CN110263251A - 一种基于上下文模型的运维知识推送方法及装置 - Google Patents
一种基于上下文模型的运维知识推送方法及装置 Download PDFInfo
- Publication number
- CN110263251A CN110263251A CN201910523464.3A CN201910523464A CN110263251A CN 110263251 A CN110263251 A CN 110263251A CN 201910523464 A CN201910523464 A CN 201910523464A CN 110263251 A CN110263251 A CN 110263251A
- Authority
- CN
- China
- Prior art keywords
- context model
- knowledge
- node
- leaf
- similitude
- 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 38
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- -1 mobile phone Substances 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 230000007474 system interaction Effects 0.000 claims description 3
- 238000013509 system migration Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 34
- 238000007726 management method Methods 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于上下文模型的运维知识推送方法及装置,该装置用于实现本方法,本发明还公开了一种基于边缘计算的运维通信系统,是本方法实现的硬件支撑系统。本方法包括构建知识库上下文模型;对采集模块采集的当前运维工单信息构建当前运维上下文模型;从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型;将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。本发明使现场的运维人员在运维查找、运维执行过程中全面掌握运维设备的相关知识,即提升了运维人员工作的安全性,又提高了运维工作的效率。
Description
技术领域
本发明涉及涉及电力通信网络的运维领域,特别涉及一种基于上下文模型的运维知识推送方法及装置,还涉及到一种基于边缘计算的运维通信系统,特别是一种基于AR的基于边缘计算的运维通信系统。
背景技术
为了保障电力通信网络中所有设备能够高效、稳定地工作,提供安全、高效的现场运维成为了关键。然而,电力通信网络的运维环境往往是复杂的,网络的数据分析仍然需要基于传统的经验观察,网络的非智能部件(如设备和线路等资源)的现场运维往往需要大量人员参与,这导致现场运维工作的质量依赖于运维人员的个人经验和现场情况。目前也公开了一些方法来解决通信网络现场运维中运维人员技术有限、经验不足的问题,比如申请号为201510045205.6的专利《一种网络设备的远程维护方法、终端及系统》,该发明提供一种网络设备的远程维护方法、终端及系统,能使维护人员无需到故障点即可对网络设备进行管理和维护。所述系统包括:网络设备、网络管理服务器、终端,终端与网络设备建立蓝牙连接,终端与网络管理服务器建立socket连接;网络管理服务器,用于接收维护命令,并将维护命令发送给终端;终端,用于接收维护命令,并将维护命令转换为蓝牙格式的维护命令发送给网络设备;网络设备,用于接收并执行维护命令,将执行结果发送给终端;终端,还用于接收执行结果,并将执行结果转换为移动通信数据发送给网络管理服务器;网络管理服务器,还用于接收移动通信数据。该方案能使运维人员无需到故障点即可对网络设备进行管理和维护,但这种方法受通信线路的限制,无法对所有的现场设备进行排查。又如申请号为201510045205.6的专利《移动通信网络故障分析定位辅助系统》,该发明公开了一种移动通信网络故障分析定位辅助系统,包括案例库模块,用于存储用户提交的新增案例及相应的故障排查任务单到案例库,触发生成提示消息;新增案例探测器模块,用于对新增案例的监测,完成新增案例相应提示消息的转发和删除;案例归整索引模块,用于根据提示消息到案例库获取新增的故障排查任务单相应的基本信息和完整内容,根据基本信息和完整内容分别生成故障分类索引和解决方案全文索引,并存入故障解决方案经验库;故障解决方案经验库模块,用于将案例索引存入故障解决方案经验库,提供故障定位的数据源。在故障维护需求产生时,可利用该发明系统方便地搜索匹配相关故障解决方案,减少故障分析时间,提升解决问题效率。