CN110688244B - 一种交互功能检测方法、装置及电子设备 - Google Patents

一种交互功能检测方法、装置及电子设备 Download PDF

Info

Publication number
CN110688244B
CN110688244B CN201910931680.1A CN201910931680A CN110688244B CN 110688244 B CN110688244 B CN 110688244B CN 201910931680 A CN201910931680 A CN 201910931680A CN 110688244 B CN110688244 B CN 110688244B
Authority
CN
China
Prior art keywords
target
sub
time period
true value
prediction result
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
CN201910931680.1A
Other languages
English (en)
Other versions
CN110688244A (zh
Inventor
高峰
郑祺星
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.)
Beijing Kingsoft Internet Security Software Co Ltd
Original Assignee
Beijing Kingsoft Internet Security Software 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 Beijing Kingsoft Internet Security Software Co Ltd filed Critical Beijing Kingsoft Internet Security Software Co Ltd
Priority to CN201910931680.1A priority Critical patent/CN110688244B/zh
Publication of CN110688244A publication Critical patent/CN110688244A/zh
Application granted granted Critical
Publication of CN110688244B publication Critical patent/CN110688244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • 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
    • G06F11/3041—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is an input/output interface
    • 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
    • G06F11/3409—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 for performance assessment
    • 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
    • G06F11/3485—Performance evaluation by tracing or monitoring for I/O devices

Abstract

本发明实施例提供了一种交互功能检测方法、装置及电子设备。其中，所述方法包括：根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常。可以通过匹配预测结果与真实值，确定目标设备在目标时间段内的交互次数是否符合规律，进而实现对目标设备的交互功能的检测。不需要安排相关人员进行现场检测，因此人工成本较低。

Description

一种交互功能检测方法、装置及电子设备
技术领域
本发明涉及机器人技术领域，特别是涉及一种交互功能检测方法、装置及电子设备。
背景技术
一些设备具有与相关人员进行交互的功能，下文称交互功能，例如一些设置于商场的机器人，具有主动招揽顾客的功能，又例如一些机器人可以在接收到语音后唤醒，并执行相应的流程。这些设备的交互功能可能受到一些因素的影响出现异常，导致这些设备无法正常与相关人员进行交互。
相关技术中，可以是安排工作人员到设备所安装的现场进行现场检测，以确定设备的交互功能是否异常。但是该方案的人工成本较高。
发明内容
本发明实施例的目的在于提供一种交互功能检测方法，以实现降低检测设备交互功能的人工成本。具体技术方案如下：
在本发明的第一方面，提供了一种交互功能检测方法，所述方法包括：
根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；
确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；
如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常。
在一种可能的实施例中，所述目标时间段包括多个子时间段；
所述确定所述预测结果与真实值是否匹配，包括：
针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配；
统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量；
