CN113626594B - 基于多智能体的运维知识库的建立方法及系统 - Google Patents

基于多智能体的运维知识库的建立方法及系统 Download PDF

Info

Publication number
CN113626594B
CN113626594B CN202110804162.0A CN202110804162A CN113626594B CN 113626594 B CN113626594 B CN 113626594B CN 202110804162 A CN202110804162 A CN 202110804162A CN 113626594 B CN113626594 B CN 113626594B
Authority
CN
China
Prior art keywords
knowledge
data
key content
maintenance
processed
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
CN202110804162.0A
Other languages
English (en)
Other versions
CN113626594A (zh
Inventor
刘鹤
王羽
赵汀
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 DC Science Co Ltd
Original Assignee
Shanghai Qiwang Network 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 Qiwang Network Technology Co ltd filed Critical Shanghai Qiwang Network Technology Co ltd
Priority to CN202110804162.0A priority Critical patent/CN113626594B/zh
Publication of CN113626594A publication Critical patent/CN113626594A/zh
Application granted granted Critical
Publication of CN113626594B publication Critical patent/CN113626594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供的基于多智能体的运维知识库的建立方法及系统，可以通过获取分析知识种类描述范围的种类区分方式数据生成待处理多方面知识数据片段，在待处理多方面知识数据片段上可以标定互动节点和知识关键内容。互动节点就是该分析知识种类描述内数据差异的高发点，然后以这些互动节点为中心向外设定知识关键内容，对位于知识关键内容内的训练描述特征向量，不同的知识关键内容的训练的描述特征向量也不同，这样就实现了描述特征向量的自动建立。

Description

基于多智能体的运维知识库的建立方法及系统
技术领域
本申请涉及数据库建立技术领域，具体而言，涉及基于多智能体的运维知识库的建立方法及系统。
背景技术
知识库是知识工程中结构化、易操作、易利用、全面有组织的知识集群，是针对某一领域问题求解的需要，采用某种知识表示方式在计算机存储器中存储、组织、管理和使用的互相联系的知识片集合。采集多方面的知识进行准确的分类，并将类似的知识数据整合到一起，形成数据库，这样能快速的相关知识数据进行查询。但是，在识库的建立技术中还存在一些缺陷。
发明内容
鉴于此，本申请提供了基于多智能体的运维知识库的建立方法及系统。
第一方面，提供一种基于多智能体的运维知识库的建立方法，包括：
获取待处理多方面知识数据，生成待处理多方面知识数据片段，所述待处理多方面知识数据为知识处理服务器分析知识种类描述范围的种类区分方式数据；
在待处理多方面知识数据片段上区分知识关键内容；
根据所述知识关键内容训练描述特征向量，所述描述特征向量与所述知识关键内容对应关系；
根据所属知识关键内容智能建立运维知识库。
进一步地，所述获取待处理多方面知识数据包括：
判断是否与事先设置的标准数据匹配；
若判定与事先设置的标准数据匹配，则通过响应独立知识数据标签获取指定范围的待处理多方面知识数据片段；
若判定没有与事先设置的标准数据匹配，则获取事先设置的许可误差范围的待处理多方面知识数据片段。
进一步地，所述在待处理多方面知识数据片段上区分知识关键内容包括：
在待处理多方面知识数据片段上建立种类区分方式集合；
在所述种类区分方式集合上选取互动节点，确定所述互动节点的种类区分方式，所述互动节点包括所述待处理多方面知识数据片段中数据差异突发情况对应的轨迹；
选取一个互动节点，根据事先设置的传输轨迹区分该互动节点对应的知识关键内容，所述知识关键内容的数量为多个，所述传输轨迹包括多个轨迹，每个知识关键内容与每个轨迹对应关系。
进一步地，选取一个互动节点，根据事先设置的传输轨迹来区分该互动节点对应的知识关键内容包括：
设定第一知识关键内容、第二知识关键内容和第三知识关键内容，所述第一知识关键内容为存储文档所述互动节点小于第一事先设置的存储文档向量第一的范围，所述第二知识关键内容为存储文档所述互动节点大于或等于第一事先设置的存储文档向量第一，且小于或等于第二事先设置的存储文档向量第二的范围，所述第三知识关键内容为存储文档所述互动节点大于所述第二事先设置的存储文档向量第二的范围，所述第一事先设置的存储文档向量第一小于第二事先设置的存储文档向量第二。
进一步地，根据所属知识关键内容智能建立运维知识库包括：
根据所述第一知识关键内容训练第一描述特征向量，根据所述第二知识关键内容训练第二描述特征向量，根据所述第三知识关键内容训练第三描述特征向量，所述第一描述特征向量的内容关联性高于所述第二描述特征向量的内容关联性，所述第二描述特征向量的内容关联性高于所述第三描述特征向量的内容关联性。
进一步地，根据所述知识关键内容智能建立运维知识库包括：
在所述待处理多方面知识数据片段上建立种类区分方式集合；
确定所述种类区分方式集合上的种类区分方式；
每个所述互动节点之间的存储文档；
根据所述存储文档确定所述知识关键内容；
根据所述知识关键内容匹配对应的描述特征向量。
进一步地，在根据所述知识关键内容智能建立运维知识库之后，所述方法还包括：
判断是否接收到专业知识数据，所述专业知识数据包括基础文本专业知识数据、浮动文本专业知识数据、知识类别标签比较满足文本专业知识数据；
若判定接收到专业知识数据，则实时增加样本文本出发点附近范围的运维知识库，并修正样本文本；
若判定未接收到专业知识数据，则对所述运维知识库进行常态定时更新。
进一步地，实时增加所述样本文本出发点附近范围的运维知识库包括：
获取所述样本文本出发点在种类区分方式集合上对应的种类区分方式；
获取所述种类区分方式集合上与所述样本文本出发点对应的种类区分方式之间的存储文档向量；
判断所述存储文档向量是否满足第三事先设置的存储文档；
若判定所述存储文档向量满足第三事先设置的存储文档，则将该运维知识库修正为所述第一描述特征向量，且在持续第一事先设置的时间后恢复为原始的描述特征向量；
若判定所述存储文档向量不满足第三事先设置的存储文档，则维持该原始的描述特征向量。
进一步地，修正样本文本具体包括如下步骤：
以原始点建立种类区分方式集合；
获取所述样本文本出发点在所述种类区分方式集合上的种类区分方式；
计算所述样本文本出发点在所述种类区分方式集合上相对于原始点的位置；
根据所述位置修正样本文本，使样本文本与所述位置相对应。
第二方面，提供一种基于多智能体的运维知识库的建立系统，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现所述的方法。
本申请实施例所提供的基于多智能体的运维知识库的建立方法及系统，可以通过获取分析知识种类描述范围的种类区分方式数据生成待处理多方面知识数据片段，在待处理多方面知识数据片段上可以标定互动节点和知识关键内容。互动节点就是该分析知识种类描述内数据差异的高发点，然后以这些互动节点为中心向外设定知识关键内容，对位于知识关键内容内的训练描述特征向量，不同的知识关键内容的训练的描述特征向量也不同，这样就实现了描述特征向量的自动建立。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例所提供的一种基于多智能体的运维知识库的建立方法的流程图。
图2为本申请实施例所提供的一种基于多智能体的运维知识库的建立装置的框图。
图3为本申请实施例所提供的一种基于多智能体的运维知识库的建立系统的架构图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种基于多智能体的运维知识库的建立方法，该方法可以包括以下步骤100-步骤400所描述的技术方案。
步骤100，获取待处理多方面知识数据，生成待处理多方面知识数据片段，所述待处理多方面知识数据为知识处理服务器分析知识种类描述范围的种类区分方式数据。
示例性的，种类区分方式数据用于表征知识种类描述范围的区分函数。
步骤200，在待处理多方面知识数据片段上区分知识关键内容。
示例性的，区分知识关键内容用于表征重要的待处理多方面知识数据片段的内容。
步骤300，根据所述知识关键内容训练描述特征向量，所述描述特征向量与所述知识关键内容对应关系。
步骤400，根据所属知识关键内容智能建立运维知识库。
可以理解，在执行上述步骤100-步骤400所描述的技术方案时，可以通过获取分析知识种类描述范围的种类区分方式数据生成待处理多方面知识数据片段，在待处理多方面知识数据片段上可以标定互动节点和知识关键内容。互动节点就是该分析知识种类描述内数据差异的高发点，然后以这些互动节点为中心向外设定知识关键内容，对位于知识关键内容内的训练描述特征向量，不同的知识关键内容的训练的描述特征向量也不同，这样就实现了描述特征向量的自动建立。
在一种可替换的实施例中，发明人发现，获取待处理多方面知识数据时，存在标准数据匹配不准确的问题，从而难以准确地获取待处理多方面知识数据，为了改善上述技术问题，步骤100所描述的获取待处理多方面知识数据的步骤，具体可以包括以下步骤q1-步骤q3所描述的技术方案。
步骤q1，判断是否与事先设置的标准数据匹配。
步骤q2，若判定与事先设置的标准数据匹配，则通过响应独立知识数据标签获取指定范围的待处理多方面知识数据片段。
步骤q3，若判定没有与事先设置的标准数据匹配，则获取事先设置的许可误差范围的待处理多方面知识数据片段。
可以理解，在执行上述步骤q1-步骤q3所描述的技术方案时，获取待处理多方面知识数据时，尽可能地避免标准数据匹配不准确的问题，从而能够准确地获取待处理多方面知识数据。
在一种可替换的实施例中，发明人发现，在待处理多方面知识数据片段上区分知识关键内容时，存在种类区分方式集合不准确的问题，从而难以准确地区分知识关键内容，为了改善上述技术问题，步骤200所描述的在待处理多方面知识数据片段上区分知识关键内容的步骤，具体可以包可以以下步骤w1-步骤w3所描述的技术方案。
步骤w1，在待处理多方面知识数据片段上建立种类区分方式集合。
步骤w2，在所述种类区分方式集合上选取互动节点，确定所述互动节点的种类区分方式，所述互动节点包括所述待处理多方面知识数据片段中数据差异突发情况对应的轨迹。
步骤w3，选取一个互动节点，根据事先设置的传输轨迹区分该互动节点对应的知识关键内容，所述知识关键内容的数量为多个，所述传输轨迹包括多个轨迹，每个知识关键内容与每个轨迹对应关系。
可以理解，在执行上述步骤w1-步骤w3所描述的技术方案时，在待处理多方面知识数据片段上区分知识关键内容时，尽可能的避免种类区分方式集合不准确的问题，从而能够准确地区分知识关键内容。
在一种可替换的实施例中，发明人发现，选取一个互动节点，根据事先设置的传输轨迹来区分该互动节点对应的知识关键内容时，存在知识关键内容不准确的问题，从而难以准确地传输轨迹来区分该互动节点对应的知识关键内容，为了改善上述技术问题，步骤w3所描述的选取一个互动节点，根据事先设置的传输轨迹来区分该互动节点对应的知识关键内容的步骤，具体可以包括以下步骤w31所描述的技术方案。
步骤w31，设定第一知识关键内容、第二知识关键内容和第三知识关键内容，所述第一知识关键内容为存储文档所述互动节点小于第一事先设置的存储文档向量第一的范围，所述第二知识关键内容为存储文档所述互动节点大于或等于第一事先设置的存储文档向量第一，且小于或等于第二事先设置的存储文档向量第二的范围，所述第三知识关键内容为存储文档所述互动节点大于所述第二事先设置的存储文档向量第二的范围，所述第一事先设置的存储文档向量第一小于第二事先设置的存储文档向量第二。
可以理解，在执行上述步骤w31所描述的技术方案时，选取一个互动节点，根据事先设置的传输轨迹来区分该互动节点对应的知识关键内容时，尽可能地避免知识关键内容不准确的问题，从而能够准确地传输轨迹来区分该互动节点对应的知识关键内容。
在一种可替换的实施例中，发明人发现，根据所属知识关键内容智能建立运维知识库时，存在描述特征向量不准确的问题，从而难以准确地建立运维知识库，为了改善上述技术问题，步骤400所描述的根据所属知识关键内容智能建立运维知识库的步骤，具体可以包括以下步骤e1所描述的技术方案。
步骤e1，根据所述第一知识关键内容训练第一描述特征向量，根据所述第二知识关键内容训练第二描述特征向量，根据所述第三知识关键内容训练第三描述特征向量，所述第一描述特征向量的内容关联性高于所述第二描述特征向量的内容关联性，所述第二描述特征向量的内容关联性高于所述第三描述特征向量的内容关联性。
可以理解，在执行上述步骤e1所描述的技术方案时，根据所属知识关键内容智能建立运维知识库时，尽可能地避免描述特征向量不准确的问题，从而能够准确地建立运维知识库。
在一种可替换的实施例中，发明人发现，根据所述知识关键内容智能建立运维知识库时，存在存储文档不准确的问题，从而难以准确地建立运维知识库，为了改善上述技术问题，步骤400所描述的根据所述知识关键内容智能建立运维知识库的步骤，具体可以包括以下步骤r1-步骤r5所描述的技术方案。
步骤r1，在所述待处理多方面知识数据片段上建立种类区分方式集合。
步骤r2，确定所述种类区分方式集合上的种类区分方式。
步骤r3，每个所述互动节点之间的存储文档。
步骤r4，根据所述存储文档确定所述知识关键内容。
步骤r5，根据所述知识关键内容匹配对应的描述特征向量。
可以理解，在执行上述步骤r1-步骤r5所描述的技术方案时，根据所述知识关键内容智能建立运维知识库时，尽可能地避免存储文档不准确的问题，从而能够准确地建立运维知识库。
基于上述基础，在根据所述知识关键内容智能建立运维知识库之后，还可以包括以下步骤y1-步骤y3所描述的技术方案。
步骤y1，判断是否接收到专业知识数据，所述专业知识数据包括基础文本专业知识数据、浮动文本专业知识数据、知识类别标签比较满足文本专业知识数据。
步骤y2，若判定接收到专业知识数据，则实时增加样本文本出发点附近范围的运维知识库，并修正样本文本。
步骤y3，若判定未接收到专业知识数据，则对所述运维知识库进行常态定时更新。
可以理解，在执行上述步骤y1-步骤y3所描述的技术方案时，通过精确地获得文本专业知识数据，从而提高修正或者进行常态定时更新的精度。
在一种可替换的实施例中，发明人发现，实时增加所述样本文本出发点附近范围的运维知识库时，存在存储文档向量不准确的问题，从而难以准确地增加所述样本文本出发点附近范围的运维知识库，为了改善上述技术问题，步骤y2所描述的实时增加所述样本文本出发点附近范围的运维知识库的步骤，具体可以包括以下步骤y21-步骤y25所描述的技术方案。
步骤y21，获取所述样本文本出发点在种类区分方式集合上对应的种类区分方式。
步骤y22，获取所述种类区分方式集合上与所述样本文本出发点对应的种类区分方式之间的存储文档向量。
步骤y23，判断所述存储文档向量是否满足第三事先设置的存储文档。
步骤y24，若判定所述存储文档向量满足第三事先设置的存储文档，则将该运维知识库修正为所述第一描述特征向量，且在持续第一事先设置的时间后恢复为原始的描述特征向量。
步骤y25，若判定所述存储文档向量不满足第三事先设置的存储文档，则维持该原始的描述特征向量。
可以理解，执行上述步骤y21-步骤y25所描述的技术方案时，实时增加所述样本文本出发点附近范围的运维知识库时，尽可能地避免存储文档向量不准确的问题，从而能够准确地增加所述样本文本出发点附近范围的运维知识库。
在一种可替换的实施例中，修正样本文本具体包括如下步骤a1-步骤a4所描述的技术方案。
步骤a1，以原始点建立种类区分方式集合。
步骤a2，获取所述样本文本出发点在所述种类区分方式集合上的种类区分方式。
步骤a3，计算所述样本文本出发点在所述种类区分方式集合上相对于原始点的位置。
步骤a4，根据所述位置修正样本文本，使样本文本与所述位置相对应。
可以理解，在执行上述步骤a1-步骤a4所描述的技术方案时，通过建立种类区分方式集合，从而提高位置修正样本文本的精度。
在一种可能的实施例中，对所述运维知识库进行常态定时更新具体包括如下步骤s1-步骤s7所描述的技术方案。
步骤s1，将所述待处理多方面知识数据片段种类区分方式组合，形成划分种类区分方式列表。
步骤s2，对所述划分种类区分方式列表进行若干属性，将所述划分种类区分方式列表分成以第一种类区分方式x方向属性，第二种类区分方式y方向属性的范围。
步骤s3，将第二事先设置的时间区分为若干个时间段。
步骤s4，根据专业知识文本设置可能性参数，所述可能性参数与专业知识文本对应关系。
