CN110134566A - 一种基于标签技术的云环境下信息系统性能监测方法 - Google Patents
一种基于标签技术的云环境下信息系统性能监测方法 Download PDFInfo
- Publication number
- CN110134566A CN110134566A CN201910356635.8A CN201910356635A CN110134566A CN 110134566 A CN110134566 A CN 110134566A CN 201910356635 A CN201910356635 A CN 201910356635A CN 110134566 A CN110134566 A CN 110134566A
- Authority
- CN
- China
- Prior art keywords
- data
- event
- doubtful
- labeling
- maintenance personnel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 36
- 238000002372 labelling Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 20
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007786 learning performance Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000010998 test method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及一种基于标签技术的云环境下信息系统性能监测方法,包括:(1)在线实时采集被监测节点的性能指标数据;(2)对所采集的指标数据进行数据预处理并存储;(3)对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测;(4)对异常指标进行故障根因定位,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库进行标签匹配,选择标签匹配分值最高的运维人员进行推送告警信息。
Description
技术领域
本发明涉及一种检测方法,具体涉及一种基于标签技术的云环境下信息系统性能监测方法。
背景技术
随着大数据、云计算技术的快速发展,越来越多应用信息系统采用微服务模式部署在云端,这些微服务组件可能集中部署于某个云计算虚拟机集群中,也可能分布于不同的云环境资源池中,具有组件种类多、数量大、分布地域广等特点,传统的信息系统性能监测方法已难以适用。对信息系统进行性能监测的目的是通过监测技术发现系统性能故障或潜在的性能瓶颈,并及时处理问题,挽回或减少所带来的损失。而如何将性能告警信息推送给最合适的运维人员,以避免盲目推送或告警风暴是保证问题得到迅速解决的关键,也是性能监测方法中的关键步骤。
传统信息系统性能监测方法大多关注于对性能采集数据的告警判断,常用方法如改善固定阈值判断的动态阈值法、构建采集数据特征模型以提高告警精度的方法以及通过增加告警机制、监测维度以综合判断提高精度的方法等,却忽略了作为性能监测的最后步骤,如何将告警信息推送给最合适的相关处理人员也是使问题得到快速解决的关键所在。
发明内容
本发明的目的在于提供一种基于标签技术的云环境下信息系统性能监测方法,能够准确找到最适合的相关运维人员进行告警信息推送,使整个性能监测体系的监测精度和反应处理速度达到最佳状态。
为实现上述目的,本发明采用了以下技术方案:
一种基于标签技术的云环境下信息系统性能监测方法,包括以下步骤:
(1)在线实时采集被监测节点的性能指标数据;
(2)对所采集的指标数据进行数据处理并存储;
(3)对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测;
(4)对异常指标进行故障根因定位,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库做标签匹配,选择标签匹配分值最高的运维人员进行推送告警信息。
上述方案中,所述性能指标数据包括应用性能指标、网络性能指标、基础资源型指标数据;所述应用性能指标包括响应时间、并发用户数、错误率、服务端重置率;所述网络性能指标包括吞吐量、网络带宽、网络延时;所述基础资源型指标包括内存占比、CPU使用率、磁盘I/O速率。
上述方案中,所述步骤(2)中,对所采集的指标数据进行数据处理并存储之前还包括数据清洗步骤,具体如下:
异常值处理:检测采集数据的异常值,剔除该异常值,并以异常点前后两相邻时刻的数据均值替补该异常值;
缺失值处理:对缺失值进行插值补缺;
统一格式化:对不同类型和不同维度的性能指标数据进行统一格式化处理。
进一步的,所述统一格式化处理方法包括异构数据融合、非标称数据转换、以及归一化处理。
上述方案中,所述步骤(3),对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测,是将经数据预处理后的性能指标采集数据输入性能评价模型,检测系统性能状况,其中包括对采集的当前实时数据的异常检测和依据历史指标数据预测下一时刻指标值。
所述对处理后的指标数据进行指标异常检测,具体为:对于普通性能指标,通过判断实时指标数据值是否超出预定的安全阈值来判别该指标是否异常;对于具有明显趋势性、周期性的性能指标采用指数平滑法来学习性能数据原本的趋势性,将指标的时间序列数据按时间周期分段,针对不同时间窗口的数据依据3σ原则设置动态阈值。