如果所述不匹配时段数量大于预设数量阈值，则确定所述预测结果与所述真实值不匹配；
如果所述不匹配时段数量不大于所述预设数量阈值，则确定所述预测结果与所述真实值匹配。
在一种可能的实施例中，所述目标设备具备多种交互功能；
所述统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量，包括：
针对所述多种交互功能中的每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量；
累加所有交互功能的所述不匹配时段子数量，得到不匹配时段数量。
在一种可能的实施例中，所述针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配，包括：
针对所述多个子时间段中的每个子时间段，确定真实值是否大于所述预测结果中置信区间在该子时间段内的下界；
如果所述真实值大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内匹配；
如果所述真实值不大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内不匹配。
在一种可能的实施例中，所述统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量，包括：
统计所述预测结果与所述真实值不匹配，并且所述预测结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量，所述置信区间为预测得到置信度高于预设置信度阈值的所述目标设备在所述目标时间段内的交互次数的取值范围。
在一种可能的实施例中，所述多个设备中所有设备的激活时间早于所述历史时间段的起始时间。
在一种可能的实施例中，存在多个目标设备，所述方法还包括：
如果在所述目标时间段内异常的目标设备的数目小于预设临界阈值，针对所有在目标时间段内异常的目标设备进行报警；
如果在所述目标时间段内异常的目标设备的数目不小于所述临界阈值，从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，并针对所选取的所有目标设备进行报警。
在一种可能的实施例中，所述从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，包括：
从所有在目标时间段内异常的目标设备中，按照预测结果与真实值的不匹配程度由高到低的顺序，选取临界阈值个目标设备。
在本发明的第二方面，提供了一种交互功能检测装置，所述装置包括：
数据预测模块，用于根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；
数据匹配模块，用于确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；
异常检测模块，用于如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常。
在一种可能的实施例中，所述目标时间段包括多个子时间段；
所述数据匹配模块，具体用于针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配；
统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量；
如果所述不匹配时段数量大于预设数量阈值，则确定所述预测结果与所述真实值不匹配；
如果所述不匹配时段数量不大于所述预设数量阈值，则确定所述预测结果与所述真实值匹配。
在一种可能的实施例中，所述目标设备具备多种交互功能；
所述数据匹配模块，具体用于针对所述多种交互功能中的每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量；
累加所有交互功能的所述不匹配时段子数量，得到不匹配时段数量。
在一种可能的实施例中，所述数据匹配模块，具体用于针对所述多个子时间段中的每个子时间段，确定真实值是否大于所述预测结果中置信区间在该子时间段内的下界；
如果所述真实值大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内匹配；
如果所述真实值不大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内不匹配。
在一种可能的实施例中，所述数据匹配模块，具体用于统计所述预测结果与所述真实值不匹配，并且所述预测结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量，所述置信区间为预测得到置信度高于预设置信度阈值的所述目标设备在所述目标时间段内的交互次数的取值范围。
在一种可能的实施例中，所述多个设备中所有设备的激活时间早于所述历史时间段的起始时间。
在一种可能的实施例中，存在多个目标设备，所述装置还包括报警模块，用于如果在所述目标时间段内异常的目标设备的数目小于预设临界阈值，针对所有在目标时间段内异常的目标设备进行报警；
如果在所述目标时间段内异常的目标设备的数目不小于所述临界阈值，从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，并针对所选取的所有目标设备进行报警。
在一种可能的实施例中，所述报警模块，具体用于从所有在目标时间段内异常的目标设备中，按照预测结果与真实值的不匹配程度由高到低的顺序，选取临界阈值个目标设备。
在本发明的第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
在本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
本发明实施例提供的交互功能检测方法、装置及电子设备，可以通过匹配预测结果与真实值，确定目标设备在目标时间段内的交互次数是否符合规律，进而实现对目标设备的交互功能的检测。不需要安排相关人员进行现场检测，因此人工成本较低。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的交互功能检测方法的一种流程示意图；
图2为本发明实施例提供的预测结果与真实值的匹配方法的一种流程示意图；
图3为本发明实施例提供的机器人交互功能检测方法的一种原理示意图；
图4为本发明实施例提供的交互功能检测装置的一种结构示意图；
图5为本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1所示为本发明实施例提供的交互功能检测方法的一种流程示意图，可以包括：
S101，根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果。
一个设备的交互次数可以是通过读取该设备的交互功能产生的数据确定得到的。目标设备可以是用户希望进行检测的一个或多个具有交互功能的设备。并且目标设备可以只具有一种交互功能，也可以具有多种交互功能。当目标设备只具有一种交互功能时，交互次数可以是指通过该一种交互功能产生的交互次数，当目标设备具有多种交互功能时，交互次数可以是指通过该多种交互功能产生的交互次数之和，也可以是指通过该多种交互功能各自产生的交互次数。因此，当目标设备具有多种交互功能时，预测结果可以是针对该目标设备的所有交互功能在目标时间段内的总交互次数预测得到的一个预测结果，也可以是针对该目标设备的各个交互功能在目标时间段内各自的交互次数预测得到的多个预测结果。
多个设备中可以只包括目标设备，也可以包括目标设备以及目标设备以外的其他设备，多个设备中还可以不包括目标设备。历史时间段为历史上的某一个时间段，并且历史时间段与目标时间段在时域上不重叠。例如，假设目标时间段为2019年8月21日0:00-24：00，则历史时间段可以是2019年7月24日0：00-2019年8月20日24:00。
历史时间段的时长可以根据实际需求进行设置。可以理解的是，由于一些客观因素的影响，设备的交互次数在时域上的分布理论上存在一定的规律性。例如，以设备放置于商场，并且该商场8点开始营业，23点结束营业为例，则早上8点开始，由于顾客逐渐进入商场，因此单位时间内的交互次数随时间逐渐上升，13点至19点由于商场中顾客的数量趋于稳定，因此单位时间内的交互次数趋于稳定，即可能只会在较小的范围内波动，19点后由于顾客陆续离开商场，因此单位时间内的交互次数逐渐下降。在0点至8点以及23点至24点，由于商场未营业，商场中没有顾客，因此交互次数几乎为零。该规律仅是设备的交互次数的一种可能的规律，在其他可能的应用场景中，设备的交互次数的规律可以不同，本实施例对此不做限制。
在一些可能实施例中，为了使得历史时间段内的交互次数能够更好的反映出交互次数在时域上分布的规律，可以使得多个设备中所有设备的激活时间早于历史时间段的起始时间，进而使得每个设备在历史时间段内拥有完整的交互次数的记录，可以更好地反映交互次数在时域上分布的规律。
S102，确定预测结果与真实值是否匹配。
其中，真实值为目标设备在目标时间段内实际的交互次数。预测结果的表示形式根据应用场景的不同可以不同，示例性的，预测结果可以是以预测值的形式表示的，预测结果也可以是以预测值的置信区间的形式表示的。根据预测结果的表示形式的不同，预测结果与真实值的匹配方式可以不同。
预测结果与真实值的匹配过程将在后续的实施例中详细描述，在此不再赘述。
S103，如果预测结果与真实值不匹配，确定目标设备的交互功能在目标时间段内异常。
如前述分析，目标设备在目标时间段内的交互次数理论上应当符合规律，该规律可以从多个设备在历史时间段内的交互次数中学习得到，预测结果可以视为基于该规律推测得到的目标设备在目标时间段内理论上的交互次数。如果预测结果与真实值不匹配，则可以认为目标设备在目标时间段内的交互次数不符合规律，因此可以认为目标设备的交互功能在目标时间段内异常。
例如，根据学习到的规律，可以推测目标设备在目标时间段内理论上的交互次数为300次，而真实值为20次，则可以认为目标设备的交互功能在目标时间段内存在异常，导致相关人员无法与目标设备进行交互，因此交互次数过少。
选用该实施例，可以通过匹配预测结果与真实值，确定目标设备在目标时间段内的交互次数是否符合规律，进而实现对目标设备的交互功能的检测。不需要安排相关人员进行现场检测，因此人工成本较低。
下面将对预测结果与真实值的匹配方式进行描述，为描述方便，假设预测结果是以预测值和预测值的置信区间的形式表示的。置信区间用于表示真实值处于预测值一定范围内的可信程度，示例性的，假设预测值为110，置信水平为95％的置信区间为[100，120]，则表示真实值有95％的可能性处于区间[100，120]。可以理解的是，置信区间可以选取置信水平为95％的置信区间，也可以根据实际需求选取其他置信水平的置信区间，本实施例对此不做限制。
在一种可能的实施例中，可以是确定真实值是否落在预测值的置信区间内，如果真实值落在预测值的置信区间内，则确定真实值与预测结果匹配。如果真实值不落在预测值的置信区间内，则确定真实值与预测结果不匹配。可以理解的是，真实值可能受到一些外界因素的影响而存在一定的随机涨落，因此可能与预测值存在一定差异，但是该差异理论上应当在一定范围以内。而如果真实值没有落在预测值的置信区间内，则可以认为真实值与预测值差异过大，该差异并非正常的随机涨落所能造成，因此可以认为此时真实值与预测值不匹配。
在另一种可能的实施例中，可以是确定真实值是否小于置信区间的下界，如果真实值不小于置信区间的下界，则确定真实值与预测结果匹配。如果真实值小于置信区间的下界，则确定真实值与预测结果不匹配。可以理解的是，如果设备的交互功能出现异常，则理论上相关人员无法与设备进行交互，因此交互次数会较低，因此当真实值小于置信区间的下界时，可以确定真实值与预测结果不匹配。而如果真实值大于预测值的上界，虽然可以认为此时的真实值并非由于正常的随机涨落导致过大，但是真实值过大可以理解为设备频繁与相关人员进行交互，此时可以认为设备的交互次数不存在异常，因此可以认为此时真实值与预测结果匹配。关于真实值落在预测值的置信区间内的情况，可以参见前述相关描述，认为此时真实值与预测结果匹配。
在又一种可能的实施例中，目标时间段可以包括多个子时间段，不同子时间段的时长可以相同，也可以不同。示例性的，假设目标时间段为1天，则可以包括24个时长为1小时的子时间段，也可以是包括10个时长为2小时的子时间段以及4个时长为1小时的子时间段。则预测结果与真实值的匹配流程可以参见图2，图2所示为本发明实施例提供的预测结果与真实值的匹配方法的一种流程示意图，可以包括：
S201，针对多个子时间段中的每个子时间段，确定预测结果与真实值在该子时间段内是否匹配。
预测结果可以用于表示预测得到的目标设备在目标时间段内理论上的交互次数，而任一子时间段属于目标时间段，因此预测结果可以用于表示目标设备在任一子时间段内理论上的交互次数。同理，真实值为目标设备在目标时间段内实际的交互次数，其中可以包括目标设备在各个子时间段内的实际的交互次数。预测结果与真实值在一个子时间段内匹配，是指预测结果所表示的目标设备在该一个子时间段内理论的交互次数，与真实值所反映的目标设备在该一个子时间段内实际的交互次数相匹配。
示例性的，以预测结果是以预测值和置信区间的形式表示为例，预测结果与真实值在一个子时间段内匹配，可以是指真实值在该子时间段内处于预测结果中的置信区间内，也可以是指真实值在该子时间段内不小于预测结果中置信区间的下界。关于置信区间可以参见前述相关描述，在此不再赘述。
S202，统计预测结果与真实值不匹配的子时间段的数量，得到不匹配时段数量。
示例性的，假设目标时间段一共包括24个子时间段，在其中3个子时间段内预测结果与真实值不匹配，则不匹配时段数量可以为3。
在一种可能的实施例中，如前述分析，当目标设备具有多种交互功能时，预测结果可以包括多个，其中每个预测结果针对一种交互功能。在该应用场景中，可以是针对每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量。累加所有交互功能的不匹配时段子数量，得到不匹配时段数量。示例性的，假设目标设备具有3个交互功能，分别记为交互功能A、交互功能B以及交互功能C。目标时间段一共包括24个子时间段，对于交互功能A，对应的预测结果与对应的预测值在3个子时间段内不匹配，对于交互功能B，对应的预测结果与对应的预测值在5个子时间段内不匹配，对于交互功能C，对应的预测结果与对应的预测值在2个子时间段内不匹配，则不匹配时段数量为10。
可以理解的是，由于不同交互功能间可能共用部分基础模块，因此相较于在一个子时间段内，只有一个交互功能对应的预测结果与对应的真实值不匹配，如果在一个子时间段内，多个交互功能对应的预测结果与对应的真实值不匹配，则目标设备的交互功能异常的可能性更高，因此在该实施例中，如果在一个子时间段内，多个交互功能对应的预测结果与对应的真实值不匹配，在统计不匹配时段数量时可以对该子时间段重复计数。
在其他可能的实施例中，如果在一个子时间段内，多个交互功能对应的预测结果与对应的真实值不匹配，在统计不匹配时段数量时也可以不重复计数。例如，假设对于交互功能A，对应的预测结果与对应的真实值在子时间段1、2、3不匹配，对于交互功能B，对应的预测结果与对应的真实值在子时间段2、3、4不匹配，对于交互功能C，对应的预测结果与对应的真实值在子时间段3、4、5不匹配，则在一种可能实施例中，不匹配时段数量可以为5(如果重复计数则为9)。
在另一种可能的实施例中，以预测结果是以预测值和置信区间的形式表示，并且是当真实值大于预测结果中置信区间在一子时间段内的下界时，确定预测结果与真实值在该子时间段内匹配，当真实值不大于预测结果中置信区间在一子时间段内的下界时，确定预测结果与真实值在该子时间段内不匹配。则可以是统计预测结果与真实值不匹配，并且与结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量。示例性的，假设目标时间段包括24个子时间段，并且预测结果和真实值在其中5个子时间段内不匹配，该预测结果中置信区间在这5个子时间段内下界分别为100、200、180、20、90，假设预设下限阈值为30，则可以得到不匹配时段数量为4。
可以理解的是，如果预测结果中置信区间在一子时间段内的下界过小，则可以认为即使目标设备的交互功能正常，真实值在该子时间段内仍然可能较小。而真实值存在一定的随机涨落，真实值越小则该随机涨落可能对真实值的影响越大，因此如果预测结果中置信区间在一子时间段内的下界过小，则该子时间段内的真实值可能受到随机涨落的影响较大，此时该真实值的准确性较低，可以在统计不匹配时段数量时，不考虑该子时间段，以提高检测结果的准确性。
S203，确定不匹配时段数量是否大于预设数量阈值，如果不匹配时段数量大于预设数量阈值，执行S204，如果不匹配时段数量不大于预设数量阈值，执行S205。
S204，确定预测结果与真实值在目标时间段不匹配。
可以理解的是，如果不匹配时段数量大于预设数量阈值，则可以认为预测结与真实值在目标时间段的较多子时间段内不匹配，因此可以认为预测结果与真实值在目标时间段不匹配。
S205，确定预测结果与真实值在目标时间段匹配。
可以理解的是，如果不匹配时段数量小于预设数量阈值，则可以认为预测结与真实值只在目标时间段的较少(甚至没有)子时间段内不匹配，因此可以认为预测结果与真实值在目标时间段匹配。
选用该实施例，可以通过在多个子时间段分别匹配预测结果与真实值，将预测结果与真实值的匹配细化，进而提高了匹配的准确性。示例性的，假设真实值在目标时间段中较多的子时间段内小于预测结果中置信区间的下界，但是在其他的子时间段内远远大于预测结果中置信区间的下界。则如果按照总数或均值，对预测结果和真实值进行匹配，则真实值的均值或总数，可能大于预测结果中置信区间的下界，因此确认预测结果与真实值匹配，该匹配结果明显是错误的，而该实施例可以降低该错误的出现概率。
在一种可能的实施例中，在确认目标设备的交互功能异常后，可以进行告警，以通知相关人员进行处理。如果目标设备为一个设备，则可以是针对这一个设备进行报警。如果目标设备为多个设备，并且这多个设备中在目标时间段异常的设备的数目不大于预设临界阈值，则针对所有异常的设备进行报警。如果目标设备为多个设备，并且这多个设备中在目标时间段异常的设备的数目大于预设临界阈值，则从异常的设备中选取临界阈值个设备，并针对选取的设备进行报警。
示例性的，假设一共有30个目标设备，预设临界阈值为20，则如果经过检测，30个目标设备中有11个设备在目标时间段异常，则针对这11个异常的设备进行报警。如果经过检测，30个目标设备中有23个设备在目标时间段异常，则从这23个异常的设备中选取20个设备，针对选取的20个设备进行报警。对于未被选取的3个设备，可以在经过预设报警周期(如一天)后，再针对未被选取的3个设备进行报警。
可以理解的是，相关人员受限制于人力，单位时间内能够处理的异常设备有限，例如，假设目标设备的运维人员一天最多能够处理20个异常设备，则如果在一天内针对多于20个设备进行报警，则运维人员无法处理完成所有报警所针对的异常设备。在这种情况下，可以视为浪费了资源进行报警。而选用该实施例，可以在异常设备超出相关人员处理能力的情况下，对部分异常设备不进行报警，可以在不影响异常设备处理的情况下，降低资源的浪费。
关于从多个异常设备中选取临界阈值数目个设备，进行针对性的报警时，选取设备的逻辑，根据应用场景的不同可以不同。示例性的，在一种可能的实施例中，可以是按照预测结果与真实值不匹配程度由高到低的顺序，选取临界阈值个目标设备。不匹配程度用于表示预测结果与真实值之间的差异，预测结果与真实值差异越大，则不匹配程度越高。示例性，在一种可能的实施例中，可以是按照不匹配时段数量由多到少的顺序，选取临界阈值个目标设备。关于不匹配时段数量可以参见前述相关描述，在此不再赘述，可以理解的是，不匹配时段数量越多，可以认为预测结果和真实值在越多的子时间段上不匹配，即不匹配程度越高。
选用该实施例，可以优先针对不匹配程度高的目标设备进行报警，而不匹配程度越高的设备交互功能出现的异常可能越严重，因此越需要相关人员及时解决。
下面将结合具体的实施例，对本发明实施例提供的交互功能检测方法进行说明，可以参见图3，图3所示为本发明实施例提供的机器人交互功能检测方法的一种原理示意图，可以包括：
S301，从数据库中导出2019-7-24至2019-8-21间所有α型号的机器人关于交互功能A、交互功能B以及交互功能C相关的时间序列数据并进行处理。
其中，2019-7-24至2019-8-21相当于前述历史时间段，所有α型号的机器人相当于前述多个设备。
S302，筛选出激活时间早于2019-7-24的机器人对应的数据。
S303，分别针对交互功能A、交互功能B以及交互功能C，根据筛选出的机器人对应的数据，构建训练集。
示例性的，针对交互功能A，可以是根据筛选出的机器人对应的数据中关于交互功能A的数据，统计筛选出的各个机器人在2019-7-24至2019-8-21间，每天各个时段内的交互次数，得到交互功能A对应的训练集。
S304，采用时序异常检测模型进行训练和建模，得到预测模型。
训练和建模的过程可以参见相关技术中机器学习的过程，原理是相同的，区别在于应用场景与训练集中所包含的数据不同，因此本实施例对该过程不再赘述。
S305，基于预测模型，对多个目标机器人在2019-8-21这一天内24个小时中每个小时内的交互次数进行预测，得到每个小时的预测值和置信区间，作为预测结果。
其中，2019-8-21这一天相当于前述目标时间段，这一天内24个小时中每个小时相当于前述子时间段。该步骤是分别针对交互功能A、交互功能B以及交互功能
S306，针对交互功能A，统计真实值小于置信区间下界，并且置信区间下界大于30的小时数，针对交互功能B，统计真实值小于置信区间下界，并且置信区间下界大于15的小时数，针对交互功能C，统计真实值小于置信区间下界，并且置信区间下界大于20的小时数。
可以理解的是，由于不同交互功能对应不同的预测结果，因此不同交互功能对应不同置信区间。
S307，对分别针对三种交互功能统计得到的小时数进行求和，得到不匹配时段数量。
S308，确定多个目标机器人中不匹配时段数量大于12的目标机器人异常，并进行报警。
并且不针对超过20个目标机器人进行报警，示例性的，假设多个目标机器人中有23个不匹配时段数量大于12的目标机器人，则只针对其中20个目标机器人进行报警，关于如何选取这20个机器人可以参见前述相关描述，在此不再赘述。
参见图4，图4所示为本发明实施例提供的交互功能检测装置的一种结构示意图，可以包括：
数据预测模块401，用于根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；
数据匹配模块402，用于确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；
异常检测模块403，用于如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常。
在一种可能的实施例中，所述目标时间段包括多个子时间段；
所述数据匹配模块402，具体用于针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配；
统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量；
如果所述不匹配时段数量大于预设数量阈值，则确定所述预测结果与所述真实值不匹配；
如果所述不匹配时段数量不大于所述预设数量阈值，则确定所述预测结果与所述真实值匹配。
在一种可能的实施例中，所述目标设备具备多种交互功能；
所述数据匹配模块402，具体用于针对所述多种交互功能中的每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量；
累加所有交互功能的所述不匹配时段子数量，得到不匹配时段数量。
在一种可能的实施例中，所述数据匹配模块402，具体用于针对所述多个子时间段中的每个子时间段，确定真实值是否大于所述预测结果中置信区间在该子时间段内的下界；
如果所述真实值大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内匹配；
如果所述真实值不大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内不匹配。
在一种可能的实施例中，所述数据匹配模块402，具体用于统计所述预测结果与所述真实值不匹配，并且所述预测结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量，所述置信区间为预测得到置信度高于预设置信度阈值的所述目标设备在所述目标时间段内的交互次数的取值范围。
在一种可能的实施例中，所述多个设备中所有设备的激活时间早于所述历史时间段的起始时间。
在一种可能的实施例中，存在多个目标设备，所述装置还包括报警模块，用于如果在所述目标时间段内异常的目标设备的数目小于预设临界阈值，针对所有在目标时间段内异常的目标设备进行报警；
如果在所述目标时间段内异常的目标设备的数目不小于所述临界阈值，从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，并针对所选取的所有目标设备进行报警。
在一种可能的实施例中，所述报警模块，具体用于从所有在目标时间段内异常的目标设备中，按照预测结果与真实值的不匹配程度由高到低的顺序，选取临界阈值个目标设备。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；
确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；
如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常。
在一种可能的实施例中，所述目标时间段包括多个子时间段；
所述确定所述预测结果与真实值是否匹配，包括：
针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配；
统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量；
如果所述不匹配时段数量大于预设数量阈值，则确定所述预测结果与所述真实值不匹配；
如果所述不匹配时段数量不大于所述预设数量阈值，则确定所述预测结果与所述真实值匹配。
在一种可能的实施例中，所述目标设备具备多种交互功能；
所述统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量，包括：
针对所述多种交互功能中的每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量；
累加所有交互功能的所述不匹配时段子数量，得到不匹配时段数量。
在一种可能的实施例中，所述针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配，包括：
针对所述多个子时间段中的每个子时间段，确定真实值是否大于所述预测结果中置信区间在该子时间段内的下界；
如果所述真实值大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内匹配；
如果所述真实值不大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内不匹配。
在一种可能的实施例中，所述统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量，包括：
统计所述预测结果与所述真实值不匹配，并且所述预测结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量，所述置信区间为预测得到置信度高于预设置信度阈值的所述目标设备在所述目标时间段内的交互次数的取值范围。
在一种可能的实施例中，所述多个设备中所有设备的激活时间早于所述历史时间段的起始时间。
在一种可能的实施例中，存在多个目标设备，所述方法还包括：
如果在所述目标时间段内异常的目标设备的数目小于预设临界阈值，针对所有在目标时间段内异常的目标设备进行报警；
如果在所述目标时间段内异常的目标设备的数目不小于所述临界阈值，从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，并针对所选取的所有目标设备进行报警。
在一种可能的实施例中，所述从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，包括：
从所有在目标时间段内异常的目标设备中，按照预测结果与真实值的不匹配程度由高到低的顺序，选取临界阈值个目标设备。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一交互功能检测方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一交互功能检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、方法、物品或者设备不仅包括那些要素，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、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (16)

1.一种交互功能检测方法，其特征在于，所述方法包括：
根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；所述多个设备不包括目标设备；
确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；
如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常；
存在多个目标设备，所述方法还包括：
如果在所述目标时间段内异常的目标设备的数目小于预设临界阈值，针对所有在目标时间段内异常的目标设备进行报警；
如果在所述目标时间段内异常的目标设备的数目不小于所述临界阈值，从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，并针对所选取的所有目标设备进行报警。
2.根据权利要求1所述的方法，其特征在于，所述目标时间段包括多个子时间段；
所述确定所述预测结果与真实值是否匹配，包括：
针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配；
统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量；
如果所述不匹配时段数量大于预设数量阈值，则确定所述预测结果与所述真实值不匹配；
如果所述不匹配时段数量不大于所述预设数量阈值，则确定所述预测结果与所述真实值匹配。
3.根据权利要求2所述的方法，其特征在于，所述目标设备具备多种交互功能；
所述统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量，包括：
针对所述多种交互功能中的每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量；
累加所有交互功能的所述不匹配时段子数量，得到不匹配时段数量。
4.根据权利要求2所述的方法，其特征在于，所述针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配，包括：
针对所述多个子时间段中的每个子时间段，确定真实值是否大于所述预测结果中置信区间在该子时间段内的下界；
如果所述真实值大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内匹配；
如果所述真实值不大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内不匹配。
5.根据权利要求4所述的方法，其特征在于，所述统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量，包括：
统计所述预测结果与所述真实值不匹配，并且所述预测结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量，所述置信区间为预测得到置信度高于预设置信度阈值的所述目标设备在所述目标时间段内的交互次数的取值范围。
6.根据权利要求1所述的方法，其特征在于，所述多个设备中所有设备的激活时间早于所述历史时间段的起始时间。
7.根据权利要求1所述的方法，其特征在于，所述从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，包括：
从所有在目标时间段内异常的目标设备中，按照预测结果与真实值的不匹配程度由高到低的顺序，选取临界阈值个目标设备。
8.一种交互功能检测装置，其特征在于，所述装置包括：
数据预测模块，用于根据多个设备在历史时间段内的交互次数，预测目标设备在目标时间段内的交互次数，得到预测结果；所述多个设备不包括目标设备；
数据匹配模块，用于确定所述预测结果与真实值是否匹配，所述真实值为所述目标设备在所述目标时间段内实际的交互次数；
异常检测模块，用于如果所述预测结果与所述真实值不匹配，确定所述目标设备的交互功能在所述目标时间段内异常；
存在多个目标设备，所述装置还包括报警模块，用于如果在所述目标时间段内异常的目标设备的数目小于预设临界阈值，针对所有在目标时间段内异常的目标设备进行报警；
如果在所述目标时间段内异常的目标设备的数目不小于所述临界阈值，从所有在目标时间段内异常的目标设备中选取所述临界阈值个目标设备，并针对所选取的所有目标设备进行报警。
9.根据权利要求8所述的装置，其特征在于，所述目标时间段包括多个子时间段；
所述数据匹配模块，具体用于针对所述多个子时间段中的每个子时间段，确定所述预测结果与真实值在该子时间段内是否匹配；
统计所述预测结果与所述真实值不匹配的子时间段的数量，得到不匹配时段数量；
如果所述不匹配时段数量大于预设数量阈值，则确定所述预测结果与所述真实值不匹配；
如果所述不匹配时段数量不大于所述预设数量阈值，则确定所述预测结果与所述真实值匹配。
10.根据权利要求9所述的装置，其特征在于，所述目标设备具备多种交互功能；
所述数据匹配模块，具体用于针对所述多种交互功能中的每种交互功能，统计该交互功能对应的预测结果与该交互功能对应的真实值不匹配的子时间段的数量，得到该交互功能对应的不匹配时段子数量；
累加所有交互功能的所述不匹配时段子数量，得到不匹配时段数量。
11.根据权利要求9所述的装置，其特征在于，所述数据匹配模块，具体用于针对所述多个子时间段中的每个子时间段，确定真实值是否大于所述预测结果中置信区间在该子时间段内的下界；
如果所述真实值大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内匹配；
如果所述真实值不大于所述预测结果中置信区间在该子时间段内的下界，确定所述预测结果与所述真实值在该子时间段内不匹配。
12.根据权利要求11所述的装置，其特征在于，所述数据匹配模块，具体用于统计所述预测结果与所述真实值不匹配，并且所述预测结果中置信区间下界大于预设下限阈值的子时间段的数量，得到不匹配时段数量，所述置信区间为预测得到置信度高于预设置信度阈值的所述目标设备在所述目标时间段内的交互次数的取值范围。
13.根据权利要求8所述的装置，其特征在于，所述多个设备中所有设备的激活时间早于所述历史时间段的起始时间。
14.根据权利要求8所述的装置，其特征在于，所述报警模块，具体用于从所有在目标时间段内异常的目标设备中，按照预测结果与真实值的不匹配程度由高到低的顺序，选取临界阈值个目标设备。
15.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
16.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN201910931680.1A 2019-09-29 2019-09-29 一种交互功能检测方法、装置及电子设备 Active CN110688244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910931680.1A CN110688244B (zh) 2019-09-29 2019-09-29 一种交互功能检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931680.1A CN110688244B (zh) 2019-09-29 2019-09-29 一种交互功能检测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110688244A CN110688244A (zh) 2020-01-14
CN110688244B true CN110688244B (zh) 2023-05-26

Family

ID=69111000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931680.1A Active CN110688244B (zh) 2019-09-29 2019-09-29 一种交互功能检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110688244B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN108920336A (zh) * 2018-05-25 2018-11-30 麒麟合盛网络技术股份有限公司 一种基于时间序列的服务异常提醒方法及装置
CN110086649A (zh) * 2019-03-19 2019-08-02 深圳壹账通智能科技有限公司 异常流量的检测方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126391A (zh) * 2016-06-28 2016-11-16 北京百度网讯科技有限公司 系统监控方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108089962A (zh) * 2017-11-13 2018-05-29 北京奇艺世纪科技有限公司 一种异常检测方法、装置及电子设备
CN108920336A (zh) * 2018-05-25 2018-11-30 麒麟合盛网络技术股份有限公司 一种基于时间序列的服务异常提醒方法及装置
CN110086649A (zh) * 2019-03-19 2019-08-02 深圳壹账通智能科技有限公司 异常流量的检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN110688244A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN111143102B (zh) 异常数据检测方法、装置、存储介质及电子设备
CN107871190B (zh) 一种业务指标监控方法及装置
CN110460460B (zh) 业务链路故障定位方法、装置及设备
US9846601B2 (en) Method and apparatuses for determining a leak of resource and predicting usage of resource
CN113986693A (zh) 告警响应级别确定方法、装置、电子设备及存储介质
CN107491252A (zh) 阅读时长的统计方法及电子设备
CN115879748A (zh) 一种基于大数据的企业信息化管理集成平台
CN110688244B (zh) 一种交互功能检测方法、装置及电子设备
CN111835536A (zh) 一种流量预测方法和装置
CN113918438A (zh) 服务器异常的检测方法、装置、服务器及存储介质
CN104486353A (zh) 一种基于流量的安全事件检测方法及装置
CN110188793A (zh) 数据异常分析方法及装置
CN111985163B (zh) 一种铷钟寿命预测方法及装置
CN115277220A (zh) 一种工控网络流量安全分类方法、系统及可读存储设备
CN111582343B (zh) 一种设备故障预测的方法及装置
CN114091357A (zh) 交通流预测方法、装置、电子设备及存储介质
CN103942403A (zh) 一种对海量变量进行筛选的方法及设备
CN112650687B (zh) 引擎调度动作执行优先级的测试方法、装置、设备及介质
CN112988521B (zh) 一种告警方法、装置、设备及存储介质
CN116661954B (zh) 虚拟机异常预测方法、装置、通信设备及存储介质
CN114978863B (zh) 一种数据处理方法、装置、计算机设备及可读存储介质
CN117557086B (zh) 涉密载体监管方法、装置、设备及可读存储介质
CN117555710A (zh) 一种内存泄露的检测方法及装置
CN116662310A (zh) 数据异常的处理方法、存储介质及电子设备
CN115766507A (zh) 业务异常检测方法及装置

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