CN111327480B - 移动边缘环境下的Web服务多元QoS监控方法 - Google Patents
移动边缘环境下的Web服务多元QoS监控方法 Download PDFInfo
- Publication number
- CN111327480B CN111327480B CN202010135678.6A CN202010135678A CN111327480B CN 111327480 B CN111327480 B CN 111327480B CN 202010135678 A CN202010135678 A CN 202010135678A CN 111327480 B CN111327480 B CN 111327480B
- Authority
- CN
- China
- Prior art keywords
- sample
- attribute
- qos
- edge server
- value
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
-
- 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
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Environmental & Geological Engineering (AREA)
- Complex Calculations (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种移动边缘环境下的Web服务多元QoS监控方法。该方法通过收集边缘服务器的位置信息及边缘服务器中存储的Web服务的多元QoS属性数据,对其进行数据预处理后基于贝叶斯分类器实现边缘环境下的多元QoS监控。在进行数据预处理时,去掉具有缺失数据的样本后,基于粗糙集理论量化各属性权值,计算样本的综合属性值,从而得到边缘服务器对应的样本数据流。训练阶段通过学习部分样本,为每个边缘服务器计算先验概率,构造贝叶斯分类器。在监控过程中,考虑用户的移动性调用对应的分类器,从而对属性权值进行更新,最终实现对服务的QoS进行全面有效的监控。
Description
技术领域
本发明涉及一种Web服务多元QoS监控方法,尤其涉及移动边缘环境下的Web服务多元QoS监控方法,属于互联网技术领域。
背景技术
数据的爆炸式增长以及人们日益增长的需求使得云计算逐渐暴露出不足之处,例如数据的传输能耗高,数据处理的及时性不够、数据的隐私得不到保证等等。移动边缘计算在这种背景下应运而生,其分散部署的多个节点可以处理和存储靠近数据源的数据,这样就分担了云计算的大部分计算和传输压力,从而解决上述问题。毫无疑问,将Web服务迁入边缘服务器中将会给人们带来更好的体验,比如更快的响应时间,更大的吞吐量,更优的可靠性,这些web服务的非功能属性被称为是服务质量(QoS)。对服务提供商来说,及时对失效的服务进行更新和替换才能保证服务的正常运行。服务使用者则关心如何在众多功能相似的服务中选择高质量的服务。
服务监控是达到上述目的的一种途径。现有的监控方法主要采用概率质量属性来描述QoS的模糊需求。例如:服务的响应时间在1s内的概率为90%。基于这种概率属性标准,Chan等首次提出使用PCTL定义非功能属性的概率标准,然而这种方法产生的误差较大。随后研究人员基于假设检验的思想提出了一些QoS监控方法,首先提出某种假设,例如:满足概率标准或者不满足,再根据已有的条件判断假设是否成立。近年来,随着机器学习的发展,贝叶斯思想被提出用于QoS监控中,该思想的特点是可以通过训练历史经验数据来推断当前事件发生的概率,从而得出结论。为了考虑环境因素的影响和解决样本的时效性问题,Zhang等提出了wBSRM和IgS-wBSRM。然而这些方法都只考虑了单个的QoS属性。很多情况下,用户可能不仅仅对一个QoS属性提出要求,例如:当响应时间满足用户需求,而吞吐量不满足时,服务的有效性仍然是未知的。为了全面监控服务的多个QoS属性,Zhang等提出了M-BSRM,该方法利用信息融合结合用户偏好将多个属性值融合加权得到综合值,进而基于贝叶斯理论进行训练和监控。但现有方法面对移动边缘环境下时效性短、变化快的数据,由于用户的移动性可能造成监控结果偏差,且监控过程中没有考虑到属性的重要程度对监控结果的影响。
发明内容
发明目的:本发明的目的在于考虑移动边缘环境下数据时效性短、变化快的特性和多元QoS监控过程中各属性的重要性,提供一种移动边缘环境下的Web服务多元QoS监控方法。
技术方案:为实现上述发明目的,本发明所采用的技术方案是:
一种移动边缘环境下的Web服务多元QoS监控方法,包括如下步骤:
(1)收集边缘服务器的位置信息和边缘服务器的样本数据;
(2)对边缘服务器的样本数据进行预处理;