该方案可利用该发明系统方便地搜索匹配相关故障解决方案,但该系统的故障定位依赖于运维人员主动上传故障报告,步骤较为繁琐。再如专利号为201410440152.3的专利《一种基于图像传输的配变终端远程调试系统及其调试方法》,该发明涉及一种基于图像传输的配变终端远程调试系统,包括后台服务器和配变终端,后台服务器通过移动通信网络和/或以太网与配变终端通信;后台服务器由其上加载服务端调试软件的工作站PC机、主机、第一GSM模块和以太网接口模块组成;配变终端由其上加载配变端调试软件的主控CPU、第二GSM模块、嵌入式以太网模块、人机交互模块和数据采集模块组成。该发明还公开了一种基于图像传输的配变终端远程调试系统的调试方法。通过后台服务器即可对配变终端内的参数、数据进行设置和检查,从而实现远程调试。当运维人员到达现场,后台服务器还可以远程操控配变终端的液晶显示屏菜单,与运维人员互动,减轻现场运维工作量。该方案能够远程协助现场人员进行快速调试,但该方案传输的图像仅是设备显示屏显示的内容,适用范围有限。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷(不足),提供一种基于上下文模型的运维知识推送方法及装置。
本发明旨在至少在一定程度上解决上述技术问题。
本发明的首要目的是提供一种全面掌握现场知识的前提下,实时分析和快速响应运维需求的技术方案。
为了达到上述技术效果,本发明的技术方案如下:
一种基于上下文模型的运维知识推送方法,包括如下步骤:
S10以知识库中的每个运维任务为根节点,以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点,以运维内容中对象的具体应用场景为该非叶节点的叶节点,构建知识上下文模型,由数个运维任务的知识上下文模型生成知识库上下文模型;
S20采集模块采集当前运维工单信息,以每个运维工单为根节点,以运维工单上下文具有依赖关系的对象为该根节点的非叶节点,以运维工单中对象的具体应用场景为该非叶节点的叶节点,构建当前运维上下文模型;
S30从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型;
S40将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。
优选地,所述S30具体包括如下步骤:
S301识别当前运维上下文模型属性,属性至少包括文本和图像;
S302根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性,由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性;
S303比较相同属性的根节点之间的相似性,计算与当前运维上下文模型具有最大相似性的知识上下文模型。
优选地,所述S302中根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性的方法为:
若当前运维上下文模型属性为文本,则匹配选择文本类知识上下文模型计算其叶节点相似性,文本类型的叶节点相似性的计算公式:
其中在公式(1)中u叶表示当前运维上下文模型的叶节点,v叶表示知识上下文模型的叶节点,表示u叶的均值,表示v叶的均值,假设u叶和v叶其属性值个数均为n,u叶的属性值为(u1,u2,...,ui,...,un),v叶的属性值为(v1,v2,...,vi,...,vn);
若当前运维上下文模型属性为图像,则匹配选择图像类知识上下文模型计算其叶节点相似性,图像类型的叶节点相似性的计算公式:
其中在公式(2)中u叶代表当前运维上下文模型的叶节点,v叶代表知识上下文模型的叶节点,假设u叶和v叶其属性值个数均为n,p(i)代表当前运维上下文模型第i个属性值的图像直方图数据,q(i)代表知识上下文模型第i个属性值的图像直方图数据。
优选地,所述S302中由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性的加权相似性的计算公式:
其中在公式(3)中u非叶代表当前运维上下文模型的非叶节点,v非叶代表知识上下文模型的非叶节点,uj是u非叶的第j个子属性,vj是v非叶的第j个子属性,u非叶和v非叶的子属性的个数均为h,Lj是uj和vj的权重,Simil(uj,vj)是第j个子属性对应的相似性。
优选地,所述S303的具体方法为:
假设知识库中共有g个知识上下文模型,u为当前运维上下文模型的根属性,vf为知识库上下文模型的第f个知识上下文模型的根属性,与当前运维上下文模型具有最大相似性的知识上下文模型的计算方法为:
优选地,每个所述知识上下文模型为多维度上下文模型,多维上下文模型至少包括三个维度,所述三个维度是以每个运维任务为根节点,分别以与每个运维任务具有上下文依赖性的用户、设备或任务为第一层非叶节点展开的三个维度的上下文模型。
本发明还公开了一种基于上下文模型的运维知识推送装置,用于实现上述方法,其包括:
