CN109800942B - 机房运维管理方法、电子装置及存储介质 - Google Patents

机房运维管理方法、电子装置及存储介质 Download PDF

Info

Publication number
CN109800942B
CN109800942B CN201811506424.XA CN201811506424A CN109800942B CN 109800942 B CN109800942 B CN 109800942B CN 201811506424 A CN201811506424 A CN 201811506424A CN 109800942 B CN109800942 B CN 109800942B
Authority
CN
China
Prior art keywords
task
note
notes
layer
neural network
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
Application number
CN201811506424.XA
Other languages
English (en)
Other versions
CN109800942A (zh
Inventor
樊康宁
邢晓坤
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811506424.XA priority Critical patent/CN109800942B/zh
Publication of CN109800942A publication Critical patent/CN109800942A/zh
Application granted granted Critical
Publication of CN109800942B publication Critical patent/CN109800942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)
  • Time Recorders, Dirve Recorders, Access Control (AREA)

Abstract

本发明涉及机房管理技术，提供一种机房运维管理方法，以任务便签形式显示单位时间的工作内容，包括：获取每个员工单位时间内不同时间段的任务便签；通过神经网络获得任务便签的执行顺序；通过显示模块按照时间顺序和执行顺序显示各员工的任务便签；对显示模块相对于市电进行独立供电。本发明还提出了一种电子装置及存储介质。本发明完善办公系统体系提高运维效率。

