CN110287078A - 基于zabbix性能基线的异常检测和告警方法 - Google Patents
基于zabbix性能基线的异常检测和告警方法 Download PDFInfo
- Publication number
- CN110287078A CN110287078A CN201910293816.0A CN201910293816A CN110287078A CN 110287078 A CN110287078 A CN 110287078A CN 201910293816 A CN201910293816 A CN 201910293816A CN 110287078 A CN110287078 A CN 110287078A
- Authority
- CN
- China
- Prior art keywords
- baseline
- data
- value
- monitoring
- zabbix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000005856 abnormality Effects 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000012360 testing method 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
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Alarm Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于zabbix性能基线的异常检测和告警方法，包括如下步骤：S1：通过监控系统获取历史数据作为样本数据；S2：去除与整体数据偏差超过预设临界值的异常数据；S3：以监控周期为单位，获取监控周期内的数据平均值或者中间值作为基线；S4：通过均线漂移运算对基线进行校正得到校正后的基线；S5：将监控值与校正后的基线值进行对比，通过对比差值触发不同的告警类型。本发明在传统基线算法的基础上去除异常数据，进行基线校正，然后配置合理的基线冗余范围，提供了更加准确的动态基线告警，使得不同业务系统、不同资源类型甚至不同业务部门有了通用的动态基线告警方法，在生产环境中能够更准确、快速地定位业务故障。
Description
技术领域
本发明涉及一种监控方法，尤其涉及一种基于zabbix性能基线的异常检测和告警方法。
背景技术
随着信息化的不断发展和深入，信息技术(Information Technology，IT)系统功能日益强大，涉及的信息种类也日益增多，这导致现有IT系统也逐渐复杂。为及时发现IT系统故障、识别潜在风险及安全隐患，企业内部通常设定专门的运维部门和运维人员监管企业的IT系统，维护企业IT系统正常、稳定运行，保障企业业务正常开展和运营。同时，为了提高发现系统故障的及时性、系统维护的专业性，企业还会建立IT监控系统实现监控手段平台化、自动化。
现有的IT系统监控方法通常为：信息技术部门提出系统运行目标，运维部门将系统运行目标转化为系统监控指标，并在IT监控系统中通过定义监控指标、设定监控数据源、配置监控校验规则、部署监控调度作业实现系统监控，其中监控校验规则配置采用最小值、最大值的值域配置或采用百分比的波动配置等方式。当系统的某个部件运行状况超出预设阈值时，监控系统识别告警并发送相关的告警通知。这种告警识别机制通常不分系统运行时段，或者只能设置某几个特定时段内的系统监控。
上述IT监控系统的监控方法，存在以下问题：
第一：监控阈值单一、监控时段粗放，告警误报多、处理成本高：同一个监控指标通常只设置一个监控阈值、且监控阈值在所有时段都有效，如果监控阈值设置过低会导致正常业务高峰期时段频繁触发系统告警、增加运维人员对异常告警识别复杂度和告警处理成本。
第二：系统性能波动趋势识别低，系统性能风险预警能力不足：如果监控阈值设置过高则不能及时获知非业务高峰期时段系统性能的异常波动、无法准确及时识别和预警系统中存在的潜在问题。IT系统的性能峰谷随着企业业务发展会呈现一定的变化，现有的监控方法缺少一种系统峰谷波动的趋势跟踪。
发明内容
本发明要解决的技术问题是提供一种基于zabbix性能基线的异常检测和告警方法，解决当前检测和告警结果不够准确的问题。
本发明为解决上述技术问题而采用的技术方案是提供一种基于zabbix性能基线的异常检测和告警方法，包括如下步骤：S1：通过监控系统获取历史数据作为样本数据；S2：去除与整体数据偏差超过预设临界值的异常数据；S3：以监控周期为单位，获取监控周期内的数据平均值或者中间值作为基线；S4：通过均线漂移运算对基线进行校正得到校正后的基线；S5：将监控值与校正后基线值进行对比，通过对比差值触发不同的告警类型。
进一步的，所述样本数据包括性能数据以及与性能数据相对应的时间数据。
进一步的，所述步骤S2具体包括：S21：计算样本数据的均值和标准差；S22：计算样本数据与均值的差值，将差值最大的数据设为可疑值；S23：计算可疑值的标准分数，如果大于预设临界值，该可疑值即为异常数据；S24：从样本数据中去除异常数据；S25：重复步骤S22-S24，直到去除全部异常数据。