第一构建模块,用于以知识库中的每个运维任务为根节点,以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点,以运维内容中对象的具体应用场景为该非叶节点的叶节点,构建知识上下文模型,由数个运维任务的知识上下文模型生成知识库上下文模型;
第二构建模块,用于采集模块采集当前运维工单信息,以每个运维工单为根节点,以运维工单上下文具有依赖关系的对象为该根节点的非叶节点,以运维工单中对象的具体应用场景为该非叶节点的叶节点,构建当前运维上下文模型;
获取模块,用于从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型,其中包括:
识别子模块,用于识别当前运维上下文模型属性,属性至少包括文本和图像;
相似性计算子模块,用于根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性,由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性;
相似性比较子模块,用于比较相同属性的根节点之间的相似性,计算与当前运维上下文模型具有最大相似性的知识上下文模型;
推送模块,用于将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。
本发明还公开了一种基于边缘计算的运维通信系统,包括:
可视终端,被穿戴于运维现场,用于将当前运维工单信息传送至边缘服务器;及接收边缘服务器推送的如上述所述具有最大相似性的知识上下文模型中相应的运维任务知识内容;
边缘服务器,设置于运维现场的网络边缘侧,作为边缘节点,用于接收从中央节点迁移过来的知识库上下文模型,及可视终端上传的当前运维工单信息构建当前运维上下文模型,进行边缘计算获取与当前运维上下文模型具有最大相似性的知识上下文模型,并将与当前运维上下文模型具有最大相似性的知识上下文模型推送至可视终端,并将运维现场设备处理后的数据传送至中央节点;
云端运维管理系统,作为中央节点,用于后端电网运维管理系统的部署,包括知识库上下文模型的构建、知识库上下文模型的迁移、与通信运行管控系统交互数据资源和工单信息;
路由器和/或基站,用于边缘服务器与可视终端之间的数据双向交互;
远程专家,通过路由器和/或基站与可视终端通信连接,用于传送专家专业技能和知识。
优选地,所述云端运维管理系统迁移边缘计算采用MAUI或CloneCloud模型实现。
优选地,所述可视终端为基于AR的智能眼镜、手机、平板电脑或电脑。
与现有技术相比,本发明技术方案的有益效果是:本发明针对现场运维场景,设计了一种基于上下文模型的运维知识推送算法,从备选知识项中选择高相似度的知识项,并将其推送到现场采集模块,使现场的运维人员在运维查找、运维执行过程中全面掌握运维设备的相关知识,及专家的宝贵经验,即提升了运维人员工作的安全性,又提高了运维工作的效率。本发明还公开了一种基于增强现实技术的电力通信网络现场运维架构,缩短运维周期,降低运维成本,并引入边缘计算技术,满足运维工作的快速连接,实时分析和快速响应的应用要求。
附图说明
图1为多维度上下文模型一实施例的结构示意图。
图2为基于AR的边缘运缘架构。
图3为在不同用户的不同权重设置下知识推送的准确性分析图。
图4为对不同知识项的不同权重设置下知识推送的准确性分析图。
图5为不同知识项下三种知识推送算法的时间成本对比图。
图6为本发明边缘运维架构与现有云架构的时间成本对比图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
一种基于上下文模型的运维知识推送方法,包括如下步骤:
S10以知识库中的每个运维任务为根节点,以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点,以运维内容中对象的具体应用场景为该非叶节点的叶节点,构建知识上下文模型,由数个运维任务的知识上下文模型生成知识库上下文模型;
S20采集模块采集当前运维工单信息,以每个运维工单为根节点,以运维工单上下文具有依赖关系的对象为该根节点的非叶节点,以运维工单中对象的具体应用场景为该非叶节点的叶节点,构建当前运维上下文模型;
S30从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型;
S40将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。
在本发明实施例中,在本发明实施例中,由于运维设备的复杂性,运维人员难以完全掌握每个设备的信息,在不知情运维设备的相关信息的情况下,是无法开展运维工作,这将严重影响运维效率。通过运维网络的中心节点创建知识库上下文模型,将诸多运维设备的相关知识统一到知识库,知识库里有数个运维任务的知识上下文模型,当采集模块采集运维现场的当前运维工单信息后,通过采集模块与边缘节点之间建立的双向通信连接,将当前运维工单信息传送至边缘节点,边缘节点根据当前运维工单信息创建当前运上下文模型,中心节点将知识库上下文模型迁移至边缘节点,边缘节点进行边缘计算,从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型,并针获取的最大相似性的知识上下文模型相应的运维任务知识内容推送至采集模块。
