CN113220545A - 分派工单的方法、装置和电子设备 - Google Patents
分派工单的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113220545A CN113220545A CN202110510546.1A CN202110510546A CN113220545A CN 113220545 A CN113220545 A CN 113220545A CN 202110510546 A CN202110510546 A CN 202110510546A CN 113220545 A CN113220545 A CN 113220545A
- Authority
- CN
- China
- Prior art keywords
- alarm data
- work order
- dimension
- clustering
- alarm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012545 processing Methods 0.000 claims description 55
- 238000003860 storage Methods 0.000 claims description 23
- 238000011144 upstream manufacturing Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006978 adaptation Effects 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 33
- 238000004590 computer program Methods 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 15
- 230000002776 aggregation Effects 0.000 description 13
- 238000004220 aggregation Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 235000008113 selfheal Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002699 waste material Substances 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
- G06F11/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种分派工单的方法、装置和电子设备,可用于人工智能领域、金融领域或其他领域。该方法包括:响应于获取的报警数据,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值;对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果;以及基于聚类结果生成工单,以便将工单发送给客户端,其中,聚类结果中类与工单之间存在对应关系。
Description
技术领域
本公开涉及人工智能和金融技术领域,更具体地,涉及一种分派工单的方法、装置和电子设备。
背景技术
互联网技术具有快速更迭的特点,由于更迭导致的突发大量报警可能会导致工单风暴,工单风暴会导致值班人员或者管理员大量精力都用于应答工单,而不是事件处理。相关技术中可以通过聚类的方式减少需要应答的工单。
在实现本公开构思的过程中,申请人发现相关技术中至少存在如下问题。相关技术中工单的聚类结果的准确度不高。
发明内容
有鉴于此,本公开提供了一种用于提高工单的聚类结果的准确度,以提升工单分派效果的分派工单的方法、装置和电子设备。
本公开的一个方面提供了一种分派工单的方法,包括:响应于获取的报警数据,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值;对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果;以及基于聚类结果生成工单,以便将工单发送给客户端,其中,聚类结果中类与工单之间存在对应关系。
根据本公开的实施例,预设维度包括:时间维度、地址维度或应用维度中至少一种。
根据本公开的实施例,预设维度包括时间维度,报警数据之间的相关性和产生报警数据的时间差之间负相关,并且呈指数关系。
根据本公开的实施例,预设维度包括地址维度;从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值包括:如果产生两个报警数据的时间差小于预设时间差阈值,则对两个报警数据的地址进行处理,得到两个报警数据的地址各自的二进制编码;以及基于任意两个报警数据的地址各自的二进制编码的差值,确定报警数据两两之间针对时间维度的相关性取值。
根据本公开的实施例,预设维度包括应用维度;从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值包括:从报警数据中获取应用名称,并且将具有相同应用名称的报警数据之间的相关性设置为指定相关性取值;在上下游关联应用列表中匹配应用名称,得到报警数据两两之间针对应用维度的相关性取值。
根据本公开的实施例,与上下游关联应用列表中的上游应用匹配成功的第一相关性取值,大于与上下游关联应用列表中的下游应用匹配成功的第二相关性取值。
根据本公开的实施例,预设维度还包括关键信息维度;上述方法还包括:将小于预设时间间隔的报警数据在知识库中进行匹配,得到报警关键信息;以及将报警关键信息发送给客户端。
根据本公开的实施例,对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果包括:对输入的针对各预设维度的相关性取值进行计算,得到针对报警数据的相关度取值,其中,针对各预设维度的相关性取值与报警数据的相关度取值之间表现为自然指数的倒数关系;以及基于相关度取值对报警数据进行分类,得到多个类。
根据本公开的实施例,上述方法还包括:将报警数据在知识库中进行匹配,得到报警数据的类型,其中,知识库中包括关键信息与报警数据的类型之间的映射关系;如果报警数据的类型是自动处理风险类型,则将针对报警数据的处理结果发送给客户端。
根据本公开的实施例,上述方法还包括:接收来自客户端的针对指定报警数据的报警自动处理策略;以及相关联地在知识库中存储指定报警数据和报警自动处理策略。
根据本公开的实施例,上述方法还包括:对登录客户端的多个用户进行工单适配度计算,得到针对各用户的适配度;以及基于针对各用户的适配度分派工单。
根据本公开的实施例,对登录客户端的用户进行工单适配度计算包括:基于用户空闲率、专业匹配度、历史工单处理满意度中至少一种对用户进行工单适配度计算。
根据本公开的实施例,上述方法还包括:接收来自客户端的维度拓展请求;以及响应于维度拓展请求,更新预设维度。
根据本公开的实施例,上述方法还包括:优化第一聚类和/或第二聚类使用的聚类算法的参数。
本公开的一个方面提供了一种分派工单的装置,包括:第一聚类模块、第二聚类模块和工单分派模块。其中,第一聚类模块用于响应于获取的报警数据,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值;第二聚类模块用于对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果;以及工单分派模块用于基于聚类结果生成工单,以便将工单发送给客户端,其中,聚类结果中类与工单之间存在对应关系。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器以及存储装置,其中,存储装置用于存储可执行指令,可执行指令在被处理器执行时,实现如上的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,指令在被执行时用于实现如上的方法。
本公开的另一方面提供了一种计算机程序,计算机程序包括计算机可执行指令,指令在被执行时用于实现如上的方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用分派工单的方法、装置和电子设备的示例性系统架构;
图2示意性示出了根据本公开实施例的分派工单的方法的流程图;
图3示意性示出了根据本公开实施例的维度的示意图;
图4示意性示出了根据本公开实施例的进行第二聚类的流程图;
图5示意性示出了根据本公开实施例的计算针对地址维度的相关性取值的流程图;
图6示意性示出了根据本公开实施例的计算针对应用维度的相关性取值的流程图;
图7示意性示出了根据本公开另一实施例的分派工单的方法的流程图;
图8示意性示出了根据本公开实施例的分派工单的装置的方框图;
图9示意性示出了根据本公开实施例的分派工单的系统的方框图;以及
图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。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一个或者更多个特征。
传统的工单系统需要人工进行分类指派,人工统计工单存在数据规模大、数据不规则、分类不清晰等问题,而且需要耗费大量的人力。目前,人工统计工单系统,系统的分类大多落后于现实情况,因为企业无法预测将会发生什么问题。这种方式,一方面是对人力资源的二次浪费,在面对大规模的报警数据,无法全方位的进行筛选。另一方面,筛选数据的质量也和筛选工作人员的经验息息相关,工作人员能力的高低,直接决定了筛选数据的可用性。互联网技术(简称IT)快速更迭和快速应答的特点,IT工单系统存在的上述问题更为突出。变更导致的突发大量报警,可能会导致工单风暴。工单风暴会导致运维人员或者管理员大量精力都是用于应答工单,而不是事件处理,还会造成漏看工单或者未及时看,或者指派工单的问题隐患。因此将相关性高的大量报警智能聚合合并为少量工单和工单的智能指派工作,可以减少人力投入,并大大提高工单处理效率。员工的专业技能和动态空闲状态和工单的实时分配对工单处理效率也起到决定性的作用。
本公开的实施例提供了一种分派工单的方法、装置和电子设备。该分派工单的方法包括聚类过程和分派工单过程。在聚类过程中,响应于获取的报警数据,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值。然后,对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果。在完成聚类过程之后进入分派工单过程,基于聚类结果生成工单,以便将工单发送给客户端,其中,聚类结果中类与工单之间存在对应关系。
本公开实施例提供的分派工单的方法、装置和电子设备,改善了传统客服工单系统存在工单繁多重复,变更时段爆发,工单指派效率低下、人员分配不优化,工单处理人员的绩效考核难量化等多方面问题。例如,变更或者投产时段会出现大量的报警,比如调整监控、网络瞬间抖动等,会导致一系列的关联报警。本公开实施例可以对关联报警进行聚合,有效减少了派单的数量。同时,对于出现新问题的工单,本公开实施例可以进行自学习,如对新问题进行聚类、分类训练,使系统可持续的对报警数据进行分类,提高了工单分类的覆盖范围。
本公开实施例提供的分派工单的方法、装置和电子设备可用于人工智能领域在工单分派相关方面,也可用于除人工智能领域之外的多种领域,如金融领域,本公开实施例提供的分派工单的方法、装置和电子设备的应用领域不做限定。
