CN113395182A - 具有故障预测的智能网络设备管理系统及方法 - Google Patents

具有故障预测的智能网络设备管理系统及方法 Download PDF

Info

Publication number
CN113395182A
CN113395182A CN202110687885.7A CN202110687885A CN113395182A CN 113395182 A CN113395182 A CN 113395182A CN 202110687885 A CN202110687885 A CN 202110687885A CN 113395182 A CN113395182 A CN 113395182A
Authority
CN
China
Prior art keywords
fault
network equipment
data
historical
network
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
Application number
CN202110687885.7A
Other languages
English (en)
Other versions
CN113395182B (zh
Inventor
姜朝露
杨明培
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.)
Zhiyuan Digital Technology (Shandong) Co.,Ltd.
Original Assignee
Shandong Eighth Five Year 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 Shandong Eighth Five Year Information Technology Co ltd filed Critical Shandong Eighth Five Year Information Technology Co ltd
Priority to CN202110687885.7A priority Critical patent/CN113395182B/zh
Publication of CN113395182A publication Critical patent/CN113395182A/zh
Application granted granted Critical
Publication of CN113395182B publication Critical patent/CN113395182B/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
    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H04L41/0659—Management of faults, events, alarms or notifications using network fault recovery by isolating or reconfiguring faulty entities
    • 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
    • H04L41/0677—Localisation of faults
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Abstract

本发明涉及网络设备管理技术领域，具体涉及具有故障预测的智能网络设备管理系统及方法，所述系统包括：历史故障数据分析单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；设备分层单元，配置用于基于故障发生频率的排序结果，对网络设备进行分层；其通过将网络设备的历史故障数据建立故障关联，以便于在后续进行故障检测时，能够一次性发现所有可能发生故障的设备，以提升故障检测的效率；同时，利用网络设备的历史故障数据建立故障预测模型，进行故障预测，提升网络设备管理的智能化，降低故障发生率。

