CN111625398A - 一种异常分析方法、装置、设备以及计算机可读存储介质 - Google Patents

一种异常分析方法、装置、设备以及计算机可读存储介质 Download PDF

Info

Publication number
CN111625398A
CN111625398A CN202010412742.0A CN202010412742A CN111625398A CN 111625398 A CN111625398 A CN 111625398A CN 202010412742 A CN202010412742 A CN 202010412742A CN 111625398 A CN111625398 A CN 111625398A
Authority
CN
China
Prior art keywords
weight
slice
time
system parameters
neural network
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.)
Granted
Application number
CN202010412742.0A
Other languages
English (en)
Other versions
CN111625398B (zh
Inventor
孟梦
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202010412742.0A priority Critical patent/CN111625398B/zh
Publication of CN111625398A publication Critical patent/CN111625398A/zh
Application granted granted Critical
Publication of CN111625398B publication Critical patent/CN111625398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F11/14—Error detection or correction of the data by redundancy in operation
    • G06F11/1479—Generic software techniques for error detection or fault masking
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请公开了一种异常识别方法，包括为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。该异常识别方法能够实现自主学习，精确定位异常类型。本申请还公开了一种异常识别的装置、设备及计算机可读存储介质，均具有上述技术效果。

Description

一种异常分析方法、装置、设备以及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，特别涉及一种异常分析方法；还涉及一种异常分析装置、设备以及计算机可读存储介质。
背景技术
随着计算机技术的发展与普及，计算机已成为各领域必不可少的工作设备。而伴随着的工作任务的增加，计算机的工作量随之加重，由此导致计算机系统故障频发。准确有效的定位故障，对于及时修复故障，保障生产效率至关重要。然而，目前的异常识别方案定位精度低，无自主学习能力，不能满足在新的系统生态中定位异常以及发现新的异常的需求。有鉴于此，如何提高系统异常定位的准确性已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种异常识别方法，能够实现自主学习，精确定位异常类型；本申请的另一个目的是提供一种异常识别装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供一种异常识别方法，包括：
为各项系统参数设置权重；
依据所述系统参数与其对应的所述权重构建权重切片；
以所述权重切片作为异常样本对卷积神经网络进行训练；
获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
可选的，所述为各项系统参数设置权重，包括：
以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。
可选的，所述依据所述系统参数与其对应的所述权重构建权重切片，包括：
以所述系统参数与其对应的所述权重构建一次切片；
以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。
可选的，所述系统参数包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。
可选的，还包括：
将所述实时权重切片与所述权重切片进行耦合，得到耦合权重切片，并以所述耦合权重切片作为异常样本再次训练所述卷积神经网络。
为解决上述技术问题，本申请还提供了一种异常识别装置，包括：
权重设置模块，用于为各项系统参数设置权重；
权重切片构建模块，用于依据所述系统参数与其对应的所述权重构建权重切片；
神经网络训练模块，用于以所述权重切片作为异常样本对卷积神经网络进行训练；
异常识别模块，用于获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
可选的，所述权重设置模块具体用于以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。
可选的，所述权重切片构建模块包括：
一次切片构建单元，用于以所述系统参数与其对应的所述权重构建一次切片；
权重切片构建单元，用于以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。
为解决上述技术问题，本申请还提供了一种异常识别设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述的异常识别方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的异常识别方法的步骤。
本申请所提供的异常识别方法，包括：为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
可见，本申请所提供的异常识别方法，基于卷积神经网络算法，抽象各系统参数并为各系统参数设置权重，以及以各系统参数与其对应的权重所构建的权重切片作为异常样本对卷积神经网络进行训练，进而利用训练完成的卷积神经网络识别异常，对卷积神经网络进行训练的过程即为自主学习的过程，随着学习量的增加，能够精确定位多种系统异常。
本申请所提供的异常识别装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种异常识别方法的流程示意图；
图2为本申请实施例所提供的一种异常识别装置的示意图；
图3为本申请实施例所提供的一种异常识别设备的示意图。
具体实施方式
本申请的核心是提供一种异常识别方法，能够实现自主学习，精确定位异常类型；本申请的另一个核心是提供一种异常识别装置、设备以及计算机可读存储介质，均具有上述技术效果。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种异常识别方法的示意图，参考图1所示，该异常识别方法主要包括：
S101：为各项系统参数设置权重；
具体的，本步骤旨在对各项系统参数进行加权操作，即在抽象各系统参数的基础上，为各项系统参数设置权重。其中，权重大小的范围为0-1。
其中，在一种具体的实施方式中，上述系统参数可以包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。当然，除上述CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率外，还可以为其他类型的系统参数，对此，本申请不做唯一限定，可以根据实际情况进行差异性设置。
另外，在一种具体的实施方式中，上述为各项系统参数设置权重，包括：以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。
具体的，人为制造异常，并统计各类异常分别持续的时长以及系统总的异常时间，即统计各系统参数的异常持续时间以及总异常时间，进而以系统参数的异常持续时间与总异常时间的比值作为该系统参数的权重。
例如，总异常时间为50s，这期间，系统参数CPU利用率的异常持续时间为15s，硬盘利用率的异常持续时间为20s，日志文件增长速率的异常持续时间为15s。由此，系统参数CPU利用率的权重为15/50，即为0.3，系统参数硬盘利用率的权重为0.4，系统参数日志文件增长速率的权重为0.3。
S102：依据所述系统参数与其对应的所述权重构建权重切片；
具体的，在为各项系统参数设置权重的基础上，进一步，依据系统参数与系统参数对应的权重构建权重切片，以后续以此权重切片作为异常样本进行卷积神经网络训练。
其中，在一种具体的实施方式中，上述依据所述系统参数与其对应的所述权重构建权重切片，包括：以所述系统参数与其对应的所述权重构建一次切片；以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。
具体的，本实施例中，依据系统参数与权重构建权重切片的方式具体为：以各系统参数与各系统参数对应的权重构建一次切片，并以时间为纵轴，横切一次切片得到各异常阶段对应的权重切片。
以系统参数包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率为例，CPU表示CPU利用率，disk表示硬盘使用率，Mem表示内存使用率，log表示日志文件增长速率。
以CPU利用率、CPU利用率对应的权重、硬盘使用率、硬盘使用率对应的权重、内存利用率、内存利用率对应的权重、日志增长速率以及日志增长速率对应的权重构建一次切片：
|Cpu，Cpu权重，disk，disk权重|
|Mem，Mem权重，log，log权重|
以时间为纵轴，横切上述一次切片，得到各个阶段的权重切片。
权重切片1：
|Cpu，Cpu权重1，disk，disk权重1|
|Mem，Mem权重1，log，log权重1|
权重切片2：
|Cpu，Cpu权重2，disk，disk权重2|
|Mem，Mem权重2，log，log权重2|
权重切片3
|Cpu，Cpu权重3，disk，disk权重3|
|Mem，Mem权重3，log，log权重3|，等。
S103：以所述权重切片作为异常样本对卷积神经网络进行训练；
S104：获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
具体的，收集大量的权重切片后，进一步以权重切片作为异常样本对卷积神经网络进行反复训练。后续当系统发生异常时，获取实时的权重切片，并通过训练完成的卷积神经网络对此实时权重切片进行分析，得到异常类型，实现异常定位。即通过权重切片统计出各类型异常的特征曲线，经过反复训练，特征曲线趋于稳定，当类似异常再次发生时，通过比对特征库即可精准判断出当前异常的类型。切片特征值可以用Cpu*Cpu权重+disk*disk权重+…计算出来。
进一步，在上述实施例的基础上，作为一种优选的实施方式，该异常识别方法还包括：将所述实时权重切片与所述权重切片进行耦合，得到耦合权重切片，并以所述耦合权重切片作为异常样本再次训练所述卷积神经网络。
具体的，为进一步提高异常定位的准确性，本实施例对卷积神经网络进行不断的训练，以增强其识别能力。具体而言，在分析实实时权重切片得到异常类型后，进一步将实时权重切片与之前的权重切片进行耦合，即将新、旧切片进行耦合，进而以耦合得到的权重切片作为异常样本再次对卷积神经网络进行训练。通过不断的进行训练，能够有效提高定位精度，实现异常的自主发现与高精度定位。
同一时刻，新切片与旧切片可以通过如下算式耦合：
|a，a1，b，b1|*|A，A1，B，B1|
|c，c1，d，d1||C，C1，D，D1|
＝|(A+a)/2，(a1+A1)/2，(B+b)/2，(B1+b1)/2|
|(C+c)/2，(C1+c1)/2，(D+d)/2，(D1+d1)/2|
综上所述，本申请所提供的异常识别方法，包括：为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。该异常识别方法，基于卷积神经网络算法，抽象各系统参数并为各系统参数设置权重，以及以各系统参数与其对应的权重所构建的权重切片作为异常样本对卷积神经网络进行训练，进而利用训练完成的卷积神经网络识别异常，对卷积神经网络进行训练的过程即为自主学习的过程，随着学习量的增加，能够精确定位多种系统异常。
本申请还提供了一种异常识别装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图2，图2为本申请实施例所提供的一种异常识别装置的示意图，结合图2所示，该异常识别装置包括：
权重设置模块10，用于为各项系统参数设置权重；
权重切片构建模块20，用于依据所述系统参数与其对应的所述权重构建权重切片；
神经网络训练模块30，用于以所述权重切片作为异常样本对卷积神经网络进行训练；
异常识别模块40，用于获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
在上述实施例的基础上，作为一种具体的实施方式，权重设置模块10具体用于以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。
在上述实施例的基础上，作为一种具体的实施方式，权重切片构建模块20包括：
一次切片构建单元，用于以所述系统参数与其对应的所述权重构建一次切片；
权重切片构建单元，用于以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。
在上述实施例的基础上，作为一种具体的实施方式，所述系统参数包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
耦合模块，用于将所述实时权重切片与所述权重切片进行耦合，得到耦合权重切片，并以所述耦合权重切片作为异常样本再次训练所述卷积神经网络。
对于本申请所提供的异常识别装置的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种异常识别设备，参考图3所示，该异常识别设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
对于本申请所提供的异常识别设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现如下的步骤：
为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的异常识别方法、装置、设备以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (10)

