CN112152834B - 一种网络异常报警方法、装置及电子设备 - Google Patents
一种网络异常报警方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112152834B CN112152834B CN201910582462.1A CN201910582462A CN112152834B CN 112152834 B CN112152834 B CN 112152834B CN 201910582462 A CN201910582462 A CN 201910582462A CN 112152834 B CN112152834 B CN 112152834B
- Authority
- CN
- China
- Prior art keywords
- index data
- value
- network index
- network
- data
- 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
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
- H04L41/0681—Configuration of triggering conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请实施例提供了一种网络异常报警方法、装置及电子设备,所述方法包括:获取网络指标数据,并获取网络指标数据在预设百分位点的数值;根据网络指标数据在预设百分位点的数值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据;根据差值数据,获取差值数据的统计图,其中统计图的横轴为差值数据的数值,纵轴为差值数据的数值的发生次数;根据差值数据的统计图,获取网络指标数据的报警阈值加项;根据网络指标数据在预设百分位点的数值和网络指标数据的报警阈值加项,获取网络指标数据的报警阈值;根据报警阈值,对网络进行检测,当网络指标数据的数值大于报警阈值时执行报警操作。
Description
技术领域
本申请涉及互联网技术领域,特别是涉及一种网络异常报警方法、装置及电子设备。
背景技术
目前,网络已经成为人们生活和工作中非常重要的一部分。而对网络质量的检测,是判断网络优化效果,以及提高用户满意度的重要依据。通过对网络中重要的指标数据,如错误码、故障率、丢包率等,进行监控可以方便维护人员对网络中的故障进行及时发现和处理,有效保证互联网服务的正常运转,方便对网络环境和网络性能进行分析。
目前,在对网络状态进行监控时,通常会通过针对某网络指标数据提供一个默认的报警阈值,当监测到的网络指标数据超出这个阈值的时候进行报警,网络指标数据例如可以为网络带宽,并发量,丢包率,错误率,发包时长等。例如,预设节点错误率超过5%是异常的。但是在一些网络环境比较差的节点可能正常状态错误率就会超过5%,这样会一直对这个节点进行报警。因此,现有的网络监测方式,网络故障报警的准确率较低,使得误报警现象较多。
发明内容
本申请实施例的目的在于提供一种网络异常报警方法、装置及电子设备,以实现网络异常的报警,有效减少误报警现象。具体技术方案如下:
第一方面,本申请实施例提供了一种网络异常报警方法,包括:
获取网络指标数据,并获取上述网络指标数据在预设百分位点的数值;
根据上述网络指标数据在预设百分位点的数值,获取上述网络指标数据在预设百分位点的数值与上述网络指标数据的不同数值的差值数据;
根据上述差值数据,获取上述差值数据的统计图,其中上述统计图的横轴为上述差值数据的数值,纵轴为上述差值数据的数值的发生次数;
根据上述差值数据的统计图,获取上述网络指标数据的报警阈值加项;
根据上述网络指标数据在预设百分位点的数值和上述网络指标数据的报警阈值加项,获取上述网络指标数据的报警阈值;
根据上述报警阈值,对网络进行检测,当上述网络指标数据的数值大于上述报警阈值时执行报警操作。
可选的,上述根据上述网络指标数据预设百分位点的数值,获取上述预设百分位点的数值与上述网络指标数据的差值数据,包括:
若上述网络指标数据大于上述预设百分位点的数值,则计算上述网络指标数据与上述预设百分位点的数值之差;
若上述网络指标数据小于上述预设百分位点的数值,则不进行计算;
若上述网络指标数据等于上述预设百分位点的数值,则上述网络指标数据的数值与上述预设百分位点的数值的差值为0。
可选的,上述根据上述差值数据的统计图,获取上述网络指标数据的报警阈值加项,包括:
对上述统计图进行正态分布的拟合处理,得到标准正态分布函数;
根据上述标准正态分布函数,获取上述网络指标数据的报警阈值加项。
可选的,上述对上述统计图进行正态分布的拟合处理,得到标准正态分布函数,包括:
对上述统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;
对上述对称分布的统计图进行正态分布的拟合,得到上述标准正态分布函数。
可选的,上述根据上述标准正态分布函数,获取上述网络指标数据的报警阈值加项,包括:
根据上述标准正态分布函数和预先设定的报警率,利用正态分布的拉依达准则得到上述网络指标数据的报警阈值加项。
可选的,上述获取网络指标数据,并获取上述网络指标数据在预设百分位点的数值包括:
获取N个预设历史时间周期的网络指标数据,将上述N个预设历史时间周期的网络指标数据按数值大小顺序进行排列,并获取各上述周期的网络指标数据在预设百分位点的数值;
计算各上述周期的网络指标数据在预设百分位点的数值的平均值,作为上述网络指标数据在预设百分位点的数值。
可选的,在获取各上述周期的网络指标数据在预设百分位点的数值后,上述方法还包括:
剔除各上述周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;
上述计算各上述周期的网络指标数据在预设百分位点的数值的平均值包括:
计算上述剔除了异常值的各上述周期的网络指标数据在预设百分位点的数值的平均值。
第二方面,本申请实施例提供了一种网络异常报警装置,包括:
百分位点模块,用于获取网络指标数据,并获取上述网络指标数据在预设百分位点的数值;
差值获取模块,用于根据上述网络指标数据在预设百分位点的数值,获取上述网络指标数据在预设百分位点的数值与上述网络指标数据的不同数值的差值数据;
统计图模块,用于根据上述差值数据,获取上述差值数据的统计图,其中上述统计图的横轴为上述差值数据的数值,纵轴为上述差值数据的数值的发生次数;
阈值加项模块,用于根据上述差值数据的统计图,获取上述网络指标数据的报警阈值加项;
阈值获取模块,用于根据上述网络指标数据在预设百分位点的数值和上述网络指标数据的报警阈值加项,获取上述网络指标数据的报警阈值;
报警操作模块,用于根据上述报警阈值,对网络进行检测,当上述网络指标数据的数值大于上述报警阈值时执行报警操作。
可选的,上述差值获取模块,包括:
第一子模块,用于若上述网络指标数据大于上述预设百分位点的数值,则计算上述网络指标数据与上述预设百分位点的数值之差;
第二子模块,用于若上述网络指标数据小于上述预设百分位点的数值,则不进行计算;
第三子模块,用于若上述网络指标数据等于上述预设百分位点的数值,则上述网络指标数据的数值与上述预设百分位点的数值的差值为0。
可选的,上述阈值加项模块,包括:
拟合子模块,用于对上述统计图进行正态分布的拟合处理,得到标准正态分布函数;
阈值加项子模块,用于根据上述标准正态分布函数,获取上述网络指标数据的报警阈值加项。
可选的,上述拟合子模块,包括:
镜像投影单元,用于对上述统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;
函数获取单元,用于对上述对称分布的统计图进行正态分布的拟合,得到上述标准正态分布函数。
可选的,上述阈值加项子模块,包括:
拉依达准则单元,用于根据上述标准正态分布函数和预先设定的报警率,利用正态分布的拉依达准则得到上述网络指标数据的报警阈值加项。
可选的,上述百分位点模块包括:
周期网络子模块,用于获取N个预设历史时间周期的网络指标数据,并获取各上述周期的网络指标数据在预设百分位点的数值;
平均值子模块,用于计算各上述周期的网络指标数据在预设百分位点的数值的平均值,作为上述网络指标数据在预设百分位点的数值。
可选的,上述百分位点模块,还包括:
异常值子模块,用于剔除各上述周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;
上述平均值子模块包括:
平均值计算单元,用于计算上述剔除了异常值的各上述周期的网络指标数据在预设百分位点的数值的平均值。
第三方面,本申请实施例提供了一种电子设备,其特征在于,包括处理器及存储器;
上述存储器,用于存放计算机程序;
上述处理器,用于执行上述存储器上所存放的程序时,实现上述任一网络异常报警方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其特征在于,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现上述任一网络异常报警方法。
本申请实施例提供的一种网络异常报警方法、装置及电子设备,获取网络指标数据,并获取上述网络指标数据在预设百分位点的数值;根据上述网络指标数据在预设百分位点的数值,获取上述网络指标数据在预设百分位点的数值与上述网络指标数据的不同数值的差值数据;根据上述差值数据,获取上述差值数据的统计图,其中上述统计图的横轴为上述差值数据的数值,纵轴为上述差值数据的数值的发生次数;根据上述差值数据的统计图,获取上述网络指标数据的报警阈值加项;根据上述网络指标数据在预设百分位点的数值和上述网络指标数据的报警阈值加项,获取上述网络指标数据的报警阈值;根据上述报警阈值,对网络进行检测,当上述网络指标数据的数值大于上述报警阈值时执行报警操作。不设置固定的报警阈值,根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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,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为本申请实施例的一种网络异常报警方法的第一种流程图;
图2为本申请实施例的一种网络异常报警方法的第二种流程图;
图3为本申请实施例的一种网络异常报警装置的第一种结构图;
图4为本申请实施例的一种网络异常报警装置的第二种结构图;
图5为本申请实施例的电子设备的一种示意图;
图6a为本申请实施例的一种网络指标数据与网络指标数据在预设百分位点的数值的差值的统计图;
图6b为本申请实施例的一种网络指标数据与网络指标数据在预设百分位点的数值的差值经镜像投影后的统计图;
图6c为本申请实施例的一种网络指标数据与网络指标数据在预设百分位点的数值的差值的正态分布拟合的曲线。
具体实施方式
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,所描述的实施例仅仅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。
参见图1,图1为本发明实施例的一种网络异常报警方法的第一种流程图包括:
步骤101,获取网络指标数据,并获取网络指标数据在预设百分位点的数值。
本发明实施例的网络异常报警方法针对的是智能终端设备所检测的网络异常,因此可以通过智能终端设备执行,具体的,该智能终端设备可以为电脑或智能手机等。
本发明实施例所监测的网络可以是CDN(Content Delivery Network,内容分发网络)、也可以是其他类型的网络,相应的,网络指标数据可以是CDN中的网络指标数据,也可以是其他类型网络中的网络指标数据,本发明实施例不具体限定。
在一种可能的实施例中,本申请中的历史网络指标数据可以为异常数值发生概率较小且随机的数据,举例而言,网络指标数据可以包括网络指标数据包括错误率、错误数、丢包率、带宽、网络请求数量等。
本步骤,所获取的网络指标数据是指已经发生的网络指标数据,具体的,所获取的网络指标数据可以是前N个时间周期的网络指标数据,N大于等于1,例如,所获取的网络指标数据可以为前1天,前3天,或者前7天的某网络指标数据。因为越靠近当前时刻,网络状态可能越接近于当前网络状态,因此,优选选择发生时刻距离当前时刻较近的网络指标数据。
可选的,获取网络指标数据,并获取网络指标数据在预设百分位点的数值包括:
获取N个预设历史时间周期的网络指标数据,将N个预设历史时间周期的网络指标数据按数值大小顺序进行排列,并获取各周期的网络指标数据在预设百分位点的数值;
计算各周期的网络指标数据在预设百分位点的数值的平均值,作为网络指标数据在预设百分位点的数值。
可选的,在获取各周期的网络指标数据在预设百分位点的数值后,方法还包括:
剔除各周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;
计算各周期的网络指标数据在预设百分位点的数值的平均值包括:
计算剔除了异常值的各周期的网络指标数据在预设百分位点的数值的平均值。
获取了网络指标数据后,将获取网络指标数据在预设百分位点的数值。百分位点的意义可参见相关技术,这里不在赘述。本发明实施例中,举例说明,所获取的网络指标数据包括多种不同数值,例如,1、2、2.3、4、5等等,假设百分位点为95百分位点,95百分位点对应的网络指标数据的数值为4,则表示,这些网络指标数据中,百分之95的网络指标数据的数值在4的左边,例如小于4,百分之5的网络指标数据的数值在4的右边,例如大于4。获取网络指标数据在预设百分位点的数值的方式可以使用相关技术中的百分位数计算方法,这里不再赘述。
为了进一步提高报警的准备率,在一种可能的实施例中,获取网络指标数据在预设百分位点的数值,可以通过获取N个预设历史时间周期的网络指标数据,将N个预设历史时间周期的网络指标数据按数值大小顺序进行排列,并获取各周期的网络指标数据在预设百分位点的数值;
例如,获取1000个数据,预设百分位点的百分位数为80%。则将1000个数据按照大小顺序进行排列,取80%所对应的数值,即第800个数为预设百分位点的数值。
进一步计算各周期的网络指标数据在预设百分位点的数值的平均值,作为网络指标数据在预设百分位点的数值。
可选的,在获取各周期的网络指标数据在预设百分位点的数值后,本发明实施例的方法还可包括:剔除各周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;计算各周期的网络指标数据在预设百分位点的数值的平均值包括:计算剔除了异常值的各周期的指标数据在预设百分位点的数值的平均值。通过去除网络指标数据在预设百分位点的数值中的异常数据,防止异常数据对计算结果造成的干扰。该异常数据可以是数值明显大于或小于其他数据的数据,可以为网络指标数据在预设百分位点的数值中的最大值或最小值。
例如,获取了近七天的网络指标数据,然后获取该近七天中每一天的网络指标数据在95百分位点的数值,去除所获取的七个百分位点数值中最大的一个,通过其余六个取平均值作为网络指标数据在预设百分位点的数值。
其中,预设百分位点可以设置为95百分位点等,即网络指标数据中95%的数据的数值是集中在95百分位点的数值的左方的,可以认为是正常数值,不需要报警,因此,可以将阈值设置的比网络指标数据在预设百分位点的数值更大或者更小的数据,即为该数据设置一个加项,将加项与该数据的和作为报警阈值,由此可更加贴近真实的网络情况,控制误报警率。
步骤102,根据网络指标数据在预设百分位点的数值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据。
为了确定报警阈值的加项,接下来,本发明实施例中,将计算网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据。
参见前文描述可知,由于小于网络指标数据在预设百分位点的数值的网络指标数据可以认为是正常数据,因此,本步骤中可以着重关注大于等于网络指标数据在预设百分位点的数值的网络指标数据。即,可选的,根据网络指标数据预设百分位点的数值,获取预设百分位点的数值与网络指标数据的差值数据,包括:
若网络指标数据大于预设百分位点的数值,则计算网络指标数据与预设百分位点的数值之差;
若网络指标数据小于预设百分位点的数值,则不进行计算;
若网络指标数据等于预设百分位点的数值,则网络指标数据的数值与预设百分位点的数值的差值为0。
因为,若网络指标数据小于网络指标数据在预设百分位点的数值,则表示这是正常数据,不对加项产生作用,主要关注数值大于网络指标数据在预设百分位点的数值的网络指标数据,由此确定阈值加项。
步骤103,根据差值数据,获取差值数据的统计图。
其中统计图的横轴为差值数据的数值,纵轴为差值数据的数值的发生次数。
根据差值数据,即根据差值数据的数值的发生次数,得到差值数据的统计图。
在一种具体实施中,所获取的具体可如图6a所示。针对于异常数据值发生的情况比较随机且较少出现的网络指标数据,例如错误率,或者,错误数等,数值上越大于网络指标数据在预设百分位点的数值的网络指标数据的个数可能越少,则经过统计可得到的是,差值数据值越小的网络指标数据的个数即发生次数越多,则可获得一个类似于反比例函数的图像,具体请参加图6a。
图6a为本申请实施例的一种网络指标数据与网络指标数据在预设百分位点的数值的差值的统计图,横轴为该差值数据的数值,分别有数值0、数值0.01、数值0.02,数字0.03,数值0.04……,纵轴表示各个差值数值的发生次数,即所有差值数据中共包括某差值数据的数值多少个,例如,数值为0的差值数据的发生次数为95,即所有差值数据中包括95个数值为0的差值数据。
以错误率为例,假设对某一节点的错误码的错误率进行分析时,可记录过去24小时内该节点的错误码的发生次数、该错误码发生的时间、以及该错误码的类别信息等。并以每分钟为1个时间区间,分别计算在不同时间区间内该错误码的发生概率,即该错误码的错误率。其中上述错误率为每分钟内该节点的错误码的发生次数占过去24小时内该节点错误码发生次数的百分比。即每分钟有一个错误率值,然后可以统计一天中的错误率在预定百分位点的数值,接下来获取错误率中比错误率在预定百分位点的数值大的错误率,计算这些错误率的数值与错误率在预定百分位点的数值的差值,进而统计每个差值数据的出现次数,形成统计图。其中统计图的横轴为差值数据的数值,纵轴为差值数据的数值的出现即发生次数。
步骤104,根据差值数据的统计图,获取网络指标数据的报警阈值加项。
本发明实施例中,所针对的网络指标数据可以为异常的网络指标数据的产生和出现可能是随机的、低概率的,即异常数值出现是随机低概率的,比如,错误率,因为以分钟为统计的状态下,出现错误率较低的分钟的出现次数远高于错误率较高的出现次数。
基于类似的这种网络指标数据,所获取的差值数据的统计图,一般是如图6a所示的那种类似反比例函数的图像,从图6a可以看出,大部分的差值数据是集中在0.03以下,超过0.03出现很少,即发生概率很小。那么可以基于该统计图可以确定一个差值数据,大部分的差值数据集中在这个差值数据以下,而只有很少的差值数据集中在这个差值数据以上,则,可以认为,该大部分的差值数据是正常的,而该很少的差值数据是异常的,即可将该差值数据作为阈值加项。
因此,可选的,本步骤中,根据差值数据的统计图,获取网络指标数据的报警阈值加项,可以包括:
步骤1,对统计图进行正态分布的拟合处理,得到标准正态分布函数。
可选的,对统计图进行正态分布的拟合处理,得到标准正态分布函数,包括:
对统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;
对对称分布的统计图进行正态分布的拟合,得到标准正态分布函数。
步骤2,根据标准正态分布函数,获取网络指标数据的报警阈值加项。
可选的,根据标准正态分布函数,获取网络指标数据的报警阈值加项,包括:
根据标准正态分布函数和预先设定的报警率,利用正态分布的拉依达准则得到网络指标数据的报警阈值加项。
以图6a为例,对这种类似反比例函数的图像的差值数据的统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图,如图6b所示,图6b为本申请实施例的一种异常数值发生概率较小的网络指标数据镜像投影后的统计图,该对称分布的统计图为一种中间高,两边低的图像,通过对该图像进行正态分布的拟合,可以求出其方差D和均值E,从而建立方差为D且均值为E的标准正态分布函数。建立标准正态分布函数的方法为现有技术,具体可以参考相关标准,此处不再进行赘述。拟合后的标准正态分布函数可如图6c所示,图6c为本申请实施例的一种异常数值发生概率较小的差值数据正态分布拟合的曲线。建立标准正态分布函数的方法为现有技术,具体可以参考相关标准,此处不再进行赘述。
进一步根据所得到的正态分布函数和预设报警率,利用正态分布的拉依达准则,即正态分布的3σ法则,可以得到获取网络指标数据的报警阈值加项。
可以理解的是,报警阈值加项即为统计图上某一位置的差值数据的值,该位置使得绝大部分的差值数据都是小于该值的,位于该数据的左侧,而只有很少的差值数据是大于该值的,位于该数据的右侧。
具体的,假设预先设定报警率为1%,该报警率的意义在于,差值数据中只有1%的差值数据被认为是异常的,因为,异常数值出现的概率随机且较小,因此,可预先设定好报警率。则,根据标准正态函数的3σ法则,可在标准正态函数曲线上确定99%的百分位点,该百分位点的意义在于,在曲线上,99%的数量的点会落在这个百分位点的左边,只有1%的数值的点会落在这个百分位点的右边,则这个百分位点处对应的差值数据的数值,即可作为报警阈值加项,仅在这个差值数据出现时再进行报警,因此,尤其针对异常的网络指标数据的产生和出现可能是随机的、低概率的网络指标数据的监测,让报警是在相对异常的情况下发生,可以有效减少误报警的现象,从而保证所得到的报警阈值的适用性和准确性。
利用正态分布的拉依达准则获取百分位点的方式可以参照相关技术,此处不再赘述。
步骤105,根据网络指标数据在预设百分位点的数值和网络指标数据的报警阈值加项,获取网络指标数据的报警阈值。
在一种可能的实施方式中,计算网络指标数据在预设百分位点的数值和网络指标数据的报警阈值加项之和,将所得到数值作为网络指标数据的报警阈值。
步骤106,根据报警阈值,对网络进行检测,当网络指标数据的数值大于报警阈值时执行报警操作。
具体的,由于网络指标数据中,大部分数据的数值都会落在前文所言的预设百分位点的数值的左边,辅助阈值加项,即可大概率的可能性保证,一个时间周期,可能会出现很少百分率的异常网络指标数据,仅在这个异常数值时,进行报警,因此,尤其针对异常的网络指标数据的产生和出现可能是随机的、低概率的网络指标数据的监测,让报警是在相对异常的情况下发生,可以有效减少误报警的现象,从而保证所得到的报警阈值的适用性和准确性。
由于网络指标数据的报警阈值为通过历史网络指标数据进行统计后计算所得。因此如果历史网络指标数据变化趋势如果不同,所得到的报警阈值也会变化,从而保证所得到的报警阈值的适用性和准确性。
可见,应用本申请实施例的方法,通过获取网络指标数据后,通过计算网络指标数据与预设百分位点的数值的差值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据,获取网络指标数据的报警阈值加项,进而得到网络指标数据的报警阈值,从而可以不设置固定的报警阈值,可以根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。
参见图2,图2为本发明实施例的一种网络异常报警方法的第二种流程图包括:
步骤201,获取网络指标数据,并获取网络指标数据在预设百分位点的数值。
步骤202,根据网络指标数据在预设百分位点的数值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据。
在一种可能的实施方式中,若网络指标数据大于预设百分位点的数值,则计算网络指标数据与预设百分位点的数值之差;若网络指标数据小于预设百分位点的数值,则不进行计算;若网络指标数据等于预设百分位点的数值,则网络指标数据的数值与预设百分位点的数值的差值为0。
步骤203,根据差值数据,获取差值数据的统计图。
在一种可能的实施方式中,统计图的横轴为差值数据的数值,纵轴为差值数据的数值的发生次数。
在一种可能的实施方式中,所针对的网络指标数据可以为异常的网络指标数据的产生和出现可能是随机的、低概率的,即异常数值出现是随机低概率的,比如,错误率,因为以分钟为统计的状态下,出现错误率较低的分钟的出现次数远高于错误率较高的出现次数。基于类似的这种网络指标数据,所获取的差值数据的统计图,一般是如图6a所示的那种类似反比例函数的图像,
针对这种类似反比例函数的图像,可以进行如下处理。
步骤204,对统计图进行正态分布的拟合处理,得到标准正态分布函数。
在一种可能的实施方式中,对统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;对对称分布的统计图进行正态分布的拟合,得到标准正态分布函数。
步骤205,根据标准正态分布函数,获取网络指标数据的报警阈值加项。
通过根据差值数据所得到的统计图,进而求得的报警阈值加项,可以适用于对发生概率较小且数值随机的网络指标数据,进行报警阈值的设定。
根据所得到的正态分布函数和预设报警率,利用正态分布的拉依达准则,即正态分布的3σ法则,可以得到获取到标准正态函数中的一点,该点对应的差值数据可以使得,占比为预设报警率的差值数据均小于该点的差值数据,占比为1与预设报警率的差的差值数据均大于该点的差值数据,即可把该差值数据作为报警阈值加项。
举例说明,假设预先设定报警率为1%,该报警率的意义在于,差值数据中只有1%的差值数据被认为是异常的,因为,异常数值出现的概率随机且较小,因此,可预先设定好报警率。则,根据标准正态函数的3σ法则,可在标准正态函数曲线上确定99%的百分位点,该百分位点的意义在于,在曲线上,99%的数量的点会落在这个百分位点的左边,只有1%的数值的点会落在这个百分位点的右边,则这个百分位点处对应的差值数据的数值,即可作为报警阈值加项。
利用正态分布的拉依达准则获取百分位点的方式可以参照相关技术,此处不再赘述。
步骤206,根据网络指标数据在预设百分位点的数值和网络指标数据的报警阈值加项,获取网络指标数据的报警阈值。
具体的,将两者之和作为报警阈值。由于网络指标数据在预设百分位点的数值使得小于该数值的网络指标数据出现的概率大,是正常的,而报警阈值加项使得与网络指标数据在预设百分位点的数值的差值数据小于该加项的网络指标数据出现的概率大,也认为是正常的,因此,把报警阈值设置为加项和网络指标数据在预设百分位点的数值的和,可以使得该阈值设置得合理,有效减少误报警,尤其针对异常的网络指标数据的产生和出现可能是随机的、低概率的网络指标数据的监测,让报警是在相对异常的情况下发生,可以有效减少误报警的现象,从而保证所得到的报警阈值的适用性和准确性。
步骤207,根据报警阈值,对网络进行检测,当网络指标数据的数值大于报警阈值时执行报警操作。
可见,应用本申请实施例的方法,通过获取网络指标数据后,通过计算网络指标数据与预设百分位点的数值的差值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据,获取网络指标数据的报警阈值加项,进而得到网络指标数据的报警阈值,从而可以不设置固定的报警阈值,可以根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。
参见图3,图3为本发明实施例的一种网络异常报警装置的第一种结构图包括:
百分位点模块301,用于获取网络指标数据,并获取网络指标数据在预设百分位点的数值。
差值获取模块302,用于根据网络指标数据在预设百分位点的数值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据。
统计图模块303,用于根据差值数据,获取差值数据的统计图,其中统计图的横轴为差值数据的数值,纵轴为差值数据的数值的发生次数。
阈值加项模块304,用于根据差值数据的统计图,获取网络指标数据的报警阈值加项。
阈值获取模块305,用于根据网络指标数据在预设百分位点的数值和网络指标数据的报警阈值加项,获取网络指标数据的报警阈值。
报警操作模块306,用于根据报警阈值,对网络进行检测,当网络指标数据的数值大于报警阈值时执行报警操作。
可选的,差值获取模块302,包括:
第一子模块,用于若网络指标数据大于预设百分位点的数值,则计算网络指标数据与预设百分位点的数值之差;
第二子模块,用于若网络指标数据小于预设百分位点的数值,则不进行计算;
第三子模块,用于若网络指标数据等于预设百分位点的数值,则网络指标数据的数值与预设百分位点的数值的差值为0。
可选的,阈值加项模块304,包括:
拟合子模块,用于对统计图进行正态分布的拟合处理,得到标准正态分布函数;
阈值加项子模块,用于根据标准正态分布函数,获取网络指标数据的报警阈值加项。
可选的,拟合子模块,包括:
镜像投影单元,用于对统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;
函数获取单元,用于对对称分布的统计图进行正态分布的拟合,得到标准正态分布函数。
可选的,阈值加项子模块,包括:
拉依达准则单元,用于根据标准正态分布函数和预先设定的报警率,利用正态分布的拉依达准则得到网络指标数据的报警阈值加项。
可选的,百分位点模块301包括:
周期网络子模块,用于获取N个预设历史时间周期的网络指标数据,并获取各周期的网络指标数据在预设百分位点的数值;
平均值子模块,用于计算各周期的网络指标数据在预设百分位点的数值的平均值,作为网络指标数据在预设百分位点的数值。
可选的,百分位点模块301,还包括:
异常值子模块,用于剔除各周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;
平均值子模块包括:
平均值计算单元,用于计算剔除了异常值的各周期的网络指标数据在预设百分位点的数值的平均值。
可见,应用本申请实施例的装置,通过获取网络指标数据后,通过计算网络指标数据与预设百分位点的数值的差值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据,获取网络指标数据的报警阈值加项,进而得到网络指标数据的报警阈值,从而可以不设置固定的报警阈值,可以根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。
参见图4,图4为本发明实施例的一种网络异常报警装置的第二种结构图包括:
百分位点模块301,用于获取网络指标数据,并获取网络指标数据在预设百分位点的数值。
差值获取模块302,用于根据网络指标数据在预设百分位点的数值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据。
统计图模块303,用于根据差值数据,获取差值数据的统计图。
拟合子模块401,用于对统计图进行正态分布的拟合处理,得到标准正态分布函数。
阈值加项子模块402,用于根据标准正态分布函数,获取网络指标数据的报警阈值加项。
阈值获取模块305,用于根据网络指标数据在预设百分位点的数值和网络指标数据的报警阈值加项,获取网络指标数据的报警阈值。
报警操作模块306,用于根据报警阈值,对网络进行检测,当网络指标数据的数值大于报警阈值时执行报警操作。
可见,应用本申请实施例的装置,通过获取网络指标数据后,通过计算网络指标数据与预设百分位点的数值的差值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据,获取网络指标数据的报警阈值加项,进而得到网络指标数据的报警阈值,从而可以不设置固定的报警阈值,可以根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。
本申请实施例还提供了一种电子设备,包括:处理器及存储器;
上述存储器,用于存放计算机程序。
上述处理器用于执行上述存储器存放的计算机程序时,实现如下步骤:
获取网络指标数据,并获取所述网络指标数据在预设百分位点的数值;
根据所述网络指标数据在预设百分位点的数值,获取所述网络指标数据在预设百分位点的数值与所述网络指标数据的不同数值的差值数据;
根据所述差值数据,获取所述差值数据的统计图,其中所述统计图的横轴为所述差值数据的数值,纵轴为所述差值数据的数值的发生次数;
根据所述差值数据的统计图,获取所述网络指标数据的报警阈值加项;
根据所述网络指标数据在预设百分位点的数值和所述网络指标数据的报警阈值加项,获取所述网络指标数据的报警阈值;
根据所述报警阈值,对网络进行检测,当所述网络指标数据的数值大于所述报警阈值时执行报警操作。
可选的,参见图5,本申请实施例的电子设备还包括通信接口502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。
可选的,上述处理器用于执行上述存储器存放的计算机程序时,还能够实现上述任一网络异常报警方法。
可见,应用本申请实施例的电子设备,通过获取网络指标数据后,通过计算网络指标数据与预设百分位点的数值的差值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据,获取网络指标数据的报警阈值加项,进而得到网络指标数据的报警阈值,从而可以不设置固定的报警阈值,可以根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,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。
通信接口用于上述电子设备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,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),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,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
本申请实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现如下步骤:
获取网络指标数据,并获取所述网络指标数据在预设百分位点的数值;
根据所述网络指标数据在预设百分位点的数值,获取所述网络指标数据在预设百分位点的数值与所述网络指标数据的不同数值的差值数据;
根据所述差值数据,获取所述差值数据的统计图,其中所述统计图的横轴为所述差值数据的数值,纵轴为所述差值数据的数值的发生次数;
根据所述差值数据的统计图,获取所述网络指标数据的报警阈值加项;
根据所述网络指标数据在预设百分位点的数值和所述网络指标数据的报警阈值加项,获取所述网络指标数据的报警阈值;
根据所述报警阈值,对网络进行检测,当所述网络指标数据的数值大于所述报警阈值时执行报警操作。
可选的,上述计算机程序被处理器执行时,还能够实现上述任一网络异常报警方法。
可见,应用本申请实施例的计算机可读存储介质,通过获取网络指标数据后,通过计算网络指标数据与预设百分位点的数值的差值,获取网络指标数据在预设百分位点的数值与网络指标数据的不同数值的差值数据,获取网络指标数据的报警阈值加项,进而得到网络指标数据的报警阈值,从而可以不设置固定的报警阈值,可以根据实际的网络指标数据获取报警阈值,适应性的进行阈值设置,让报警在相对异常的情况下触发,有效减少误报警现象,可适用于网络指标数据异常情况比较随机且较少等情况。
需要说明的是,在本文中,各个可选方案中的技术特征只要不矛盾均可组合来形成方案,这些方案均在本申请公开的范围内。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,并不排除在包括上述要素的过程、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,对于装置、电子设备及存储介质的实施例而言,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。
以上上述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (12)
1.一种网络异常报警方法,其特征在于,包括:
获取N个预设历史时间周期的网络指标数据,将所述N个预设历史时间周期的网络指标数据按数值大小顺序进行排列,并获取各所述周期的网络指标数据在预设百分位点的数值;
剔除各所述周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;
计算所述剔除了异常值的各所述周期的网络指标数据在预设百分位点的数值的平均值,作为所述网络指标数据在预设百分位点的数值;
根据所述网络指标数据在预设百分位点的数值,获取所述网络指标数据在预设百分位点的数值与所述网络指标数据的不同数值的差值数据;
根据所述差值数据,获取所述差值数据的统计图,其中所述统计图的横轴为所述差值数据的数值,纵轴为所述差值数据的数值的发生次数;
根据所述差值数据的统计图,获取所述网络指标数据的报警阈值加项;
根据所述网络指标数据在预设百分位点的数值和所述网络指标数据的报警阈值加项,获取所述网络指标数据的报警阈值;
根据所述报警阈值,对网络进行检测,当所述网络指标数据的数值大于所述报警阈值时执行报警操作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述网络指标数据预设百分位点的数值,获取所述预设百分位点的数值与所述网络指标数据的差值数据,包括:
若所述网络指标数据大于所述预设百分位点的数值,则计算所述网络指标数据与所述预设百分位点的数值之差;
若所述网络指标数据小于所述预设百分位点的数值,则不进行计算;
若所述网络指标数据等于所述预设百分位点的数值,则所述网络指标数据的数值与所述预设百分位点的数值的差值为0。
3.根据权利要求1所述的方法,其特征在于,所述根据所述差值数据的统计图,获取所述网络指标数据的报警阈值加项,包括:
对所述统计图进行正态分布的拟合处理,得到标准正态分布函数;
根据所述标准正态分布函数,获取所述网络指标数据的报警阈值加项。
4.根据权利要求3所述的方法,其特征在于,所述对所述统计图进行正态分布的拟合处理,得到标准正态分布函数,包括:
对所述统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;
对所述对称分布的统计图进行正态分布的拟合,得到所述标准正态分布函数。
5.根据权利要求3所述的方法,其特征在于,所述根据所述标准正态分布函数,获取所述网络指标数据的报警阈值加项,包括:
根据所述标准正态分布函数和预先设定的报警率,利用正态分布的拉依达准则得到所述网络指标数据的报警阈值加项。
6.一种网络异常报警装置,其特征在于,包括:
百分位点模块,包括:
周期网络子模块,用于获取N个预设历史时间周期的网络指标数据,并获取各所述周期的网络指标数据在预设百分位点的数值;
异常值子模块,用于剔除各所述周期的网络指标数据在预设百分位点的数值中超过指定阈值的异常值;
平均值子模块,用于计算所述剔除了异常值的各所述周期的网络指标数据在预设百分位点的数值的平均值,作为所述网络指标数据在预设百分位点的数值;
差值获取模块,用于根据所述网络指标数据在预设百分位点的数值,获取所述网络指标数据在预设百分位点的数值与所述网络指标数据的不同数值的差值数据;
统计图模块,用于根据所述差值数据,获取所述差值数据的统计图,其中所述统计图的横轴为所述差值数据的数值,纵轴为所述差值数据的数值的发生次数;
阈值加项模块,用于根据所述差值数据的统计图,获取所述网络指标数据的报警阈值加项;
阈值获取模块,用于根据所述网络指标数据在预设百分位点的数值和所述网络指标数据的报警阈值加项,获取所述网络指标数据的报警阈值;
报警操作模块,用于根据所述报警阈值,对网络进行检测,当所述网络指标数据的数值大于所述报警阈值时执行报警操作。
7.根据权利要求6所述的装置,其特征在于,所述差值获取模块,包括:
第一子模块,用于若所述网络指标数据大于所述预设百分位点的数值,则计算所述网络指标数据与所述预设百分位点的数值之差;
第二子模块,用于若所述网络指标数据小于所述预设百分位点的数值,则不进行计算;
第三子模块,用于若所述网络指标数据等于所述预设百分位点的数值,则所述网络指标数据的数值与所述预设百分位点的数值的差值为0。
8.根据权利要求6所述的装置,其特征在于,所述阈值加项模块,包括:
拟合子模块,用于对所述统计图进行正态分布的拟合处理,得到标准正态分布函数;
阈值加项子模块,用于根据所述标准正态分布函数,获取所述网络指标数据的报警阈值加项。
9.根据权利要求8所述的装置,其特征在于,所述拟合子模块,包括:
镜像投影单元,用于对所述统计图以纵轴为对称轴进行镜像投影,得到对称分布的统计图;
函数获取单元,用于对所述对称分布的统计图进行正态分布的拟合,得到所述标准正态分布函数。
10.根据权利要求8所述的装置,其特征在于,所述阈值加项子模块,包括:
拉依达准则单元,用于根据所述标准正态分布函数和预先设定的报警率,利用正态分布的拉依达准则得到所述网络指标数据的报警阈值加项。
11.一种电子设备,其特征在于,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-5任一所述的网络异常报警方法。
12.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的网络异常报警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582462.1A CN112152834B (zh) | 2019-06-29 | 2019-06-29 | 一种网络异常报警方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582462.1A CN112152834B (zh) | 2019-06-29 | 2019-06-29 | 一种网络异常报警方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112152834A CN112152834A (zh) | 2020-12-29 |
CN112152834B true CN112152834B (zh) | 2023-06-06 |
Family
ID=73891358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910582462.1A Active CN112152834B (zh) | 2019-06-29 | 2019-06-29 | 一种网络异常报警方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112152834B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
CN103366119A (zh) * | 2012-04-09 | 2013-10-23 | 腾讯科技(深圳)有限公司 | 病毒趋势异常的监控方法及装置 |
CN106909793A (zh) * | 2017-03-03 | 2017-06-30 | 北京北青厚泽数据科技有限公司 | 检验服从近似正态分布的时间序列的异常的方法 |
CN108597616A (zh) * | 2018-04-11 | 2018-09-28 | 平安科技(深圳)有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
-
2019
- 2019-06-29 CN CN201910582462.1A patent/CN112152834B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
CN103366119A (zh) * | 2012-04-09 | 2013-10-23 | 腾讯科技(深圳)有限公司 | 病毒趋势异常的监控方法及装置 |
CN106909793A (zh) * | 2017-03-03 | 2017-06-30 | 北京北青厚泽数据科技有限公司 | 检验服从近似正态分布的时间序列的异常的方法 |
CN108597616A (zh) * | 2018-04-11 | 2018-09-28 | 平安科技(深圳)有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112152834A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112152833B (zh) | 一种网络异常报警方法、装置及电子设备 | |
CN110213068B (zh) | 一种消息中间件的监控方法及相关设备 | |
US9354968B2 (en) | Systems and methods for data quality control and cleansing | |
US7412448B2 (en) | Performance degradation root cause prediction in a distributed computing system | |
CN107864063B (zh) | 一种异常监控方法、装置及电子设备 | |
US8862119B2 (en) | Method and apparatus for telecommunications network performance anomaly events detection and notification | |
CN111130912B (zh) | 内容分发网络的异常定位方法、服务器及存储介质 | |
CN101399883A (zh) | 异常监测管理方法及装置 | |
CN114666210B (zh) | 基于大数据日志分析的告警方法及装置 | |
CN111130867B (zh) | 一种基于物联网的智能家居设备告警方法及装置 | |
CN112152868B (zh) | 网络故障检测方法、装置、电子设备及存储介质 | |
CN114444827A (zh) | 一种集群性能的评估方法和装置 | |
CN111949421B (zh) | Sdk调用方法、装置、电子设备和计算机可读存储介质 | |
CN112152834B (zh) | 一种网络异常报警方法、装置及电子设备 | |
CN113497721B (zh) | 网络故障定位方法与装置 | |
Fu et al. | SPC methods for nonstationary correlated count data with application to network surveillance | |
CN107370618B (zh) | 故障排查方法、装置及电子设备 | |
WO2023111392A1 (en) | Method and system for modifying state of device using detected anomalous behavior | |
CN113608960B (zh) | 一种服务监控方法、装置、电子设备及存储介质 | |
CN108763027A (zh) | 一种硬盘监控方法、装置及服务器 | |
CN111159139B (zh) | 一种数据处理方法、装置、存储介质及监视设备 | |
CN112671590B (zh) | 数据传输方法、装置、电子设备及计算机存储介质 | |
CN113364602B (zh) | 一种触发页面故障报警的方法、装置和存储介质 | |
CN109815048A (zh) | 数据读取方法、装置及设备 | |
CN113765730A (zh) | 数据链路网络的监测方法、装置 |
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 |