进一步的，所述预设临界值由检出水平α和样本数据的数量n计算得到。
进一步的，在步骤S3中以各监控周期内数据的最大值作为基线的上限，最小值作为基线的下限，并对基线的上限和下限设置冗余范围。
进一步的，所述步骤S4具体包括：S41：在未被归类处理的数据点中随机选择一个点作为中心点；S42：找出离中心点在设定带宽之内的所有点，记做集合M；S43：计算从中心点开始到集合M中每个元素的向量，将这些向量相加，得到偏移向量；S44：中心点沿着偏移向量的方向移动，移动距离是偏移向量的模；S45：重复步骤S42-S44直到偏移向量小于设定的偏移阈值；S46：重复步骤S41-S45直到所有的数据点都被归类；S47：获取每个类的所有数据点的访问频率，取访问频率最大的数据点组成校正后的基线。
进一步的，所述S5具体包括，将对应时间点的监控值与基线值进行对比，对比差值小于安全阈值，则触发正常状态；对比差值大于安全阈值，同时监控值在基线的上限和下限范围内，则触发初级告警；对比差值大于安全阈值，同时监控值在基线的上限和下限范围外，且监控值与基线的上限和下限的差值在冗余范围内，则触发二级告警；对比差值大于安全阈值，同时监控值在基线的上限和下限范围外，且监控值与基线的上限和下限的差值在冗余范围外，则触发紧急告警。
本发明对比现有技术有如下的有益效果：本发明提供的基于zabbix性能基线的异常检测和告警方法，在传统IT资源监控及传统基线算法的基础上，去除异常数据，通过均值漂移算法进行基线校正，然后配置合理的基线冗余范围，提供了更加准确的动态基线告警，使得不同业务系统、不同资源类型甚至不同业务部门有了通用的动态基线告警方法；企业在生产环境中能够更准确、快速地定位业务故障，解决企业业务运营的实际问题，具有比较贴近现实企业生产运营的价值，提高企业生产效率。
附图说明
图1为本发明实施例中基于zabbix性能基线的异常检测和告警方法流程图；
图2为本发明实施例中异常数据去除前的数据图；
图3为本发明实施例中异常数据去除后的数据图；
图4为本发明实施例中异常数据去除流程图；
图5为本发明实施例中基线校正流程图；
图6为本发明实施例中CPU使用率的基线数据图；
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
图1为本发明实施例中基于zabbix性能基线的异常检测和告警方法流程图。
请参见图1，本发明实施例的基于zabbix性能基线的异常检测和告警方法，包括如下步骤：
S1：通过监控系统获取历史数据作为样本数据，所述样本数据包括性能数据和性能数据对应的时间数据；
S2：去除与整体数据偏差超过设定预设临界值的异常数据；
S3：以监控周期为单位，获取监控周期内的数据平均值或者中间值作为基线；
S4：通过均线漂移运算对基线进行校正得到校正后的基线；
S5：将监控值与基线值进行对比，通过对比差值触发不同的告警类型。
根据历史数据去除异常点，最大可能的保持基线范围，去除与整体数据偏差较大的数据，最终取得数据范围上下边界作为基线上限和下限，取监控周期内平均值(mean)或者中值(median)作为基线。
图2为本发明实施例中异常数据去除前的数据图；图3为本发明实施例中异常数据去除后的数据图。
如图2所示，去除异常值前的数据散点图包括上限、平均值和下限，如图3所示，中间的散点数据范围，即为波动的正常范围，可在基线上下限的基础上添加冗余范围，减少告警的误报率。
格拉布斯算法(Grubbs)用于判断“可疑值”，能将“可疑值”从待计算数据中剔除而不参与计算。如图4所示，具体算法实现包括以下几个步骤：
1.求样本数据Data的Mean(均值)和Std.dev(标准差)；
2.计算Data与Mean的差值，差值最大的数据设为可疑值；
3.求可疑值的标准分数(standard score)，如果大于Grubbs临界值，那就是与整体数据偏差较大的值；
4.Grubbs临界值可由检出水平α(越严格越大)，样本数量n计算得到；
5.从Data中排除“可疑值”，对剩余序列循环做上述1～4步骤，直到没有“可疑值”
标准分数(standard score)是一个数与平均数的差再除以标准差的过程，"一个给定分数距离平均数多少个标准差？"在平均数之上的分数会得到一个正的标准分数，在平均数之下的分数会得到一个负的标准分数。标准分数是一种可以看出某分数在分布中相对位置的方法。
均值漂移算法(mean shift)，常应用于聚类(K均值聚类)、图像分割、对象轮廓检验、目标追踪；均值漂移的基本概念，是沿着密度上升的方向寻找聚簇点。初始确定一个中心点center，计算在设置的半径为d的圆形空间内的所有点与中心点的向量。计算圆形空间内所有向量的平均值，得到偏移均值，将中心点center移动到偏移均值位置，重复移动直到满足某个条件结束。
均线漂移运算用于基线校正，如图5所示,具体包括如下步骤：
2.1在未被分类的数据点中随机选择一个点作为中心点；
2.2找出离中心点在带宽之内的所有点，记做集合M，认为这些点属于聚簇C；
2.3计算从中心点开始到集合M中每个元素的向量，将这些向量相加，得到偏移向量；
2.4中心点沿着shift的方向移动，移动距离是偏移向量的模；
2.5重复步骤2.2-2.4，直到偏移向量的大小满足设定的阈值要求；
2.6重复步骤2.1-2.5直到所有的点都被归类；
2.7根据每个类对每个点的访问频率，取访问频率最大的那个类作为当前点集的所属类。
如图6所示，为根据基线算法、Grubbs算法和均值漂移算法得到的CPU使用率的基线数据图，其中包括上门限、下门限、校正后的基线以及CPU实际使用率曲线。
具体的，本发明实施例的基于zabbix性能基线的异常检测和告警方法，步骤S5具体包括，将对应时间点的监控值与基线值进行对比，对比差值小于安全阈值，则触发正常状态；对比差值大于安全阈值，同时监控值在基线的上限和下限范围内，则触发初级告警；对比差值大于安全阈值，同时监控值在基线的上限和下限范围外，且监控值与基线的上限和下限的差值在冗余范围内，则触发二级告警；对比差值大于安全阈值，同时监控值在基线的上限和下限范围外，且监控值与基线的上限和下限的差值在冗余范围外，则触发紧急告警。
综上所述，本发明提供的基于zabbix性能基线的异常检测和告警方法，在传统IT资源监控及传统基线算法的基础上，去除异常数据，通过均值漂移算法进行基线校正，然后配置合理的基线冗余范围，提供了更加准确的动态基线告警，使得不同业务系统、不同资源类型甚至不同业务部门有了通用的动态基线告警方法；企业在生产环境中能够更准确、快速地定位业务故障，解决企业业务运营的实际问题，具有比较贴近现实企业生产运营的价值，提高企业生产效率。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。
Claims (7)
1.一种基于zabbix性能基线的异常检测和告警方法，其特征在于，包括如下步骤：
S1：通过监控系统获取历史数据作为样本数据；
S2：去除与整体数据偏差超过预设临界值的异常数据；
S3：以监控周期为单位，获取监控周期内的数据平均值或者中间值作为基线；
S4：通过均线漂移运算对基线进行校正得到校正后的基线；
S5：将监控值与校正后的基线值进行对比，通过对比差值触发不同的告警类型。
2.如权利要求1所述的基于zabbix性能基线的异常检测和告警方法，其特征在于，所述样本数据包括性能数据以及与性能数据相对应的时间数据。
3.如权利要求1所述的基于zabbix性能基线的异常检测和告警方法，其特征在于，所述步骤S2具体包括：
S21：计算样本数据的均值和标准差；
S22：计算样本数据与均值的差值，将差值最大的数据设为可疑值；
S23：计算可疑值的标准分数，如果大于预设临界值，该可疑值即为异常数据；
S24：从样本数据中去除异常数据；
S25：重复步骤S22-S24，直到去除全部异常数据。
4.如权利要求3所述的基于zabbix性能基线的异常检测和告警方法，其特征在于，所述预设临界值由检出水平α和样本数据的数量n计算得到。
5.如权利要求1所述的基于zabbix性能基线的异常检测和告警方法，其特征在于，在步骤S3中以各监控周期内数据的最大值作为基线的上限，最小值作为基线的下限，并对基线的上限和下限设置冗余范围。
6.如权利要求5所述的基于zabbix性能基线的异常检测和告警方法，其特征在于，所述S5具体包括：将对应时间点的监控值与基线值进行对比，对比差值小于安全阈值，则触发正常状态；对比差值大于安全阈值，同时监控值在基线的上限和下限范围内，则触发初级告警；对比差值大于安全阈值，同时监控值在基线的上限和下限范围外，且监控值与基线的上限和下限的差值在冗余范围内，则触发二级告警；对比差值大于安全阈值，同时监控值在基线的上限和下限范围外，且监控值与基线的上限和下限的差值在冗余范围外，则触发紧急告警。
7.如权利要求1所述的基于zabbix性能基线的异常检测和告警方法，其特征在于，所述步骤S4具体包括：
S41：在未被归类处理的数据点中随机选择一个点作为中心点；
S42：找出离中心点在设定带宽之内的所有点，记做集合M；
S43：计算从中心点开始到集合M中每个元素的向量，将这些向量相加，得到偏移向量；
S44：中心点沿着偏移向量的方向移动，移动距离是偏移向量的模；
S45：重复步骤S42-S44直到偏移向量小于设定的偏移阈值；
S46：重复步骤S41-S45直到所有的数据点都被归类；
S47：获取每个类的所有数据点的访问频率，取访问频率最大的数据点组成校正后的基线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910293816.0A CN110287078B (zh) | 2019-04-12 | 2019-04-12 | 基于zabbix性能基线的异常检测和告警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910293816.0A CN110287078B (zh) | 2019-04-12 | 2019-04-12 | 基于zabbix性能基线的异常检测和告警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287078A true CN110287078A (zh) | 2019-09-27 |
| CN110287078B CN110287078B (zh) | 2024-01-23 |