图1示意性示出了根据本公开实施例的可以应用分派工单的方法、装置和电子设备的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105、106、107。网络104可以包括多个网关、路由器、集线器、网线等,用以在终端设备101、102、103和服务器105、106、107之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与其他终端设备和服务器105、106、107进行交互,以接收或发送信息等,如发送服务请求、接收处理结果等。终端设备101、102、103可以安装有各种通讯客户端应用,例如运维类应用、软件开发类应用、银行类应用、政务类应用、监控类应用、网页浏览器应用、搜索类应用、办公类应用、即时通信工具、邮箱客户端、社交平台软件等应用(仅为示例)。例如,用户可以使用终端设备101查看服务器端反馈的报警数据和相关处理建议、自动处理结果等。例如,用户可以使用终端设备更新知识库等。
终端设备101、102、103包括但不限于智能手机、虚拟现实设备、增强现实设备、平板电脑、膝上型便携计算机、台式电脑等等。
服务器105、106、107可以接收请求,并对请求进行处理,具体可以为存储服务器、后台管理服务器、服务器集群等。例如,服务器105可以存储有知识库,服务器106可以作为进行模型训练服务器,对聚类算法的参数进行优化等,服务器107可以为用于生成工单,并将工单等反馈给终端设备。
需要说明的是,本公开实施例所提供的分派工单的方法一般可以由服务器执行。相应地,本公开实施例所提供的分派工单的装置一般可以设置于服务器中。本公开实施例所提供的分派工单的方法也可以由能够与终端设备101、102、103和/或服务器105、106、107通信的服务器或服务器集群执行。
应该理解,终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的分派工单的方法的流程图。该分派工单的方法由服务器端执行。
如图2所示,该分派工单的方法可以包括操作S201~操作S203。
在操作S201,响应于获取的报警数据,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值。
其中,报警数据可以是报警日志等,由服务器端自动收集的。此外,也有是通过专用设备采集的数据,并发送给服务器端。报警数据中可以包括服务器相关信息,如服务器标识、服务器地址、互联网协议地址、提供的服务等。
在某些实施例中,预设维度可以包括:时间维度、地址维度或应用维度中至少一种。
图3示意性示出了根据本公开实施例的维度的示意图。
如图3所示,预设维度可以包括:时间维度、地址维度、应用维度、关键信息(如关键词、关键字等)维度等。
此外,用户还可以根据需求对预设维度进行更新,如新增维度、删除维度或更改维度的参数等。第一聚类可以采用多种聚类算法、分类算法等。例如,k-means聚类、朴素贝叶斯分类器和神经网络的激活函数相结合的算法从时间、报警服务器的地址、报警类型、应用等多维度自动计算相关性。
在操作S202,对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果。
相对于相关技术中采用一次聚类对报警数据进行分类的方案,本实施例通过两次聚类的方法可以实现无论哪个维度出现了强相关,最终聚类结果都会将某个维度强相关的报警数据分在同一类中。有效改善了只能基于各维度的权重等对聚类结果进行求和,无法较好地体现出某个维度强相关,导致聚类结果不准确的问题。
例如,可以对聚类算法进行修改使得只要某个维度下两个报警数据强相关,则无论其它维度是否相关,都会将这两个报警数据分在同一类中。
图4示意性示出了根据本公开实施例的进行第二聚类的流程图。
如图4所示,对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果可以包括操作S401~操作S402。
在操作S401,对输入的针对各预设维度的相关性取值进行计算,得到针对报警数据的相关度取值,其中,针对各预设维度的相关性取值与报警数据的相关度取值之间表现为自然指数的倒数关系。
在操作S402,基于相关度取值对报警数据进行分类,得到多个类。
例如,对聚类算法进行优化,利用式(1)计算相关度。
其中,Δxi表示维度i的相关度。P(Δx)是针对报警数据的相关度。N是大于0的正整数。λ是系数。
在操作S203,基于聚类结果生成工单,以便将工单发送给客户端,其中,聚类结果中类与工单之间存在对应关系。
例如,报警数据3、报警数据5、报警数据9被聚到同一类,则可以针对报警数据3、报警数据5、报警数据9生成一个工单或两个工单,以便进行派单。通过聚类有效减少了生成的工单的数量,并且上述两次聚类的方式能有效提升聚类结果的准确度。
本公开实施例引入聚类(如K-means函数方差)的形式计算到中心值来描述各个维度的权重相关项。同时引入了自然指数(e指数)的倒数,简单描述在一定时间范围内,只要满足一个维度的相关性值接近1,就可以使其满足全维度的相关性值接近1的强制聚合中心点。通过上述方式有效提升了针对报警数据进行聚类场景下聚类结果的准确性。
在某些实施例中,以预设维度包括时间维度为例进行示例性说明。报警数据之间的相关性和产生报警数据的时间差之间负相关,并且呈指数关系。
以重点时间维度的,随机选取短时间内初始值可以选择60秒内的一条报警。
通过相关性时间参数函数,如式(2)所示,进行相关性计算。
其中,μ为自然数常数。将μ赋值为1可以得到简化版公式,如式(3)所示。
λ为常数步长,协助调整时间间隔的参数,可以根据实际的系统调整参数。初始值可以=1。公式可以进一步简化为式(4)所示。
该函数具有时间差在采集点时间差内的话,数值接近1,时间差和采集点时间差以外数据减少的速度较快,接近为0,越接近1表示相关性越强,越接近0表示相关性越差。10分钟以上的报警就基本上为0了,5分钟以上也相关性明显降低,比单纯的指数函数的导数公式,如式(5)所示,具有更好的拟合能力,更符合报警实际情况。
在某些实施例中,以预设维度包括地址维度为例进行示例性说明。
图5示意性示出了根据本公开实施例的计算针对地址维度的相关性取值的流程图。
如图5所示,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值可以包括操作S501~S502。
在操作S501,如果产生两个报警数据的时间差小于预设时间差阈值,则对两个报警数据的地址进行处理,得到两个报警数据的地址各自的二进制编码。
在操作S502,基于任意两个报警数据的地址各自的二进制编码的差值,确定报警数据两两之间针对时间维度的相关性取值。
例如,相同互联网协议(ip)地址或者相似ip地址在一定的时间维度中,在报警聚合中才有意义。但是对历史报警可以适当的扩大时间维度,也具有指导意义。首先介绍报警聚合的相关性计算。可以试用初始参数为1小时,即对一小时内的报警进行相关性计算。可以按照不同维度进行灵活的设置,根据实际进行调整。
可以先对时间差值进行判断。时间差值如果超过1小时,不进行聚合相关性的计算,直接将相关性取值设为0,即不相关。然后需要对IP进行归一性处理,直接进行二进制的编码的做差,可以直接利用BIT位移,大大减少计算量,加快计算效率。
例如,两个报警数据的IP地址分别为:80.7.124.36、80.7.124.37。
将其转换为二进制编码:
80.7.124.36二进制编码为1010000000001110111110000100100。
80.7.124.37二进制编码为1010000000001110111110000100101。
两者的差值Δy为1。
由于IP子网特点,步长为255。
Y>=255的情况,直接设为Q(y)=0。认为该维度不相关。
在某些实施例中,以预设维度包括应用维度为例进行说明。
图6示意性示出了根据本公开实施例的计算针对应用维度的相关性取值的流程图。
如图6所示,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值包括操作S601~操作S602。
在操作S601,从报警数据中获取应用名称,并且将具有相同应用名称的报警数据之间的相关性设置为指定相关性取值。
在操作S602,在上下游关联应用列表中匹配应用名称,得到报警数据两两之间针对应用维度的相关性取值。
其中,与上下游关联应用列表中的上游应用匹配成功的第一相关性取值,大于与上下游关联应用列表中的下游应用匹配成功的第二相关性取值。
例如,采用相关性应用参数函数进行相关性取值计算。同一个应用在一定的时间维度中,在报警聚合中才有意义。类似相关性IP参数函数。可以试用初始参数为1小时,即对一小时内的报警进行相关性计算。可以按照不同维度进行灵活的设置,根据实际进行调整。时间差值如果超过1小时,不进行聚合相关性的计算,直接设为0。收集应用上下游列表,该应用的上游应用相关性为α,0<α<1,下游应用相关性为β,0<β<1。α和β没有必然联系,因为一般情况下,上游应用对下游应用的影响大,一般来说α>β。可以根据不同应用的关联关系设定不同的权重值。
首先,可以对报警的应用名字进行关键字的正则匹配提取。数据清洗、筛选。相同的应用直接设置为1。
然后,根据统计的应用上下游列表中设置权重,如果不在关联的应用表中的情况,相关性等于0。如果在关联的应用表中的情况,查询列表中的权重值,上游的应用相关性为α,下游的应用相关性为β。
在某些实施例中,预设维度还包括关键信息维度,参考图3所示。
相应地,上述方法还可以包括如下操作。首先,将小于预设时间间隔的报警数据在知识库中进行匹配,得到报警关键信息。然后,将报警关键信息发送给客户端。
例如,可以采用相关性报警内容关键字的函数计算相关性取值。由于报警内容关键字实际的关联性没有上述的几个关联性强,所以对时间依赖度较高。分两种情况,一种是历史超短期报警(如指10分钟内的强关联报警)。一种是历史短期报警(如指的是3天内的关联报警,不包括历史超短期报警)。
历史超短期报警有匹配的报警关键字,比如可能涉及几个应用短时间段内都出现服务器中央处理器(CPU)使用率高的问题,如果排除是由于单个应用的性能瓶颈导致上下游应用的流量拥堵问题。可能是由于集中存储的输入/输出(I/O)读写效率问题。监控调整可能导致爆发的报警,结合相关性时间参数函数可以做成比较理想的判断。
历史短期报警只在知识库中的关键字模块中体现价值,为处理报警提供参考价值,在计算报警聚合中不体现。
在某些实施例中,还可以对维度进行拓展,以满足个性化需求。
具体地,上述方法还可以包括如下操作。首先,接收来自客户端的维度拓展请求。然后,响应于维度拓展请求,更新预设维度。
例如,为保障维度的可拓展性和灵动。提供相关性计算接口(interfacerelevance Calculator)的API接口。只需使用该接口即可编写添加新的维度。对于不合适的接口也可以随时修改和替换,可以动态灵活增加个性化的维度。
本公开实施例中,对于需要手工处理的工单,使用k-means聚类、朴素贝叶斯分类器和神经网络的激活函数相结合的算法从时间、报警服务器、报警类型等多维度自动计算相关性,智能聚合归类,并且具有可拓展性和灵活性。默认填写涉及的应用,报警原因等,可以手动修改。联动监控系统和值班用户系统,提供操作用户或者值班用户入口和不同的查询的平台的链接等。可以选择提供的智能值班和应急手册的查询或者操作命令自动执行,同时后台自动记录操作和结果。
在某些实施例中,还有对低风险的报警数据进行自动处理,以进一步提升报警数据处理效率。
例如,上述方法还可以包括如下操作。
首先,将报警数据在知识库中进行匹配,得到报警数据的类型,其中,知识库中包括关键信息与报警数据的类型之间的映射关系。
然后,如果报警数据的类型是自动处理风险类型,则将针对报警数据的处理结果发送给客户端。
例如,能够智能自愈的,比如数据库MYSQL主备切换,可以自动过滤关键字和值班/应急手册,知识库正则匹配,进行自动的低风险的查询,将查询结果通过工单反馈,直接答单,只需值班人员或者专业人员确认即可,有效降低人工成本。
在某些实施例中,还可以对知识库进行更新。
具体地,上述方法还可以包括如下操作,接收来自客户端的针对指定报警数据的报警自动处理策略。相关联地在知识库中存储指定报警数据和报警自动处理策略。
此外,上述方法还可以包括:优化第一聚类和/或第二聚类使用的聚类算法的参数。
例如,根据强化学习算法,提供历史30天内的智能的相同类型的IP或者应用的相关报警的处理关联查询入口。反向回馈策略优化训练集。同时将常见处理方法自动补充到知识库中。
本公开实施例可以智能发现相关性的报警,生产中的比如网络抖动会造成大量数据库连接不上,监控调整会导致agent掉线等的报警。可以减轻值班人员的负担。并且,可以及时发现一些隐藏的相关的报警关系,为发现问题的根源原因提供重要线索。尤其针对IT系统快速更迭和国产化软硬件上线的情况。常见报警和处理自动收入知识库,经审核后自动发布,可以大大提升新报警的分类和处理的快速学习。
在某些实施例中,为了提升被分派的工单的处理效率,还可以给工单匹配优选的处理人员。
图7示意性示出了根据本公开另一实施例的分派工单的方法的流程图。
如图7所示,上述方法在执行操作S203,基于聚类结果生成工单之后,还可以包括操作S701~操作S702。
在操作S701,对登录客户端的多个用户进行工单适配度计算,得到针对各用户的适配度。
在操作S702,基于针对各用户的适配度分派工单。
其中,对登录客户端的用户进行工单适配度计算可以包括:基于用户空闲率、专业匹配度、历史工单处理满意度中至少一种对用户进行工单适配度计算。
例如,信息包含:员工专业编码、员工专业水平评级、员工满意度(事件单反馈对该员工事件单处理的满意度)、已经通过动态实时的获取员工的空闲率。员工当前空闲率计算可以联动人力资源系统自动获取到是否有休息,本人也可以根据自身情况自行设置非工单处理时段或减少工单处理数量和退回事件单的功能。专业水平评级(professional rate)、员工满意度(satisfaction rate)、员工当前的空闲率(vacancy rate)等维度动态实时计算预测员工处理工单的效率函数Efficiency(x),通过距离进行描述,如式(6)所示。
专业水平评级(professional rate)、员工满意度(satisfaction rate)、员工当前的空闲率(vacancy rate)可以根据员工特点自定义函数,实现接口interface RateFunction来影响员工的效率函数,实现动态的分配工单。同时负责计算记录维护新的员工的满意度。员工当前的空闲率(vacancy rate)是通过1-(当天已经分配的工单数+过去未处理的工单数)/每天处理的最多工单数。避免了当天由于处理的工单和历史未处理工单的积压对员工的工作量误判。对员工处理的工单数进行天周月年底的不同纬度的统计,员工的处理工单KPI统计一目了然。历史未处理工单有时效性的邮件提醒,并且抄送管理员,保障工单可以及时处理。管理员可以对短期不能处理的工单在队列中进行调整。
本公开实施例中,建立员工智能描述模型,包括维度:员工空闲率(通过已经分配的工单数量,处理工单数量)、专业匹配度、已经处理的工单客户满意度等。根据员工实时情况和工单根据策略进行智能动态的分配。精准分配工单,建立快速应答机制。此外,管理员可以高权限领取指派。
本公开实施例中,可以实现智能自愈的,智能自动的低风险的查询,将查询结果通过工单反馈,直接答单,大大提高了工作效率。
本公开实施例中,需要手工处理的工单,使用k-means聚类、朴素贝叶斯分类器和神经网络的激活函数相结合的算法从时间、报警服务器、报警类型等多维度自动计算相关性,智能聚合归类,并且具有可拓展性和灵活性。多维度集成了激活函数变体更符合现实报警中的拟合,可以灵活调整参数,又防止了神经网络的过于拟合和大量计算的问题。
本公开实施例中,可以任意时间段开启系统,不存在训练集冷启动的问题。
本公开实施例中,同时后台自动记录操作和结果,大大提高了安全审计效率。而且对员工的绩效(kpi)考核都有量化的依据。
本公开实施例中,二线事件单自动分配,建立员工智能描述模型,包括维度:员工空闲率(通过已经分配的工单数量,处理工单数量)、专业匹配度,已经处理的工单客户满意度。根据员工实时情况和工单根据策略进行智能动态的分配。精准分配工单,建立快速应答机制。管理员可以高权限领取指派。
本公开实施例中,根据强化学习算法,提供历史30天内的智能的相同类型的IP或者应用的相关报警的处理关联查询入口。
本公开实施例中,反向回馈策略优化训练集。同时将常见处理方法自动补充到知识库中。
本公开的另一个方面提供了一种分派工单的装置,应用于服务器端。
图8示意性示出了根据本公开实施例的分派工单的装置的方框图。
如图8所示,该分派工单的装置800可以包括第一聚类模块810、第二聚类模块820和工单分派模块830。
第一聚类模块810用于响应于获取的报警数据,从多个预设维度分别对报警数据进行第一聚类,得到针对各预设维度的相关性取值。
第二聚类模块820用于对针对各预设维度的相关性取值进行第二聚类,得到报警数据的聚类结果。
工单分派模块830用于基于聚类结果生成工单,以便将工单发送给客户端,其中,聚类结果中类与工单之间存在对应关系。
本公开的另一个方面提供了一种分派工单的需要。
图9示意性示出了根据本公开实施例的分派工单的系统的方框图。
如图9所示,系统900自底向上包括运维信息采集与预处理单元、报警智能处理单元、工单智能创建单元、员工智能模型构建单元、工单智能指派单元。下层单元为上层单元提供服务,知识库单元全程支持整个系统。
运维信息采集与预处理单元:负责收集IT监控系统运行过程中的各类报警数据,包括网络、系统、设备、应用等各种类型消息;并且该模块会将这些信息进行噪声过滤模块、数据清洗模块、数据提取关键字模块、数据进行简单的专业归类并设置编码表单模块。
报警智能处理单元,包括信息智能聚合功能和关联性计算功能。其中,报警信息智能聚合功能使用K-means聚类、朴素贝叶斯分类器和神经网络的激活函数结合算法实现数据相关性计算,可以使一定时间内的相同或者类似原因的预警/故障信息进行合并,避免报警爆发导致工单风暴等问题。使用对已经进行预处理的报警、进行多维度的关联性计算算法识别出聚合条件,根据系统的实际情况设置合理的聚合阀值,一般建议为0.5。计算出关联性超过设定的阀值智能识别为聚合的报警,整合为一个事件单创建。一方面可以大幅减少了工单的数量,减轻值班人员的工作量,可以集中精力解决问题,避免由于事件单风暴导致真正事件被忽略,另一方面智能甄别出报警间潜在的关联关系,可以为问题根源原因提供重要线索,比如突发存储报警I/O读写不了报警,有同时段的关联CPU使用率高报警,很可能是导致存储报警I/O的重要原因。
关联性计算功能使用k-means聚类、朴素贝叶斯分类器和神经网络的激活函数相结合的算法。首先通过以相同服务器IP标识为维度、相同应用名称同类型服务器为维度、极短时间相同的报警类型子类进行初步聚合分类。
根据实际的报警情况,全维度的拟合函数应该具有下面的几个特点:例如,报警关联性包括生产中的比如网络抖动会造成大量数据库连接不上,监控调整会导致agent掉线等的报警。时间维度具有重要的地位。又例如,实际情况中在一定时间范围内,如果一个维度的属性的相关性很高,就应该默认全维度的相关性高。比如在5分钟内,如果80.7.124.36、80.7.124.37这两台设备都报了http连接数高的报警,那么就应该认为相关性高。
工单智能创建单元:对于一定时间内的(针对不同系统可以设置不同的阀值,比如建议5分钟内)没有自动恢复的报警智能自动创建工单。对于报警智能处理模块发现的可以聚合的报警,没有创建工单的报警数据,合并创建。已经创建工单的自动合并(工单单号使用旧的工单单号,不进行修改)。
其中,对于可以智能自愈的,比如数据库MYSQL主备切换,可以自动过滤关键字和值班/应急手册,知识库正则匹配,进行自动的低风险的查询,将查询结果反馈,直接答单,只需值班人员或者专业人员确认即可。自动化操作直接可以进行安全审计。
对于需要手工处理的工单,报警类型多维度自动计算相关性,智能归类聚合,并且具有可拓展性。默认填写涉及的应用,报警原因等,可以手动修改。联动监控系统和值班用户系统,提供操作用户或者值班用户入口和不同的查询的平台的链接等。可以选择提供的智能值班和应急手册的查询或者操作命令自动执行,同时后台自动记录操作和结果。调用的操作直接可以进行安全审计。
员工智能模型构建单元:员工信息可以包含:员工专业编码、员工专业水平评级、员工满意度(事件单反馈对该员工事件单处理的满意度)、已经通过动态实时的获取员工的空闲率。员工当前空闲率计算可以联动人力资源系统自动获取到是否有休息,本人也可以根据自身情况自行设置非工单处理时段或减少工单处理数量和退回事件单的功能。
工单智能指派单元:包括未指派工单队列和工单适配度确定功能。其中,需要手工处理的工单,按照时间顺序放入队列中、将员工的专业编码和工单进行智能映射匹配。具体实现:运维信息采集与预处理单元数据专业归类编码模块产生的编码和员工智能模型构建单元模块中的员工的专业编码计算出匹配值。匹配值大于阀值之后,该员工模型进入备选映射列表中,需要手动处理的工单,直接转发给列表中的员工效率函数Efficiency(x)最大的。针对工单指派的员工需要动态更新员工的空闲率,反馈给员工智能模型构建单元。
智能知识库单元:包含值班报警处理指引,应急报警处理指引、常见报警等各类认证的手册。
可以自学习和强化学习机器学习等算法进行反馈,使新报警可以快速进入知识库,指导报警的处理。提供url的API接口,直接可以实现在事件单页面点击查看和命令行的自动执行,大大提升了工作效率。
历史报警的处理(30天内)也会纳入到智能知识库中历史报警处理,提供对ip、报警内容等关键字的模糊匹配查询。
本公开实施例通过IT监控平台通过服务器标识、应用名称、报警类型、报警关键字、报警级别、应用上下游、时间戳等多维度进行编码,进行智能筛选自动创建工单,k-means聚类、朴素贝叶斯分类器、和神经网络的激活函数相结合的算法智能评估报警关联性,减少重复报警多个关联报警合并创建,大幅减少事件单数量,有效解决了由于IT监控岗人员专业水平和人为差错问题导致人工创建工单的隐患。
需要说明的是,装置部分和系统部分实施例中各模块/单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再一一赘述。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,第一聚类模块810、第二聚类模块820和工单分派模块830中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一聚类模块810、第二聚类模块820和工单分派模块830中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一聚类模块810、第二聚类模块820和工单分派模块830中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的电子设备的方框图。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,根据本公开实施例的电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中,存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此通讯连接。处理器1001通过执行ROM 1002和/或RAM 1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开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可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的图像模型训练方法或图像处理方法。
在该计算机程序被处理器1001执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1009被下载和安装,和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (16)
1.一种由服务器端执行的分派工单的方法,包括:
响应于获取的报警数据,从多个预设维度分别对所述报警数据进行第一聚类,得到针对各预设维度的相关性取值;
对所述针对各预设维度的相关性取值进行第二聚类,得到所述报警数据的聚类结果;以及
基于所述聚类结果生成工单,以便将所述工单发送给客户端,其中,所述聚类结果中类与工单之间存在对应关系。
2.根据权利要求1所述的方法,其中,所述对所述针对各预设维度的相关性取值进行第二聚类,得到所述报警数据的聚类结果包括:
对输入的针对各预设维度的相关性取值进行计算,得到针对所述报警数据的相关度取值,其中,所述针对各预设维度的相关性取值与所述报警数据的相关度取值之间表现为自然指数的倒数关系;以及
基于所述相关度取值对所述报警数据进行分类,得到多个类。
3.根据权利要求1所述的方法,其中,所述预设维度包括:时间维度、地址维度或应用维度中至少一种。
4.根据权利要求3所述的方法,其中,所述预设维度包括时间维度,所述报警数据之间的相关性和产生所述报警数据的时间差之间负相关,并且呈指数关系。
5.根据权利要求3所述的方法,其中,所述预设维度包括地址维度;
所述从多个预设维度分别对所述报警数据进行第一聚类,得到针对各预设维度的相关性取值包括:
如果产生两个所述报警数据的时间差小于预设时间差阈值,则对两个所述报警数据的地址进行处理,得到两个所述报警数据的地址各自的二进制编码;以及
基于任意两个所述报警数据的地址各自的二进制编码的差值,确定所述报警数据两两之间针对时间维度的相关性取值。
6.根据权利要求3所述的方法,其中,所述预设维度包括应用维度;
所述从多个预设维度分别对所述报警数据进行第一聚类,得到针对各预设维度的相关性取值包括:
从所述报警数据中获取应用名称,并且将具有相同应用名称的报警数据之间的相关性设置为指定相关性取值;以及
在上下游关联应用列表中匹配所述应用名称,得到所述报警数据两两之间针对应用维度的相关性取值。
7.根据权利要求6所述的方法,其中,与所述上下游关联应用列表中的上游应用匹配成功的第一相关性取值,大于与所述上下游关联应用列表中的下游应用匹配成功的第二相关性取值。
8.根据权利要求3所述的方法,其中,所述预设维度还包括关键信息维度;
所述方法还包括:
将小于预设时间间隔的报警数据在知识库中进行匹配,得到报警关键信息;以及
将所述报警关键信息发送给所述客户端。
9.根据权利要求1所述的方法,还包括:
将所述报警数据在知识库中进行匹配,得到所述报警数据的类型,其中,所述知识库中包括关键信息与报警数据的类型之间的映射关系;以及
如果所述报警数据的类型是自动处理风险类型,则将针对所述报警数据的处理结果发送给所述客户端。
10.根据权利要求9所述的方法,还包括:
接收来自客户端的针对指定报警数据的报警自动处理策略;以及
相关联地在所述知识库中存储指定报警数据和报警自动处理策略。
11.根据权利要求1所述的方法,还包括:
对登录客户端的多个用户进行工单适配度计算,得到针对各用户的适配度;以及
基于针对各用户的适配度分派所述工单。
12.根据权利要求11所述的方法,其中,所述对登录客户端的用户进行工单适配度计算包括:
基于用户空闲率、专业匹配度、历史工单处理满意度中至少一种对所述用户进行工单适配度计算。
13.根据权利要求1至12任一项所述的方法,还包括:
接收来自客户端的维度拓展请求;以及
响应于所述维度拓展请求,更新所述预设维度。
14.根据权利要求1至12任一项所述的方法,还包括:
优化所述第一聚类和/或所述第二聚类使用的聚类算法的参数。
15.一种分派工单的装置,设置在服务器端,所述装置包括:
第一聚类模块,用于响应于获取的报警数据,从多个预设维度分别对所述报警数据进行第一聚类,得到针对各预设维度的相关性取值;
第二聚类模块,用于对所述针对各预设维度的相关性取值进行第二聚类,得到所述报警数据的聚类结果;以及
工单分派模块,用于基于所述聚类结果生成工单,以便将所述工单发送给客户端,其中,所述聚类结果中类与工单之间存在对应关系。
16.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~14任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510546.1A CN113220545A (zh) | 2021-05-11 | 2021-05-11 | 分派工单的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510546.1A CN113220545A (zh) | 2021-05-11 | 2021-05-11 | 分派工单的方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113220545A true CN113220545A (zh) | 2021-08-06 |
Family
ID=77094775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510546.1A Pending CN113220545A (zh) | 2021-05-11 | 2021-05-11 | 分派工单的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220545A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187724A (zh) * | 2023-04-27 | 2023-05-30 | 成都秦川物联网科技股份有限公司 | 智慧燃气平台工单联动处理方法、物联网系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529804A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析方法 |
CN110119876A (zh) * | 2019-04-03 | 2019-08-13 | 口碑(上海)信息技术有限公司 | 工单处理方法及装置 |
CN112087323A (zh) * | 2020-08-19 | 2020-12-15 | 烽火通信科技股份有限公司 | 告警相关性分析方法、装置、设备及可读存储介质 |
CN112468339A (zh) * | 2020-11-23 | 2021-03-09 | 中国建设银行股份有限公司 | 告警处理方法、系统、装置和存储介质 |
CN112668733A (zh) * | 2020-12-17 | 2021-04-16 | 国网冀北电力有限公司信息通信分公司 | 基于无监督学习的通信管理系统缺陷故障派单方法及装置 |
-
2021
- 2021-05-11 CN CN202110510546.1A patent/CN113220545A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529804A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析方法 |
CN110119876A (zh) * | 2019-04-03 | 2019-08-13 | 口碑(上海)信息技术有限公司 | 工单处理方法及装置 |
CN112087323A (zh) * | 2020-08-19 | 2020-12-15 | 烽火通信科技股份有限公司 | 告警相关性分析方法、装置、设备及可读存储介质 |
CN112468339A (zh) * | 2020-11-23 | 2021-03-09 | 中国建设银行股份有限公司 | 告警处理方法、系统、装置和存储介质 |
CN112668733A (zh) * | 2020-12-17 | 2021-04-16 | 国网冀北电力有限公司信息通信分公司 | 基于无监督学习的通信管理系统缺陷故障派单方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187724A (zh) * | 2023-04-27 | 2023-05-30 | 成都秦川物联网科技股份有限公司 | 智慧燃气平台工单联动处理方法、物联网系统及存储介质 |
CN116187724B (zh) * | 2023-04-27 | 2023-07-14 | 成都秦川物联网科技股份有限公司 | 智慧燃气平台工单联动处理方法、物联网系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110752942B (zh) | 告警信息的决策方法、装置、计算机设备及存储介质 | |
US10896203B2 (en) | Digital analytics system | |
US10666525B2 (en) | Distributed multi-data source performance management | |
US10417528B2 (en) | Analytic system for machine learning prediction model selection | |
US11823109B2 (en) | System and method for evaluating images to support multiple risk applications | |
US10248528B2 (en) | System monitoring method and apparatus | |
EP1308855A2 (en) | A system and method for collecting, filtering, analyzing, distributing und utilizing events in real time | |
US8478788B1 (en) | Centralized information technology resources analysis system | |
US11436473B2 (en) | System and method for detecting anomalies utilizing a plurality of neural network models | |
CN111859384A (zh) | 异常事件监控方法、装置、计算机设备及存储介质 | |
US10164992B2 (en) | Near real-time system or network incident detection | |
US11777949B2 (en) | Dynamic user access control management | |
CN116070249B (zh) | 资产数据智能监控管理系统及方法 | |
US20230259499A1 (en) | User generated tag collection system and method | |
US10310933B2 (en) | Near real-time system or network incident detection | |
CN113220545A (zh) | 分派工单的方法、装置和电子设备 | |
US20130041712A1 (en) | Emerging risk identification process and tool | |
CN115514618A (zh) | 告警事件的处理方法、装置、电子设备和介质 | |
US10990915B2 (en) | Near real-time system or network incident detection | |
US20180232656A1 (en) | Data Processing System with Machine Learning Engine to Provide System Disruption Detection and Predictive Impact and Mitigation Functions | |
CN114756376A (zh) | 一种跨领域多业务资源自动适配维护平台 | |
CN112712270A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN117114858B (zh) | 基于aviator表达式的计算检查公式的配置化实现方法 | |
CN116862182A (zh) | 基于数字孪生的排班方法、装置、电子设备及存储介质 | |
CN113762699A (zh) | 联防联控风险处理的方法和装置 |
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 |