CN111338913B - 分析设备相关数据以生成和/或抑制设备相关警报 - Google Patents

分析设备相关数据以生成和/或抑制设备相关警报 Download PDF

Info

Publication number
CN111338913B
CN111338913B CN201911311213.5A CN201911311213A CN111338913B CN 111338913 B CN111338913 B CN 111338913B CN 201911311213 A CN201911311213 A CN 201911311213A CN 111338913 B CN111338913 B CN 111338913B
Authority
CN
China
Prior art keywords
managed devices
data
managed
model
models
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
CN201911311213.5A
Other languages
English (en)
Other versions
CN111338913A (zh
Inventor
V·德塞
裘堃
宋强
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.)
Accenture Global Solutions Ltd
Original Assignee
Accenture Global Solutions 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 Accenture Global Solutions Ltd filed Critical Accenture Global Solutions Ltd
Publication of CN111338913A publication Critical patent/CN111338913A/zh
Application granted granted Critical
Publication of CN111338913B publication Critical patent/CN111338913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/0636—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis based on a decision tree analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0668—Management of faults, events, alarms or notifications using network fault recovery by dynamic selection of recovery network elements, e.g. replacement by the most appropriate element after failure
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5061—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the interaction between service providers and their network customers, e.g. customer relationship management
    • H04L41/5064—Customer relationship management
    • 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]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a network
    • 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
    • H04L67/2866—Architectures; Arrangements
    • H04L67/30—Profiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/487—Arrangements for providing information services, e.g. recorded voice services or time announcements
    • H04M3/493—Interactive information services, e.g. directory enquiries ; Arrangements therefor, e.g. interactive voice response [IVR] systems or voice portals

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Debugging And Monitoring (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

设备可以接收与多个被管理设备的操作相关的数据。该设备可以在接收到数据之后确定该数据的多实体简档。在确定多实体简档之后，该设备可以使用多实体简档来确定数据的一组子模型。该组子模型可以与以置于上下文中的方式处理数据相关联。该设备可以基于该组子模型来生成模型。在生成模型之后，该设备可以基于与多个被管理设备相关联的相应得分来执行与多个被管理设备或至少一个警报相关的一个或多个动作。

Description

分析设备相关数据以生成和/或抑制设备相关警报
背景技术
组织与用于组织的操作的各种设备相关联。监测系统通过收集与各种设备的操作相关的数据来监测与组织相关联的各种设备的操作。监测系统基于数据来跟踪与操作相关联的度量，并且基于度量生成警报。
发明内容
根据一些实现，一种方法可以包括：由设备接收与多个被管理设备的操作相关的至少一个警报的指示和与多个被管理设备的操作相关的数据，其中至少一个警报的指示是从正在监测多个被管理设备的操作的监测系统接收的；由该设备在接收到数据之后确定数据的多实体简档，其中多实体简档包括按多个被管理设备的一个或多个属性的对数据的一组分组；由该设备在确定多实体简档之后使用多实体简档确定数据的一组子模型，其中该组子模型中的至少一个子模型与将数据置于多个被管理设备的上下文中相关联；由该设备基于该组子模型生成模型；由该设备在生成模型之后利用模型确定多个被管理设备的相应得分，其中相应得分被用于标识以下中的至少一项：至少一个警报中的要抑制的一个或多个警报，或者多个被管理设备中的要替换的一个或多个被管理设备；以及由该设备在确定多个被管理设备的相应得分之后执行与多个被管理设备中的至少一个被管理设备和至少一个警报相关的一个或多个动作。
根据一些实现，一种设备可以包括：一个或多个存储器；以及通信地耦合到一个或多个存储器的一个或多个处理器，一个或多个处理器用于：接收与多个被管理设备的操作相关的至少一个警报和与多个被管理设备的操作相关的数据，其中至少一个警报是从与多个被管理设备相关联的设备监测系统接收的，并且其中与操作相关的数据是从多个被管理设备接收的；在接收到数据之后，基于多个被管理设备的一个或多个属性来确定数据的多实体简档；在确定多实体简档之后，使用多实体简档确定与操作相关的数据的一组子模型，其中该组子模型与以置于上下文中的方式处理数据相关联；基于该组子模型生成模型，其中模型与标识以下中的至少一项相关联：至少一个警报中的要抑制的一个或多个警报，或者多个被管理设备中的要替换的一个或多个被管理设备；以及在确定操作的相应得分之后，执行与多个被管理设备或至少一个警报相关的一个或多个动作。
根据一些实现，一种非暂态计算机可读介质可以存储指令，该指令包括在由一个或多个处理器执行时引起一个或多个处理器执行以下操作的一个或多个指令：接收与多个被管理设备相关的数据，其中数据包括以下中的至少一项：与多个被管理设备的操作相关联的诊断数据，与关联于多个被管理设备的相应服务历史相关联的呼叫分派数据，或者与关联于多个被管理设备的相应客户相关联的客户数据；在接收到数据之后，确定数据的多实体简档，其中多实体简档包括按多个被管理设备的一个或多个属性的对数据的一组分组；在确定多实体简档之后，使用多实体简档确定数据的一组子模型，其中该组子模型与以置于上下文中的方式处理数据相关联；基于该组子模型生成模型；以及在生成模型之后，基于与多个被管理设备相关联的相应得分，执行与多个被管理设备相关的一个或多个动作。
根据一些实现，一种方法，包括：由设备接收与多个被管理设备的操作相关的至少一个警报的指示和与多个被管理设备的操作相关的数据，其中至少一个警报的指示是从正在监测多个被管理设备的操作的监测系统接收的；由设备在接收到数据之后确定数据的多实体简档，其中多实体简档包括按照多个被管理设备的一个或多个属性的对数据的一组分组；由设备在确定多实体简档之后使用多实体简档确定数据的一组子模型，其中一组子模型中的至少一个子模型与将数据置于多个被管理设备的上下文中相关联；由设备基于一组子模型生成模型；由设备在生成模型之后利用模型确定多个被管理设备的相应得分，其中相应得分被用于标识以下中的至少一项：至少一个警报中的要抑制的一个或多个警报，或者多个被管理设备中的要替换的一个或多个被管理设备；以及由设备在确定多个被管理设备的相应得分之后执行与多个被管理设备中的至少一个被管理设备和至少一个警报相关的一个或多个动作。
根据一些实现，多个被管理设备包括多个网络设备。
根据一些实现，该方法还包括：在确定多实体简档之后，使用内核密度估计(KDE)模型处理多实体简档；以及其中确定一组子模型包括：基于使用KDE模型处理多实体简档，确定一组子模型中的一组度量子模型。
根据一些实现，该方法还包括：在确定多实体简档之后，基于多个被管理设备的一个或多个属性对多个被管理设备进行分组，或者在确定多实体简档之后，为多个被管理设备生成多元度量模型；以及其中确定一组子模型包括：在对多个被管理设备进行分组之后或者基于多元度量模型，确定一组子模型中的一组设备子模型。
根据一些实现，生成模型包括：生成以下中的至少一项作为模型：孤立森林，或者神经网络；以及其中确定相应得分包括：利用孤立森林或神经网络中的至少一项来确定相应得分。
根据一些实现，确定多实体简档包括：基于以下中的至少一项确定多实体简档：多个被管理设备的相应类型，多个被管理设备的相应年龄，或者多个被管理设备的相应位置。
根据一些实现，该方法还包括：基于多个被管理设备的相应得分，确定多个被管理设备的操作的相应质量；以及其中执行一个或多个动作包括：防止一个或多个警报被发送到与管理多个被管理设备相关联的客户端设备以抑制警报；以及提供标识警报被抑制的消息以用于经由显示器进行显示。
根据一些实现，一种设备，包括：一个或多个存储器；以及通信地耦合到一个或多个存储器的一个或多个处理器，用于：接收与多个被管理设备的操作相关的至少一个警报和与多个被管理设备的操作相关的数据，其中至少一个警报是从与多个被管理设备相关联的设备监测系统接收的，以及其中与操作相关的数据是从多个被管理设备接收的；在接收到数据之后，基于多个被管理设备的一个或多个属性来确定数据的多实体简档；在确定多实体简档之后，使用多实体简档确定与操作相关的数据的一组子模型，其中一组子模型与以置于上下文中的方式处理数据相关联；基于一组子模型生成模型，其中模型与标识以下中的至少一项相关联：至少一个警报中的要抑制的一个或多个警报，或者多个被管理设备中的要替换的一个或多个被管理设备；以及在确定操作的相应得分之后，执行与多个被管理设备或至少一个警报相关的一个或多个动作。
根据一些实现，一个或多个处理器还用于：在生成模型之后，利用模型确定多个被管理设备的操作的相应得分，其中相应得分指示多个被管理设备的操作的相应质量；以及其中一个或多个处理器在执行一个或多个动作时用于：基于相应得分生成抑制一个或多个警报的推荐。
根据一些实现，一个或多个处理器在执行一个或多个动作时用于：在确定相应得分之后，基于相应得分确定多个被管理设备中的需要被替换的一个或多个被管理设备；以及在确定需要被替换的一个或多个被管理设备之后，生成与替换一个或多个被管理设备相关的工作命令。
根据一些实现，一个或多个处理器在生成模型时用于：基于将一组子模型的一组度量子模型和一组子模型的一组设备子模型组合成模型，来生成模型。
根据一些实现，与多个被管理设备的操作相关的数据标识以下中的至少一项的值：多个被管理设备的相应输入利用率，多个被管理设备的相应输出利用率，多个被管理设备的相应中央处理单元(CPU)利用率，或者与多个被管理设备的通信相关联的相应抖动。
根据一些实现，一个或多个处理器在执行一个或多个动作时用于：基于相应得分中的多个被管理设备中的第一被管理设备的第一得分，来断电第一被管理设备；以及在基于第一得分断电第一被管理设备之后，上电多个被管理设备中的第二被管理设备。
根据一些实现，多实体简档包括按照多个被管理设备的一个或多个属性的对与操作相关的数据的一组分组。
根据一些实现，一种存储指令的非暂态计算机可读介质，指令包括：在由一个或多个处理器执行时引起一个或多个处理器执行以下操作的一个或多个指令：接收与多个被管理设备相关的数据，其中数据包括以下中的至少一项：与多个被管理设备的操作相关联的诊断数据，与关联于多个被管理设备的相应服务历史相关联的呼叫分派数据，或者与关联于多个被管理设备的相应客户相关联的客户数据；在接收到数据之后，确定数据的多实体简档，其中多实体简档包括按照多个被管理设备的一个或多个属性的对数据的一组分组；在确定多实体简档之后，使用多实体简档确定数据的一组子模型，其中一组子模型与以置于上下文中的方式处理数据相关联；基于一组子模型生成模型；以及在生成模型之后，基于与多个被管理设备相关联的相应得分，执行与多个被管理设备相关的一个或多个动作。
根据一些实现，一个或多个指令在由一个或多个处理器执行时还引起一个或多个处理器：在接收到数据之后，从数据确定多个被管理设备的相应服务历史。
根据一些实现，一个或多个指令在由一个或多个处理器执行时引起一个或多个处理器：利用模型确定多个被管理设备的相应得分，其中相应得分基于相应服务历史指示多个被管理设备的操作的相应质量。
根据一些实现，一个或多个指令在由一个或多个处理器执行时还引起一个或多个处理器：接收与多个被管理设备中的被管理设备相关的服务请求电话呼叫；以及其中引起一个或多个处理器执行一个或多个动作的一个或多个指令引起一个或多个处理器：基于相应得分中的与被管理设备的操作相关联的得分，来确定服务请求电话呼叫的优先级。
根据一些实现，引起一个或多个处理器执行一个或多个动作的一个或多个指令引起一个或多个处理器：基于优先级将服务请求电话呼叫转移至以下中的至少一项：与客户服务代表相关联的电话，或者交互式语音响应(IVR)系统。
根据一些实现，引起一个或多个处理器执行一个或多个动作的一个或多个指令引起一个或多个处理器：向网络技术人员发送消息，以基于优先级将网络技术人员分派到与服务请求电话呼叫相关联的被管理设备的位置。
附图说明
图1A-4B是本文中描述的示例实现的图；
图5是可以实现本文中描述的系统和/或方法的示例环境的图；
图6是图5的一个或多个设备的示例组件的图；以及
图7-9是用于分析设备相关数据以生成和/或抑制设备相关警报的示例过程的流程图。
具体实施方式
以下对示例实现的详细描述参考附图。不同附图中的相同的附图标记可以标识相同或相似的元素。
组织可以与用于组织的操作的各种设备相关联。例如，各种设备可以包括客户端设备(例如，计算机、移动电话等)、网络设备(例如，路由器、调制解调器等)、服务器设备等。在一些情况下，组织使用监测系统来监测与组织相关联的各种设备的操作。例如，监测系统收集与各种设备的操作相关的数据并且分析该数据。监测系统基于数据来跟踪与操作相关联的度量，并且基于度量生成警报。
由监测系统进行的警报生成经常依赖于静态阈值的使用，其中将度量的值与静态阈值进行比较以确定是否要生成警报。另外，由监测系统进行的警报生成未置于各种设备的上下文中，使得是否要生成警报的确定基于设备的正常性能、设备的年龄、与同一组织相关联的其他设备的性能等。这降低了监测系统对数据进行分析的准确性并且导致很大百分比的生成的警报为误报警报。误报警报会导致在解决(例如，修复，尝试修复，记录等)各种设备的实际问题时出现延迟，消耗接收到误报警报的设备的大量计算资源，等等。另外，误报警报花费网络工程师的大量时间和/或精力用于网络工程师调查误报警报和/或由监测系统实现对阈值的手动调节。此外，误报警报导致错过了真正的肯定警报，这可能导致下游问题，因为其他系统和/或设备受到与真正的肯定警报相关联的实际问题的影响。
本文中描述的一些实现提供了一种设备分析平台，该设备分析平台接收与关联于组织的各种设备的操作相关的数据，并且以置于上下文中的方式(例如，使用“大数据”和/或机器学习技术)处理该数据以确定是否需要替换各种设备中的一个或多个，抑制由正在监测各种设备的操作的监测系统生成的警报，等等。以这种方式，设备分析平台能够减少或消除被发送到各种设备的管理员(例如，被发送到与管理员相关联的服务器)的误报，同时保持真正的肯定警报。这提高了生成与各种设备相对于监测系统的操作相关的警报的准确性，从而节省了否则将由于准确性较差的警报生成而被消耗的计算资源。另外，减少或消除误报警报减少或消除与修复各种设备中的一个或多个设备的否则由于误报警报而发生的实际问题相关联的延迟。此外，这节省了否则将由于与管理员相关联的设备接收误报警报而被消耗的计算资源。此外，这通过减少或消除组织资源用于调查误报警报的使用来减少与管理与组织相关联的一组被管理设备相关联的成本。此外，这减少或消除其他设备和/或系统的否则将由于错过的肯定警报而导致的下游问题的发生。
图1A-1C是本文中描述的示例实现100的图。如图1A所示，实现100包括一组被管理设备、设备监测系统和设备分析平台。如图1A所示，该组被管理设备可以包括各种网络设备，诸如一个或多个路由器、一个或多个调制解调器等。在一些实现中，该组被管理设备可以包括一组客户端设备、一组服务器设备等。在实现100中，设备监测系统正在监测该组被管理设备。例如，设备监测系统可以监测该组被管理设备的操作，并且可以基于与该组被管理设备的操作相关的跟踪度量来生成警报。
如附图标记102所示，设备分析平台可以从该组被管理设备接收操作数据。例如，设备分析平台可以在该组被管理设备的操作期间基于从该组被管理设备请求操作数据实时或接近实时地以流方式从监测系统或数据收集系统接收操作数据，该监测系统或数据收集系统位于设备分析平台与该组被管理设备之间并且监测来自该组被管理设备的操作数据等。在一些实现中，被管理设备的操作数据可以标识被管理设备的输入利用率、被管理设备的输出利用率、被管理设备的中央处理单元(CPU)利用率、被管理设备的通信抖动、被管理设备正在执行的任务数量、发送给被管理设备和/或从被管理设备发送的分组的数量等。另外地或替代地，操作数据可以标识被管理设备的一个或多个属性，诸如被管理设备的类型(例如，诸如路由器、调制解调器、客户端设备、服务器设备等的类型)、被管理设备的年龄、被管理设备的位置、被管理设备的品牌、被管理设备的产品线(例如，与同一品牌相关联)等。在一些实现中，操作数据可以是时间序列数据。
如附图标记104所示，设备分析平台可以从设备监测系统接收警报。例如，当设备监测系统基于与该组被管理设备的操作相关联的跟踪度量来生成警报时，设备分析平台可以接收警报。在一些实现中，警报可以指示设备监测系统已经检测到该组被管理设备的操作存在问题。例如，设备监测系统可以基于检测到度量的值已经满足阈值，在值的范围之外等来生成警报。
如附图标记106所示，设备分析平台可以确定操作数据的多实体简档。例如，在接收到操作数据之后，在接收到警报之后，基于从设备分析平台的用户接收到用于确定多实体简档的输入，等等，设备分析平台可以确定操作数据的多实体简档。另外地或替代地，并且继续先前的示例，当从该组被管理设备接收到更新后的操作数据时，等等，设备分析平台可以根据时间表来周期性地确定多实体简档。以这种方式，设备分析平台可以更新多实体简档，从而提高多实体简档的准确性和/或使用多实体简档的设备分析平台的操作的准确性。
