CN113283620A - 基于人工智能的运维方法、装置、设备及存储介质 - Google Patents
基于人工智能的运维方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113283620A CN113283620A CN202110729330.4A CN202110729330A CN113283620A CN 113283620 A CN113283620 A CN 113283620A CN 202110729330 A CN202110729330 A CN 202110729330A CN 113283620 A CN113283620 A CN 113283620A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- data
- target
- acquiring
- similarity
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 529
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 169
- 238000011084 recovery Methods 0.000 claims abstract description 100
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及人工智能技术领域，揭示了一种基于人工智能的运维方法、装置、设备及存储介质，其中方法包括：根据关键字列表从目标监控对象发送的待分析的运维数据中得到待匹配的运维数据；分别对待匹配的运维数据与运维案例库中的每个场景数据进行相似度计算得到多个相似度；当存在相似度大于相似度阈值时，从大于相似度阈值的所有相似度中获取最大值得到目标相似度，否则根据待分析的运维数据生成匹配失败提醒信号；根据目标相似度从运维案例库中得到目标运维脚本；根据目标运维脚本对目标监控对象进行异常恢复，根据目标监控对象发送的异常恢复结果生成自动化运维提醒信号。避免了冗余监控，缩短了故障恢复时间。
Description
技术领域
本申请涉及到人工智能技术领域，特别是涉及到一种基于人工智能的运维方法、装置、设备及存储介质。
背景技术
为了确保应用系统的服务能力，传统采用为每个应用系统设置运维监控平台和/或运维监控工具的方法，从而使每个组织机构的运维监控平台多、运维监控工具多，导致存在冗余监控，而且需要运维人员根据多个运维监控平台和或多个运维监控工具的监控数据确定故障后进行故障恢复，导致延长了故障恢复时间，提高了运维成本。
发明内容
本申请的主要目的为提供一种基于人工智能的运维方法、装置、设备及存储介质，旨在解决采用为每个应用系统设置运维监控平台和/或运维监控工具的方法，从而使每个组织机构的运维监控平台多、运维监控工具多，导致存在冗余监控，导致延长了故障恢复时间的技术问题。
为了实现上述发明目的，本申请提出一种基于人工智能的运维方法，所述方法包括：
获取目标监控对象发送的待分析的运维数据；
获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；
获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；
获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；
根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；
根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
进一步的，所述分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度，包括：
从所述运维案例库中获取一个所述场景数据作为目标场景数据；
从所述待匹配的运维数据中获取一个关键字对应的运维数据，得到单关键字运维数据；
根据所述单关键字运维数据对应的所述关键字，从所述目标场景数据中获取数据，得到单关键字案例数据；
对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到单关键字相似度；
重复执行所述从所述待匹配的运维数据中获取一个关键字对应的运维数据，得到单关键字运维数据，直至完成所述待匹配的运维数据在的所述关键字的获取；
对所有所述单关键字相似度进行平均值计算，得到所述目标场景数据对应的所述相似度；
重复执行所述从所述运维案例库中获取一个所述场景数据作为目标场景数据，直至完成所述运维案例库中的所述场景数据的获取。
进一步的，所述对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到单关键字相似度，包括：
采用N-gram相似度算法，对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到所述单关键字相似度。
进一步的，所述根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号，包括：
将所述目标运维脚本发送给所述目标监控对象；
获取所述目标监控对象发送的所述异常恢复结果，其中，所述异常恢复结果是所述目标监控对象根据所述目标运维脚本进行异常恢复得到的结果；
当所述异常恢复结果为成功时，根据所述待分析的运维数据生成自动化运维成功提醒信号；
当所述异常恢复结果为失败时，根据所述待分析的运维数据生成自动化运维失败提醒信号。
进一步的，所述获取目标监控对象发送的待分析的运维数据之后，还包括：
获取运维数据查看请求，所述运维数据查看请求携带有运维数据标识集合；
响应所述运维数据查看请求，获取运维数据库，根据所述运维数据标识集合从所述运维数据库中获取数据，得到待展示的运维数据集合；
根据所述待展示的运维数据集合进行页面展示，得到运维数据展示页面。
进一步的，所述根据所述待展示的运维数据集合进行页面展示，得到运维数据展示页面之后，还包括：
根据所述运维数据展示页面获取影响范围查看请求，所述影响范围查看请求携带有待处理的运维数据标识；
响应所述影响范围查看请求，根据所述待处理的运维数据标识从所述运维数据库中获取监控对象标识，得到待查看的监控对象标识；
获取运维关系图谱，根据所述待查看的监控对象标识从所述运维关系图谱中获取关联系统的系统标识，得到关联系统标识集合；
根据所述关联系统标识集合进行弹窗展示，得到影响范围弹窗。
进一步的，所述获取目标监控对象发送的待分析的运维数据之后，还包括：
获取风险概率预测请求，所述风险概率预测请求携带有待预测时间和待预测的监控对象标识；
获取运维数据库和预设提取时长，根据所述待预测的监控对象标识和所述预设提取时长，从所述运维数据库中获取运维数据，得到待预测的运维数据集合；
将所述待预测的运维数据集合和所述待预测时间输入风险概率预测模型进行风险概率预测，得到所述待预测的监控对象标识对应的监控对象在所述待预测时间的风险概率预测结果，其中，所述风险概率预测模型是基于逻辑回归模型训练得到的模型。
本申请还提出了一种基于人工智能的运维装置，所述装置包括：
数据获取模块，用于获取目标监控对象发送的待分析的运维数据；
待匹配的运维数据确定模块，用于获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；
相似度确定模块，用于获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；
目标相似度确定模块，用于获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；
目标运维脚本确定模块，用于根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；
异常恢复模块，用于根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
本申请还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法。
本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
本申请的基于人工智能的运维方法、装置、设备及存储介质，其中方法首先通过获取目标监控对象发送的待分析的运维数据，然后根据关键字列表，从待分析的运维数据中提取数据，得到待匹配的运维数据，分别对待匹配的运维数据与运维案例库中的每个场景数据进行相似度计算，得到多个相似度，当存在相似度大于相似度阈值时，从大于相似度阈值的所有相似度中获取最大值，得到目标相似度，否则，根据待分析的运维数据生成匹配失败提醒信号，根据目标相似度从运维案例库中获取运维脚本，得到目标运维脚本，最后根据目标运维脚本对目标监控对象进行异常恢复，获取目标监控对象发送的异常恢复结果，根据异常恢复结果生成自动化运维提醒信号，从而实现了自动化进行运维数据采集、案例匹配、异常恢复，不需为每个应用系统设置运维监控平台和/或运维监控工具，避免了冗余监控，而且不需要运维人员根据多个运维监控平台和或多个运维监控工具的监控数据确定故障后进行故障恢复，缩短了故障恢复时间。
附图说明
图1为本申请一实施例的基于人工智能的运维方法的流程示意图；
图2为本申请一实施例的基于人工智能的运维装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种基于人工智能的运维方法，所述方法包括：
S1：获取目标监控对象发送的待分析的运维数据；
S2：获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；
S3：获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；
S4：获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；
S5：根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；
S6：根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
本实施例首先通过获取目标监控对象发送的待分析的运维数据，然后根据关键字列表，从待分析的运维数据中提取数据，得到待匹配的运维数据，分别对待匹配的运维数据与运维案例库中的每个场景数据进行相似度计算，得到多个相似度，当存在相似度大于相似度阈值时，从大于相似度阈值的所有相似度中获取最大值，得到目标相似度，否则，根据待分析的运维数据生成匹配失败提醒信号，根据目标相似度从运维案例库中获取运维脚本，得到目标运维脚本，最后根据目标运维脚本对目标监控对象进行异常恢复，获取目标监控对象发送的异常恢复结果，根据异常恢复结果生成自动化运维提醒信号，从而实现了自动化进行运维数据采集、案例匹配、异常恢复，不需为每个应用系统设置运维监控平台和/或运维监控工具，避免了冗余监控，而且不需要运维人员根据多个运维监控平台和或多个运维监控工具的监控数据确定故障后进行故障恢复，缩短了故障恢复时间。
对于S1，通过与目标监控对象的通信连接，获取目标监控对象发送的待分析的运维数据。可以理解的是，可以是目标监控对象主动发送的待分析的运维数据，也可以是目标监控对象响应数据获取请求发送的待分析的运维数据。
目标监控对象，可以是任意一个监控对象。监控对象包括但不限于：数据库、网络、存储、服务器、应用。
待分析的运维数据，是需要进行自动化运维的运维数据。运维数据包括：监控数据、日志数据。监控数据，是监控对象根据监控数据生成规则生成的数据。日志数据，是监控对象运行的时候产生的日志数据。
对于S2，可以从数据库中获取关键字列表，也可以从第三方应用系统中获取关键字列表。
其中，将所述目标监控对象的监控对象标识在监控对象信息表中进行查找，将在所述监控对象信息表中查找到的监控对象标识对应的对象类型作为所述目标监控对象的对象类型。
监控对象信息表包括但不限于：监控对象标识、对象类型，每个监控对象标识对应一个对象类型。对象类型包括但不限于：数据库类型、网络类型、存储类型、服务器类型、应用类型。
可选的，根据所述目标监控对象的对象类型获取关键字列表。比如，所述目标监控对象的对象类型是数据库类型时，获取数据库类型对应的所有关键字作为关键字列表。
其中，分别将所述关键字列表中的每个关键字，从所述待分析的运维数据中提取关键字对应值，将提取得到的所有关键字对应值作为待匹配的运维数据。
对于S3，可以从数据库中获取运维案例库，也可以从第三方应用系统中获取运维案例库。
运维案例库包括：运维案例。运维案例包括：案例标识、场景数据、问题信息、解决方案信息。可以理解的是，运维案例是运维人员根据历史运维情况编写的案例。案例标识，可以是案例名称、案例ID等唯一标识一个运维案例的标识。场景数据是根据监控对象发送的运维数据得到的数据。
可选的，所述运维案例还包括：对象类型；根据所述目标监控对象的对象类型获取运维案例库。比如，所述目标监控对象的对象类型是数据库类型时，获取数据库类型对应的所有运维案例作为运维案例库，在此举例不做具体限定。
其中，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据之间进行相似度计算，将计算得到的每个相似度作为一个相似度。
对于S4，可以从数据库中获取相似度阈值，也可以从第三方应用系统中获取相似度阈值，还可以将相似度阈值写入实现本申请的程序中。相似度阈值，是一个具体数值。
其中，当存在所述相似度大于所述相似度阈值时，意味着存所述相似度符合相似度要求，因此从大于所述相似度阈值的所有所述相似度中获取最大值，将获取的所述相似度作为所述目标相似度。
其中，当不存在所述相似度大于所述相似度阈值时，意味着不存在所述相似度符合相似度要求，此时根据所述待分析的运维数据生成匹配失败提醒信号，所述匹配失败提醒信号用于通过系统内信息、短信、电话等方式通知运维人员案例匹配失败。运维人员在接收根据所述匹配失败提醒信号发送的提醒时快速的进行人工运维，有利于快速的进行异常恢复。
对于S5，将所述目标相似度对应的场景数据在所述运维案例库中对应的运维脚本，作为目标运维脚本。
对于S6，将所述目标运维脚本发送给所述目标监控对象进行异常恢复，其中，所述目标监控对象执行完所述目标运维脚本将发送异常恢复结果；根据所述异常恢复结果生成自动化运维提醒信号，自动化运维提醒信号用于提醒运维人员自动化运维的执行结果。
在一个实施例中，上述分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度，包括：
S31：从所述运维案例库中获取一个所述场景数据作为目标场景数据；
S32：从所述待匹配的运维数据中获取一个关键字对应的运维数据，得到单关键字运维数据；
S33：根据所述单关键字运维数据对应的所述关键字，从所述目标场景数据中获取数据，得到单关键字案例数据；
S34：对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到单关键字相似度；
S35：重复执行所述从所述待匹配的运维数据中获取一个关键字对应的运维数据，得到单关键字运维数据，直至完成所述待匹配的运维数据在的所述关键字的获取；
S36：对所有所述单关键字相似度进行平均值计算，得到所述目标场景数据对应的所述相似度；
S37：重复执行所述从所述运维案例库中获取一个所述场景数据作为目标场景数据，直至完成所述运维案例库中的所述场景数据的获取。
本实施例对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，从而实现了针对关键字计算相似度，有利于进一步提高计算的相似度的准确性，提高了运维案例匹配的准确性。
对于S31，依次从所述运维案例库中获取一个所述场景数据，将获取的所述场景数据作为目标场景数据。
对于S32，依次从所述待匹配的运维数据中获取一个关键字对应的运维数据，将获取的运维数据作为单关键字运维数据。
对于S33，根据所述单关键字运维数据对应的所述关键字从所述目标场景数据中获取数据，将提取得到的数据作为单关键字案例数据。也就是说，单关键字案例数据对应的关键字和所述单关键字运维数据对应的关键字相同。
对于S34，计算所述单关键字运维数据和所述单关键字案例数据之间的相似度，将计算得到单关键字的相似度作为单关键字相似度。
对于S35，重复执行步骤S32至步骤S35，直至完成所述待匹配的运维数据在的所述关键字的获取。
对于S36，对所有所述单关键字相似度进行算术平均值计算，将计算得到的数据作为所述目标场景数据对应的所述相似度。
对于S37，重复执行步骤S31至步骤S36，直至完成所述运维案例库中的所述场景数据的获取。
在一个实施例中，上述对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到单关键字相似度，包括：
采用N-gram相似度算法，对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到所述单关键字相似度。
本实施例通过采用N-gram相似度算法进行相似度计算，有利于进一步提高计算的相似度的准确性，提高了运维案例匹配的准确性。
其中，采用N-gram相似度算法，计算所述单关键字运维数据和所述单关键字案例数据之间的相似度，将计算得到的相似度作为所述单关键字相似度。
N-gram相似度算法，是检测字节码相似度的方法。
在一个实施例中，上述根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号，包括：
S61：将所述目标运维脚本发送给所述目标监控对象；
S62：获取所述目标监控对象发送的所述异常恢复结果，其中，所述异常恢复结果是所述目标监控对象根据所述目标运维脚本进行异常恢复得到的结果；
S63：当所述异常恢复结果为成功时，根据所述待分析的运维数据生成自动化运维成功提醒信号；
S64：当所述异常恢复结果为失败时，根据所述待分析的运维数据生成自动化运维失败提醒信号。
本实施例采用目标运维脚本对所述目标监控对象进行自动化异常恢复，从而实现了自动化进行运维数据采集、案例匹配、异常恢复，缩短了故障恢复时间。
对于S61，通过与所述目标监控对象的通信连接，将所述目标运维脚本发送给所述目标监控对象。
对于S62，所述目标监控对象，通过执行所述目标运维脚本进行异常恢复，根据异常恢复的情况生成所述异常恢复结果，然后将所述异常恢复结果发送给实现本申请的应用。
对于S63，当所述异常恢复结果为成功时，意味着通过执行所述目标运维脚本已经成功恢复所述目标监控对象的异常，因此根据所述待分析的运维数据生成自动化运维成功提醒信号。
所述自动化运维成功提醒信号，用于通过系统内信息、短信、电话等方式通知运维人员自动化运维成功。运维人员在接收根据所述自动化运维成功提醒信号发送的提醒时，了解所述目标监控对象已发生异常，并且已经自动化运维成功。
对于S64，当所述异常恢复结果为失败时，意味着通过所述目标运维脚本没有成功恢复所述目标监控对象的异常，因此根据所述待分析的运维数据生成自动化运维失败提醒信号。
所述自动化运维失败提醒信号，用于通过系统内信息、短信、电话等方式通知运维人员自动化运维失败。运维人员在接收根据所述自动化运维失败提醒信号发送的提醒时快速的进行人工运维，有利于快速的进行异常恢复。
在一个实施例中，上述获取目标监控对象发送的待分析的运维数据之后，还包括：
S71：获取运维数据查看请求，所述运维数据查看请求携带有运维数据标识集合；
S72：响应所述运维数据查看请求，获取运维数据库，根据所述运维数据标识集合从所述运维数据库中获取数据，得到待展示的运维数据集合；
S73：根据所述待展示的运维数据集合进行页面展示，得到运维数据展示页面。
本实施例实现了根据运维数据查看请求进行运维数据的展示，从而为运维人员提供了可视化的运维数据查看界面，有利于运维人员快速了解各个应用系统的运维数据。
对于S71，可以获取用户输入的运维数据查看请求，也可以从数据库中获取运维数据查看请求，还可以是第三方应用系统发送的运维数据查看请求。
运维数据查看请求，是对运维数据进行可视化展示的请求。
运维数据标识集合，是运维数据查看请求想要可视化展示的运维数据的运维数据标识的集合。运维数据标识集合包括一个或多个运维数据标识。
对于S72，响应所述运维数据查看请求，可以获取用户输入的运维数据库，也可以从数据库中获取运维数据库，还可以是第三方应用系统发送的运维数据库。
运维数据库包括：运维数据标识、运维数据，每个运维数据标识对应一条运维数据。运维数据标识可以是运维数据的名称、运维数据的ID等唯一标识一条运维数据的数据。
其中，分别根据所述运维数据标识集合中每个运维数据标识，从所述运维数据库中获取运维数据，将获取的所有运维数据作为待展示的运维数据集合。
对于S73，将所述待展示的运维数据集合中的所有运维数据进行页面展示，将展示完成的页面作为运维数据展示页面。
运维数据展示页面，也就是Web(全球广域网)页面。
在一个实施例中，上述根据所述待展示的运维数据集合进行页面展示，得到运维数据展示页面之后，还包括：
S74：根据所述运维数据展示页面获取影响范围查看请求，所述影响范围查看请求携带有待处理的运维数据标识；
S75：响应所述影响范围查看请求，根据所述待处理的运维数据标识从所述运维数据库中获取监控对象标识，得到待查看的监控对象标识；
S76：获取运维关系图谱，根据所述待查看的监控对象标识从所述运维关系图谱中获取关联系统的系统标识，得到关联系统标识集合；
S77：根据所述关联系统标识集合进行弹窗展示，得到影响范围弹窗。
本实施例首先根据所述待查看的运维数据标识从所述运维数据库中获取监控对象标识，得到待查看的监控对象标识，然后根据所述待查看的监控对象标识从所述运维关系图谱中获取关联系统的系统标识，得到关联系统标识集合，最后根据所述关联系统标识集合进行弹窗展示，从而有利于运维人员快速的了解每条运维数据的影响范围。
对于S74，根据所述运维数据展示页面，可以获取用户输入的影响范围查看请求。
影响范围查看请求，是查看所述待处理的运维数据标识对应的运维数据的影响范围。
其中，用户在所述运维数据展示页面点击按钮，所述运维数据展示页面根据被点击的按钮的参数获取运维数据标识，将获取的运维数据标识作为待处理的运维数据标识，并且根据所述待处理的运维数据标识生成影响范围查看请求。
对于S75，在获取响应所述影响范围查看请求时，响应所述影响范围查看请求，将所述待处理的运维数据标识从所述运维数据库中进行查找，将所述运维数据库中查找到的运维数据标识对应的监控对象标识，作为所述待查看的监控对象标识。
对于S76，可以获取用户输入的运维关系图谱，也可以从数据库中获取运维关系图谱，还可以是第三方应用系统发送的运维关系图谱。
运维关系图谱，是各个监控对象之间关系的图谱。运维关系图谱，将监控对象作为节点，将监控对象之间的依赖关系作为有向边。
对于S77，根据监控对象之间的依赖关系，对所述关联系统标识集合中的所有监控对象在同一弹窗进行展示，将完成展示的弹窗作为影响范围弹窗。
在一个实施例中，上述获取目标监控对象发送的待分析的运维数据之后，还包括：
S81：获取风险概率预测请求，所述风险概率预测请求携带有待预测时间和待预测的监控对象标识；
S82：获取运维数据库和预设提取时长，根据所述待预测的监控对象标识和所述预设提取时长，从所述运维数据库中获取运维数据，得到待预测的运维数据集合；
S83：将所述待预测的运维数据集合和所述待预测时间输入风险概率预测模型进行风险概率预测，得到所述待预测的监控对象标识对应的监控对象在所述待预测时间的风险概率预测结果，其中，所述风险概率预测模型是基于逻辑回归模型训练得到的模型。
本实施例实现了将所述待预测的运维数据集合和所述待预测时间输入风险概率预测模型进行风险概率预测，得到所述待预测的监控对象标识对应的监控对象在所述待预测时间的风险概率预测结果，从而有利于提前进行问题纠正，进一步提高了监控对象提供软件服务的稳定性。
对于S81，可以获取用户输入的风险概率预测请求，也可以是实现本申请的程序根据预设条件触发的风险概率预测请求。
风险概率预测请求，是预测所述待预测的监控对象标识对应的监控对象在所述待预测时间是否存在影响可用性和性能的风险事件。
待预测时间，可以是具体时间点，也可以是时间段。
待预测的监控对象标识，也就是需要进行风险概率预测的监控对象的监控对象标识。
对于S82，可以从数据库中获取运维数据库，也可以从第三方应用系统中获取运维数据库。
其中，可以从数据库中获取预设提取时长，也可以从第三方应用系统中获取预设提取时长，还可以将预设提取时长写入实现本申请的程序中。预设提取时长，是一个具体数值。
其中，采用以当前时间为开始时间和往历史时间获取的方式，从所述运维数据库中获取所述待预测的监控对象标识对应的运维数据，将获取的所有运维数据作为待预测的运维数据集合，其中，待预测的运维数据集合中的运维数据的生成时间距离当前时间的时长小于或等于所述预设提取时长。
对于S83，将所述待预测的运维数据集合按时间先后顺序进行时间序列生成，将生成的序列作为序列待预测的运维序列数据；将所述待预测的运维序列数据和所述待预测时间输入所述风险概率预测模型进行风险概率预测，获取所述风险概率预测模型输出的预测结果作为所述待预测的监控对象标识对应的监控对象在所述待预测时间的风险概率预测结果。
风险概率预测结果，是指存在影响可用性和性能的风险事件的概率。
可选的，所述将所述待预测的运维数据集合和所述待预测时间输入风险概率预测模型进行风险概率预测，得到所述待预测的监控对象标识对应的监控对象在所述待预测时间的风险概率预测结果之后，还包括：获取预设风险概率等级划分规则；采用所述预设风险概率等级划分规则，对所述风险概率预测结果进行风险概率等级划分，得到所述待预测的监控对象标识对应的监控对象在所述待预测时间对应的目标风险概率等级。
所述预设风险概率等级划分规则包括：风险概率、风险概率等级，每个风险概率对应一个风险概率等级。
其中，将所述风险概率预测结果在所述预设风险概率等级划分规则中进行查找，将在所述预设风险概率等级划分规则中查找到的风险概率对应的风险概率等级作为所述待预测的监控对象标识对应的监控对象在所述待预测时间对应的目标风险概率等级。
参照图2，本申请还提出了一种基于人工智能的运维装置，所述装置包括：
数据获取模块100，用于获取目标监控对象发送的待分析的运维数据；
待匹配的运维数据确定模块200，用于获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；
相似度确定模块300，用于获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；
目标相似度确定模块400，用于获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；
目标运维脚本确定模块500，用于根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；
异常恢复模块600，用于根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
本实施例首先通过获取目标监控对象发送的待分析的运维数据，然后根据关键字列表，从待分析的运维数据中提取数据，得到待匹配的运维数据，分别对待匹配的运维数据与运维案例库中的每个场景数据进行相似度计算，得到多个相似度，当存在相似度大于相似度阈值时，从大于相似度阈值的所有相似度中获取最大值，得到目标相似度，否则，根据待分析的运维数据生成匹配失败提醒信号，根据目标相似度从运维案例库中获取运维脚本，得到目标运维脚本，最后根据目标运维脚本对目标监控对象进行异常恢复，获取目标监控对象发送的异常恢复结果，根据异常恢复结果生成自动化运维提醒信号，从而实现了自动化进行运维数据采集、案例匹配、异常恢复，不需为每个应用系统设置运维监控平台和/或运维监控工具，避免了冗余监控，而且不需要运维人员根据多个运维监控平台和或多个运维监控工具的监控数据确定故障后进行故障恢复，缩短了故障恢复时间。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于人工智能的运维方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的运维方法。所述基于人工智能的运维方法，包括：获取目标监控对象发送的待分析的运维数据；获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
本实施例首先通过获取目标监控对象发送的待分析的运维数据，然后根据关键字列表，从待分析的运维数据中提取数据，得到待匹配的运维数据，分别对待匹配的运维数据与运维案例库中的每个场景数据进行相似度计算，得到多个相似度，当存在相似度大于相似度阈值时，从大于相似度阈值的所有相似度中获取最大值，得到目标相似度，否则，根据待分析的运维数据生成匹配失败提醒信号，根据目标相似度从运维案例库中获取运维脚本，得到目标运维脚本，最后根据目标运维脚本对目标监控对象进行异常恢复，获取目标监控对象发送的异常恢复结果，根据异常恢复结果生成自动化运维提醒信号，从而实现了自动化进行运维数据采集、案例匹配、异常恢复，不需为每个应用系统设置运维监控平台和/或运维监控工具，避免了冗余监控，而且不需要运维人员根据多个运维监控平台和或多个运维监控工具的监控数据确定故障后进行故障恢复，缩短了故障恢复时间。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于人工智能的运维方法，包括步骤：获取目标监控对象发送的待分析的运维数据；获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
上述执行的基于人工智能的运维方法，首先通过获取目标监控对象发送的待分析的运维数据，然后根据关键字列表，从待分析的运维数据中提取数据，得到待匹配的运维数据，分别对待匹配的运维数据与运维案例库中的每个场景数据进行相似度计算，得到多个相似度，当存在相似度大于相似度阈值时，从大于相似度阈值的所有相似度中获取最大值，得到目标相似度，否则，根据待分析的运维数据生成匹配失败提醒信号，根据目标相似度从运维案例库中获取运维脚本，得到目标运维脚本，最后根据目标运维脚本对目标监控对象进行异常恢复，获取目标监控对象发送的异常恢复结果，根据异常恢复结果生成自动化运维提醒信号，从而实现了自动化进行运维数据采集、案例匹配、异常恢复，不需为每个应用系统设置运维监控平台和/或运维监控工具，避免了冗余监控，而且不需要运维人员根据多个运维监控平台和或多个运维监控工具的监控数据确定故障后进行故障恢复，缩短了故障恢复时间。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于人工智能的运维方法，其特征在于，所述方法包括：
获取目标监控对象发送的待分析的运维数据；
获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；
获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；
获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；
根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；
根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
2.根据权利要求1所述的基于人工智能的运维方法，其特征在于，所述分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度，包括：
从所述运维案例库中获取一个所述场景数据作为目标场景数据；
从所述待匹配的运维数据中获取一个关键字对应的运维数据，得到单关键字运维数据；
根据所述单关键字运维数据对应的所述关键字，从所述目标场景数据中获取数据，得到单关键字案例数据；
对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到单关键字相似度；
重复执行所述从所述待匹配的运维数据中获取一个关键字对应的运维数据，得到单关键字运维数据的步骤，直至完成所述待匹配的运维数据在的所述关键字的获取；
对所有所述单关键字相似度进行平均值计算，得到所述目标场景数据对应的所述相似度；
重复执行所述从所述运维案例库中获取一个所述场景数据作为目标场景数据的步骤，直至完成所述运维案例库中的所述场景数据的获取。
3.根据权利要求2所述的基于人工智能的运维方法，其特征在于，所述对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到单关键字相似度，包括：
采用N-gram相似度算法，对所述单关键字运维数据和所述单关键字案例数据进行单关键字的相似度计算，得到所述单关键字相似度。
4.根据权利要求1所述的基于人工智能的运维方法，其特征在于，所述根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号，包括：
将所述目标运维脚本发送给所述目标监控对象；
获取所述目标监控对象发送的所述异常恢复结果，其中，所述异常恢复结果是所述目标监控对象根据所述目标运维脚本进行异常恢复得到的结果；
当所述异常恢复结果为成功时，根据所述待分析的运维数据生成自动化运维成功提醒信号；
当所述异常恢复结果为失败时，根据所述待分析的运维数据生成自动化运维失败提醒信号。
5.根据权利要求1所述的基于人工智能的运维方法，其特征在于，所述获取目标监控对象发送的待分析的运维数据之后，还包括：
获取运维数据查看请求，所述运维数据查看请求携带有运维数据标识集合；
响应所述运维数据查看请求，获取运维数据库，根据所述运维数据标识集合从所述运维数据库中获取数据，得到待展示的运维数据集合；
根据所述待展示的运维数据集合进行页面展示，得到运维数据展示页面。
6.根据权利要求5所述的基于人工智能的运维方法，其特征在于，所述根据所述待展示的运维数据集合进行页面展示，得到运维数据展示页面之后，还包括：
根据所述运维数据展示页面获取影响范围查看请求，所述影响范围查看请求携带有待处理的运维数据标识；
响应所述影响范围查看请求，根据所述待处理的运维数据标识从所述运维数据库中获取监控对象标识，得到待查看的监控对象标识；
获取运维关系图谱，根据所述待查看的监控对象标识从所述运维关系图谱中获取关联系统的系统标识，得到关联系统标识集合；
根据所述关联系统标识集合进行弹窗展示，得到影响范围弹窗。
7.根据权利要求1所述的基于人工智能的运维方法，其特征在于，所述获取目标监控对象发送的待分析的运维数据之后，还包括：
获取风险概率预测请求，所述风险概率预测请求携带有待预测时间和待预测的监控对象标识；
获取运维数据库和预设提取时长，根据所述监控对象标识和所述预设提取时长，从所述运维数据库中获取运维数据，得到待预测的运维数据集合；
将所述待预测的运维数据集合和所述待预测时间输入风险概率预测模型进行风险概率预测，得到所述待预测的监控对象标识对应的监控对象在所述待预测时间的风险概率预测结果，其中，所述风险概率预测模型是基于逻辑回归模型训练得到的模型。
8.一种基于人工智能的运维装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标监控对象发送的待分析的运维数据；
待匹配的运维数据确定模块，用于获取关键字列表，根据所述关键字列表，从所述待分析的运维数据中提取数据，得到待匹配的运维数据；
相似度确定模块，用于获取运维案例库，分别对所述待匹配的运维数据与所述运维案例库中的每个场景数据进行相似度计算，得到多个相似度；
目标相似度确定模块，用于获取相似度阈值，当存在所述相似度大于所述相似度阈值时，从大于所述相似度阈值的所有所述相似度中获取最大值，得到目标相似度，否则，根据所述待分析的运维数据生成匹配失败提醒信号；
目标运维脚本确定模块，用于根据所述目标相似度从所述运维案例库中获取运维脚本，得到目标运维脚本；
异常恢复模块，用于根据所述目标运维脚本对所述目标监控对象进行异常恢复，获取所述目标监控对象发送的异常恢复结果，根据所述异常恢复结果生成自动化运维提醒信号。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法。
10.一种计算机可读存储介质，其上存储有计算机程序，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至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110729330.4A CN113283620B (zh) | 2021-06-29 | 2021-06-29 | 基于人工智能的运维方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110729330.4A CN113283620B (zh) | 2021-06-29 | 2021-06-29 | 基于人工智能的运维方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283620A true CN113283620A (zh) | 2021-08-20 |
| CN113283620B CN113283620B (zh) | 2024-07-16 |
Family
ID=77285989
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110729330.4A Active CN113283620B (zh) | 2021-06-29 | 2021-06-29 | 基于人工智能的运维方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283620B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114253281A (zh) * | 2021-11-09 | 2022-03-29 | 深圳鹏行智能研究有限公司 | 一种四足机器人运动控制方法、相关装置及存储介质 |
| CN114880151A (zh) * | 2022-04-25 | 2022-08-09 | 北京科杰科技有限公司 | 人工智能运维方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107612756A (zh) * | 2017-10-31 | 2018-01-19 | 广西宜州市联森网络科技有限公司 | 一种具有智能故障分析处理功能的运维管理系统 |
| CN206977446U (zh) * | 2017-08-09 | 2018-02-06 | 朱明增 | 一种变电站运维平台故障自动诊断与快速恢复系统 |
| CN107862393A (zh) * | 2017-10-31 | 2018-03-30 | 广西宜州市联森网络科技有限公司 | 一种it运维管理系统 |
| CN110704231A (zh) * | 2019-09-30 | 2020-01-17 | 深圳前海微众银行股份有限公司 | 一种故障处理方法及装置 |
-
2021
- 2021-06-29 CN CN202110729330.4A patent/CN113283620B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206977446U (zh) * | 2017-08-09 | 2018-02-06 | 朱明增 | 一种变电站运维平台故障自动诊断与快速恢复系统 |
| CN107612756A (zh) * | 2017-10-31 | 2018-01-19 | 广西宜州市联森网络科技有限公司 | 一种具有智能故障分析处理功能的运维管理系统 |
| CN107862393A (zh) * | 2017-10-31 | 2018-03-30 | 广西宜州市联森网络科技有限公司 | 一种it运维管理系统 |
| CN110704231A (zh) * | 2019-09-30 | 2020-01-17 | 深圳前海微众银行股份有限公司 | 一种故障处理方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114253281A (zh) * | 2021-11-09 | 2022-03-29 | 深圳鹏行智能研究有限公司 | 一种四足机器人运动控制方法、相关装置及存储介质 |
| CN114880151A (zh) * | 2022-04-25 | 2022-08-09 | 北京科杰科技有限公司 | 人工智能运维方法 |
| CN114880151B (zh) * | 2022-04-25 | 2023-01-13 | 北京科杰科技有限公司 | 人工智能运维方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283620B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276410B (zh) | 确定不良原因的方法、装置、电子设备及存储介质 | |
| CN109669844B (zh) | 设备故障处理方法、装置、设备和存储介质 | |
| CN113283620A (zh) | 基于人工智能的运维方法、装置、设备及存储介质 | |
| CN111338836A (zh) | 处理故障数据的方法、装置、计算机设备和存储介质 | |
| CN108874661B (zh) | 测试映射关系库生成方法、装置、计算机设备和存储介质 | |
| CN110798245B (zh) | 基于单模型的地下电缆故障预警方法和装置 | |
| CN113835962A (zh) | 一种服务器故障检测方法、装置、计算机设备及存储介质 | |
| CN111475401A (zh) | 一种测试方法及相关设备 | |
| CN111090592A (zh) | 埋点的自动化测试方法、终端及可读存储介质 | |
| CN110837956A (zh) | 地下电缆巡检任务分配方法和装置 | |
| CN110825923A (zh) | 基于单模型的地下电缆故障修复方法和装置 | |
| CN112380286A (zh) | 数据库的数据对象关系图谱生成方法、装置、设备及介质 | |
| CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
| CN110362478B (zh) | 应用升级测试方法、装置、计算机设备和存储介质 | |
| CN112363937A (zh) | 差异覆盖率测试方法、装置、计算机设备和存储介质 | |
| CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
| CN111324375A (zh) | 代码管理方法、装置、计算机设备和存储介质 | |
| CN115033481A (zh) | 基于浏览器访问的自动化测试代码生成的方法、装置以及计算机设备 | |
| CN111597422A (zh) | 埋点映射方法、装置、计算机设备和存储介质 | |
| CN110609618A (zh) | 一种人机对话方法、装置、计算机设备及存储介质 | |
| CN112541739B (zh) | 问答意图分类模型的测试方法、装置、设备及介质 | |
| CN111460268A (zh) | 数据库查询请求的确定方法、装置和计算机设备 | |
| CN111061637A (zh) | 接口测试方法、接口测试装置及存储介质 | |
| CN114896094A (zh) | 一种故障定位方法、装置、电子设备及存储介质 | |
| CN109299224B (zh) | 基于Zabbix的解决方案查询方法、装置、计算机设备 |
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 |