对指标数据预测,采用ARIMA-LSTM组合模型,具体包括:将某一性能指标的历史指标数据看作一个时间序列数据,先通过ARIMA模型过滤序列数据中的线性趋势,再将残差输入到LSTM模型提取序列数据中的非线性特征,最后叠加两者结果得到最终预测数值。
上述方案中,对异常指标进行故障根因定位,具体包括:通过关联分析子模块对异常指标进行关联分析,找出异常单元;将异常单元传入由专家知识库和推理机组成的故障诊断树子模块,通过不同层次指标的分析方向和下探方法形成树状结构,从树上某个节点进行逐级探查,并最终锁定疑似根因事件,找出疑似根因事件后,再将这条故障追踪列表加入知识库。
所述步骤(4)中,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库做标签匹配,选择标签匹配分值最高的运维人员进行推送告警信息,具体包括:将疑似根因事件推送给相关运维人员;每个运维人员均给运维人员信息库中的个人信息打上标签库中的相应标签,得到标签化的运维人员库;将传入的疑似根因事件打上标签库中的相应标签,得到标签化的疑似根因事件;然后与标签化的运维人员库进行标签匹配操作,将疑似根因事件发送给匹配分值最高的运维人员。
由上述技术方案可知,本发明对系统性能指标数据通过采集、预处理、异常检测以及疑似根因事件定位等步骤的详细方案设计保障了性能告警信息的准确性,再通过标签化模块找出与疑似根因事件最匹配的相关处理人员,使整个性能监测体系的监测精度和反应处理速度达到最佳状态。
附图说明
图1是本发明的方法流程图;
图2是本发明的性能指标数据采集示意图;
图3是本发明的指标数据预测的ARIMA-LSTM组合模型图;
图4是本发明标签化告警模块示意图。
具体实施方式
下面结合附图对本发明做进一步说明:
本实施例的基于标签技术的云环境下信息系统性能监测方法,所采用的系统包括:性能指标采集模块:在线实时采集被监测节点的性能指标数据;数据预处理和存储模块:对所采集的指标数据进行数据处理并存储;性能评价模块:对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测;标签化智能告警模块:对异常指标进行故障根因定位,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库做标签匹配,选择标签匹配分值最高的运维人员进行精准推送告警信息。
基于标签技术的云环境下信息系统性能监测方法,具体包括以下步骤:
S1:在线实时采集被监测节点的性能指标数据;
信息系统的性能状况可以通过监测其性能指标数据掌握,包括应用性能指标、网络性能指标、基础资源型指标数据等。其中,应用性能指标包括响应时间、并发用户数、错误率、服务端重置率等;网络性能指标包括吞吐量、网络带宽、网络延时等;基础资源型指标包括内存占比、CPU使用率、磁盘I/O速率等。
云环境下的信息系统采用分布式架构部署,各功能单元一般由微服务组件构成,可采用适合于大型分布式系统的MAS(Mutil-Agent)技术来采集性能指标数据。通过在各微服务组件中部署探针agent来采集各类指标数据,并由数据总线agent传输到数据预处理和存储模块,供后续处理。如图2所示。
S2:对所采集的指标数据进行数据处理并存储;
所采集的性能指标数据来自不同类型和不同维度,存在数据缺失、数据值异常、格式不统一等情况,如某些信息无法获取、某个属性值不可用或因机器故障导致短暂数据中断等,在数据存储和后续处理前需进行数据清洗。主要包括三个方面:
异常值处理:针对云环境下信息系统对海量数据处理能力的需求和高效性,采用iForest算法来检测采集数据的异常值,剔除该异常值,并以异常点前后两相邻时刻的数据均值替补该异常值。
缺失值处理:缺失值的处理方法有很多,通常采用中位值或众数法。然而有些系统数据波动率较高,本发明采用回归预测方法对缺失值进行插值补缺。
统一格式化:来自不同类型和不同维度的性能指标数据往往是异构数据,需要进行统一格式化处理。包括异构数据融合、非标称数据转换、以及归一化处理等。
S3:对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测;
为满足云计算环境的性能需求,本发明对数据处理和存储的底层技术采用基于Spark内存计算技术和分布式文件系统HDFS,由Spark内的弹性分布式数据集RDD对数据进行读取和同步分区操作,实现数据的并行化处理过程,指数级提升数据处理速度和实时应用效率。
将经数据预处理后的性能指标采集数据输入性能评价模型,检测系统性能状况,其中包括对采集的当前实时数据的异常检测和依据历史指标数据预测下一时刻指标值。
S31:指标异常检测:对于普通性能指标,可直接判断实时指标数据值是否超出预定的安全阈值来判别该指标是否异常。对于具有明显趋势性、周期性的性能指标,如业务指标,往往没有固定的安全阈值,此时可采用指数平滑法来学习性能数据原本的趋势性,将指标的时间序列数据按时间周期分段,针对不同时间窗口的数据依据3σ原则设置动态阈值。
其中3σ原则即如果将某性能指标的历史数据中每天同一时刻的数据作为一组数据进行分组,每组数据基本都满足正态分布规则,而正态分布满足3σ原则,即所有数据基本都分布在均值[-3σ,+3σ],偏离这个区间的概率只有 0.003,一般可以将这个区间确定为正常数据的范围。其中标准差计算公式为:
其中,N表示数据个数,xi为第i个数据的值,μ代表均值,σ是标准差。
