CN112100037B - 告警级别识别方法、装置、电子设备及存储介质 - Google Patents
告警级别识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112100037B CN112100037B CN202011026143.1A CN202011026143A CN112100037B CN 112100037 B CN112100037 B CN 112100037B CN 202011026143 A CN202011026143 A CN 202011026143A CN 112100037 B CN112100037 B CN 112100037B
- Authority
- CN
- China
- Prior art keywords
- value
- alarm event
- historical
- estimation model
- density estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
- G06F11/327—Alarm or error message display
Abstract
本发明实施例提供了一种告警级别识别方法、装置、电子设备及存储介质。告警级别识别方法包括:获取待识别告警事件中监控指标的实际数值和基准数值;计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;基于所述概率特征参数,识别所述待识别告警事件的告警级别。概率特征参数可以描述待识别告警事件的严重程度,因此基于概率特征参数,可以识别出待识别告警事件的告警级别,进而为监控服务系统选择性地处理告警事件提供依据。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种告警级别识别方法、装置、电子设备及存储介质。
背景技术
监控服务系统主要是对被监控设备的各项监控指标进行监控,当发现监控指标异常时触发告警事件。在监控服务系统中,通常需要处理大量的监控指标,排除设备插件采集的监控指标以外,还存在大部分用户投递的监控指标。以数据库服务为例,对于数据库服务的请求数、连接数等监控指标,其数值变化通常与服务使用方的具体操作行为有关,因此可能会出现大量的监控指标突然增长或是下降等异常情况,从而触发大量的告警事件。
但是,由于监控服务系统的处理能力有限,因此无法及时处理所有的告警事件。基于此,如果能够对告警事件的告警级别进行识别,则监控服务系统可以根据告警级别的高低,选择性地处理更为严重的告警事件。因此,如何识别告警事件的告警级别,成为目前亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种告警级别识别方法、装置、电子设备及存储介质,以实现对告警事件的告警级别进行识别。具体技术方案如下:
在本发明实施的第一方面,首先提供了一种告警级别识别方法,包括:
获取待识别告警事件中监控指标的实际数值和基准数值;
计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
基于所述概率特征参数,识别所述待识别告警事件的告警级别。
可选地,所述计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,包括:将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置。
可选地,所述单变量核密度估计模型通过如下方式生成:针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值;将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数;依据全部历史告警事件中所述监控指标的历史实际数值,计算所述单变量核密度估计模型中的第一带宽参数,得到所述单变量核密度估计模型。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数,包括:将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的概率密度函数值;将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的累计分布函数值。
可选地,所述多变量核密度估计模型通过如下方式生成:针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值和历史基准数值,并计算所述历史实际数值偏离所述历史基准数值的偏离距离,作为所述监控指标的第二偏离距离,以及计算所述历史实际数值在所述历史告警事件中的相对位置,作为所述监控指标的第二相对位置;将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数;依据全部历史告警事件中所述监控指标的第二偏离距离,计算所述多变量核密度估计模型中的第二带宽参数,以及依据全部历史告警事件中所述监控指标的第二相对位置,计算所述多变量核密度估计模型中的第三带宽参数,得到所述多变量核密度估计模型。
可选地,所述计算所述实际数值偏离所述基准数值的偏离距离,包括:计算所述实际数值减去所述基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述实际数值偏离所述基准数值的偏离距离。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述基于所述概率特征参数,识别所述待识别告警事件的告警级别,包括:在所述概率密度函数值小于第一预设阈值,且所述累计分布函数值大于第二预设阈值时,确定所述待识别告警事件为高级别告警事件;在所述概率密度函数值小于所述第一预设阈值,且所述累计分布函数值小于数值1减去所述第二预设阈值得到的差值时,确定所述待识别告警事件为中级别告警事件;在所述概率密度函数值大于等于所述第一预设阈值时,确定所述待识别告警事件为低级别告警事件。
在本发明实施的第二方面,还提供了一种告警级别识别装置,包括:
第一获取模块,用于获取待识别告警事件中监控指标的实际数值和基准数值;