相似度表示两个事物a,b之间的相似程度,表示为Simil(a,b),Simil∈[0,1]。Simil(a,b)的值越大,a和b之间的相似性越大。通过计算运维上下文模型与知识上下文模型的相似性,将适合当前任务的知识推送给现场运维人员,从而提高现场运维的质量和效率。
优选地,所述S30具体包括如下步骤:
S301识别当前运维上下文模型属性,属性至少包括文本和图像;
S302根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性,由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性;
S303比较相同属性的根节点之间的相似性,计算与当前运维上下文模型具有最大相似性的知识上下文模型。
在本发明实施例中,在计算上下文模型之间的相似度时,使用空间矢量的方法来降低计算复杂度,上下文模型的属性主要包含文本和图像,不同属性的上下文模型的相似度计算方法不同。在计算上下文模型之间的相似度时,首先计算叶属性的相似度,然后根据属性的权重计算中间属性的相似度,最后得到根属性的相似度。根属性的相似性是上下文模型之间的相似性。
优选地,所述S302中根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性的方法为:
若当前运维上下文模型属性为文本,则匹配选择文本类知识上下文模型计算其叶节点相似性,文本类型的叶节点相似性的计算公式:
其中在公式(1)中u叶表示当前运维上下文模型的叶节点,v叶表示知识上下文模型的叶节点,表示u叶的均值,表示v叶的均值,假设u叶和v叶其属性值个数均为n,u叶的属性值为(u1,u2,...,ui,...,un),v叶的属性值为(v1,v2,...,vi,...,vn);
若当前运维上下文模型属性为图像,则匹配选择图像类知识上下文模型计算其叶节点相似性,图像类型的叶节点相似性的计算公式:
其中在公式(2)中u叶代表当前运维上下文模型的叶节点,v叶代表知识上下文模型的叶节点,假设u叶和v叶其属性值个数均为n,p(i)代表当前运维上下文模型第i个属性值的图像直方图数据,q(i)代表知识上下文模型第i个属性值的图像直方图数据。
在本发明实施例中,本发明从文本和图像两种属性出发,具体给出了这两种属性的叶节点相似性的计算方法。
优选地,所述S302中由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性的加权相似性的计算公式:
其中在公式(3)中u非叶代表当前运维上下文模型的非叶节点,v非叶代表知识上下文模型的非叶节点,uj是u非叶的第j个子属性,vj是v非叶的第j个子属性,u非叶和v非叶的子属性的个数均为h,Lj是uj和vj的权重,Simil(uj,vj)是第j个子属性对应的相似性。
在本发明实施例中,本发明从文本和图像两种属性出发,具体给出了这两种属性的叶节点相似性的计算方法。
优选地,所述S303的具体方法为:
假设知识库中共有g个知识上下文模型,u为当前运维上下文模型的根属性,vf为知识库上下文模型的第f个知识上下文模型的根属性,与当前运维上下文模型具有最大相似性的知识上下文模型的计算方法为:
在本发明实施例中,从知识库备选知识项中选择高相似度的知识项,并将具有高相似度的知识项推送到采集模块。
优选地,每个所述知识上下文模型为多维度上下文模型,多维上下文模型至少包括三个维度,所述三个维度是以每个运维任务为根节点,分别以与每个运维任务具有上下文依赖性的用户、设备或任务为第一层非叶节点展开的三个维度的上下文模型。
在本发明实施例中,考虑到运维设备运维知识的复杂性,智能地将运维知识至少按三个维度细分,三个维度为用户、设备和任务,运维知识的上下文模型是用户信息、设备信息和任务信息的抽象,将用户信息抽象为用户子模型,用户子模型主要包括基本信息和使用记录,将运维设备信息(资源)抽象为设备模型,运维设备信息(资源)包括设备信息、业务信息和配置信息,不同的设备运维需要多种知识来协助,因此也需要建立设备子模型。在运维工作中,任务主要包括现场运维检查、现场运维执行和业务开放三个工作期间,不同工作期间所需的信息是不同的,因此需要建立任务子模型。每个运维周期所需的信息是不同的,因此运维知识的推送也不同,这样才能实现与运维人员、设备和任务的精确匹配推送。每个维度由若干相关属性组成,可以对每个维度设置不同的权重,进行用户子模型、设备子模型和任务子模型的知识推送精度的分析。
实操实例:
假设用户子模型的权重为w1、设备子模型的权重为w2、任务子模型的权重为w3,若知识项的总数取固定值,当某项子模型权重=1时,表示上下文模型仅考虑该项子模型的相似性,如图3所示,在不同权重设置下10个随机用户的知识推送准确性的比较。从图中可以看出,当w1=0.2,w2=0.45,w3=0.35时,知识推送是最准确的。如图4所示,在不同知识项的不同权重设置下的知识推送的准确性的比较。从图中可以看出,当w1=0.2,w2=0.45,w3=0.35时,知识推送的准确性高于其他算法。