Description

具有故障预测的智能网络设备管理系统及方法
技术领域
本发明属于网络设备管理技术领域，具体涉及具有故障预测的智能网络设备管理系统及方法，适用于网络设备的全生命周期管理。
背景技术
随着社会的进步和人们生活水平的提高，对于各种产品使用体验的要求也越来越高，在此形势下，“全生命周期”理念应运而生，在网络设备领域，也引入了“全生命周期管理”的概念。
在全生命周期理念中，产品在生命周期的各个阶段，人们所使用的服务和所要解决的问题是不相同的，具体到产品的全生命周期管理，一般是指管理产品从需求、规划、设计、生产、经销、运行、使用、维修保养、直到回收再用处置的全生命周期中的信息与过程。
在网络设备的全生命周期中，故障的及时预测对于保障其正常运行来说是十分重要的，利用各种检查和测试方法，发现系统和设备是否存在故障的过程是故障检测；而进一步确定故障所在大致部位的过程是故障定位。故障检测和故障定位同属网络生存性范畴。要求把故障定位到实施修理时可更换的产品层次(可更换单位)的过程称为故障隔离。故障诊断就是指故障检测和故障隔离的过程。
故障诊断的主要任务有：故障检测、故障类型判断、故障定位及故障恢复等。其中：故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复。
网络设备故障检测对及时发现和排除网络设备故障非常重要，一个高效的网络设备故障检测机制能够最大程度的保证用户对网络的正常使用。目前在网络运维实践中，一般通过如下手段检测网络设备是否出现故障：首先获取网络设备各个物理端口的报文的流量，之后将当前物理端口的报文的流量与该端口的历史报文流量进行对比，如果当前的报文流量出现明显的上升或下降，则初步判定网络设备出现故障，继而需要运维人员排查网络，进一步定位故障、隔离故障。
专利号为CN201611184305.8A的专利公开了一种网络设备故障检测方法及装置。该方法中，首先根据预设的检测参数，向需检测的目标网络设备发送Ping命令；若在等待响应时长之内，始终未接收到响应信息，查找与目标网络设备位于同一探测路径中，并且为目标网络设备上一跳的第一网络设备；若第一网络设备是检测终端，确定目标网络设备发生故障，若第一网络设备不是检测终端，向第一网络设备发送Ping命令；在向第一网络设备发送Ping命令之后，若在等待响应时长之内，接收到第一网络设备产生的响应信息，确定目标网络设备发生故障，若在等待响应时长之内，始终未接收到响应信息，确定目标网络设备未发生故障。
其通发送ping命令的方式来测试某设备是否出现故障，虽然能够避免出现误判断的问题，提高网络设备的故障检测的准确度，但其需要针对每一个待检测的设备采用同样的方式进行检测，检测效率很低，且智能化程度低，需要消耗大量的系统资源。
发明内容
有鉴于此，本发明的主要目的在于提供具有故障预测的智能网络设备管理系统及方法，其通过将网络设备的历史故障数据建立故障关联，以便于在后续进行故障检测时，能够一次性发现所有可能发生故障的设备，以提升故障检测的效率；同时，利用网络设备的历史故障数据建立故障预测模型，进行故障预测，提升网络设备管理的智能化，降低故障发生率。
为达到上述目的，本发明的技术方案是这样实现的：
具有故障预测的智能网络设备管理系统，所述系统包括：
历史故障数据分析单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；
设备分层单元，配置用于基于故障发生频率的排序结果，对网络设备进行分层；所述分层过程包括：构建一个树形网络结构，按照故障发生频率从高到底，将对应的网络设备的标识存储在树形网络结构的节点中，其中，故障发生频率最高的网络设备的标识存储在树形网络结构的根节点；
故障链构建单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；
故障排查单元，配置用于基于关联树形网络结构，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；
故障预测单元，配置用于获取网络设备的历史故障数据，将历史故障数据作为训练数据，建立故障预测模型；再实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
进一步的，所述故障链构建单元找到网络设备之间故障发生的关联的方法包括：步骤1.1：对获取的网络设备的历史故障数据进行归一化和离散化处理，生成用于相关性分析的网络设备的历史故障数据集；步骤1.2：取得故障的描述并设定最小故障值；所述故障的描述包括：故障本身描述和该故障对应的网络设备的标识；所述最小故障值为设定的频次值，只有当某个故障发生的频次超过最小故障值时，该故障才会呈现显性状态；根据所述故障的描述和所述最小故障值构造出网络设备的历史故障数据集的故障描述和故障值约束树，在所述故障值约束树中，当某个故障超过设定的最小故障值，每个故障的描述将会加入到故障值描述树中；最后在故障描述和故障值约束树上挖掘出约束模式；步骤1.3：设定置信区间，根据所述置信区间和所述约束模式，挖掘出描述网络设备的历史故障数据的特征与故障描述之间相关性的关联规则；步骤1.4：根据步骤1.3中得到的关联规则，将相同的每个网络设备的历史故障数据的特征的故障描述在故障值约束树中进行关联。
