CN112882954A - 一种分布式数据库运维动态阈值告警方法及装置 - Google Patents
一种分布式数据库运维动态阈值告警方法及装置 Download PDFInfo
- Publication number
- CN112882954A CN112882954A CN202110317794.4A CN202110317794A CN112882954A CN 112882954 A CN112882954 A CN 112882954A CN 202110317794 A CN202110317794 A CN 202110317794A CN 112882954 A CN112882954 A CN 112882954A
- Authority
- CN
- China
- Prior art keywords
- threshold
- data
- node
- value
- model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012423 maintenance Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 238000007476 Maximum Likelihood Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 5
- 210000001503 joint Anatomy 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 231100000656 threshold model Toxicity 0.000 abstract 3
- 230000000694 effects Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明特别涉及一种分布式数据库运维动态阈值告警方法及装置。该分布式数据库运维动态阈值告警方法及装置，首先基于极值理论建立阈值模型，对数据库指标模型原始信息输入进行收集处理，转换为阈值模型匹配输入格式，对各节点的阈值模型分别进行校准；对比各个节点实时的监控指标数据与计算出的当前阈值上下限约束，如果超出阈值上下限约束范围，则进行告警并处理。该分布式数据库运维动态阈值告警方法及装置，不仅能够实时监控数据库重要指标，及时对数据库指标的异常情况发出告警信息，还能根据监控指标变化实时更新阈值，大大降低了人工监控的任务量，提高了监控效率，保障了数据库的正常运行。
Description
技术领域
本发明涉及自治数据库异常检测技术领域，特别涉及一种分布式数据库运维动态阈值告警方法及装置。
背景技术
现代数据库的规模和架构日益复杂和庞大，同时数据库和分布式系统的广泛结合和使用，使得需要进行监控的指标数量剧增，现在的数据库系统不能仅靠过去经验、监控运行状态、和发现运行故障来维持系统稳定运行。
传统上，监控系统对于指标告警的做法都是参考过去经验，然后通过手工设置指标阈值，判断指标数据是否超出设置好的阈值，如果超出，则发出告警。这种传统做法是假设不同用户的系统运行方式相似，所以可以照本宣科。然而现今的分布式数据库在计算，存储分布式的情况下，用户的运行方式各有不同，许多经验是无法复制在不同用户系统，有些经验甚至在同一用户，不同季度也是无法重复使用。
此外分布式数据库的运行中，监控指标数量剧增，人工学习指标并进行阈值设置将变得耗力耗时；同时，随着数据库业务的多样化、以及季度的时间因素(例：重要节庆时段)，不同类型和周期的指标对阈值设置的要求不尽相同，简单的静态指标无法根据实时指标进行更新，不能达到告警效果。所以，面对业务种类繁多的分布式数据库运维，人工手动配置静态阈值进行告警的方法耗力，耗时，且不能达到告警效果。
针对对于数据库运维中指标监控阈值无法动态更新的问题，本发明提出了一种分布式数据库运维动态阈值告警方法及装置。
发明内容
本发明为了弥补现有技术的缺陷，提供了一种简单高效的分布式数据库运维动态阈值告警方法及装置。
本发明是通过如下技术方案实现的：
一种分布式数据库运维动态阈值告警方法，其特征在于：包括以下步骤：
第一步，基于极值理论建立阈值模型
使用峰值超过临界值(Peaks Over Threshold，简称POT)定理和极大似然估计(Maximum Likelihood Estimation，简称MLE)拟合尾端分布建立阈值模型并实时更新，对数据库指标进行动态跟踪，计算出对应时间点的阈值，实时计算并更新指标的上下限约束范围，并输出阈值信息；
第二步，数据采集与模型校准
对数据库指标模型原始信息输入进行收集处理，转换为阈值模型匹配输入格式，对各节点的阈值模型分别进行校准；
第三步，数据检测与异常报警
对比各个节点实时的监控指标数据与计算出的当前阈值上下限约束，如果超出阈值上下限约束范围，则进行告警并处理。
所述第一步中，尾端分布符合广义帕累托分布，表达式如下：
其中，x为采集到的数据库指标数据，X代表独立同分布的随机变量，t为用户预设的临界值，γ与σ分别为分布的形状参数与位置参数，P为分布标识符；
阈值z的计算公式为：
其中，Nt为独立同分布的随机变量X中大于临界值t的个数，
分别为尾端分布的形状参数γ与位置参数σ的估计值，q为用户预设的概率值，n为流式数据点的个数。
所述用户预设的临界值t采用第98个百分位值。
所述用户预设的概率值q在1e-3至1e-5之间。
所述形状参数γ与位置参数σ通过极大似然估计(Maximum LikelihoodEstimation，MLE)估计得到，其对数极大似然logL(γ，σ)计算公式如下：
其中，Nt为随机变量X中大于临界值t的个数，Yi为超出临界值t的具体值，定义为Yi＝Xi-t，Xi为相同时间的流式数据点，通过将公式(3)取对数求导，并将求导后的式子设置0，求解即可得到形状参数γ与位置参数σ的估计值
所述第二步中，将各节点的数据库指标信息分为校准数据和检测数据，尾端数据作为检测数据，排在尾端数据之前的头部数据作为校准数据，校准数据的个数上限由用户进行预设；
数据采集包括校准阶段数据采集，各节点校准阶段和逐条数据采集阶段；
所述校准阶段数据采集是指逐条采集存储数据库指标信息，待采集数量达到预设的上限后对阈值模型进行校准；
所述各节点校准阶段是针对各个节点进行阈值模型的校准，当节点的校准数据采集完成后，则针对该节点数据进行阈值模型的校准，使用收集到的校准数据点以及用户预设的值进行初步拟合尾端分布，计算出初始阈值；
当各节点的阈值模型校准完成过后，逐条采集数据库指标中的检测数据并解析处理，提交到对应节点校准后的阈值模型。
所述第二步中，使用收集到的校准数据点以及用户预设的t，q值进行初步拟合尾端分布，通过极大似然估计MLE得到初始预估值
并通过公式(2)计算得到初始阈值z。
所述第三步中，对校准数据之后的流式数据进行异常判断，同时判断是否更新阈值：
若新一时刻的流式数据点超出上一时刻计算出来的阈值边界，则判定为异常，且不用于阈值的更新；
若新一时刻的流式数据点超出用户预设的临界值t，但并未超出上一时刻的阈值边界，则利用该流式数据点更新公式(3)中的Nt和Yi，得到新的估计值
从而根据公式(1)得到新的阈值。
一种基于上述的分布式数据库运维动态阈值告警方法的告警装置，包括：
数据采集模块，输入来源为Kafka topic中的消息，输入格式为JSON，利用开源组建Faust，启动属于阈值模型的Kafka Consumer对接实际生产情况下数据库的指标输出，在Python环境下实现对逐条输入消息的解析，获知该消息中阈值模型所需的指标信息以及对应节点信息；
基于极值理论的阈值模型计算模块，使用峰值超过临界值(Peaks OverThreshold，简称POT)定理和极大似然估计(Maximum Likelihood Estimation，MLE)拟合尾端分布并实时更新，计算出对应时间点的阈值，对校准数据之后的流式数据进行异常判断，同时判断是否更新阈值，从而完成动态告警任务；
异常报警模块，实时进行异常指标点的结果呈现，提醒用户发现问题并为用户提供调优方向。
本发明的有益效果是：该分布式数据库运维动态阈值告警方法及装置，不仅能够实时监控数据库重要指标，及时对数据库指标的异常情况发出告警信息，还能根据监控指标变化实时更新阈值，大大降低了人工监控的任务量，提高了监控效率，保障了数据库的正常运行。
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，显而易见地，下面描述中的附图是本发明的一些实施例，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。
附图1为本发明分布式数据库运维动态阈值告警装置示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚，完整的描述。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，都应当属于本发明保护的范围。
该分布式数据库运维动态阈值告警方法，包括以下步骤：
第一步，基于极值理论建立阈值模型
使用峰值超过临界值(Peaks Over Threshold，简称POT)定理和极大似然估计(Maximum Likelihood Estimation，简称MLE)拟合尾端分布建立阈值模型并实时更新，对数据库指标进行动态跟踪，计算出对应时间点的阈值，实时计算并更新指标的上下限约束范围，并输出阈值信息；
第二步，数据采集与模型校准
对数据库指标模型原始信息输入进行收集处理，转换为阈值模型匹配输入格式，对各节点的阈值模型分别进行校准；
第三步，数据检测与异常报警
对比各个节点实时的监控指标数据与计算出的当前阈值上下限约束，如果超出阈值上下限约束范围，则进行告警并处理。
所述第一步中，尾端分布符合广义帕累托分布，表达式如下：
其中，x为采集到的数据库指标数据，X代表独立同分布的随机变量，t为用户预设的临界值，γ与σ分别为分布的形状参数与位置参数，P为分布标识符；
阈值z的计算公式为：
其中，Nt为独立同分布的随机变量X中大于临界值t的个数，
分别为尾端分布的形状参数γ与位置参数σ的估计值，q为用户预设的概率值，n为流式数据点的个数。
所述用户预设的临界值t采用第98个百分位值。
所述用户预设的概率值q在1e-3至1e-5之间。
所述形状参数γ与位置参数σ通过极大似然估计(Maximum LikelihoodEstimation，MLE)估计得到，其对数极大似然logL(γ，σ)计算公式如下：
其中，Nt为随机变量X中大于临界值t的个数，Yi为超出临界值t的具体值，定义为Yi＝Xi-t，Xi为相同时间的流式数据点，通过将公式(3)取对数求导，并将求导后的式子设置0，求解即可得到形状参数γ与位置参数σ的估计值
所述第二步中，将各节点的数据库指标信息分为校准数据和检测数据，尾端数据作为检测数据，排在尾端数据之前的头部数据作为校准数据，校准数据的个数上限由用户进行预设；
数据采集包括校准阶段数据采集，各节点校准阶段和逐条数据采集阶段；
所述校准阶段数据采集是指逐条采集存储数据库指标信息，待采集数量达到预设的上限后对阈值模型进行校准；
所述各节点校准阶段是针对各个节点进行阈值模型的校准，当节点的校准数据采集完成后，则针对该节点数据进行阈值模型的校准，使用收集到的校准数据点以及用户预设的值进行初步拟合尾端分布，计算出初始阈值；
当各节点的阈值模型校准完成过后，逐条采集数据库指标中的检测数据并解析处理，提交到对应节点校准后的阈值模型。
所述第二步中，使用收集到的校准数据点以及用户预设的t，q值进行初步拟合尾端分布，通过极大似然估计MLE得到初始预估值
并通过公式(2)计算得到初始阈值z。
当校准点个数大于1000时，初始尾端分布的拟合错误开始收敛，因此校准个数点通常设定为1000及以上。例如，在流式数据过程中，取前1000个点作为校准点(即将校准节点的上限为1000个数据)，则{x0,time＝0，x1,time＝1，x1,time＝2，...x999,time＝999}均用于公式(2)和公式(3)的计算，得到下一时刻time＝1000时指标的阈值。
所述第三步中，对校准数据之后的流式数据进行异常判断，同时判断是否更新阈值；
若新一时刻的流式数据点超出上一时刻计算出来的阈值边界，则判定为异常，且不用于阈值的更新；
若新一时刻的流式数据点超出用户预设的临界值t，但并未超出上一时刻的阈值边界，则利用该流式数据点更新公式(3)中的Nt和Yi，得到新的估计值
从而根据公式(1)得到新的阈值。
例如，x1000,time＝1000作为校准数据后的第1000时刻流式数据点，假如该点超出初始阈值z，则第1001时刻的阈值大小仍为z，即不会被更新；假如该点未超出初始阈值z，但超出用户预设临界值t，则使用公式(2)与公式(3)对阈值z进行更新，得到第1001时刻的新阈值z′，以此类推。
基于该分布式数据库运维动态阈值告警方法的告警装置，包括：
数据采集模块，输入来源为Kafka topic中的消息，输入格式为JSON，利用开源组建Faust，启动属于阈值模型的Kafka Consumer对接实际生产情况下数据库的指标输出，在Python环境下实现对逐条输入消息的解析，获知该消息中阈值模型所需的指标信息以及对应节点信息；
通过数据采集模块，用户自定义设置采集校准数据数目参数cal_num以及节点数目参数node_num；
例如，当node_num为5时，校准开始时初始化5个列表作为对应存储5个节点所需的校准消息，当某个列别逐条处理输入消息数达到cal_num，则该列表对应的节点校准过程完成，可进行下一步。
当某个节点对应校准数据采集阶段结束，则可进行该节点对应阈值模型的校准，例如节点n，则会生成对应的模型model_n，可进行下一步。
当某个节点经过校准阶段之后，对随后的消息进行逐条收集、格式转换并与节点对应的阈值模型对接。
基于极值理论的阈值模型计算模块，使用峰值超过临界值(Peaks OverThreshold，简称POT)定理和极大似然估计(Maximum Likelihood Estimation，MLE)拟合尾端分布并实时更新，计算出对应时间点的阈值，对校准数据之后的流式数据进行异常判断，同时判断是否更新阈值，从而完成动态告警任务；
异常报警模块，实时进行异常指标点的结果呈现，提醒用户发现问题并为用户提供调优方向。
与现有技术相比，该分布式数据库运维动态阈值告警方法及装置，具有以下特点：
第一、能够实时监控数据库重要指标，并根据监控指标变化实时更新阈值；对不同监控指标的计算设置方法相同，大大减少了人工监控任务量。
第二、数据采集模块不仅实现了从JAVA语言环境到Python语言环境的数据流对接及转换，方便模型获取更详尽的数据库指标信息，还实现了多节点数据分流训练不同模型的功能。
第三、基于极值理论的阈值模型计算模块能够结合当前指标数据实时更新下一时刻的阈值大小，达到动态阈值的效果。
第四、异常报警模块能够实时展现当前时间下数据库指标的异常情况，便于数据库性能的观测，还能将观测结果作为调优的重要参考指标。
以上所述的实施例，只是本发明具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (9)
1.一种分布式数据库运维动态阈值告警方法，其特征在于：包括以下步骤：
第一步，基于极值理论建立阈值模型
使用峰值超过临界值定理和极大似然估计拟合尾端分布建立阈值模型并实时更新，对数据库指标进行动态跟踪，计算出对应时间点的阈值，实时计算并更新指标的上下限约束范围，并输出阈值信息；
第二步，数据采集与模型校准
对数据库指标模型原始信息输入进行收集处理，转换为阈值模型匹配输入格式，对各节点的阈值模型分别进行校准；
第三步，数据检测与异常报警
对比各个节点实时的监控指标数据与计算出的当前阈值上下限约束，如果超出阈值上下限约束范围，则进行告警并处理。
2.根据权利要求1所述的分布式数据库运维动态阈值告警方法，其特征在于：所述第一步中，尾端分布符合广义帕累托分布，表达式如下：
其中，x为采集到的数据库指标数据，X代表独立同分布的随机变量，t为用户预设的临界值，γ与σ分别为分布的形状参数与位置参数，P为分布标识符；
阈值z的计算公式为：
其中，Nt为独立同分布的随机变量X中大于临界值t的个数，
分别为尾端分布的形状参数γ与位置参数σ的估计值，q为用户预设的概率值，n为流式数据点的个数。
3.根据权利要求2所述的分布式数据库运维动态阈值告警方法，其特征在于：所述用户预设的临界值t采用第98个百分位值。
4.根据权利要求2所述的分布式数据库运维动态阈值告警方法，其特征在于：所述用户预设的概率值q在1e-3至1e-5之间。
5.根据权利要求2所述的分布式数据库运维动态阈值告警方法，其特征在于：所述形状参数γ与位置参数σ通过极大似然估计估计得到，其对数极大似然logL(γ，σ)计算公式如下：
其中，Nt为随机变量X中大于临界值t的个数，Yi为超出临界值t的具体值，定义为Yi＝Xi-t，Xi为相同时间的流式数据点，通过将公式(3)取对数求导，并将求导后的式子设置0，求解即可得到形状参数γ与位置参数σ的估计值
6.根据权利要求1所述的分布式数据库运维动态阈值告警方法，其特征在于：所述第二步中，将各节点的数据库指标信息分为校准数据和检测数据，尾端数据作为检测数据，排在尾端数据之前的头部数据作为校准数据，校准数据的个数上限由用户进行预设；
数据采集包括校准阶段数据采集，各节点校准阶段和逐条数据采集阶段；
所述校准阶段数据采集是指逐条采集存储数据库指标信息，待采集数量达到预设的上限后对阈值模型进行校准；
所述各节点校准阶段是针对各个节点进行阈值模型的校准，当节点的校准数据采集完成后，则针对该节点数据进行阈值模型的校准，使用收集到的校准数据点以及用户预设的值进行初步拟合尾端分布，计算出初始阈值；
当各节点的阈值模型校准完成过后，逐条采集数据库指标中的检测数据并解析处理，提交到对应节点校准后的阈值模型。
7.根据权利要求5所述的分布式数据库运维动态阈值告警方法，其特征在于：所述第二步中；使用收集到的校准数据点以及用户预设的t，q值进行初步拟合尾端分布，通过极大似然估计MLE得到初始预估值
并通过公式(2)计算得到初始阈值z。
8.根据权利要求5所述的分布式数据库运维动态阈值告警方法，其特征在于：所述第三步中，对校准数据之后的流式数据进行异常判断，同时判断是否更新阈值；
若新一时刻的流式数据点超出上一时刻计算出来的阈值边界，则判定为异常，且不用于阈值的更新；
若新一时刻的流式数据点超出用户预设的临界值t，但并未超出上一时刻的阈值边界，则利用该流式数据点更新公式(3)中的Nt和Yi，得到新的估计值
从而根据公式(1)得到新的阈值。
9.一种基于权利要求1～8所述的分布式数据库运维动态阈值告警方法的告警装置，其特征在于：包括：
数据采集模块，输入来源为Kafka topic中的消息，输入格式为JSON，利用开源组建Faust，启动属于阈值模型的Kafka Consumer对接实际生产情况下数据库的指标输出，在Python环境下实现对逐条输入消息的解析，获知该消息中阈值模型所需的指标信息以及对应节点信息；
基于极值理论的阈值模型计算模块，使用峰值超过临界值定理和极大似然估计拟合尾端分布并实时更新，计算出对应时间点的阈值，对校准数据之后的流式数据进行异常判断，同时判断是否更新阈值，从而完成动态告警任务；
异常报警模块，实时进行异常指标点的结果呈现，提醒用户发现问题并为用户提供调优方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110317794.4A CN112882954B (zh) | 2021-03-25 | 2021-03-25 | 一种分布式数据库运维动态阈值告警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110317794.4A CN112882954B (zh) | 2021-03-25 | 2021-03-25 | 一种分布式数据库运维动态阈值告警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112882954A true CN112882954A (zh) | 2021-06-01 |
| CN112882954B CN112882954B (zh) | 2024-01-30 |
Family
ID=76042246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110317794.4A Active CN112882954B (zh) | 2021-03-25 | 2021-03-25 | 一种分布式数据库运维动态阈值告警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112882954B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538262A (zh) * | 2021-06-21 | 2021-10-22 | 天津大学 | 应用于多比特量子图像传感器的高动态范围图像还原方法 |
| CN114915542A (zh) * | 2022-04-28 | 2022-08-16 | 远景智能国际私人投资有限公司 | 数据异常的告警方法、装置、设备及存储介质 |
| CN115001997A (zh) * | 2022-04-11 | 2022-09-02 | 北京邮电大学 | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 |
| CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测系统及方法 |
| CN115858505A (zh) * | 2023-03-03 | 2023-03-28 | 天津市伟利达科技发展有限公司 | 一种用于识别变频器状态异常的数据处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106502871A (zh) * | 2016-09-28 | 2017-03-15 | 广州汇通国信信息科技有限公司 | 监管系统的告警阈值动态配置系统及方法 |
| WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
| KR20180076172A (ko) * | 2016-12-27 | 2018-07-05 | 주식회사 씨에스리 | 데이터베이스 시스템의 이상을 탐지하는 장치 및 방법 |
| CN112163624A (zh) * | 2020-09-30 | 2021-01-01 | 上海交通大学 | 基于深度学习和极值理论的数据异常判断方法及系统 |
-
2021
- 2021-03-25 CN CN202110317794.4A patent/CN112882954B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106502871A (zh) * | 2016-09-28 | 2017-03-15 | 广州汇通国信信息科技有限公司 | 监管系统的告警阈值动态配置系统及方法 |
| WO2018076571A1 (zh) * | 2016-10-28 | 2018-05-03 | 南京华苏科技有限公司 | Lte网络中的异常值检测方法及系统 |
| KR20180076172A (ko) * | 2016-12-27 | 2018-07-05 | 주식회사 씨에스리 | 데이터베이스 시스템의 이상을 탐지하는 장치 및 방법 |
| CN112163624A (zh) * | 2020-09-30 | 2021-01-01 | 上海交通大学 | 基于深度学习和极值理论的数据异常判断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 任杰;苏怀智;陈兰;许焱鑫;: "基于POT模型的大坝位移预警指标实时估计", 水力发电, no. 04 * |
| 曹靖城;张继东;吴春平;: "基于预警自适应技术的监控系统设计", 计算机与网络, no. 13 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538262A (zh) * | 2021-06-21 | 2021-10-22 | 天津大学 | 应用于多比特量子图像传感器的高动态范围图像还原方法 |
| CN115001997A (zh) * | 2022-04-11 | 2022-09-02 | 北京邮电大学 | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 |
| CN115001997B (zh) * | 2022-04-11 | 2024-02-09 | 北京邮电大学 | 基于极值理论的智慧城市网络设备性能异常阈值评估方法 |
| CN114915542A (zh) * | 2022-04-28 | 2022-08-16 | 远景智能国际私人投资有限公司 | 数据异常的告警方法、装置、设备及存储介质 |
| CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测系统及方法 |
| CN115858505A (zh) * | 2023-03-03 | 2023-03-28 | 天津市伟利达科技发展有限公司 | 一种用于识别变频器状态异常的数据处理方法 |
| CN115858505B (zh) * | 2023-03-03 | 2023-05-05 | 天津市伟利达科技发展有限公司 | 一种用于识别变频器状态异常的数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112882954B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112882954A (zh) | 一种分布式数据库运维动态阈值告警方法及装置 | |
| CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
| CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
| CN110968061A (zh) | 设备故障的预警方法、装置、存储介质和计算机设备 | |
| CN112559963B (zh) | 一种配电网动态参数辨识方法及装置 | |
| WO2022134911A1 (zh) | 诊断方法、装置、终端及存储介质 | |
| CN106599367A (zh) | 一种航天器状态异常检测方法 | |
| WO2024065988A1 (zh) | 设备监测方法和系统、电子设备、存储介质 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
| CN108388237B (zh) | 一种离散制造设备的故障诊断方法、装置、设备及介质 | |
| CN110941558A (zh) | 一种智慧办公远程运维的方法及系统 | |
| CN109102080B (zh) | 一种数值型金融数据质量监控系统及方法 | |
| CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
| CN112528159B (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
| CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
| CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| WO2023071220A1 (zh) | 基于定性趋势分析和五状态贝叶斯网络的故障诊断方法、系统、设备及存储介质 | |
| CN113449914B (zh) | 一种电力系统监测方法及系统 | |
| CN106330544B (zh) | 一种基于自反馈模型的实时告警响应方法 | |
| CN112651444B (zh) | 一种基于自学习的非平稳过程异常检测方法 | |
| EP3413153A1 (en) | Method and distributed control system for carrying out an automated industrial process |
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 |