第一计算模块,用于计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
第二计算模块,用于依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
识别模块,用于基于所述概率特征参数,识别所述待识别告警事件的告警级别。
可选地,所述第一计算模块包括:函数设置单元,用于将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;位置获取单元,用于将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置。
可选地,所述单变量核密度估计模型通过如下模块生成:第二获取模块,用于针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值;第三获取模块,用于将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数;第三计算模块,用于依据全部历史告警事件中所述监控指标的历史实际数值,计算所述单变量核密度估计模型中的第一带宽参数,得到所述单变量核密度估计模型。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述第二计算模块包括:第一函数值获取单元,用于将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的概率密度函数值;第二函数值获取单元,用于将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的累计分布函数值。
可选地,所述多变量核密度估计模型通过如下模块生成:第四计算模块,用于针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值和历史基准数值,并计算所述历史实际数值偏离所述历史基准数值的偏离距离,作为所述监控指标的第二偏离距离,以及计算所述历史实际数值在所述历史告警事件中的相对位置,作为所述监控指标的第二相对位置;第四获取模块,用于将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数;第五计算模块,用于依据全部历史告警事件中所述监控指标的第二偏离距离,计算所述多变量核密度估计模型中的第二带宽参数,以及依据全部历史告警事件中所述监控指标的第二相对位置,计算所述多变量核密度估计模型中的第三带宽参数,得到所述多变量核密度估计模型。
可选地,所述第一计算模块包括:距离计算单元,用于计算所述实际数值减去所述基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述实际数值偏离所述基准数值的偏离距离。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述识别模块包括:第一识别单元,用于在所述概率密度函数值小于第一预设阈值,且所述累计分布函数值大于第二预设阈值时,确定所述待识别告警事件为高级别告警事件;第二识别单元,用于在所述概率密度函数值小于所述第一预设阈值,且所述累计分布函数值小于数值1减去所述第二预设阈值得到的差值时,确定所述待识别告警事件为中级别告警事件;第三识别单元,用于在所述概率密度函数值大于等于所述第一预设阈值时,确定所述待识别告警事件为低级别告警事件。
在本发明实施的又一方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;存储器,用于存放计算机程序;处理器,用于执行存储器上所存放的程序时,实现上述任一所述的告警级别识别方法。
在本发明实施的又一方面,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中存储有指令,当其在计算机上运行时,使得计算机实现上述任一所述的告警级别识别方法。
在本发明实施的又一方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机实现上述任一所述的告警级别识别方法。
本发明实施例提供的告警级别识别方法、装置、电子设备及存储介质,获取待识别告警事件中监控指标的实际数值和基准数值,计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置,依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数。所述概率特征参数可以描述待识别告警事件的严重程度,因此基于所述概率特征参数,可以识别出所述待识别告警事件的告警级别,进而为监控服务系统选择性地处理告警事件提供依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例中的一种告警级别识别方法的步骤流程图。
图2为本发明实施例中的一种整体处理过程的示意图。
图3为本发明实施例中的一种告警级别识别装置的结构框图。
图4为本发明实施例中的另一种告警级别识别装置的结构框图。
图5为本发明实施例中的一种电子设备的结构框图。
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描述。
在对告警事件的告警级别进行识别时,判断依据通常是建立在运维人员的历史经验上的,但是对于无相对先验信息的监控指标来说,这种判断依据是相对缺乏的。并且对于监控服务系统而言,覆盖的监控指标数量大,监控指标的数值尺度范围不同,数值含义也不同。因此,提供一种自适应地、快速地识别告警事件的告警级别的方法是非常有必要的。
通过对于历史告警事件分析发现,对于一个监控指标的异常表现是否严重主要可以通过两维属性来描述,即当前时刻监控指标的实际数值偏离基准数值的偏离距离,以及当前时刻监控指标的实际数值在该监控指标对应的历史告警事件中的相对位置,通过上述两维属性来计算告警事件的概率特征参数,将概率特征参数作为告警事件的告警级别的判断依据。
本发明实施例可以应用于监控服务系统中。
图1为本发明实施例中的一种告警级别识别方法的步骤流程图。
如图1所示,告警级别识别方法可以包括以下步骤:
