CN113064812A - 一种项目开发过程质量缺陷预测方法、装置及介质 - Google Patents
一种项目开发过程质量缺陷预测方法、装置及介质 Download PDFInfo
- Publication number
- CN113064812A CN113064812A CN202110192694.3A CN202110192694A CN113064812A CN 113064812 A CN113064812 A CN 113064812A CN 202110192694 A CN202110192694 A CN 202110192694A CN 113064812 A CN113064812 A CN 113064812A
- Authority
- CN
- China
- Prior art keywords
- quality
- project
- data
- defect
- quality 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011161 development Methods 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012552 review Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012795 verification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Stored Programmes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种项目开发过程质量缺陷预测方法,应用于质量管理平台,包括以下步骤:获取质量管理平台完成的若干项目的第一质量数据;根据第一质量数据建立预测模型;将运行于质量管理平台的项目的第二质量数据导入所述预测模型;校验第二质量数据对应的项目的缺陷概率是否大于健康概率,若大于,执行告警操作,并截停运行于质量管理平台的项目,通过上述方式,本发明能够实现基于历史的项目的质量数据进行预测模型的建立,并获取当前的质量管理平台上运行的项目的质量数据并调整,该调整过程伴随着整个项目运行过程,通过预测模型预测项目的健康或者缺陷概率,当出现缺陷概率大于健康概率,即时停止项目的运行,节省了项目开发人员的开发时间。
Description
技术领域
本发明涉及项目质量管理技术领域,特别是涉及一种项目开发过程质量缺陷预测方法、装置及介质。
背景技术
目前在数据处理过程中,由于各个环节包括数据创建、数据获取、数据传输、数据使用及数据维护等方面出现不可控的异常,导致数据质量下降,甚至影响到上层业务的处理,而当前的数据质量管理,是对数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题,进行识别、度量、监控、预警等一系列管理活动,而如何提前进行数据质量的预警,并中断当前运行的项目开发,目前技术并未给出明确的解决方法,所以提出一种基于统计学进行提前预估项目开发过程中,数据质量的评判,并进行告警指示的方法。
发明内容
本发明主要解决的是当前项目开发过程中,数据质量无法提前预估的问题。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种项目开发过程质量缺陷预测方法,应用于质量管理平台,包括以下步骤:
获取所述质量管理平台完成的若干项目的第一质量数据;
根据所述第一质量数据建立预测模型;
将运行于所述质量管理平台的项目的第二质量数据导入所述预测模型;
所述预测模型根据所述第二质量数据进行模型调整,并校验所述第二质量数据对应的项目的缺陷概率是否大于健康概率,若大于,执行告警操作,并截停运行于所述质量管理平台的项目。
进一步,所述根据所述第一质量数据建立预测模型的步骤进一步包括:
提取所述第一质量数据的特征数据;
对所述特征数据进行二值化算法;
根据所述二值化算法计算结果得到先验概率,对所述先验概率进行修正建立预测模型。
进一步,所述提取所述第一质量数据的特征数据的步骤进一步包括:所述特征数据包括开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度。
进一步,所述对所述特征数据进行二值化算法的步骤进一步包括:将所述开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度配置为向量集,对所述向量集执行二值化算法,生成二值化阈值,根据所述二值化阈值将所述向量集转化为二值化向量集,所述二值化向量集中的二值化向量取值为0或1。
进一步,所述将所述二值化算法计算结果带入预测模型,得到先验概率的步骤进一步包括:将二值化向量集带入预测模型,得出所述所述质量管理平台完成的若干项目的第一质量数据的先验概率。
进一步,所述将运行于所述质量管理平台的项目的第二质量数据导入所述预测模型的步骤进一步包括:通过所述先验概率得出所述第二质量数据的健康概率和缺陷概率。
进一步,所述预测模块根据所述第二质量数据进行模型调整,并校验所述第二质量数据对应的项目的缺陷概率是否大于健康概率,若大于,执行告警操作,并截停运行于所述质量管理平台的项目的步骤进一步包括:若缺陷概率小于健康概率,则判定当前运行于所述质量管理平台的项目处于健康状态。
进一步,所述预测模型根据所述第二质量数据进行模型调整的步骤进一步包括:根据所述第二质量数据得出调整因子,根据所述调整因子与所述先验概率进行模型调整。。
本发明还提供一种项目开发过程质量缺陷预测系统,包括:客户端、中间件服务器;
所述客户端用于存储完成的若干项目以及运行若干项目;
所述中间件服务器用于根据所述完成的项目对应的第一质量数据生成预测模型,并获取运行的若干项目对应的第二质量数据执行所述预测模型的调整,若所述第二质量数据不满足所述预测模型,则执行告警操作,并截停若干所述运行的项目。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现所述的项目开发过程质量缺陷预测方法步骤。
本发明的有益效果是:
1、本发明所述的项目开发过程质量缺陷预测方法,可以实现基于质量管理平台的历史的项目的质量数据进行预测模型的建立,并获取当前的质量管理平台上运行的项目的质量数据,并通过运行的项目的质量数据进行预测模型的调整,该调整过程伴随着整个项目运行过程,而且可以通过预测模型预测运行的项目的健康或者缺陷概率,当出现缺陷概率大于健康概率的情况,即时停止项目的运行,节省了项目开发人员的开发时间。
2、本发明所述的项目开发过程质量缺陷预测系统,可以实现存储历史项目的质量数据并运行项目,并根据历史项目生成预测模型,判定运行项目是否满足预测模型,当不满足预测模型时,执行告警操作,并截停运行项目。
3、本发明所述的项目开发过程质量缺陷预测介质,可以实现对项目的质量数据的二值化算法,并可以将二值化算法生成的二值化向量带入预测模型。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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是本发明实施例1所述的项目开发过程质量缺陷预测方法的示意图;
图2是本发明实施例1所述的项目开发过程质量缺陷预测方法的更具体的示意图;
图3是本发明实施例2所述的项目开发过程质量缺陷预测系统的结构拓扑图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例1
本发明实施例提供一种项目开发过程质量缺陷预测方法,应用于质量管理平台,请参阅图1和图2,包括以下步骤:
S100、获取质量管理平台开发过程中的项目;
因为质量管理平台上运行若干个项目,所以按照需要获取一个项目,也可以获取多个项目的数据作为样本空间,因运行的项目会被数据库进行保存,用于场景复现,所以也可以获取以往的项目进行质量检测,获取项目中的质量数据作为全样本数据,为了保证数据质量预测的准确性,尽量多的增加样本空间及样本数量,将获取的所有样本数据选择为特征数据,这些特征数据为项目正在运行时生成的数据,所以这些数据为动态的,这样也保证了整个质量缺陷预测方法的提前性,以及准确性。
S200、实时处理特征数据,模型训练;
因为由项目获取的质量数据为动态获取,质量管理平台设置有质量过程数据基线,质量过程数据基线将质量数据进行分类,满足质量过程数据基线的质量数据为质量健康数据,此数据只是满足了基本的要求,但是没有进行细分,不满足质量过程数据基线的质量数据为缺陷数据,此缺陷数据为存在质量风险和问题的数据;
将健康数据以及缺陷数据进行特征处理,将每一个健康数据以及缺陷数据都表示为字符串集,字符串集包括开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度,将步骤S100获取的所有质量数据进行特征处理,配置为特征数据的向量集;
S300、特征数据二值化;
对健康数据以及缺陷数据的字符串集进行二值化处理,得到各个特征数据的二次化阈值T,大于阈值的字符串集的健康数据设为1,小于阈值的字符串集的健康数据设为0,所以每一个字符串集转化为Pi<t1,t2,t3,t4,…,tn>,t1,t2,t3,t4,…,tn的取值为{0,1}。
S400、使用统计模型得到验概率;
因贝叶斯统计在数据处理方面,针对事件发生的概率以及事件的可信度分析上具有良好的分类效果,是概率统计中的应用所观察到的现象对有关概率分布的主观判断,即通过先验概率进行修正的标准方法;
本实施例使用统计学研究概率推论,用进行二值化处理后的表示特征项,贝叶斯数学模型为其中Bxt为字符串集中的开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度的特征数据的取值范围0或者1,因贝叶斯模型需要提供一个先验概率因子,对这个先验概率进行不断调整,逐渐逼近我们所需要的预测模型即为后验概率,所以概括为后验概率=先验概率*调整因子,所以公式P(wt|cj),表示为当前预测的项目的一个健康数据或者缺陷数据中的开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度的特征数据的概率,通过质量管理平台不断的增加样本空间得到先验概率。
S400、项目预测;
当数据质量管理平台获取到项目时,根据二次化阈值T获取该项目的所有质量数据进行二值化处理,提取关键数据,例如当前的时间下的开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度,因项目的开发需要很长时间,所以可以定期的轮询这些数据,根据先验概率计算项目下一次抽检时的健康概率和项目的缺陷概率,P健康及P缺陷的关系;
若P健康>P缺陷,则表示项目的下一阶段可以健康的运行,无需对该项目进行警告截停;
若P健康<P缺陷,则表示项目的下一阶段存在缺陷的概率较大,需要对该项目进行检查,并同时执行告警操作,节省项目开发人员的无用项目开发。
实施例2
本发明实施例提供一种项目开发过程质量缺陷预测系统,应用于质量管理平台,请参阅图3,包括:客户端、中间件服务器;
客户端与中间件服务器电连接,质量管理人员在客户端上运行若干项目,其中历史项目,客户端存储有质量管理平台上运行过的项目,并可以运行项目,即为完成的项目作为预测模型的的建立基础,发送已完成的项目的质量数据至中间件服务器。
中间件服务器包括训练模块以及计算模块;
训练模块获取质量管理平台历史运行过的质量数据,记作第一质量数据,将第一质量数据进行二次化算法,得到第一质量数据的特征矩阵,根据特征矩阵生成二次化阈值T,根据二次化阈值T生成二次化向量集,并将二次化向量集导入预测模型中,本实施例为了得到较佳的效果,预测模型为贝叶斯模型,通过贝叶斯模型得出先验概率。
中间件服务器获取质量管理平台上正在运行的项目的质量数据,设为第二质量数据,根据先验概率判断当前运行的第二质量数据对应的项目的健康概率及缺陷概率;
若健康概率大于缺陷概率,则判定当前的项目为健康状态,可以继续运行当前的项目,但是这只是阶段性的健康,当项目进行到下一周期,还需要再一次通过预测模型进行预测;
若若健康概率小于缺陷概率,则判定当前的项目为缺陷状态,立即进行告警指令,并终止当前的第二质量数据对应的项目。
基于与前述实施例中方法同样的发明构思,本说明书实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述公开的一种多操作系统快速切换方法的步骤。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种项目开发过程质量缺陷预测方法,应用于质量管理平台,其特征在于,包括以下步骤:
获取所述质量管理平台完成的若干项目的第一质量数据;
根据所述第一质量数据建立预测模型;
将运行于所述质量管理平台的项目的第二质量数据导入所述预测模型;
所述预测模型根据所述第二质量数据进行模型调整,并校验所述第二质量数据对应的项目的缺陷概率是否大于健康概率,若大于,执行告警操作,并截停运行于所述质量管理平台的项目。
2.根据权利要求1所述的项目开发过程质量缺陷预测方法,其特征在于:所述根据所述第一质量数据建立预测模型的步骤进一步包括:
提取所述第一质量数据的特征数据;
对所述特征数据进行二值化算法;
根据所述二值化算法计算结果得到先验概率,对所述先验概率进行修正建立预测模型。
3.根据权利要求2所述的项目开发过程质量缺陷预测方法,其特征在于:所述提取所述第一质量数据的特征数据的步骤进一步包括:所述特征数据包括开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度。
4.根据权利要求3所述的项目开发过程质量缺陷预测方法,其特征在于:所述对所述特征数据进行二值化算法的步骤进一步包括:将所述开发效率、缺陷密度、代码走查缺陷密度、严重BUG率和同行评审缺陷密度配置为向量集,对所述向量集执行二值化算法,生成二值化阈值,根据所述二值化阈值将所述向量集转化为二值化向量集,所述二值化向量集中的二值化向量取值为0或1。
5.根据权利要求4所述的项目开发过程质量缺陷预测方法,其特征在于:所述将所述二值化算法计算结果带入所述预测模型,得到先验概率的步骤进一步包括:将所述二值化向量集带入所述预测模型,得出所述质量管理平台完成的若干项目的第一质量数据的先验概率。
6.根据权利要求5所述的项目开发过程质量缺陷预测方法,其特征在于:所述将运行于所述质量管理平台的项目的第二质量数据导入所述预测模型的步骤进一步包括:通过所述先验概率得出所述第二质量数据的健康概率和缺陷概率。
7.根据权利要求1所述的项目开发过程质量缺陷预测方法,其特征在于:所述预测模型根据所述第二质量数据进行模型调整,并校验所述第二质量数据对应的项目的缺陷概率是否大于健康概率,若大于,执行告警操作,并截停运行于所述质量管理平台的项目的步骤进一步包括:若缺陷概率小于健康概率,则判定当前运行于所述质量管理平台的项目处于健康状态。
8.根据权利要求7所述的项目开发过程质量缺陷预测方法,其特征在于:所述预测模型根据所述第二质量数据进行模型调整的步骤进一步包括:根据所述第二质量数据得出调整因子,根据所述调整因子与所述先验概率进行模型调整。
9.一种项目开发过程质量缺陷预测系统,其特征在于,包括:客户端、中间件服务器;
所述客户端用于存储完成的若干项目以及运行若干项目;
所述中间件服务器用于根据完成的项目对应的第一质量数据生成预测模型,并获取运行的项目对应的第二质量数据,执行所述预测模型的调整,若所述第二质量数据不满足所述预测模型,则执行告警操作,并截停若干所述运行的项目。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1-8任一项所述的项目开发过程质量缺陷预测方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192694.3A CN113064812A (zh) | 2021-02-20 | 2021-02-20 | 一种项目开发过程质量缺陷预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110192694.3A CN113064812A (zh) | 2021-02-20 | 2021-02-20 | 一种项目开发过程质量缺陷预测方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113064812A true CN113064812A (zh) | 2021-07-02 |
Family
ID=76558808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110192694.3A Pending CN113064812A (zh) | 2021-02-20 | 2021-02-20 | 一种项目开发过程质量缺陷预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113064812A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510431A (zh) * | 2022-04-20 | 2022-05-17 | 武汉理工大学 | 一种工作量感知智能合约缺陷预测方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147727A (zh) * | 2011-04-02 | 2011-08-10 | 中国科学院软件研究所 | 一种新增软件项目的软件工作量预测方法 |
CN107025503A (zh) * | 2017-04-18 | 2017-08-08 | 武汉大学 | 基于迁移学习和缺陷数量信息的跨公司软件缺陷预测方法 |
US20200097388A1 (en) * | 2018-09-26 | 2020-03-26 | Accenture Global Solutions Limited | Learning based metrics prediction for software development |
-
2021
- 2021-02-20 CN CN202110192694.3A patent/CN113064812A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147727A (zh) * | 2011-04-02 | 2011-08-10 | 中国科学院软件研究所 | 一种新增软件项目的软件工作量预测方法 |
CN107025503A (zh) * | 2017-04-18 | 2017-08-08 | 武汉大学 | 基于迁移学习和缺陷数量信息的跨公司软件缺陷预测方法 |
US20200097388A1 (en) * | 2018-09-26 | 2020-03-26 | Accenture Global Solutions Limited | Learning based metrics prediction for software development |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510431A (zh) * | 2022-04-20 | 2022-05-17 | 武汉理工大学 | 一种工作量感知智能合约缺陷预测方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022068645A1 (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN115122155B (zh) | 基于工业互联网大数据的机床远程诊断方法及系统 | |
CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
CN113064812A (zh) | 一种项目开发过程质量缺陷预测方法、装置及介质 | |
CN115883392B (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN112712348A (zh) | 换流站的日志关联分析方法及诊断装置 | |
CN112579402A (zh) | 一种应用系统故障定位的方法和装置 | |
CN115809818A (zh) | 抽水蓄能电站辅助设备多维诊断评估方法及装置 | |
CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
CN110349002B (zh) | 一种消费金融全流程监控预警的方法、装置和电子设备 | |
CN112307271A (zh) | 一种配电自动化系统遥控业务的安全监测方法及装置 | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN112732519A (zh) | 一种事件监控方法及装置 | |
CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 | |
Hu et al. | Adaptive threshold modeling algorithm for monitoring indicators of power network server based on Chebyshev inequality | |
CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
CN116910624A (zh) | 异常指标检测方法、装置、存储介质及电子设备 | |
US20240061739A1 (en) | Incremental causal discovery and root cause localization for online system fault diagnosis | |
CN118550791A (zh) | 云服务器的运维管理方法、装置、设备及存储介质 | |
CN118607929A (zh) | 应用于供应链管理平台的数据处理方法及系统 | |
CN112907124A (zh) | 一种数据链路异常评测方法、装置、电子设备及存储介质 | |
Wu et al. | Abnormal monitoring Method of Radar Operation and Maintenance Information Based On Risk Extraction | |
CN117312070A (zh) | 一种智能化运维的报警聚敛方法及装置 | |
CN117407878A (zh) | 数据处理方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |