CN111209405A - 一种动态oid推送数据采集方法及装置 - Google Patents
一种动态oid推送数据采集方法及装置 Download PDFInfo
- Publication number
- CN111209405A CN111209405A CN202010319483.7A CN202010319483A CN111209405A CN 111209405 A CN111209405 A CN 111209405A CN 202010319483 A CN202010319483 A CN 202010319483A CN 111209405 A CN111209405 A CN 111209405A
- Authority
- CN
- China
- Prior art keywords
- oid
- dynamic
- data acquisition
- data
- group
- 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
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种动态OID推送数据采集方法及装置,基于SNMP OID数据采集管理系统,现有方案依靠手动配置OID信息进行数据的采集,一方面会加重用户的工作量,配置易出错;另一方面不够灵活,不能根据系统实际运行情况进行动态OID推荐,易出现对系统监控不完善,监控行为刻板的缺点。本方案根据每次请求的OID返回的数据集进行建模、消除人工干预,同时根据模型预测出相关联的OID进行OID动态推送,弥补了单纯使用手动进行配置OID的缺陷;本方案是构建智能运维分析系统必不可少的环节之一。
Description
技术领域
本发明涉及大数据领域,特别涉及一种动态OID推送数据采集方法及装置。
背景技术
按照GB/T 17969. 1(ISO/IEC 9834-1)的定义,对象是指“通信和信息处理世界中的任何事物,它是可标识(可以命名)的,同时它可被注册”。对象标识符(ObjectIdentifier,OID)是与对象相关联的用来无歧义地标识对象的全局唯一的值,可保证对象在通信威信息处理中正确地定位和管理。通俗地讲,OID就是网络通信中对象的身份证。
现有方案依靠手动配置OID信息进行数据的采集,一方面会加重用户的工作量,配置易出错;另一方面不够灵活,不能根据系统实际运行情况进行动态OID推荐,易出现对系统监控不完善,监控行为刻板的缺点。市场上现有的SNMP OID数据采集都是基于过往的知识经验进行OID静态配置后采集数据,这种方式不能识别出用户行为的偏向,无法随着时间的推移而对整个系统的易用性进行优化,无法对整个数据集内部的关系进行深入的理解,进而无法对系统及设备的运行情况进行良好的监管。
发明内容
本发明的目的在于:提供了一种动态OID推送数据采集方法及装置,解决了现有SNMP OID数据采集都是基于过往的知识经验进行OID静态配置后采集数据,这种方式不能识别出用户行为的偏向,无法随着时间的推移而对整个系统的易用性进行优化的问题。
本发明采用的技术方案如下:
第一方面,一种动态OID推送数据采集方法,基于SNMP OID数据采集管理系统,包括以下步骤:
建立OID关联数据库;
用户通过管理系统输入第一OID时,管理系统通过第一OID的数据在OID关联数据库匹配与第一OID关联的第一OID组;
管理系统将采集到的第一OID的数据返回给用户,同时将第一OID组的OID列表推送给用户。
现有方案依靠手动配置OID信息进行数据的采集,一方面会加重用户的工作量,配置易出错;另一方面不够灵活,不能根据系统实际运行情况进行动态OID推荐,易出现对系统监控不完善,监控行为刻板的缺点。本方案根据每次请求的OID返回的数据集进行建模、消除人工干预,同时根据模型预测出相关联的OID进行OID动态推送,弥补了单纯使用手动进行配置OID的缺陷;本方案是构建智能运维分析系统必不可少的环节之一。
结合第一方面进一步的第二方面,所述OID关联数据库包括OID关联模型,OID关联模型的数据包括至少一个OID和与OID一一对应的OID组,所述OID组包括对该OID的数据进行语义标记得到的至少一个标签。对每一个OID采集到的数据格式进行语义标记,例如OID1采集的数据有网卡数据、进程数据、内存信息,分别为该数据打标签为网卡、进程、内存等。
结合第二方面进一步的第三方面,所述OID关联模型的建立方法包括以下步骤:
S1、选择一个OID,确定该OID对应的标签组;
S2、遍历OID关联模型中的所有OID的标签组,筛选出与步骤S1中标签组相似度超过阈值的全部OID作为一个分类;
S3、选择下一个OID,确定该OID对应的标签组;
S4、重复步骤S2、S3直至OID关联模型中的所有OID均被选择过一次后得到OID关联模型,所述OID关联模型包括若干个分类。
结合第三方面进一步的第四方面,所述步骤S2中的相似度为标签组相似度或标签组完全相同时每个标签对应的数值的相似度。
结合第三方面进一步的第五方面,所述管理系统通过第一OID的数据在OID关联数据库匹配与第一OID关联的第一OID组的方法包括以下步骤:
对第一OID的数据进行语义标记得到第一标签组,使用OID关联模型对第一标签组进行预测得到第一标签组对应的分类,提取出该分类中的全部OID作为第一OID组。
数据库会存储打标完成的OID及其数据作为建立OID关联模型的样本,算法运行完成后会将模型存入OID关联数据库中,当用户在管理系统中输入需要采集的OID时,后台将会利用已经建立好的OID关联模型对该OID进行预测,将该OID的类型返回,并把具有相同采集数据类型的OID组进行返回,实现动态OID推送的功能。
结合第二方面进一步的第六方面,对OID的数据进行语义标记得到的至少一个标签的方法包括以下步骤:
先穷举出所有可能的标记类型,对OID采集到的数据格式进行语义标记,然后使用贝叶斯文本分类算法进行预测打标。
朴素贝叶斯常用的三个模型有:
高斯模型:处理特征是连续型变量的情况;
多项式模型:最常见,要求特征是离散数据,常用于文本分类;
伯努利模型:要求特征是离散的,且为布尔类型,即true和false,或者1和0。
我们一般采用第二种进行建模。
结合第二方面进一步的第七方面,所述OID关联数据库对第一OID及其数据进行记录,当触发OID关联模型更新时,将第一OID及其数据作为样本集加入OID关联模型中。
结合一方面进一步的第八方面,所述第一OID组的OID列表中OID的排序由该OID被访问的次数决定,访问次数越高该OID越靠前。
结合一方面进一步的第九方面,一种动态OID推送数据采集装置,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如上述的一种动态OID推送数据采集方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明一种动态OID推送数据采集方法及装置,本方案可以简化人工操作、自动推送OID关联信息、使数据得到更充分的应用,解决了现有SNMP OID数据采集不能识别出用户行为的偏向,无法随着时间的推移而对整个系统的易用性进行优化的问题;
2.本发明一种动态OID推送数据采集方法及装置,OID关联模型实时更新,达到增量建模,实时预测的目的,便于随着时间的推移而对整个系统的易用性进行优化;
3.本发明一种动态OID推送数据采集方法及装置,通过用户进行请求的OID数据采集返回的数据集,对数据集进行定时建模,随着系统使用时间的推移,不停优化数据模型,在进行新OID请求时,自动推送相关联数据集的OID,从而达到识别用户OID需求倾向的目的。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,其中:
图1是本发明的采集流程示意图;
图2是本发明的模型更新流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合图1至图2对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,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它实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
SNMP:专门设计用于在 IP 网络管理网络节点(服务器、工作站、路由器、交换机及HUBS等)的一种标准协议,它是一种应用层协议。
MIB:是一种分层组织的信息采集。这些是使用SNMP等协议访问的。有两种类型的MIB:标量和表格。标量对象定义单个对象实例,而表格对象定义在MIB表中分组的多个相关对象实例。
MIB是定义的集合,用于定义要管理的设备中托管对象的属性。
MIB示例:在打印机上监视的典型对象是不同的盒式磁带状态和打印文件的数量,在交换机上,感兴趣的典型对象是传入和传出流量以及包丢失率或数量发往广播地址的数据包。
OID:唯一标识MIB层次结构中的托管对象。这可以描述为树,其级别由不同的组织分配。顶级MIB的OID属于不同的标准组织。
数据采集:从传感器和其它待测设备等模拟和数字被测单元中自动采集非电量或者电量信号,送到上位机中进行分析,处理。数据采集系统是结合基于计算机或者其他专用测试平台的测量软硬件产品来实现灵活的、用户自定义的测量系统。
实施例1
一种动态OID推送数据采集方法,基于SNMP OID数据采集管理系统,包括以下步骤:
建立OID关联数据库;
用户通过管理系统输入第一OID时,管理系统通过第一OID的数据在OID关联数据库匹配与第一OID关联的第一OID组;
管理系统将采集到的第一OID的数据返回给用户,同时将第一OID组的OID列表推送给用户。
现有方案依靠手动配置OID信息进行数据的采集,一方面会加重用户的工作量,配置易出错;另一方面不够灵活,不能根据系统实际运行情况进行动态OID推荐,易出现对系统监控不完善,监控行为刻板的缺点。本方案根据每次请求的OID返回的数据集进行建模、消除人工干预,同时根据模型预测出相关联的OID进行OID动态推送,弥补了单纯使用手动进行配置OID的缺陷;本方案是构建智能运维分析系统必不可少的环节之一。
实施例2
本实施例在实施例1的基础上,所述OID关联数据库包括OID关联模型,OID关联模型的数据包括至少一个OID和与OID一一对应的OID组,所述OID组包括对该OID的数据进行语义标记得到的至少一个标签。对每一个OID采集到的数据格式进行语义标记,例如OID1采集的数据有网卡数据、进程数据、内存信息,分别为该数据打标签为网卡、进程、内存等。
实施例3
本实施例在实施例2的基础上,所述OID关联模型的建立方法包括以下步骤:
S1、选择一个OID,确定该OID对应的标签组;
S2、遍历OID关联模型中的所有OID的标签组,筛选出与步骤S1中标签组相似度超过阈值的全部OID作为一个分类;
S3、选择下一个OID,确定该OID对应的标签组;
S4、重复步骤S2、S3直至OID关联模型中的所有OID均被选择过一次后得到OID关联模型,所述OID关联模型包括若干个分类。
实施例4
本实施例在实施例3的基础上,所述步骤S2中的相似度为标签组相似度或标签组完全相同时每个标签对应的数值的相似度。
如OID关联模型中包括OID1、OID2、OID3和OID4,其中OID1对应的标签包括CPU(50%)、网卡(30%)、进程(100)、内存(3000MB);OID2对应的标签包括进程(98)、内存(3500MB);OID3对应的标签包括CPU(52%)、网卡(29%)、进程(105)、内存(3000MB);OID4对应的标签包括CPU(60%)、网卡(40%)、进程(120)、内存(5000MB)。当相似度为标签组相似度大于90%时,分类结果为OID1、OID3和OID4为一类,OID2为另一类;当相似度标准为标签组完全相同时每个标签对应的数值的相似度大于90%,则分类结果为OID1、OID3为一类,OID4为一类,OID2为另一类。
实施例5
本实施例在实施例3的基础上,所述管理系统通过第一OID的数据在OID关联数据库匹配与第一OID关联的第一OID组的方法包括以下步骤:
对第一OID的数据进行语义标记得到第一标签组,使用OID关联模型对第一标签组进行预测得到第一标签组对应的分类,提取出该分类中的全部OID作为第一OID组。
数据库会存储打标完成的OID及其数据作为建立OID关联模型的样本,算法运行完成后会将模型存入OID关联数据库中,当用户在管理系统中输入需要采集的OID时,后台将会利用已经建立好的OID关联模型对该OID进行预测,将该OID的类型返回,并把具有相同采集数据类型的OID组进行返回,实现动态OID推送的功能。
实施例6
本实施例在实施例2的基础上,对OID的数据进行语义标记得到的至少一个标签的方法包括以下步骤:
先穷举出所有可能的标记类型,对OID采集到的数据格式进行语义标记,然后使用贝叶斯文本分类算法进行预测打标。
朴素贝叶斯常用的三个模型有:
高斯模型:处理特征是连续型变量的情况;
多项式模型:最常见,要求特征是离散数据,常用于文本分类;
伯努利模型:要求特征是离散的,且为布尔类型,即true和false,或者1和0。
我们一般采用第二种进行建模。
实施例7
本实施例在实施例2的基础上,所述OID关联数据库对第一OID及其数据进行记录,当触发OID关联模型更新时,将第一OID及其数据作为样本集加入OID关联模型中。
如图2所示,有以下几类数据会被持久化存入数据库中用于模型的持续优化:用户请求的OID,OID返回的数据集,该OID关联的OID列表。
设置模型优化的定时任务,例如为10天,在第11天的凌晨会启动任务,将之前的样本池进行本地拷贝,在拷贝中加入新的样本集,样本集可根据时间进行选择。启动任务,重新运行模型,该任务另起一个线程进行运行不会影响原有系统的OID关联功能的运行。新模型生成后可配置启用新模型的时间进而使用新模型进行OID推送。
首先,系统对传入的OID利用已有的模型进行模型预测,并得出分类结果,使用分类结果在数据库中搜索与该分类相同的OID组的信息并将OID组的列表信息推送至用户。另外一个线程随时监控OID信息,并将已分类的OID存入OID库中,加入入库时间作为区分标志。定时建模线程定时对OID库进行建模,并将模型进行保存。设置启用新模型,则下次进行OID请求时会自动使用新模型进行数据的预测,达到增量建模,实时预测的目的。
实施例8
本实施例在实施例1的基础上,所述第一OID组的OID列表中OID的排序由该OID被访问的次数决定,访问次数越高该OID越靠前。
实施例9
一种动态OID推送数据采集装置,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如上述的一种动态OID推送数据采集方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。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。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种动态OID推送数据采集方法,基于SNMP OID数据采集管理系统,其特征在于:包括以下步骤:
建立OID关联数据库;
用户通过管理系统输入第一OID时,管理系统通过第一OID的数据在OID关联数据库匹配与第一OID关联的第一OID组;
管理系统将采集到的第一OID的数据返回给用户,同时将第一OID组的OID列表推送给用户。
2.根据权利要求1所述的一种动态OID推送数据采集方法,其特征在于:所述OID关联数据库包括OID关联模型,OID关联模型的数据包括至少一个OID和与OID一一对应的OID组,所述OID组包括对该OID的数据进行语义标记得到的至少一个标签。
3.根据权利要求2所述的一种动态OID推送数据采集方法,其特征在于:所述OID关联模型的建立方法包括以下步骤:
S1、选择一个OID,确定该OID对应的标签组;
S2、遍历OID关联模型中的所有OID的标签组,筛选出与步骤S1中标签组相似度超过阈值的全部OID作为一个分类;
S3、选择下一个OID,确定该OID对应的标签组;
S4、重复步骤S2、S3直至OID关联模型中的所有OID均被选择过一次后得到OID关联模型,所述OID关联模型包括若干个分类。
4.根据权利要求3所述的一种动态OID推送数据采集方法,其特征在于:所述步骤S2中的相似度为标签组相似度或标签组完全相同时每个标签对应的数值的相似度。
5.根据权利要求3所述的一种动态OID推送数据采集方法,其特征在于:所述管理系统通过第一OID的数据在OID关联数据库匹配与第一OID关联的第一OID组的方法包括以下步骤:
对第一OID的数据进行语义标记得到第一标签组,使用OID关联模型对第一标签组进行预测得到第一标签组对应的分类,提取出该分类中的全部OID作为第一OID组。
6.根据权利要求2所述的一种动态OID推送数据采集方法,其特征在于:对OID的数据进行语义标记得到的至少一个标签的方法包括以下步骤:
先穷举出所有可能的标记类型,对OID采集到的数据格式进行语义标记,然后使用贝叶斯文本分类算法进行预测打标。
7.根据权利要求2所述的一种动态OID推送数据采集方法,其特征在于:所述OID关联数据库对第一OID及其数据进行记录,当触发OID关联模型更新时,将第一OID及其数据作为样本集加入OID关联模型中。
8.根据权利要求1所述的一种动态OID推送数据采集方法,其特征在于:所述第一OID组的OID列表中OID的排序由该OID被访问的次数决定,访问次数越高该OID越靠前。
9.一种动态OID推送数据采集装置,其特征在于:包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令,实现如权利要求1所述的一种动态OID推送数据采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319483.7A CN111209405A (zh) | 2020-04-22 | 2020-04-22 | 一种动态oid推送数据采集方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319483.7A CN111209405A (zh) | 2020-04-22 | 2020-04-22 | 一种动态oid推送数据采集方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111209405A true CN111209405A (zh) | 2020-05-29 |
Family
ID=70787804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319483.7A Pending CN111209405A (zh) | 2020-04-22 | 2020-04-22 | 一种动态oid推送数据采集方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209405A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101335756A (zh) * | 2007-06-29 | 2008-12-31 | 凹凸电子(武汉)有限公司 | 计算机实现的snmp访问方法及系统 |
CN101369918A (zh) * | 2008-09-25 | 2009-02-18 | 浙江工业大学 | 网络管理浏览器 |
CN102647294A (zh) * | 2012-03-31 | 2012-08-22 | 航天恒星科技有限公司 | 一种远端串口监控系统 |
CN110569164A (zh) * | 2019-08-07 | 2019-12-13 | 东软集团股份有限公司 | 一种设备监控方法、装置及设备 |
CN110830274A (zh) * | 2018-08-08 | 2020-02-21 | 中兴通讯股份有限公司 | 一种通信设备仿真方法和装置 |
-
2020
- 2020-04-22 CN CN202010319483.7A patent/CN111209405A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101335756A (zh) * | 2007-06-29 | 2008-12-31 | 凹凸电子(武汉)有限公司 | 计算机实现的snmp访问方法及系统 |
CN101369918A (zh) * | 2008-09-25 | 2009-02-18 | 浙江工业大学 | 网络管理浏览器 |
CN102647294A (zh) * | 2012-03-31 | 2012-08-22 | 航天恒星科技有限公司 | 一种远端串口监控系统 |
CN110830274A (zh) * | 2018-08-08 | 2020-02-21 | 中兴通讯股份有限公司 | 一种通信设备仿真方法和装置 |
CN110569164A (zh) * | 2019-08-07 | 2019-12-13 | 东软集团股份有限公司 | 一种设备监控方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
孙延: "SNMP系统的独立性设计与研究", 《信息安全与通信保密》 * |
潘峰楠: "基于SNMP协议校园网络管理系统设计与实现", 《网络安全技术与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Syslog processing for switch failure diagnosis and prediction in datacenter networks | |
CN100456687C (zh) | 网络故障实时相关性分析方法及系统 | |
Nguyen et al. | Dynamic network embeddings: From random walks to temporal random walks | |
US8930964B2 (en) | Automatic event correlation in computing environments | |
US6792456B1 (en) | Systems and methods for authoring and executing operational policies that use event rates | |
Yang et al. | A time efficient approach for detecting errors in big sensor data on cloud | |
US20140222745A1 (en) | Dynamic Model-Based Analysis of Data Centers | |
CN107294764A (zh) | 智能监管方法和智能监管系统 | |
CN100397395C (zh) | 用于自动数据存储管理的系统和方法 | |
US9306806B1 (en) | Intelligent resource repository based on network ontology and virtualization | |
CN110855473A (zh) | 一种监控方法、装置、服务器及存储介质 | |
US11886276B2 (en) | Automatically correlating phenomena detected in machine generated data to a tracked information technology change | |
KR101761781B1 (ko) | It 통합 관리 프레임워크를 위한 오픈소스 데이터베이스를 적용한 빅데이터 처리 방법 및 장치 | |
JP5933463B2 (ja) | ログ生起異常検知装置及び方法 | |
CN106407075B (zh) | 一种用于大数据平台的管理方法及系统 | |
CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
Zhang et al. | Efficient and robust syslog parsing for network devices in datacenter networks | |
US9922116B2 (en) | Managing big data for services | |
CN115225536A (zh) | 一种基于无监督学习的虚拟机异常检测方法及系统 | |
US20220247638A1 (en) | Automated generation of standard network device configurations | |
JP2006025434A (ja) | 大容量障害相関システム及び方法 | |
Mercian et al. | Mind the semantic gap: Policy intent inference from network metadata | |
CN111209405A (zh) | 一种动态oid推送数据采集方法及装置 | |
Li et al. | An integrated data-driven framework for computing system management | |
Mijumbi et al. | MAYOR: machine learning and analytics for automated operations and recovery |
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: 20200529 |