Description

机房运维管理方法、电子装置及存储介质
技术领域
本发明涉及机房管理技术领域，更为具体地，涉及一种机房运维管理方法、电子装置及存储介质。
背景技术
运维工作主要在园区的附属用房依靠电子设备，一旦发生断电、网络中断或系统故障，现场工作很难有序展开。机房运维的周期性工作因周期过长而出现遗漏。
另外，以往员工对各项工作任务需要认为进行规划，没有合理的分配时间导致任务完成质量和速度有很大差异，影响组内运维效率，在完成现有需求或变更时，无法自动记录。
发明内容
鉴于上述问题，本发明的目的是提供一种完善办公系统体系提高运维效率的机房运维管理方法、电子装置及存储介质。
为了实现上述目的，本发明提供一种电子装置，所述电子装置包括存储器和处理器，所述存储器中包括机房运维管理程序，所述机房运维管理程序被所述处理器执行时实现如下步骤：
获取每个员工单位时间内不同时间段的任务便签；
通过神经网络获得任务便签的执行顺序；
通过显示模块按照时间顺序和执行顺序显示各员工的任务便签；
对显示模块相对于市电进行独立供电。
此外，为了实现上述目的，本发明还提供一种机房运维管理方法，以任务便签形式显示单位时间的工作内容，包括：
获取每个员工单位时间内不同时间段的任务便签；
通过神经网络获得任务便签的执行顺序；
通过显示模块按照时间顺序和执行顺序显示各员工的任务便签；
对显示模块相对于市电进行独立供电，
其中，所述通过神经网络获得任务便签的执行顺序的步骤包括：
构建神经网络结构，神经网络结构包括输入层、隐含层和输出层；
根据下式(1)和(2)构建神经网络的隐含层和输出层输出的模型，即预测模型，其中：
Figure BDA0001899561810000021
Figure BDA0001899561810000022
其中，wij为输入层第i个节点和隐含层第j个节点的连接权值，wjk为隐含层第j个节点和输出层第k个节点的连接权值，aj为隐含层第j个节点的阈值，bk为输出层第k个节点的阈值，n为输入层的节点数，l为隐含层的节点数，k＝1,2…m，m为输出层的节点数，xi为输入层的第i个节点的变量，hj为隐含层第j个节点的输出值，Ok为输出层的第k个节点的输出值，f为激励函数
Figure BDA0001899561810000023
通过每一个设备中的任务便签记录获得任务便签时间序列，根据输入层节点数和输出层节点数分成多个子序列，设定一个任务便签时间序列为V＝[V1,V2,…,Vt]，则将其转换后的多个子序列为，
Figure BDA0001899561810000024
其中，Vt为t时刻的任务便签，每一行都是一个子序列，每一行中前n列是输入数据，后m列是输出数据，将每个设备中每个任务便签时间序的子序列进行合并，形成了每个设备的样本；
对每个设备的样本按设定比例按行抽样挑出训练集，其余为测试集；
对神经网络的参数进行初始赋值，所述参数包括隐含层和输出层的连接权值、输入层和隐含层的连接权值、隐含层阈值和输出层阈值；
将训练集代入神经网络隐含层和输出层输出的模型进行训练，得到训练后的神经网络结构；
将员工或设备任务涉及的任务便签组成任务便签集合，将任一任务便签输入训练后的神经网络结构，当神经网络结构输出的任务便签属于所述任务便签集合时，将输出的任务便签排列于输入的任务便签之后，如果输出的任务便签不属于任务便签集合，对神经网络进行重新训练。
优选地，所述任务便签根据任务的不同状态进行不同颜色的显示。
此外，优选地，所述通过显示模块按照时间顺序和执行顺序显示各员工的任务便签步骤之后还包括：
任务便签与完成任务所需的设备的产品序列号关联，显示每个设备不同时间段的任务便签，当任务便签发生时间冲突时，发送报警信号给任务负责人。
此外，优选地，所述通过显示模块按照时间顺序和执行顺序显示各员工的任务便签步骤之后还包括：
存储获取的任务便签数据；
当存储时间超过设定时间长度时，清除存储超过设定时间的任务便签数据。
此外，优选地，所述获取每个员工单位时间内不同时间段的任务便签步骤之后还包括：判断任务之间的依赖关系，如果任务之间存在依赖关系时，通过显示模块进行显示。
此外，优选地，所述获取每个员工单位时间内不同时间段的任务便签步骤之后还包括：
判断各任务便签的相关性，通过显示模块对相关的任务便签进行显示。
进一步，优选地，所述判断各任务便签的相关性的步骤包括：
将任务便签转化为词向量；
构建每一个任务便签与其他任务便签之间的特征向量，所述特征向量包括距离特征向量、语法特征向量和语义特征向量中的一种或多种；
根据上述特征向量，通过下式(7)确定每一个任务便签与其他任务便签的相关概率，
Figure BDA0001899561810000031
其中，P(mi,mj)为一个任务便签mi和另一个任务便签mj的相关概率，f(mi,mj)为一个任务便签mi和另一个任务便签mj的特征向量。
此外，为了实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包机房运维管理程序，所述机房运维管理程序被处理器执行时，实现上述的机房运维管理方法的步骤。
本发明所述机房运维管理方法、电子装置及计算机可读存储介质以任务便签形式显示单位时间的工作内容，并通过神经网络对任务便签的执行顺序进行排序，使得员工能够一目了然看到自己的工作任务和顺序，完善办公系统体系，提高了运维效率。
另外，电子模块处于机房内为独立供电，无惧断电风险，网路中断后环境断开后已有的任务便签不会消失，进行的变更可以如期完成。另外，无人为登记操作信息准确，避免交接事项因人为口头交接产生遗漏。
附图说明
图1是本发明机房运维管理方法较佳实施例的应用环境示意图；
图2是图1中机房运维管理程序较佳实施例的模块示意图；
图3是本发明机房运维管理方法较佳实施例的流程图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下将结合附图对本发明的具体实施例进行详细描述。
本发明提供一种机房运维管理方法，应用于一种电子装置1。参照图1所示，为本发明机房运维管理方法较佳实施例的应用环境示意图。
在本实施例中，电子装置1可以是服务器、手机、平板电脑、便携计算机、桌上型计算机等具有运算功能的终端设备。
该电子装置1包括存储器11、处理器12、网络接口13、显示模块14及通信总线15。
存储器11包括至少一种类型的可读存储介质。所述至少一种类型的可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器11等的非易失性存储介质。在一些实施例中，所述可读存储介质可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。在另一些实施例中，所述可读存储介质也可以是所述电子装置1的外部存储器11，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
在本实施例中，所述存储器11的可读存储介质通常用于存储安装于所述电子装置1的机房运维管理程序10。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行机房运维管理程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述电子装置1与其他电子装置之间建立通信连接。例如，所述网络接口13用于通过网络将所述电子装置1与外部终端相连，在所述电子装置1与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Intemet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCodeDivision Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
显示模块14也可以称为显示屏或显示单元。在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。显示器用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
通信总线15用于实现这些组件之间的连接通信。
图1仅示出了具有组件11-14的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括输入单元比如键盘(Keyboard)、语音输入装置比如麦克风(microphone)等具有语音识别功能的设备、语音输出装置比如音响、耳机等，可选地用户接口还可以包括标准的有线接口、无线接口。
可选地，该电子装置1还包括触摸传感器。所述触摸传感器所提供的供用户进行触摸操作的区域称为触控区域。此外，这里所述的触摸传感器可以为电阻式触摸传感器、电容式触摸传感器等。而且，所述触摸传感器不仅包括接触式的触摸传感器，也可包括接近式的触摸传感器等。此外，所述触摸传感器可以为单个传感器，也可以为例如阵列布置的多个传感器。
在图1所示的装置实施例中，作为一种计算机存储介质的存储器11中可以包括操作系统以及机房运维管理程序10，处理器12执行存储器11中存储的机房运维管理程序10时实现如下步骤：
获取每个员工单位时间内不同时间段的任务便签；
通过神经网络获得任务便签的执行顺序；
通过显示模块按照时间顺序和执行顺序显示各员工的任务便签；
对显示模块相对于市电进行独立供电。
上述单位时间为设定值，优选地，为1天。
优选地，所述存储器还存储任务便签数据，当存储时间超过设定时间长度时，清除存储超过设定时间的任务便签数据。
在其他实施例中，所述机房运维管理程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由处理器12执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。参照图2所示，为图1中机房运维管理程序10较佳实施例的功能模块图。所述机房运维管理程序10可以被分割为：
任务便签获取模块110，获取每个员工单位时间内不同时间段的任务便签，例如，可以通过正则标识法或/和网络爬虫技术从员工的日报中获取工作内容的关键词作为任务便签，又如，可以通过报审批系统的任务的关键词生成便签；
任务顺序获取模块120，通过神经网络获得任务便签的执行顺序；
显示设定模块130，按照时间顺序和执行顺序设定各员工的任务便签的显示顺序；
供电模块140，为显示模块进行供电，包括检测单元141、市电处理单元142和蓄电池单元143，其中：
所述检测单元141用于检测市电是否正常和蓄电池单元143的蓄电池单元的电量，如果市电正常，通过市电对显示模块14供电，当蓄电池单元的电量少于设定值时，市电经过市电处理模块142对蓄电池单元143进行充电；如果市电不正常，通过蓄电池单元143对显示模块14进行供电。
上述检测单元141可以包括市电检测电路和继电器，如果市电正常，继电器通电，通过市电对显示模块供电和对蓄电池充电；如果市电不正常，继电器没有电流通过。
上述市电处理单元142可以包括整流电路、功率因数校正电路、线性电源自启动电路、滤波电路和蓄电池充电电路等。
上述蓄电池单元143可以包括蓄电池和蓄电池控制单元，蓄电池控制单元可以包括继电器、升降压转换器等，当市电不正常时，通过检测单元启动蓄电池控制单元，通过蓄电池向现实模块供电。
优选地，所述任务顺序获取模块120包括：
神经网络构建单元121，构建神经网络结构，神经网络结构包括输入层、隐含层和输出层；
预测模型构建单元122，根据下式(1)和(2)构建神经网络的隐含层和输出层输出的模型，即预测模型，其中：
Figure BDA0001899561810000071
Figure BDA0001899561810000072
其中，wij为输入层第i个节点和隐含层第j个节点的连接权值，wjk为隐含层第j个节点和输出层第k个节点的连接权值，aj为隐含层第j个节点的阈值，bk为输出层第k个节点的阈值，n为输入层的节点数，l为隐含层的节点数，k＝1,2…m，m为输出层的节点数，xi为输入层的第i个节点的变量，hj为隐含层第j个节点的输出值，Ok为输出层的第k个节点的输出值，f为激励函数
Figure BDA0001899561810000073
训练单元123，通过每一个设备中的任务便签记录获得任务便签时间序列，根据输入层节点数和输出层节点数分成多个子序列，设定一个任务便签时间序列为V＝[V1,V2,…,Vt]，则将其转换后的多个子序列为，
Figure BDA0001899561810000074
其中，Vt为t时刻的任务便签，每一行都是一个子序列，每一行中前n列是输入数据，后m列是输出数据，将每个设备中每个任务便签时间序的子序列进行合并，形成了每个设备的样本；
对每个设备的样本按设定比例按行抽样挑出训练集，其余为测试集；
对神经网络的参数进行初始赋值，所述参数包括隐含层和输出层的连接权值、输入层和隐含层的连接权值、隐含层阈值和输出层阈值；
将训练集代入神经网络隐含层和输出层输出的模型进行训练，得到训练后的神经网络结构；
执行顺序获得单元124，将员工或设备任务涉及的任务便签组成任务便签集合，将任一任务便签输入训练后的神经网络结构，当神经网络结构输出的任务便签属于所述任务便签集合时，将输出的任务便签排列于输入的任务便签之后，如果输出的任务便签不属于任务便签集合，对神经网络进行重新训练。
在一个可选实施例中，上述电子装置还包括：
存储模块，存储任务便签获取模块获取的任务便签数据；
清除模块，当存储模块的存储时间超过设定时间长度(例如1个月)时，清除存储超过设定时间的数据，所述设定时间长度不同任务便签可以不同或相同。
在一个可选实施例中，电子装置还包括：
任务依赖性获取模块：判断任务之间的依赖关系，如果任务之间存在依赖关系时，通过显示模块进行显示。
此外，本发明还提供一种机房运维管理方法。参照图3所示，为本发明机房运维管理方法较佳实施例的流程图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，机房运维管理方法以任务便签形式显示单位时间的工作内容，包括：
步骤S1，获取每个员工单位时间内不同时间段的任务便签，例如，可以通过正则标识法或/和网络爬虫技术从员工的日报中获取工作内容的关键词作为任务便签，又如，可以通过报审批系统的任务的关键词生成便签；
步骤S2，通过神经网络获得任务便签的执行顺序；
步骤S3，通过显示模块按照时间顺序和执行顺序显示各员工的任务便签。
在本发明的一个实施例中，所述通过神经网络获得任务的执行顺序的步骤包括：
构建神经网络结构，所述神经网络结构包括输入层、隐含层和输出层节；
根据下式(1)和(2)构建神经网络的隐含层和输出层输出的模型，即预测模型，其中：
Figure BDA0001899561810000081
Figure BDA0001899561810000082
其中，wij为输入层第i个节点和隐含层第j个节点的连接权值，wjk为隐含层第j个节点和输出层第k个节点的连接权值，aj为隐含层第j个节点的阈值，bk为输出层第k个节点的阈值，n为输入层的节点数，l为隐含层的节点数，k＝1,2…m，m为输出层的节点数，xi为输入层的第i个节点的变量，hj为隐含层第j个节点的输出值，Ok为输出层的第k个节点的输出值，f为激励函数
Figure BDA0001899561810000083
通过每一个设备中的任务便签记录获得任务便签时间序列，根据输入层节点数和输出层节点数分成多个子序列，设定一个任务便签时间序列为V＝[V1,V2,…,Vt]，则将其转换后的多个子序列为，
Figure BDA0001899561810000091
其中，Vt为时刻的任务便签，每一行都是一个子序列，将来作为训练集或测试集，每一行中前n列都是输入数据，后m列都是输出数据，将每个设备中每个任务便签时间序经过这种预处理后的子序列合并在一起(例如，按照行合并)，形成了每个设备的样本；
对每个设备的样本按设定比例按行抽样挑出训练集，其余为测试集；
对神经网络的参数进行初始赋值，所述参数包括隐含层和输出层的连接权值、输入层和隐含层的连接权值、隐含层阈值和输出层阈值；
将训练集代入神经网络隐含层和输出层输出的模型进行训练，得到训练后的神经网络结构；
将员工或设备任务涉及的任务便签组成任务便签集合，将任一任务便签输入训练后的神经网络结构，当神经网络结构输出的任务便签属于所述任务便签集合时，将输出的任务便签排列于输入的任务便签之后，如果输出的任务便签不属于任务便签集合，对神经网络进行重新训练。
上述将训练集代入神经网络隐含层和输出层输出的模型进行训练的方法包括：
步骤1，输入训练集的第一个样本；
步骤2，将样本的输入数据代入公式(1)和(2)，计算隐含层各节点的输出和输出层各节点的输出；
步骤3，计算输出层各节点误差，
ek＝yk-ok
其中，yk是样本第k个节点的实际值，ok是样本第k个节点的预测值；
步骤4，对神经网络的参数依次进行下式(3)-(6)的更新，其中：
ωij＇＝ωij+αhj(1-hj)xi (3)
ωjk＇＝ωjk+αhjek (4)
aj＇＝aj+αhj(1-hj) (5)
bk＇＝bk+ek (6)
其中，ωij、ωjk、aj和bk为更新前的神经网络参数，ωij＇、ωjk＇、aj＇和bk＇为更新后的神经网络参数；
步骤5，开始训练下一个样本，循环步骤2-5，直到所有训练集样本训练结束；
步骤6，计算测试误差，将测试集的输入数据代入经上述步骤训练后的神经网络，得到所述训练后的神经网络的测试误差MSE，
Figure BDA0001899561810000101
其中，N为测试集样本个数，
Figure BDA0001899561810000102
为测试集样本Z在输出层第k个节点的预测值，
Figure BDA0001899561810000103
为测试集样本Z对应的第k个节点的实际值；
步骤S7，判断神经网络训练是否满足结束条件，其中，所述结束条件包括第一结束条件或/和第二结束条件中的一个或两个，第一结束条件为当前迭代次数大于设定的最大迭代次数，第二结束条件为连续多次迭代时神经网络的测试误差变化小于所设目标值；
如果满足结束条件，在步骤8中，输出满足结束条件的神经网络的结构、权值和阈值信息，得到训练后的预测模型；
如果不满足结束条件，在步骤9中，将训练更新后的神经网络参数返回对神经网络的参数进行初始赋值的步骤进行循环训练，直到满足结束条件。
上述机房运维管理方法能够合理的分配时间，优化任务完成质量和速度，提高运维效率，在完成现有需求或变更时，自动记录。
在本发明的一个实施例中，还包括：步骤S4，对显示模块相对于市电进行独立供电。
在一个可选实施例中，通过蓄电池对显示模块进行独立供电，包括：
检测市电是否正常；
如果市电正常，通过市电对显示模块14供电；
如果市电不正常，通过蓄电池对显示模块14进行供电。
优选地，还包括：检测蓄电池的电量是否小于设定值；当蓄电池的电量少于设定值时，通过市电对蓄电池进行充电。
在一个可选实施例中，任务便签可以根据任务的不同状态进行不同颜色的显示，例如，任务未开始时为绿色，任务中为蓝色，任务完成为红色，任务中止为黄色。
在一个可选实施例中，步骤S1之后还包括：任务便签还与完成任务所需的设备的产品序列号(SN)关联，可以显示每个设备不同时间段的任务便签，当任务便签发生时间冲突时，发送报警信号给任务负责人。
在一个可选实施例中，步骤S3之后还包括：
存储任务便签数据，所述任务便签数据包括人员、日期、任务便签、任务完成状态等数据；
当存储时间超过设定时间长度(例如1个月)时，清除存储超过设定时间的任务数据，所述设定时间长度不同任务便签可以不同或相同，还可以只清楚任务完成或结束任务的超过设定时间的任务数据，任务未完成或者任务暂停的任务便签数据不清除。
在本发明的一个实施例中，步骤S1之后还包括：判断各任务的相关性通过显示模块对相关的任务便签进行显示。
在一个可选实施例中，所述判断各任务的相关性的方法包括：
将任务便签转化为词向量，例如，从词向量词典中查找任务便签对应的词向量；
采用聚类算法对词向量进行聚类，将属于一类的任务便签作为相关的便签，例如通过词向量之间的余弦距离利用k-means的聚类方法进行聚类。
在一个可选实施例中，所述判断各任务的相关性的方法包括：
将任务便签转化为词向量；
构建每一个任务便签与其他任务便签之间的特征向量，所述特征向量包括距离特征向量、语法特征向量和语义特征向量中的一种或多种；
根据上述特征向量，通过下式(7)确定每一个任务便签与其他任务便签的相关概率，相关概率越大，任务便签的相关性越高，
Figure BDA0001899561810000111
其中，P(mi,mj)为一个任务便签mi和另一个任务便签mj的相关概率，f(mi,mj)为一个任务便签mi和另一个任务便签mj的特征向量。
还可以设定相关概率的阈值，判断不同任务便签之间的相关性。
在一个可选实施例中，所述判断各任务的相关性的方法包括：
每个员工根据工作任务的性质和难度对对应的任务便签进行评分；
通过下式(8)根据斯皮尔曼等级相关系数判断各任务便签的相关性，
Figure BDA0001899561810000112
其中，Xij为任务便签i和任务便签j的斯皮尔曼等级相关系数；U(i)表示对任务便签i评分的用户集合，fui表示用户u对任务便签i的评分，
Figure BDA0001899561810000121
表示所有用户对任务便签i的平均评分。
优选地，还可以通过设定不同斯皮尔曼等级相关系数范围确定不同任务便签的相关性，例如，等级0.8-1.0为极强相关，等级0.6-0.8为强相关，等级0.4-0.6为中等程度相关，等级0.2-0.4为弱相关，等级0.0-0.2为极弱相关或不相关。
另外，优选地，还可以通过下式(9)利用余弦相似度判断各任务便签的相关性，
Figure BDA0001899561810000122
其中，cij为任务便签i和任务便签j的余弦相似度；
另外，优选地，还可以通过下式(10)利用Jaccard相似度判断各任务便签的相关性，
Figure BDA0001899561810000123
其中，jpq为任务便签p和任务便签q的Jaccard相似度，|U(p)∩U(q)|为对任务便签p和任务便签q均具有非零记录的用户的数量，|U(p)∪U(q)|为对任务便签p具有非零记录的用户数量和对任务便签q具有非零记录的用户数量之和。
上述给出了判断任务便签相关性的多个实施例，但是本发明并不限于此，可以是上述各个实施例中任意形式的结合。
在本发明的一个实施例中，步骤S1之后还包括：判断任务之间的依赖关系(例如，实施任务B必须在任务A完成的基础上)，如果任务之间存在依赖关系时，通过显示模块进行显示，例如，被依赖任务完成时，依赖任务才能处于开始状态，例如，一个工作任务对另一个工作任务的依赖性由大到小为完全依赖、部分依赖和传递依赖，所述完全依赖是指另一个工作任务全部完成所述一个工作任务才能执行，所述部分依赖是指另一个工作任务部分完成所述一个工作任务才能执行，所述传递依赖是指所述一个工作任务依赖于中间工作任务，中间工作任务依赖于另一个工作任务。
在一个可选实施例中，所述判断任务之间的依赖关系的步骤包括：
构造任务便签数据源
Figure BDA0001899561810000131
其中，T表示任务便签集合，R1…Rm为任务名称，表示第1至m个任务，[bm,1,…bm,k]表示任务的1至k个任务便签；
根据各设备上的任务记录构建设备任务数据源
Figure BDA0001899561810000132
Figure BDA0001899561810000133
Figure BDA0001899561810000134
其中，RT表示设备任务数据源，Un表示第n个设备，Sn表示设备Un的任务时效矩阵，IDn,m表示设备Un对任务Rm的记录；
扫描具有任务便签的设备任务数据源，获得任务便签bj的支持度support(bj)为：
Figure BDA0001899561810000135
其中，|bj|表示任务便签bj在设备任务数据源RT中的非零任务记录出现的次数，d为设备任务数据源RT的非零任务记录的总数；
如果support(bj)满足support(bj)>minsup，将bj作为一个元素纳入到便签支持度集合，完成扫描后，得到便签支持度集合FT，FT＝[ft1...fta]，
Figure BDA0001899561810000141
其中，minsup为最小支持度阈值，满足0<minsup<1,是一个设定值；a为大于最小支持度阈值的任务便签的个数，ft1...fta表示任务便签在便签支持度集合FT中的名称。
得到便签支持度集合以后，扫描所述便签支持度集合，得到上述便签支持度集合中的任务便签的各种组合形式大于最小支持度阈值的各组合便签集合，
分别构造便签支持度集合和各组合便签集合的非空真子集；
然后，根据便签支持度集合和各组合便签集合及其非空真子集，计算每个非空真子集的置信度，例如，便签支持度集合FT中真子集的t置信度为，
Figure BDA0001899561810000142
其中，|FT|表示便签支持度集合FT在设备任务数据源RT的出现次数，|t|的为便签支持度集合FT的非空真子集t在设备任务数据源RT中的出现次数。
得到所有非空真子集的置信度以后，判断非空真子集的置信度是否大于最小置信度阈值；
若是非空真子集的置信度大于最小置信度阈值，非空真子集中的任务便签或任务便签组合与该真子集的补集中的任务便签或者任务便签组合有较强的依赖关系，置信度越大，依赖关系越大。
若真子集的置信度不大于最小置信度阈值，则不产生依赖关系。
上述任务便签的各组合便签集合的构造方法包括：
首先，扫描便签支持度集合FT，计算上述便签支持度集合FT中的任意两个任务便签组合的支持度，得到大于最小支持度阈值的两个任务便签组合的双组合便签集合，例如，便签支持度集合FT＝[ft1ft2ft3ft4]，计算两个任务便签组合[ft1ft2]、[ft1ft3]、[ft1ft4]、[ft2ft3]、[ft2ft4]和[ft3ft4]的支持度，如果除了组合[ft1ft3]的支持度小于最小支持度阈值，其他都大于最小支持度阈值，得到双组合便签集合[ft1ft2ft1ft4ft2ft3ft2ft4ft3ft4]，如果所有两个任务便签组合的支持度都不大于最小支持度，则不进行三个任务便签的组合及其支持度的计算。
得到双组合便签集合后，扫描双组合便签集合，将双组合便签集合中任意两个元素合并，将合并后的组合中包含元素数不为3的组合删去，得到三个任务便签的组合，例如，对上例中双组合便签集合[ft1ft2 ft1ft4 ft2ft3 ft2ft4 ft3ft4]的任意两个元素合并，得到合并后的组合为[ft1 ft2 ft4]、[ft1 ft2 ft3]、[ft1 ft2 ft3 ft4]和[ft2 ft3 ft4]，删除包含元素数不为3的组合[ft1 ft2 ft3 ft4]。
得到由双组合便签集合中元素合并的三个任务便签的组合之后，判断上述每一个三个任务便签组合的具有两个元素的真子集是否均包含在双组合便签集合内，例如，上例中三个任务便签的组合[ft1 ft2 ft4]、[ft1 ft2 ft3]和[ft2 ft3 ft4]，判断上述每一个组合的具有两个元素的真子集是否均包含在双组合频集内。
若是三个任务便签组合的具有两个元素的真子集不全包含在双组合便签集合内，则删除该三个任务便签组合，例如，上例中三个任务便签组合[ft1 ft2 ft3]的包含两个元素的真子集[ft1 ft3]不包含在双组合便签集合内，所以删除该三个任务便签的组合。
若是三个任务便签组合的具有两个元素的真子集均包含在双组合便签集合内，计算满足上述要求的三个任务便签组合的支持度，得到大于最小支持度阈值的三个任务便签组合构成的三组合频集，例如，三个任务便签组合[ft1 ft2 ft4]和[ft2 ft3 ft4]的包含两个元素的真子集均在双组合便签集合内，计算上述两个组合的支持度，若两个支持度均大于最小支持度阈值，则三组合便签集合为[ft1ft2ft4 ft2ft3ft4]。
然后，重复上述步骤，直到得到满足大于最小支持度阈值要求的便签支持度集合中所有任务便签组合的组合便签集合。
在本发明的一个可选实施例中，根据任务便签的相关性判断任务之间的依赖关系，相关性越大，依赖性越大，具体地，包括：
根据各设备上的任务记录构建便签指标矩阵，可以设备完成任务时间与所有设备完成所述任务的时间之和的比作为任务时效，还可以设备完成任务付出的价格与所有设备完成所述任务所付出的任务之和作为任务经济效益，还可以采用两者结合作为任务指标，得到各设备对各任务的任务指标，从而得到各设备相对于任务的各便签的任务指标，从而构建便签任务矩阵，例如，
Figure BDA0001899561810000161
其中，sn,m表示设备Un完成任务Rm的任务时效，tn,m表示设备Un完成任务Rm的执行时间，∑tn,m表示执行任务Rm的所有设备完成任务的执行时间和；
得到各设备对各任务便签的任务指标的便签指标矩阵后，根据便签指标矩阵通过相关性计算方法(如上述的斯皮尔曼等级相关系数、余弦相似度、Jaccard相似度等)，获得不同任务便签之间的相关性，从而获得不同任务便签的依赖性，例如，
Figure BDA0001899561810000162
其中，Xij为任务便签i和任务便签j的斯皮尔曼等级相关系数；U(i)表示对任务便签i有非零记录的设备集合，sui表示设备u对任务便签i的任务时效，
Figure BDA0001899561810000163
表示所有设备对任务便签i的平均任务时效。
在本发明的一个实施例中，可以设置不同的任务等级，例如，紧急级、重要级、普通级等，还可以通过分级函数将任务进行等级划分。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括机房运维管理程序，所述机房运维管理程序被处理器执行时实现以任务便签形式显示单位时间的工作内容，具体包括如下步骤：
获取每个员工单位时间内不同时间段的任务便签；通过神经网络获得任务便签的执行顺序；通过显示模块按照时间顺序和执行顺序显示各员工的任务便签；对显示模块相对于市电进行独立供电。
本发明之计算机可读存储介质的具体实施方式与上述机房运维管理方法、电子装置的具体实施方式大致相同，在此不再赘述。