S32:指标数据预测:对实时指标数据值的异常检测只能判别系统的当前性能状态,可依据历史指标数据,通过时间序列预测算法来预测未来时刻指标值,以实现性能态势的提前感知。为得到更精准的拟合结果,本发明采用 ARIMA-LSTM组合模型:
将某一性能指标的历史指标数据看作一个时间序列数据,先通过ARIMA模型过滤序列数据中的线性趋势,再将残差输入到LSTM模型提取序列数据中的非线性特征,最后叠加两者结果得到最终预测数值。
如图3所示,假设序列数据yt可由公式1表示:
yt=Lt+Nt (1)
其中,Lt描述序列数据中的线性成分,Nt代表序列数据中的非线性成分。则组合模型建模的方法为:
S321:先利用ARIMA模型对序列数据建模,获取其线性成分的预测值。非线性成分则包含在残差中。其数学表达如下:
其中,et表示包含非线性成分的残差,为ARIMA模型的预测值。
S322:得到残差et后,利用LSTM模型对其建模,获取非线性成分的预测值,其数学表达如下:
其中,f(·)表示LSTM模型建立的关系函数,εt表示随机误差。
S323:最后,将和相加得到最终预测结果,即:
其中,表示非线性成分的预测值。
根据ARIMA-LSTM算法得到未来一段时间内的预测值后,判断这些预测值是否超出安全阈值,超出则视为异常。对于具有明显趋势性、周期性而无固定安全阈值的性能指标,则依据3σ原则设置动态阈值,预测值分布在[-3σ,+3σ] 内视为正常,超出则视为异常。
S4:对异常指标进行故障根因定位,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库做标签匹配,选择标签匹配分值最高的运维人员进行推送告警信息。
将检测出的异常指标数据输入标签化智能告警平台,挖掘出导致指标异常的根因事件,并将根因事件推送给标签匹配分值最高的相关处理人员。该平台包含两个子模块,故障定位子模块和标签化智能推送告警模块,如图4所示。
故障定位子模块:该模块包含关联分析子模块和故障诊断树子模块,用于挖掘导致指标异常的疑似根因事件,以及过滤掉非根因事件的指标异常。
关联分析子模块首先依据预配置的关联规则对异常指标进行关联分析,常见的关联规则如单元A发生异常必然导致单元B异常,单元B异常必然导致单元C异常、以及服务器变更会导致某数据中心异常等,假如传入的异常指标为单元A异常、单元B异常和单元C异常,相对来说单元A则为根因型事件,则可过滤单元B异常和单元C异常,从而缩减过量且无效的告警信息。再将单元 A异常传入由专家知识库和推理机(逻辑推导引擎)组成的故障诊断树子模块,知识库中存储着运维人员的经验知识,通过不同层次指标的分析方向和下探方法形成树状结构,推理机则可采用机器学习中的二叉决策树算法,从树上某个节点进行逐级探查,并最终锁定疑似根因事件。成功找出疑似根因事件后,再将这条故障追踪列表加入知识库,不断丰富知识库的经验知识。
找出疑似根因事件后,将它推送给最合适的相关运维人员是避免盲目推送和问题得到迅速解决的关键所在。首先,每个运维人员都给运维人员信息库中的个人信息打上标签库中的相应标签,得到标签化的运维人员库。标签库由从不同维度对根因事件的描述标签所组成,如某事件所属运维大类包括“系统运维”、“应用运维”、“数据库运维”、“安全运维”等标签,“系统运维”又包含“硬件”、“网络”等小类标签,“应用运维”又包含“信息系统1”、“信息系统 2”等标签,“信息系统1”又包含“功能1”、“功能2”等子标签,以及“严重”、“一般”等表述事件紧急的标签。然后传入的疑似根因事件也经标签化算法打上标签库中的相应标签,得到标签化的疑似根因事件;再与标签化的运维人员库进行标签匹配操作,将该疑似根因事件发送给匹配分值最高的运维人员。
其中,标签化算法可以采用常用的多标签分类算法,如改进版KNN算法、 BR算法、PRC算法等,本发明采用基于PRC算法改进的CLR算法,由于CLR算法采用考虑了BR算法的标签间非关系和RPC标签间的关系,使分类结果更加准确,且CLR算法可以方便的与基于Spark内存计算技术结合,满足了云环境下信息系统高效性需求。标签匹配的分值可计算为某运维人员的标签集合中包含该疑似根因事件标签集合中的标签个数。
告警推送包括多种方式,如标签为“紧急事件”则立即通过电话、短信、邮箱三种方式推送告警信息,标签为“一般事件”的告警事件则在合并等待周期结束时同其他告警事件一起压缩合并发送给相应运维人员,以避免不间断的告警风暴给运维人员带来疲乏而遗漏重要告警信息。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (10)
1.一种基于标签技术的云环境下信息系统性能监测方法,其特征在于,包括以下步骤:
(1)在线实时采集被监测节点的性能指标数据;
(2)对所采集的指标数据进行数据预处理并存储;
(3)对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测;
(4)对异常指标进行故障根因定位,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库进行标签匹配,选择标签匹配分值最高的运维人员进行推送告警信息。
2.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述性能指标数据包括应用性能指标、网络性能指标、基础资源型指标数据。
3.根据权利要求2所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述应用性能指标包括响应时间、并发用户数、错误率、服务端重置率;所述网络性能指标包括吞吐量、网络带宽、网络延时;所述基础资源型指标包括内存占比、CPU使用率、磁盘I/O速率。
