CN110609838B - 全局最优的随机事件发生时间序列与标准模板的匹配方法 - Google Patents
全局最优的随机事件发生时间序列与标准模板的匹配方法 Download PDFInfo
- Publication number
- CN110609838B CN110609838B CN201910847351.9A CN201910847351A CN110609838B CN 110609838 B CN110609838 B CN 110609838B CN 201910847351 A CN201910847351 A CN 201910847351A CN 110609838 B CN110609838 B CN 110609838B
- Authority
- CN
- China
- Prior art keywords
- event
- events
- node
- directed
- basket
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
Abstract
本发明公开了一种随机事件序列匹配方法,用于解决根据随机事件标准模板和观测到实际发生的随机事件序列进行匹配判读的问题,步骤为:(1)、将随机事件编号,根据期待的事件发生时间建立标准模板;(2)、“投筐式”记录观察到的随机事件(3)、根据所记录的观察到的随机事件构造操作有向图G,将所有观察到的事件嵌入到图中;(4)、在有向图G上面求解从开始节点到目标节点的最短路径。(5)、获得最短路径上的事件节点序列,得到观察事件序列与标准模板所定义的事件序列的最佳匹配序列。
Description
技术领域
本发明涉及一种全局最优的随机事件发生时间序列与标准模板的匹配方法,可用于解决对所发生的随机事件序列进行观察并根据标准模板进行判读的问题,属于测控与控制系统技术领域。
背景技术
工业用测量与控制系统常常会对系统运行状态的监测。而监测的主要对象则集中在系统中的动作、信号等是否是按照设计目标依照一定的时间间隔发生的。对于大规模复杂系统来说,由于系统部件间、分系统间的通信队列、缓冲设计、为应对故障而设计的一些备保措施、观察与事件发生的时间不一致等,导致系统中实际的动作、信号的发生常常是以标准模板为中心,具有一定噪声的随机事件。这就给系统监测判读带来了困难。主要表现在如下几个方面:
(1)、事件发生的时刻与观察的时刻不一致,导致观察到的事件顺序和事件发生的顺序不一致,从而让系统需要对之前的判读结果进行回溯,导致复杂性极大的增加;
(2)、由于系统运行的不确定性,某些事件可能缺失了,对观察事件发生的顺序进行判读造成干扰,从而影响缺失事件前后事件的判读正确性;
(3)、由于系统运行的不确定性,某些事件可能会异常发生多次,从而对确认哪次才是最有可能正确的事件,以及据此判断前后事件间隔的正确性造成干扰;
(4)、由于系统运行的不确定性,事件发生的顺序可能会发生交错,如A事件本应发生在B事件之前,但观察到的结果是发生了两个A事件,三个B事件,A1位于B1、B2、B3之前,A2仅发生与B3之前,那么所有A事件和B事件的发生实例中,哪种组合才是最有可能符合实际设计的组合呢?这个问题往往会带来问题解空间的迅速爆炸。
目前,大部分的系统采用贪婪法,通过顺序比较的方法获得局部最优解,从而实现对随机事件的观察结果进行判读。但这种方法无法得到全局的最优的结果,存在一定的错判率。
本发明提出的方法正是针对上述困难,在问题空间平方级别的时间复杂度量级上,实现了获得全局最优解。
发明内容
本发明的技术解决问题是:克服现有技术的不足和困难,提出一种全局最优的随机事件发生时间序列与标准模板的匹配方法,该方法将判读问题转换为求解两组随机序列的最佳匹配问题,从而实现根据标准模板,对观察到的随机事件进行自动化判读的目标。
本发明的技术解决方案是:一种全局随机事件发生时间序列与标准模板的匹配方法,包括以下步骤:
(1)将随机事件编号建立有向链表,记录观察到的随机事件并按照有向链表顺序进行排列;
(2)根据所记录的观察到的随机事件构造操作有向图G,将所有观察到的随机事件嵌入到图中,其中,构造有向图G的层次深度结构,在有向链表的前后添加一个节点作为虚拟开始节点和虚拟目标结束节点;构造有向图G的有向连接边,定义有向图G中的有向连接边的方向由前一层节点指向后一层节点;定义有向图G中有向连接边的权值为有向连接边的两端事件;
(3)在有向图G上面求解从开始节点S到目标节点D的最短路径;
(4)获得最短路径上的事件节点序列,得到观察事件序列与标准模板所定义的事件序列的最佳匹配序列。
优选地,步骤(1)的具体实现方法为:
1)将随机事件编号,根据期待的事件发生时间建立标准模板:标准模板的形式为一个有向链表,根据事件的先后顺序定义每个事件在链表中的出现次序,链表中的每一条边表示从前一事件到后一事件间的标准时间间隔;
