CN112187514A - 一种数据中心网络设备智能运维系统、方法及终端 - Google Patents
一种数据中心网络设备智能运维系统、方法及终端 Download PDFInfo
- Publication number
- CN112187514A CN112187514A CN202010908925.1A CN202010908925A CN112187514A CN 112187514 A CN112187514 A CN 112187514A CN 202010908925 A CN202010908925 A CN 202010908925A CN 112187514 A CN112187514 A CN 112187514A
- Authority
- CN
- China
- Prior art keywords
- network equipment
- data
- information data
- information
- working
- 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
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
-
- 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
- H04L41/02—Standardisation; Integration
- H04L41/0213—Standardised network management protocols, e.g. simple network management protocol [SNMP]
-
- 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
- H04L41/02—Standardisation; Integration
- H04L41/024—Standardisation; Integration using relational databases for representation of network management data, e.g. managing via structured query language [SQL]
-
- 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
- H04L41/0677—Localisation of faults
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供了一种数据中心网络设备智能运维系统、方法,信息采集层采集网络设备的硬件信息以及工作运行参数,获取信息数据;数据存储层对信息数据进行数据清洗、分类和整理,得到聚合的有用信息数据,对聚合的有用信息数据进行保存,形成实时/历史信息数据库;数据分析预测层对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;分析历史信息数据,对网络设备工作状况趋势及故障概率进行预测,并对故障点进行定位;数据呈现层显示网络设备的当前工作状态、设备运行异常信息、历史信息数据、网络设备工作状况趋势及故障预测结果和/或故障点定位结果。本发明实现数据中心网络设备的运行态势感知与风险主动防御。
Description
技术领域
本发明涉及网络管理技术领域,具体地,涉及一种数据中心(IDC)网络设备智能运维系统、方法及终端,用于数据中心网络设备的运行态势感知与风险主动防御。
背景技术
随着互联网技术与产业的不断升级换代,云计算、虚拟化等服务的快速发展,数据中心行业规模增长迅猛,数据中心机房的数量和面积迅速增长。数据中心运行的网络设备,包括交换机、路由器和服务器等需要全年不间断稳定运行以向互联网用户提供服务。
数据中心网络设备管理及运维目前通常具有如下问题:
网络设备来源多元化:IT设备品牌型号繁杂,硬件系统异构复杂,导致数据中心建设与运维管理脱节,设备过保后维护困难,有些设备甚至处于“无证驾驶”的状态;
小故障导致大麻烦:电源模块、风扇、及光模块的故障往往会导致业务中断,甚至核心业务瘫痪;
故障突发无预警:数据中心网络设备硬件随着使用时间的增加逐渐老化,工作寿命逐渐缩短,但设备平均无故障工作时间是非线性、不均匀的,表现在设备故障的出现总是无预兆、突发的,目前运维方案中对这类故障没有更好的解决方法,导致一线运维人员随时处于待命救火的被动状况;
运维保障无翔实的数据支持,导致维护人员与维护费用配置失调。数据中心运维的整体性欠缺,无法掌控全局;网络的工作状态的预测缺失,导致运维的滞后。
综上所述,数据中心目前网络设备运维管理多考虑单独设备或品牌,没有从整体、全面的视角分析管理数据中心设备的工作情况,无法满足数据中心机房管理高效、即时的需求。数据中心的运维机制需要跟上发展的步伐,需要研究探索一个高效、实时、低成本和前瞻性的管理维护系统。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种数据中心(IDC)网络设备智能运维系统及方法,用于数据中心网络设备的运行态势感知与风险主动防御。
本发明是通过以下技术方案实现的。
根据本发明的一个方面,提供了一种数据中心网络设备智能运维系统,包括:
信息采集层,所述信息采集层用于采集网络设备的硬件信息以及工作运行参数,获取网络设备运维管理所需的信息数据;
数据存储层,所述数据存储层用于对信息数据进行分类和整理,得到聚合的信息数据,形成信息数据库,所形成的信息数据库中,包括实时信息数据和历史信息数据;
数据分析预测层,所述数据分析预测层用于对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位;
数据呈现层,所述数据呈现层用于显示网络设备的当前工作状态、设备运行异常信息、历史信息数据、网络设备工作状况趋势及故障预测结果和/或故障点定位结果。
优选地,所述网络设备的硬件信息,包括如下任意一项或任意多项:
网络设备的型号、厂家、版本和/或工作起始时间;
网络设备所包含的板卡、模块和/或端口在网络设备上的位置信息;
所述网络设备的工作运行参数,包括如下任意一项或任意多项:
网络设备电源实时电压、电流、功率和/或温度;
网络设备CPU工作温度、工作电压、工作电流和/或利用率;
网络设备端口实时流量、误码信息、端口速率、吞吐率和/或当前连接状态。
优选地,所述信息采集层通过SNMP网络管理协议和/或IPMI智能型平台管理接口,采集网络设备的硬件信息以及工作运行参数,作为信息数据。
优选地,所述数据存储层对获取的信息数据进行分类和整理,包括:将网络设备的硬件信息作为类型,将网络设备的工作运行参数作为类别,根据类别和类型对信息数据进行分类和整理,聚合得到同类型多维度的信息数据;
对聚合得到的信息数据进行保存形成信息数据库;其中,保存的方法为:
将聚合得到的信息数据加上时间信息进行保存。
优选地,所述数据分析预测层中:
对实时信息数据进行分析和故障判断,获得网络设备当前工作状态,包括:
根据实时信息数据中最新的网络设备工作运行参数和设定的阈值,结合网络设备对应的硬件信息,判断网络设备当前工作状态为正常工作状态或异常工作状态;