进一步的，所述步骤1.2中挖掘出约束模式的方法包括：利用一阶谓词逻辑描述故障，并设定衡量关联规则重要程度的最小故障值；扫描网络设备的历史故障数据集，判断网络设备的历史故障数据集中的每一条故障数据是否满足所述故障，从而将原数据集中的故障数据，分解为两个不相交的故障数据子集，并采用满足故障的故障数据子集和设定的最小故障值，构造网络设备的历史故障数据集的故障描述和故障值约束树；利用设定的最小故障值和故障描述和故障值约束树，挖掘出网络设备的历史故障数据的约束模式。
进一步的，所述故障预测单元包括：训练单元，配置用于获取网络设备的历史故障数据，将历史故障数据作为训练数据；模型建立单元，配置用于基于训练数据建立故障预测模型；预测单元，配置用于实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
进一步的，所述训练单元在获取网络设备的历史故障数据后，还将对历史故障数据进行数据预处理，所述数据预处理的过程包括：去除唯一属性、处理缺失值和异常值检测及处理。
进一步的，所述模型建立单元基于训练数据建立故障预测模型的方法包括：基于训练数据，使用有监督的神经网络创建预测故障预测模型。
进一步的，所述故障预测模型使用如下公式进行表示：
Figure BDA0003125253180000051
Figure BDA0003125253180000052
其中，η为计算出的故障判别值，η1为网络设备的历史故障数据的平均故障发生率，η2为网络设备的历史故障数据的故障发生率的中位数，mod为取模运算，i为网络设备的历史故障数据的数据个数，Mb为运行数据的个数，T为设定值，取值范围为：50～250；根据计算出的故障判别值与设定的阈值进行比较，以预测是否会发生故障。
一种具有故障预测的智能网络设备管理方法，所述方法执行以下步骤：
步骤1：获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；
步骤2：基于故障发生频率的排序结果，对网络设备进行分层；所述分层过程包括：构建一个树形网络结构，按照故障发生频率从高到底，将对应的网络设备的标识存储在树形网络结构的节点中，其中，故障发生频率最高的网络设备的标识存储在树形网络结构的根节点；
步骤3：获取网络设备的历史故障数据，对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；
步骤4：基于关联树形网络结构，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；
步骤5：获取网络设备的历史故障数据，将历史故障数据作为训练数据，建立故障预测模型；再实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
进一步的，所步骤3包括：步骤1.1：对获取的网络设备的历史故障数据进行归一化和离散化处理，生成用于相关性分析的网络设备的历史故障数据集；步骤1.2：取得故障的描述并设定最小故障值；所述故障的描述包括：故障本身描述和该故障对应的网络设备的标识；所述最小故障值为设定的频次值，只有当某个故障发生的频次超过最小故障值时，该故障才会呈现显性状态；根据所述故障的描述和所述最小故障值构造出网络设备的历史故障数据集的故障描述和故障值约束树，在所述故障值约束树中，当某个故障超过设定的最小故障值，每个故障的描述将会加入到故障值描述树中；最后在故障描述和故障值约束树上挖掘出约束模式；步骤1.3：设定置信区间，根据所述置信区间和所述约束模式，挖掘出描述网络设备的历史故障数据的特征与故障描述之间相关性的关联规则；步骤1.4：根据步骤1.3中得到的关联规则，将相同的每个网络设备的历史故障数据的特征的故障描述在故障值约束树中进行关联。
进一步的，所述步骤1.2中挖掘出约束模式的方法包括：利用一阶谓词逻辑描述故障，并设定衡量关联规则重要程度的最小故障值；扫描网络设备的历史故障数据集，判断网络设备的历史故障数据集中的每一条故障数据是否满足所述故障，从而将原数据集中的故障数据，分解为两个不相交的故障数据子集，并采用满足故障的故障数据子集和设定的最小故障值，构造网络设备的历史故障数据集的故障描述和故障值约束树；利用设定的最小故障值和故障描述和故障值约束树，挖掘出网络设备的历史故障数据的约束模式。
本发明的具有故障预测的智能网络设备管理系统及方法，其通过将网络设备的历史故障数据建立故障关联，以便于在后续进行故障检测时，能够一次性发现所有可能发生故障的设备，以提升故障检测的效率；同时，利用网络设备的历史故障数据建立故障预测模型，进行故障预测，提升网络设备管理的智能化，降低故障发生率。主要通过以下过程实现：1.故障链的构建：本发明对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；通过该过程，在某个故障出现后，不仅可以直接发现出现故障的网络设备，还可以根据故障链找到相关的网络设备，因为在网络运行过程中，发生故障的往往会不止一个设备，如果单纯的进行逐一检测，将十分浪费资源，降低效率，而故障连可以一次性发现所有可能会发生故障的设备，显著提升了故障检测的效率；2.故障排查的方法：本发明在进行故障排查时，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；通过该过程进行故障排查，可以从故障发生率较高的设备开始进行排查，而不是按照常规的网络设备的顺序进行排查，这样，又从另一方面提升了故障检测的效率；3.故障预测功能：本发明通过建立故障预测模型进行故障预测，该故障预测模型基于神经网络实现，但模型算法则进行了调整，以适应网络设备的故障预测，通过该过程，降低了网络设备的故障发生率，同时提升了故障预测的准确性。