4.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述步骤(2)中,对所采集的指标数据进行数据预处理包括三个方面,具体如下:
异常值处理:检测采集数据的异常值,剔除该异常值,并以异常点前后两相邻时刻的数据均值替补该异常值;
缺失值处理:对缺失值进行插值补缺;
统一格式化:对不同类型和不同维度的性能指标数据进行统一格式化处理。
5.根据权利要求4所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述统一格式化处理方法包括异构数据融合、非标称数据转换、以及归一化处理。
6.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述步骤(3),对处理后的指标数据进行指标异常检测以及下一时刻指标数据预测,是将经数据预处理后的性能指标采集数据输入性能评价模型,检测系统性能状况,其中包括对采集的当前实时数据的异常检测和依据历史指标数据预测下一时刻指标值。
7.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:步骤(3)中,所述对处理后的指标数据进行指标异常检测,具体为:普通性能指标及显趋势性、周期性的性能指标容易出现不清楚的情况,能否改为其他确定性的语言描述,或者将普通性能指标举例说明
对于数据波动平稳的普通性能指标,通过判断实时指标数据值是否超出预定的固定安全阈值来判别该指标是否异常;
对于数据波动具有明显趋势性、周期性的性能指标,采用指数平滑法来学习性能数据原本的趋势性,将指标的时间序列数据按时间周期分段,针对不同时间窗口的数据依据3σ原则设置动态阈值。
8.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述步骤(3),对指标数据预测,采用ARIMA-LSTM组合模型,具体包括:
将某一性能指标的历史指标数据看作一个时间序列数据,先通过ARIMA模型过滤序列数据中的线性趋势,再将残差输入到LSTM模型提取序列数据中的非线性特征,最后叠加两者结果得到最终预测数值。
9.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述步骤(4),对异常指标进行故障根因定位,具体包括:
通过关联分析子模块对异常指标进行关联分析,找出异常单元;
将异常单元传入由专家知识库和推理机组成的故障诊断树子模块,通过不同层次指标的分析方向和下探方法形成树状结构,从树上某个节点进行逐级探查,并最终锁定疑似根因事件,找出疑似根因事件后,再将这条故障追踪列表加入知识库。
10.根据权利要求1所述的基于标签技术的云环境下信息系统性能监测方法,其特征在于:所述步骤(4)中,找出疑似根因事件并标签化,将标签化后的疑似根因事件同标签化的运维人员库做标签匹配,选择标签匹配分值最高的运维人员进行推送告警信息,具体包括:
将疑似根因事件推送给相关运维人员;
每个运维人员均给运维人员信息库中的个人信息打上标签库中的相应标签,得到标签化的运维人员库;
将传入的疑似根因事件打上标签库中的相应标签,得到标签化的疑似根因事件;然后与标签化的运维人员库进行标签匹配操作,将疑似根因事件发送给匹配分值最高的运维人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356635.8A CN110134566A (zh) | 2019-04-29 | 2019-04-29 | 一种基于标签技术的云环境下信息系统性能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910356635.8A CN110134566A (zh) | 2019-04-29 | 2019-04-29 | 一种基于标签技术的云环境下信息系统性能监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110134566A true CN110134566A (zh) | 2019-08-16 |
Family
ID=67575708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910356635.8A Pending CN110134566A (zh) | 2019-04-29 | 2019-04-29 | 一种基于标签技术的云环境下信息系统性能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110134566A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN110928718A (zh) * | 2019-11-18 | 2020-03-27 | 上海维谛信息科技有限公司 | 一种基于关联分析的异常处理方法、系统、终端及介质 |
CN110955575A (zh) * | 2019-11-14 | 2020-04-03 | 国网浙江省电力有限公司信息通信分公司 | 一种基于关联分析模型的业务系统故障定位方法 |
CN111314173A (zh) * | 2020-01-20 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
WO2021056724A1 (zh) * | 2019-09-23 | 2021-04-01 | 平安科技(深圳)有限公司 | 异常检测方法、装置、电子设备及存储介质 |
CN112817955A (zh) * | 2021-02-02 | 2021-05-18 | 中国人民解放军海军航空大学青岛校区 | 基于回归模型的数据清洗方法 |
CN112838942A (zh) * | 2019-11-25 | 2021-05-25 | 中兴通讯股份有限公司 | 网络运维方法、电子设备以及存储介质 |
CN113849333A (zh) * | 2021-09-26 | 2021-12-28 | 中国地质大学(武汉) | 一种基于WN-Spline基线域算法的数据中心自驱排障方法及系统 |
CN114500310A (zh) * | 2021-12-23 | 2022-05-13 | 中国人民解放军63921部队 | 一种多维网络态势数据基线的精准确定方法 |
CN115514617A (zh) * | 2022-09-13 | 2022-12-23 | 上海驻云信息科技有限公司 | 一种通用的异常根因定位及分析方法及装置 |
CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
WO2023103350A1 (zh) * | 2021-12-07 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种信息推送方法及装置、存储介质 |
CN117473241A (zh) * | 2023-12-28 | 2024-01-30 | 北京厚普医药科技有限公司 | 基于大数据的临床试验进度统计与分析工具 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160217022A1 (en) * | 2015-01-23 | 2016-07-28 | Opsclarity, Inc. | Anomaly detection using circumstance-specific detectors |
CN106972978A (zh) * | 2017-05-27 | 2017-07-21 | 郑州云海信息技术有限公司 | 一种系统告警推送方法及装置 |
CN108809770A (zh) * | 2018-07-26 | 2018-11-13 | 郑州云海信息技术有限公司 | 一种资源监控方法和系统 |
CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息系统性能立体监测方法 |
CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
-
2019
- 2019-04-29 CN CN201910356635.8A patent/CN110134566A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160217022A1 (en) * | 2015-01-23 | 2016-07-28 | Opsclarity, Inc. | Anomaly detection using circumstance-specific detectors |
CN106972978A (zh) * | 2017-05-27 | 2017-07-21 | 郑州云海信息技术有限公司 | 一种系统告警推送方法及装置 |
CN108809770A (zh) * | 2018-07-26 | 2018-11-13 | 郑州云海信息技术有限公司 | 一种资源监控方法和系统 |
CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息系统性能立体监测方法 |
CN109684310A (zh) * | 2018-11-22 | 2019-04-26 | 安徽继远软件有限公司 | 一种基于大数据分析的信息系统性能态势感知方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021056724A1 (zh) * | 2019-09-23 | 2021-04-01 | 平安科技(深圳)有限公司 | 异常检测方法、装置、电子设备及存储介质 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN110807024B (zh) * | 2019-10-12 | 2022-04-19 | 广州市申迪计算机系统有限公司 | 动态阈值异常检测方法、系统、存储介质及智能设备 |
CN110955575A (zh) * | 2019-11-14 | 2020-04-03 | 国网浙江省电力有限公司信息通信分公司 | 一种基于关联分析模型的业务系统故障定位方法 |
CN110928718A (zh) * | 2019-11-18 | 2020-03-27 | 上海维谛信息科技有限公司 | 一种基于关联分析的异常处理方法、系统、终端及介质 |
CN110928718B (zh) * | 2019-11-18 | 2024-01-30 | 上海维谛信息科技有限公司 | 一种基于关联分析的异常处理方法、系统、终端及介质 |
CN112838942A (zh) * | 2019-11-25 | 2021-05-25 | 中兴通讯股份有限公司 | 网络运维方法、电子设备以及存储介质 |
CN111314173B (zh) * | 2020-01-20 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
CN111314173A (zh) * | 2020-01-20 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
CN112817955A (zh) * | 2021-02-02 | 2021-05-18 | 中国人民解放军海军航空大学青岛校区 | 基于回归模型的数据清洗方法 |
CN112817955B (zh) * | 2021-02-02 | 2022-07-01 | 中国人民解放军海军航空大学青岛校区 | 基于回归模型的数据清洗方法 |
CN113849333A (zh) * | 2021-09-26 | 2021-12-28 | 中国地质大学(武汉) | 一种基于WN-Spline基线域算法的数据中心自驱排障方法及系统 |
WO2023103350A1 (zh) * | 2021-12-07 | 2023-06-15 | 深圳前海微众银行股份有限公司 | 一种信息推送方法及装置、存储介质 |
CN114500310A (zh) * | 2021-12-23 | 2022-05-13 | 中国人民解放军63921部队 | 一种多维网络态势数据基线的精准确定方法 |
CN115514617A (zh) * | 2022-09-13 | 2022-12-23 | 上海驻云信息科技有限公司 | 一种通用的异常根因定位及分析方法及装置 |
CN115933787A (zh) * | 2023-03-14 | 2023-04-07 | 西安英图克环境科技有限公司 | 基于室内环境监测的室内多末端智能控制系统 |
CN117473241A (zh) * | 2023-12-28 | 2024-01-30 | 北京厚普医药科技有限公司 | 基于大数据的临床试验进度统计与分析工具 |
CN117473241B (zh) * | 2023-12-28 | 2024-03-15 | 北京厚普医药科技有限公司 | 基于大数据的临床试验进度统计与分析工具 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110134566A (zh) | 一种基于标签技术的云环境下信息系统性能监测方法 | |
CN111475804B (zh) | 一种告警预测方法及系统 | |
CN109656793A (zh) | 一种基于多源异构数据融合的信息系统性能立体监测方法 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN108537544A (zh) | 一种交易系统实时监控方法及其监控系统 | |
CN111885040A (zh) | 分布式网络态势感知方法、系统、服务器及节点设备 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN107145959A (zh) | 一种基于大数据平台的电力数据处理方法 | |
CN110298601A (zh) | 一种基于规则引擎的实时业务风控系统 | |
Baldominos et al. | DataCare: Big data analytics solution for intelligent healthcare management. | |
CN111367747B (zh) | 基于时间标注的指标异动检测预警的装置 | |
KR102041545B1 (ko) | 딥러닝 모델을 이용한 이벤트 예측 기반의 이벤트 모니터링 방법, 이벤트 모니터링 시스템 및 컴퓨터 프로그램 | |
CN115758173B (zh) | 基于并联图注意力网络的云平台系统异常检测方法及装置 | |
CN115357418A (zh) | 微服务故障检测方法、装置、存储介质及计算机设备 | |
Moharm et al. | Big data in ITS: Concept, case studies, opportunities, and challenges | |
CN114327964A (zh) | 业务系统的故障原因处理方法、装置、设备及存储介质 | |
CN103793309A (zh) | 一种批量业务预警方法及装置 | |
CN102083087A (zh) | 一种主客观模型结合的话务量异常检测方法 | |
CN111339052A (zh) | 一种非结构化日志数据处理方法及装置 | |
Weiss | Predicting telecommunication equipment failures from sequences of network alarms | |
CN113835918A (zh) | 一种服务器故障分析方法及装置 | |
CN109446278A (zh) | 一种基于区块链的大数据管理平台系统 | |
CN116149895A (zh) | 大数据集群性能预测方法、装置和计算机设备 | |
CN113688171B (zh) | 一种基于图卷积神经网络的列车制动故障检测方法及系统 | |
Wang et al. | LSTM-based alarm prediction in the mobile communication network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |