CN111522705A - 一种工业大数据智能运维解决方法 - Google Patents
一种工业大数据智能运维解决方法 Download PDFInfo
- Publication number
- CN111522705A CN111522705A CN202010208425.7A CN202010208425A CN111522705A CN 111522705 A CN111522705 A CN 111522705A CN 202010208425 A CN202010208425 A CN 202010208425A CN 111522705 A CN111522705 A CN 111522705A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- modeling
- normalization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012423 maintenance Methods 0.000 title claims abstract description 40
- 238000010606 normalization Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000008676 import Effects 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 230000001364 causal effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种工业大数据智能运维解决方法，该解决方法主要包括建模过程和预测阶段，建模过程包括数据采集、数据归一化、数据划分、模型建立、效果验证和模型产出，预测阶段包括数据采集、数据归一化、模型导入和结果产出。本工业大数据智能运维解决方法以工业大数据为基础，将对数据中心的运维监控数据进行清洗、挖掘和特征提取，并对数据进行归档与整理，以数据中心软硬件配置、性能监控数据为基础，结合日志易数据、APM数据以及其他相关数据，构建故障预测、故障快速定位和资源容量预测模型，对所建立的模型进行监控，分析模型的表现和效果，并记录相关结果数据，对模型进行优化迭代。
Description
技术领域
本发明涉及智能运维技术领域，尤其涉及一种工业大数据智能运维解决方法。
背景技术
随着信息技术产业的不断发展与推广，软硬件设备的运维需求呈现高速增长态势。仅从传统运维经验(预测准确性低、效率低)出发，靠机械式堆积人力的方式已无法适应新形势下多样化、复杂化、高速化的运维需求。对于条块关系复杂的政府单位或分支机构众多的大型企业而言，将大数据技术运用于运维领域成为确保工作顺利开展、提升用户满意度的必要前提。因此，需要一种工业大数据智能运维解决方法，对故障进行定位和预测。
发明内容
本发明的目的在于克服现有技术的不足，提供一种结构简单、可以储电又能够无级调节亮度的台灯。
本发明的目的通过下述技术方案实现：
一种工业大数据智能运维解决方法，该方法主要包括依次执行的建模过程阶段和预测阶段；所述建模过程阶段包括依次执行的建模数据采集、建模数据归一化、数据划分、模型建立、效果验证、以及模型产出六个步骤；所述预测阶段包括依次执行的预测数据采集、预测数据归一化、模型导入、以及结果产出四个步骤：
建模过程阶段：
步骤S1：所述建模数据采集是指从数据中心运维管理系统里获取数据的过程，获取的数据类型包括应用层面、系统资源层面、网络层面的结构化数据、半结构化以及非结构化数据。
步骤S2：建模数据归一化：由于各类数据之间存在差异，为了方便之后的建模过程，消除数据之间的差异，需要对数据进行归一化处理。
步骤S3：数据划分：根据数据的整体规模和分布采取适当的采样策略对原始数据集进行采样，采样之后将数据集作为模型建立的候选集，再采用适当的比例将候选集划分为训练集和测试集。
步骤S4：模型建立：通过基于因果关系的人工智能算法搭建进行故障定位和排查的模型。
步骤S5：效果验证：经过验证多种不同的参数组合来得到模型的最优参数。
步骤S6：模型产出：将多份数据的结果进行比对、融合，并以此得到最终的模型。
预测阶段：
步骤S7：所述预测数据采集与建模数据采集一样，从数据中心运维管理系统里获取数据，获取的数据类型包括应用层面、系统资源层面、网络层面的结构化数据、半结构化以及非结构化数据。
步骤S8：所述预测数据归一化与建模数据归一化一样：由于各类数据之间存在差异，为了方便之后的建模过程，消除数据之间的差异，需要对数据进行归一化处理。
步骤S9：模型导入：将各项运维数据录入到步骤S6的模型内，并运行模型。
步骤S10：结果产出：系统将能够快速的针对系统的故障预测、故障根因定位信息进行输出模型预测的结果。
作为本发明的优选方案，所述步骤S1和步骤S7中，在采集数据的同时将半结构化以及非结构化数据进行解析并转化为结构化数据。
