CN111600761A - 一种基于运维业务风险告警分析归并方法 - Google Patents

一种基于运维业务风险告警分析归并方法 Download PDF

Info

Publication number
CN111600761A
CN111600761A CN202010450651.6A CN202010450651A CN111600761A CN 111600761 A CN111600761 A CN 111600761A CN 202010450651 A CN202010450651 A CN 202010450651A CN 111600761 A CN111600761 A CN 111600761A
Authority
CN
China
Prior art keywords
risk
alarm
value
attributes
objects
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010450651.6A
Other languages
English (en)
Inventor
葛胜利
魏国富
钟丹阳
钱沁莹
汲丽
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.)
Information and Data Security Solutions Co Ltd
Original Assignee
Information and Data Security Solutions Co 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 Information and Data Security Solutions Co Ltd filed Critical Information and Data Security Solutions Co Ltd
Priority to CN202010450651.6A priority Critical patent/CN111600761A/zh
Publication of CN111600761A publication Critical patent/CN111600761A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Educational Administration (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于运维业务风险告警分析归并方法，包含以下步骤：A、基于告警内容的归并；B、基于告警序列的归并；C、告警序列预测，本发明基于运维业务风险告警分析归并方法在事故发生之前对当前系统预测，提前做出事前告警，减少事故发生的损失，并能及时做好应对准备。

Description

一种基于运维业务风险告警分析归并方法
技术领域
本发明涉及风控技术领域，具体是一种基于运维业务风险告警分析归并方法。
背景技术
随着电信网络的业务和设备集中化管理，网络规模越来越大，业务越来越复杂，每天会产生大量告警，告警间关联关系的发现一直是运维工作的重点问题。
目前告警间关联规则发现主要有两种方法，一种是专家经验方式，通过业务专家的经验，结合专业知识手工添加。这种人工获取关联规则的方法，本身效率不高，且依赖特定专家经验，使得有效告警关联的获取成本高，难以适应不断出现的新业务场景；另一种是通过关联算法方式来挖掘，如先验算法只能处理理算数据，告警数据是连续、流式数据，必须经过特殊处理后，才能挖掘告警间的关联关系。
现有告警平台是将用户的每次请求的事件ID以原始日志的格式进行存放，这导致同一账户如果触发多次风控事件会有多条告警存储。这种告警对于单个请求事件可以快速定位查看触发风险的原因。但是当有多个告警的时候就很难从告警中发现更多有价值的问题，同时也很难对告警进行升级或降级处置。
因此，基于业务风险告警自动处置风险来直观，能将这些泛化报警既要具有很强的概括性，同时尽可能地保留细节，这样运维人员在查看告警日志时，能够快速定位到攻击的大致手法，从而可以判断是否要对当前同类型攻击提高或降级处理，或将分析流程规范化，自动处理告警日志，并对使用同样攻击方式黑产进行防护升级，从而使黑产增加攻击成本。
发明内容
本发明的目的在于提供一种基于运维业务风险告警分析归并方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于运维业务风险告警分析归并方法，包含以下步骤：
A、基于告警内容的归并；
B、基于告警序列的归并；
C、告警序列预测。
作为本发明的进一步技术方案：所述告警融合算法的数学定义如下：设告警数据库S＝{Alert1,Alert2,Alert3,……,Alertn}，其中Alert是经过预处理的初级告警，在进行初级告警的聚合时，考虑告警的类别，时间，源，事件类型，得到不同告警之间的相异度d.定义为
Figure BDA0002507390600000021
其中，p为对象i和j中属性的个数，f是P个属性中的每一个，W(f)表示属性f在对象相似度中的权值，取值范围为0-1，对于告警类别属性，取W(f)＝1，其他属性的权值可根据实际情况自己定义，是一个指示项，它的取值为0或者1，用于表示某一个属性对于相异度是否存在贞献，如果有贞献，其值为1，否则其值为0，如果某一属性不同时存在于i,j中，则
Figure BDA0002507390600000022
是对象i和对象j在f属性上的相异度，对于不同类型的数据，有不同的计算方法，初级告警对象的属性类型可以有如下几种：数值型变量、布尔型变量、枚举型变量，使用加权的欧几里德距离来表示
Figure BDA0002507390600000023
其中，x表示不同属性占的权重，布尔型变量只有两个状态：0或1，评价两个对象i和j之间相异度，采用简单匹配系数法，定义如下：
Figure BDA0002507390600000024
其中，q是对象i和j都为1的属性的数目，是对象i和j都为0的属性的数目，r是对象i值为1而对象j值为0的属性的数目，s是对象i值为0而对象j值为1的属性的数目，枚举型变量可有多个取值，两个对象i，j之间的相异度可以用简单匹配的方法来计算：
Figure BDA0002507390600000031
其中m是匹配的数目，即对象i和j取值相同的属性的数目，而p是全部属性的数目，计算出各种属性对应的dij后，将其代入式0),即可得出d(i,j).计算出d(i,j)后，用一个nxn维矩阵式存储n个初级告警对象两两之间的相异性，d(i,j)通常是一个非负数，当对象i和j越相似或越接近，其值就越接近0；两个对象越不同，其值越大，显然，d(i,j)：d(ji)且d(i,i)因此相异度矩阵对角线的值全为0，右上角值不用再列出，根据d(i,j)，我们就可以将初级告警进行分组，然后进行合并和关联。
作为本发明的进一步技术方案：所述步骤B是基于经典的FP-growth关联规则，增加动态加权特性的改进算法WFP-growth,在海量的告警当中高级别的告警的数量会比普通级别的告警少很多，当数据出现频率相差较大时，就会导致最低支持度难以设定，如果设高了，关联规则将可能达不到出现频率较低的频繁项集；如果设低了，就会发现太多的没有意义的关联规则，还可能导致组合爆炸。本专利提出了基于FP_growth的层次分析加权关联规则挖掘算法WFP_growth，算法AHP为每个项目分配权重后，运用加权支持度来构造FP_tree并逐步产生频繁项目集，这样不仅避免了多次扫描数据库的麻烦，而且因为在开始阶段就将那些权重小的节点从树结构中剔除出去，从而减小了树的大小，节省了内存空间，提高了运行效率，本算法允许用户在使用时为每个项目随意指定所需的相对重要性等级，然后算法将调用层次分析的方法为每个项目自动分配权值。
作为本发明的进一步技术方案：所述用层次分析方法来解决决策过程中的实际问题分为以下几个步骤：1、确定待分析问题的层次结构；2、判断每一层次各元素的相对重要程度，并将判断结果用数值的形式表达出来，即把他们的重要程度归类为各个等级，这些等级称为标度。
作为本发明的进一步技术方案：还包括利用主客观综合赋权法合理组合风险标签的主观权重和客观权重的过程：：首先，基于业务场景综合业务经验，利用层次分析法得到各个风险标签的主观权重ai；然后，基于客观数据反映出的信息量，利用熵权法得到各个风险标签的客观权重bi，最后，利用乘法合成法结合ai、bi得到各个风险标签的权重值
Figure BDA0002507390600000041
作为本发明的进一步技术方案：步骤B采用TOPSIS法实现，算法流程如下：
Ⅰ、构造归一化初始矩阵：设共有n个待评价对象(用户)，每个对象都有m个指标(风险标签)，则将原始数据矩阵将归一化后得到：
Figure BDA0002507390600000042
Ⅱ、确定最高风险和最低风险：最高风险Z+由Z中每列元素的最大值构成：
Z+＝(max{z11，z21…zn1}，max{z12，z22…zn2}，…max{z1m，z2m…znm})
＝(Z1 +，Z2 +…Zm +)
最低风险Z-由Z中每列元素的最小值构成：
Figure BDA0002507390600000043
Ⅲ、计算各评价对象与最高风险、最低风险的接近程度：
Figure BDA0002507390600000044
Ⅳ、计算各风险标签得分与最高风险标签的贴近程度Ci，
Figure BDA0002507390600000045
作为本发明的进一步技术方案：对时间序列的建模的方法包括ARIMA，MA，神经网络算法。
与现有技术相比，本发明的有益效果是：本发明基于运维业务风险告警分析归并方法在事故发生之前对当前系统预测，提前做出事前告警，减少事故发生的损失，并能及时做好应对准备。
附图说明
图1是本发明的分析架构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
请参阅图1，实施例1：一种基于运维业务风险告警分析归并方法，包含以下步骤：
A、基于告警内容的归并；
告警融合算法的数学定义如下：设告警数据库S＝{Alert1,Alert2,Alert3,……,Alertn}，其中Alert是经过预处理的初级告警，在进行初级告警的聚合时，考虑告警的类别，时间，源，事件类型，得到不同告警之间的相异度d.定义为
Figure BDA0002507390600000051
Figure BDA0002507390600000052
其中，p为对象i和j中属性的个数，f是P个属性中的每一个，W(f)表示属性f在对象相似度中的权值，取值范围为0-1，对于告警类别属性，取W(f)＝1，其他属性的权值可根据实际情况自己定义，是一个指示项，它的取值为0或者1，用于表示某一个属性对于相异度是否存在贞献，如果有贞献，其值为1，否则其值为0，如果某一属性不同时存在于i,j中，则
Figure BDA0002507390600000053
是对象i和对象j在f属性上的相异度，对于不同类型的数据，有不同的计算方法，初级告警对象的属性类型可以有如下几种：数值型变量、布尔型变量、枚举型变量，使用加权的欧几里德距离来表示
Figure BDA0002507390600000061
Figure BDA0002507390600000062
其中，x表示不同属性占的权重，布尔型变量只有两个状态：0或1，评价两个对象i和j之间相异度，采用简单匹配系数法，定义如下：
Figure BDA0002507390600000063
其中，q是对象i和j都为1的属性的数目，是对象i和j都为0的属性的数目，r是对象i值为1而对象j值为0的属性的数目，s是对象i值为0而对象j值为1的属性的数目，枚举型变量可有多个取值，两个对象i，j之间的相异度可以用简单匹配的方法来计算：
Figure BDA0002507390600000064
其中m是匹配的数目，即对象i和j取值相同的属性的数目，而p是全部属性的数目，计算出各种属性对应的dij后，将其代入式0),即可得出d(i,j).计算出d(i,j)后，用一个nxn维矩阵式存储n个初级告警对象两两之间的相异性，d(i,j)通常是一个非负数，当对象i和j越相似或越接近，其值就越接近0；两个对象越不同，其值越大，显然，d(i,j)：d(ji)且d(i,i)因此相异度矩阵对角线的值全为0，右上角值不用再列出，根据d(i,j)，我们就可以将初级告警进行分组，然后进行合并和关联。
B、基于告警序列的归并；
步骤B是基于经典的FP-growth关联规则，增加动态加权特性的改进算法WFP-growth,在海量的告警当中高级别的告警的数量会比普通级别的告警少很多，当数据出现频率相差较大时，就会导致最低支持度难以设定，如果设高了，关联规则将可能达不到出现频率较低的频繁项集；如果设低了，就会发现太多的没有意义的关联规则，还可能导致组合爆炸。本专利提出了基于FP_growth的层次分析加权关联规则挖掘算法WFP_growth，算法AHP为每个项目分配权重后，运用加权支持度来构造FP_tree并逐步产生频繁项目集，这样不仅避免了多次扫描数据库的麻烦，而且因为在开始阶段就将那些权重小的节点从树结构中剔除出去，从而减小了树的大小，节省了内存空间，提高了运行效率，本算法允许用户在使用时为每个项目随意指定所需的相对重要性等级，然后算法将调用层次分析的方法为每个项目自动分配权值。
层次分析方法来解决决策过程中的实际问题分为以下几个步骤：1、确定待分析问题的层次结构；2、判断每一层次各元素的相对重要程度，并将判断结果用数值的形式表达出来，即把他们的重要程度归类为各个等级，这些等级称为标度。
还包括利用主客观综合赋权法合理组合风险标签的主观权重和客观权重的过程：：首先，基于业务场景综合业务经验，利用层次分析法得到各个风险标签的主观权重ai；然后，基于客观数据反映出的信息量，利用熵权法得到各个风险标签的客观权重bi，最后，利用乘法合成法结合ai、bi得到各个风险标签的权重值
Figure BDA0002507390600000071
TOPSIS法算法流程如下：
Ⅰ、构造归一化初始矩阵：设共有n个待评价对象(用户)，每个对象都有m个指标(风险标签)，则将原始数据矩阵将归一化后得到：
Figure BDA0002507390600000072
Ⅱ、确定最高风险和最低风险：最高风险Z+由Z中每列元素的最大值构成：
Z+＝(max{z11，z21…zn1}，max{z12，z22…zn2}，…max{z1m，z2m…znm})
＝(Z1 +，Z2 +…Zm +)
最低风险Z-由Z中每列元素的最小值构成：
Figure BDA0002507390600000073
Ⅲ、计算各评价对象与最高风险、最低风险的接近程度：
Figure BDA0002507390600000081
Ⅳ、计算各风险标签得分与最高风险标签的贴近程度Ci，
Figure BDA0002507390600000082
0≤Ci≤1，Ci
→1时，表明风险越高。最终的风险评分可表示为RiskScore＝100*Ci。
C、告警序列预测，对时间序列的建模目前有很多种方法，包括ARIMA，MA，神经网络等算法，本章的告警序列是基于事件发生先后顺序构建的特征，并对历史出现网络崩溃，服务崩溃的告警做为序列的lable，从而在事故发生之前对当前系统预测，提前做出事前告警，减少事故发生的损失，并能及时做好应对准备。
实施例2，在实施例1的基础上，音频耳机插头选用Φ3.5mm的耳机，其通用型强，使用时目前市场的90％以上的电子设备。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于运维业务风险告警分析归并方法，其特征在于，包含以下步骤：
A、基于告警内容的归并；
B、基于告警序列的归并；
C、告警序列预测。
2.根据权利要求1所述的一种基于运维业务风险告警分析归并方法，其特征在于，所述告警融合算法的数学定义如下：设告警数据库S＝{Alert1,Alert2,Alert3,……,Alertn}，其中Alert是经过预处理的初级告警，在进行初级告警的聚合时，考虑告警的类别，时间，源，事件类型，得到不同告警之间的相异度d.定义为
Figure FDA0002507390590000011
Figure FDA0002507390590000012
其中，p为对象i和j中属性的个数，f是P个属性中的每一个，W(f)表示属性f在对象相似度中的权值，取值范围为0-1，对于告警类别属性，取W(f)＝1，其他属性的权值可根据实际情况自己定义，是一个指示项，它的取值为0或者1，用于表示某一个属性对于相异度是否存在贞献，如果有贞献，其值为1，否则其值为0，如果某一属性不同时存在于i,j中，则
Figure FDA0002507390590000013
是对象i和对象j在f属性上的相异度，对于不同类型的数据，有不同的计算方法，初级告警对象的属性类型可以有如下几种：数值型变量、布尔型变量、枚举型变量，使用加权的欧几里德距离来表示
Figure FDA0002507390590000014
Figure FDA0002507390590000015
其中，x表示不同属性占的权重，布尔型变量只有两个状态：0或1，评价两个对象i和j之间相异度，采用简单匹配系数法，定义如下：
Figure FDA0002507390590000016
其中，q是对象i和j都为1的属性的数目，是对象i和j都为0的属性的数目，r是对象i值为1而对象j值为0的属性的数目，s是对象i值为0而对象j值为1的属性的数目，枚举型变量可有多个取值，两个对象i，j之间的相异度可以用简单匹配的方法来计算：
Figure FDA0002507390590000021
其中m是匹配的数目，即对象i和j取值相同的属性的数目，而p是全部属性的数目，计算出各种属性对应的dij后，将其代入式0),即可得出d(i,j).计算出d(i,j)后，用一个nxn维矩阵式存储n个初级告警对象两两之间的相异性，d(i,j)通常是一个非负数，当对象i和j越相似或越接近，其值就越接近0；两个对象越不同，其值越大，显然，d(i,j)：d(ji)且d(i,i)因此相异度矩阵对角线的值全为0，右上角值不用再列出，根据d(i,j)，我们就可以将初级告警进行分组，然后进行合并和关联。
3.根据权利要求1所述的一种基于运维业务风险告警分析归并方法，其特征在于，所述步骤B是基于经典的FP-growth关联规则，增加动态加权特性的改进算法WFP-growth,在海量的告警当中高级别的告警的数量会比普通级别的告警少很多，当数据出现频率相差较大时，就会导致最低支持度难以设定，如果设高了，关联规则将可能达不到出现频率较低的频繁项集；如果设低了，就会发现太多的没有意义的关联规则，还可能导致组合爆炸，本专利提出了基于FP_growth的层次分析加权关联规则挖掘算法WFP_growth，算法AHP为每个项目分配权重后，运用加权支持度来构造FP_tree并逐步产生频繁项目集，这样不仅避免了多次扫描数据库的麻烦，而且因为在开始阶段就将那些权重小的节点从树结构中剔除出去，从而减小了树的大小，节省了内存空间，提高了运行效率，本算法允许用户在使用时为每个项目随意指定所需的相对重要性等级，然后算法将调用层次分析的方法为每个项目自动分配权值。
4.根据权利要求1所述的一种基于运维业务风险告警分析归并方法，其特征在于，所述用层次分析方法来解决决策过程中的实际问题分为以下几个步骤：1、确定待分析问题的层次结构；2、判断每一层次各元素的相对重要程度，并将判断结果用数值的形式表达出来，即把他们的重要程度归类为各个等级，这些等级称为标度。
5.根据权利要求1所述的一种基于运维业务风险告警分析归并方法，其特征在于，还包括利用主客观综合赋权法合理组合风险标签的主观权重和客观权重的过程：：首先，基于业务场景综合业务经验，利用层次分析法得到各个风险标签的主观权重ai；然后，基于客观数据反映出的信息量，利用熵权法得到各个风险标签的客观权重bi，最后，利用乘法合成法结合ai、bi得到各个风险标签的权重值
Figure FDA0002507390590000031
6.根据权利要求1所述的一种基于运维业务风险告警分析归并方法，其特征在于，步骤B采用TOPSIS法实现，算法流程如下：
Ⅰ、构造归一化初始矩阵：设共有n个待评价对象(用户)，每个对象都有m个指标(风险标签)，则将原始数据矩阵将归一化后得到：
Figure FDA0002507390590000032
Ⅱ、确定最高风险和最低风险：最高风险Z+由Z中每列元素的最大值构成：
Z+＝(max{z11，z21…zn1}，max{z12，z22…zn2}，…max{z1m，z2m…znm})
＝(Z1 +，Z2 +…Zm +)
最低风险Z-由Z中每列元素的最小值构成：
Figure FDA0002507390590000033
Ⅲ、计算各评价对象与最高风险、最低风险的接近程度：
Figure FDA0002507390590000034
Ⅳ、计算各风险标签得分与最高风险标签的贴近程度Ci，
Figure FDA0002507390590000035
7.根据权利要求1所述的一种基于运维业务风险告警分析归并方法，其特征在于，对时间序列的建模的方法包括ARIMA，MA，神经网络算法。
CN202010450651.6A 2020-05-25 2020-05-25 一种基于运维业务风险告警分析归并方法 Pending CN111600761A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010450651.6A CN111600761A (zh) 2020-05-25 2020-05-25 一种基于运维业务风险告警分析归并方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010450651.6A CN111600761A (zh) 2020-05-25 2020-05-25 一种基于运维业务风险告警分析归并方法

Publications (1)

Publication Number Publication Date
CN111600761A true CN111600761A (zh) 2020-08-28

Family

ID=72191716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010450651.6A Pending CN111600761A (zh) 2020-05-25 2020-05-25 一种基于运维业务风险告警分析归并方法

Country Status (1)

Country Link
CN (1) CN111600761A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430360A (zh) * 2020-10-14 2022-05-03 中国移动通信集团山东有限公司 一种互联网安全监控方法、电子设备和存储介质
CN114548820A (zh) * 2022-03-07 2022-05-27 济南数聚计算机科技有限公司 一种针对远程教育服务的大数据风控方法及服务器
CN115277356A (zh) * 2022-07-29 2022-11-01 中国电信股份有限公司 告警信息的归并方法、装置及电子设备
CN115471215A (zh) * 2022-10-31 2022-12-13 江西省煤田地质局普查综合大队 一种业务流程处理方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597836A (zh) * 2018-11-29 2019-04-09 武汉大学 一种基于加权矩阵的通信设备告警关联规则挖掘方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597836A (zh) * 2018-11-29 2019-04-09 武汉大学 一种基于加权矩阵的通信设备告警关联规则挖掘方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
唐亮: ""一种分层实现的分布式告警融合算法"", 《长沙通信职业技术学院学报》 *
王仲佳: ""具有动态加权特性的关联规则算法及其在电信故障告警序列模式发掘中的应用"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
管述学等: ""熵权-TOPSIS模型在商业银行信用风险评估中的应用"", 《情报杂志》 *
谭加强等: ""TOPSIS法和秩和比法联合评价在企业风险分析中的应用"", 《中国管理信息化》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430360A (zh) * 2020-10-14 2022-05-03 中国移动通信集团山东有限公司 一种互联网安全监控方法、电子设备和存储介质
CN114430360B (zh) * 2020-10-14 2024-03-12 中国移动通信集团山东有限公司 一种互联网安全监控方法、电子设备和存储介质
CN114548820A (zh) * 2022-03-07 2022-05-27 济南数聚计算机科技有限公司 一种针对远程教育服务的大数据风控方法及服务器
CN115277356A (zh) * 2022-07-29 2022-11-01 中国电信股份有限公司 告警信息的归并方法、装置及电子设备
CN115277356B (zh) * 2022-07-29 2024-03-12 中国电信股份有限公司 告警信息的归并方法、装置及电子设备
CN115471215A (zh) * 2022-10-31 2022-12-13 江西省煤田地质局普查综合大队 一种业务流程处理方法及装置

Similar Documents

Publication Publication Date Title
CN111600761A (zh) 一种基于运维业务风险告警分析归并方法
CN115497272B (zh) 一种基于数字化建造的工期智能化预警系统及方法
US20190050446A1 (en) Distributed data variable analysis and hierarchical grouping system
CN108734402B (zh) 基于虚拟案例的非常规突发事件应急管理决策方法及系统
CN111310139B (zh) 行为数据识别方法、装置及存储介质
CN112148987A (zh) 基于目标对象活跃度的消息推送方法及相关设备
WO2022126961A1 (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
WO2016209213A1 (en) Recommending analytic tasks based on similarity of datasets
CN110162970A (zh) 一种程序处理方法、装置以及相关设备
CN107507028A (zh) 用户偏好确定方法、装置、设备及存储介质
CN112036483B (zh) 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质
CN115062732B (zh) 基于大数据用户标签信息的资源共享合作推荐方法及系统
CN112819523B (zh) 结合内/外积特征交互和贝叶斯神经网络的营销预测方法
US20030182082A1 (en) Method for determining a quality for a data clustering and data processing system
CN117056591B (zh) 基于动态预测的电力缴费渠道智能推荐方法及系统
CN112287111B (zh) 一种文本处理方法和相关装置
CN118014652A (zh) 一种基于人工智能和大数据分析技术的广告创意设计方法及其系统
CN112541595A (zh) 模型构建方法及装置、存储介质及电子设备
CN116797180A (zh) 投诉预警方法、装置、计算机设备和存储介质
CN114495137B (zh) 票据异常检测模型生成方法与票据异常检测方法
Lee Online clustering for collaborative filtering
CN115809853A (zh) 一种企业业务流程的配置优化方法、系统及存储介质
CN115600818A (zh) 多维评分方法、装置、电子设备和存储介质
JP3155033B2 (ja) 類似尺度構成処理方法
CN114820011A (zh) 用户群体聚类方法、装置、计算机设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200828