在一些实现中，多实体简档可以包括按操作数据中包括的一组属性的对操作数据的一组分组。例如，多实体简档可以按被管理设备，按位置(例如，被管理设备的位置)，按品牌(例如，与被管理设备相关联的品牌)，等等，来组织操作数据。继续先前的示例，被管理设备的多实体简档可以包括与被管理设备的操作相关的数据，该数据标识被管理设备的位置，标识被管理设备的品牌，标识与被管理设备相关联的一个或多个度量的值，等等。
在一些实现中，设备分析平台可以基于数据中包括的唯一标识符(例如，唯一地标识与操作数据相关联的被管理设备、与操作数据和/或被管理设备相关联的位置、与操作数据和/或被管理设备相关联的品牌等的唯一标识符)来组织多实体简档的操作数据。在一些实现中，唯一标识符可以被包括在操作数据中作为操作数据的属性(例如，作为具有唯一值的字段，诸如名称、标识号等)，并且设备分析平台可以基于作为属性被包括在操作数据中的唯一标识符来组织操作数据。
另外地或替代地，设备分析平台可以处理操作数据以标识唯一标识符。例如，设备分析平台可以使用诸如自然语言处理技术、文本分析技术等文本处理技术来处理操作数据。继续先前的示例，设备分析平台可以处理文本以标识操作数据中包括的字母数字字符串、符号、代码等(例如，指示唯一标识符的存在，作为唯一标识符，等等)，并且可以通过将字母数字字符串、符号、代码等与存储在数据结构和/或设备分析平台的存储器资源中的信息进行比较以确定哪些唯一标识符被包括在操作数据中来标识文本中包括的唯一标识符。
另外地或替代地，作为另一示例，设备分析平台可以使用模型(例如，机器学习模型、人工智能模型等)来处理数据以标识操作数据中包括的唯一标识符。例如，设备分析平台可以使用该模型来处理文本以标识操作数据中包括的字母数字字符串、符号、代码等(例如，基于已经被训练为标识操作数据中的唯一标识符)。
在一些实现中，设备分析平台可以将来自该组被管理设备的操作数据分成训练集、验证集、测试集等。在一些实现中，设备分析平台可以使用例如因子分解机、随机森林、梯度提升、内核密度估计(KDE)模型等并且基于操作数据的训练集来训练本文中描述的机器学习模型。
在一些实现中，训练数据集可以特定于被管理设备，特定于该组被管理设备的属性，等等。这提供与该组被管理设备的操作相关的问题的更准确的检测。这为设备分析平台提供了以下能力：标识不同问题，标识同一问题而与操作数据中包括的该组被管理设备的性能偏差、该组被管理设备的属性差异等无关。
在一些实现中，机器学习模型的训练可以包括监督训练。例如，设备分析平台的用户可以对操作数据进行手动分类以训练机器学习模型。这可以提高训练机器学习模型的准确性，和/或可以减少训练机器学习模型所需要的时间量。
在一些实现中，设备分析平台可以使用因子分解机器技术来训练机器学习模型。例如，因子分解机器技术可以在数据集中包括的特征上训练机器学习模型。另外地或替代地，设备分析平台可以使用随机森林技术来训练机器学习模型。例如，设备分析平台可以使用随机森林技术通过从操作数据构造多个决策树来训练机器学习模型。另外地或替代地，设备分析平台可以使用梯度提升技术来训练机器学习模型。例如，设备分析平台可以使用梯度提升技术基于数据集来生成预测模型。
在一些实现中，设备分析平台可以使用逻辑回归分类技术来确定分类结果(例如，操作数据中包括的属性、从操作数据确定的度量等)。另外地或替代地，设备分析平台可以使用朴素的贝叶斯分类器技术。在这种情况下，设备分析平台可以执行二进制递归分割以将最小特征集的操作数据划分为分割和/或分支，并且可以使用分割和/或分支来执行预测(例如，预测操作数据包括特定属性，预测操作数据标识特定度量，等等)。基于使用递归分割，相对于数据点的手动线性排序和分析，设备分析平台可以减少计算资源的使用，从而使得能够使用数千、数百万或数十亿的数据点来训练模型，与使用更少的数据点相比，这可以产生更准确的模型。
另外地或替代地，设备分析平台可以使用支持向量机(SVM)分类器技术来生成训练集中的数据点之间的非线性边界。在这种情况下，非线性边界用于将测试数据(例如，操作数据)分类为特定类别(例如，与操作数据中包括的特定属性集、操作数据中包括的问题等相关联的类别)。
在一些实现中，设备分析平台可以从另一设备(例如，服务器设备)接收模型，而不是训练模型。例如，服务器设备可以基于已经以与上述相似的方式训练了模型来生成模型，并且可以将模型提供给设备分析平台(例如，可以向设备分析平台预加载模型，可以从设备分析平台接收对模型的请求，等等)。在一些实现中，设备分析平台可以执行查找以标识用于与被管理设备相关联的操作数据的模型。例如，设备分析平台可以基于被管理设备的一个或多个属性来执行与被管理设备相关联的模型的查找。换言之，设备分析平台可以利用各种模型来标识操作数据中包括的一组问题，从而提高标识该组问题的准确性。
附图标记108示出了设备分析平台可以生成的示例多实体简档。如图所示，多实体简档可以按设备的类型，按被管理设备，按被管理设备的位置，按被管理设备的年龄，等等，来组织由设备分析平台接收的操作数据。以这种方式，多实体简档支持以有组织的方式快速且轻松地访问操作数据。相对于不使用多实体简档，这节省了设备分析平台的处理资源，支持对模型进行训练以基于操作数据中包括的属性来标识操作数据中的问题(例如，设备分析平台可以通常在特定类型的设备或不同类型的设备上，通常在被管理设备或不同的被管理设备上，等等，来训练模型)，从而提高模型在标识操作数据中的问题时的准确性。
转到图1B，并且如附图标记110所示，设备分析平台可以确定一组度量子模型。例如，在确定多实体简档之后，基于从设备分析平台的用户接收到用于确定一组度量子模型的输入，根据时间表，周期性地，等等，设备分析平台可以使用多实体简档来确定该组度量子模型。在一些实现中，设备分析平台可以基于多实体简档来确定度量子模型。例如，设备分析平台可以使用多实体简档(例如，多实体简档组织操作数据的方式)来确定该组度量子模型。继续先前的示例，设备分析平台可以从多实体简档中选择与被管理设备相关联的操作数据、特定时间段的操作数据等，以确定该组度量子模型。
在一些实现中，度量子模型可以标识与被管理设备的操作相关联的一组度量的模式、趋势等。例如，度量子模型可以随着时间，在一天中的特定时间或一周中的几天中，当该组被管理设备正在执行特定功能时，等等，来标识该组度量的模式、趋势等。以这种方式，度量子模型可以标识被管理设备随时间的操作特性，从而将操作数据置于被管理设备的上下文中。在一些实现中，设备分析平台可以确定单个被管理设备的单个度量子模型。这支持在被管理设备的上下文中对被管理设备进行个体分析，从而即使在该组被管理设备包括数百个、数千个或更多个被管理设备的情况下，也支持标识个体被管理设备的个体问题。此外，这支持基于该组度量的唯一模式、趋势等对被管理设备进行置于上下文中的分析，从而支持更准确和/或更个性化地检测成数百个、数千个或更多个被管理设备中的问题，从而减少或消除问题的误报标识(以及随后的误报警报生成)等。此外，这支持对个体被管理设备的度量间分析(例如，在个体被管理设备的基础上对不同度量彼此相关的方式的分析)，从而改善了对该组被管理设备的分析。
在一些实现中，设备分析平台可以基于内核密度估计(KDE)模型来确定度量子模型。例如，设备分析平台可以通过使用内核参数和内核带宽参数处理与被管理设备相关联的一组度量的值来确定该组度量的KDE模型。附图标记112示出了设备分析平台可以生成作为被管理设备的度量子模型的KDE模型的示例。
如附图标记114所示，设备分析平台可以确定一组设备子模型。例如，在确定该组度量子模型之后或者与确定该组度量子模型相关联地，基于从设备分析平台的用户接收到用于确定该组设备子模型的输入，在确定多实体简档之后，等等，设备分析平台可以确定该组设备子模型。在一些实现中，设备分析平台可以基于多实体简档来确定设备子模型。例如，设备分析平台可以使用多实体简档(例如，多实体简档组织操作数据的方式)来确定该组设备子模型。继续先前的示例，设备分析平台可以从多实体简档中选择与被管理设备相关联的数据、标识与该组被管理设备相关联的一个或多个属性的数据等。
在一些实现中，设备子模型可以标识与被管理设备相关联的一组属性的模式、趋势等，类似于本文中其他地方描述的度量子模型。以这种方式，设备子模型可以标识属性随时间的操作特性，从而将操作数据置于属性的上下文中。在一些实现中，设备分析平台可以为单个属性确定单个设备子模型，类似于度量子模型。
在一些实现中，当确定该组设备子模型时，设备分析平台可以基于该组被管理设备的一个或多个属性来对该组被管理设备进行分组(例如，可以基于标识该组被管理设备的一个或多个属性的信息来对标识该组被管理设备的信息进行分组)。例如，设备分析平台可以按被管理设备的类型，按年龄，按被管理设备的品牌，等等，来对该组被管理设备进行分组。在一些实现中，并且继续先前的示例，设备分析平台可以使用被管理设备的不同分组的操作数据来确定被管理设备的不同分组的模式、趋势等(例如，对于该组被管理设备的不同属性)。这支持对该组被管理设备的操作进行属性特定的分析，从而提高标识被管理设备的问题的准确性，支持对与置于属性的上下文中的操作的分析，减少或消除对问题的误报标识，等等。
另外地或替代地，当确定该组设备子模型时，设备分析平台可以为该组被管理设备生成多元度量模型。例如，设备分析平台可以生成多元模型，该多元模型使用多元方差分析、多元回归、因子分析、典范相关性分析等来分析该组被管理设备的多个属性的操作数据，诸如标识多个属性之间的关系。这在由于多个变量之间的关系的数量，由于多个变量之间的关系的复杂性等等而在其他情况下不可能进行人工检查时，支持对该组被管理设备的操作进行多属性分析，从而提高标识被管理设备的问题的准确性，支持对置于多个属性的上下文中的操作的分析，减少或消除对问题的误报标识，等等。例如，生成多元度量模型可以支持数百、数千个或更多属性的事件相关性(例如，跨属性，跨被管理设备等的问题标识)、顺序模式分析、设备性能分析、故障预测等。附图标记116示出了设备分析平台可以确定的设备子模型的示例的各种可视化(下面关于图3A-3C进行讨论)。例如，各种示例可以针对该组被管理设备的多个属性来标识该组被管理设备的值，如本文中其他地方描述的。
转到图1C，并且如附图标记118所示，设备分析平台可以为该组度量子模型和该组设备子模型生成模型。例如，在确定该组度量子模型和/或该组设备子模型之后，基于从设备分析平台的用户接收到用于生成模型的输入，等等，设备分析平台可以为该组度量子模型和该组设备子模型生成模型。在一些实现中，模型可以包括孤立森林(例如，其中将操作数据分割为随机选择的特征，然后选择每个特征的最小值和最大值)、神经网络(例如，其中将神经网络的节点训练并且用于处理操作数据)等，孤立森林、神经网络等可以用于处理操作数据以标识该组被管理设备的操作的问题，确定是否要抑制来自设备监测系统的警报，确定是否需要替换该组被管理设备中的一个或多个被管理设备，等等，如本文中其他地方描述的。
在一些实现中，设备分析平台可以使用多种类型的模型，并且可以使用无监督和有监督机器学习技术的组合。例如，设备分析平台可以使用孤立森林进行无监督的机器学习，并且可以使用神经网络进行有监督机器学习。有监督和无监督机器学习的组合可以补偿操作数据与从设备管理系统接收到的警报之间的不一致。例如，设备分析平台可能难以基于接收操作数据和/或警报之间的延迟、与操作数据和警报相关联的时间戳的不正确等来将操作数据与从设备管理系统接收到的警报对准，而无监督和有监督机器学习的组合可以弥补这些问题。以这种方式，该组合可以提高训练与设备分析平台相关联的机器学习模型的准确性。
如附图标记120所示，设备分析平台可以基于将该组度量子模型和该组设备子模型组合成模型来生成模型。例如，设备分析平台可以将一组KDE模型、该组被管理设备的一组分组和/或一组多元模型组合成孤立森林、神经网络等。
在一些实现中，设备分析平台可以通过在该组度量子模型和/或该组设备子模型上训练机器学习模型来生成模型。在一些实现中，设备分析平台可以使用模型来训练机器学习模型。机器学习模型可以例如类似于本文中其他地方描述的模型。
在一些实现中，设备分析平台可以基于接收到更新后的操作数据来重新训练模型。例如，设备分析平台可以实时地或接近实时地(例如，当设备分析平台接收到更新后的操作数据时)，周期性地，根据时间表，等等，重新训练模型。
如附图标记122所示，设备分析平台可以基于来自模型的输出来确定得分。例如，在生成模型之后，在使用模型处理操作数据之后，等等，设备分析平台可以确定被管理设备、被管理设备的操作等的得分。
在一些实现中，设备分析平台可以为不同的被管理设备确定单独的得分，可以为该组被管理设备的不同属性确定单独的得分，可以为多个被管理设备确定聚合得分(例如，按属性，按时间段，等等)，为多个属性确定聚合得分(例如，按时间段)，等等。在一些实现中，设备分析平台可以通过对多个得分求和，对多个得分求平均，将权重应用于不同得分，等等，来确定聚合得分。
在一些实现中，得分可以指示被管理设备(或用于聚合得分的多个被管理设备)的操作质量。例如，得分可以指示被管理设备是否正在经历被管理设备的操作的问题，是否需要抑制来自设备监测系统的警报，是否需要替换被管理设备(或一组被管理设备)，等等。
在一些实现中，为了确定得分，设备分析平台可以使用模型来处理操作数据。例如，模型可以处理被管理设备的操作数据以基于被管理设备的历史模式、趋势等，针对一天中的特定时间或一周中的几天，针对被管理设备正在执行的特定功能，按被管理设备的属性，等等，来标识被管理设备的操作数据中的异常(例如，满足阈值、在预期范围之外等的操作数据)。
如附图标记124所示，在设备分析平台已经使用该模型处理操作数据之后，该模型可以输出得分。另外地或替代地，当设备分析平台使用机器学习模型处理操作数据时，机器学习模型可以输出得分。在一些实现中，得分可以是平均得分、得分范围等。例如，设备分析平台可以执行操作数据的处理的多个迭代，并且可以基于与多个迭代相关联的得分来生成得分。
在一些实现中，设备分析平台可以基于从该组被管理设备接收到更新后的操作数据和/或从设备监测系统接收到新的警报来重新确定和/或重新训练该组度量子模型、该组设备子模型、模型等。例如，设备分析平台可以以与本文中其他地方描述的确定和/或训练该组度量子模型、该组设备子模型、模型等相似的方式来重新确定和/或重新训练该组度量子模型、该组设备子模型、模型等。随着操作数据改变，随着设备监测系统被更新以便以新的方式生成警报，等等，这提高了随时间处理操作数据的准确性。
如附图标记126所示，设备分析平台可以基于得分来执行与抑制警报和/或替换被管理设备相关的动作。例如，在确定得分之后，在使用模型处理操作数据之后，基于从设备分析平台的用户接收到用于执行动作的输入，等等，设备分析平台可以执行动作。
在一些实现中，设备分析平台可以基于被管理设备的得分来确定被管理设备的质量。例如，设备分析平台可以基于得分来确定被管理设备的操作是否包括问题，是否包括阈值严重性的问题(例如，基于使用将操作数据中的各种可能的问题映射到对应严重性的信息)，等等。另外地或替代地，并且作为另一示例，设备分析平台可以随着时间的推移对操作的得分进行时间序列分析以确定得分的模式、趋势等是否指示问题。
在一些实现中，设备分析平台可以基于得分来生成与该组被管理设备中的一个或多个被管理设备相关和/或与由设备监测系统生成的一个或多个警报相关的推荐。例如，设备分析平台可以生成以下推荐：替换一个或多个被管理设备，断电一个或多个被管理设备，上电一个或多个另外的被管理设备，等等。另外地或替代地，并且作为另一示例，设备分析平台可以生成以下推荐：抑制警报，为警报分配特定优先级(例如，高优先级、中等优先级或低优先级)，诸如基于警报的优先级来将警报引导到与组织相关联的特定个人(例如，与该个人相关联的设备或帐户)，等等。
在一些实现中，设备分析平台可以基于得分生成工作命令，并且可以将工作命令提供给与个人相关联的设备和/或账户。例如，设备分析平台可以生成修复和/或替换该组被管理设备中的一个或多个被管理设备的工作命令。另外地或替代地，设备分析平台可以向一个或多个被管理设备发送用于断电的一组指令。另外地或替代地，设备分析平台可以向一个或多个其他被管理设备发送用于上电和/或启动的一组指令。另外地或替代地，设备分析平台可以引起软件更新或新软件被下载和/或安装在一个或多个被管理设备上。
在一些实现中，设备分析平台可以防止一个或多个警报被发送到预期目的地(例如，与网络技术人员和/或管理员相关联的设备和/或帐户)。例如，设备分析平台可以是设备监测系统与预期目的地之间的中介，并且可以抑制一个或多个警报被发送到预期目的地。另外地或替代地，设备分析平台可以将一个或多个警报发送到(或允许一个或多个警报被发送到)预期目的地。另外地或替代地，设备分析平台可以生成警报是否被发送到预期目的地的日志(例如，在包括标识警报的信息、警报的时间戳和/或警报的抑制等的数据结构中)。
另外地或替代地，设备分析平台可以向设备监测系统发送修改设备监测系统生成警报的方式的一组指令。例如，设备分析平台可以发送用于以下操作的一组指令：修改由设备监测系统使用的一个或多个阈值，修改设备监测系统用来跟踪该组被管理设备的操作的度量，修改用于触发来自设备监控系统的警报的方式(例如，可以修改在生成警报之前设备监控系统必须检测到问题的次数)等。
以这种方式，设备分析平台可以减少或消除与一组被管理设备的操作相关的误报警报生成，可以支持替换该组被管理设备中的一个或多个被管理设备，等等。这改善了该组被管理设备的操作中的问题的检测和/或修复，从而减少或消除了与问题的检测和/或修复相关的延迟。另外，这减少或消除了误报警报生成，从而节省了否则将由于误报警报生成而被消耗的计算资源。此外，这改善了与组织相关联的一组被管理设备的功能，从而改善了经由该组被管理设备的通信。此外，这支持相对于其他技术更有效地确定用于替换和/或更新的被管理设备的优先级。
如上所示，图1A-1C仅作为示例提供。其他示例可以与关于图1A-1C描述的示例不同。尽管一些实现被描述为使用诸如KDE模型、神经网络等等特定类型的模型，但是这些实现同样适用于其他类型的模型，诸如k均值聚类模型、随机森林模型等。
图2是本文中描述的示例实现200的图。如图2所示，实现200包括设备分析平台。如附图标记210所示，设备分析平台可以接收与一组被管理设备的操作相关的操作数据。另外地或替代地，并且如附图标记210进一步所示，设备分析平台可以接收与该组被管理设备的一组属性相关的设备属性数据。在一些实现中，设备分析平台可以以与本文中其他地方描述的方式相同或相似的方式来接收操作数据和/或设备属性数据。
如附图标记220所示，设备分析平台可以为操作数据和/或设备属性数据确定多实体简档。例如，设备分析平台可以以与本文中其他地方描述的方式相同或相似的方式在接收到操作数据和/或设备属性数据之后确定多实体简档。在一些实现中，设备分析平台可以基于操作数据来确定多实体简档，诸如通过按被管理设备，按时间段，按度量，等等，来对操作数据进行分组。另外地或替代地，设备分析平台可以基于设备属性数据来确定多实体简档，诸如通过按被管理设备，按属性，按时间段，等等，来对设备属性数据进行分组。
如附图标记230所示，设备分析平台可以确定一组度量子模型和一组设备子模型。例如，设备分析平台可以以与本文中其他地方描述的方式相同或相似的方式在确定多实体简档之后确定该组度量子模型和/或该组设备子模型。在一些实现中，设备分析平台可以基于操作数据和/或设备属性数据来确定该组度量子模型。另外地或替代地，设备分析平台可以基于操作数据和/或设备属性数据来确定该组设备子模型。
如附图标记240所示，设备分析平台可以生成模型。例如，设备分析平台可以以与本文中其他地方描述的方式相同或相似的方式在生成该组度量子模型和/或该组设备子模型之后基于该组度量子模型和/或该组设备子模型来生成模型。在一些实现中，设备分析平台可以基于该组度量子模型和/或该组设备子模型来生成孤立森林(例如，通过从该组度量子模型和/或该组设备子模型生成孤立森林的决策树)，可以基于该组度量子模型和/或该组设备子模型生成神经网络(例如，可以在该组度量子模型和/或该组设备子模型上训练神经网络的节点)，等等。
如附图标记250所示，设备分析平台可以执行与来自模型的输出相关的一个或多个动作。例如，设备分析平台可以执行与警报抑制相关的一个或多个动作。继续先前的示例，设备分析平台可以防止由设备监测系统生成的警报被发送到预期目的地。另外地或替代地，并且作为另一示例，设备分析平台可以执行与设备替换相关的一个或多个动作。继续先前的示例，设备分析平台可以生成替换该组被管理设备中的一个或多个被管理设备的工作命令。
图2仅作为示例提供。其他示例可以与关于图2描述的示例不同。
图3A-3C是本文中描述的一个或多个示例实现300的图。图3A-3C示出了设备分析平台可以执行的各种示例分析和/或设备分析平台可以生成的模型。
图3A示出了被管理设备随时间的利用率百分比(例如，输入利用率、输出利用率、CPU利用率等)的曲线图310。在一些实现中，设备分析平台可以执行对曲线图310中所示的数据的分析，诸如以确定是否抑制警报，是否替换被管理设备，等等。在一些实现中，设备分析平台可以以置于上下文中的方式来执行分析，诸如基于被管理设备的属性，基于被管理设备的历史操作，等等。如附图标记320所示，设备分析平台可以抑制或不抑制与被管理设备的操作相关联的各种警报。例如，警报可以与被管理设备的异常利用率相关联。
在一些实现中，设备分析平台可以使用图3A所示的数据基于动态阈值对警报执行分析。例如，设备分析平台可以在与被管理设备相关联的其他数据的上下文中执行对触发警报的数据的分析，以便确定在生成警报时的数据在警报生成时间以外的其他时间的数据的上下文中是否异常。
图3B示出了随时间的被管理设备的输入利用率和输出利用率(例如，输入利用率和输出利用率的利用率百分比)的比较的曲线图330。在一些实现中，设备分析平台可以使用曲线图330中所示的数据来生成设备子模型，诸如多元模型。在一些实现中，设备分析平台可以利用曲线图330中所示的数据来对由设备监测系统生成的警报进行优先级排序(例如，用于分析警报、处理警报等的优先级排序)。
图3C示出了多个被管理设备的输出利用率与输入利用率的曲线图340。例如，设备分析平台可以使用曲线图340中所示的数据(例如，就输出利用率与输入利用率而言的利用率百分比)来确定输出利用率与输入利用率之间的相关性，诸如以对输出利用率与输入利用率之间的关系进行建模。在一些实现中，设备分析平台可以将曲线图340中所示的数据用于多元分析、高密度KDE、主成分分析等。
虽然在特定度量的上下文中描述图3A-3C，但是实现类似地应用于本文中描述的其他度量。
图3A-3C仅作为示例提供。其他示例可以与关于图3A-3C所描述的不同。
图4A-4B是本文中描述的一个或多个示例实现400的图。图4A示出了处理与一组设备相关的数据以标识一个或多个有问题的设备和/或预测一个或多个设备需要被服务的可能性的示例。如图4A所示，实现400包括一组调制解调器(或其他网络设备)、客户服务网络和设备分析平台。
如附图标记405所示，设备分析平台可以接收调制解调器诊断数据。例如，设备分析平台可以周期性地，基于时间表，基于从该组调制解调器请求调制解调器诊断数据，实时地或接近实时地，等等，从该组调制解调器接收调制解调器诊断数据。在一些实现中，调制解调器诊断数据可以标识该组调制解调器的正常运行时间、该组调制解调器的数据速率、由该组调制解调器使用的带宽等。另外地或替代地，并且作为另一示例，调制解调器诊断数据可以包括类似于本文中其他地方描述的操作数据。例如，调制解调器诊断数据可以标识与该组调制解调器的操作、该组调制解调器的属性等相关的度量。
如附图标记410所示，设备分析平台可以接收呼叫分派数据和/或客户数据。例如，设备分析平台可以与接收调制解调器诊断数据相关联地，周期性地，根据时间表，基于从客户服务网络请求呼叫分派和/或客户数据，实时地或接近实时地，等等，来接收呼叫分派数据和/或客户数据。在一些实现中，呼叫分派数据可以标识与各种客户相关联的该组调制解调器的历史问题、历史问题的解决方案、该组调制解调器的服务历史等(例如，可以包括与服务呼叫相关的呼叫数据、与服务分派相关的分派数据、和/或呼叫数据和分派数据的组合)。在一些实现中，客户数据可以标识客户的位置、与客户相关联的服务水平、客户购买的产品和/或服务的价值、客户已经针对同一问题和/或不同问题联系了与该组调制解调器相关联的客户服务部门的次数、客户已经向客户服务部门报告的问题等。
另外地或替代地，调制解调器诊断数据、呼叫分派数据和/或客户数据可以包括标识一段时间期间的客户呼叫日志的会话呼叫数据(例如，包括标识与客户呼叫相关联的客户的订户标识符、标识客户呼叫的日期和/或时间的信息、标识客户呼叫的呼叫持续时间的信息、标识客户呼叫的呼叫原因的信息等)。另外地或替代地，调制解调器诊断数据、呼叫分派数据和/或客户数据可以包括标识在一定时间段(例如，与会话呼叫数据相同的时间段)内的分派日志、标识关于分派是否有效的信息(例如，解决问题)等的数据。另外地或替代地，调制解调器诊断数据、呼叫分派数据和/或客户数据可以包括标识在特定时间的订户的信息、可以用于确定客户流失日期(例如，服务中断日期)等的订户数据。另外地或替代地，调制解调器诊断数据、呼叫分派数据和/或客户数据可以包括标识调制解调器的设备标识符、调制解调器的类型、与调制解调器相关联的订户标识符等的调制解调器主数据。
如附图标记415所示，设备分析平台可以使用一组模型来处理数据。例如，在接收到调制解调器诊断数据、呼叫分派数据和/或客户数据之后，基于从设备分析平台的用户接收到输入，等等，设备分析平台可以使用一组模型来处理调制解调器诊断数据、呼叫分派数据和/或客户数据。在一些实现中，设备分析平台可以使用与本文中其他地方描述的模型类似的一组模型(例如，一组度量子模型、一组设备子模型、从该组度量子模型和/或该组设备子模型生成的模型等)来处理数据。
如附图标记420所示，设备分析平台可以标识该组调制解调器中的有问题的调制解调器，和/或可以预测针对该组调制解调器中的一个或多个调制解调器的服务请求的可能性。例如，在使用该组模型处理数据之后，基于从设备分析平台的用户接收到输入，等等，设备分析平台可以标识有问题的调制解调器和/或可以预测针对该组调制解调器的服务请求的可能性。
在一些实现中，设备分析平台可以以与本文中其他地方描述的方式相似的方式基于来自该组模型的输出来确定该组调制解调器的相应得分。例如，得分可以标识调制解调器的操作质量，操作质量可以指示调制解调器是有问题的调制解调器，可以标识调制解调器将需要服务请求的可能性、与调制解调器相关联的问题的严重性、调制解调器在特定量的时间内需要服务请求的可能性，等等。
在一些实现中，设备分析平台可以基于相应得分来标识该组调制解调器中的有问题的调制解调器。例如，设备分析平台可以基于相应得分是否满足阈值、相应得分是否在值的范围内、相应得分随时间的模式、相应得分随时间的趋势等来标识有问题的调制解调器。在一些实现中，设备分析平台可以以相似的方式预测针对该组调制解调器的服务请求的可能性。
如附图标记425所示，设备分析平台可以执行一个或多个动作。在一些实现中，设备分析平台可以接收与调制解调器相关的服务请求电话呼叫(例如，与服务请求电话呼叫相关联的电话号码可以与调制解调器相关联，帐户信息和/或调制解调器标识符可以已经输入到与服务请求电话呼叫相关联的电话，等等)，并且可以基于调制解调器的得分来确定服务请求电话呼叫的优先级。例如，得分可以指示需要服务调制解调器的可能性和/或调制解调器是否是有问题的调制解调器，并且设备分析平台可以基于得分来确定服务请求电话呼叫的优先级(例如，高优先级、中等优先级或低优先级)。
在一些实现中，设备分析平台可以基于优先级将服务请求电话呼叫转移到与客户服务代表、交互式语音响应(IVR)系统等相关联的电话。例如，设备分析平台可以将高优先级服务请求电话呼叫转移到电话，可以将中等优先级服务请求电话呼叫转移到IVR系统，可以引起将与低优先级服务请求呼叫相关的个人引导到web门户的记录消息，等等。在一些实现中，设备分析平台可以向网络技术人员或另一个人(例如，向与网络技术人员相关联的设备或帐户)发送消息以基于优先级将网络技术人员分派到与服务请求电话呼叫相关联的调制解调器的位置。例如，设备分析平台可以基于优先级向网络技术人员发送诸如工作命令等消息。
在一些实现中，设备分析平台可以针对不同优先级服务请求电话呼叫发送不同的消息。例如，针对高优先级服务请求电话呼叫，设备分析平台可以发送被配置为引起弹出通知被显示在与关联于网络技术员的设备相关联的设备的显示器上的消息，针对中等优先级或低优先级服务请求呼叫，可以发送被添加到帐户收件箱的消息，等等。在一些实现中，设备分析平台可以调度调制解调器的服务。例如，设备分析平台可以访问与关联于调制解调器和网络技术人员的个人相关联的电子日历以标识用于服务的可用时间，并且可以在电子日历上生成用于服务的日历项目(例如，日历会议、日历事件等)。
这经由对传入的服务请求电话呼叫进行有效和/或准确的优先级排序而提高了管理传入的服务请求电话呼叫的效率。另外，这减少了与服务于传入的服务请求电话呼叫相关联的成本。此外，这减少了与服务请求相关的分派的数量，从而节省了否则将花费用来向服务请求分派技术人员的时间、成本、燃料(例如，车辆的燃料)等。此外，这经由对服务请求电话呼叫的有效和/或准确的优先级排序而提高了客户满意度和/或减少或消除了重复的服务请求电话呼叫。
图4B示出了处理与一组设备相关的数据以标识一个或多个有问题的设备和/或预测需要被服务一个或多个设备的可能性的另一示例。如附图标记430所示，设备分析平台可以接收调制解调器诊断数据、分派数据和/或客户数据。在一些实现中，调制解调器诊断数据、分派数据和/或客户数据可以与本文中其他地方描述的相似，并且设备分析平台可以以与本文中其他地方描述的方式相似的方式来接收调制解调器诊断数据、分派数据和/或客户数据。
如附图标记435所示，设备分析平台可以确定用于调制解调器诊断数据、分派数据和/或客户数据的多实体简档。在一些实现中，设备分析平台可以以与本文中其他地方描述的方式相似的方式来确定多实体简档。在一些实现中，多实体简档可以存储在数据结构中，该数据结构存储以本文中其他地方描述的方式组织的调制解调器诊断数据、分派数据和/或客户数据。在一些实现中，多实体简档可以在数据结构中被更新和/或从数据结构中实时地或接近实时地、成批地等获取。在一些实现中，存储多实体简档的方式可以支持：从调制解调器诊断数据、分派数据和/或客户数据确定度量，标识调制解调器诊断数据、分派数据和/或客户数据中的特征和/或模式，使用关于调制解调器诊断数据、分派数据和/或客户数据的概率、统计、假定检验等，等等。
如附图标记440所示，设备分析平台可以包括一组调制解调器内子模型和一组调制解调器间子模型，以便处理多实体简档。例如，该组调制解调器内子模型和该组调制解调器间子模型可以类似于本文中其他地方描述的其他模型。
在一些实现中，该组调制解调器内子模型可以与分析与特定调制解调器相关的数据有关，诸如以确定与该调制解调器相关的数据的特征，以确定从该数据确定的各种度量之间的关系，等等。例如，该组调制解调器内子模型可以包括类似于本文中其他地方描述的KDE模型。继续先前的示例，KDE模型可以包括用于估计度量的概率分布的非参数模型。另外地或替代地，并且作为另一示例，该组调制解调器内子模型可以包括类似于本文中其他地方描述的神经网络。继续先前的示例，神经网络可以组合和/或处理调制解调器诊断数据、分派数据和/或客户数据的特征，可以分析调制解调器诊断数据、分派数据和/或客户数据之间的非线性关系和/或输出得分(如本文中其他地方描述的)。
在一些实现中，该组调制解调器间子模型可以与按调制解调器诊断数据、分派数据和/或客户数据来对不同调制解调器进行分组，标识各组调制解调器之间的异常等等有关。例如，该组调制解调器间子模型可以包括用于基于从调制解调器诊断数据、分派数据和/或客户数据确定的度量来对调制解调器进行分组的k均值聚类模型。另外地或替代地，并且作为另一示例，该组调制解调器间子模型可以包括类似于本文中其他地方描述的孤立森林模型。继续先前的示例，孤立森林模型可以与检测调制解调器操作中的异常和/或异常值有关。
如附图标记445所示，设备分析平台可以包括模型，该模型在该组调制解调器内子模型和该组调制解调器间子模型的输出上被训练和/或组合这些输出，诸如以确定类似于本文中其他地方描述的得分。例如，模型可以包括随机森林模型、神经网络模型等。如附图标记450所示，设备分析平台可以输出呼叫概率得分(例如，其标识调制解调器与服务呼叫相关联的可能性)、服务呼叫的原因(例如，服务呼叫的可能原因)、分派概率得分(例如，其标识需要将技术人员分派到调制解调器的位置的可能性)、非生产分派(NPD)概率得分(例如，其标识所分派的技术人员将无法解决提示服务呼叫的问题的可能性)等。
以这种方式，设备分析平台提供了可以用于在组织的日常运营中轻松且快速地利用大数据和/或机器学习技术的工具。相对于不使用设备分析平台，这增加了大数据和/或机器学习技术的可用性。另外，这支持了实时或接近实时地将大数据和/或机器学习技术用于批处理等。
图4A-4B仅作为示例提供。其他示例可以与关于图4A-4B描述的示例不同。例如，虽然在一组调制解调器的上下文中描述了图4A-4B，但是实现同样适用于其他类型的设备，诸如其他网络设备(例如，路由器)、客户端设备、服务器设备等。
图5是其中可以实现本文中描述的系统和/或方法的示例环境500的图。如图5所示，环境500可以包括客户端设备510、服务器设备520、托管在包括一组计算资源534的云计算环境532内的设备分析平台530、以及网络550。环境500的设备可以通过有线连接、无线连接或有线和无线连接的组合来互连。
客户端设备510包括能够接收、生成、存储、处理和/或提供与被管理设备的操作相关联的数据的一个或多个设备。例如，客户端设备510可以包括移动电话(例如，智能电话、无线电话等)、膝上型计算机、平板计算机、手持计算机、游戏设备、可穿戴通信设备(例如，智能手表、智能眼镜等)、台式计算机或类似类型的设备。在一些实现中，客户端设备510可以向设备分析平台530提供与引起设备分析平台530处理被管理设备的操作数据相关的信息，如本文中其他地方描述的。
服务器设备520包括能够接收、生成、存储、处理和/或提供与一组被管理设备的操作相关联的数据的一个或多个设备。例如，服务器设备520可以包括服务器(例如，在数据中心或云计算环境中)、数据中心(例如，多服务器微数据中心)、工作站计算机、设置在云计算环境中的虚拟机(VM)、或类似类型的设备。在一些实现中，服务器设备520可以包括允许服务器设备520从环境500中的其他设备接收信息和/或向环境500中的其他设备传送信息的通信接口。在一些实现中，服务器设备520可以是在诸如机箱等外壳内实现的物理设备。在一些实现中，服务器设备520可以是由云计算环境或数据中心的一个或多个计算机设备实现的虚拟设备。在一些实现中，服务器设备520可以向设备分析平台530提供要由设备分析平台530处理的操作数据，如本文中其他地方描述的。
设备分析平台530包括能够接收、生成、存储、处理和/或提供与被管理设备相关联的操作数据的一个或多个设备。例如，设备分析平台530可以包括云服务器或一组云服务器。在一些实现中，设备分析平台530可以被设计为模块化的，使得可以根据特定需要来交换入或交换出某些软件组件。这样，可以容易地和/或快速地将设备分析平台530重新配置为不同的用途。
在一些实现中，如图5所示，设备分析平台530可以托管在云计算环境532中。值得注意的是，尽管本文中描述的实现将设备分析平台530描述为托管在云计算环境532中，但是在一些实现中，设备分析平台530可以是非基于云的(即，可以在云计算环境之外实现)，或者可以部分基于云。
云计算环境532包括托管设备分析平台530的环境。云计算环境532可以提供不需要最终用户了解托管设备分析平台530的系统和/或设备的物理位置和配置的计算、软件、数据访问、存储等服务。如图所示，云计算环境532可以包括一组计算资源534(统称为“计算资源534”，单独称为“计算资源534”)。
计算资源534包括一个或多个个人计算机、工作站计算机、服务器设备、或其他类型的计算和/或通信设备。在一些实现中，计算资源534可以托管设备分析平台530。云资源可以包括在计算资源534中执行的计算实例、在计算资源534中提供的存储设备、由计算资源534提供的数据传输设备等。在一些实现中，计算资源534可以经由有线连接、无线连接或有线和无线连接的组合与其他计算资源534通信。
如图5进一步所示，计算资源534可以包括一组云资源，诸如一个或多个应用(“APP”)534-1、一个或多个虚拟机(“VM”)534-2、一个或多个虚拟化存储装置(“VS”)534-3或一个或多个虚拟机管理程序(“HYP”)534-4。
应用534-1包括可以提供给环境500的一个或多个设备或由环境500的一个或多个设备访问的一个或多个软件应用。应用534-1可以消除在环境500的设备上安装和执行软件应用程序的需要。例如，应用534-1可以包括与设备分析平台530相关联的软件和/或能够经由云计算环境532提供的任何其他软件。在一些实现中，一个应用534-1可以经由虚拟机534-2向/从一个或多个其他应用534-1发送/接收信息。在一些实现中，应用534-1可以包括与一个或多个数据库和/或操作系统相关联的软件应用。例如，应用534-1可以包括企业应用、功能应用、分析应用等。
虚拟机534-2包括执行诸如物理机等程序的机器(例如，计算机)的软件实现。虚拟机534-2可以是系统虚拟机，也可以是进程虚拟机，这取决于虚拟机534-2与任何真实机器的对应关系和使用程度。系统虚拟机可以提供支持完整操作系统(OS)的执行的完整系统平台。进程虚拟机可以执行单个程序，并且可以支持单个进程。在一些实现中，虚拟机534-2可以代表用户(例如，客户端设备510的用户)执行，并且可以管理云计算环境532的基础设施，诸如数据管理、同步或长时间数据传输。
虚拟存储534-3包括在计算资源534的存储系统或设备内使用虚拟化技术的一个或多个存储系统和/或一个或多个设备。在一些实现中，在存储系统的上下文内，虚拟化类型可以包括块虚拟化和文件虚拟化。块虚拟化可以是指逻辑存储与物理存储的抽象(或分离)，从而可以在不考虑物理存储或异构结构的情况下访问存储系统。分离可以向存储系统的管理员许可管理员如何管理最终用户的存储的灵活性。文件虚拟化可以消除在文件级别访问的数据与物理地存储有文件的位置之间的依赖性。这可以优化存储使用、服务器合并和/或无中断文件迁移的执行。
管理程序534-4提供硬件虚拟化技术，该技术允许多个操作系统(例如，“客户操作系统”)在诸如计算资源534等主机计算机上同时执行。管理程序534-4可以向客户操作系统呈现虚拟操作平台，并且可以管理客户操作系统的执行。各种操作系统的多个实例可以共享虚拟化的硬件资源。
设备监测系统540包括能够接收、生成、存储、处理和/或提供与被管理设备相关联的操作数据的一个或多个设备。例如，设备监测系统540可以包括基础设施监测系统、监测系统或类似类型的系统。在一些实现中，设备监测系统540可以向设备分析平台530提供由设备监测系统540生成的与被管理设备的操作相关的警报，如本文中其他地方描述的。
网络550包括一个或多个有线和/或无线网络。例如，网络550可以包括蜂窝网络(例如，长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网(例如，公共交换电话网(PSTN))、专用网络、自组织网络、内联网、因特网、基于光纤的网络、云计算网络等、和/或这些或其他类型的网络的组合。
图5所示的设备和网络的数目和布置作为示例提供。实际上，可以存在与图5所示的相比更多的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或者不同地布置的设备和/或网络。此外，图5所示的两个或更多个设备可以在单个设备内实现，或者，图5所示的单个设备可以实现为多个分布式设备。另外地或替代地，环境500的一组设备(例如，一个或多个设备)可以执行被描述为由环境500的另一组设备执行的一个或多个功能。
图6是设备600的示例组件的图。设备600可以对应于客户端设备510、服务器设备520、设备分析平台530、计算资源534和/或设备监测系统540。在一些实现中，客户端设备510、服务器设备520、设备分析平台530、计算资源534和/或设备监测系统540可以包括一个或多个设备600和/或设备600的一个或多个组件。如图6所示，设备600可以包括总线610、处理器620、存储器630、存储组件640、输入组件650、输出组件660和通信接口670。
总线610包括允许设备600的组件之间通信的组件。处理器620用硬件、固件或硬件和软件的组合来实现。处理器620是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他类型的处理组件。在一些实现中，处理器620包括能够被编程为执行功能的一个或多个处理器。存储器630包括随机存取存储器(RAM)、只读存储器(ROM)、和/或存储用于由处理器620使用的信息和/或指令的其他类型的动态或静态存储设备(例如，闪存、磁存储器和/或光存储器)。
存储组件640存储与设备600的操作和使用相关的信息和/或软件。例如，存储组件640可以包括硬盘(例如，磁盘、光盘、磁光盘、和/或固态盘)、光盘(CD)、数字通用盘(DVD)、软盘、盒式磁带、磁带和/或其他类型的非暂态计算机可读介质、以及对应的驱动器。
输入组件650包括允许设备600接收信息的组件，诸如经由用户输入(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)。另外地或替代地，输入组件650可以包括用于感测信息的传感器(例如，全球定位系统(GPS)组件、加速度计、陀螺仪和/或致动器)。输出组件660包括提供来自设备600的输出信息的组件(例如，显示器、扬声器和/或一个或多个发光二极管(LED))。
通信接口670包括使得设备600能够与其他设备通信的类似收发器的组件(例如，收发器、和/或单独的接收器和发射器)，诸如经由有线连接、无线连接或有线和无线连接组合。通信接口670可以允许设备600从另一设备接收信息和/或向另一设备提供信息。例如，通信接口670可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。
设备600可以执行本文中描述的一个或多个过程。设备600可以基于处理器620执行由非暂态计算机可读介质(诸如存储器630和/或存储组件640)存储的软件指令来执行这些过程。计算机可读介质在本文中定义为非暂态存储器设备。存储器设备包括单个物理存储设备内的存储器空间或跨多个物理存储设备分布的存储器空间。
软件指令可以经由通信接口670从另一计算机可读介质或从另一设备读取到存储器630和/或存储组件640中。当被执行时，存储在存储器630和/或存储组件640中的软件指令可以引起处理器620执行本文中描述的一个或多个过程。另外地或替代地，可以使用硬连线电路代替软件指令或与软件指令相结合来执行本文中描述的一个或多个过程。因此，本文中描述的实现不限于硬件电路和软件的任何特定组合。
图6所示的组件的数目和布置作为示例提供。实际上，设备600可以包括与图6所示的相比更多的组件、更少的组件、不同的组件、或者不同地布置的组件。另外地或替代地，设备600的一组组件(例如，一个或多个组件)可以执行被描述为由设备600的另一组组件执行的一个或多个功能。
图7是用于分析设备相关数据以生成和/或抑制设备相关警报的示例过程700的流程图。在一些实现中，图7的一个或多个过程框可以由设备分析平台(例如，设备分析平台530)执行。在一些实现中，图7的一个或多个过程框可以由与设备分析平台分离或包括设备分析平台的另一设备或一组设备来执行，诸如客户端设备(例如，客户端设备510)、服务器设备(例如，服务器设备520)、计算资源(例如，计算资源534)、设备监测系统(例如，设备监测系统540)等。
如图7所示，过程700可以包括接收与多个被管理设备的操作相关的至少一个警报的指示和与多个被管理设备的操作相关的数据，其中至少一个警报是从正在监测多个被管理设备的操作的监测系统接收的(框710)。例如，设备分析平台(例如，使用计算资源534、处理器620、输入组件650、通信接口670等)可以接收与多个被管理设备的操作相关的至少一个警报的指示和与多个被管理设备的操作相关的数据，如上所述。在一些实现中，至少一个警报的指示是从正在监测多个被管理设备的操作的监测系统接收的。
如图7进一步所示，过程700可以包括在接收到数据之后确定该数据的多实体简档，其中该多实体简档包括按多个被管理设备的一个或多个属性的对数据的一组分组(框720)。例如，如上所述，设备分析平台(例如，使用计算资源534、处理器620等)可以在接收到数据之后确定该数据的多实体简档，如上所述。在一些实现中，该多实体简档包括按多个被管理设备的一个或多个属性的对数据的一组分组。
如图7进一步所示，过程700可以包括在确定多实体简档之后使用多实体简档确定数据的一组子模型，其中该组子模型中的至少一个子模型与将该数据置于多个被管理设备的上下文中相关联(框730)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以在确定多实体简档之后使用多实体简档确定数据的一组子模型，如上所述。在一些实现中，该组子模型中的至少一个子模型与将该数据置于多个被管理设备的上下文中相关联。
如图7进一步所示，过程700可以包括基于该组子模型生成模型(框740)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以基于该组子模型来生成模型，如上所述。
如图7进一步所示，过程700可以包括在生成模型之后利用该模型确定多个被管理设备的相应得分，其中相应得分用于标识以下中的至少一项：至少一个警报中的要抑制的一个或多个警报、或者多个被管理设备中的要替换的一个或多个被管理设备(框750)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以在生成模型之后利用该模型确定多个被管理设备的相应得分，如上所述。在一些实现中，相应得分用于标识以下中的至少一项：至少一个警报中的要抑制的一个或多个警报、或者多个被管理设备中的要替换的一个或多个被管理设备。
如图7进一步所示，过程700可以包括在确定多个被管理设备的相应得分之后执行与多个被管理设备中的至少一个被管理设备和至少一个警报相关的一个或多个动作(框760)。例如，设备分析平台(例如，使用计算资源534、处理器620、存储器630、存储组件640、输出组件660、通信接口670等)可以在确定多个被管理设备的相应得分之后执行与多个被管理设备中的至少一个被管理设备和至少一个警报相关的一个或多个动作，如上所述。
过程700可以包括其他实现，诸如下文中描述的和/或结合本文中其他地方描述的一个或多个其他过程而描述的任何单个实现或任何实现的组合。
在一些实现中，多个被管理设备包括多个网络设备。在一些实现中，设备分析平台可以在确定多实体简档之后使用内核密度估计(KDE)模型来处理多实体简档；并且可以基于使用KDE模型处理多实体简档来确定该组子模型中的一组度量子模型。
在一些实现中，设备分析平台可以在确定多实体简档之后基于多个被管理设备的一个或多个属性来对多个被管理设备进行分组，或者可以在确定多实体简档之后，为多个被管理设备生成多元度量模型；并且可以在对多个被管理设备进行分组之后或者基于多元度量模型来确定该组子模型中的一组设备子模型。在一些实现中，设备分析平台可以生成以下中的至少一项作为模型：孤立森林或神经网络；并且可以利用孤立森林或神经网络中的至少一项来确定相应得分。
在一些实现中，设备分析平台可以基于以下中的至少一项来确定多实体简档：多个被管理设备的相应类型、多个被管理设备的相应年龄、或多个被管理设备的相应位置。在一些实现中，设备分析平台可以基于多个被管理设备的相应得分来确定多个被管理设备的操作的相应质量；并且可以防止将一个或多个警报发送到与管理多个被管理设备相关联的客户端设备以抑制警报；并且可以提供标识警报被抑制的消息以进行显示。
尽管图7示出了过程700的示例框，但是在一些实现中，过程700可以包括与图7所示的相比更多的框、更少的框、不同的框或不同地布置的框。另外地或替代地，过程700的两个或更多个框可以并行执行。
图8是用于分析设备相关数据以生成和/或抑制设备相关警报的示例过程800的流程图。在一些实现中，图8的一个或多个过程框可以由设备分析平台(例如，设备分析平台530)执行。在一些实现中，图8的一个或多个过程框可以由与设备分析平台分离或包括设备分析平台的另一设备或一组设备来执行，诸如客户端设备(例如，客户端设备510)、服务器设备(例如，服务器设备520)、计算资源(例如，计算资源534)、设备监测系统(例如，设备监测系统540)等。
如图8所示，过程800可以包括接收与多个被管理设备的操作相关的至少一个警报和与多个被管理设备的操作相关的数据，其中至少一个警报是从与多个被管理设备相关联的设备监测系统接收的，并且其中与操作相关的数据是从多个被管理设备接收的(框810)。例如，设备分析平台(例如，使用计算资源534、处理器620、通信接口670等)可以接收与多个被管理设备的操作相关的至少一个警报和与多个被管理设备的操作相关的数据，如上所述。在一些实现中，至少一个警报是从与多个被管理设备相关联的设备监测系统接收的。在一些实现中，与操作相关的数据是从多个被管理设备接收的。
如图8进一步所示，过程800可以包括在接收到数据之后基于多个被管理设备的一个或多个属性来确定数据的多实体简档(框820)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以在接收到数据之后基于多个被管理设备的一个或多个属性来确定数据的多实体简档，如上所述。
如图8进一步所示，过程800可以包括在确定多实体简档之后使用多实体简档确定与操作相关的数据的一组子模型，其中该组子模型与以置于上下文中的方式处理数据相关联(框830)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以在确定多实体简档之后使用多实体简档确定与操作相关的数据的一组子模型，如上所述。在一些实现中，该组子模型与以置于上下文中的方式处理数据相关联。
如图8进一步所示，过程800可以包括基于该组子模型生成模型，其中该模型与标识以下中的至少一项相关联：至少一个警报中的要抑制的一个或多个警报、或者多个被管理设备中的要替换的一个或多个被管理设备(框840)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以基于该组子模型生成模型，如上所述。在一些实现中，该模型与标识以下中的至少一项相关联：至少一个警报中的要抑制的一个或多个警报、或者多个被管理设备中的要替换的一个或多个被管理设备。
如图8进一步所示，过程800可以包括在确定操作的相应得分之后执行与多个被管理设备或至少一个警报相关的一个或多个动作(框850)。例如，设备分析平台(例如，使用计算资源534、处理器620、存储器630、存储组件640、输出组件660、通信接口670和/或类似物)可以在确定操作的相应得分之后执行与多个被管理设备或至少一个警报相关的一个或多个动作，如上所述。
过程800可以包括其他实现，诸如本文中描述的和/或结合本文中其他地方描述的一个或多个其他过程而描述的任何单个实现或任何实现的组合。
在一些实现中，设备分析平台可以在生成模型之后利用模型来确定多个被管理设备的操作的相应得分，其中相应得分指示多个被管理设备的操作的相应质量；并且可以基于相应得分生成抑制一个或多个警报的推荐。在一些实现中，设备分析平台可以在确定相应得分之后，基于相应得分来确定多个被管理设备中的需要被替换的一个或多个被管理设备；并且在确定需要被替换的一个或多个被管理设备之后，可以生成与替换一个或多个被管理设备相关的工作命令。
在一些实现中，设备分析平台可以基于将该组子模型的一组度量子模型和该组子模型的一组设备子模型组合成模型来生成模型。在一些实现中，与多个被管理设备的操作相关的数据可以标识以下中的至少一项的值：多个被管理设备的相应输入利用率、多个被管理设备的相应输出利用率、多个被管理设备的相应中央处理单元(CPU)利用率、或与多个被管理设备的通信相关联的相应抖动。
在一些实现中，设备分析平台可以基于相应得分中的多个被管理设备中的第一被管理设备的第一得分来断电第一被管理设备；并且可以与基于第一得分断电第一被管理设备之后，上电多个被管理设备中的第二被管理设备。在一些实现中，多实体简档包括按多个被管理设备的一个或多个属性的对与操作相关的数据的一组分组。
尽管图8示出了过程800的示例框，但是在一些实现中，过程800可以包括与图8所示的相比更多的框、更少的框、不同的框或不同地布置的框。过程800的两个或更多个框可以并行执行。
图9是用于分析设备相关数据以生成和/或抑制设备相关警报的示例过程900的流程图。在一些实现中，图9的一个或多个过程框可以由设备分析平台(例如，设备分析平台530)执行。在一些实现中，图9的一个或多个过程框可以由与设备分析平台分离或包括设备分析平台的另一设备或一组设备来执行，诸如客户端设备(例如，客户端设备510)、服务器设备(例如，服务器设备520)、计算资源(例如，计算资源534)、设备监测系统(例如，设备监测系统540)等。
如图9所示，过程900可以包括接收与多个被管理设备相关的数据，其中该数据包括以下中的至少一项：与多个被管理设备的操作相关的诊断数据、与关联于多个被管理设备的相应服务历史相关联的呼叫分派数据、或与关联于多个被管理设备的相应客户相关联的客户数据(框910)。例如，设备分析平台(例如，使用计算资源534、处理器620、通信接口670等)可以接收与多个被管理设备相关的数据，如上所述。在一些实现中，该数据包括以下中的至少一项：与多个被管理设备的操作相关的诊断数据、与关联于多个被管理设备的相应服务历史相关联的呼叫分派数据、或与关联于多个被管理设备的相应客户相关联的客户数据。
如图9进一步所示，过程900可以包括在接收到数据之后确定该数据的多实体简档，其中该多实体简档包括按多个被管理设备的一个或多个属性的对该数据的一组分组(框920)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以在接收到数据之后确定该数据的多实体简档，如上所述。在一些实现中，该多实体简档包括按多个被管理设备的一个或多个属性的对该数据的一组分组。
如图9进一步所示，过程900可以包括在确定多实体简档之后使用多实体简档来确定数据的一组子模型，其中该组子模型与以置于上下文中的方式处理该数据相关联(框930)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以在确定多实体简档之后使用多实体简档来确定数据的一组子模型，如上所述。在一些实现中，该组子模型与以置于上下文中的方式处理该数据相关联。
如图9进一步所示，过程900可以包括基于该组子模型生成模型(框940)。例如，设备分析平台(例如，使用计算资源534、处理器620等)可以基于该组子模型来生成模型，如上所述。
如图9进一步所示，过程900可以包括在生成模型之后基于与多个被管理设备相关联的相应得分来执行与多个被管理设备相关的一个或多个动作(框950)。例如，设备分析平台(例如，使用计算资源534、处理器620、存储器630、存储组件640、输出组件660、通信接口670和/或类似物)可以执行在生成模型之后基于与多个被管理设备相关联的相应得分来执行与多个被管理设备相关的一个或多个动作，如上所述。
过程900可以包括其他实现，诸如本文中描述的和/或结合本文中描述的一个或多个其他过程而描述的任何单个实现或任何实现的组合。
在一些实现中，设备分析平台可以在接收到数据之后从数据确定多个被管理设备的相应服务历史。在一些实现中，设备分析平台可以利用模型来确定多个被管理设备的相应得分，其中相应得分基于相应服务历史指示多个被管理设备的操作的相应质量。
在一些实现中，设备分析平台可以接收与多个被管理设备中的被管理设备相关的服务请求电话呼叫；并且可以基于相应得分中的与被管理设备的操作相关联的得分来确定服务请求电话呼叫的优先级。在一些实现中，设备分析平台可以基于优先级将服务请求电话呼叫转移至以下中的至少一项：与客户服务代表相关联的电话、或交互式语音响应(IVR)系统。在一些实现中，设备分析平台可以向网络技术人员发送消息以基于优先级将网络技术人员分派到与服务请求电话呼叫相关联的被管理设备的位置。
尽管图9示出了过程900的示例框，但是在一些实现中，过程900可以包括与图9所示的相比更多的框、更少的框、不同的框或不同地布置的框。另外地或替代地，过程900的两个或更多个框可以并行执行。
前述公开内容提供说明和描述，但并非旨在穷举或将实现限于所公开的精确形式。修改和变化鉴于以上公开内容而是可能的，或者可以从实现的实践中获取。
如本文中使用的，术语“组件”旨在广义地解释为硬件、固件或硬件和软件的组合。
本文中结合阈值描述了一些实现。如本文中使用的，取决于上下文，满足阈值可以是指这样的值：大于阈值，多于阈值，高于阈值，大于或等于阈值，小于阈值，少于阈值，低于阈值，小于或等于阈值，等于阈值。
很清楚的是，本文中描述的系统和/或方法可以以不同形式的硬件、固件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实现。因此，本文中描述了系统和/或方法的操作和行为，而没有参考特定的软件代码——应当理解，可以设计软件和硬件以基于本文中的描述来实现这些系统和/或方法。
尽管在权利要求中陈述和/或在说明书中公开了特征的特定组合，但是这些组合并不旨在限制各种实现的公开。实际上，这些特征中的很多特征可以以未在权利要求中具体陈述和/或在说明书中公开的方式进行组合。尽管下面列出的每个从属权利要求可以直接仅从属于一个权利要求，但是各种实现的公开包括每个从属权利要求与权利要求集合中的每个其他权利要求的组合。
除非明确地如此描述，否则本文中使用的元素、动作或指令不应当被解释为是关键或必要的。此外，如本文中使用的，冠词“一个(a)”和“一个(an)”旨在包括一个或多个项目，并且可以与“一个或多个”可互换地使用。此外，如本文中使用的，术语“集合”旨在包括一个或多个项目(例如，相关项目、不相关项目、相关和不相关项目的组合等)，并且可以与“一个或多个”可互换地使用。在仅旨在一个项目的情况下，使用术语“仅一个(only one)”或类似的语言。此外，如本文中使用的，术语“具有(has)”、“具有(have)”、“具有(having)”等意图是开放式术语。此外，除非另有明确说明，否则短语“基于”旨在表示“至少部分基于”。