2)“投筐式”记录观察到的随机事件:为每一个标准模板上的事件建立一个“事件筐”,并按照标准模板顺序进行排列,当观察到一个随机事件时,将其观测时间“投放”到对应的“事件筐”中。
优选地,步骤(2)的具体实现方法如下:
1)构造有向图G的层次深度结构
对应标准模板中的每一个事件对应的“事件筐”,每一个筐按照标准模板的事件顺序形成一个层次序列,在标准模板的第一个“事件筐”前,添加一个第0层“事件筐”层,在标准模板的最后一个“事件筐”后,添加一个第N+1层“事件筐”层,其中N表示标准模板中事件序列的数量;
2)构造有向图G的节点
有向图G的节点由两部分组成,包括:a)所有“事件筐”中记录的观察事件组成对应层中的节点,b)向第0层“事件筐”中添加虚拟开始结点S,作为图G的开始节点;c)在第N+1层“事件筐”层中添加一个虚拟目标节点D,作为图G的结束节点;
3)构造有向图G的有向连接边
通过构造每一个观察事件的有效前驱事件集合,并将其与有效前驱事件集合中的每个事件相连接,来构造图G的连接关系,所有连接方向为由前驱事件集合中的事件节点指向另一端的事件节点;
定义有向图G中的有向连接边的方向为所有上述建立的连接边中,由前一层节点指向后一层节点;
定义有向图G中有向连接边的权值为有向连接边的两端事件,有向边终止端的观察事件的观察时间减去有向边起始端的观察时间的观察时间,得到的量再减去标准模板中相应两事件间的时间间隔,对最后得到的值取绝对值去除符号影响。
优选地,还包括步骤4):缺失层处理,当所观察到的事件中,对应着某个标准模板中的事件未被观察到,则标准模板中的该事件对应的“事件筐”中对应的观察事件数量是零,在有向图G中,其所对应的层缺失了,对于这种情况,则直接将缺失层的后继事件层作为其前驱事件层的相邻层处理。
优选地,每一个事件由事件编号来进行区分,表示为事件标号和事件的发生时间的序对形式;每一个事件的发生时间采用近距离监测设备记录。
优选地,所述构造有向图G的有向连接边过程中添加“硬”约束,即标准模板中所定义的事件相邻关系间一定不能出现先后关系逆序的事件对,所述“硬”约束能够满足因果关系的表述。
优选地,所述步骤3)中有效前驱事件集合的构造方法如下:
若前后相邻两个“事件筐”对应的标准模板事件的先后顺序无“硬”约束,则对前后相邻两个“事件筐”中的事件,前面的“事件筐”中的所有事件均作为后续“事件筐”中所有事件的有效前驱事件集合;
若前后相邻两个“事件筐”对应的标准模板事件的先后顺序有“硬”约束,则定义方法如下:
选取标准模板“硬”约束的后一个事件M,作为当前处理焦点事件;
对于事件M对应的“事件筐”中的每一个观察事件,构造有效的前驱事件集合;对于“事件筐”中的任一事件M1来说,将所有在前驱“事件筐”中的、发生时间小于事件M1的事件,作为事件M1的有效前驱事件集合;
将S节点作为图G第一层节点的有效前驱事件集合中的唯一节点;将第N层“事件筐”中的所有事件节点作为D节点的有效前驱事件集合。
优选地,所述步骤3)中构造有向图G的有向连接边过程中,如果某个观察事件节点没有有效的前继节点,则将其与前驱“事件筐”中的节点的距离做加权惩罚后,作为软约束节点,重新加入图中,参加处理,其中加权惩罚用的权值根据具体模板中的距离来选取,且能够保证加权惩罚后的所有距离值至少比标准模板中距离大一个数量级,且加权权值一旦设定,匹配过程中不再变化。
本发明与现有技术相比,除成功解决了背景技术中的四个问题外,还具有如下优点:
(1)、相对于以贪婪法为基础的方法,本发明可以获得全局最优解,避免了局部解所带来的误差不确定性;
(2)、本发明避免了穷举法带来的时间复杂度黑洞,平均的时间复杂度为问题规模的三次方,而在问题规模较小的情况下,即所监视的事件序列规模较小的情况下,可以很快得到匹配结果;
(3)、本发明所述方法可以自动区分事件缺失,无需特别处理,从而简化了实现的成本;
(4)、本发明所述方法的过程中会自动识别和剔除观察到的噪声事件,匹配对噪声具有很好的鲁棒性。
附图说明
图1为本发明定义标准事件模板;
图2为本发明实施例的网络结构图。
具体实施方式
一种全局随机事件发生时间序列与标准模板的匹配方法,包括以下步骤:
(1)将随机事件编号建立有向链表,记录观察到的随机事件并按照有向链表顺序进行排列;
(2)根据所记录的观察到的随机事件构造操作有向图G,将所有观察到的随机事件嵌入到图中,其中,构造有向图G的层次深度结构,在有向链表的前后添加一个节点作为虚拟开始节点和虚拟目标结束节点;构造有向图G的有向连接边,定义有向图G中的有向连接边的方向由前一层节点指向后一层节点;定义有向图G中有向连接边的权值为有向连接边的两端事件;
(3)在有向图G上面求解从开始节点S到目标节点D的最短路径;
(4)获得最短路径上的事件节点序列,得到观察事件序列与标准模板所定义的事件序列的最佳匹配序列。
步骤(1)的具体实现方法为:
1)将随机事件编号,根据期待的事件发生时间建立标准模板:标准模板的形式为一个有向链表,根据事件的先后顺序定义每个事件在链表中的出现次序,链表中的每一条边表示从前一事件到后一事件间的标准时间间隔;
2)“投筐式”记录观察到的随机事件:为每一个标准模板上的事件建立一个“事件筐”,并按照标准模板顺序进行排列,当观察到一个随机事件时,将其观测时间“投放”到对应的“事件筐”中。
步骤(2)的具体实现方法如下:
1)构造有向图G的层次深度结构
对应标准模板中的每一个事件对应的“事件筐”,每一个筐按照标准模板的事件顺序形成一个层次序列,在标准模板的第一个“事件筐”前,添加一个第0层“事件筐”层,在标准模板的最后一个“事件筐”后,添加一个第N+1层“事件筐”层,其中N表示标准模板中事件序列的数量;
2)构造有向图G的节点
有向图G的节点由两部分组成,包括:a)所有“事件筐”中记录的观察事件组成对应层中的节点,b)向第0层“事件筐”中添加虚拟开始结点S,作为图G的开始节点;c)在第N+1层“事件筐”层中添加一个虚拟目标节点D,作为图G的结束节点;
3)构造有向图G的有向连接边
通过构造每一个观察事件的有效前驱事件集合,并将其与有效前驱事件集合中的每个事件相连接,来构造图G的连接关系,所有连接方向为由前驱事件集合中的事件节点指向另一端的事件节点;
定义有向图G中的有向连接边的方向为所有上述建立的连接边中,由前一层节点指向后一层节点;
定义有向图G中有向连接边的权值为有向连接边的两端事件,有向边终止端的观察事件的观察时间减去有向边起始端的观察时间的观察时间,得到的量再减去标准模板中相应两事件间的时间间隔,对最后得到的值取绝对值去除符号影响。
步骤4)中:缺失层处理,当所观察到的事件中,对应着某个标准模板中的事件未被观察到,则标准模板中的该事件对应的“事件筐”中对应的观察事件数量是零,在有向图G中,其所对应的层缺失了,对于这种情况,则直接将缺失层的后继事件层作为其前驱事件层的相邻层处理。
每一个事件由事件编号来进行区分,表示为事件标号和事件的发生时间的序对形式;每一个事件的发生时间采用近距离监测设备记录。
所述构造有向图G的有向连接边过程中添加“硬”约束,即标准模板中所定义的事件相邻关系间一定不能出现先后关系逆序的事件对,所述“硬”约束能够满足因果关系的表述。
进一步的,步骤3)中有效前驱事件集合的构造方法如下:
若前后相邻两个“事件筐”对应的标准模板事件的先后顺序无“硬”约束,则对前后相邻两个“事件筐”中的事件,前面的“事件筐”中的所有事件均作为后续“事件筐”中所有事件的有效前驱事件集合;
若前后相邻两个“事件筐”对应的标准模板事件的先后顺序有“硬”约束,则定义方法如下:
选取标准模板“硬”约束的后一个事件M,作为当前处理焦点事件;
对于事件M对应的“事件筐”中的每一个观察事件,构造有效的前驱事件集合;对于“事件筐”中的任一事件M1来说,将所有在前驱“事件筐”中的、发生时间小于事件M1的事件,作为事件M1的有效前驱事件集合;
将S节点作为图G第一层节点的有效前驱事件集合中的唯一节点;将第N层“事件筐”中的所有事件节点作为D节点的有效前驱事件集合。
进一步的,所述步骤3)中构造有向图G的有向连接边过程中,如果某个观察事件节点没有有效的前继节点,则将其与前驱“事件筐”中的节点的距离做加权惩罚后,作为软约束节点,重新加入图中,参加处理,其中加权惩罚用的权值根据具体模板中的距离来选取,且能够保证加权惩罚后的所有距离值至少比标准模板中距离大一个数量级,且加权权值一旦设定,匹配过程中不再变化。
实施例1
我们以对5种随机事件的序列观察结果的判读为例来描述我们的方法。我们定义标准事件模板如附图1所示,将其以表格描述如下:
事件A | 200ms | 事件B | 150ms | 事件C | 320ms | 事件D | 400ms | 事件E |
以此模板的状态对系统事件的观察结果进行判读。
假设观察到的结果是如下序列:
事件B1,2600ms;事件A1,2280ms;事件B2,2500ms;事件B3,2550ms;事件C1,2750ms;事件C2,2700ms;事件D1,2940ms;事件C3,2610ms;事件C4,2850ms;事件A2,3100ms;事件D2,3100ms;事件E1,3500ms;事件E2,3300ms。
构建“事件筐”的结果如下:
事件A | 事件B | 事件C | 事件D | 事件E | ||||
<A1,2280> | <B1,2600> | <C1,2750> | <D1,2940> | <E1,3500> | ||||
<A2,3100> | <B2,2500> | <C2,2700> | <D2,3100> | <E2,3300> | ||||
<B3,2550> | <C3,2610> | |||||||
<C4,2850> |
构建有向图G如附图2所示。
边的权值定义如下:
选用Dijkstra算法求解从S节点到D节点的最短路径。方法如下:
(1)循环遍历每一层,为每一层节点找到起始节点到达该层每一个节点的最短距离和最短路径;
(1.1)为新遍历到的层添加新层节点的距离容器,用来盛放该节点到起始节点的当前最短距离;
(1.2)为新遍历到的层添加新层节点的相邻节点容器,用来盛放该节点到起始节点的当前最短距离路径上的前驱节点;
(1.3)遍历当前层中的每一个节点,对每一个节点,寻找与起始节点的最短距离;
(1.3.1)对每一个节点,通过计算其与之前相邻层每个节点的边长距离与之前相邻层每个节点到起始节点的最短距离之和,挑选出计算结果中的最短值作为当前节点到起始节点的最短距离;
(1.3.2)同时将相对应的之前层节点作为当前节点在最短路径上的前驱节点;
(2)从虚拟目标节点前的最后一层的有效节点中,挑选出与起始节点的最短距离最短的节点,将该节点到起始节点的最短路径作为起始节点到目的节点的最短路径。
(3)从最短路径的最后一个节点开始,沿最短路径向前,根据路径上每个节点所记录的前驱节点,倒序整理出最短路径的节点序列。
结果为:
事件A1,事件B2,事件C3,事件D1,事件E2
因此与标准事件模板匹配的事件序列对比及误差如下:
可以据此,将其与标准模板中的间隔对比事件执行的偏差量,是全局误差最小化的,而其他的观察事件全部作为噪声。
本发明未详细描述内容为本领域技术人员公知技术。
Claims (8)
1.一种全局随机事件发生时间序列与标准模板的匹配方法,其特征在于,包括以下步骤:
(1)将随机事件编号建立有向链表,记录观察到的随机事件并按照有向链表顺序进行排列;
(2)根据所记录的观察到的随机事件构造有向图G,将所有观察到的随机事件嵌入到图中,其中,构造有向图G的层次深度结构,在有向链表的前后添加一个节点作为虚拟开始节点和虚拟目标结束节点;构造有向图G的有向连接边,定义有向图G中的有向连接边的方向由前一层节点指向后一层节点;定义有向图G中有向连接边的权值为有向连接边的两端事件,有向边终止端的观察事件的观察时间减去有向边起始端的观察时间的观察时间,得到的量再减去标准模板中相应两事件间的时间间隔,对最后得到的值取绝对值去除符号影响;
(3)在有向图G上面求解从开始节点S到目标节点D的最短路径;
(4)获得最短路径上的事件节点序列,得到观察事件序列与标准模板所定义的事件序列的最佳匹配序列。
2.根据权利要求1所述的匹配方法,其特征在于,步骤(1)的具体实现方法为:
1)将随机事件编号,根据期待的事件发生时间建立标准模板:标准模板的形式为一个有向链表,根据事件的先后顺序定义每个事件在链表中的出现次序,链表中的每一条边表示从前一事件到后一事件间的标准时间间隔;
2)“投筐式”记录观察到的随机事件:为每一个标准模板上的事件建立一个“事件筐”,并按照标准模板顺序进行排列,当观察到一个随机事件时,将其观测时间“投放”到对应的“事件筐”中。
3.根据权利要求2所述的匹配方法,其特征在于,步骤(2)的具体实现方法如下:
1)构造有向图G的层次深度结构
对应标准模板中的每一个事件对应的“事件筐”,每一个筐按照标准模板的事件顺序形成一个层次序列,在标准模板的第一个“事件筐”前,添加一个第0层“事件筐”层,在标准模板的最后一个“事件筐”后,添加一个第N+1层“事件筐”层,其中N表示标准模板中事件序列的数量;
2)构造有向图G的节点
有向图G的节点由两部分组成,包括:a)所有“事件筐”中记录的观察事件组成对应层中的节点,b)向第0层“事件筐”中添加虚拟开始结点S,作为图G的开始节点;c)在第N+1层“事件筐”层中添加一个虚拟目标节点D,作为图G的结束节点;
3)构造有向图G的有向连接边
通过构造每一个观察事件的有效前驱事件集合,并将其与有效前驱事件集合中的每个事件相连接,来构造图G的连接关系,所有连接方向为由前驱事件集合中的事件节点指向另一端的事件节点;
定义有向图G中的有向连接边的方向为所有上述建立的连接边中,由前一层节点指向后一层节点;
定义有向图G中有向连接边的权值为有向连接边的两端事件,有向边终止端的观察事件的观察时间减去有向边起始端的观察时间的观察时间,得到的量再减去标准模板中相应两事件间的时间间隔,对最后得到的值取绝对值去除符号影响。
4.根据权利要求3所述的匹配方法,其特征在于,还包括步骤4):缺失层处理,当所观察到的事件中,对应着某个标准模板中的事件未被观察到,则标准模板中的该事件对应的“事件筐”中对应的观察事件数量是零,在有向图G中,其所对应的层缺失了,对于这种情况,则直接将缺失层的后继事件层作为其前驱事件层的相邻层处理。
5.根据权利要求2至4任一所述的匹配方法,其特征在于,每一个事件由事件编号来进行区分,表示为事件标号和事件的发生时间的序对形式;每一个事件的发生时间采用近距离监测设备记录。
6.根据权利要求3或4任一所述的匹配方法,其特征在于,所述构造有向图G的有向连接边过程中添加“硬”约束,即标准模板中所定义的事件相邻关系间一定不能出现先后关系逆序的事件对,所述“硬”约束能够满足因果关系的表述。
7.根据权利要求6所述的匹配方法,其特征在于,所述步骤3)中有效前驱事件集合的构造方法如下:
若前后相邻两个“事件筐”对应的标准模板事件的先后顺序无“硬”约束,则对前后相邻两个“事件筐”中的事件,前面的“事件筐”中的所有事件均作为后续“事件筐”中所有事件的有效前驱事件集合;
若前后相邻两个“事件筐”对应的标准模板事件的先后顺序有“硬”约束,则定义方法如下:
选取标准模板“硬”约束的后一个事件M,作为当前处理焦点事件;
对于事件M对应的“事件筐”中的每一个观察事件,构造有效的前驱事件集合;对于“事件筐”中的任一事件M1来说,将所有在前驱“事件筐”中的、发生时间小于事件M1的事件,作为事件M1的有效前驱事件集合;
将S节点作为图G第一层节点的有效前驱事件集合中的唯一节点;将第N层“事件筐”中的所有事件节点作为D节点的有效前驱事件集合。
8.根据权利要求3至4任一所述的匹配方法,其特征在于,所述步骤3)中构造有向图G的有向连接边过程中,如果某个观察事件节点没有有效的前继节点,则将其与前驱“事件筐”中的节点的距离做加权惩罚后,作为软约束节点,重新加入图中,参加处理,其中加权惩罚用的权值根据具体模板中的距离来选取,且能够保证加权惩罚后的所有距离值至少比标准模板中距离大一个数量级,且加权权值一旦设定,匹配过程中不再变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847351.9A CN110609838B (zh) | 2019-09-09 | 2019-09-09 | 全局最优的随机事件发生时间序列与标准模板的匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847351.9A CN110609838B (zh) | 2019-09-09 | 2019-09-09 | 全局最优的随机事件发生时间序列与标准模板的匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609838A CN110609838A (zh) | 2019-12-24 |
CN110609838B true CN110609838B (zh) | 2022-04-29 |
Family
ID=68892422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910847351.9A Active CN110609838B (zh) | 2019-09-09 | 2019-09-09 | 全局最优的随机事件发生时间序列与标准模板的匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609838B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105988931A (zh) * | 2015-03-03 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 测试方法及装置 |
CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其系统 |
CN106909543A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种规则引擎的模式匹配方法和装置 |
CN107360133A (zh) * | 2017-06-08 | 2017-11-17 | 全球能源互联网研究院 | 一种面向电网信息物理系统的网络攻击仿真方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8751867B2 (en) * | 2011-10-12 | 2014-06-10 | Vmware, Inc. | Method and apparatus for root cause and critical pattern prediction using virtual directed graphs |
-
2019
- 2019-09-09 CN CN201910847351.9A patent/CN110609838B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105988931A (zh) * | 2015-03-03 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 测试方法及装置 |