Family
ID=68001707
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910293816.0A Active CN110287078B (zh) | 2019-04-12 | 2019-04-12 | 基于zabbix性能基线的异常检测和告警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287078B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111064635A (zh) * | 2019-12-10 | 2020-04-24 | 中盈优创资讯科技有限公司 | 一种异常流量的监视方法及系统 |
| CN112085391A (zh) * | 2020-09-11 | 2020-12-15 | 山东钢铁集团日照有限公司 | 一种基于工艺规则的带钢生产过程数据特征值提取方法 |
| CN112506754A (zh) * | 2020-12-13 | 2021-03-16 | 国网河北省电力有限公司雄安新区供电公司 | 一种系统性能监测方法及平台 |
| CN112862019A (zh) * | 2021-04-25 | 2021-05-28 | 北京必示科技有限公司 | 一种动态筛选非周期性异常方法 |
| CN113009321A (zh) * | 2021-03-04 | 2021-06-22 | 深圳市金泰克半导体有限公司 | 晶圆漏电流测试方法、装置、晶圆级测试仪及存储介质 |
| CN113819957A (zh) * | 2021-10-28 | 2021-12-21 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
| CN115081969A (zh) * | 2022-08-23 | 2022-09-20 | 中国中金财富证券有限公司 | 异常数据确定方法及相关装置 |
| CN115494404A (zh) * | 2022-07-19 | 2022-12-20 | 广州杉和信息科技有限公司 | 一种蓄电池组在线监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482531A (zh) * | 2009-01-10 | 2009-07-15 | 大连理工大学 | 一种用于可燃气体探测器的基线漂移自适应补偿探测方法 |
| CN105406991A (zh) * | 2015-10-26 | 2016-03-16 | 上海华讯网络系统有限公司 | 基于网络监控指标由历史数据生成业务阈值的方法及系统 |
| CN105991205A (zh) * | 2015-02-05 | 2016-10-05 | 于天泽 | 一种可验证可校准的全同步通信网及其实现方法 |
| CN107104848A (zh) * | 2016-02-19 | 2017-08-29 | 中国移动通信集团浙江有限公司 | 信息技术系统监控方法及装置 |
-
2019
- 2019-04-12 CN CN201910293816.0A patent/CN110287078B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482531A (zh) * | 2009-01-10 | 2009-07-15 | 大连理工大学 | 一种用于可燃气体探测器的基线漂移自适应补偿探测方法 |
| CN105991205A (zh) * | 2015-02-05 | 2016-10-05 | 于天泽 | 一种可验证可校准的全同步通信网及其实现方法 |
| CN105406991A (zh) * | 2015-10-26 | 2016-03-16 | 上海华讯网络系统有限公司 | 基于网络监控指标由历史数据生成业务阈值的方法及系统 |
| CN107104848A (zh) * | 2016-02-19 | 2017-08-29 | 中国移动通信集团浙江有限公司 | 信息技术系统监控方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111064635A (zh) * | 2019-12-10 | 2020-04-24 | 中盈优创资讯科技有限公司 | 一种异常流量的监视方法及系统 |
| CN112085391A (zh) * | 2020-09-11 | 2020-12-15 | 山东钢铁集团日照有限公司 | 一种基于工艺规则的带钢生产过程数据特征值提取方法 |
| CN112085391B (zh) * | 2020-09-11 | 2024-02-27 | 山东钢铁集团日照有限公司 | 一种基于工艺规则的带钢生产过程数据特征值提取方法 |
| CN112506754A (zh) * | 2020-12-13 | 2021-03-16 | 国网河北省电力有限公司雄安新区供电公司 | 一种系统性能监测方法及平台 |
| CN113009321A (zh) * | 2021-03-04 | 2021-06-22 | 深圳市金泰克半导体有限公司 | 晶圆漏电流测试方法、装置、晶圆级测试仪及存储介质 |
| CN113009321B (zh) * | 2021-03-04 | 2022-04-08 | 深圳市金泰克半导体有限公司 | 晶圆漏电流测试方法、装置、晶圆级测试仪及存储介质 |
| CN112862019A (zh) * | 2021-04-25 | 2021-05-28 | 北京必示科技有限公司 | 一种动态筛选非周期性异常方法 |
| CN113819957A (zh) * | 2021-10-28 | 2021-12-21 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
| CN113819957B (zh) * | 2021-10-28 | 2024-05-14 | 上海建科工程咨询有限公司 | 一种整体爬升钢平台施工安全监理辅助方法及系统 |
| CN115494404A (zh) * | 2022-07-19 | 2022-12-20 | 广州杉和信息科技有限公司 | 一种蓄电池组在线监测方法 |
| CN115494404B (zh) * | 2022-07-19 | 2023-09-22 | 广州杉和信息科技有限公司 | 一种蓄电池组在线监测方法 |
| CN115081969A (zh) * | 2022-08-23 | 2022-09-20 | 中国中金财富证券有限公司 | 异常数据确定方法及相关装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287078B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287078A (zh) | 基于zabbix性能基线的异常检测和告警方法 | |
| CN106714109B (zh) | 基于众包数据的WiFi指纹库更新方法 | |
| CN108206747B (zh) | 告警生成方法和系统 | |
| CN113556258B (zh) | 一种异常检测方法及装置 | |
| CN109641602A (zh) | 异常检测设备、异常检测方法和非临时性计算机可读介质 | |
| CN105893231A (zh) | 一种基于smart的预测硬盘亚健康指标的方法及装置 | |
| US11494690B2 (en) | Apparatus and method of high dimensional data analysis in real-time | |
| CN105117737A (zh) | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 | |
| CN113936465B (zh) | 交通事件检测方法及装置 | |
| US20150205856A1 (en) | Dynamic brownian motion with density superposition for abnormality detection | |
| CN108809734A (zh) | 网络告警根源分析方法、系统、存储介质及计算机设备 | |
| CN114862095A (zh) | 识别复杂水域船舶交通冲突热点的区域交通划分方法 | |
| CN117082453B (zh) | 车辆电子围栏告警方法、装置、设备及存储介质 | |
| CN112419681B (zh) | 目标预警方法、电子设备和介质 | |
| CN107522052B (zh) | 一种电梯异常预警系统和方法 | |
| CN115690681A (zh) | 异常判断依据的处理方法、异常判断方法及装置 | |
| Kim et al. | A study on travel time estimation of diverging traffic stream on highways based on timestamp data | |
| CN108921455B (zh) | 智能化污染源污染排放监测方法及装置 | |
| CN116934100B (zh) | 三维空间下人员聚集风险评估方法及系统 | |
| CN111784110A (zh) | 油气田管道智能巡线方法及装置 | |
| Zhang et al. | Anomaly detection of target dynamics based on clustering | |
| CN117828309B (zh) | 一种多源数据融合测距的变电站安全预警方法 | |
| CN116962206B (zh) | 安防监控设备的运维管理方法、装置、设备及存储介质 | |
| KR102250077B1 (ko) | 차량번호판 인식률을 모니터링 하는 방법, 장치 및 컴퓨터 판독가능 저장 매체 | |
| CN111698700B (zh) | 一种小区的工作状态的判定方法及装置 |
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 |