |
CN106598029A (zh) * | 2016-12-21 | 2017-04-26 | 北京交通大学 | 基于性能退化的列控车载设备可靠性预测方法 |
CN106682781A (zh) * | 2016-12-30 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种电力设备多指标预测方法 |
CN106886481A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 一种系统健康度静态分析预测方法及装置 |
CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
CN107294955A (zh) * | 2017-05-24 | 2017-10-24 | 创元网络技术股份有限公司 | 电子文件加密中间件管控系统及方法 |
CN108710555A (zh) * | 2018-05-23 | 2018-10-26 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法 |
-
2018
- 2018-12-06 CN CN201811487389.1A patent/CN109492826B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140351550A1 (en) * | 2013-05-23 | 2014-11-27 | Electronics And Telecommunications Research Institute | Memory management apparatus and method for threads of data distribution service middleware |
CN103428272A (zh) * | 2013-07-16 | 2013-12-04 | 无限极(中国)有限公司 | 一种中间件线程的监控调度系统及方法 |
CN103401699A (zh) * | 2013-07-18 | 2013-11-20 | 深圳先进技术研究院 | 一种云数据中心安全监控预警系统及方法 |
CN104820663A (zh) * | 2014-01-30 | 2015-08-05 | 西门子公司 | 发现低性能的sql语句以及预测sql语句性能的方法和装置 |
CN106445788A (zh) * | 2016-09-30 | 2017-02-22 | 国家电网公司 | 一种信息系统运行状态预测方法和装置 |
CN106503841A (zh) * | 2016-10-17 | 2017-03-15 | 东软集团股份有限公司 | 指标阈值的确定方法和装置 |
CN106598029A (zh) * | 2016-12-21 | 2017-04-26 | 北京交通大学 | 基于性能退化的列控车载设备可靠性预测方法 |
CN106682781A (zh) * | 2016-12-30 | 2017-05-17 | 山东鲁能软件技术有限公司 | 一种电力设备多指标预测方法 |
CN106886481A (zh) * | 2017-02-28 | 2017-06-23 | 深圳市华傲数据技术有限公司 | 一种系统健康度静态分析预测方法及装置 |
CN106951984A (zh) * | 2017-02-28 | 2017-07-14 | 深圳市华傲数据技术有限公司 | 一种系统健康度动态分析预测方法及装置 |
CN107294955A (zh) * | 2017-05-24 | 2017-10-24 | 创元网络技术股份有限公司 | 电子文件加密中间件管控系统及方法 |
CN108710555A (zh) * | 2018-05-23 | 2018-10-26 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法 |
Non-Patent Citations (3)
Title |
---|
LI HAI YAN 等: "The Research on the .Net Framework Thread Pool Based on Multiple Evaluation Criteria", 《2010 INTERNATIONAL CONFERENCE ON CHALLENGES IN ENVIRONMENTAL SCIENCE AND COMPUTER ENGINEERING》 * |
吕燕: "信息系统的性能监控分析与研究", 《有线电视技术》 * |
黄冬梅 等: "《案例驱动的大数据原理技术及应用》", 30 November 2018 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111638988A (zh) * | 2019-04-28 | 2020-09-08 | 上海伽易信息技术有限公司 | 一种基于深度学习的云主机故障智能预测方法 |
CN111638988B (zh) * | 2019-04-28 | 2023-05-12 | 上海伽易信息技术有限公司 | 一种基于深度学习的云主机故障智能预测方法 |
CN110334899A (zh) * | 2019-05-21 | 2019-10-15 | 中国大唐集团科学技术研究院有限公司 | 一种基于机器学习的增强型运维审计方法 |
CN110531988A (zh) * | 2019-08-06 | 2019-12-03 | 新华三大数据技术有限公司 | 应用程序的状态预测方法及相关装置 |
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 |
CN111290913A (zh) * | 2020-02-04 | 2020-06-16 | 复旦大学 | 一种基于运维数据预测的故障定位可视化系统和方法 |
CN111949501A (zh) * | 2020-08-14 | 2020-11-17 | 中国工商银行股份有限公司 | It系统运行风险监控方法及装置 |
CN112130991A (zh) * | 2020-08-28 | 2020-12-25 | 北京思特奇信息技术股份有限公司 | 一种基于机器学习的应用程序控制方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109492826B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492826A (zh) | 一种基于机器学习的信息系统运行状态风险预测方法 | |
US11237898B2 (en) | Automatic model-based computing environment performance monitoring | |
CN105144112B (zh) | Java堆使用的季节趋势、预报、异常检测和端点预测 | |
CN108073497B (zh) | 一种基于数据中心数据采集平台的多指标异动分析方法 | |
Fong et al. | Predicting unusual energy consumption events from smart home sensor network by data stream mining with misclassified recall | |
US9772886B2 (en) | Optimizing execution and resource usage in large scale computing | |
US8732534B2 (en) | Predictive incident management | |
US9639585B2 (en) | Database and method for evaluating data therefrom | |
CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
CN106095639A (zh) | 一种集群亚健康预警方法及系统 | |
CN105071983A (zh) | 一种面向云计算在线业务的异常负载检测方法 | |
Pérez-Ariza et al. | Prediction of coffee rust disease using Bayesian networks | |
CN110417611A (zh) | 基于i/o模式的存储系统延迟评估 | |
CN102724059A (zh) | 基于MapReduce的网站运行状态监控与异常检测 | |
Wang et al. | Online reliability prediction via motifs-based dynamic Bayesian networks for service-oriented systems | |
CN110417610A (zh) | 存储系统延迟孤立点检测 | |
CN109753526A (zh) | 一种基于时序相似度对告警信息分析查询的装置及方法 | |
US9740986B2 (en) | System and method for deducing user interaction patterns based on limited activities | |
Patabendige et al. | Detection and interpretation of anomalous water use for non-residential customers | |
CN110569399B (zh) | 基于pinpoint日志的链路构建方法 | |
Karuppusamy | Machine learning approach to predictive maintenance in manufacturing industry-a comparative study | |
US8032620B2 (en) | Method and system for improved in-line management of an information technology network | |
CN111582343B (zh) | 一种设备故障预测的方法及装置 | |
Gianazza | Smoothed traffic complexity metrics for airspace configuration schedules | |
CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 |
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 |