图5展示了不同知识项数量下三种知识推送算法的时间成本。从图中可以看出,本发明提出的基于上下文模型的运维知识推送算法与基于内容的知识推送算法相比,时间成本相似,小于基于特征点的知识推送算法的时间成本。随着知识项数量的增加,差异变得更加明显。这是由于基于特征点的知识推送算法需要提取设备的特征点,并且算法复杂度更高,因此时间成本更高。
本发明还公开了一种基于上下文模型的运维知识推送装置,用于实现上述方法,其包括:
第一构建模块,用于以知识库中的每个运维任务为根节点,以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点,以运维内容中对象的具体应用场景为该非叶节点的叶节点,构建知识上下文模型,由数个运维任务的知识上下文模型生成知识库上下文模型;
第二构建模块,用于采集模块采集当前运维工单信息,以每个运维工单为根节点,以运维工单上下文具有依赖关系的对象为该根节点的非叶节点,以运维工单中对象的具体应用场景为该非叶节点的叶节点,构建当前运维上下文模型;
获取模块,用于从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型,其中包括:
识别子模块,用于识别当前运维上下文模型属性,属性至少包括文本和图像;
相似性计算子模块,用于根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性,由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性;
相似性比较子模块,用于比较相同属性的根节点之间的相似性,计算与当前运维上下文模型具有最大相似性的知识上下文模型;
推送模块,用于将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。
本发明还公开了一种基于边缘计算的运维通信系统,包括:
可视终端,被穿戴于运维现场,用于将当前运维工单信息传送至边缘服务器;及接收边缘服务器推送的如上述所述具有最大相似性的知识上下文模型中相应的运维任务知识内容;
边缘服务器,设置于运维现场的网络边缘侧,作为边缘节点,用于接收从中央节点迁移过来的知识库上下文模型,及可视终端上传的当前运维工单信息构建当前运维上下文模型,进行边缘计算获取与当前运维上下文模型具有最大相似性的知识上下文模型,并将与当前运维上下文模型具有最大相似性的知识上下文模型推送至可视终端,并将运维现场设备处理后的数据传送至中央节点;
云端运维管理系统,作为中央节点,用于后端电网运维管理系统的部署,包括知识库上下文模型的构建、知识库上下文模型的迁移、与通信运行管控系统交互数据资源和工单信息;
路由器和/或基站,用于边缘服务器与可视终端之间的数据双向交互;
远程专家,通过路由器和/或基站与可视终端通信连接,用于传送专家的技能和知识。
在本发明实施例中,本发明是针对于电力通信网络现场运维架构设计的基于上下文模型的运维知识推送方法,该电力通信网络现场运维架构引入边缘计算,将原本由中央节点提供的应用程序、数据资源和计算服务迁移到边缘节点,以便满足快速连接,实时分析和快速响应的技术和应用需求,使得运维现场的知识推送不再依赖于中心节点,提高了数据传输效率。本发明缩短运维周期,降低运维成本,并引入边缘计算技术,可以满足快速连接,实时分析和快速响应的要求。
云端运维管理系统的功能主要包括设备管理、数据管理和业务管理,设备管理即对电力通信网络中的网络设备、服务器设备、操作系统运行状况进行监控;数据管理即对系统和业务数据进行统一存储、备份和恢复;业务管理包含对电力通网络中业务系统运行情况的监控与管理。云端运维管理系统与通信运行管控系统交互资源和工单信息。边缘节点对运维现场数据进行分析和处理,并将处理后的数据传送至云端运维管理系统。边缘计算的引入能够为现场运维提供附近的最近端的服务,这种在附近提供计算服务的方法可以加快数据分析和处理的速度,降低业务时延、满足快速连接、实时分析和快速响应方面的技术和应用需求。
可视终端通过路由器和/或基站与远程专家进行实时通信,在运维工作过程中获取专家意见,这样现场运维人员拥有专家的专业知识,开展运维工作,提升运维工作的安全性,并高效地执行现场运维任务。
优选地,所述云端运维管理系统迁移边缘计算采用MAUI或CloneCloud模型实现。
在本发明实施例中,MAUI模型:MAUI是最早的计算卸载实现模型,由杜克大学的Eduardo等人在2010年提出。MAUI在微软公司.NET公共语言运行时(.NETCLR)上实现代码和计算的运行时卸载,支持在应用运行时细粒度地决定哪些代码卸载至云端执行。
CloneCloud模型:CloneCloud计算卸载模型由英特尔伯克利实验室的Byung-Gon等人提出。CloneCloud通过使用静态代码分析和动态环境分析相结合的方法,对应用代码进行划分,从而判断代码的可卸载性。
优选地,所述可视终端为基于AR的智能眼镜、手机、平板电脑或电脑。