1.一种异常识别方法，其特征在于，包括：
为各项系统参数设置权重；
依据所述系统参数与其对应的所述权重构建权重切片；
以所述权重切片作为异常样本对卷积神经网络进行训练；
获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
2.根据权利要求1所述的异常识别方法，其特征在于，所述为各项系统参数设置权重，包括：
以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。
3.根据权利要求2所述的异常识别方法，其特征在于，所述依据所述系统参数与其对应的所述权重构建权重切片，包括：
以所述系统参数与其对应的所述权重构建一次切片；
以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。
4.根据权利要求3所述的异常识别方法，其特征在于，所述系统参数包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。
5.根据权利要求4所述的异常识别方法，其特征在于，还包括：
将所述实时权重切片与所述权重切片进行耦合，得到耦合权重切片，并以所述耦合权重切片作为异常样本再次训练所述卷积神经网络。
6.一种异常识别装置，其特征在于，包括：
权重设置模块，用于为各项系统参数设置权重；
权重切片构建模块，用于依据所述系统参数与其对应的所述权重构建权重切片；
神经网络训练模块，用于以所述权重切片作为异常样本对卷积神经网络进行训练；
异常识别模块，用于获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。
7.根据权利要求6所述的异常识别装置，其特征在于，所述权重设置模块具体用于以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。
8.根据权利要求7所述的异常识别装置，其特征在于，所述权重切片构建模块包括：
一次切片构建单元，用于以所述系统参数与其对应的所述权重构建一次切片；
权重切片构建单元，用于以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。
9.一种异常识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的异常识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的异常识别方法的步骤。
CN202010412742.0A 2020-05-15 2020-05-15 一种异常分析方法、装置、设备以及计算机可读存储介质 Active CN111625398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010412742.0A CN111625398B (zh) 2020-05-15 2020-05-15 一种异常分析方法、装置、设备以及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010412742.0A CN111625398B (zh) 2020-05-15 2020-05-15 一种异常分析方法、装置、设备以及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111625398A true CN111625398A (zh) 2020-09-04
CN111625398B CN111625398B (zh) 2023-05-12

Family

ID=72257865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010412742.0A Active CN111625398B (zh) 2020-05-15 2020-05-15 一种异常分析方法、装置、设备以及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111625398B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109586999A (zh) * 2018-11-12 2019-04-05 深圳先进技术研究院 一种容器云平台状态监控预警系统、方法及电子设备
CN109871872A (zh) * 2019-01-17 2019-06-11 西安交通大学 一种基于壳向量式svm增量学习模型的流量实时分类方法
CN110347547A (zh) * 2019-05-27 2019-10-18 中国平安人寿保险股份有限公司 基于深度学习的日志异常检测方法、装置、终端及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109586999A (zh) * 2018-11-12 2019-04-05 深圳先进技术研究院 一种容器云平台状态监控预警系统、方法及电子设备
CN109871872A (zh) * 2019-01-17 2019-06-11 西安交通大学 一种基于壳向量式svm增量学习模型的流量实时分类方法
CN110347547A (zh) * 2019-05-27 2019-10-18 中国平安人寿保险股份有限公司 基于深度学习的日志异常检测方法、装置、终端及介质

Also Published As

Publication number Publication date
CN111625398B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Siegmund et al. Scalable prediction of non-functional properties in software product lines
CN105721187A (zh) 一种业务故障诊断方法及装置
CN112231181B (zh) 数据异常更新检测方法、装置、计算机设备及存储介质
CN111563606A (zh) 一种设备预测性维护方法及装置
CN107609028B (zh) 一种低效率sql语句的确定方法及装置
CN104933618A (zh) 核心银行系统批量作业运行数据的监控方法及装置
Beck et al. Evaluating the impact of software evolution on software clustering
CN110275878B (zh) 业务数据检测方法、装置、计算机设备及存储介质
CN104572474B (zh) 一种基于动态切片的轻量级错误定位技术实现方法
Mellado et al. Software product measurement and analysis in a continuous integration environment
CN109857631A (zh) 基于人工智能的代码覆盖率统计方法、装置、设备及存储介质
CN111078457A (zh) 一种基于大数据的存储故障分析方法与装置
CN111669368A (zh) 端到端网络感知异常检测及分析方法、系统、装置和介质
CN111625398A (zh) 一种异常分析方法、装置、设备以及计算机可读存储介质
CN112685316A (zh) 代码执行路径的获取方法、装置、计算机设备及存储介质
CN116954624A (zh) 基于软件开发包的编译方法、软件开发系统及服务器
CN111175608A (zh) 基于加速独立分量分析的配电网谐波责任定量划分方法
CN111199419B (zh) 股票异常交易的识别方法及系统
WO2016200413A1 (en) Application session analysis and recommendation system
Vijaya et al. Monitoring the stability of the processes in defined level software companies using control charts with three sigma limits
CN111179077B (zh) 股票异常交易的识别方法及系统
CN114357185A (zh) 一种基于知识图谱的制造业装备故障监测模型训练方法
CN111880981A (zh) 一种docker容器的故障修复方法及相关装置
CN116431454B (zh) 一种大数据的计算机性能控制系统及方法
CN117271268B (zh) 一种数字化计算平台中的集群架构性能评估方法

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