CN106909543A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 一种规则引擎的模式匹配方法和装置 |
CN106096783A (zh) * | 2016-06-13 | 2016-11-09 | Tcl集团股份有限公司 | 一种基于Dijkstra的路径优化方法及其系统 |
CN107360133A (zh) * | 2017-06-08 | 2017-11-17 | 全球能源互联网研究院 | 一种面向电网信息物理系统的网络攻击仿真方法及系统 |
Non-Patent Citations (2)
Title |
---|
Event-based Data Scheduling for a Class of Interconnected Networked Control Systems;Mamduhi,等;《IEEE Conference on Decision and Control》;20151231;第4183-4189页 * |
非线性网络化控制系统的容错控制研究;伍伟;《中国博士学位论文全文数据库信息科技辑》;20190430;第2-53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110609838A (zh) | 2019-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110995482B (zh) | 告警分析方法、装置、计算机设备及计算机可读存储介质 | |
CN110149223B (zh) | 故障定位方法和设备 | |
CN112615888B (zh) | 一种网络攻击行为的威胁评估方法及装置 | |
WO2013074774A4 (en) | Data clustering based on variant token networks | |
Zou et al. | Energy-to-peak state estimation with intermittent measurement outliers: The single-output case | |
WO2020119711A1 (zh) | 一种根因定位方法、服务器和存储介质 | |
Manzano et al. | On the connectivity of data center networks | |
US20110004936A1 (en) | Botnet early detection using hybrid hidden markov model algorithm | |
CN112261052B (zh) | 基于流规则分析的sdn数据平面异常行为检测方法及系统 | |
CN110209551B (zh) | 一种异常设备的识别方法、装置、电子设备及存储介质 | |
CN113657715A (zh) | 一种基于核密度估计调用链的根因定位方法及系统 | |
CN112988440B (zh) | 一种系统故障预测方法、装置、电子设备及存储介质 | |
CN110768856B (zh) | 网络流测量的方法、网络测量设备以及控制面设备 | |
CN111865628A (zh) | 家宽故障影响用户的统计系统、方法、服务器和存储介质 | |
CN115118621B (zh) | 一种基于依赖关系图的微服务性能诊断方法及系统 | |
Oliva et al. | Distributed calculation of edge-disjoint spanning trees for robustifying distributed algorithms against man-in-the-middle attacks | |
CN110609838B (zh) | 全局最优的随机事件发生时间序列与标准模板的匹配方法 | |
CN110995587B (zh) | 一种路由不稳定事件源定位方法及装置 | |
CN108512675B (zh) | 一种网络诊断的方法、装置、控制节点和网络节点 | |
CN109409411B (zh) | 基于运维管理的问题定位方法、装置及存储介质 | |
CN115037561B (zh) | 一种网络安全检测方法和系统 | |
CN115396320B (zh) | 端口连接关系的确定方法、装置、设备及存储介质 | |
CN115174355B (zh) | 故障根因定位模型的生成方法,故障根因定位方法和装置 | |
JPH0535484A (ja) | 故障診断方法 | |
CN113839940B (zh) | 基于url模式树的防御方法、装置、电子设备和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |