CN110837504A - 一种工控系统异常系统事件识别方法 - Google Patents

一种工控系统异常系统事件识别方法 Download PDF

Info

Publication number
CN110837504A
CN110837504A CN201911067862.5A CN201911067862A CN110837504A CN 110837504 A CN110837504 A CN 110837504A CN 201911067862 A CN201911067862 A CN 201911067862A CN 110837504 A CN110837504 A CN 110837504A
Authority
CN
China
Prior art keywords
event
training sample
tree
events
sample library
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
Application number
CN201911067862.5A
Other languages
English (en)
Inventor
李少森
黄剑湘
孙豪
杨涛
李�浩
甘宗跃
付天乙
朱旭东
韩建伟
颜波
王飞
梁钰华
朱盛强
丁丙侯
杨光
刘超
黄大彬
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.)
Kunming Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Kunming Bureau of Extra High Voltage Power Transmission Co
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 Kunming Bureau of Extra High Voltage Power Transmission Co filed Critical Kunming Bureau of Extra High Voltage Power Transmission Co
Priority to CN201911067862.5A priority Critical patent/CN110837504A/zh
Publication of CN110837504A publication Critical patent/CN110837504A/zh
Pending legal-status Critical Current

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
    • G06F16/2246—Trees, e.g. B+trees
    • 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
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请实施例提供一种工控系统异常系统事件识别方法，包括：从系统历史运行数据中按时序捕获系统事件序列，选取系统事件序列中的一条系统事件作为目标事件；根据目标事件建立第一训练样本库；根据FP‑Growth算法的支持度计算公式分析训练样本库中各条系统事件的支持度；根据支持度的大小按降序排序组成事件不重复的样本事件列表，并根据支持度的大小对训练样本库中的系统事件进行降序排序得到第二训练样本库；根据第二训练样本库构建FP树；根据FP树和样本事件列表分析得到满足预设要求的频繁项集；根据频繁项集对系统运行时的目标事件进行异常识别，在目标事件存在异常时，通过显示装置进行显示并启动报警装置进行报警提示。

Description

一种工控系统异常系统事件识别方法
技术领域
本申请涉及工控系统监控技术领域，具体而言，涉及一种工控系统异常系统事件识别方法。
背景技术
在直流输电系统及其它大多数工控系统中，事件顺序记录功能即SER(SequenceEvent Recorder)或SOE(Sequence Of Event)功能负责在系统运行期间记录发生的系统事件。目前，SER/SOE功能依赖运维人员通过实时查看、历史查询等方式纯人工使用，以分析系统问题。但是，人工监视时容易出现漏看、错看等情况，识别的准确性较差且工作效率较低。
发明内容
本申请实施例的目的在于提供一种工控系统异常系统事件识别方法，用以实现准确及时地对异常系统事件进行识别的技术效果。
本申请实施例提供了一种工控系统异常系统事件识别方法，包括从系统历史运行数据中按时序捕获系统事件序列，选取所述系统事件序列中的一条系统事件作为目标事件；根据所述目标事件建立第一训练样本库；根据FP-Growth算法的支持度计算公式分析所述训练样本库中各条系统事件的支持度；根据所述支持度的大小按降序排序组成事件不重复的样本事件列表，并根据所述支持度的大小对所述训练样本库中的系统事件进行降序排序得到第二训练样本库；根据所述第二训练样本库构建FP树，所述FP树是FP-Growth算法中的一种紧凑数据链表；根据所述FP树和所述样本事件列表分析得到满足预设要求的频繁项集；根据所述频繁项集对系统运行时的所述目标事件进行异常识别，在所述目标事件存在异常时，通过显示装置进行显示并启动报警装置进行报警提示。
进一步地，所述根据所述FP树和所述样本事件列表分析得到满足预设要求的频繁项集的步骤包括：依次从所述样本事件列表中提取一个系统事件，从所述FP树中查找该系统事件的所有节点，以所述节点为起点向根节点方向遍历所述节点链接的所有节点组成一条路径；分析所述路径的总数，根据所述路径的总数和所述训练样本库中所述训练样本的总数计算路径支持度；根据预设的最小支持度筛选符合要求的路径，将所述样本事件列表中各个所述系统事件对应的符合要求的路径进行组合组成所述频繁项集。
进一步地，所述方法还包括：分析各个所述路径是否存在包含关系，若存在某个路径包含于另一个路径，则删除被包含的路径。
进一步地，所述根据所述目标事件建立第一训练样本库的步骤包括：以选取系统历史运行数据中出现所述目标事件时前后5-10秒内伴随发生的全部其他系统事件作为所述目标事件的1个训练样本的方式，重复选取不少于10次，得到不少于10个的所述训练样本，作为所述目标事件的训练样本库。
进一步地，所述根据所述第二训练样本库构建FP树的步骤包括：以系统事件为节点、所述系统事件出现的次数为节点计数以及所述系统事件之间的联系为节点之间的链接，从根节点出发构建FP树，将所述训练样本中的所述系统事件用单链链接起来。
进一步地，所述方法还包括：对于每一个所述训练样本，按照所述系统事件支持度从高到低的顺序，从所属根节点出发，更新所述FP树的信息。
进一步地，所述方法包括：若所述训练样本中所述系统事件对应的节点已经存在于所述FP树内，则该节点的所述节点计数加1；若所述系统事件对应的所述节点不存在于所述FP树内，则创建新的节点。
进一步地，所述根据所述频繁项集对系统运行时的所述目标事件进行异常识别，在所述目标事件存在异常时，通过显示装置进行显示并控制报警装置进行报警提示的步骤包括：若系统运行时已出现所述目标事件，则提取所述目标事件前后5-10秒内伴随发生的其他系统事件作为分析样本，将所述样本与所述频繁项集进行对比；若所述频繁项集内的任意系统事件组合的所有系统事件全部在所述分析样本中找到，则识别为正常情况；否则，识别为异常系统事件，在显示装置上进行显示并启动报警装置进行报警提示。
本申请能够实现的有益效果是：通过FP-Growth算法对训练样本库进行分析，得到各个系统事件的频繁项集，然后使用该频繁项集对系统运行时的异常系统事件进行识别，在识别出异常系统事件时及时进行显示和报警提示，解决了人工监视时漏看、错看的问题，提高了异常系统事件识别的准确性和效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种工控系统异常系统事件识别方法总体流程示意图；
图2为本申请实施例提供的一种FP树结构示意图；
图3为本申请实施例提供的一种FP树更新结构示意图I；
图4为本申请实施例提供的一种FP树更新结构示意图II；
图5为本申请实施例提供的一种异常系统事件显示界面示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参看图1，图1为本申请实施例提供的一种工控系统异常系统事件识别方法总体流程示意图。
经申请人研究发现，目前，SER/SOE功能依赖运维人员通过实时查看、历史查询等方式纯人工使用，以分析系统问题。换流站的控制系统等重要运行系统还需运维人员对SER/SOE进行全天24小时实时监视(俗称监盘)，以迅速响应运行系统发生的异常，一旦出现异常SER/SOE事件，运维人员需要立刻去现场检查、分析产生该异常事件的原因和处理方法。但是人工监视SER/SOE事件难以做到时刻保持精力集中，存在异常SER/SOE事件漏看、错看情况，导致异常事件不能及时处置，造成严重后果。所以本申请实施例提供了一种工控系统异常系统事件识别方法。具体内容如下所述。
步骤S101，从系统历史运行数据中按时序捕获系统事件序列，选取所述系统事件序列中的一条系统事件作为目标事件。
为了识别结果更符合工控系统的实际运行情况，系统事件序列可以从系统历史运行数据中按时序进行提取，然后选取其中一条系统事件作为目标事件。具体地
步骤S102，根据所述目标事件建立第一训练样本库。
在选取好目标事件以后，就可以根据该目标事件从系统历史运行数据中选取训练样本，建立该目标事件对应的训练样本库。
在一种实施方式中，可以选取系统历史运行数据中出现目标事件时前后5-10秒内伴随发生的全部其他系统事件作为所述目标事件的1个训练样本，重复上述过程不少于10次，得到不少于10个的训练样本，作为该目标事件的训练样本库。通过上述方式建立训练样本库，可以使分析结果更加准确。
需要说明的是，训练样本的选取也并不局限于5-10秒这个区间，也可以根据实际需要进行扩展。同时训练样本库中的训练样本数也可以根据实际需求进行扩充，并不局限于10个。
在建立目标事件的训练样本库时，可以参照表1的方式进行。其中可不同的字母表示目标事件的不同伴随事件，这样以简化数据量，提高运算速度。
表1目标事件的训练样本库
步骤S103，根据FP-Growth算法的支持度计算公式分析所述训练样本库中各条系统事件的支持度；根据所述支持度的大小按降序排序组成事件不重复的样本事件列表，并根据所述支持度的大小对所述训练样本库中的系统事件进行降序排序得到第二训练样本库。
在获取到目标事件对应的训练样本库以后就可以使用FP-Growth算法计算训练样本库中各条系统事件的支持度；根据支持度的大小按降序排序组成事件不重复的样本事件列表；同时根据支持度的大小对训练样本库中的系统事件进行降序排序，更好地体现出其他系统事件与目标事件的关联性。
支持度的大小可以根据下列公式(1)计算得出：
Figure BDA0002259965690000052
在建立样本事件列表时可以按照表2进行设置。
表2样本事件列表
事件编号 在样本库中出现次数 支持度
B 6 1.00
A 5 0.83
D 5 0.83
E 5 0.83
C 4 0.67
F 4 0.67
G 3 0.50
H 3 0.50
I 3 0.50
J 3 0.50
K 3 0.50
L 2 0.33
X 2 0.33
Z 2 0.33
在确定了各个伴随事件的支持度以后，就可以参照表3的内容对各个训练样本中的系统事件进行重新排序。
表3按支持度重新排序的训练样本库
Figure BDA0002259965690000061
步骤104，根据所述第二训练样本库构建FP树，所述FP树是FP-Growth算法中的一种紧凑数据链表。
在对训练样本库进行重新排序后，就可以根据该训练样本建立FP树。建立FP树时，以系统事件为节点、所述系统事件出现的次数为节点计数以及所述系统事件之间的联系为节点之间的链接，从根节点NULL出发进行构建。
请参看图2、图3、图4，图2是本申请实施例提供的一种FP树结构示意图；图3是本申请实施例提供的一种FP树更新结构示意图I；图4为本申请实施例提供的一种FP树更新结构示意图II。
FP树有唯一根节点NULL，所有数据从根节点NULL出发进行节点创建或节点计数添加。扫描训练样本库，对于每一个训练样本，按照系统事件支持度从高到低的顺序，从FP树根节点NULL出发，更新FP树的信息：例如，训练样本某系统事件(节点)如果已存在于FP树内，就将该节点计数加1，节点如果不存在FP树内就创建新节点(即为FP树创建新分支)并设置节点计数为1。训练样本的事件排序越靠前(支持度高)，在FP树内就越靠近根节点NULL，反之越远离根节点。同一个训练样本中的事件在FP树中用单链链接起来。
步骤S105，根据所述FP树和所述样本事件列表分析得到满足预设要求的频繁项集。
在建立完FP树以后，就可以依次从样本事件列表L中提取一个系统事件，从FP树中查找该事件的所有节点，并以该节点为起点向根节点方向遍历其链接的所有节点，每次遍历获得的节点(包含起点)组成一条路径，并设置路径计数，值为该路径起点节点的节点计数值。然后计算该路径的支持度。
该支持度的计算公式(2)如下：
Figure BDA0002259965690000071
为了避免关联性较小的伴随事件对结果造成干扰，可以定义最小支持度Smin(0＜Smin≤1)，若统计出的路径支持度不小于最小支持度Smin，则该路径所包含的系统事件组合与目标事件关联度满足要求，否则该路径所代表的系统事件组合与所述目标事件关联度不高，该路径予以丢弃。样本事件列表中的事件全部提取分析完毕后，所有满足要求的路径/事件组合组成频繁项集。频繁项集F内的各路径不应有包含关系，若存在一个路径包含于另一个路径时，需要删除被包含的路径以提高结果准确度。
在一种实施方式中，定义最小支持度Smin＝0.5，依次从样本事件列表L中提取一个系统事件(本例取事件Z、事件D举例)，从FP树中找到事件Z、事件D的所有路径，然后计算该路径的支持度，并根据最小支持度决定是否保留该路径，结果见表4、表5。
表4事件Z的路径及支持度
路径 路径计数 支持度 处理措施
B,A,D,E,C,F,H,I,Z 1 0.17 丢弃
B,A,D,F,H,L,X,Z 1 0.17 丢弃
表5事件D的路径及支持度
路径 路径计数 支持度 处理措施
B,A,D 4 0.67 保留
B,D 1 0.17 丢弃
以此类推，将样本事件列表中的所有事件分析完毕后，所有保留下来的路径组合组成频繁项F，见表6。
表6频繁项集
路径 路径计数 支持度
B 6 1.00
B,A 5 0.83
B,A,D 4 0.67
B,A,D,E 3 0.50
B,A,D,E,C 3 0.50
因为上述路径存存在包含关系，所以需要去除被包含的路径，最终得到的频繁项集如表7所示。
表7频繁项集(去重)
路径 路径计数 支持度
B,A,D,E,C 3 0.50
需要说明的是，最小支持度决定了训练样本库内的伴随事件与目标事件的关联程度，最小支持度越大则训练样本库内的伴随事件与目标事件关联度越高，反之越低；对于较简单的工控系统可采用较大的最小支持度，例如Smin取(0.5～1.0)，以获得更精确的系统事件关联规律；而中大型的运行系统由于系统事件较多较复杂，数据噪声明显，可采用较小的最小支持度，例如Smin取(0.2～0.5)，以获得更好的算法鲁棒性。
步骤S106，根据所述频繁项集对系统运行时的所述目标事件进行异常识别，在所述目标事件存在异常时，通过显示装置进行显示并启动报警装置进行报警提示。
请参看图5，本申请实施例提供的一种异常系统事件显示界面示意图。
在分析得到目标事件对应的频繁项集以后，就可以使用该频繁项集对系统运行时异常系统事件进行识别，当识别出异常系统事件时，就在显示器上进行显示，同时启动报警装置进行报警提示。
在一种实施方式中，若系统运行时已出现目标事件，则提取目标事件前后5-10秒内伴随发生的其他系统事件作为分析样本，将样本与频繁项集进行对比；若频繁项集内的任意系统事件组合的所有系统事件全部在分析样本中找到，则识别为正常情况；否则，识别为异常系统事件，在显示装置上进行显示并启动报警装置进行报警提示。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种工控系统异常系统事件识别方法，其特征在于，包括：
从系统历史运行数据中按时序捕获系统事件序列，选取所述系统事件序列中的一条系统事件作为目标事件；
根据所述目标事件建立第一训练样本库；
根据FP-Growth算法的支持度计算公式分析所述训练样本库中各条系统事件的支持度；根据所述支持度的大小按降序排序组成事件不重复的样本事件列表，并根据所述支持度的大小对所述训练样本库中的系统事件进行降序排序得到第二训练样本库；
根据所述第二训练样本库构建FP树，所述FP树是FP-Growth算法中的一种紧凑数据链表；
根据所述FP树和所述样本事件列表分析得到满足预设要求的频繁项集；
根据所述频繁项集对系统运行时的所述目标事件进行异常识别，在所述目标事件存在异常时，通过显示装置进行显示并启动报警装置进行报警提示。
2.根据权利要求1所述的方法，其特征在于，所述根据所述FP树和所述样本事件列表分析得到满足预设要求的频繁项集的步骤包括：
依次从所述样本事件列表中提取一个系统事件，从所述FP树中查找该系统事件的所有节点，以所述节点为起点向根节点方向遍历所述节点链接的所有节点组成一条路径；
分析所述路径的总数，根据所述路径的总数和所述训练样本库中所述训练样本的总数计算路径支持度；
根据预设的最小支持度筛选符合要求的路径，将所述样本事件列表中各个所述系统事件对应的符合要求的路径进行组合组成所述频繁项集。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
分析各个所述路径是否存在包含关系，若存在某个路径包含于另一个路径，则删除被包含的路径。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标事件建立第一训练样本库的步骤包括：
以选取系统历史运行数据中出现所述目标事件时前后5-10秒内伴随发生的全部其他系统事件作为所述目标事件的1个训练样本的方式，重复选取不少于10次，得到不少于10个的所述训练样本，作为所述目标事件的训练样本库。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第二训练样本库构建FP树的步骤包括：
以系统事件为节点、所述系统事件出现的次数为节点计数以及所述系统事件之间的联系为节点之间的链接，从根节点出发构建FP树，将所述训练样本中的所述系统事件用单链链接起来。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
对于每一个所述训练样本，按照所述系统事件支持度从高到低的顺序，从所属根节点出发，更新所述FP树的信息。
7.根据权利要求6所述的方法，其特征在于，所述方法包括：
若所述训练样本中所述系统事件对应的节点已经存在于所述FP树内，则该节点的所述节点计数加1；若所述系统事件对应的所述节点不存在于所述FP树内，则创建新的节点。
8.根据权利要求1所述的方法，其特征在于，所述根据所述频繁项集对系统运行时的所述目标事件进行异常识别，在所述目标事件存在异常时，通过显示装置进行显示并控制报警装置进行报警提示的步骤包括：
若系统运行时已出现所述目标事件，则提取所述目标事件前后5-10秒内伴随发生的其他系统事件作为分析样本，将所述样本与所述频繁项集进行对比；
若所述频繁项集内的任意系统事件组合的所有系统事件全部在所述分析样本中找到，则识别为正常情况；否则，识别为异常系统事件，在显示装置上进行显示并启动报警装置进行报警提示。
CN201911067862.5A 2019-11-04 2019-11-04 一种工控系统异常系统事件识别方法 Pending CN110837504A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911067862.5A CN110837504A (zh) 2019-11-04 2019-11-04 一种工控系统异常系统事件识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911067862.5A CN110837504A (zh) 2019-11-04 2019-11-04 一种工控系统异常系统事件识别方法