(3)定义QoS概率属性标准,基于粗糙集理论计算属性的权值,得到样本的综合属性值为每个边缘服务器构造贝叶斯分类器;
(4)获取动态数据流,计算综合值,根据用户位置调用贝叶斯分类器,实现边缘环境下的多元QoS监控。
作为优选,所述步骤(1)中收集数据主要包括两个方面:收集包含经度、纬度的边缘服务器位置信息;采用用户调用的边缘服务器中的Web服务的多个QoS属性值作为原始数据集。
作为优选,所述步骤(2)包括如下步骤:
(21)对于每个边缘服务器中的样本X={x1,x2,x3,...xn},其中xi={ai1,ai2,...aid},n表示样本的个数,xi表示第i个样本,d表示样本的属性个数,aij表示第i个样本的第j个属性值;
(22)去除包含属性为-1的样本;
(23)对于每个边缘服务器中的样本流,找到每个QoS属性的最大值和最小值;
(24)对具有正属性约束和负属性约束的样本分别进行归一化,将所有数据映射到[0,1]。
作为优选,所述步骤(3)包括如下步骤:
(31)根据QoS标准定义QoS属性标准的两类C={c0,c1},满足属性标准为c0类,不满足则为c1类;
(32)假设样本服从正态分布,在每个样本点用概率密度积分对QoS概率标准进行检验,样本的最大似然估计值作为P(cj)的估计值,j=0或1;
(33)计算先验概率分布函数P(X|cj),具体公式如下:
(34)根据公式:
(35)对于第i个样本,计算去掉第h个属性之前的样本综合值根据步骤(32-34)计算该样本综合值对应的后验概率比值afterproi;计算去掉第h个属性之后的样本综合值根据步骤(32-34)计算该样本综合值对应的后验概率比值afterproih;
(39)由上述步骤得到每个边缘服务器的属性权值,从而得到每个边缘服务器的综合属性值,为每个边缘服务器构造最终的贝叶斯分类器
作为优选,所述步骤(4)包括如下步骤:
(41)用户通过边缘服务器si调用服务,获取si的属性权值,计算样本在该边缘服务器下的样本综合值,调用该边缘服务器下的贝叶斯分类器得到后验概率比值r;
(42)用户移动到新的边缘服务器si中,且sj中存在历史数据构造的分类器,获取sj的属性权值,计算样本在该边缘服务器下的样本综合值,调用sj的分类器得到后验概率比值r;
(43)用户移动到一个没有历史数据的边缘服务器sl中,结合KNN算法,选取周边k个最近的边缘服务器,得到该样本在这k个边缘服务器下的k个样本综合值,分别调用它们的分类器得到k个后验概率比值,根据位置进行加权作为此边缘服务器的后验概率比值r;
(44)根据后验概率比值得到监控结果:若r>1则判断样本满足QoS属性,为c0类;若r<1则判断样本不满足QoS属性,为c1类;若r=1则认为无法判断。
有益效果:本发明提供的移动边缘环境下的Web服务多元QoS监控方法,首先收集边缘服务器的位置信息和边缘服务器对应的多元QoS属性数据,基于粗糙集理论量化每个边缘服务器对应的各属性权值,计算先验信息构造贝叶斯分类器,读取动态样本数据流,实现移动边缘环境下的Web服务多元QoS监控。与现有技术相比,本发明提供的移动边缘环境下的Web服务多元QoS监控方法,解决了由于用户的移动性带来的监控结果偏差问题,同时考虑了移动边缘环境下属性重要程度问题,有效提高了移动边缘环境下Web服务多元QoS监控的效率和准确性。
附图说明
图1为本发明实施例的总体流程图;
图2为本发明实施例的详细流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
如图1所示,本发明实施例公开的一种移动边缘环境下的Web服务多元QoS监控方法,主要包括5个步骤:
步骤1:收集边缘服务器的位置信息和边缘服务器的样本数据;
步骤2:对边缘服务器的样本数据进行预处理;
步骤3:定义QoS概率属性标准,基于粗糙集理论计算属性的权值,得到样本的综合属性值为每个边缘服务器构造贝叶斯分类器;
步骤4:获取动态数据流,计算综合值,根据用户位置调用贝叶斯分类器,实现边缘环境下的多元QoS监控。
上述步骤1中收集数据主要包括两个方面:(1)收集边缘服务器的位置信息,用来确定移动边缘环境下边缘服务器的分布,当用户调用的边缘服务器没有历史数据时,选择周边边缘服务器进行监控,以提高监控效率。(2)采用用户调用的Web服务的多个属性,例如响应时间、吞吐量、可靠性和可用性作为数据集。并进行下述步骤的处理。QoS属性数据是得到满足边缘环境特性的数据集的来源。下面结合一具体应用例说明本发明实施例的详细实施步骤。
如图2所示,移动边缘环境下的Web服务多元QoS监控方法,具体步骤如下:
步骤101:收集包含经度、纬度的边缘服务器的位置信息,确定边缘服务器的分布;
步骤102:收集边缘服务器下对应的用户调用服务的多个QoS属性值,主要是响应时间、吞吐量、可靠性和可用性这样的具有代表性的属性;
步骤103:记服务器集合S={s1,s2,s3,...sN},N为边缘服务器个数,在监控时,可将用户调用同一服务器中的服务的属性值作为历史数据集;
步骤104:对于每个边缘服务器中的样本X={x1,x2,x3,...xn},其中xi={ai1,ai2,…aid}。n表示样本的个数,xi表示第i个样本,d表示样本的属性个数,aij表示第i个样本的第j个属性值;
步骤105:去除包含属性为-1的样本。例如原始数据集中吞吐量属性值为-1的样本。属性值为-1表示该用户未调用该服务,为了保证服务的高调用率,以及达到在边缘端监控速度快和准确性高的特性,去除用户未调用的服务集后,得到边缘服务器对应的样本数据流,提高监控效率,减小误差;
步骤107:对具有正属性约束的样本,也就是值越大越好的属性,例如吞吐量,用如下公式进行归一化:
对具有负属性约束的样本,也就是值越小越好的属性,例如响应时间,用如下公式进行归一化:
归一化后将所有数据映射到[0,1],rij表示样本xi的第j个属性值,xi={ri1,ri2,…rid};
步骤108:根据QoS标准(例如:QoS标准为服务综合质量大于0.5的概率大于80%),定义QoS属性标准的两类C={c0,c1},满足属性标准为c0类,不满足则为c1类;
步骤109:对于每个边缘服务器中的样本X={x1,x2,x3,...xn},是一组多元QoS属性值,通过计算综合值得到一组样本数据流,假设样本服从正态分布,每加入一个样本都对QoS概率标准进行检验,即是否满足此时的概率属性要求。在正态分布假设下,概率标准检验可由概率密度积分实现,公式如下:
QoS_Value为QoS属性综合值阈值,u为样本X的综合值均值,σ2为样本X的综合值方差,若P大于概率标准,当前样本属于c0类,反之当前样本属于c1类;
步骤111:计算先验概率分布函数P(X|cj),具体公式如下:
步骤112:根据公式:
步骤113:对于第i个样本,计算去掉第h个属性之前的样本综合值根据步骤(109-112)计算该样本综合值对应的后验概率比值afterproi;计算去掉第h个属性之后的样本综合值根据步骤(109-112)计算该样本综合值对应的后验概率比值afterproih;
步骤117:对于每个边缘服务器的样本数据流,将样本数据分为两个部分,早期部分数据用于训练,后面的数据用来监控;
步骤119:用户通过边缘服务器si调用服务,获取si的属性权值,计算样本在该边缘服务器下的样本综合值,调用该边缘服务器下的贝叶斯分类器得到后验概率比值r;
步骤120:用户移动到新的边缘服务器sj中,且sj中存在历史数据构造的分类器,获取sj的属性权值,计算样本在该边缘服务器下的样本综合值,调用sj的分类器得到后验概率比值r;
步骤121:用户移动到一个没有历史数据的边缘服务器sl中,结合KNN算法,选取周边k个最近的边缘服务器,得到该样本在这k个边缘服务器下的k个样本综合值,分别调用它们的分类器得到k个后验概率比值,根据位置距离进行加权作为此边缘服务器的后验概率比值r;
步骤122:根据后验概率比值得到监控结果:若r>1则判断样本满足QoS属性,为c0类;若r<1则判断样本不满足QoS属性,为c1类;若r=1则认为无法判断。
Claims (3)
1.一种移动边缘环境下的Web服务多元QoS监控方法,其特征在于,包括如下步骤:
(1)收集边缘服务器的位置信息,收集边缘服务器下对应的用户调用服务的多个QoS属性值作为边缘服务器的样本数据;
(2)对边缘服务器的样本数据进行预处理;
(3)定义QoS概率属性标准,基于粗糙集理论计算属性的权值,得到样本的综合属性值为每个边缘服务器构造贝叶斯分类器;具体包括:
(31)根据QoS标准定义QoS属性标准的两类C={c0,c1},满足属性标准为c0类,不满足则为c1类;
(32)假设样本服从正态分布,在每个样本点用概率密度积分对QoS概率标准进行检验,样本的最大似然估计值作为P(cj)的估计值,j=0或1;
(33)计算先验概率分布函数P(X|cj),具体公式如下:
(34)根据公式:
(35)对于第i个样本,计算去掉第h个属性之前的样本综合值根据步骤(32-34)计算该样本综合值对应的后验概率比值afterproi;计算去掉第h个属性之后的样本综合值根据步骤(32-34)计算该样本综合值对应的后验概率比值afterproih,d为样本的属性个数,rik为第i个样本归一化后的第k个属性值;
(4)获取动态数据流,计算综合值,根据用户位置调用贝叶斯分类器,实现边缘环境下的多元QoS监控;具体包括:
(41)用户通过边缘服务器si调用服务,获取si的属性权值,计算样本在该边缘服务器下的样本综合值,调用该边缘服务器下的贝叶斯分类器得到后验概率比值r;
(42)用户移动到新的边缘服务器sj中,且sj中存在历史数据构造的分类器,获取sj的属性权值,计算样本在该边缘服务器下的样本综合值,调用sj的分类器得到后验概率比值r;
(43)用户移动到一个没有历史数据的边缘服务器sl中,选取周边k个最近的边缘服务器,得到该样本在这k个边缘服务器下的k个样本综合值,分别调用它们的分类器得到k个后验概率比值,根据位置进行加权作为此边缘服务器的后验概率比值r;
(44)根据后验概率比值得到监控结果:若r>1则判断样本满足QoS属性,为c0类;若r<1则判断样本不满足QoS属性,为c1类;若r=1则认为无法判断。
2.根据权利要求1所述的移动边缘环境下的Web服务多元QoS监控方法,其特征在于,所述步骤(1)中收集数据主要包括两个方面:收集包含经度、纬度的边缘服务器位置信息;采用用户调用的边缘服务器中的Web服务的多个QoS属性值作为原始数据集。
3.根据权利要求1所述的移动边缘环境下的Web服务多元QoS监控方法,其特征在于,所述步骤(2)包括如下步骤:
(21)对于每个边缘服务器中的样本X={x1,x2,x3,...xn},其中xi={ai1,ai2,...aid},n表示样本的个数,xi表示第i个样本,d表示样本的属性个数,aij表示第i个样本的第j个属性值;
(22)去除包含属性为-1的样本;
(23)对于每个边缘服务器中的样本流,找到每个QoS属性的最大值和最小值;
(24)对具有正属性约束和负属性约束的样本分别进行归一化,将所有数据映射到[0,1]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135678.6A CN111327480B (zh) | 2020-03-02 | 2020-03-02 | 移动边缘环境下的Web服务多元QoS监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135678.6A CN111327480B (zh) | 2020-03-02 | 2020-03-02 | 移动边缘环境下的Web服务多元QoS监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111327480A CN111327480A (zh) | 2020-06-23 |
CN111327480B true CN111327480B (zh) | 2021-04-27 |
Family
ID=71168115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135678.6A Active CN111327480B (zh) | 2020-03-02 | 2020-03-02 | 移动边缘环境下的Web服务多元QoS监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111327480B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111756848B (zh) * | 2020-06-28 | 2021-05-11 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
CN114760657B (zh) * | 2022-03-11 | 2024-05-03 | 河海大学 | 移动边缘环境下基于LSTM-BSPM的主动QoS监控方法与系统 |
CN116132347B (zh) * | 2023-04-06 | 2023-06-27 | 湖南工商大学 | 算网融合环境下基于Bi-LSTM的服务QoS预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607329A (zh) * | 2013-12-04 | 2014-02-26 | 北京中创信测科技股份有限公司 | 一种IMS网络任意端到端媒体QoS监测方法及系统 |
CN106095887A (zh) * | 2016-06-07 | 2016-11-09 | 兰州大学 | 基于加权时空效应的情境感知Web 服务推荐方法 |
CN106375452A (zh) * | 2016-09-05 | 2017-02-01 | 河海大学 | 一种加权分类Web服务QoS监控方法 |
CN109257217A (zh) * | 2018-09-19 | 2019-01-22 | 河海大学 | 移动边缘环境下基于隐私保护的Web服务QoS预测方法 |
CN110417867A (zh) * | 2019-07-03 | 2019-11-05 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
CN111756848A (zh) * | 2020-06-28 | 2020-10-09 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109302709B (zh) * | 2018-09-14 | 2022-04-05 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
US10972768B2 (en) * | 2019-06-27 | 2021-04-06 | Intel Corporation | Dynamic rebalancing of edge resources for multi-camera video streaming |
-
2020
- 2020-03-02 CN CN202010135678.6A patent/CN111327480B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103607329A (zh) * | 2013-12-04 | 2014-02-26 | 北京中创信测科技股份有限公司 | 一种IMS网络任意端到端媒体QoS监测方法及系统 |
CN106095887A (zh) * | 2016-06-07 | 2016-11-09 | 兰州大学 | 基于加权时空效应的情境感知Web 服务推荐方法 |
CN106375452A (zh) * | 2016-09-05 | 2017-02-01 | 河海大学 | 一种加权分类Web服务QoS监控方法 |
CN109257217A (zh) * | 2018-09-19 | 2019-01-22 | 河海大学 | 移动边缘环境下基于隐私保护的Web服务QoS预测方法 |
CN110417867A (zh) * | 2019-07-03 | 2019-11-05 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
CN111756848A (zh) * | 2020-06-28 | 2020-10-09 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111327480A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111327480B (zh) | 移动边缘环境下的Web服务多元QoS监控方法 | |
CN110417867B (zh) | 移动边缘环境下的Web服务QoS监控方法 | |
CN109492026B (zh) | 一种基于改进的主动学习技术的电信欺诈分类检测方法 | |
CN111314353B (zh) | 一种基于混合采样的网络入侵检测方法及系统 | |
US20220255817A1 (en) | Machine learning-based vnf anomaly detection system and method for virtual network management | |
CN111294812B (zh) | 一种资源扩容规划的方法及系统 | |
CN113762377B (zh) | 网络流量识别方法、装置、设备及存储介质 | |
CN111160959B (zh) | 一种用户点击转化预估方法及装置 | |
WO2021189830A1 (zh) | 样本数据优化方法、装置、设备及存储介质 | |
CN112527448A (zh) | 基于openstack的动态负载调整方法及其系统 | |
CN111833175A (zh) | 基于knn算法的互联网金融平台申请欺诈行为检测方法 | |
CN111062431A (zh) | 图像聚类方法、图像聚类装置、电子设备及存储介质 | |
WO2023115875A1 (zh) | 硬件设备维护方法、装置及电子设备 | |
CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
CN115801374A (zh) | 网络入侵数据分类方法、装置、电子设备及存储介质 | |
CN111179055B (zh) | 授信额度调整方法、装置和电子设备 | |
CN113886454A (zh) | 一种基于lstm-rbf的云资源预测方法 | |
CN115907972B (zh) | 基于双重自步学习的不平衡征信数据风险评估方法及系统 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN114142923A (zh) | 光缆故障定位方法、装置、设备及可读介质 | |
CN116485185A (zh) | 基于比对数据的企业风险分析系统及方法 | |
CN116319033A (zh) | 网络入侵攻击检测方法、装置、设备及存储介质 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN114492569B (zh) | 一种基于宽度学习系统的台风路径分类方法 | |
CN113612777B (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 |
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 |