Claims (20)

1.一种用于分析设备相关数据的方法，包括：
由设备接收与多个被管理设备的操作相关的至少一个警报的指示和与所述多个被管理设备的所述操作相关的数据，
其中所述至少一个警报的所述指示是从正在监测所述多个被管理设备的所述操作的监测系统接收的；
由所述设备在接收到所述数据之后确定所述数据的多实体简档，其中所述多实体简档包括按照所述多个被管理设备的一个或多个属性的对所述数据的一组分组；
在确定所述多实体简档之后，由所述设备使用内核密度估计KDE模型处理所述多实体简档；
由所述设备基于使用所述KDE模型处理所述多实体简档之后，使用所述多实体简档确定所述数据的一组子模型，
其中所述一组子模型中的至少一个子模型与将所述数据置于所述多个被管理设备的上下文中相关联；
由所述设备基于所述一组子模型生成模型；
由所述设备在生成所述模型之后利用所述模型确定所述多个被管理设备的相应得分，
其中所述相应得分被用于标识以下中的至少一项：
所述至少一个警报中的要抑制的一个或多个警报，或者
所述多个被管理设备中的要替换的一个或多个被管理设备；以及
由所述设备在确定所述多个被管理设备的所述相应得分之后执行与所述多个被管理设备中的至少一个被管理设备和所述至少一个警报相关的一个或多个动作，
其中执行所述一个或多个动作包括：
生成与替换所述多个被管理设备中的所述至少一个被管理设备相关的工作命令。
2.根据权利要求1所述的方法，其中所述多个被管理设备包括多个网络设备。
3.根据权利要求1所述的方法，其中确定所述一组子模型包括：
基于使用所述KDE模型处理所述多实体简档，确定所述一组子模型中的一组度量子模型。
4.根据权利要求1所述的方法，还包括：
在确定所述多实体简档之后，基于所述多个被管理设备的所述一个或多个属性对所述多个被管理设备进行分组，或者
在确定所述多实体简档之后，为所述多个被管理设备生成多元度量模型；以及
其中确定所述一组子模型包括：
在对所述多个被管理设备进行分组之后或者基于所述多元度量模型，确定所述一组子模型中的一组设备子模型。
5.根据权利要求1所述的方法，其中生成所述模型包括：
生成以下中的至少一项作为所述模型：
孤立森林，或者
神经网络；以及
其中确定所述相应得分包括：
利用所述孤立森林或所述神经网络中的至少一项来确定所述相应得分。
6.根据权利要求1所述的方法，其中确定所述多实体简档包括：
基于以下中的至少一项确定所述多实体简档：
所述多个被管理设备的相应类型，
所述多个被管理设备的相应年龄，或者
所述多个被管理设备的相应位置。
7.根据权利要求1所述的方法，还包括：
基于所述多个被管理设备的所述相应得分，确定所述多个被管理设备的所述操作的相应质量；以及
其中执行所述一个或多个动作包括：
防止所述一个或多个警报被发送到与管理所述多个被管理设备相关联的客户端设备以抑制至少所述一个或多个警报；以及
提供标识至少所述一个或多个警报被抑制的消息以用于经由显示器进行显示。
8.一种用于分析设备相关数据的设备，包括：
一个或多个存储器；以及
通信地耦合到所述一个或多个存储器的一个或多个处理器，用于：
接收与多个被管理设备的操作相关的至少一个警报和与所述多个被管理设备的所述操作相关的数据，
其中所述至少一个警报是从与所述多个被管理设备相关联的设备监测系统接收的，以及
其中与所述操作相关的所述数据是从所述多个被管理设备接收的；
在接收到所述数据之后，基于所述多个被管理设备的一个或多个属性来确定所述数据的多实体简档；
在确定所述多实体简档之后，使用内核密度估计KDE模型处理所述多实体简档；
基于使用所述KDE模型处理所述多实体简档之后，使用所述多实体简档确定与所述操作相关的所述数据的一组子模型，
其中所述一组子模型与以置于上下文中的方式处理所述数据相关联；
基于所述一组子模型生成模型，
其中所述模型与标识以下中的至少一项相关联：
所述至少一个警报中的要抑制的一个或多个警报，或者
所述多个被管理设备中的要替换的一个或多个被管理设备；以及
在确定所述操作的相应得分之后，执行与所述多个被管理设备或所述至少一个警报相关的一个或多个动作，
其中执行所述一个或多个动作包括：
生成与替换所述多个被管理设备中的至少一个被管理设备相关的工作命令。
9.根据权利要求8所述的设备，其中所述一个或多个处理器还用于：
在生成所述模型之后，利用所述模型确定所述多个被管理设备的所述操作的所述相应得分，
其中所述相应得分指示所述多个被管理设备的所述操作的相应质量；以及
其中所述一个或多个处理器在执行所述一个或多个动作时用于：
基于所述相应得分生成抑制所述一个或多个警报的推荐。
10.根据权利要求9所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时用于：
在确定所述相应得分之后，基于所述相应得分确定所述多个被管理设备中的需要被替换的一个或多个被管理设备；以及
在确定所述需要被替换的一个或多个被管理设备之后，生成所述工作命令。
11.根据权利要求8所述的设备，其中所述一个或多个处理器在生成所述模型时用于：
基于将所述一组子模型的一组度量子模型和所述一组子模型的一组设备子模型组合成所述模型，来生成所述模型。
12.根据权利要求8所述的设备，其中与所述多个被管理设备的所述操作相关的所述数据标识以下中的至少一项的值：
所述多个被管理设备的相应输入利用率，
所述多个被管理设备的相应输出利用率，
所述多个被管理设备的相应中央处理单元(CPU)利用率，或者
与所述多个被管理设备的通信相关联的相应抖动。
13.根据权利要求8所述的设备，其中所述一个或多个处理器在执行所述一个或多个动作时用于：
基于所述相应得分中的所述多个被管理设备中的第一被管理设备的第一得分，来断电所述第一被管理设备；以及
在基于所述第一得分断电所述第一被管理设备之后，上电所述多个被管理设备中的第二被管理设备。
14.根据权利要求8所述的设备，其中所述多实体简档包括按照所述多个被管理设备的所述一个或多个属性的对与所述操作相关的所述数据的一组分组。
15.一种存储指令的非暂态计算机可读介质，所述指令包括：
在由一个或多个处理器执行时引起所述一个或多个处理器执行以下操作的一个或多个指令：
接收与多个被管理设备相关的数据，
其中所述数据包括以下中的至少一项：
与所述多个被管理设备的操作相关联的诊断数据，
与关联于所述多个被管理设备的相应服务历史相关联的呼叫分派数据，或者
与关联于所述多个被管理设备的相应客户相关联的客户数据；
在接收到所述数据之后，确定所述数据的多实体简档，
其中所述多实体简档包括按照所述多个被管理设备的一个或多个属性的对所述数据的一组分组；
在确定所述多实体简档之后，使用内核密度估计KDE模型处理所述多实体简档；
基于使用所述KDE模型处理所述多实体简档之后，使用所述多实体简档确定所述数据的一组子模型，
其中所述一组子模型与以置于上下文中的方式处理所述数据相关联；
基于所述一组子模型生成模型；以及
在生成所述模型之后，基于与所述多个被管理设备相关联的相应得分，执行针对所述多个被管理设备的一个或多个动作；
其中执行所述一个或多个动作包括：
生成与替换所述多个被管理设备中的至少一个被管理设备相关的工作命令。
16.根据权利要求15所述的非暂态计算机可读介质，其中所述一个或多个指令在由所述一个或多个处理器执行时还引起所述一个或多个处理器：
在接收到所述数据之后，从所述数据确定所述多个被管理设备的所述相应服务历史。
17.根据权利要求16所述的非暂态计算机可读介质，其中所述一个或多个指令在由所述一个或多个处理器执行时引起所述一个或多个处理器：
利用所述模型确定所述多个被管理设备的所述相应得分，
其中所述相应得分基于所述相应服务历史指示所述多个被管理设备的所述操作的相应质量。
18.根据权利要求15所述的非暂态计算机可读介质，其中所述一个或多个指令在由所述一个或多个处理器执行时还引起所述一个或多个处理器：
接收与所述多个被管理设备中的被管理设备相关的服务请求电话呼叫；以及
其中引起所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令引起所述一个或多个处理器：
基于所述相应得分中的与所述被管理设备的所述操作相关联的得分，来确定所述服务请求电话呼叫的优先级。
19.根据权利要求18所述的非暂态计算机可读介质，其中引起所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令引起所述一个或多个处理器：
基于所述优先级将所述服务请求电话呼叫转移至以下中的至少一项：
与客户服务代表相关联的电话，或者
交互式语音响应IVR系统。
20.根据权利要求18所述的非暂态计算机可读介质，其中引起所述一个或多个处理器执行所述一个或多个动作的所述一个或多个指令引起所述一个或多个处理器：
向网络技术人员发送消息，以基于所述优先级将所述网络技术人员分派到与所述服务请求电话呼叫相关联的所述被管理设备的位置。
CN201911311213.5A 2018-12-19 2019-12-18 分析设备相关数据以生成和/或抑制设备相关警报 Active CN111338913B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/225,983 US10771562B2 (en) 2018-12-19 2018-12-19 Analyzing device-related data to generate and/or suppress device-related alerts
US16/225,983 2018-12-19

Publications (2)

Publication Number Publication Date
CN111338913A CN111338913A (zh) 2020-06-26
CN111338913B true CN111338913B (zh) 2023-10-24

Family

ID=68732808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911311213.5A Active CN111338913B (zh) 2018-12-19 2019-12-18 分析设备相关数据以生成和/或抑制设备相关警报

Country Status (3)

Country Link
US (1) US10771562B2 (zh)
EP (1) EP3671580A1 (zh)
CN (1) CN111338913B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11562315B2 (en) 2018-08-31 2023-01-24 Accenture Global Solutions Limited Detecting an issue related to a report
US11617093B1 (en) * 2021-03-05 2023-03-28 T-Mobile Usa, Inc. Prioritizing an issue reported by a user of a wireless telecommunication network
US20230132786A1 (en) * 2021-10-29 2023-05-04 Rakuten Mobile, Inc. Artificial intelligence based power consumption optimization
US11909579B2 (en) * 2021-11-23 2024-02-20 Adobe Inc. Autonomous auditing and remediation of it asset records
TWI827411B (zh) * 2022-12-21 2023-12-21 新唐科技股份有限公司 微控制電路及處理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665568A (zh) * 2016-07-27 2018-02-06 埃森哲环球解决方案有限公司 为工作场所安全提供预测警报
US10038611B1 (en) * 2018-02-08 2018-07-31 Extrahop Networks, Inc. Personalization of alerts based on network monitoring
CN108960272A (zh) * 2017-04-27 2018-12-07 埃森哲环球解决方案有限公司 基于机器学习技术的实体分类

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8065397B2 (en) * 2006-12-26 2011-11-22 Axeda Acquisition Corporation Managing configurations of distributed devices
US9460155B2 (en) 2013-03-06 2016-10-04 Kunal Verma Method and system of continuous contextual user engagement
US9865156B2 (en) 2015-09-23 2018-01-09 Schneider Electric Systems Usa, Inc. System for contextualizing and resolving alerts
US9996409B2 (en) * 2016-03-28 2018-06-12 Ca, Inc. Identification of distinguishable anomalies extracted from real time data streams
US10264120B2 (en) * 2016-12-30 2019-04-16 Accenture Global Solutions Limited Automated data collection and analytics
US11277420B2 (en) * 2017-02-24 2022-03-15 Ciena Corporation Systems and methods to detect abnormal behavior in networks
US10516999B1 (en) * 2018-10-11 2019-12-24 Verizon Patent And Licensing Inc. Systems and methods for self-organizing network provisioning based on signal path image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107665568A (zh) * 2016-07-27 2018-02-06 埃森哲环球解决方案有限公司 为工作场所安全提供预测警报
CN108960272A (zh) * 2017-04-27 2018-12-07 埃森哲环球解决方案有限公司 基于机器学习技术的实体分类
US10038611B1 (en) * 2018-02-08 2018-07-31 Extrahop Networks, Inc. Personalization of alerts based on network monitoring

Also Published As

Publication number Publication date
CN111338913A (zh) 2020-06-26
US10771562B2 (en) 2020-09-08
EP3671580A1 (en) 2020-06-24
US20200204628A1 (en) 2020-06-25

Similar Documents

Publication Publication Date Title
CN111338913B (zh) 分析设备相关数据以生成和/或抑制设备相关警报
US10693740B2 (en) Data transformation of performance statistics and ticket information for network devices for use in machine learning models
US11190425B2 (en) Anomaly detection in a network based on a key performance indicator prediction model
US10270644B1 (en) Framework for intelligent automated operations for network, service and customer experience management
US11488041B2 (en) System and method for predicting incidents using log text analytics
US11537459B2 (en) Automatically predicting device failure using machine learning techniques
US11907840B2 (en) Method and system for generating a dynamic sequence of actions
US10797938B2 (en) Automatic monitoring, correlation, and resolution of network alarm conditions
AU2022259730B2 (en) Utilizing machine learning models to determine customer care actions for telecommunications network providers
US9860109B2 (en) Automatic alert generation
US11743237B2 (en) Utilizing machine learning models to determine customer care actions for telecommunications network providers
CN114064196A (zh) 用于预测性保障的系统和方法
US10169330B2 (en) Anticipatory sample analysis for application management
US10581637B2 (en) Computational node adaptive correction system
WO2021236278A1 (en) Automatic tuning of incident noise
US11310125B2 (en) AI-enabled adaptive TCA thresholding for SLA assurance
US11960904B2 (en) Utilizing machine learning models to predict system events based on time series data generated by a system
US11546422B2 (en) Dynamic management of locations of modules of a platform hosted by a distributed system
US20240104580A1 (en) Service level agreement management and breach detection
US20230239201A1 (en) Systems and methods for automating network slice configuration
US20220207415A1 (en) Predicting component lifespan information by processing user install base data and environment-related data using machine learning techniques
US20240028999A1 (en) Systems and methods for maintaining key performance indicator targets of a contact center

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