Publications (1)

Publication Number Publication Date
CN110837504A true CN110837504A (zh) 2020-02-25

Family

ID=69576099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911067862.5A Pending CN110837504A (zh) 2019-11-04 2019-11-04 一种工控系统异常系统事件识别方法

Country Status (1)

Country Link
CN (1) CN110837504A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463913A (zh) * 2020-12-02 2021-03-09 北京明略软件系统有限公司 一种异常事件发现方法及系统
CN112837148A (zh) * 2021-03-03 2021-05-25 中央财经大学 一种融合领域知识的风险逻辑关系量化分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096736A (zh) * 2016-05-27 2016-11-09 大连楼兰科技股份有限公司 基于FP‑Tree序列模式挖掘的故障诊断与估价的平台
CN108549914A (zh) * 2018-04-19 2018-09-18 中国南方电网有限责任公司超高压输电公司昆明局 基于Apriori算法的异常SER/SOE事件识别方法
CN109299313A (zh) * 2018-08-03 2019-02-01 昆明理工大学 一种基于FP-growth的歌曲推荐方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096736A (zh) * 2016-05-27 2016-11-09 大连楼兰科技股份有限公司 基于FP‑Tree序列模式挖掘的故障诊断与估价的平台
CN108549914A (zh) * 2018-04-19 2018-09-18 中国南方电网有限责任公司超高压输电公司昆明局 基于Apriori算法的异常SER/SOE事件识别方法
CN109299313A (zh) * 2018-08-03 2019-02-01 昆明理工大学 一种基于FP-growth的歌曲推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋丹茹: "网络故障告警与分析系统的研究", 《信息通信》 *
朱玉全等: "《数据挖掘技术》", 30 November 2006, 东南大学出版社 *
胡可云等: "《数据挖掘理论与应用》", 30 April 2008, 清华大学出版社，北京交通大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463913A (zh) * 2020-12-02 2021-03-09 北京明略软件系统有限公司 一种异常事件发现方法及系统
CN112837148A (zh) * 2021-03-03 2021-05-25 中央财经大学 一种融合领域知识的风险逻辑关系量化分析方法

Similar Documents

Publication Publication Date Title
WO2016029570A1 (zh) 一种面向电网调度的智能告警分析方法
US7818351B2 (en) Apparatus and method for detecting a relation between fields in a plurality of tables
CN111506478A (zh) 基于人工智能实现告警管理控制的方法
CN103208039B (zh) 软件项目风险评价方法及装置
CN112448836A (zh) 故障根因确定方法、装置、服务器和计算机可读介质
CN114385391A (zh) 一种nfv虚拟化设备运行数据分析方法及装置
CN105373894A (zh) 基于稽查数据的电力营销业务诊断模型的建立方法及系统
CN111782460A (zh) 大规模日志数据的异常检测方法、装置和存储介质
CN109753526A (zh) 一种基于时序相似度对告警信息分析查询的装置及方法
CN110837504A (zh) 一种工控系统异常系统事件识别方法
CN108595627A (zh) 一种自助式数据分析建模平台
CN106528850A (zh) 基于机器学习聚类算法的门禁数据异常检测方法
KR102312685B1 (ko) 데이터 분석 지원 시스템 및 데이터 분석 지원 방법
CN117057942B (zh) 一种智能财务决策大数据分析系统
CN117221087A (zh) 告警根因定位方法、装置及介质
CN112416732B (zh) 一种基于隐马尔可夫模型的数据采集运行异常检测方法
CN113393169B (zh) 基于大数据技术的金融行业交易系统性能指标分析方法
CN115795274A (zh) 一种基于时序数据分析的设备故障诊断方法
CN117135037A (zh) 网络流量性能异常界定方法及装置
CN111858270A (zh) 一种基于数据挖掘算法的联锁系统故障定位方法
CN116389036A (zh) 一种基于FP-Growth算法的异常网络安全事件识别方法
CN117786182B (zh) 基于erp系统的业务数据存储系统及方法
CN118364020B (zh) 一种多源异构全域能源数据采集系统及方法
US12088472B2 (en) System and method of managing events of temporal data
CN116846623B (zh) 针对车辆安全事件的关联分析方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200225