作为本发明的优选方案，所述建模过程阶段,其根因的可能性的标准描述为：
其中，1为指示函数，表示规则集合
中是否存在
或者样本si是否包含I0和e0；ε0为某段时间内发生的所有事件集合，e0为其中发生的某个事件。
作为本发明的优选方案，所述步骤S4至S6中，进一步给定根故障原因集I0是根因的概率p(I0)计算方式
作为本发明的优选方案，所述步骤S4至S6中，利用划分后的数据集，在训练集上训练模型，与在测试集模型得到的结果进行对比、融合，得到最终的模型。
作为本发明的优选方案，所述步骤S8中，在预测之前，为了消除数据的统计差异，需要先进行与模型建立过程中完全一致的归一化操作，对于离散型变量不需要处理，而对于非离散型变量需要做归一化处理。
与现有技术相比，本发明还具有以下优点：
(1)本发明所提供的工业大数据智能运维解决方法能够以工业智能运维的工业大数据为基础，对数据进行故障定位、故障预测和资源容量预测；本发明满足了靠机械式堆积人力的方式已无法适应新形势下多样化、复杂化、高速化的运维需求，提高了工业运维的效率。
附图说明
图1是本发明所提供的工业大数据智能运维解决方法的流程图。
图2是本发明所提供的工业大数据智能运维解决方法的因果网络结构示意图。
图3是本发明所提供的工业大数据智能运维解决方法的故障根因定位结果数据表。
图4是本发明所提供的工业大数据智能运维解决方法的故障根因定位准确率表。
上述附图中的标号说明：
1-建模过程阶段，2-预测阶段，11-建模数据采集，12-建模数据归一化，13-数据划分，14-模型建立，15-效果验证，16-模型产出，21-预测数据采集，22-预测数据归一化，23-模型导入，24-结果产出。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明作进一步说明。
实施例1：
如图1至图4所示，本实施例公开了一种工业大数据智能运维解决方法，该方法主要包括依次执行的建模过程阶段和预测阶段；所述建模过程阶段包括依次执行的建模数据采集、建模数据归一化、数据划分、模型建立、效果验证、以及模型产出六个步骤；所述预测阶段包括依次执行的预测数据采集、预测数据归一化、模型导入、以及结果产出四个步骤：
建模过程阶段：
步骤S1：所述建模数据采集是指从数据中心运维管理系统里获取数据的过程，获取的数据类型包括应用层面、系统资源层面、网络层面的结构化数据、半结构化以及非结构化数据。
步骤S2：建模数据归一化：由于各类数据之间存在差异，为了方便之后的建模过程，消除数据之间的差异，需要对数据进行归一化处理。
步骤S3：数据划分：根据数据的整体规模和分布采取适当的采样策略对原始数据集进行采样，采样之后将数据集作为模型建立的候选集，再采用适当的比例将候选集划分为训练集和测试集。
步骤S4：模型建立：通过基于因果关系的人工智能算法搭建进行故障定位和排查的模型。
步骤S5：效果验证：经过验证多种不同的参数组合来得到模型的最优参数。
步骤S6：模型产出：将多份数据的结果进行比对、融合，并以此得到最终的模型。
预测阶段：
步骤S7：所述预测数据采集与建模数据采集一样，从数据中心运维管理系统里获取数据，获取的数据类型包括应用层面、系统资源层面、网络层面的结构化数据、半结构化以及非结构化数据。
步骤S8：所述预测数据归一化与建模数据归一化一样：由于各类数据之间存在差异，为了方便之后的建模过程，消除数据之间的差异，需要对数据进行归一化处理。
步骤S9：模型导入：将各项运维数据录入到步骤S6的模型内，并运行模型。
步骤S10：结果产出：系统将能够快速的针对系统的故障预测、故障根因定位信息进行输出模型预测的结果。
作为本发明的优选方案，所述步骤S1和步骤S7中，在采集数据的同时将半结构化以及非结构化数据进行解析并转化为结构化数据。
作为本发明的优选方案，所述建模过程阶段,其根因的可能性的标准描述为：
其中，1为指示函数，表示规则集合
中是否存在
或者样本si是否包含I0和e0；ε0为某段时间内发生的所有事件集合，e0为其中发生的某个事件。
作为本发明的优选方案，所述步骤S4至S6中，进一步给定根故障原因集I0是根因的概率p(I0)计算方式
作为本发明的优选方案，所述步骤S4至S6中，利用划分后的数据集，在训练集上训练模型，与在测试集模型得到的结果进行对比、融合，得到最终的模型。
作为本发明的优选方案，所述步骤S8中，在预测之前，为了消除数据的统计差异，需要先进行与模型建立过程中完全一致的归一化操作，对于离散型变量不需要处理，而对于非离散型变量需要做归一化处理。
实施例2：
本实施例公开了：在本技术方案中，本故障分析与预测系统以工业大数据为基础，将对数据中心的运维监控数据进行清洗、挖掘和特征提取，并对数据进行归档与整理，以数据中心软硬件配置、性能监控数据为基础，结合日志易数据、APM数据以及其他相关数据，构建故障预测、故障快速定位和资源容量预测模型，对所建立的模型进行监控，分析模型的表现和效果，并记录相关结果数据，对模型进行优化迭代。
优选地，模型建立、效果验证和模型产出为建模过程的第四、第五、第六个阶段。在本方案中,这部分是项目的核心部分，通过提供一种智能选取模型并优化模型参数的解决方案来实现。技术人员将编写智能选取模型并优化模型参数的程序，该程序利用划分后的数据集，自主的在训练集上训练模型，在测试集模型得到的结果进行对比、融合，得到最终的模型。
优选地，数据归一化、模型导入和结果产出为预测阶段的第二、第三、第四阶段。在预测之前，为了消除数据的统计差异，需要先进行与模型建立过程中完全一致的归一化操作(对于离散型变量不需要处理，对于离散型变量需要做归一化处理)。将各项运维数据录入后，运行模型，系统将自动在资源容量、故障预警以及故障定位等项上输出模型结果。
实施例3：
本实施例公开了一种工业大数据智能运维方案,包括第一阶段：因果规则挖掘，第二阶段：基于因果规则推断。
第一阶段：因果规则挖掘
给定事件-故障样本集为，其中，而和分别为样本中的故障和事件是否发生的标志位。令和分别表示发生了故障和发生了事件，那么导致事件发生的故障原因可以用因果规则表示为。
在因果关系发现中，常常对图2所示的典型的因果网络结构进行讨论。由于V-结构它在统计学角度不等同于任何其他包含相同变量的结构，与其他马尔科夫等价类结构相比，V-结构在因果关系识别问题上更具有鲁棒性和可识别性。事件和故障之间存在图2(b)的V-结构说明故障变量和共同影响事件变量。因此，我们可以通过发现事件和故障之间存在的V-结构对事件发生的因果规则进行挖掘。基于V-结构的独立性性质，我们可以使用式1的因果关联兴趣度度量规则的可能性。
第二阶段：基于因果规则推断
接下来，我们给出如何利用因果规则进行根因发现。我们发现在系统中某个故障的发生常常导致许多相关事件发生，一些事件可能同时受到相同的原因节点影响。因此，我们根据故障原因集对发生事件集的影响程度，定义故障原因集是根因的可能性的计算方式，如下式：
其中，1为指示函数，表示规则集合
中是否存在
或者样本si是否包含I0和e0。ε0为某段时间内发生的所有事件集合，e0为其中发生的某个事件。
由此，我们进一步定义根故障原因集I0是根因的概率p(I0)以及事件的根因c，如下
因此，在第一阶段得到所有事件对应的故障原因集合的基础上，使用上述式对原因进行评估并推断得到根因。
为了评估我们提出的CRFLA算法的有效性，我们挑选了某电网的电力营销系统中真实生产环境产生的事件和故障数据，采样频率为5分钟一次，区间为2018年11月27日至2018年12月27日的间歇性故障。实验环境为：处理器为Xeon E5-2620 v4，内存64G，Linux64位操作系统的python语言。
我们在本实验中将CAIM阈值设为0.1，表1展示了CRFLA在本数据集上故障根因定位的结果。
从结果可以看出，我们在不同时间段能准确地定位到服务器端口，并且得到的根因概率基本为1。为了验证算法的正确性，实验结果交由运维工程师验证。
由于基于概率图模型的方法在因果关系频繁变动的系统下无法进行构图，因此我们与基于分类模型的方法RPCA-SVM和ANN进行对比实验，准确率结果如表2所示。实验结果表明，CRFLA取得了最佳的效果，能够迅速、准确地定位故障根因。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (6)
1.一种工业大数据智能运维解决方法，其特征在于，包括依次执行的建模过程阶段和预测阶段；所述建模过程阶段包括依次执行的建模数据采集、建模数据归一化、数据划分、模型建立、效果验证、以及模型产出六个步骤；所述预测阶段包括依次执行的预测数据采集、预测数据归一化、模型导入、以及结果产出四个步骤：
建模过程阶段：
步骤S1：所述建模数据采集是指从数据中心运维管理系统里获取数据的过程，获取的数据类型包括应用层面、系统资源层面、网络层面的结构化数据、半结构化以及非结构化数据；
步骤S2：建模数据归一化：由于各类数据之间存在差异，为了方便之后的建模过程，消除数据之间的差异，需要对数据进行归一化处理；
步骤S3：数据划分：根据数据的整体规模和分布采取适当的采样策略对原始数据集进行采样，采样之后将数据集作为模型建立的候选集，再采用适当的比例将候选集划分为训练集和测试集；
步骤S4：模型建立：通过基于因果关系的人工智能算法搭建进行故障定位和排查的模型；
步骤S5：效果验证：经过验证多种不同的参数组合来得到模型的最优参数；
步骤S6：模型产出：将多份数据的结果进行比对、融合，并以此得到最终的模型；
预测阶段：
步骤S7：所述预测数据采集与建模数据采集一样，从数据中心运维管理系统里获取数据，获取的数据类型包括应用层面、系统资源层面、网络层面的结构化数据、半结构化以及非结构化数据；
步骤S8：所述预测数据归一化与建模数据归一化一样：由于各类数据之间存在差异，为了方便之后的建模过程，消除数据之间的差异，需要对数据进行归一化处理；
步骤S9：模型导入：将各项运维数据录入到步骤S6的模型内，并运行模型；
步骤S10：结果产出：系统将能够快速的针对系统的故障预测、故障根因定位信息进行输出模型预测的结果。
2.根据权利要求1所述的工业大数据智能运维解决方法，其特征在于，所述步骤S1和步骤S7中，在采集数据的同时将半结构化以及非结构化数据进行解析并转化为结构化数据。
3.根据权利要求1所述的工业大数据智能运维解决方法，其特征在于，所述建模过程阶段,其根因的可能性的标准描述为：
其中，1为指示函数，表示规则集合
中是否存在
或者样本si是否包含I0和e0；ε0为某段时间内发生的所有事件集合，e0为其中发生的某个事件。
4.根据权利要求3所述的工业大数据智能运维解决方法，其特征在于，所述步骤S4至S6中，进一步给定根故障原因集I0是根因的概率p(I0)计算方式
5.根据权利要求3所述的工业大数据智能运维解决方法，其特征在于，所述步骤S4至S6中，利用划分后的数据集，在训练集上训练模型，与在测试集模型得到的结果进行对比、融合，得到最终的模型。
6.根据权利要求1所述的工业大数据智能运维解决方法，其特征在于，所述步骤S8中，在预测之前，为了消除数据的统计差异，需要先进行与模型建立过程中完全一致的归一化操作，对于离散型变量不需要处理，而对于非离散型变量需要做归一化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010208425.7A CN111522705A (zh) | 2020-03-23 | 2020-03-23 | 一种工业大数据智能运维解决方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010208425.7A CN111522705A (zh) | 2020-03-23 | 2020-03-23 | 一种工业大数据智能运维解决方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111522705A true CN111522705A (zh) | 2020-08-11 |
Family
ID=71900978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010208425.7A Pending CN111522705A (zh) | 2020-03-23 | 2020-03-23 | 一种工业大数据智能运维解决方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111522705A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420917A (zh) * | 2021-06-18 | 2021-09-21 | 广东工业大学 | 对业务系统未来故障预测的方法、计算机设备及存储介质 |
| CN113746663A (zh) * | 2021-06-07 | 2021-12-03 | 西安交通大学 | 机理数据双驱动结合的性能劣化故障根因定位方法 |
| CN117235519A (zh) * | 2023-09-13 | 2023-12-15 | 港华数智能源科技(深圳)有限公司 | 能源数据处理方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358300A (zh) * | 2017-06-19 | 2017-11-17 | 北京至信普林科技有限公司 | 一种基于多平台自主预测的智能运维告警过滤方法及系统 |
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
| CN109905270A (zh) * | 2018-03-29 | 2019-06-18 | 华为技术有限公司 | 定位根因告警的方法、装置和计算机可读存储介质 |
| CN110633189A (zh) * | 2019-09-20 | 2019-12-31 | 深圳市广通软件有限公司 | 一种it系统的智能运维监控方法及其智能运维监控系统 |
-
2020
- 2020-03-23 CN CN202010208425.7A patent/CN111522705A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358300A (zh) * | 2017-06-19 | 2017-11-17 | 北京至信普林科技有限公司 | 一种基于多平台自主预测的智能运维告警过滤方法及系统 |
| CN109905270A (zh) * | 2018-03-29 | 2019-06-18 | 华为技术有限公司 | 定位根因告警的方法、装置和计算机可读存储介质 |
| CN109872003A (zh) * | 2019-03-06 | 2019-06-11 | 中国科学院软件研究所 | 对象状态预测方法、系统、计算机设备及存储介质 |
| CN110633189A (zh) * | 2019-09-20 | 2019-12-31 | 深圳市广通软件有限公司 | 一种it系统的智能运维监控方法及其智能运维监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| RUICHU CAI等: ""Identification of adverse drug-drug interactions through causal association rule discovery from spontaneous adverse event reports"", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 * |
| 赵静等: ""电网信息系统智能运维监控云平台的应用"", 《大众用电》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113746663A (zh) * | 2021-06-07 | 2021-12-03 | 西安交通大学 | 机理数据双驱动结合的性能劣化故障根因定位方法 |
| CN113746663B (zh) * | 2021-06-07 | 2022-08-16 | 西安交通大学 | 机理数据双驱动结合的性能劣化故障根因定位方法 |
| CN113420917A (zh) * | 2021-06-18 | 2021-09-21 | 广东工业大学 | 对业务系统未来故障预测的方法、计算机设备及存储介质 |
| CN113420917B (zh) * | 2021-06-18 | 2023-10-27 | 广东工业大学 | 对业务系统未来故障预测的方法、计算机设备及存储介质 |
| CN117235519A (zh) * | 2023-09-13 | 2023-12-15 | 港华数智能源科技(深圳)有限公司 | 能源数据处理方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
| CN112148772A (zh) | 告警根因识别方法、装置、设备和存储介质 | |
| CN106294762B (zh) | 一种基于学习的实体识别方法 | |
| CN110659173A (zh) | 一种运维系统及方法 | |
| CN111522705A (zh) | 一种工业大数据智能运维解决方法 | |
| CN111459698A (zh) | 一种数据库集群故障自愈方法及装置 | |
| CN111027615A (zh) | 基于机器学习的中间件故障预警方法和系统 | |
| CN113780367A (zh) | 分类模型训练和数据分类方法、装置、电子设备 | |
| CN116610104B (zh) | 基于砷烷合成控制系统的故障分析方法及系统 | |
| CN116882790B (zh) | 一种矿山生态修复区域的碳排放设备管理方法及系统 | |
| CN111400505A (zh) | 一种用电信息采集系统匹配故障消缺方案的方法及系统 | |
| CN109993390B (zh) | 告警关联及派单优化方法、装置、设备及介质 | |
| CN114880312B (zh) | 一种可柔性设置的应用系统业务数据稽核方法 | |
| CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
| CN116862081A (zh) | 一种污染治理设备运维方法及系统 | |
| CN116523284A (zh) | 基于机器学习的业务操作流程自动化评估方法、系统 | |
| CN118035100B (zh) | 一种大模型增强的测试想定智能设计方法 | |
| CN112882899B (zh) | 一种日志异常检测方法及装置 | |
| CN114416573A (zh) | 一种应用程序的缺陷分析方法、装置、设备及介质 | |
| CN112783508B (zh) | 文件的编译方法、装置、设备以及存储介质 | |
| CN114418146A (zh) | 基于规则引擎的机电设备故障诊断方法、系统及终端 | |
| CN117909864A (zh) | 一种电力故障预测系统及方法 | |
| CN117519951A (zh) | 基于消息中台的实时数据处理方法及系统 | |
| CN115470355A (zh) | 轨道交通信息查询方法、装置、电子设备和存储介质 | |
| CN116737963A (zh) | 基于无监督知识图谱的故障根因定位方法、装置及设备 |
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: 20200811 |