CN113225226B - 一种基于信息熵的云原生系统观测方法及系统 - Google Patents

一种基于信息熵的云原生系统观测方法及系统 Download PDF

Info

Publication number
CN113225226B
CN113225226B CN202110477963.0A CN202110477963A CN113225226B CN 113225226 B CN113225226 B CN 113225226B CN 202110477963 A CN202110477963 A CN 202110477963A CN 113225226 B CN113225226 B CN 113225226B
Authority
CN
China
Prior art keywords
node
entropy
component
component node
aro
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
Application number
CN202110477963.0A
Other languages
English (en)
Other versions
CN113225226A (zh
Inventor
朱广纪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eisoo Information Technology Co Ltd
Original Assignee
Shanghai Eisoo Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eisoo Information Technology Co Ltd filed Critical Shanghai Eisoo Information Technology Co Ltd
Priority to CN202110477963.0A priority Critical patent/CN113225226B/zh
Publication of CN113225226A publication Critical patent/CN113225226A/zh
Application granted granted Critical
Publication of CN113225226B publication Critical patent/CN113225226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • 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
    • H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
    • 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
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Debugging And Monitoring (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于信息熵的云原生系统观测方法及系统，方法包括：构造包括云原生系统的各个组件节点的系统拓扑图；通过观测指标ARO观测系统拓扑图中各个组件节点的运行状况。与现有技术相比，本发明观测指标ARO基于告警日志和信息熵，能够从系统视角为观察者提供更聚合的信息，通过全局熵、节点重要度因子以及组件熵的组合，从全局和局部的角度进行多维度考虑，能够更有效展示系统真实运行状况，同时能够随着云原生系统运行能够动态变化，不需要人为设置权重，实现自动化，效率高。

Description

一种基于信息熵的云原生系统观测方法及系统
技术领域
本发明涉及云原生领域，尤其是涉及一种基于信息熵的云原生系统观测方法及系统。
背景技术
服务化的发展，以及容器化编排、微服务框架、service mesh等各项技术的持续进化，为分布式服务提供了技术层面的支持，但是仅仅构建微服务是不够的，对于一套完整的技术体系而言，除了开发，还需要运维给予强力支持。随着微服务架构的持续演进，应用和服务数量不断增加，调用关系越来越复杂，无法通过一张静态的架构图来描述微服务架构下的系统部署情况，所以，从运维的角度来看，保持可观测性的重要性日益增加。在整个云原生体系中，可观测性和由操作系统、底层网络提供商构成的平台层一样，有着重要的地位。
变化是微服务的本质，也是应用系统设计和开发中唯一不变的准则。微服务集群的组成元素、依赖关系、流量分布以及外部边界等都会随着时间发生变化，虽然微服务技术降低了应对变化的难度，但运维团队却依然需要明确地了解系统的运行情况，这就是微服务系统对可观测性的诉求。可观测性提供了穿越微服务边界的能力，它先对应用数据或者管理平台数据进行观测及后台分析，然后通过高度可视化系统，直观地将系统当前的状态展现出来。
根据观测数据的不同，讨论可观测性一般从日志、指标和调用链三种数据考虑。日志描述的是一些不连续的离散事件；指标是逻辑计量单元，体现一段时间内相关指标的状态，具有可累加性；调用链在监控领域通常被称为分布式调用链，是指在单次请求范围内处理信息。对于云原生系统中存在着的大量实体、服务、业务系统等组件，日志记录了组件的运行状况，其中告警日志能反映组件的故障信息，是云原生系统中重要的记录信息。
根据观察层次的不同，讨论可观测性一般涉及基础设施层、工具层和应用环境层。基础设施层是指对云主机、操作系统、云服务进行包括可用性在内的基础指标监控，提供云服务商的基础运维支撑能力；工具层主要是针对编排工具，随着容器化的不断推进，对kubernetes和Mesos等容器编排生态工具的监控也越来越多样化，另外随着devops体系的发展，相关调用链的可观测性也是当今关注的焦点；应用环境层的可观测性主要是指对应用服务、数据库、消息队列、缓存等中间件组件进行观测。
由于基础设施层的监控和系统健康度观测大多由平台提供商直接负责，而工具层的解决方案基本是由其核心产品以及周边生态提供的，因此对于微服务和云原生应用开发者来说，关注点应集中在应用环境层。应用环境层因为涉及业务系统，所以场景变化也是最多样、最有挑战性的。
在热力学中，熵是表示分子状态混乱程度的物理量，香农用信息熵的概念来描述信源的不确定度。通常，一个信源发送出什么符号是不确定的，可以通过它出现的概率来度量，信息熵具有三个性质：单调性、非负性和累加性，单调性是指发生概率越高的事件，出现机会越多，不确定性小，其携带的信息量越低；非负性是指概率不能小于0；累加性，即多随机事件同时发生存在的总不确定性的量度是可以表示为各事件不确定性的量度的和。信息熵公式如下：
Figure BDA0003047955380000021
其中，X为信源，x为信源中的其中一类，p(x)为信源x发生的概率。
分析信息熵公式，可以看出，对概率取负对数表示了该事件发生时携带的信息量，将各种事件表示出的信息量乘以其发生的概率后求和，就表示了整个系统所有信息量的一种期望值。因此，信息熵可作为系统复杂程度的度量，如果系统越混乱，出现不同状况的种类越多，那么该系统的信息熵比较大。如果一个系统越稳定，出现状况种类很少，此时的信息熵较小。
传统的云原生观测方案存在以下两个问题：
一是只能监控中间件组件的基础信息，如CPU使用量、网络流量，无法实现更高层语义信息的提取与展现；
二是对于自定义指标，往往过于依赖工程师的个人经验，无法实现通用性；自定义指标往往是静态的，并不能随系统变化更新指标权重，导致经过一段时间就要重新设定权重；自定义指标通常是局部的，无法考虑全局层次信息。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于信息熵的云原生系统观测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于信息熵的云原生系统观测方法，包括：
构造包括云原生系统的各个组件节点的系统拓扑图；
通过观测指标ARO观测系统拓扑图中各个组件节点的运行状况；
其中，所述的观测指标ARO的计算公式为：
AROi＝g*ni*ei
其中，AROi为第i个组件节点的观测指标，g为云原生系统的全局熵，ni为第i个组件节点的节点重要度因子，ei为第i个组件节点的组件熵；
所述的观测指标ARO充分利用信息熵理论，能够从系统视角为观察者提供更聚合的信息，所述的全局熵、节点重要度因子以及组件熵充分考虑了全局和局部信息，能够更有效展示系统真实运行状况，同时能够随着云原生系统运行能够动态变化，不需要人为设置权重，实现自动化，效率高。
进一步地，所述的全局熵g的计算公式为：
Figure BDA0003047955380000031
其中，pi为第i个组件节点产生告警的概率；
所述的全局熵体现选定时间段内云原生系统的整体复杂程度，所述的全局熵越大，整个云原生系统越复杂，例如整个云原生系统出了问题，每个组件节点都在产生各种告警，系统很混乱。
进一步地，所述的第i个组件节点的节点重要度因子ni的计算公式为：
Figure BDA0003047955380000032
其中，numi为第i个组件节点产生告警的数量；
所述的节点重要度因子体现组件节点在选定时间段内发生告警的频率，频率越小，节点重要度因子越大。
进一步地，所述的第i个组件节点的组件熵的计算公式为：
Figure BDA0003047955380000033
其中，qij是第i个组件节点产生第j类告警的概率；
所述的组件熵体现组件节点内部的复杂程度，所述的组件熵的值越大，表示该组件节点越混乱。
进一步地，记录各个组件节点的观测指标ARO的时序数据，生成各个组件节点的度量时序图。
一种基于信息熵的云原生系统观测系统，包括拓扑构造模块和指标计算模块：
所述的拓扑构造模块用于云原生系统的系统拓扑图，该系统拓扑图包括云原生系统的各个组件节点；
所述的指标计算模块包括全局统计单元、权重统计单元、局部统计单元以及度量统计单元；
所述的全局计算单元用于计算云原生系统的全局熵g；
所述的权重统计单元用于统计各个组件节点的节点重要度因子n；
所述的局部统计单元用于统计各个组件节点的组件熵e；
所述的度量统计单元用于计算各个组件节点的观测指标ARO，计算公式为：
AROi＝g*ni*ei
其中，AROi为第i个组件节点的观测指标，ni为第i个组件节点的节点重要度因子，ei为第i个组件节点的组件熵。
进一步地，所述的全局熵g的计算公式为：
Figure BDA0003047955380000041
其中，pi为第i个组件节点产生告警的概率；
所述的全局熵体现选定时间段内云原生系统的整体复杂程度，所述的全局熵越大，整个云原生系统越复杂，例如整个云原生系统出了问题，每个组件节点都在产生各种告警，系统很混乱。
进一步地，所述的第i个组件节点的节点重要度因子ni的计算公式为：
Figure BDA0003047955380000042
其中，numi为第i个组件节点在选定时间段内产生告警的数量；
所述的节点重要度因子体现组件节点在选定时间段内发生告警的频率，频率越小，节点重要度因子越大。
进一步地，所述的第i个组件节点的组件熵的计算公式为：
Figure BDA0003047955380000043
其中，qij是第i个组件节点产生第j类告警的概率；
所述的组件熵体现组件节点内部的复杂程度，所述的组件熵的值越大，表示该组件节点越混乱。
进一步地，所述的指标计算模块还包括时序统计单元，所述的时序统计单元用于记录各个组件节点的观测指标ARO的时序数据，生成各个组件节点的度量时序图，便于直观地观测各个组件节点的运行状况。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明构造包括云原生系统的各个组件节点的系统拓扑图；通过观测指标ARO观测系统拓扑图中各个组件节点的运行状况，观测指标ARO基于告警日志和信息熵，能够从系统视角为观察者提供更聚合的信息，便于观测；
(2)本发明通过全局熵、节点重要度因子以及组件熵的组合，从全局和局部的角度进行多维度考虑，能够更有效展示系统真实运行状况；
(3)本发明全局熵、节点重要度因子以及组件熵同时能够随着云原生系统运行能够动态变化，不需要人为设置权重，实现自动化，效率高，不依赖人为主观经验，客观性强，准确性高。
附图说明
图1为本发明的结构示意图；
图2为供应部防火墙告警日志；
图3为代理服务器告警日志。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
一种基于信息熵的云原生系统观测方法，如图1，包括：
1)构造包括云原生系统的各个组件节点的系统拓扑图；
2)计算云原生系统的全局熵以及组件节点的节点重要度因子和组件熵；
3)根据全局熵、节点重要度因子和组件熵计算观测指标ARO；
4)通过观测指标ARO观测系统拓扑图中各个组件节点的运行状况。
观测指标ARO的计算公式为：
AROi＝g*ni*ei
其中，AROi为第i个组件节点的观测指标，g为云原生系统的全局熵，ni为第i个组件节点的节点重要度因子，ei为第i个组件节点的组件熵，g、ni以及ei根据告警日志获得。
观测指标ARO基于告警日志和信息熵，能够从系统视角为观察者提供更聚合的信息，通过全局熵、节点重要度因子以及组件熵的组合，从全局和局部的角度进行多维度考虑，能够更有效展示系统真实运行状况，同时能够随着云原生系统运行能够动态变化，不需要人为设置权重，实现自动化，效率高。
全局熵g的计算公式为：
Figure BDA0003047955380000061
其中，pi为第i个组件节点产生告警的概率；
全局熵体现选定时间段内云原生系统的整体复杂程度，全局熵越大，整个云原生系统越复杂，例如整个云原生系统出了问题，每个组件节点都在产生各种告警，系统很混乱。
第i个组件节点的节点重要度因子ni的计算公式为：
Figure BDA0003047955380000062
其中，numi为第i个组件节点产生告警的数量；
节点重要度因子体现组件节点在选定时间段内发生告警的频率，频率越小，节点重要度因子越大。
第i个组件节点的组件熵的计算公式为：
Figure BDA0003047955380000063
其中，qij是第i个组件节点产生第j类告警的概率；
组件熵体现组件节点内部的复杂程度，组件熵的值越大，表示该组件节点越混乱。
记录各个组件节点的观测指标ARO的时序数据，生成各个组件节点的度量时序图。
本实施例使用某公司运维系统真实数据，总共采集'代理'、'IDC防火墙'、'mbox02'、'Mail仲裁'、'供应部防火墙'、'AD06'、'mbox01'、'IDC代理'、'SH-WSUS'、'AD02'、'AD01'等11个组件，共460条告警信息；
通过计算，g为2.338，ni取告警频次的倒数，最终计算结果如表1所示：
表1指标计算结果表
组件 告警频次 告警种类 e<sub>i</sub> ARO<sub>i</sub>
mbox01 1 1 0 0
IDC代理 2 2 1 2.3338
SH-WSUS 4 1 0 0
mbox02 13 1 0 0
AD02 13 5 1.8811 4.3901
AD01 13 5 1.8811 4.3901
Mail仲裁 22 4 1.4911 3.4799
供应部防火墙 30 11 2.9465 6.8765
AD06 30 5 2.001 4.6699
IDC防火墙 165 8 2.4621 5.746
代理 167 13 2.7647 6.4523
从表1可以看出，所观测的组件中，ARO值较大的是供应部防火墙和代理服务器，如图2和图3，查看相关告警日志可以看出，这段时间内供应部防火墙和代理服务器产生了大量problem类型的告警信息，这段时间内组件运行状况比较混乱。
实施例2
一种基于信息熵的云原生系统观测系统，包括拓扑构造模块和指标计算模块；
拓扑构造模块用于云原生系统的系统拓扑图，该系统拓扑图包括云原生系统的各个组件节点；
指标计算模块包括全局统计单元、权重统计单元、局部统计单元、度量统计单元以及时序统计单元；
全局计算单元用于计算云原生系统的全局熵g；
权重统计单元用于统计各个组件节点的节点重要度因子n；
局部统计单元用于统计各个组件节点的组件熵e；
度量统计单元用于计算各个组件节点的观测指标ARO；
时序统计单元用于记录各个组件节点的观测指标ARO的时序数据，生成各个组件节点的度量时序图，便于直观地观测各个组件节点的运行状况。
观测指标ARO的计算公式为：
AROi＝g*ni*ei
其中，AROi为第i个组件节点的观测指标，ni为第i个组件节点的节点重要度因子，ei为第i个组件节点的组件熵。
全局熵g的计算公式为：
Figure BDA0003047955380000081
其中，pi为第i个组件节点产生告警的概率；
全局熵体现选定时间段内云原生系统的整体复杂程度，全局熵越大，整个云原生系统越复杂，例如整个云原生系统出了问题，每个组件节点都在产生各种告警，系统很混乱。
第i个组件节点的节点重要度因子ni的计算公式为：
Figure BDA0003047955380000082
其中，numi为第i个组件节点在选定时间段内产生告警的数量；
节点重要度因子体现组件节点在选定时间段内发生告警的频率，频率越小，节点重要度因子越大。
第i个组件节点的组件熵的计算公式为：
Figure BDA0003047955380000083
其中，qij是第i个组件节点产生第j类告警的概率；
组件熵体现组件节点内部的复杂程度，组件熵的值越大，表示该组件节点越混乱。
实施例1和实施例2提出了一种基于信息熵的云原生系统观测方法及系统，观测指标ARO基于告警日志和信息熵，能够从系统视角为观察者提供更聚合的信息，通过全局熵、节点重要度因子以及组件熵的组合，从全局和局部的角度进行多维度考虑，能够更有效展示系统真实运行状况，同时能够随着云原生系统运行能够动态变化，不需要人为设置权重，实现自动化，效率高。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.一种基于信息熵的云原生系统观测方法，其特征在于，包括：
构造包括云原生系统的各个组件节点的系统拓扑图；
通过观测指标ARO观测系统拓扑图中各个组件节点的运行状况；
其中，所述的观测指标ARO的计算公式为：
AROi＝g*ni*ei
其中，AROi为第i个组件节点的观测指标，g为云原生系统的全局熵，ni为第i个组件节点的节点重要度因子，ei为第i个组件节点的组件熵；
所述的全局熵g的计算公式为：
Figure FDA0003707234950000011
其中，pi为第i个组件节点产生告警的概率；
所述的第i个组件节点的节点重要度因子ni的计算公式为：
Figure FDA0003707234950000012
其中，numi为第i个组件节点产生告警的数量；
所述的第i个组件节点的组件熵的计算公式为：
Figure FDA0003707234950000013
其中，qij是第i个组件节点产生第j类告警的概率。
2.根据权利要求1所述的一种基于信息熵的云原生系统观测方法，其特征在于，记录各个组件节点的观测指标ARO的时序数据，生成各个组件节点的度量时序图。
3.一种基于信息熵的云原生系统观测系统，其特征在于，包括：
拓扑构造模块，用于云原生系统的系统拓扑图，该系统拓扑图包括云原生系统的各个组件节点；
指标计算模块，包括全局统计单元、权重统计单元、局部统计单元以及度量统计单元；
所述的全局统计 单元用于计算云原生系统的全局熵g；
所述的权重统计单元用于统计各个组件节点的节点重要度因子n；
所述的局部统计单元用于统计各个组件节点的组件熵e；
所述的度量统计单元用于计算各个组件节点的观测指标ARO，计算公式为：
AROi＝g*ni*ei
其中，AROi为第i个组件节点的观测指标，ni为第i个组件节点的节点重要度因子，ei为第i个组件节点的组件熵，g为云原生系统的全局熵；
所述的全局熵g的计算公式为：
Figure FDA0003707234950000021
其中，pi为第i个组件节点产生告警的概率；
所述的第i个组件节点的节点重要度因子ni的计算公式为：
Figure FDA0003707234950000022
其中，numi为第i个组件节点产生告警的数量；
所述的第i个组件节点的组件熵的计算公式为：
Figure FDA0003707234950000023
其中，qij是第i个组件节点产生第j类告警的概率。
4.根据权利要求3所述的一种基于信息熵的云原生系统观测系统，其特征在于，所述的指标计算模块还包括时序统计单元，所述的时序统计单元用于记录各个组件节点的观测指标ARO的时序数据，生成各个组件节点的度量时序图。
CN202110477963.0A 2021-04-30 2021-04-30 一种基于信息熵的云原生系统观测方法及系统 Active CN113225226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110477963.0A CN113225226B (zh) 2021-04-30 2021-04-30 一种基于信息熵的云原生系统观测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110477963.0A CN113225226B (zh) 2021-04-30 2021-04-30 一种基于信息熵的云原生系统观测方法及系统

Publications (2)

Publication Number Publication Date
CN113225226A CN113225226A (zh) 2021-08-06
CN113225226B true CN113225226B (zh) 2022-10-21

Family

ID=77090209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110477963.0A Active CN113225226B (zh) 2021-04-30 2021-04-30 一种基于信息熵的云原生系统观测方法及系统

Country Status (1)

Country Link
CN (1) CN113225226B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008710A (zh) * 2019-10-22 2020-04-14 湖州师范学院 一种全局信息加局部信息正则的支持向量数据描述方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004202199B2 (en) * 1999-04-30 2007-09-20 E. I. Du Pont De Nemours And Company Distributed hierarchical evolutionary modeling and visualization of empirical data
KR100670003B1 (ko) * 2004-12-28 2007-01-19 삼성전자주식회사 적응형 문턱치를 이용한 영상의 평탄 영역 검출장치 및 그방법
US8843422B2 (en) * 2010-03-31 2014-09-23 Hewlett-Packard Development Company, L.P. Cloud anomaly detection using normalization, binning and entropy determination
US9043647B2 (en) * 2013-01-02 2015-05-26 Tata Consultancy Services Limited Fault detection and localization in data centers
CN104601604B (zh) * 2014-06-12 2019-03-15 国家电网公司 网络安全态势分析方法
US11093845B2 (en) * 2015-05-22 2021-08-17 Fair Isaac Corporation Tree pathway analysis for signature inference
FR3053491A1 (fr) * 2016-07-01 2018-01-05 Orange Procede et dispositif de surveillance de la securite d'un systeme d'information
US10574679B2 (en) * 2017-02-01 2020-02-25 Cisco Technology, Inc. Identifying a security threat to a web-based resource
CN109978886B (zh) * 2019-04-01 2021-11-09 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN111080074B (zh) * 2019-11-21 2022-07-12 西安交通大学 基于网络多特征关联的系统服役安全态势要素获取方法
CN112202597A (zh) * 2020-09-10 2021-01-08 广东电网有限责任公司 一种低压台区通信网络节点重要度的评估方法
CN112163682B (zh) * 2020-10-19 2022-05-17 北京邮电大学 一种基于信息差异图模型的电力调度自动化系统故障溯源方法
CN112540832B (zh) * 2020-12-24 2022-01-28 中山大学 一种基于知识图谱的云原生系统故障分析方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008710A (zh) * 2019-10-22 2020-04-14 湖州师范学院 一种全局信息加局部信息正则的支持向量数据描述方法

Also Published As

Publication number Publication date
CN113225226A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN108874640B (zh) 一种集群性能的评估方法和装置
CA2756198C (en) Digital analytics system
Ediger et al. Massive social network analysis: Mining twitter for social good
US8359328B2 (en) Party reputation aggregation system and method
CN104956365B (zh) 基于在线系统中的用户动作询问特征
US10225165B2 (en) Apparatus and method for processing data streams in a communication network
CN110060118A (zh) 一种订单履约全链路实时监控方法、装置及计算机设备
US20140032506A1 (en) System and methods for real-time detection, correction, and transformation of time series data
US9672724B2 (en) Automatic configuration of alarm aggregations
CN105183625A (zh) 一种日志数据处理方法和装置
CN111581104A (zh) 一种基于DevOps研发运营一体化的度量方法
CN101008954A (zh) 联机分析处理系统中多维表达式数据缓存的方法和装置
Ampatzoglou et al. An embedded multiple-case study on OSS design quality assessment across domains
Joseph et al. Stream computing: opportunities and challenges in smart grid
Chen An agent-based model for information diffusion over online social networks
Solmaz et al. ALACA: A platform for dynamic alarm collection and alert notification in network management systems
CN113032252A (zh) 埋点数据的收集方法、装置、客户端设备和存储介质
CN114443437A (zh) 告警根因输出方法、装置、设备、介质和程序产品
CN113225226B (zh) 一种基于信息熵的云原生系统观测方法及系统
Tsugawa et al. Community structure and interaction locality in social networks
Boaventura et al. New statistical process control charts for overdispersed count data based on the Bell distribution
CN115099428A (zh) 一种设备全生命周期的管理平台及全维度量化评价的方法
JPH11308222A (ja) ネットワーク管理システム
CN111061615A (zh) 数据仓库的数据监控方法、装置、服务器和存储介质
Li et al. The On-duty Response Management System for Power Emergency Events based on Big Data Technology

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