附图说明
图1为本发明实施例提供的具有故障预测的智能网络设备管理系统的系统结构示意图；
图2为本发明实施例提供的具有故障预测的智能网络设备管理方法的方法流程示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，具有故障预测的智能网络设备管理系统，所述系统包括：
历史故障数据分析单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；
设备分层单元，配置用于基于故障发生频率的排序结果，对网络设备进行分层；所述分层过程包括：构建一个树形网络结构，按照故障发生频率从高到底，将对应的网络设备的标识存储在树形网络结构的节点中，其中，故障发生频率最高的网络设备的标识存储在树形网络结构的根节点；
故障链构建单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；
故障排查单元，配置用于基于关联树形网络结构，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；
故障预测单元，配置用于获取网络设备的历史故障数据，将历史故障数据作为训练数据，建立故障预测模型；再实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
采用上述技术方案，本发明通过将网络设备的历史故障数据建立故障关联，以便于在后续进行故障检测时，能够一次性发现所有可能发生故障的设备，以提升故障检测的效率；同时，利用网络设备的历史故障数据建立故障预测模型，进行故障预测，提升网络设备管理的智能化，降低故障发生率。主要通过以下过程实现：1.故障链的构建：本发明对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；通过该过程，在某个故障出现后，不仅可以直接发现出现故障的网络设备，还可以根据故障链找到相关的网络设备，因为在网络运行过程中，发生故障的往往会不止一个设备，如果单纯的进行逐一检测，将十分浪费资源，降低效率，而故障连可以一次性发现所有可能会发生故障的设备，显著提升了故障检测的效率；2.故障排查的方法：本发明在进行故障排查时，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；通过该过程进行故障排查，可以从故障发生率较高的设备开始进行排查，而不是按照常规的网络设备的顺序进行排查，这样，又从另一方面提升了故障检测的效率；3.故障预测功能：本发明通过建立故障预测模型进行故障预测，该故障预测模型基于神经网络实现，但模型算法则进行了调整，以适应网络设备的故障预测，通过该过程，降低了网络设备的故障发生率，同时提升了故障预测的准确性。
实施例2
在上一实施例的基础上，所述故障链构建单元找到网络设备之间故障发生的关联的方法包括：步骤1.1：对获取的网络设备的历史故障数据进行归一化和离散化处理，生成用于相关性分析的网络设备的历史故障数据集；步骤1.2：取得故障的描述并设定最小故障值；所述故障的描述包括：故障本身描述和该故障对应的网络设备的标识；所述最小故障值为设定的频次值，只有当某个故障发生的频次超过最小故障值时，该故障才会呈现显性状态；根据所述故障的描述和所述最小故障值构造出网络设备的历史故障数据集的故障描述和故障值约束树，在所述故障值约束树中，当某个故障超过设定的最小故障值，每个故障的描述将会加入到故障值描述树中；最后在故障描述和故障值约束树上挖掘出约束模式；步骤1.3：设定置信区间，根据所述置信区间和所述约束模式，挖掘出描述网络设备的历史故障数据的特征与故障描述之间相关性的关联规则；步骤1.4：根据步骤1.3中得到的关联规则，将相同的每个网络设备的历史故障数据的特征的故障描述在故障值约束树中进行关联。
具体的，随着互联网的普及和宽带速度的提高，以及企业网络技术和互联网在应用上的普及和发展，过去单一的计算机系统根本无法满足当前各种各样、无处不在的网络应用需求。云计算、物联网这样的新型网络技术的渐渐得到了应用和普及，计算机网络的规模和结构也日趋庞大和复杂。由于网络中接入的设备越来越多，故障便不可避免的出现。
网络设备从整体上可以划分为硬件和软件，相应的网络故障也可以分为硬件故障和软件故障两大类。其中，硬件故障包括线路故障如电磁干扰、端口故障如插头松动、集线器或路由器故障、主机物理故障等；而软件故障则包含路由器逻辑故障如配置有误、重要进程或端口被关闭、主机逻辑故障如缺少网卡驱动程序等。当然还包括其他类型的故障。这些软硬件故障的出现严重影响了网络系统的可靠性，给人们的日常生活和工作带来很多不便。而在某些特殊环境下，网络系统的可靠性显得尤为重要，如交通管理系统、飞机导航系统、军工武器系统等。在关键任务的执行过程中，一个轻微的网络故障可能造成极大的损失，如重要信息的丢失甚至任务的失败。因此，如何在一定程度上减轻此类网络故障对系统可靠性造成的影响已经成为当务之急。
具体的，网络设备故障预测是通过对历史和当前的故障特征值进行分析，预测出未来的故障特征值，从而预测出设备在未来一段时间内的运行状态，并且依据运些特征值，判断设备的故障级别，提前掌握设备故障的发展趋势，为提早预防和修复故障提供依据，具有重要的理论研究价值和工程实践意义。
实施例3