步骤101,获取待识别告警事件中监控指标的实际数值和基准数值。
一个被监控设备可以对应多个监控指标。比如,被监控设备为数据库服务时,监控指标可以包括请求数、连接数、成功率、流量,等等。被监控设备可以每隔预设时长向监控服务系统上传监控指标在上传时刻的实际数值。对于预设时长的具体数值,本发明实施例不做限制。比如,预设时长可以设置为1分钟、2分钟等。
在监控服务系统中可以针对被监控设备的每个监控指标,预先设置该监控指标在各个上传时刻的基准数值。监控服务系统对被监控设备的各监控指标进行实时监控。当接收到被监控设备在某个上传时刻上传的监控指标的实际数值后,将该实际数值与该上传时刻的基准数值进行比较,当实际数值与基准数值不同时,触发告警事件。该告警事件可以包括上传时刻、监控指标的名称、监控指标在上传时刻的实际数值、监控指标在上传时刻的基准数值等信息。
步骤102,计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置。
步骤103,依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数。
步骤104,基于所述概率特征参数,识别所述待识别告警事件的告警级别。
当要识别待识别告警事件的告警级别时,获取该告警事件中监控指标在当前时刻的实际数值和基准数值。依据实际数值和基准数值,计算所述实际数值偏离所述基准数值的偏离距离,将该偏移距离作为所述监控指标的第一偏离距离,并计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,将该相对位置作为所述监控指标的第一相对位置。依据所述监控指标的第一偏移距离和第一相对位置,可以计算待识别告警事件的概率特征参数。待识别告警事件的概率特征参数可以描述该待识别告警事件的严重程度,因此基于所述概率特征参数,可以识别出所述待识别告警事件的告警级别,进而为监控服务系统选择性地处理告警事件提供依据。
图2为本发明实施例中的一种整体处理过程的示意图。图2所示的整体处理过程可以包括数据采集部分(S201~S203)、模型训练部分(S204~S205)和告警级别识别部分(S206)。
如图2所示,整体处理过程可以包括以下步骤:
S201,告警事件检测。
监控服务系统中可以设置事件检测组件,该事件检测组件用于在接收到一次监控指标在上传时刻的实际数值时,针对该监控指标的实际数值与预设的该上传时刻的基准数值进行实时判断,当监控指标的实际数值上穿基准数值或者下穿基准数值的情况下,触发一个告警事件。
S202,告警事件收集。
监控服务系统中可以设置事件收集组件,该事件收集组件用于将事件检测组件中触发的告警事件写入数据库。该事件收集组件在将告警事件写入数据库之前,还可以对告警事件进行组合处理,将从开始告警到恢复正常结束告警的这一告警时间段内,对应的各告警事件组成一个告警事件组合。比如,一个告警事件组合可以包含告警的开始时刻、结束时刻、监控指标的名称、监控指标在告警时间段(自开始时刻至结束时刻)内的各实际数值以及实际数值对应的基准数值。
S203,告警事件写入数据库。
本发明实施例中,写入数据库中的告警事件作为历史告警事件,历史告警事件中监控指标的实际数值作为历史实际数值,历史告警事件中监控指标的基准数值作为历史基准数值。
S204,模型训练。
监控服务系统中可以设置训练更新组件,该训练更新组件用于针对历史告警事件进行训练,得到相关模型,并对模型进行定期更新。
本发明实施例中,采用核密度估计模型进行训练,如公式一所示:
公式一中,n为样本数量,dk为特征维度,hk为带宽参数,xjk为第j个样本的第k维数值(xjk表示历史参数),∑表示求和,∏表示连乘,K()表示核密度函数,xik为模型的输入,f(xi)为模型的输出。
公式一中的带宽参数hk,通过如下公式二计算:
公式二中,n为样本数量,dk为特征维度,xjk为第j个样本的第k维数值(xjk表示历史参数),std(xjk)为全部样本的第k维数值的标准差。
本发明实施例中,针对每个监控指标,预先训练该监控指标对应的单变量核密度估计模型和多变量核密度估计模型两个核密度估计模型。针对每个监控指标,从数据库中读取最近一段时间内该监控指标对应的多个历史告警事件组合,将其中的一个历史告警事件作为一个样本,训练该监控指标对应的单变量核密度估计模型和多变量核密度估计模型。
在一种可选实施方式中,单变量核密度估计模型通过如下步骤A1~步骤A3生成:
步骤A1,针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值。
步骤A2,将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数。
步骤A3,依据全部历史告警事件中所述监控指标的历史实际数值,计算所述单变量核密度估计模型中的第一带宽参数,得到所述单变量核密度估计模型。
如果是单变量核密度估计模型,则特征维度为一维(包括实际数值)。因此,将上述公式一作为单变量核密度估计模型时,dk的取值为1,k有1个取值,这里设k的取值为1,n的取值为作为样本的全部历史告警事件的数量。
对于一个监控指标,针对该监控指标对应的作为样本的每个历史告警事件,分别获取该历史告警事件中所述监控指标的历史实际数值。将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数xj1。也即,一个历史告警事件中监控指标的历史实际数值作为该样本的第一维的数值xj1,因此第一历史参数xj1作为上述公式一中的xjk。
由于特征维度为一维,因此带宽参数为一个。依据全部历史告警事件中所述监控指标的历史实际数值,利用上述公式二计算所述单变量核密度估计模型中的第一带宽参数h1。在利用上述公式二计算第一带宽参数时,dk的取值为1,n的取值为样本的全部历史告警事件的数量,xjk的取值为第一历史参数xj1。计算得到的第一带宽参数h1作为上述公式一中的hk。
通过上述计算,得到了公式一中的dk、n、xjk、hk,因此即可得到上述公式一对应的单变量核密度估计模型。
在一种可选实施方式中,多变量核密度估计模型通过如下步骤B1~步骤B3生成:
步骤B1,针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值和历史基准数值,并计算所述历史实际数值偏离所述历史基准数值的偏离距离,作为所述监控指标的第二偏离距离,以及计算所述历史实际数值在所述历史告警事件中的相对位置,作为所述监控指标的第二相对位置。
对于一个监控指标,针对该监控指标对应的作为样本的每个历史告警事件,分别获取该历史告警事件中所述监控指标的历史实际数值和历史基准数值。
在一种可选实施方式中,计算所述历史实际数值偏离所述历史基准数值的偏离距离的过程,可以包括:计算所述历史实际数值减去所述历史基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述历史实际数值偏离所述历史基准数值的偏离距离。
因此,偏离距离可以通过如下公式三计算:
公式三中,deviation表示偏离距离,value表示监控指标的实际数值,baseline表示监控指标的基准数值,abs表示取绝对值,log表示求对数,加入对数为了消除不同监控指标之间数值尺度不同带来的影响。
相对位置的含义可以通过如下公式四表示:
公式四中,x表示历史告警事件中监控指标的实际数值,P表示概率,relative表示相对位置。
在一种可选实施方式中,计算所述历史实际数值在所述历史告警事件中的相对位置的过程,可以包括:将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;将所述历史实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述历史实际数值在所述历史告警事件中的相对位置。
其中,高斯损失函数如下公式五所示:
需要说明的是,利用上述公式一对应的单变量核密度估计模型,在计算某个历史实际数值在历史告警事件中的相对位置时,将该历史实际数值作为单变量核密度估计模型的输入,单变量核密度估计模型中的样本数量n需要减去该历史实际数值(也即n=n-1),第一历史参数xjk中也要去掉该历史实际数值。
步骤B3,将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数。
步骤B4,依据全部历史告警事件中所述监控指标的第二偏离距离,计算所述多变量核密度估计模型中的第二带宽参数,以及依据全部历史告警事件中所述监控指标的第二相对位置,计算所述多变量核密度估计模型中的第三带宽参数,得到所述多变量核密度估计模型。
如果是多变量核密度估计模型,则特征维度为二维(包括偏离距离和相对位置)。因此,将上述公式一作为多变量核密度估计模型时,dk的取值为2,k有两个取值,这里设k的取值为1和2,n的取值为作为样本的全部历史告警事件的数量。
对于一个监控指标,针对该监控指标对应的作为样本的每个历史告警事件,分别获取该历史告警事件中所述监控指标的第二偏离距离和第二相对位置。将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数xj1和xj2。也即,一个历史告警事件中监控指标的第二偏离距离作为该样本的第一维的数值xj1,监控指标的第二相对位置作为该样本的第二维的数值xj2,因此第二历史参数xj1和xj2作为上述公式一中的xjk。
由于特征维度为二维,因此带宽参数为两个。依据全部历史告警事件中所述监控指标的第二偏离距离,利用上述公式二计算所述多变量核密度估计模型中的第二带宽参数h1。在利用上述公式二计算第二带宽参数时,dk的取值为2,n的取值为样本的全部历史告警事件的数量,xjk的取值为第二历史参数中的第二偏离距离xj1。依据全部历史告警事件中所述监控指标的第二相对位置,利用上述公式二计算所述多变量核密度估计模型中的第三带宽参数h2。在利用上述公式二计算第三带宽参数时,dk的取值为2,n的取值为样本的全部历史告警事件的数量,xjk的取值为第二历史参数中的第二相对位置xj2。将第二带宽参数h1和第三带宽参数h2作为上述公式一中的hk。
通过上述计算,得到了公式一中的dk、n、xjk、hk,因此即可得到上述公式一对应的多变量核密度估计模型。
S205,模型缓存。
在训练得到单变量核密度估计模型和多变量核密度估计模型后,将单变量核密度估计模型和多变量核密度估计模型进行缓存,以便后续识别告警级别时使用。
S206,告警级别识别。
在获取到一个待识别告警事件后,可以依据上述的单变量核密度估计模型和多变量核密度估计模型,识别所述待识别告警事件的告警级别。
本发明实施例中,告警级别识别过程可以包括以下步骤C1~步骤C6:
步骤C1,获取待识别告警事件中监控指标的实际数值和基准数值。
步骤C2,计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离。
在一种可选实施方式中,计算所述实际数值偏离所述基准数值的偏离距离的过程,包括:计算所述实际数值减去所述基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述实际数值偏离所述基准数值的偏离距离。在实现中,可以利用上述公式三计算所述实际数值偏离所述基准数值的偏离距离。
步骤C3,计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置。
在一种可选实施方式中,计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置的过程,可以包括:将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置。其中,高斯损失函数如上公式五所示。
步骤C4,依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数。
在一种可选实施方式中,所述概率特征参数包括概率密度函数值和累计分布函数值。依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数的过程,可以包括如下步骤C41~步骤C42:
步骤C41,将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的概率密度函数值。
其中,高斯核函数如下公式六所示:
步骤C42,将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的累计分布函数值。
其中,高斯损失函数如上述公式五所示。
步骤C5,基于所述概率特征参数,识别所述待识别告警事件的告警级别。
在一种可选实施方式中,基于所述概率特征参数,识别所述待识别告警事件的告警级别的过程,可以包括:在所述概率密度函数值小于第一预设阈值,且所述累计分布函数值大于第二预设阈值时,确定所述待识别告警事件为高级别告警事件;在所述概率密度函数值小于所述第一预设阈值,且所述累计分布函数值小于数值1减去所述第二预设阈值得到的差值时,确定所述待识别告警事件为中级别告警事件;在所述概率密度函数值大于等于所述第一预设阈值时,确定所述待识别告警事件为低级别告警事件。
比如,第一预设阈值为δ1,第一预设阈值为δ2,则通过如下规则识别:
如果概率密度函数值<δ1,累计分布函数值>δ2,则待识别告警事件为高级别告警事件;
如果概率密度函数值<δ1,累计分布函数值<(1-δ2),则待识别告警事件为中级别告警事件;
如果概率密度函数值≥δ1,则待识别告警事件为低级别告警事件。
对于第一预设阈值和第二预设阈值的具体数值,可以根据实际经验选用任意适用的数值,本发明实施例对此不作限制。比如,第一预设数值可以根据训练样本来确定,如设置第一预设阈值为训练样本中概率密度函数值的20%分位数、25%分位数、30%分位数,等等。第二预设数值可以根据经验数值确定,如设置第二预设阈值为0.7、0.8、0.85,等等。
本发明实施例中,定义了一种描述告警事件严重程度的概率特征参数,通过模型估计相关概率特征参数的方式,来模拟运维人员历史经验的方式,从而得到对于告警事件的告警级别的判断依据,判断依据更加直观,整体过程中无需涉及对于监控指标的具体理解以及处理经验。通过本发明实施例,大型的监控服务系统可以将其应用于针对大量监控指标的告警级别定级,以便更及时地应对严重事故的发生。
图3为本发明实施例中的一种告警级别识别装置的结构框图。
如图3所示,告警级别识别装置可以包括以下模块:
第一获取模块301,用于获取待识别告警事件中监控指标的实际数值和基准数值;
第一计算模块302,用于计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
第二计算模块303,用于依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
识别模块304,用于基于所述概率特征参数,识别所述待识别告警事件的告警级别。
本发明实施例中,待识别告警事件的概率特征参数可以描述该待识别告警事件的严重程度,因此基于所述概率特征参数,可以识别出所述待识别告警事件的告警级别,进而为监控服务系统选择性地处理告警事件提供依据。
图4为本发明实施例中的另一种告警级别识别装置的结构框图。
如图4所示,告警级别识别装置可以包括以下模块:
第一获取模块401,用于获取待识别告警事件中监控指标的实际数值和基准数值;
第一计算模块402,用于计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
第二计算模块403,用于依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
识别模块404,用于基于所述概率特征参数,识别所述待识别告警事件的告警级别。
可选地,所述第一计算模块402包括:函数设置单元4021,用于将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;位置获取单元4022,用于将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置。
可选地,所述单变量核密度估计模型通过如下模块生成:第二获取模块405,用于针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值;第三获取模块406,用于将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数;第三计算模块407,用于依据全部历史告警事件中所述监控指标的历史实际数值,计算所述单变量核密度估计模型中的第一带宽参数,得到所述单变量核密度估计模型。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述第二计算模块403包括:第一函数值获取单元4031,用于将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的概率密度函数值;第二函数值获取单元4032,用于将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的累计分布函数值。
可选地,所述多变量核密度估计模型通过如下模块生成:第四计算模块408,用于针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值和历史基准数值,并计算所述历史实际数值偏离所述历史基准数值的偏离距离,作为所述监控指标的第二偏离距离,以及计算所述历史实际数值在所述历史告警事件中的相对位置,作为所述监控指标的第二相对位置;第四获取模块409,用于将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数;第五计算模块410,用于依据全部历史告警事件中所述监控指标的第二偏离距离,计算所述多变量核密度估计模型中的第二带宽参数,以及依据全部历史告警事件中所述监控指标的第二相对位置,计算所述多变量核密度估计模型中的第三带宽参数,得到所述多变量核密度估计模型。
可选地,所述第一计算模块402包括:距离计算单元4023,用于计算所述实际数值减去所述基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述实际数值偏离所述基准数值的偏离距离。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述识别模块404包括:第一识别单元4041,用于在所述概率密度函数值小于第一预设阈值,且所述累计分布函数值大于第二预设阈值时,确定所述待识别告警事件为高级别告警事件;第二识别单元4042,用于在所述概率密度函数值小于所述第一预设阈值,且所述累计分布函数值小于数值1减去所述第二预设阈值得到的差值时,确定所述待识别告警事件为中级别告警事件;第三识别单元4043,用于在所述概率密度函数值大于等于所述第一预设阈值时,确定所述待识别告警事件为低级别告警事件。
本发明实施例中,通过模型估计相关概率特征参数的方式,来模拟运维人员历史经验的方式,从而得到对于告警事件的告警级别的判断依据,判断依据更加直观,整体过程中无需涉及对于监控指标的具体理解以及处理经验。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现如下步骤:
获取待识别告警事件中监控指标的实际数值和基准数值;
计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
基于所述概率特征参数,识别所述待识别告警事件的告警级别。
可选地,所述计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,包括:将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置。
可选地,所述单变量核密度估计模型通过如下方式生成:针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值;将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数;依据全部历史告警事件中所述监控指标的历史实际数值,计算所述单变量核密度估计模型中的第一带宽参数,得到所述单变量核密度估计模型。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数,包括:将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的概率密度函数值;将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的累计分布函数值。
可选地,所述多变量核密度估计模型通过如下方式生成:针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值和历史基准数值;计算所述历史实际数值偏离所述历史基准数值的偏离距离,作为所述监控指标的第二偏离距离,以及计算所述历史实际数值在所述历史告警事件中的相对位置,作为所述监控指标的第二相对位置;将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数;依据全部历史告警事件中所述监控指标的第二偏离距离,计算所述多变量核密度估计模型中的第二带宽参数,以及依据全部历史告警事件中所述监控指标的第二相对位置,计算所述多变量核密度估计模型中的第三带宽参数,得到所述多变量核密度估计模型。
可选地,所述计算所述实际数值偏离所述基准数值的偏离距离,包括:计算所述实际数值减去所述基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述实际数值偏离所述基准数值的偏离距离。
可选地,所述概率特征参数包括概率密度函数值和累计分布函数值;所述基于所述概率特征参数,识别所述待识别告警事件的告警级别,包括:在所述概率密度函数值小于第一预设阈值,且所述累计分布函数值大于第二预设阈值时,确定所述待识别告警事件为高级别告警事件;在所述概率密度函数值小于所述第一预设阈值,且所述累计分布函数值小于数值1减去所述第二预设阈值得到的差值时,确定所述待识别告警事件为中级别告警事件;在所述概率密度函数值大于等于所述第一预设阈值时,确定所述待识别告警事件为低级别告警事件。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,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中存储有指令,当其在计算机上运行时,使得计算机实现上述实施例中任一所述的告警级别识别方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机实现上述实施例中任一所述的告警级别识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种告警级别识别方法,其特征在于,包括:
获取待识别告警事件中监控指标的实际数值和基准数值;
计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
基于所述概率特征参数,识别所述待识别告警事件的告警级别;
所述计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,包括:将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置;
所述概率特征参数包括概率密度函数值和累计分布函数值;所述依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数,包括:将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的所述待识别告警事件的概率密度函数值;将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的所述待识别告警事件的累计分布函数值。
2.根据权利要求1所述的方法,其特征在于,所述单变量核密度估计模型通过如下方式生成:
针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值;
将全部历史告警事件中所述监控指标的历史实际数值,作为所述单变量核密度估计模型中的第一历史参数;
依据全部历史告警事件中所述监控指标的历史实际数值,计算所述单变量核密度估计模型中的第一带宽参数,得到所述单变量核密度估计模型。
3.根据权利要求1所述的方法,其特征在于,所述多变量核密度估计模型通过如下方式生成:
针对每个历史告警事件,获取所述历史告警事件中所述监控指标的历史实际数值和历史基准数值,并计算所述历史实际数值偏离所述历史基准数值的偏离距离,作为所述监控指标的第二偏离距离,以及计算所述历史实际数值在所述历史告警事件中的相对位置,作为所述监控指标的第二相对位置;
将全部历史告警事件中所述监控指标的第二偏离距离和第二相对位置,作为所述多变量核密度估计模型中的第二历史参数;
依据全部历史告警事件中所述监控指标的第二偏离距离,计算所述多变量核密度估计模型中的第二带宽参数,以及依据全部历史告警事件中所述监控指标的第二相对位置,计算所述多变量核密度估计模型中的第三带宽参数,得到所述多变量核密度估计模型。
4.根据权利要求1所述的方法,其特征在于,所述计算所述实际数值偏离所述基准数值的偏离距离,包括:
计算所述实际数值减去所述基准数值得到的差值的绝对值,并计算所述绝对值与所述基准数值的比值;
计算所述比值与数值1相加得到的和值,并计算所述和值的对数,将所述对数作为所述实际数值偏离所述基准数值的偏离距离。
5.根据权利要求1所述的方法,其特征在于,所述概率特征参数包括概率密度函数值和累计分布函数值;所述基于所述概率特征参数,识别所述待识别告警事件的告警级别,包括:
在所述概率密度函数值小于第一预设阈值,且所述累计分布函数值大于第二预设阈值时,确定所述待识别告警事件为高级别告警事件;
在所述概率密度函数值小于所述第一预设阈值,且所述累计分布函数值小于数值1减去所述第二预设阈值得到的差值时,确定所述待识别告警事件为中级别告警事件;
在所述概率密度函数值大于等于所述第一预设阈值时,确定所述待识别告警事件为低级别告警事件。
6.一种告警级别识别装置,其特征在于,包括:
第一获取模块,用于获取待识别告警事件中监控指标的实际数值和基准数值;
第一计算模块,用于计算所述实际数值偏离所述基准数值的偏离距离,作为所述监控指标的第一偏离距离,以及计算所述实际数值在所述监控指标对应的历史告警事件中的相对位置,作为所述监控指标的第一相对位置;
第二计算模块,用于依据所述第一偏离距离和所述第一相对位置,计算所述待识别告警事件的概率特征参数;
识别模块,用于基于所述概率特征参数,识别所述待识别告警事件的告警级别;
所述第一计算模块包括:函数设置单元,用于将预先生成的单变量核密度估计模型中的核密度函数设置为高斯损失函数;位置获取单元,用于将所述实际数值作为所述单变量核密度估计模型的输入,得到所述单变量核密度估计模型输出的,所述实际数值在所述历史告警事件中的相对位置;
所述概率特征参数包括概率密度函数值和累计分布函数值;所述第二计算模块包括:第一函数值获取单元,用于将预先生成的多变量核密度估计模型中的核密度函数设置为高斯核函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的概率密度函数值;第二函数值获取单元,用于将预先生成的多变量核密度估计模型中的核密度函数设置为高斯损失函数,将所述第一偏离距离和所述第一相对位置作为所述多变量核密度估计模型的输入,得到所述多变量核密度估计模型输出的,所述待识别告警事件的累计分布函数值。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现如权利要求1-5任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026143.1A CN112100037B (zh) | 2020-09-25 | 2020-09-25 | 告警级别识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011026143.1A CN112100037B (zh) | 2020-09-25 | 2020-09-25 | 告警级别识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100037A CN112100037A (zh) | 2020-12-18 |
CN112100037B true CN112100037B (zh) | 2023-07-25 |
Family
ID=73755486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011026143.1A Active CN112100037B (zh) | 2020-09-25 | 2020-09-25 | 告警级别识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100037B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114844762B (zh) * | 2022-04-19 | 2023-11-07 | 中南大学 | 告警真实性检测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867383A (zh) * | 2011-07-07 | 2013-01-09 | 哈尔滨工业大学深圳研究生院 | 一种抢劫监控报警方法及系统 |
KR20150128217A (ko) * | 2014-05-09 | 2015-11-18 | 세종대학교산학협력단 | 산사태 취약성 분석 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
CN107274298A (zh) * | 2017-06-22 | 2017-10-20 | 中国农业科学院农业信息研究所 | 一种农产品价格波动预警方法及系统 |
CN110322153A (zh) * | 2019-07-09 | 2019-10-11 | 中国工商银行股份有限公司 | 监控事件处理方法及系统 |
AU2020101238A4 (en) * | 2020-07-03 | 2020-08-06 | Agricultural Information Institute Of Caas | A Kind of Method for Early Warning of Price Fluctuation of Agricultural Product and Its System |
CN111598327A (zh) * | 2020-05-12 | 2020-08-28 | 华东师范大学 | 一种航空风险评价方法、装置及计算机设备 |
CN111625413A (zh) * | 2020-04-23 | 2020-09-04 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013171474A2 (en) * | 2012-05-15 | 2013-11-21 | University Of Lancaster | Anomalous system state identification |
FR2990725B1 (fr) * | 2012-05-16 | 2014-05-02 | Snecma | Procede de surveillance d'une degradation d'un dispositif embarque d'un aeronef avec determination automatique d'un seuil de decision |
US20140278800A1 (en) * | 2013-03-15 | 2014-09-18 | Taco Bell, Corp. | Systems, devices, and methods for generating location establishment severity identification |
-
2020
- 2020-09-25 CN CN202011026143.1A patent/CN112100037B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867383A (zh) * | 2011-07-07 | 2013-01-09 | 哈尔滨工业大学深圳研究生院 | 一种抢劫监控报警方法及系统 |
KR20150128217A (ko) * | 2014-05-09 | 2015-11-18 | 세종대학교산학협력단 | 산사태 취약성 분석 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체 |
CN107274298A (zh) * | 2017-06-22 | 2017-10-20 | 中国农业科学院农业信息研究所 | 一种农产品价格波动预警方法及系统 |
CN110322153A (zh) * | 2019-07-09 | 2019-10-11 | 中国工商银行股份有限公司 | 监控事件处理方法及系统 |
CN111625413A (zh) * | 2020-04-23 | 2020-09-04 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置及存储介质 |
CN111598327A (zh) * | 2020-05-12 | 2020-08-28 | 华东师范大学 | 一种航空风险评价方法、装置及计算机设备 |
AU2020101238A4 (en) * | 2020-07-03 | 2020-08-06 | Agricultural Information Institute Of Caas | A Kind of Method for Early Warning of Price Fluctuation of Agricultural Product and Its System |
Also Published As
Publication number | Publication date |
---|---|
CN112100037A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347561B (zh) | 监控告警方法及终端设备 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN111309539A (zh) | 一种异常监测方法、装置和电子设备 | |
CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
CN114444827B (zh) | 一种集群性能的评估方法和装置 | |
CN113986693A (zh) | 告警响应级别确定方法、装置、电子设备及存储介质 | |
CN112862127A (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
CN114333317B (zh) | 一种交通事件的处理方法、装置、电子设备及存储介质 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN112100037B (zh) | 告警级别识别方法、装置、电子设备及存储介质 | |
CN116701130A (zh) | 基于指标画像的动态基线优化方法、装置及电子设备 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN113569965A (zh) | 一种基于物联网的用户行为分析方法及系统 | |
CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN112988536B (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN115494431A (zh) | 一种变压器故障告警方法、终端设备和计算机可读存储介质 | |
CN114928467A (zh) | 一种网络安全运维关联分析方法及系统 | |
CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
CN113079047A (zh) | 一种告警处理方法及装置 | |
CN113361730A (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
CN112763678A (zh) | 一种基于pca的污水处理过程监控方法及系统 |
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 |