对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位,包括:
利用工作状态预测模型,将历史信息数据作为模型输入,输出网络设备的工作状况趋势;
采用专家决策模型,将历史信息数据作为模型输入,输出网络设备中各硬件发生故障的概率以及故障点定位信息。
优选地,所述专家决策模型构建网络设备中各工作硬件之间的数据通信链路,将数据通信链路两端的网络设备中相关联的硬件信息及工作运行参数作为一组业务邻居记录传输链路档案,并将该传输链路档案作为专家决策模型查找、分析链路质量的数据来源;对链路质量进行实时跟踪分析,通过先验知识对多个可能出现问题的工作硬件进行故障概率预测及排序,对应得到网络设备的故障点定位信息;
所述工作状态预测模型通过雷达图和/或机器学习,采用历史信息数据中的工作运行参数,并结合网络设备先验知识建立,构建工作运行参数与工作状况之间的输入输出关系。
优选地,所述数据呈现层包括:
文字显示模块,所述文字显示模块用于显示网络设备的当前工作状态和/或设备运行异常信息;
图像显示模块,所述图像显示模块用于显示历史信息数据、网络设备工作状况趋势和/或故障点定位结果。
根据本发明的另一个方面,提供了一种数据中心网络设备智能运维方法,包括:
采集网络设备的硬件信息以及工作运行参数,获取网络设备运维管理所需的信息数据;
对获取的信息数据进行分类和整理,得到聚合的信息数据,形成信息数据库,所形成的信息数据库中,包括实时信息数据和历史信息数据;
对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;分析历史信息数据,对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位。
优选地,通过SNMP网络管理协议和/或IPMI智能型平台管理接口,采集网络设备的硬件信息以及工作运行参数,作为信息数据。
优选地,对获取的信息数据进行分类和整理,包括:将网络设备的硬件信息作为类型,将网络设备的工作运行参数作为类别,根据类别和类型对信息数据进行分类和整理,聚合得到同类型多维度的信息数据;对聚合的信息数据进行保存形成信息数据库;其中,保存的方法为:将聚合得到的信息数据加上时间信息进行保存;
优选地,对实时信息数据进行分析和故障判断,获得网络设备当前工作状态,包括:根据实时信息数据中最新的网络设备工作运行参数和设定的阈值,结合网络设备对应的硬件信息,判断网络设备当前工作状态为正常工作状态或异常工作状态;对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位,包括:利用工作状态预测模型,将历史信息数据作为模型输入,输出网络设备的工作状况趋势;采用专家决策模型,将历史信息数据作为模型输入,输出网络设备中各硬件故障的概率以及故障点定位信息。
优选地,所述专家决策模型构建网络设备中各工作硬件之间的数据通信链路,将数据通信链路两端的网络设备硬件信息及工作运行参数作为一组业务邻居记录为传输链路档案,并将该传输链路档案作为专家决策模型查找、分析链路质量的数据来源;对链路质量进行实时跟踪分析,通过先验知识对多个可能出现问题的工作硬件进行故障概率预测及排序,对应得到网络设备的故障点定位信息。
优选地,所述工作状态预测模型通过雷达图和/或机器学习,采用历史信息数据中的工作运行参数,并结合网络设备先验知识建立,构建工作运行参数与工作状况之间的输入输出关系。
根据本发明的第三个方面,提供了一种终端,包括存储器、处理器及存储在存储器上并可通过处理器运行上述任一项所述的系统。
由于采用了上述技术方案,本发明与现有技术相比,具有如下有益效果:
本发明提供的数据中心网络设备智能运维系统、方法及终端,用于数据中心网络设备的运行态势感知与风险主动防御。该系统、方法及终端可以监控网络设备工作状态的实时变化情况,采集诸如温度、电压、电流、功率等工作参量的变动,对于工作的异常及时告警,最重要的在采集实时数据和分析大量历史数据的基础上,专家决策模型能够结合设备知识,加入对设备运维的经验,通过建立预测模型,精准预测设备状态趋势,优化运维机制,不断迭代优化异常预测和智能化运维。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一优选实施例中数据中心网络设备智能运维系统的结构示意图;
图2为本发明一优选实施例中专家决策模型的性能雷达图;
图3为本发明一优选实施例中专家决策模型中业务邻居为相对应的光模块的硬件连接图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
本发明实施例提出了一种用于数据中心网络设备运行态势感知与风险主动防御的数据中心网络设备智能运维系统,该系统具有对数据中心(IDC)网络设备信息数据的采集、分析、趋势预测功能,能够从整体、全局的视角分析、解读、重构系统的各项工作状态数据,进而优化、改进数据中心的运维效率,实时发现、预测各类设备硬件及运行故障,主动防范风险,实现智能运维及管理的目标,是一种涉及信息数据的分析预测,还可以引入模型化和先验知识的决策模型。
如图1所示,该系统包括:
信息采集层1,用于采集网络设备的硬件信息以及工作运行参数,获取网络设备运维管理所需的信息数据;
数据存储层2,用于对信息数据进行分类和整理,得到聚合的信息数据,形成信息数据库,所形成的信息数据库中,包括实时信息数据和历史信息数据;
数据分析预测层3,用于对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位;
数据呈现层4,用于显示网络设备的当前工作状态、设备运行异常信息、历史信息数据、网络设备工作状况趋势及故障预测结果和/或故障点定位结果。
作为一优选实施例,IDC网络设备硬件信息,包括但不限于:
网络设备的型号、厂家、版本、工作起始时间;
设备包含的板卡、模块、端口及其在设备上的位置信息;
IDC网络设备工作运行参数,包括但不限于:
设备电源实时电压、电流、功率以及温度;
设备CPU工作温度、工作电压、工作电流、利用率;
设备网络端口实时流量、误码信息、端口速率、吞吐率、当前连接状态等。
作为一优选实施例,信息采集层1通过SNMP简单网络管理协议采集路由器、交换机等网络设备的工作信息数据和硬件信息以及通过IPMI智能型平台管理接口采集服务器的物理信息——包括温度、电压、风扇工作状态、电源状态等数据。
作为一优选实施例,信息采集层包括通过网络SNMP简单网络管理协议采集路由器、交换机等网络设备的硬件信息和工作运行参数以及通过IPMI智能型平台管理接口采集服务器的工作状态及工作参数——包括温度、电压、风扇工作状态、电源状态等方式;以及通过其他控制协议或接口采集数据中心其他关键设备的硬件数据及运行状态参数,包括:UPS不间断电源、空调及制冷系统、供电系统、照明系统以及监控系统等。其中:
通过网络SNMP简单网络管理协议用于采集数据中心的路由器、交换机等支持应用SNMP网络协议接口的设备;
通过IPMI智能型平台管理协议,用于采集服务器等支持应用IPMI管理接口协议的设备。
作为一优选实施例,数据存储层2包括对网络设备采集数据的分类和整理,以及存储经过分类和整理的实时信息数据;其中:存储的网络设备工作的实时信息数据,是通过SNMP简单网络协议和IPMI管理接口定时采集的设备的物理信息;
对信息数据进行分析,分离出有用的信息数据,并根据类别和类型对有用的信息数据进行分类和整理,聚合得到同类型多维度的有用信息数据;其中,类型是指网络设备的硬件信息,类别是指网络设备的工作运行参数;
对聚合的有用信息数据进行保存形成信息数据库;其中,保存的方法为:将聚合的有用信息数据加上时间信息进行保存。
作为一优选实施例,数据存储层,对采集的网络设备的信息数据进行清洗、分类和整理,通过分析数据,分离出有用信息数据,根据类别和类型对采集数据进行分类、整理,聚合同类型多维度的数据;存储经过清洗分析的实时信息数据,是将有用的实时信息数据加上时间信息保存到数据库中,作为后续数据分析和处理的数据仓库,即为信息数据库。
进一步地,有用信息数据是指:由于设备中的部分子设备是空置的,采集到的信息是空的,工作参数的数据是0或者怪异的数据,都是需要清洗掉的无用数据,那么有用数据,一是文字信息是能识别的非空的,二是数据是在正常范围内(比如不会大于上限太多或小于下限太多)。
作为一优选实施例,数据分析预测层3,包含实时数据分析与处理,判断、监控设备实时工况是否正常,获得网络设备当前工作状态;通过工作状态预测模型,分析历史信息数据中的工作运行参数,预测网络设备的工作状况趋势;通过专家决策模型,分析历史信息数据中的硬件信息,预测设备未来发生故障的概率,提醒运维人员及早采取干预措施;分析定位故障点以方便运维人员快速发现并排除故障。
进一步地,设备工作的实时信息数据的分析判断结果,是对实时数据的工作状态分析,与正常工作参数的阈值比较,判断是否在正常工作状态的结论数据;
根据历史数据的预测结果,是根据存储的大量以时间为维度的历史数据的分析,结合设备知识和专家经验(先验知识),预测设备的工作状态趋势。
作为一优选实施例,数据分析预测层3中:
对实时信息数据进行分析和故障判断,获得网络设备当前工作状态:
根据实时信息数据中最新的网络设备工作运行参数和设定的阈值,结合网络设备对应的硬件信息,判断网络设备当前工作状态为正常工作状态或异常工作状态;
对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障进行预测,并对网络设备的故障点进行定位:
利用工作状态预测模型,将历史信息数据作为模型输入,通过对历史信息数据进行计算,输出网络设备中各硬件发生故障的概率和工作状况趋势;
采用专家决策模型,将历史信息数据和网络设备中各硬件发生故障的概率作为模型输入,通过对历史信息数据进行处理,输出网络设备的故障点定位信息。
作为一优选实施例,专家决策模型构建网络设备中各工作硬件之间的数据通信链路,将数据通信链路两端的网络设备硬件信息及工作运行参数作为一组业务邻居记录为传输链路档案,作为专家决策模型查找、分析链路质量的数据来源;对链路质量进行实时跟踪分析,通过由先验知识构建的经验库模型对多个可能出现问题的工作硬件进行故障概率预测及排序,对应得到网络设备的故障点定位信息。
进一步地,链路质量是通过数据通信链路两端的网络设备的工作运行参数分析得到的,特别是通讯信号的发送和接收功率、流量、丢包数等,均能够分析得到链路质量。
进一步地,先验知识是指网络设备的硬件技术、软件技术的积累,包括研发、维护等积累的经验,将这些先验知识数据化、模型化,能够得到经验库模型。
其中,专家决策模型,是将各工作状态预测模型加入到网络拓扑中形成的网络设备的组模型。
进一步地,专家决策模型是基于工作状态预测模型和通信链路实现的,工作状态预测模型是预测通信链路中的单独设备节点的工作状态,各节点通过通信链路组成“业务邻居”,也就组成通信设备的网络。因为通信网络是由网络设备和连接设备的链路组成的,这样专家决策模型就可以分析链路的状况,也就可以分析“业务邻居”组成的网络的整体的状况。
作为一优选实施例,工作状态预测模型通过雷达图和/或机器学习,采用历史信息数据,并结合网络设备先验知识建立,用于构建工作运行参数与工作状况之间的输入输出关系。
在工作状态预测模型中,以设备的工作运行参数作为模型的输入数据,大量的历史信息数据和设备状态作为样本数据,通过数据分析和机器学习,建立工作运行参数与工作状况之间的输入输出关系模型,以预测设备的工作状态趋势。其中,输入为设备的工作运行参数,包括电压、电流等,输出为设备的工作状况,输出是输入的综合结果,输入是输出的数字化体现。
作为一优选实施例,数据分析预测层3建立的工作状态预测模型的分析预测算法是通过雷达图和/或机器学习完成的。如图2所示光模块的性能分析的简单实例。光模块的电压、偏流、温度、接收光功率和发送光功率作为光模块的5个维度的数据,经过归一化加权处理后,在雷达图上组成一个五边形,每条轮辐线夹角相同都为72度,可以计算出五边形的面积,通过面积的数值和形状可以分析光模块的状态;利用历史数据,可以获取不同时间的雷达性能图,组成一个时间维度的三维雷达图组,通过机器学习样本数据,建立预测模型,以预测光模块当前状态和趋势等。
专家决策模型,是指为所有工作设备中各硬件之间构建数据通信链路,形成一种具有业务邻居的关系模型,查看本端设备端口如光模块的工作参数时,可以同步展示对端光模块信息。通过将数据通信链路两端设备中相关硬件信息及工作运行参数作为一组业务邻居,记录传输链路档案,作为专家决策模型查找、分析链路质量的数据来源。后台对链路质量进行实时跟踪分析,通过由先验知识构建的经验库模型对多个可能出现问题的隐患进行故障概率预测及排序,对应得到网络设备的故障点定位信息,通过TOP N展示的方式及时指导用户解决故障优先级较高的隐患,保障链路安全。
作为一优选实施例,专家决策模型通过分析业务邻居数据,提供分析结果和维护建议。以光模块为例,如图3所示,即一发送光模块和一接收光模块通过传输线路——光纤相连,组成一对“业务邻居”。通过分析采集到的光模块的参数,可以判断光模块的工作状态,如表1所示,其中,以1代表光模块参数正常,0代表光模块参数不正常,Tx表示光模块的发送,Rx表示光模块的接收;单独的判断并不能确认故障的确切位置,所以需要引入专家决策模型以“业务邻居”作关联性的分析判断;具体来说,有4种组合情况:
发送光模块参数正常,接收光模块参数正常。专家决策模型产生分析结果为正常。
发送光模块参数正常,接收光模块参数不正常。专家决策模型建议检查传输线路,如果线路正常,检查接收光模块。
发送光模块参数不正常,接收光模块参数正常。专家决策模型建议与传输线路对照分析,确认发送光模块的故障。
发送光模块参数不正常,接收光模块参数不正常。专家决策模型分析结果是发射光模块故障。
表1
专家决策模型分析结果和维护建议,如表2所示。
表2
下面对数据分析预测层的工作过程进一步描述如下。
数据分析预测层分析反应设备性能及工作状态的相关的关键数据——包括电压、电流、功率、温度等,综合评判设备的运行状况。以交换机关键部件:光模块工作寿命预测为例,发明中利用了雷达图和综合算法作为分析方式。其中:
雷达图,也称为蛛网图或星图,背景由轮辐线和同心圆组成。轮辐线是从中心原点向外辐射的线条,相邻轮辐线夹角相同,为360度/条数(2π/数据维度),轮辐线长度代表数据大小;同心圆是以同样原点为圆心的一个一个圆圈;每一条轮辐线代表一个维度的数据,设备性能相关数据的种类数就是轮辐线的条数,数据的数值由轮辐线从原点起始的长度表示;所有维度的数据的点都在轮辐线上,连起来组成一个多边形。
综合算法,是利用雷达图上的所有点组成的多边形的面积(或/和形状)作为分析结果的数学方法。具体来说,首先用到的数据有实时数据(Zi)、正常值(Z′i)、权重(Ki);由于各维度数据的数值会有很大差别,在同样标尺下显示,就需要将数值进行归一化,即将雷达图最外圆作为所有维度数据的正常值的100%,向内逐步缩小到原点0%,公式为1-|Zi-Z′i|/Z′i;由于不同的数据对于设备性能状态的反应程度有差异,所以引入权重的概念,加入公式中为所有维度数据经过计算后,在相应轮辐线上显示的点,相连成一个n多边形;计算这个性能多边形的面积作为设备状态的结果,公式为:
根据面积判断当时设备性能状态,加上时间维度和历史数据,可以获取设备数据雷达图面积在时间维度的变化曲线,进而预测设备状态变化趋势。在具有历史数据和设备状态量化数据的大量样本的前提下,以上公式加上偏差参数作为预测模型,运用机器学习,学习样本数据,确定权重、偏差等参数,以获取最佳预测模型预测设备状态。
作为一优选实施例,数据呈现层4,包括实时数据显示和异常状态告警、历史数据图形显示、历史数据分析、预测趋势显示;其中:
实时数据显示和异常状态告警,是以文字方式显示采集的实时的设备物理数据,对实时数据分析、和阈值比较,显示异常设备的告警信息;
历史数据的图形显示,是以时间线为X轴的数据曲线,是数据的可视化,可以观察数据的趋势。
本发明另一实施例提供了一种数据中心网络设备智能运维方法,包括:
采集网络设备的硬件信息以及工作运行参数,获取网络设备运维管理所需的信息数据;
对获取的信息数据进行数据清洗,得到有用的信息数据;对有用的信息数据进行分类和整理,得到聚合的有用信息数据,对聚合的有用信息数据进行保存,形成信息数据库,所形成的信息数据库中,包括实时信息数据和历史信息数据;
对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;分析历史信息数据,对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位。
作为一优选实施例,通过SNMP网络管理协议和/或IPMI智能型平台管理接口,采集网络设备的硬件信息以及工作运行参数,作为信息数据。
作为一优选实施例,对获取的信息数据进行清洗、分类和整理,包括:对信息数据进行分析,分离出有用的信息数据,并根据类别和类型对有用的信息数据进行分类和整理,聚合得到同类型多维度的有用信息数据;对聚合的有用信息数据进行保存的方法为:将聚合的有用信息数据加上时间信息进行保存。
作为一优选实施例,对实时信息数据进行分析和故障判断,获得网络设备当前工作状态,包括:根据实时信息数据中最新的网络设备工作运行参数和设定的阈值,结合网络设备对应的硬件信息,判断网络设备当前工作状态为正常工作状态或异常工作状态。
作为一优选实施例,对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障进行预测,并对网络设备的故障点进行定位,包括:利用工作状态预测模型,将历史信息数据作为模型输入,通过对历史信息数据进行计算,输出网络设备中各硬件发生故障的概率和工作状况趋势;采用专家决策模型,将历史信息数据和网络设备中各硬件发生故障的概率作为模型输入,通过对历史信息数据进行处理,输出网络设备的故障点定位信息。
作为一优选实施例,专家决策模型构建网络设备中各工作硬件之间的数据通信链路,将数据通信链路两端的网络设备硬件信息及工作运行参数记录为传输链路档案,作为专家决策模型查找、分析链路质量的数据来源;对链路质量进行实时跟踪分析,通过由先验知识构建的经验库模型对多个可能出现问题的工作硬件进行故障概率预测及排序,对应得到网络设备的故障点定位信息。
作为一优选实施例,工作状态预测模型采用实时信息数据和历史信息数据,并结合网络设备先验知识建立,用于构建工作运行参数与工作状况之间的关系。
工作状态预测模型通过雷达图和/或机器学习,将所有设备的参数归一化、加权、汇总,计算出的数值即代表设备的工作状况。
本发明第三个实施例提供了一种终端,包括存储器、处理器及存储在存储器上并可通过处理器运行的上述实施例中任一项的系统。
本发明第四个实施例提供了一种终端,包括存储器、处理器及存储在存储器上并能够在处理器上运行的计算机程序,处理器执行计算机程序时能够用于执行上述实施例中任一项的方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
本发明上述实施例所提供的数据中心网络设备智能运维系统、方法及终端,可以监控网络设备工作状态的实时变化情况,采集诸如温度、电压、电流、功率等工作参量的变动,对于工作的异常及时告警,最重要的在采集实时数据和分析大量历史数据的基础上,专家决策模型能够结合设备知识,加入对设备运维的经验,通过建立预测模型、大数据分析及机器学习等技术分析手段,精准预测设备状态趋势,优化运维机制,不断迭代优化异常预测和智能化运维。
本发明上述实施例所提供的数据中心网络设备智能运维系统、方法及终端,能够采集网络设备工作运行参数,监控、管理设备实时工作状态;跟踪分析设备硬件多维度运行历史数据,辅助于工作状态预测模型、大数据分析以及机器学习等综合手段评估设备可靠性,预测设备发生故障的概率,提醒用户对隐患硬件设备进行提前更换,避免设备硬件突发故障导致数据业务中断等严重事故;通过专家决策模型,能够及早发现设备之间异常的连接,并精确定位网络设备故障位置,提前采取措施排除相关故障,避免了运维人员总是处于“事后救火、疲于奔命”的被动状态。本发明上述实施例所提供的技术方案,有利于远程实时监控,预先发现设备硬件故障,优化网管运维效率,降低运维成本。
需要说明的是,本发明提供的方法中的步骤,可以利用系统中对应层的模块等予以实现,本领域技术人员可以参照系统的技术方案实现方法的步骤流程,即,系统中的实施例可理解为实现方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种数据中心网络设备智能运维系统,其特征在于,包括:
信息采集层(1),所述信息采集层(1)用于采集网络设备的硬件信息以及工作运行参数,获取网络设备运维管理所需的信息数据;
数据存储层(2),所述数据存储层(2)用于对信息数据进行分类和整理,得到聚合的信息数据,形成信息数据库,所形成的信息数据库中,包括实时信息数据和历史信息数据;
数据分析预测层(3),所述数据分析预测层(3)用于对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位;
数据呈现层(4),所述数据呈现层(4)用于显示网络设备的当前工作状态、设备运行异常信息、历史信息数据、网络设备工作状况趋势及故障预测结果和/或故障点定位结果。
2.根据权利要求1所述的数据中心网络设备智能运维系统,其特征在于,所述网络设备的硬件信息,包括如下任意一项或任意多项:
网络设备的型号、厂家、版本和/或工作起始时间;
网络设备所包含的板卡、模块和/或端口在网络设备上的位置信息;
所述网络设备的工作运行参数,包括如下任意一项或任意多项:
网络设备电源实时电压、电流、功率和/或温度;
网络设备CPU工作温度、工作电压、工作电流和/或利用率;
网络设备端口实时流量、误码信息、端口速率、吞吐率和/或当前连接状态。
3.根据权利要求1所述的数据中心网络设备智能运维系统,其特征在于,所述信息采集层(1)通过SNMP网络管理协议和/或IPMI智能型平台管理接口,采集网络设备的硬件信息以及工作运行参数,作为信息数据。
4.根据权利要求1所述的数据中心网络设备智能运维系统,其特征在于,所述数据存储层(2)对获取的信息数据进行分类和整理,包括:将网络设备的硬件信息作为类型,将网络设备的工作运行参数作为类别,根据类别和类型对信息数据进行分类和整理,聚合得到同类型多维度的信息数据;
对聚合得到的信息数据进行保存形成信息数据库;其中,保存的方法为:
将聚合得到的信息数据加上时间信息进行保存。
5.根据权利要求1所述的数据中心网络设备智能运维系统,其特征在于,所述数据分析预测层(3)中:
对实时信息数据进行分析和故障判断,获得网络设备当前工作状态,包括:
根据实时信息数据中最新的网络设备工作运行参数和设定的阈值,结合网络设备对应的硬件信息,判断网络设备当前工作状态为正常工作状态或异常工作状态;
对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位,包括:
利用工作状态预测模型,将历史信息数据作为模型输入,输出网络设备的工作状况趋势;
采用专家决策模型,将历史信息数据作为模型输入,输出网络设备中各硬件发生故障的概率以及故障点定位信息。
6.根据权利要求5所述的数据中心网络设备智能运维系统,其特征在于,所述专家决策模型构建网络设备中各工作硬件之间的数据通信链路,将数据通信链路两端的网络设备中相关联的硬件信息及工作运行参数作为一组业务邻居记录传输链路档案,并将该传输链路档案作为专家决策模型查找、分析链路质量的数据来源;对链路质量进行实时跟踪分析,通过先验知识对多个可能出现问题的工作硬件进行故障概率预测及排序,对应得到网络设备的故障点定位信息;
所述工作状态预测模型通过雷达图和/或机器学习,采用历史信息数据中的工作运行参数,并结合网络设备先验知识建立,构建工作运行参数与工作状况之间的输入输出关系。
7.根据权利要求1所述的数据中心网络设备智能运维系统,其特征在于,所述数据呈现层(4)包括:
文字显示模块,所述文字显示模块用于显示网络设备的当前工作状态和/或设备运行异常信息;
图像显示模块,所述图像显示模块用于显示历史信息数据、网络设备工作状况趋势和/或故障点定位结果。
8.一种数据中心网络设备智能运维方法,其特征在于,包括:
采集网络设备的硬件信息以及工作运行参数,获取网络设备运维管理所需的信息数据;
对获取的信息数据进行分类和整理,得到聚合的信息数据,形成信息数据库,所形成的信息数据库中,包括实时信息数据和历史信息数据;
对实时信息数据进行分析和故障判断,获得网络设备当前工作状态;分析历史信息数据,对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位。
9.根据权利要求8所述的数据中心网络设备智能运维方法,其特征在于,还包括如下任意一项或任意多项:-通过SNMP网络管理协议和/或IPMI智能型平台管理接口,采集网络设备的硬件信息以及工作运行参数,作为信息数据。
-对获取的信息数据进行分类和整理,包括:将网络设备的硬件信息作为类型,将网络设备的工作运行参数作为类别,根据类别和类型对信息数据进行分类和整理,聚合得到同类型多维度的信息数据;对聚合的信息数据进行保存形成信息数据库;其中,保存的方法为:将聚合得到的信息数据加上时间信息进行保存;
-对实时信息数据进行分析和故障判断,获得网络设备当前工作状态,包括:根据实时信息数据中最新的网络设备工作运行参数和设定的阈值,结合网络设备对应的硬件信息,判断网络设备当前工作状态为正常工作状态或异常工作状态;对历史信息数据进行分析,利用分析结果对网络设备工作状况趋势及故障概率进行预测,并对网络设备的故障点进行定位,包括:利用工作状态预测模型,将历史信息数据作为模型输入,输出网络设备的工作状况趋势;采用专家决策模型,将历史信息数据作为模型输入,输出网络设备中各硬件故障的概率以及故障点定位信息;其中:
所述专家决策模型构建网络设备中各工作硬件之间的数据通信链路,将数据通信链路两端的网络设备硬件信息及工作运行参数作为一组业务邻居记录为传输链路档案,并将该传输链路档案作为专家决策模型查找、分析链路质量的数据来源;对链路质量进行实时跟踪分析,通过先验知识对多个可能出现问题的工作硬件进行故障概率预测及排序,对应得到网络设备的故障点定位信息;
所述工作状态预测模型通过雷达图和/或机器学习,采用历史信息数据中的工作运行参数,并结合网络设备先验知识建立,构建工作运行参数与工作状况之间的输入输出关系。
10.一种终端,其特征在于,包括存储器、处理器及存储在存储器上并可通过处理器运行的权利要求1-7中任一项所述的系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010908925.1A CN112187514A (zh) | 2020-09-02 | 2020-09-02 | 一种数据中心网络设备智能运维系统、方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010908925.1A CN112187514A (zh) | 2020-09-02 | 2020-09-02 | 一种数据中心网络设备智能运维系统、方法及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112187514A true CN112187514A (zh) | 2021-01-05 |
Family
ID=73924096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010908925.1A Pending CN112187514A (zh) | 2020-09-02 | 2020-09-02 | 一种数据中心网络设备智能运维系统、方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112187514A (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981362A (zh) * | 2019-03-21 | 2019-07-05 | 浪潮商用机器有限公司 | 一种服务器硬件信息获取装置、方法、设备及介质 |
CN112882911A (zh) * | 2021-02-01 | 2021-06-01 | 中电科网络空间安全研究院有限公司 | 异常性能行为检测方法、系统、装置及存储介质 |
CN113095606A (zh) * | 2021-06-09 | 2021-07-09 | 北矿智云科技(北京)有限公司 | 设备维修的预判方法、装置及系统 |
CN113395356A (zh) * | 2021-07-06 | 2021-09-14 | 山东电力工程咨询院有限公司 | 一种数据中心的健康监控方法及系统 |
CN113395182A (zh) * | 2021-06-21 | 2021-09-14 | 山东八五信息技术有限公司 | 具有故障预测的智能网络设备管理系统及方法 |
CN113407764A (zh) * | 2021-08-18 | 2021-09-17 | 北京小鸟科技股份有限公司 | 基于物理位置的音视频设备状态图形化展示设备及方法 |
CN113727210A (zh) * | 2021-08-06 | 2021-11-30 | 济南浪潮数据技术有限公司 | 一种设备信息管理方法、系统、存储介质及设备 |
CN113778033A (zh) * | 2021-09-10 | 2021-12-10 | 北京广利核系统工程有限公司 | 集散控制系统运行状态检测方法、装置、设备及介质 |
CN113904718A (zh) * | 2021-12-09 | 2022-01-07 | 深圳市飞速创新技术股份有限公司 | 光模块检测方法、终端设备及计算机可读存储介质 |
CN114205277A (zh) * | 2021-12-16 | 2022-03-18 | 北京国铁华晨通信科技有限公司 | 基于Modbus协议的设备故障监控方法、装置和设备 |
CN114338344A (zh) * | 2021-12-27 | 2022-04-12 | 北京卓越信通电子股份有限公司 | 一种用机器深度学习方式判断并抑制计算机网络故障及广播风暴的方法 |
CN114613303A (zh) * | 2022-03-18 | 2022-06-10 | 西安诺瓦星云科技股份有限公司 | 显示屏控制系统故障预测方法及装置 |
CN115086145A (zh) * | 2022-05-30 | 2022-09-20 | 国网安徽省电力有限公司滁州供电公司 | 一种基于智能网络检测分析仪的网络设备状态检测方法 |
CN115297040A (zh) * | 2022-07-15 | 2022-11-04 | 四川天邑康和通信股份有限公司 | 一种可调节天线的路由器测试方法及系统 |
CN115484188A (zh) * | 2021-06-16 | 2022-12-16 | 中国移动通信集团广东有限公司 | Tap设备监控方法和系统、电子设备及可读存储介质 |
CN115580635A (zh) * | 2022-09-26 | 2023-01-06 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
CN115576736A (zh) * | 2022-12-07 | 2023-01-06 | 北京铜牛信息科技股份有限公司 | 一种数据中心精细化智能监控方法 |
CN115695150A (zh) * | 2022-11-01 | 2023-02-03 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115858502A (zh) * | 2023-02-15 | 2023-03-28 | 北京凌华峰通信技术有限公司 | 基于大数据分析的设备管理方法及装置 |
CN116248548A (zh) * | 2023-02-28 | 2023-06-09 | 重庆川仪自动化股份有限公司 | 一种设备诊断方法、系统、电子设备及存储介质 |
CN116389304A (zh) * | 2023-04-12 | 2023-07-04 | 国网湖北省电力有限公司荆州供电公司 | 基于sg-tms的网络运行状态趋势分析系统 |
CN116389223A (zh) * | 2023-04-26 | 2023-07-04 | 福芯高照(上海)科技有限公司 | 一种基于大数据的人工智能可视化预警系统及方法 |
CN116629642A (zh) * | 2023-07-21 | 2023-08-22 | 北京睿碳科技有限公司 | 一种碳排放量的评估方法、装置及设备 |
CN116744321A (zh) * | 2023-08-11 | 2023-09-12 | 中维建技术有限公司 | 一种用于5g通信智能运维一体化平台的数据调控方法 |
CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
CN117081249A (zh) * | 2023-08-17 | 2023-11-17 | 广东正力通用电气有限公司 | 一种供电线路自动化监控管理平台及线路故障识别方法 |
CN117596176A (zh) * | 2024-01-17 | 2024-02-23 | 苏州元脑智能科技有限公司 | 一种网络状态测量方法、装置、设备及存储介质 |
CN117744064A (zh) * | 2024-02-19 | 2024-03-22 | 民航成都电子技术有限责任公司 | 一种民航空勤证验证终端保护方法、装置、介质和设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104810926A (zh) * | 2015-05-06 | 2015-07-29 | 杨启蓓 | 电网高压断路器多维度大数据分析智能专家系统 |
CN105323111A (zh) * | 2015-11-17 | 2016-02-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
US9753800B1 (en) * | 2015-10-23 | 2017-09-05 | Sprint Communications Company L.P. | Communication network operations management system and method |
CN109034521A (zh) * | 2018-06-07 | 2018-12-18 | 国电南瑞科技股份有限公司 | 一种电网调度控制系统的智能运维架构设计方法 |
US20190044824A1 (en) * | 2017-08-01 | 2019-02-07 | Juniper Networks, Inc. | Using machine learning to monitor link quality and predict link faults |
CN109617765A (zh) * | 2019-01-02 | 2019-04-12 | 中国联合网络通信集团有限公司 | 一种物联网连接质量的预测方法和装置 |
CN109768889A (zh) * | 2019-01-16 | 2019-05-17 | 高正民 | 一种可视化安全管理智慧运维平台 |
CN109767006A (zh) * | 2018-12-13 | 2019-05-17 | 北京航空航天大学 | 一种基于贝叶斯置信网络的故障预测系统及方法 |
CN109802843A (zh) * | 2017-11-16 | 2019-05-24 | 四川勇超网络科技有限公司 | 一种基于snmp的网络设备监控系统 |
CN109886475A (zh) * | 2019-01-24 | 2019-06-14 | 广西电网有限责任公司电力科学研究院 | 基于ai的计量自动化系统的信息安全态势感知系统 |
CN110717665A (zh) * | 2019-09-30 | 2020-01-21 | 国家电网有限公司 | 基于调度控制系统故障辨识及趋性分析系统和方法 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
-
2020
- 2020-09-02 CN CN202010908925.1A patent/CN112187514A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104810926A (zh) * | 2015-05-06 | 2015-07-29 | 杨启蓓 | 电网高压断路器多维度大数据分析智能专家系统 |
US9753800B1 (en) * | 2015-10-23 | 2017-09-05 | Sprint Communications Company L.P. | Communication network operations management system and method |
CN105323111A (zh) * | 2015-11-17 | 2016-02-10 | 南京南瑞集团公司 | 一种运维自动化系统及方法 |
US20190044824A1 (en) * | 2017-08-01 | 2019-02-07 | Juniper Networks, Inc. | Using machine learning to monitor link quality and predict link faults |
CN109802843A (zh) * | 2017-11-16 | 2019-05-24 | 四川勇超网络科技有限公司 | 一种基于snmp的网络设备监控系统 |
CN109034521A (zh) * | 2018-06-07 | 2018-12-18 | 国电南瑞科技股份有限公司 | 一种电网调度控制系统的智能运维架构设计方法 |
CN109767006A (zh) * | 2018-12-13 | 2019-05-17 | 北京航空航天大学 | 一种基于贝叶斯置信网络的故障预测系统及方法 |
CN109617765A (zh) * | 2019-01-02 | 2019-04-12 | 中国联合网络通信集团有限公司 | 一种物联网连接质量的预测方法和装置 |
CN109768889A (zh) * | 2019-01-16 | 2019-05-17 | 高正民 | 一种可视化安全管理智慧运维平台 |
CN109886475A (zh) * | 2019-01-24 | 2019-06-14 | 广西电网有限责任公司电力科学研究院 | 基于ai的计量自动化系统的信息安全态势感知系统 |
CN110717665A (zh) * | 2019-09-30 | 2020-01-21 | 国家电网有限公司 | 基于调度控制系统故障辨识及趋性分析系统和方法 |
CN111368890A (zh) * | 2020-02-26 | 2020-07-03 | 珠海格力电器股份有限公司 | 故障检测方法及装置、信息物理融合系统 |
Non-Patent Citations (1)
Title |
---|
张金晔等: "网络设备故障预测与健康管理系统设计", 《软件导刊》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981362A (zh) * | 2019-03-21 | 2019-07-05 | 浪潮商用机器有限公司 | 一种服务器硬件信息获取装置、方法、设备及介质 |
CN112882911A (zh) * | 2021-02-01 | 2021-06-01 | 中电科网络空间安全研究院有限公司 | 异常性能行为检测方法、系统、装置及存储介质 |
CN112882911B (zh) * | 2021-02-01 | 2023-12-29 | 中电科网络空间安全研究院有限公司 | 异常性能行为检测方法、系统、装置及存储介质 |
CN113095606A (zh) * | 2021-06-09 | 2021-07-09 | 北矿智云科技(北京)有限公司 | 设备维修的预判方法、装置及系统 |
CN115484188A (zh) * | 2021-06-16 | 2022-12-16 | 中国移动通信集团广东有限公司 | Tap设备监控方法和系统、电子设备及可读存储介质 |
CN113395182A (zh) * | 2021-06-21 | 2021-09-14 | 山东八五信息技术有限公司 | 具有故障预测的智能网络设备管理系统及方法 |
CN113395356A (zh) * | 2021-07-06 | 2021-09-14 | 山东电力工程咨询院有限公司 | 一种数据中心的健康监控方法及系统 |
CN113727210B (zh) * | 2021-08-06 | 2023-08-22 | 济南浪潮数据技术有限公司 | 一种设备信息管理方法、系统、存储介质及设备 |
CN113727210A (zh) * | 2021-08-06 | 2021-11-30 | 济南浪潮数据技术有限公司 | 一种设备信息管理方法、系统、存储介质及设备 |
CN113407764A (zh) * | 2021-08-18 | 2021-09-17 | 北京小鸟科技股份有限公司 | 基于物理位置的音视频设备状态图形化展示设备及方法 |
CN113407764B (zh) * | 2021-08-18 | 2021-11-02 | 北京小鸟科技股份有限公司 | 基于物理位置的音视频设备状态图形化展示设备及方法 |
CN113778033A (zh) * | 2021-09-10 | 2021-12-10 | 北京广利核系统工程有限公司 | 集散控制系统运行状态检测方法、装置、设备及介质 |
CN113904718A (zh) * | 2021-12-09 | 2022-01-07 | 深圳市飞速创新技术股份有限公司 | 光模块检测方法、终端设备及计算机可读存储介质 |
CN114205277A (zh) * | 2021-12-16 | 2022-03-18 | 北京国铁华晨通信科技有限公司 | 基于Modbus协议的设备故障监控方法、装置和设备 |
CN114338344A (zh) * | 2021-12-27 | 2022-04-12 | 北京卓越信通电子股份有限公司 | 一种用机器深度学习方式判断并抑制计算机网络故障及广播风暴的方法 |
CN114613303A (zh) * | 2022-03-18 | 2022-06-10 | 西安诺瓦星云科技股份有限公司 | 显示屏控制系统故障预测方法及装置 |
CN114613303B (zh) * | 2022-03-18 | 2023-10-20 | 西安诺瓦星云科技股份有限公司 | 显示屏控制系统故障预测方法及装置 |
CN115086145A (zh) * | 2022-05-30 | 2022-09-20 | 国网安徽省电力有限公司滁州供电公司 | 一种基于智能网络检测分析仪的网络设备状态检测方法 |
CN115297040A (zh) * | 2022-07-15 | 2022-11-04 | 四川天邑康和通信股份有限公司 | 一种可调节天线的路由器测试方法及系统 |
CN115580635A (zh) * | 2022-09-26 | 2023-01-06 | 广州健新科技有限责任公司 | 一种物联网终端的智能化故障诊断方法及系统 |
CN115695150A (zh) * | 2022-11-01 | 2023-02-03 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115695150B (zh) * | 2022-11-01 | 2023-08-08 | 广州城轨科技有限公司 | 一种基于分布式异构融合组网设备检测方法及装置 |
CN115576736A (zh) * | 2022-12-07 | 2023-01-06 | 北京铜牛信息科技股份有限公司 | 一种数据中心精细化智能监控方法 |
CN115858502A (zh) * | 2023-02-15 | 2023-03-28 | 北京凌华峰通信技术有限公司 | 基于大数据分析的设备管理方法及装置 |
CN116248548A (zh) * | 2023-02-28 | 2023-06-09 | 重庆川仪自动化股份有限公司 | 一种设备诊断方法、系统、电子设备及存储介质 |
CN116389304A (zh) * | 2023-04-12 | 2023-07-04 | 国网湖北省电力有限公司荆州供电公司 | 基于sg-tms的网络运行状态趋势分析系统 |
CN116389304B (zh) * | 2023-04-12 | 2024-05-24 | 国网湖北省电力有限公司荆州供电公司 | 基于sg-tms的网络运行状态趋势分析系统 |
CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
CN116389223A (zh) * | 2023-04-26 | 2023-07-04 | 福芯高照(上海)科技有限公司 | 一种基于大数据的人工智能可视化预警系统及方法 |
CN116389223B (zh) * | 2023-04-26 | 2023-12-22 | 郑州数智科技集团有限公司 | 一种基于大数据的人工智能可视化预警系统及方法 |
CN116629642B (zh) * | 2023-07-21 | 2023-10-03 | 北京睿碳科技有限公司 | 一种碳排放量的评估方法、装置及设备 |
CN116629642A (zh) * | 2023-07-21 | 2023-08-22 | 北京睿碳科技有限公司 | 一种碳排放量的评估方法、装置及设备 |
CN116744321B (zh) * | 2023-08-11 | 2023-11-14 | 中维建技术有限公司 | 一种用于5g通信智能运维一体化平台的数据调控方法 |
CN116744321A (zh) * | 2023-08-11 | 2023-09-12 | 中维建技术有限公司 | 一种用于5g通信智能运维一体化平台的数据调控方法 |
CN117081249A (zh) * | 2023-08-17 | 2023-11-17 | 广东正力通用电气有限公司 | 一种供电线路自动化监控管理平台及线路故障识别方法 |
CN117596176A (zh) * | 2024-01-17 | 2024-02-23 | 苏州元脑智能科技有限公司 | 一种网络状态测量方法、装置、设备及存储介质 |
CN117596176B (zh) * | 2024-01-17 | 2024-04-19 | 苏州元脑智能科技有限公司 | 一种网络状态测量方法、装置、设备及存储介质 |
CN117744064A (zh) * | 2024-02-19 | 2024-03-22 | 民航成都电子技术有限责任公司 | 一种民航空勤证验证终端保护方法、装置、介质和设备 |
CN117744064B (zh) * | 2024-02-19 | 2024-04-30 | 民航成都电子技术有限责任公司 | 一种民航空勤证验证终端保护方法、装置、介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112187514A (zh) | 一种数据中心网络设备智能运维系统、方法及终端 | |
US11677635B2 (en) | Hierarchical network analysis service | |
US11657309B2 (en) | Behavior analysis and visualization for a computer infrastructure | |
CN110351150B (zh) | 故障根源确定方法及装置、电子设备和可读存储介质 | |
CN116796907A (zh) | 一种基于物联网的水环境动态监测系统及其方法 | |
US11348023B2 (en) | Identifying locations and causes of network faults | |
CN107958337A (zh) | 一种信息资源可视化移动管理系统 | |
CN104796273A (zh) | 一种网络故障根源诊断的方法和装置 | |
CN104142663A (zh) | 云平台中的工业设备和系统证明 | |
CN111158983A (zh) | 一种一体化运维管理系统 | |
CN115809183A (zh) | 基于知识图谱的信创终端故障发现及处置的方法 | |
CN105184886A (zh) | 一种云数据中心智能巡检系统及方法 | |
CN109670690A (zh) | 数据信息中心监控预警方法、系统及设备 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
CN112769605B (zh) | 一种异构多云的运维管理方法及混合云平台 | |
CN112559376A (zh) | 一种数据库故障的自动定位方法、装置及电子设备 | |
CN116107282B (zh) | 一种基于企业应用集成的工业机器人预测性维护系统 | |
CN114358106A (zh) | 系统异常检测方法、装置、计算机程序产品及电子设备 | |
CN114640581A (zh) | 一种基于数字孪生的算力网络处理方法及装置 | |
CN112463892A (zh) | 一种基于风险态势的预警方法及系统 | |
CN113516244A (zh) | 一种智能运维方法、装置、电子设备及存储介质 | |
CN112817814A (zh) | 异常监控方法、系统、存储介质及电子装置 | |
CN116955434A (zh) | 一种工业装备全生命周期管理及多维度能效分析系统 | |
KR20220168849A (ko) | 정보통신 설비 점검 시스템 및 방법 | |
CN106649034B (zh) | 一种可视化智能运维方法及平台 |
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 |