在上一实施例的基础上，所述步骤1.2中挖掘出约束模式的方法包括：利用一阶谓词逻辑描述故障，并设定衡量关联规则重要程度的最小故障值；扫描网络设备的历史故障数据集，判断网络设备的历史故障数据集中的每一条故障数据是否满足所述故障，从而将原数据集中的故障数据，分解为两个不相交的故障数据子集，并采用满足故障的故障数据子集和设定的最小故障值，构造网络设备的历史故障数据集的故障描述和故障值约束树；利用设定的最小故障值和故障描述和故障值约束树，挖掘出网络设备的历史故障数据的约束模式。
具体的，故障诊断是一种了解和掌握机器在运行过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术，油液监测、振动监测、噪声监测、性能趋势分析和无损探伤等为其主要的诊断技术方式。系统故障诊断是对系统运行状态和异常情况作出判断，并根据诊断作出判断，为系统故障恢复提供依据。要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。
实施例4
在上一实施例的基础上，所述故障预测单元包括：训练单元，配置用于获取网络设备的历史故障数据，将历史故障数据作为训练数据；模型建立单元，配置用于基于训练数据建立故障预测模型；预测单元，配置用于实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
实施例5
在上一实施例的基础上，所述训练单元在获取网络设备的历史故障数据后，还将对历史故障数据进行数据预处理，所述数据预处理的过程包括：去除唯一属性、处理缺失值和异常值检测及处理。
具体的，知识获取上，神经网络的知识不需要由知识工程师进行整理、总结以及消化领域专家的知识，只需要用领域专家解决问题的实例或范例来训练神经网络；在知识表示方面，神经网络采取隐式表示，并将某一问题的若干知识表示在同一网络中，通用性高、便于实现知识的总动获取和并行联想推理。在知识推理方面，神经网络通过神经元之间的相互作用来实现推理。
前在许多领域的故障诊断系统中已开始应用，如在化工设备、核反应器、汽轮机、旋转机械和电动机等领域都取得了较好的效果。由于神经网络从故障事例中学到的知识只是一些分布权重，而不是类似领域专家逻辑思维的产生式规则，因此诊断推理过程不能够解释，缺乏透明度
实施例6
在上一实施例的基础上，所述模型建立单元基于训练数据建立故障预测模型的方法包括：基于训练数据，使用有监督的神经网络创建预测故障预测模型。
实施例7
在上一实施例的基础上，所述故障预测模型使用如下公式进行表示：
Figure BDA0003125253180000121
其中，η为计算出的故障判别值，η1为网络设备的历史故障数据的平均故障发生率，η2为网络设备的历史故障数据的故障发生率的中位数，mod为取模运算，i为网络设备的历史故障数据的数据个数，Mb为运行数据的个数，T为设定值，取值范围为：50～250；根据计算出的故障判别值与设定的阈值进行比较，以预测是否会发生故障。
实施例8
一种具有故障预测的智能网络设备管理方法，所述方法执行以下步骤：
步骤1：获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；
步骤2：基于故障发生频率的排序结果，对网络设备进行分层；所述分层过程包括：构建一个树形网络结构，按照故障发生频率从高到底，将对应的网络设备的标识存储在树形网络结构的节点中，其中，故障发生频率最高的网络设备的标识存储在树形网络结构的根节点；
步骤3：获取网络设备的历史故障数据，对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；
步骤4：基于关联树形网络结构，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；
步骤5：获取网络设备的历史故障数据，将历史故障数据作为训练数据，建立故障预测模型；再实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
实施例9
在上一实施例的基础上，所步骤3包括：步骤1.1：对获取的网络设备的历史故障数据进行归一化和离散化处理，生成用于相关性分析的网络设备的历史故障数据集；步骤1.2：取得故障的描述并设定最小故障值；所述故障的描述包括：故障本身描述和该故障对应的网络设备的标识；所述最小故障值为设定的频次值，只有当某个故障发生的频次超过最小故障值时，该故障才会呈现显性状态；根据所述故障的描述和所述最小故障值构造出网络设备的历史故障数据集的故障描述和故障值约束树，在所述故障值约束树中，当某个故障超过设定的最小故障值，每个故障的描述将会加入到故障值描述树中；最后在故障描述和故障值约束树上挖掘出约束模式；步骤1.3：设定置信区间，根据所述置信区间和所述约束模式，挖掘出描述网络设备的历史故障数据的特征与故障描述之间相关性的关联规则；步骤1.4：根据步骤1.3中得到的关联规则，将相同的每个网络设备的历史故障数据的特征的故障描述在故障值约束树中进行关联。
实施例10
在上一实施例的基础上，所述步骤1.2中挖掘出约束模式的方法包括：利用一阶谓词逻辑描述故障，并设定衡量关联规则重要程度的最小故障值；扫描网络设备的历史故障数据集，判断网络设备的历史故障数据集中的每一条故障数据是否满足所述故障，从而将原数据集中的故障数据，分解为两个不相交的故障数据子集，并采用满足故障的故障数据子集和设定的最小故障值，构造网络设备的历史故障数据集的故障描述和故障值约束树；利用设定的最小故障值和故障描述和故障值约束树，挖掘出网络设备的历史故障数据的约束模式。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (10)

1.具有故障预测的智能网络设备管理系统，其特征在于，所述系统包括：
历史故障数据分析单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；
设备分层单元，配置用于基于故障发生频率的排序结果，对网络设备进行分层；所述分层过程包括：构建一个树形网络结构，按照故障发生频率从高到底，将对应的网络设备的标识存储在树形网络结构的节点中，其中，故障发生频率最高的网络设备的标识存储在树形网络结构的根节点；
故障链构建单元，配置用于获取网络设备的历史故障数据，对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；
故障排查单元，配置用于基于关联树形网络结构，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；
故障预测单元，配置用于获取网络设备的历史故障数据，将历史故障数据作为训练数据，建立故障预测模型；再实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
2.如权利要求1所述的系统，其特征在于，所述故障链构建单元找到网络设备之间故障发生的关联的方法包括：步骤1.1：对获取的网络设备的历史故障数据进行归一化和离散化处理，生成用于相关性分析的网络设备的历史故障数据集；步骤1.2：取得故障的描述并设定最小故障值；所述故障的描述包括：故障本身描述和该故障对应的网络设备的标识；所述最小故障值为设定的频次值，只有当某个故障发生的频次超过最小故障值时，该故障才会呈现显性状态；根据所述故障的描述和所述最小故障值构造出网络设备的历史故障数据集的故障描述和故障值约束树，在所述故障值约束树中，当某个故障超过设定的最小故障值，每个故障的描述将会加入到故障值描述树中；最后在故障描述和故障值约束树上挖掘出约束模式；步骤1.3：设定置信区间，根据所述置信区间和所述约束模式，挖掘出描述网络设备的历史故障数据的特征与故障描述之间相关性的关联规则；步骤1.4：根据步骤1.3中得到的关联规则，将相同的每个网络设备的历史故障数据的特征的故障描述在故障值约束树中进行关联。
3.如权利要求2所述的系统，其特征在于，所述步骤1.2中挖掘出约束模式的方法包括：利用一阶谓词逻辑描述故障，并设定衡量关联规则重要程度的最小故障值；扫描网络设备的历史故障数据集，判断网络设备的历史故障数据集中的每一条故障数据是否满足所述故障，从而将原数据集中的故障数据，分解为两个不相交的故障数据子集，并采用满足故障的故障数据子集和设定的最小故障值，构造网络设备的历史故障数据集的故障描述和故障值约束树；利用设定的最小故障值和故障描述和故障值约束树，挖掘出网络设备的历史故障数据的约束模式。
4.如权利要求3所述的系统，其特征在于，所述故障预测单元包括：训练单元，配置用于获取网络设备的历史故障数据，将历史故障数据作为训练数据；模型建立单元，配置用于基于训练数据建立故障预测模型；预测单元，配置用于实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
5.如权利要求4所述的系统，其特征在于，所述训练单元在获取网络设备的历史故障数据后，还将对历史故障数据进行数据预处理，所述数据预处理的过程包括：去除唯一属性、处理缺失值和异常值检测及处理。
6.如权利要求5所述的系统，其特征在于，所述模型建立单元基于训练数据建立故障预测模型的方法包括：基于训练数据，使用有监督的神经网络创建预测故障预测模型。
7.如权利要求6所述的系统，其特征在于，所述故障预测模型使用如下公式进行表示：
Figure FDA0003125253170000031
其中，η为计算出的故障判别值，η1为网络设备的历史故障数据的平均故障发生率，η2为网络设备的历史故障数据的故障发生率的中位数，mod为取模运算，i为网络设备的历史故障数据的数据个数，Mb为运行数据的个数，T为设定值，取值范围为：50～250；根据计算出的故障判别值与设定的阈值进行比较，以预测是否会发生故障。
8.一种基于权利要求1至7之一所述系统的具有故障预测的智能网络设备管理方法，其特征在于，所述方法执行以下步骤：
步骤1：获取网络设备的历史故障数据，对历史故障数据进行数据统计分析，按照网络设备的故障发生频率的高低，进行排序；
步骤2：基于故障发生频率的排序结果，对网络设备进行分层；所述分层过程包括：构建一个树形网络结构，按照故障发生频率从高到底，将对应的网络设备的标识存储在树形网络结构的节点中，其中，故障发生频率最高的网络设备的标识存储在树形网络结构的根节点；
步骤3：获取网络设备的历史故障数据，对历史故障数据进行相关性分析，找到网络设备之间故障发生的关联，若多个网络设备之间发生故障存在关联性，则在树形网络结构中，将这些网络设备标识进行连接，形成关联树形网络结构；
步骤4：基于关联树形网络结构，从根节点开始，获取网络设备的标识，依次对标识对应的网络设备进行故障排查，若排查发现某网络设备出现故障，则从关联树形网络结构中获取与该网络设备关联的所有网络设备的标识，并对这些关联的网络设备的标识对应的网络设备进行故障排查；
步骤5：获取网络设备的历史故障数据，将历史故障数据作为训练数据，建立故障预测模型；再实时获取网络设备的当前运行数据，基于当前运行数据，使用故障预测模型，预测网络设备是否会发生故障。
9.如权利要求8所述的方法，其特征在于，所步骤3包括：步骤1.1：对获取的网络设备的历史故障数据进行归一化和离散化处理，生成用于相关性分析的网络设备的历史故障数据集；步骤1.2：取得故障的描述并设定最小故障值；所述故障的描述包括：故障本身描述和该故障对应的网络设备的标识；所述最小故障值为设定的频次值，只有当某个故障发生的频次超过最小故障值时，该故障才会呈现显性状态；根据所述故障的描述和所述最小故障值构造出网络设备的历史故障数据集的故障描述和故障值约束树，在所述故障值约束树中，当某个故障超过设定的最小故障值，每个故障的描述将会加入到故障值描述树中；最后在故障描述和故障值约束树上挖掘出约束模式；步骤1.3：设定置信区间，根据所述置信区间和所述约束模式，挖掘出描述网络设备的历史故障数据的特征与故障描述之间相关性的关联规则；步骤1.4：根据步骤1.3中得到的关联规则，将相同的每个网络设备的历史故障数据的特征的故障描述在故障值约束树中进行关联。
10.如权利要求9所述的方法，其特征在于，所述步骤1.2中挖掘出约束模式的方法包括：利用一阶谓词逻辑描述故障，并设定衡量关联规则重要程度的最小故障值；扫描网络设备的历史故障数据集，判断网络设备的历史故障数据集中的每一条故障数据是否满足所述故障，从而将原数据集中的故障数据，分解为两个不相交的故障数据子集，并采用满足故障的故障数据子集和设定的最小故障值，构造网络设备的历史故障数据集的故障描述和故障值约束树；利用设定的最小故障值和故障描述和故障值约束树，挖掘出网络设备的历史故障数据的约束模式。
CN202110687885.7A 2021-06-21 2021-06-21 具有故障预测的智能网络设备管理系统及方法 Active CN113395182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110687885.7A CN113395182B (zh) 2021-06-21 2021-06-21 具有故障预测的智能网络设备管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110687885.7A CN113395182B (zh) 2021-06-21 2021-06-21 具有故障预测的智能网络设备管理系统及方法

Publications (2)

Publication Number Publication Date
CN113395182A true CN113395182A (zh) 2021-09-14
CN113395182B CN113395182B (zh) 2022-03-18

Family

ID=77623463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110687885.7A Active CN113395182B (zh) 2021-06-21 2021-06-21 具有故障预测的智能网络设备管理系统及方法

Country Status (1)

Country Link
CN (1) CN113395182B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114697203A (zh) * 2022-03-31 2022-07-01 浙江省通信产业服务有限公司 一种网络故障的预判方法、装置、电子设备及存储介质
CN117217740A (zh) * 2023-11-09 2023-12-12 江苏德琛常工新能源科技创新有限公司 一种基于人工智能的氢能设备故障数据传输系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105049528A (zh) * 2015-08-21 2015-11-11 向亦斌 一种基于自助服务的安全可控的智能网络系统及构建方法
CN109150619A (zh) * 2018-09-04 2019-01-04 国家计算机网络与信息安全管理中心 一种基于网络流量数据的故障诊断方法及系统
CN109617715A (zh) * 2018-11-27 2019-04-12 中盈优创资讯科技有限公司 网络故障诊断方法、系统
CN110650052A (zh) * 2019-09-26 2020-01-03 科大国创软件股份有限公司 一种基于智能算法的客户原因故障识别处理方法及系统
CN110912775A (zh) * 2019-11-26 2020-03-24 中盈优创资讯科技有限公司 物联网企业网络故障的监控方法及装置
CN111124840A (zh) * 2019-12-02 2020-05-08 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
CN111585799A (zh) * 2020-04-29 2020-08-25 杭州迪普科技股份有限公司 网络故障预测模型建立方法及装置
CN111624931A (zh) * 2020-06-18 2020-09-04 山东山大世纪科技有限公司 工业园区用电互联网智能运维管控系统及其方法
CN112187514A (zh) * 2020-09-02 2021-01-05 上海御威通信科技有限公司 一种数据中心网络设备智能运维系统、方法及终端
CN112799898A (zh) * 2021-01-08 2021-05-14 北京科技大学 基于分布式故障检测的互联系统故障节点定位方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105049528A (zh) * 2015-08-21 2015-11-11 向亦斌 一种基于自助服务的安全可控的智能网络系统及构建方法
CN109150619A (zh) * 2018-09-04 2019-01-04 国家计算机网络与信息安全管理中心 一种基于网络流量数据的故障诊断方法及系统
CN109617715A (zh) * 2018-11-27 2019-04-12 中盈优创资讯科技有限公司 网络故障诊断方法、系统
CN110650052A (zh) * 2019-09-26 2020-01-03 科大国创软件股份有限公司 一种基于智能算法的客户原因故障识别处理方法及系统
CN110912775A (zh) * 2019-11-26 2020-03-24 中盈优创资讯科技有限公司 物联网企业网络故障的监控方法及装置
CN111124840A (zh) * 2019-12-02 2020-05-08 北京天元创新科技有限公司 业务运维中告警的预测方法、装置与电子设备
CN111585799A (zh) * 2020-04-29 2020-08-25 杭州迪普科技股份有限公司 网络故障预测模型建立方法及装置
CN111624931A (zh) * 2020-06-18 2020-09-04 山东山大世纪科技有限公司 工业园区用电互联网智能运维管控系统及其方法
CN112187514A (zh) * 2020-09-02 2021-01-05 上海御威通信科技有限公司 一种数据中心网络设备智能运维系统、方法及终端
CN112799898A (zh) * 2021-01-08 2021-05-14 北京科技大学 基于分布式故障检测的互联系统故障节点定位方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张雷: ""智能网络管理系统的设计与实现"", 《浙江大学，2007年，硕士论文》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114697203A (zh) * 2022-03-31 2022-07-01 浙江省通信产业服务有限公司 一种网络故障的预判方法、装置、电子设备及存储介质
CN114697203B (zh) * 2022-03-31 2023-07-25 浙江省通信产业服务有限公司 一种网络故障的预判方法、装置、电子设备及存储介质
CN117217740A (zh) * 2023-11-09 2023-12-12 江苏德琛常工新能源科技创新有限公司 一种基于人工智能的氢能设备故障数据传输系统及方法
CN117217740B (zh) * 2023-11-09 2024-02-06 江苏德琛常工新能源科技创新有限公司 一种基于人工智能的氢能设备故障数据传输系统及方法

Also Published As

Publication number Publication date
CN113395182B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN109800127A (zh) 一种基于机器学习的系统故障诊断智能化运维方法及系统
CN113395182B (zh) 具有故障预测的智能网络设备管理系统及方法
CN107171819A (zh) 一种网络故障诊断方法及装置
CN101859128A (zh) 一种基于知识的车铣复合机床故障预测专家系统
CN112328703B (zh) 一种基于增量学习的数控设备健康状态诊断装置及方法
CN115118581B (zh) 一种基于5g的物联网数据全链路监控和智能保障系统
CN113282635A (zh) 一种微服务系统故障根因定位方法及装置
CN111290900A (zh) 一种基于微服务日志的软件故障检测方法
CN104574219A (zh) 电网业务信息系统运行工况的监测预警方法及系统
CN103049365B (zh) 信息与应用资源运行状态监控及评价方法
CN104571084B (zh) 主风机组故障根源深度诊断方法和装置
CN103023028A (zh) 一种基于实体间依赖关系图的电网故障快速定位方法
CN116124398B (zh) 旋转机械故障检测方法及装置、设备、存储介质
CN115237717A (zh) 一种微服务异常检测方法和系统
CN117596119A (zh) 一种基于snmp协议的设备数据采集与监控方法及系统
CN114629776B (zh) 基于图模型的故障分析方法及装置
Afshinpour et al. Correlating test events with monitoring logs for test log reduction and anomaly prediction
Poenaru-Olaru et al. Maintaining and monitoring AIOps models against concept drift
CN114116122A (zh) 一种应用容器高可用负载平台
CN109558258B (zh) 一种分布式系统根源故障定位的方法及装置
Zhao et al. Multi-stage Location for Root-Cause Metrics in Online Service Systems
Adamova et al. Machine Learning in Action: An Analysis of its Application for Fault Detection in Wireless Sensor Networks
Azeri et al. Fault prediction using supervised and unsupervised learning algorithms in cyber physical systems
CN111209131B (zh) 一种基于机器学习确定异构系统的故障的方法和系统
Natu et al. Automated debugging of SLO violations in enterprise systems

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 1102-1, 11th floor, South District, building 9, Shuntai Plaza, 2000 Shunhua Road, high tech Zone, Jinan City, Shandong Province

Patentee after: Zhiyuan Digital Technology (Shandong) Co.,Ltd.

Address before: Room 1102-1, 11th floor, South District, building 9, Shuntai Plaza, 2000 Shunhua Road, high tech Zone, Jinan City, Shandong Province

Patentee before: Shandong Eighth Five-Year Information Technology Co.,Ltd.