在本发明实施例中,当可视终端为基于AR的智能眼镜时,本发明为一种基于增强现实技术的电力通信网络现场运维架构,现场运维人员将使用基于AR的智能眼镜,智能眼镜带有可以通过语音控制的显示屏,并且具备可视化实时数据、图片和视频信息的功能。
图6为本发明边缘运维架构与现有云架构的时间成本对比图,展示了基于两种不同体系结构的基于上下文模型的运维知识推送算法的时间成本比较。基于边缘架构的时间成本约为云架构的一半。这是因为在边缘架构中,算法的相关计算在更靠近用户的边缘节点处处理,并且不需要将数据传递到数据中心以进行计算。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于上下文模型的运维知识推送方法,其特征在于,包括如下步骤:
S10以知识库中的每个运维任务为根节点,以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点,以运维内容中对象的具体应用场景为该非叶节点的叶节点,构建知识上下文模型,由数个运维任务的知识上下文模型生成知识库上下文模型;
S20采集模块采集当前运维工单信息,以每个运维工单为根节点,以运维工单上下文具有依赖关系的对象为该根节点的非叶节点,以运维工单中对象的具体应用场景为该非叶节点的叶节点,构建当前运维上下文模型;
S30从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型;
S40将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。
2.如权利要求1所述的基于上下文模型的运维知识推送方法,其特征在于,所述S30具体包括如下步骤:
S301识别当前运维上下文模型属性,属性至少包括文本和图像;
S302根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性,由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性;
S303比较相同属性的根节点之间的相似性,计算与当前运维上下文模型具有最大相似性的知识上下文模型。
3.如权利要求2所述的基于上下文模型的运维知识推送方法,其特征在于,所述S302中根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性的方法为:
若当前运维上下文模型属性为文本,则匹配选择文本类知识上下文模型计算其叶节点相似性,文本类型的叶节点相似性的计算公式:
其中在公式(1)中u叶表示当前运维上下文模型的叶节点,v叶表示知识上下文模型的叶节点,表示u叶的均值,表示v叶的均值,假设u叶和v叶其属性值个数均为n,u叶的属性值为(u1,u2,...,ui,...,un),v叶的属性值为(v1,v2,...,vi,...,vn);
若当前运维上下文模型属性为图像,则匹配选择图像类知识上下文模型计算其叶节点相似性,图像类型的叶节点相似性的计算公式:
其中在公式(2)中u叶代表当前运维上下文模型的叶节点,v叶代表知识上下文模型的叶节点,假设u叶和v叶其属性值个数均为n,p(i)代表当前运维上下文模型第i个属性值的图像直方图数据,q(i)代表知识上下文模型第i个属性值的图像直方图数据。
4.如权利要求2所述的基于上下文模型的运维知识推送方法,其特征在于,所述S302中由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性的加权相似性的计算公式:
其中在公式(3)中u非叶代表当前运维上下文模型的非叶节点,v非叶代表知识上下文模型的非叶节点,uj是u非叶的第j个子属性,vj是v非叶的第j个子属性,u非叶和v非叶的子属性的个数均为h,Lj是uj和vj的权重,Simil(uj,vj)是第j个子属性对应的相似性。
5.如权利要求4所述的基于上下文模型的运维知识推送方法,其特征在于,所述S303的具体方法为:
假设知识库中共有g个知识上下文模型,u为当前运维上下文模型的根属性,vi为知识上下文模型的根属性,与当前运维上下文模型具有最大相似性的知识上下文模型的计算方法为:
6.如权利要求1-5任一项所述的基于上下文模型的运维知识推送方法,其特征在于,每个所述知识上下文模型为多维度上下文模型,多维上下文模型至少包括三个维度,所述三个维度是以每个运维任务为根节点,分别以与每个运维任务具有上下文依赖性的用户、设备或任务为第一层非叶节点展开的三个维度的上下文模型。
7.一种基于上下文模型的运维知识推送装置,其特征在于,包括:
第一构建模块,用于以知识库中的每个运维任务为根节点,以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点,以运维内容中对象的具体应用场景为该非叶节点的叶节点,构建知识上下文模型,由数个运维任务的知识上下文模型生成知识库上下文模型;
第二构建模块,用于采集模块采集当前运维工单信息,以每个运维工单为根节点,以运维工单上下文具有依赖关系的对象为该根节点的非叶节点,以运维工单中对象的具体应用场景为该非叶节点的叶节点,构建当前运维上下文模型;
获取模块,用于从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性,获取具有最大相似性的知识上下文模型,其中包括:
识别子模块,用于识别当前运维上下文模型属性,属性至少包括文本和图像;
相似性计算子模块,用于根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性,由其下级节点相似性的值加权得到非叶节点之间的相似性,由其下级非叶节点的相似性加权得到根节点之间的相似性;
相似性比较子模块,用于比较相同属性的根节点之间的相似性,计算与当前运维上下文模型具有最大相似性的知识上下文模型;
推送模块,用于将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。
8.一种基于边缘计算的运维通信系统,其特征在于,包括:
可视终端,被穿戴于运维现场,用于将当前运维工单信息传送至边缘服务器;及接收边缘服务器推送的如权利要求1-8所述具有最大相似性的知识上下文模型中相应的运维任务知识内容;
边缘服务器,设置于运维现场的网络边缘侧,作为边缘节点,用于接收从中央节点迁移过来的知识库上下文模型,及可视终端上传的当前运维工单信息构建当前运维上下文模型,进行边缘计算获取与当前运维上下文模型具有最大相似性的知识上下文模型,并将与当前运维上下文模型具有最大相似性的知识上下文模型推送至可视终端,并将运维现场设备处理后的数据传送至中央节点;
云端运维管理系统,作为中央节点,用于后端电网运维管理系统的部署,包括知识库上下文模型的构建、知识库上下文模型的迁移、与通信运行管控系统交互数据资源和工单信息;
路由器和/或基站,用于边缘服务器与可视终端之间的数据双向交互;
远程专家,通过路由器和/或基站与可视终端通信连接,用于传送专家专业技能和知识。
9.如权利要求8所述的基于边缘计算的运维通信系统,其特征在于,所述云端运维管理系统迁移边缘计算采用MAUI或CloneCloud模型实现。
10.如权利要求8所述的基于边缘计算的运维通信系统,其特征在于,所述可视终端为基于AR的智能眼镜、手机、平板电脑或电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523464.3A CN110263251A (zh) | 2019-06-17 | 2019-06-17 | 一种基于上下文模型的运维知识推送方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910523464.3A CN110263251A (zh) | 2019-06-17 | 2019-06-17 | 一种基于上下文模型的运维知识推送方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263251A true CN110263251A (zh) | 2019-09-20 |
Family
ID=67918837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910523464.3A Pending CN110263251A (zh) | 2019-06-17 | 2019-06-17 | 一种基于上下文模型的运维知识推送方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263251A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113271325A (zh) * | 2020-02-17 | 2021-08-17 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、电子设备及计算机可读介质 |
CN113298121A (zh) * | 2021-04-30 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于多数据源建模的消息发送方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
CN107895233A (zh) * | 2017-11-13 | 2018-04-10 | 全球能源互联网研究院有限公司 | 面向电力通信的运维管理系统及富媒体交互系统、方法 |
CN109033284A (zh) * | 2018-07-12 | 2018-12-18 | 国网福建省电力有限公司 | 基于知识图谱的电力信息运维系统数据库构建方法 |
-
2019
- 2019-06-17 CN CN201910523464.3A patent/CN110263251A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368468A (zh) * | 2017-06-06 | 2017-11-21 | 广东广业开元科技有限公司 | 一种运维知识图谱的生成方法及系统 |
CN107895233A (zh) * | 2017-11-13 | 2018-04-10 | 全球能源互联网研究院有限公司 | 面向电力通信的运维管理系统及富媒体交互系统、方法 |
CN109033284A (zh) * | 2018-07-12 | 2018-12-18 | 国网福建省电力有限公司 | 基于知识图谱的电力信息运维系统数据库构建方法 |
Non-Patent Citations (1)
Title |
---|
RUIDE LI等: "An AR Based Edge Maintenance Architecture and Maintenance Knowledge Push Algorithm for Communication Networks" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113271325A (zh) * | 2020-02-17 | 2021-08-17 | 腾讯科技(北京)有限公司 | 信息推送方法、装置、电子设备及计算机可读介质 |
CN113298121A (zh) * | 2021-04-30 | 2021-08-24 | 上海淇玥信息技术有限公司 | 基于多数据源建模的消息发送方法、装置和电子设备 |
CN113298121B (zh) * | 2021-04-30 | 2023-08-18 | 上海淇玥信息技术有限公司 | 基于多数据源建模的消息发送方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | An edge-computing based architecture for mobile augmented reality | |
Zhang et al. | New agent-based proactive migration method and system for big data environment (BDE) | |
US10453165B1 (en) | Computer vision machine learning model execution service | |
CN109614093B (zh) | 可视化智能合约系统以及智能合约的处理方法 | |
CN112070416B (zh) | 基于ai的rpa流程的生成方法、装置、设备及介质 | |
CN105812461A (zh) | 一种移动云环境情景感知计算迁移方法 | |
CN110263251A (zh) | 一种基于上下文模型的运维知识推送方法及装置 | |
CN107102833A (zh) | 线路信息互动方法及电子设备 | |
CN103618762A (zh) | 一种基于aop的企业服务总线状态预处理系统及方法 | |
CN110991984A (zh) | 基于企业信息化异构系统的数字化经营分析平台及方法 | |
CN105260082A (zh) | 一种测试数据展示方法及开发终端 | |
CN110781180A (zh) | 一种数据筛选方法和数据筛选装置 | |
KR20230132350A (ko) | 연합 감지 모델 트레이닝, 연합 감지 방법, 장치, 설비 및 매체 | |
CN111970151A (zh) | 虚拟及容器网络的流量故障定位方法及系统 | |
US20220114019A1 (en) | Distributed resource-aware training of machine learning pipelines | |
CN115630073B (zh) | 基于边缘计算的电力物联网数据处理方法及平台 | |
CN113157383A (zh) | 一种OpenStack环境下动态调整超配比的方法 | |
CN103634290A (zh) | 网络仿真系统 | |
Chen et al. | A 5G Enabled Adaptive Computing Workflow for Greener Power Grid | |
CN112486666A (zh) | 一种模型驱动的参考架构方法及平台 | |
CN115809688B (zh) | 一种模型调试方法、装置、电子设备及存储介质 | |
CN110177018A (zh) | 用于控制网络状态的方法及装置 | |
CN110620680A (zh) | 一种基于ar的运维知识推送方法 | |
CN115629883A (zh) | 资源预测方法、装置、计算机设备及存储介质 | |
CN114035906A (zh) | 虚拟机迁移方法、装置、电子设备及存储介质 |
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: 20190920 |
|
RJ01 | Rejection of invention patent application after publication |