在上述各实施例中，产生任务便签的方法包括：
利用正则表示法、网站API接口和网络爬虫中任一一种或多种从企业网站、邮箱等采集任务名称和任务内容的特点文字形成任务便签。
上述机房运维管理方法、电子装置及存储介质弥补了突发状况时无法办公的漏洞，完善了办公系统体系，增加了系统容错，机房内设立提高运维效率。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种机房运维管理方法，其特征在于，以任务便签形式显示单位时间的工作内容，包括：
获取每个员工单位时间内不同时间段的任务便签，然后判断各任务便签的相关性，通过显示模块对相关的任务便签进行显示；
通过神经网络获得任务便签的执行顺序；
通过显示模块按照时间顺序和执行顺序显示各员工的任务便签，其中，所述任务便签与完成任务所需的设备的产品序列号关联，显示每个设备不同时间段的任务便签，当任务便签发生时间冲突时，发送报警信号给任务负责人；
对显示模块相对于市电进行独立供电，
其中，所述通过神经网络获得任务便签的执行顺序的步骤包括：
构建神经网络结构，神经网络结构包括输入层、隐含层和输出层；
根据下式(1)和(2)构建神经网络的隐含层和输出层输出的模型，即预测模型，其中：
Figure FDA0004189477960000011
Figure FDA0004189477960000012
其中，wij为输入层第i个节点和隐含层第j个节点的连接权值，wjk为隐含层第j个节点和输出层第k个节点的连接权值，aj为隐含层第j个节点的阈值，bk为输出层第k个节点的阈值，n为输入层的节点数，l为隐含层的节点数，k＝1,2…m，m为输出层的节点数，xi为输入层的第i个节点的变量，hj为隐含层第j个节点的输出值，Ok为输出层的第k个节点的输出值，f为激励函数
Figure FDA0004189477960000013
通过每一个设备中的任务便签记录获得任务便签时间序列，根据输入层节点数和输出层节点数分成多个子序列，设定一个任务便签时间序列为V＝[V1,V2,…,Vt]，则将其转换后的多个子序列为，
Figure FDA0004189477960000014
其中，Vt为t时刻的任务便签，每一行都是一个子序列，每一行中前n列是输入数据，后m列是输出数据，将每个设备中每个任务便签时间序的子序列进行合并，形成了每个设备的样本；
对每个设备的样本按设定比例按行抽样挑出训练集，其余为测试集；
对神经网络的参数进行初始赋值，所述参数包括隐含层和输出层的连接权值、输入层和隐含层的连接权值、隐含层阈值和输出层阈值；
将训练集代入神经网络隐含层和输出层输出的模型进行训练，得到训练后的神经网络结构；
将员工或设备任务涉及的任务便签组成任务便签集合，将任一任务便签输入训练后的神经网络结构，当神经网络结构输出的任务便签属于所述任务便签集合时，将输出的任务便签排列于输入的任务便签之后，如果输出的任务便签不属于任务便签集合，对神经网络进行重新训练。
2.根据权利要求1所述的机房运维管理方法，其特征在于，所述任务便签根据任务的不同状态进行不同颜色的显示。
3.根据权利要求1所述的机房运维管理方法，其特征在于，所述通过显示模块按照时间顺序和执行顺序显示各员工的任务便签步骤之后还包括：
存储获取的任务便签数据；
当存储时间超过设定时间长度时，清除存储超过设定时间的任务便签数据。
4.根据权利要求1所述的机房运维管理方法，其特征在于，所述获取每个员工单位时间内不同时间段的任务便签步骤之后还包括：判断任务之间的依赖关系，如果任务之间存在依赖关系时，通过显示模块进行显示。
5.根据权利要求1所述的机房运维管理方法，其特征在于，所述判断各任务便签的相关性的步骤包括：
将任务便签转化为词向量；
构建每一个任务便签与其他任务便签之间的特征向量，所述特征向量包括距离特征向量、语法特征向量和语义特征向量中的一种或多种；
根据上述特征向量，通过下式(7)确定每一个任务便签与其他任务便签的相关概率，
Figure FDA0004189477960000021
其中，P(mi,mj)为一个任务便签mi和另一个任务便签mj的相关概率，f(mi,mj)为一个任务便签mi和另一个任务便签mj的特征向量。
6.一种电子装置，其特征在于，用于实现如权利要求1-5中任一项所述的机房运维管理方法，包括存储器和处理器，所述存储器中存储有机房运维管理程序，所述机房运维管理程序被所述处理器执行时实现如下步骤：
获取每个员工单位时间内不同时间段的任务便签，然后判断各任务便签的相关性，通过显示模块对相关的任务便签进行显示；
通过显示模块按照时间顺序和执行顺序显示各员工的任务便签；其中，所述执行顺序通过神经网络获得，所述任务便签与完成任务所需的设备的产品序列号关联，显示每个设备不同时间段的任务便签，当任务便签发生时间冲突时，发送报警信号给任务负责人；
对显示模块相对于市电进行独立供电。
7.根据权利要求6所述的电子装置，其特征在于，所述存储器还存储任务便签数据，当存储时间超过设定时间长度时，清除存储超过设定时间的任务便签数据。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括有机房运维管理程序，所述机房运维管理程序被处理器执行时，实现如权利要求1至5中任一项权利要求所述机房运维管理方法的步骤。
CN201811506424.XA 2018-12-10 2018-12-10 机房运维管理方法、电子装置及存储介质 Active CN109800942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811506424.XA CN109800942B (zh) 2018-12-10 2018-12-10 机房运维管理方法、电子装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811506424.XA CN109800942B (zh) 2018-12-10 2018-12-10 机房运维管理方法、电子装置及存储介质

Publications (2)

Publication Number Publication Date
CN109800942A CN109800942A (zh) 2019-05-24
CN109800942B true CN109800942B (zh) 2023-05-30

Family

ID=66556575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811506424.XA Active CN109800942B (zh) 2018-12-10 2018-12-10 机房运维管理方法、电子装置及存储介质

Country Status (1)

Country Link
CN (1) CN109800942B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381519A (zh) * 2020-11-20 2021-02-19 北京云族佳科技有限公司 一种工作日志的处理方法及装置、可读存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2926350A1 (en) * 2015-04-10 2016-10-10 Teletracking Technologies, Inc. Systems and methods for automated real-time task scheduling and management
CN107769972A (zh) * 2017-10-25 2018-03-06 武汉大学 一种基于改进的lstm的电力通信网设备故障预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577915A (zh) * 2012-08-01 2014-02-12 鸿富锦精密工业（深圳）有限公司 任务分配管理系统及方法
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2926350A1 (en) * 2015-04-10 2016-10-10 Teletracking Technologies, Inc. Systems and methods for automated real-time task scheduling and management
CN107769972A (zh) * 2017-10-25 2018-03-06 武汉大学 一种基于改进的lstm的电力通信网设备故障预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
云环境下基于BP神经网络的电子商务企业信任评估模型研究;李凌霞;;电子商务(第05期);全文 *

Also Published As

Publication number Publication date
CN109800942A (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
US11615341B2 (en) Customizable machine learning models
CN108829822B (zh) 媒体内容的推荐方法和装置、存储介质、电子装置
US20100324970A1 (en) System and Method For Intelligent Job Hunt
US20060112146A1 (en) Systems and methods for data analysis and/or knowledge management
JP5831951B2 (ja) 対話システム、冗長メッセージ排除方法および冗長メッセージ排除プログラム
CN112667794A (zh) 一种基于孪生网络bert模型的智能问答匹配方法及系统
US20090187555A1 (en) Feature selection for ranking
US20140214711A1 (en) Intelligent job recruitment system and method
US8032469B2 (en) Recommending similar content identified with a neural network
Ko et al. Using classification techniques for informal requirements in the requirements analysis-supporting system
CN109658033B (zh) 货源路线相似度计算方法、系统、设备及存储介质
CN111709575A (zh) 基于c-lstm的学业成绩预测方法
WO2011111038A2 (en) Method and system of providing completion suggestion to a partial linguistic element
CN113656687B (zh) 基于教研数据的教师画像构建方法
CN114970508A (zh) 基于数据多源融合的电力文本知识发现方法及设备
CN111369294B (zh) 软件造价估算方法及装置
CN109816120B (zh) 机房运维管理方法、电子装置及存储介质
Sharma et al. StudieMe: college recommendation system
CN109800942B (zh) 机房运维管理方法、电子装置及存储介质
US20170109411A1 (en) Assisted creation of a search query
Fauzan et al. Automatic multilabel categorization using learning to rank framework for complaint text on Bandung government
CN112989217B (zh) 一种人脉管理的系统
CN113222471A (zh) 一种基于新媒体数据的资产风控方法及设备
Lu et al. Semantic link analysis for finding answer experts
JP7358427B2 (ja) プログラム、サーバ及びアクセス提供方法

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