CN113420917B - 对业务系统未来故障预测的方法、计算机设备及存储介质 - Google Patents
对业务系统未来故障预测的方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113420917B CN113420917B CN202110680312.1A CN202110680312A CN113420917B CN 113420917 B CN113420917 B CN 113420917B CN 202110680312 A CN202110680312 A CN 202110680312A CN 113420917 B CN113420917 B CN 113420917B
- Authority
- CN
- China
- Prior art keywords
- data
- index
- fault
- predicting
- service system
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001364 causal effect Effects 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
- G06Q10/04—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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出一种对业务系统未来故障预测的方法、存储介质及计算机设备，解决了如何快速实现故障风险预测，缩短故障预测时间的问题，在所述方法中，包括数据采集、数据处理、预测模型建立和模型产出、T时刻的异常数据输入、预测模型导入和输出T+w时刻的故障概率以及故障等级的过程，其中，预测模型建立和模型产出基于的是因果关系，整个过程即利用原有的故障数据对未来可能发生的故障进行故障预测和评估，从而选择较为经济、有效的方式对故障进行规避，快速实现故障风险预测，缩短故障预测时间。
Description
技术领域
本发明涉及数据挖掘及故障预测的技术领域，更具体地，涉及一种对业务系统未来故障预测的方法、计算机设备及存储介质。
背景技术
随着集中监控系统的持续推广和实用化，各业务系统和各类设备产生了大量的事件、告警、故障以及数据日志，当前的故障可能会对将来的故障预防及定位有一定的影响，若这些事件、告警、故障及数据日志的处理工作如果单纯依赖人工进行处理，将会耗费大量的人力、物力，并且处理时的错误率也无法得到保证，就导致了未来故障预测时间较长，以致于影响了故障点的定位时间，而导致故障事件延长。
2020年8月11日，中国发明专利(公布号：CN111522705A)中公开了一种工业大数据智能运维解决方法，该专利中以工业大数据为基础，对数据中心的运维监控数据进行清洗、挖掘和特征提取，并对数据进行归档与整理，以数据中心软硬件配置、性能监控数据为基础，结合日志易数据、APM数据以及其他相关数据，构建故障预测模型，克服了传统靠机械式堆积人力的方式，无法保障故障预测效率的缺陷，但该方案仅提供了一个宏观的宽泛方向，对于如何进行故障预测，以及如何建立故障预测模型，无法快速实现故障风险预测，缩短故障预测时间。
发明内容
为解决如何快速实现故障风险预测，缩短故障预测时间的问题，本发明提出一种对业务系统未来故障预测的方法、计算机设备及存储介质，提升业务系统故障恢复速度以及降低故障发生率。
为了达到上述技术效果，本发明的技术方案如下：
一种对业务系统未来故障预测的方法，所述预测方法至少包括：
S1.考虑不同的数据类型，采集业务系统当前已存在的告警数据、事件数据及故障数据；
S2.对已采集的数据进行预处理，并根据已采集的数据确定业务系统中发生故障的组件；
S3.明确发生故障的组件的指标变量，基于组件的指标变量构造全连接图，对全连接图中的指标变量进行冗余关系处理，得到冗余关系处理后的最直接的故障因果关系连接图；
S4.根据故障因果关系连接图，结合V-结构确定边界的方向，从而得到组件的KPI因果图，作为故障预测模型；
S5.采集T时刻的业务系统的异常数据，并对异常数据进行预处理，将预处理后的异常数据输入故障预测模型；
S6.当时间到达T+W时刻时，通过故障预测模型输出此刻产生故障的概率及对应的故障等级，并以报告形式传输至工作人员。
优选地，步骤S1所述的数据类型包括结构化数据、半结构化数据以及非结构化数据。
优选地，步骤S1中的数据均通过数据采集模块采集。
优选地，步骤S2所述的对已采集的数据进行预处理的方式为归一化，以便消除各种数据类型之间的差异。
优选地，已发生故障组件的指标变量包括：内存指标、网络指标、CPU指标、磁盘速率指标、响应时间指标、错误率指标及服务端重置率指标。
优选地，步骤S3所述的对全连接图中的指标变量进行冗余关系处理的具体过程为：
S31.采集发生故障的组件的所有时序数据其中，t表示时序，指标变量之间的连接形成全连接图的边，N表示时序数据的个体数，代表全连接图中的边的条数，j表示第j个时序数据，设定显著性水平为α及时序数据的初始化条件为S是初始化条件的父亲节点；
S2.指标变量偏相关独立性检测：对于初始化条件中的任意一个数据若不能被拒绝，则从/>中删除/>即剔除第τ条边，该边两端的指标变量条件独立，属于无关条件冗余关系；
S3.输出冗余关系处理后的最直接的故障因果关系连接图。
在此，采用指标变量偏相关独立性检测时，是对两个相邻指标变量进行条件独立性检验，若两个相邻变量存在条件独立性，则去除两个相邻变量之间的边，剔除无关条件冗余关系，最终剩下最简单直接的因果关系。
优选地，步骤S4中所述的结合V-结构确定边界的方向的具体过程为：
S41.设冗余关系处理后的最直接的故障因果关系连接图对应的精简初始条件为
S42.时序上的条件独立性检验：对于精简初始化条件中的任意一个数据若其中/>不包括/>以及/>则/>与/>方向表示
在此，在确定了最简单直接的因果关系之后，全连接图之间的边也保留为精简的形式，但对于全连接图作为预测模型应用时，数据输入预测模型后，根据因果关系，在预测模型内部(精简全连接图)有方向的进行预测，最后按方向进行输出，所以需要确定方向。
优选地，步骤S5中对异常数据进行预处理的方式为归一化。
本发明还提出一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器中存储有至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现权利要求1至8任一所述的对业务系统未来故障预测的方法。
一种存储介质，所述存储介质中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行以实现权利要求1至8任一所述的对业务系统未来故障预测的方法。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种对业务系统未来故障预测的方法、计算机设备及存储介质，在所述方法中，包括数据采集、数据处理、预测模型建立和模型产出、T时刻的异常数据输入、预测模型导入和输出T+w时刻的故障概率以及故障等级的过程，其中，预测模型建立和模型产出基于的是因果关系，整个过程即利用原有的故障数据对未来可能发生的故障进行故障预测和评估，从而选择较为经济、有效的方式对故障进行规避，快速实现故障风险预测，缩短故障预测时间。
附图说明
图1表示本发明实施例中提出的对业务系统未来故障预测的方法的流程示意图；
图2表示本发明实施例中提出的典型剔除冗余关系后的预测模型V-结构网络图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。
附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例
如图1所示，本发明提出一种对业务系统未来故障预测的方法，所述预测方法至少包括：
S1.考虑不同的数据类型，采集业务系统当前已存在的告警数据、事件数据及故障数据；
S2.对已采集的数据进行预处理，并根据已采集的数据确定业务系统中发生故障的组件；
S3.明确发生故障的组件的指标变量，基于组件的指标变量构造全连接图，全连接图设有观测值，对全连接图中的指标变量进行冗余关系处理，得到冗余关系处理后的最直接的故障因果关系连接图；
S4.根据故障因果关系连接图，结合V-结构确定边界的方向，从而得到组件的KPI因果图，作为故障预测模型；
S5.采集T时刻的业务系统的异常数据，并对异常数据进行预处理，将预处理后的异常数据输入故障预测模型；
S6.当时间到达T+W时刻时，通过故障预测模型输出此刻产生故障的概率及对应的故障等级，并以报告形式传输至工作人员。
以上过程可以分为：故障预测模型构建过程和以T时刻的业务系统的异常数据为输入，通过故障预测模型预测的过程，故障预测模型构建过程对应步骤S1～步骤S4；以T时刻的业务系统的异常数据为输入，通过故障预测模型预测的过程对应步骤S5～S6。
其中，预测模型构建和产出基于的是因果关系，整个过程即利用原有的故障数据对未来可能发生的故障进行故障预测和评估，从而选择较为经济、有效的方式对故障进行规避，快速实现故障风险预测，缩短故障预测时间。
在基于组件的指标变量构造全连接图时，采用神经网络对指标变量进行拟合，然后输出基于因果规则的全连接图。
步骤S4中所述的KPI结果图是指KPI指标间的因果关系图。
在本实施例中，步骤S1所述的数据类型包括结构化数据、半结构化数据以及非结构化数据。
在本身实施例中，步骤S1中的数据均通过数据采集模块采集。
在本实施例中，步骤S2所述的对已采集的数据进行预处理的方式为归一化，以便消除各种数据类型之间的差异。
在本实施例中，已发生故障组件的指标变量包括：内存指标、网络指标、CPU指标、磁盘速率指标、响应时间指标、错误率指标及服务端重置率指标。
步骤S3所述的对全连接图中的指标变量进行冗余关系处理的具体过程为：
S31.采集发生故障的组件的所有时序数据其中，t表示时序，指标变量之间的连接形成全连接图的边，N表示时序数据的个体数，代表全连接图中的边的条数，j表示第j个时序数据，设定显著性水平为α及时序数据的初始化条件为S是初始化条件的父亲节点；
S2.指标变量偏相关独立性检测：对于初始化条件中的任意一个数据若不能被拒绝，则从/>中删除/>即剔除第τ条边，该边两端的指标变量条件独立，属于无关条件冗余关系；
S3.输出冗余关系处理后的最直接的故障因果关系连接图。
采用指标变量偏相关独立性检测时，是对两个相邻指标变量进行条件独立性检验，若两个相邻变量存在条件独立性，则去除两个相邻变量之间的边，剔除无关条件冗余关系，最终剩下最简单直接的因果关系。
步骤S4中所述的结合V-结构确定边界的方向的具体过程为：
S41.设冗余关系处理后的最直接的故障因果关系连接图对应的精简初始条件为
S42.时序上的条件独立性检验：对于精简初始化条件中的任意一个数据若其中/>不包括/>以及/>则/>与/>方向表示
在此，在确定了最简单直接的因果关系之后，全连接图之间的边也保留为精简的形式，但对于全连接图作为预测模型应用时，数据输入预测模型后，根据因果关系，在预测模型内部(精简全连接图)有方向的进行预测，最后按方向进行输出，所以需要确定方向。
此外，V-结构在统计学角度不等同于任何其他包含相同变量的结构，与其他马尔科夫等价类结构相比，V-结构在因果关系识别问题上更具有鲁棒性和可识别性。事件和故障之间存在的V-结构说明故障变量和共同影响事件变量。
在本实施例中，图2表示本发明实施例中提出的典型剔除冗余关系后的预测模型V-结构网络图，图2中，X、Y、Z表示三个变量，通过指标变量偏相关独立性检测与时序上的条件独立性检验后，剔除了相邻变量之间的边关系，而且确定了边界的方向，X指向Z，Y指向Z。
步骤S5中对异常数据进行预处理的方式为归一化。
步骤S6中，T+W时刻的故障等级计算公式为：
其中，表示阈值数值。
在实际实施时，在通过故障预测模型进行预测之前，为了消除数据的统计差异，异常数据预处理的方式应该与前期故障预测模型建立过程中相同的归一化操作。
本发明还提出一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器中存储有至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现所述的对业务系统未来故障预测的方法。
除此之外，本发明还提出一种存储介质，所述存储介质中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行以实现所述的对业务系统未来故障预测的方法。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种对业务系统未来故障预测的方法，其特征在于，所述预测方法至少包括：
S1.考虑不同的数据类型，采集业务系统当前已存在的告警数据、事件数据及故障数据；
S2.对已采集的数据进行预处理，并根据已采集的数据确定业务系统中发生故障的组件；
S3.明确发生故障的组件的指标变量，基于组件的指标变量构造全连接图，对全连接图中的指标变量进行冗余关系处理，得到冗余关系处理后的最直接的故障因果关系连接图；
步骤S3所述的对全连接图中的指标变量进行冗余关系处理的具体过程为：
S31.采集发生故障的组件的所有时序数据Xt j∈{Xt 1,Xt 2,......,Xt N}，其中，t表示时序，指标变量之间的连接形成全连接图的边，N表示时序数据的个体数，代表全连接图中的边的条数，j表示第j个时序数据，设定显著性水平为α及时序数据的初始化条件为S是初始化条件的父亲节点；
S32.指标变量偏相关独立性检测：对于初始化条件中的任意一个数据Xt-τ τ，若不能被拒绝，则从/>中删除Xt-τ τ，即剔除第τ条边，该边两端的指标变量条件独立，属于无关条件冗余关系；
S33.输出冗余关系处理后的最直接的故障因果关系连接图；
S4.根据故障因果关系连接图，结合V-结构确定边界的方向，从而得到组件的KPI因果图，作为故障预测模型；
步骤S4中所述的结合V-结构确定边界的方向的具体过程为：
S41.设冗余关系处理后的最直接的故障因果关系连接图对应的精简初始条件为
S42.时序上的条件独立性检验：对于精简初始化条件中的任意一个数据Xt-τ τ，若其中，/>不包括Xt-τ τ，则Xt-τ τ与/>方向表示Xt-τ τ→Xt j；
S5.采集T时刻的业务系统的异常数据，并对异常数据进行预处理，将预处理后的异常数据输入故障预测模型；
S6.当时间到达T+W时刻时，通过故障预测模型输出此刻产生故障的概率及对应的故障等级，并以报告形式传输至工作人员；
T+W时刻的故障等级的计算公式为：
其中，表示阈值数值。
2.根据权利要求1所述的对业务系统未来故障预测的方法，其特征在于，步骤S1所述的数据类型包括结构化数据、半结构化数据以及非结构化数据。
3.根据权利要求2所述的对业务系统未来故障预测的方法，其特征在于，步骤S1中的数据均通过数据采集模块采集。
4.根据权利要求3所述的对业务系统未来故障预测的方法，其特征在于，步骤S2.所述的对已采集的数据进行预处理的方式为归一化。
5.根据权利要求1所述的对业务系统未来故障预测的方法，其特征在于，已发生故障组件的指标变量包括：内存指标、网络指标、CPU指标、磁盘速率指标、响应时间指标、错误率指标及服务端重置率指标。
6.根据权利要求1所述的对业务系统未来故障预测的方法，其特征在于，步骤S5中对异常数据进行预处理的方式为归一化。
7.一种计算机设备，其特征在于，所述计算机设备包含处理器和存储器，所述存储器中存储有至少一条计算机指令，所述至少一条计算机指令由所述处理器加载并执行以实现权利要求1至6任一所述的对业务系统未来故障预测的方法。
8.一种存储介质，其特征在于，所述存储介质中存储有至少一条计算机指令，所述至少一条计算机指令由处理器加载并执行以实现如权利要求1至6任一所述的对业务系统未来故障预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110680312.1A CN113420917B (zh) | 2021-06-18 | 2021-06-18 | 对业务系统未来故障预测的方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110680312.1A CN113420917B (zh) | 2021-06-18 | 2021-06-18 | 对业务系统未来故障预测的方法、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113420917A CN113420917A (zh) | 2021-09-21 |
| CN113420917B true CN113420917B (zh) | 2023-10-27 |
Family
ID=77789192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110680312.1A Active CN113420917B (zh) | 2021-06-18 | 2021-06-18 | 对业务系统未来故障预测的方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420917B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504637A (zh) * | 2014-12-11 | 2015-04-08 | 广东工业大学 | 基于行为时间序列的社交网络因果关系发现算法 |
| 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 |
| CN111522705A (zh) * | 2020-03-23 | 2020-08-11 | 广东工业大学 | 一种工业大数据智能运维解决方法 |
| CN111541559A (zh) * | 2020-03-23 | 2020-08-14 | 广东工业大学 | 一种基于因果规则的故障定位方法 |
| CN111552843A (zh) * | 2020-04-23 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于加权因果依赖图的故障预测方法 |
| CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
-
2021
- 2021-06-18 CN CN202110680312.1A patent/CN113420917B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504637A (zh) * | 2014-12-11 | 2015-04-08 | 广东工业大学 | 基于行为时间序列的社交网络因果关系发现算法 |
| 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 |
| CN111522705A (zh) * | 2020-03-23 | 2020-08-11 | 广东工业大学 | 一种工业大数据智能运维解决方法 |
| CN111541559A (zh) * | 2020-03-23 | 2020-08-14 | 广东工业大学 | 一种基于因果规则的故障定位方法 |
| CN111552843A (zh) * | 2020-04-23 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种基于加权因果依赖图的故障预测方法 |
| CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Identification of adverse drug-drug interactions through causal association rule discovery from spontaneous adverse event reports";Ruichu Cai et.al;《Artificial Intelligence in Medicine》;20170228;第7-15页 * |
| "因果关系初探(9)——因果关系发现";望止洋;《知乎http://zhuanlan.zhihu.com/p/127831016》;20200430;第1-9页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113420917A (zh) | 2021-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| US9298538B2 (en) | Methods and systems for abnormality analysis of streamed log data | |
| CN113282461B (zh) | 传输网的告警识别方法和装置 | |
| US11640459B2 (en) | Abnormality detection device | |
| CN110149223B (zh) | 故障定位方法和设备 | |
| CN111585799A (zh) | 网络故障预测模型建立方法及装置 | |
| CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
| CN110703214A (zh) | 一种气象雷达状态评估和故障监测方法 | |
| JP6988304B2 (ja) | 運用管理システム、監視サーバ、方法およびプログラム | |
| CN111898647A (zh) | 一种基于聚类分析的低压配电设备误告警识别方法 | |
| KR20210044655A (ko) | 분포도를 통한 기기의 예지 보전방법 | |
| CN113196311A (zh) | 用于识别和预测机器的异常感测行为模式的系统和方法 | |
| CN114465874A (zh) | 故障预测方法、装置、电子设备与存储介质 | |
| CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
| CN115733762A (zh) | 具有大数据分析能力的监控系统 | |
| CN113704018A (zh) | 应用运维数据处理方法、装置、计算机设备及存储介质 | |
| CN115794588A (zh) | 内存故障预测方法、装置、系统及监测服务器 | |
| US20170257304A1 (en) | Systems and methods for monitoring system performance and availability | |
| EP3462266B1 (en) | Aircraft maintenance message prediction | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| KR20210044657A (ko) | 분포도를 통한 기기의 예지 보전방법 | |
| CN118194699A (zh) | 一种火电机组用励磁系统线上评估方法及系统 | |
| CN106022907A (zh) | 大型商业银行后台核心交易事件趋势预测方法及其系统 | |
| CN113420917B (zh) | 对业务系统未来故障预测的方法、计算机设备及存储介质 | |
| CN117389779A (zh) | 一种微服务故障根因定位方法 |
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 |