步骤s5，计算在第三事先设置的时间内，每个所述范围在每个所述时间段内的专业知识文本的可视化向量，所述专业知识文本的可视化向量根据该范围在该时间段内每种专业知识文本发生的频率、该范围内的个数以及所述可能性参数来确定。
步骤s6，对获取的所有范围的专业知识文本的可视化向量进行分布，获取分布结果。
步骤s7，根据所述分布结果对所有范围的描述特征向量进行更新。
可以理解，在执行上述步骤s1-步骤s7所描述的技术方案时，通过精确地形成划分种类区分方式列表，从而提高更新的完整性。
在上述基础上，请结合参阅图2，提供了一种基于多智能体的运维知识库的建立装置200，应用于数据处理终端，所述装置包括：
数据片段生成模块210，用于获取待处理多方面知识数据，生成待处理多方面知识数据片段，所述待处理多方面知识数据为知识处理服务器分析知识种类描述范围的种类区分方式数据；
关键内容区分模块220，用于在待处理多方面知识数据片段上区分知识关键内容；
关键内容对应模块230，用于根据所述知识关键内容训练描述特征向量，所述描述特征向量与所述知识关键内容对应关系；
运维知识建立模块240，用于根据所属知识关键内容智能建立运维知识库。
在上述基础上，请结合参阅图3，示出了一种基于多智能体的运维知识库的建立系统300，包括互相之间通信的处理器310和存储器320，所述处理器310用于从所述存储器320中读取计算机程序并执行，以实现上述的方法。
在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。
综上，基于上述方案，可以通过获取分析知识种类描述范围的种类区分方式数据生成待处理多方面知识数据片段，在待处理多方面知识数据片段上可以标定互动节点和知识关键内容。互动节点就是该分析知识种类描述内数据差异的高发点，然后以这些互动节点为中心向外设定知识关键内容，对位于知识关键内容内的训练描述特征向量，不同的知识关键内容的训练的描述特征向量也不同，这样就实现了描述特征向量的自动建立。
应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于多智能体的运维知识库的建立方法，其特征在于，包括：
获取待处理多方面知识数据，生成待处理多方面知识数据片段，所述待处理多方面知识数据为知识处理服务器分析知识种类描述范围的种类区分方式数据；
在待处理多方面知识数据片段上区分知识关键内容；
根据所述知识关键内容训练描述特征向量，所述描述特征向量与所述知识关键内容对应关系；
根据所属知识关键内容智能建立运维知识库；
在待处理多方面知识数据片段上建立种类区分方式集合；
在所述种类区分方式集合上选取互动节点，确定所述互动节点的种类区分方式，所述互动节点包括所述待处理多方面知识数据片段中数据差异突发情况对应的轨迹；
选取一个互动节点，根据事先设置的传输轨迹区分该互动节点对应的知识关键内容，所述知识关键内容的数量为多个，所述传输轨迹包括多个轨迹，每个知识关键内容与每个轨迹对应关系；
选取一个互动节点，根据事先设置的传输轨迹来区分该互动节点对应的知识关键内容包括：
设定第一知识关键内容、第二知识关键内容和第三知识关键内容，所述第一知识关键内容为存储文档所述互动节点小于第一事先设置的存储文档向量第一的范围，所述第二知识关键内容为存储文档所述互动节点大于或等于第一事先设置的存储文档向量第一，且小于或等于第二事先设置的存储文档向量第二的范围，所述第三知识关键内容为存储文档所述互动节点大于所述第二事先设置的存储文档向量第二的范围，所述第一事先设置的存储文档向量第一小于第二事先设置的存储文档向量第二；
根据所属知识关键内容智能建立运维知识库包括：
根据所述第一知识关键内容训练第一描述特征向量，根据所述第二知识关键内容训练第二描述特征向量，根据所述第三知识关键内容训练第三描述特征向量，所述第一描述特征向量的内容关联性高于所述第二描述特征向量的内容关联性，所述第二描述特征向量的内容关联性高于所述第三描述特征向量的内容关联性。
2.根据权利要求1所述的基于多智能体的运维知识库的建立方法，其特征在于，所述获取待处理多方面知识数据包括：
判断是否与事先设置的标准数据匹配；
若判定与事先设置的标准数据匹配，则通过响应独立知识数据标签获取指定范围的待处理多方面知识数据片段；
若判定没有与事先设置的标准数据匹配，则获取事先设置的许可误差范围的待处理多方面知识数据片段。
3.根据权利要求1所述的基于多智能体的运维知识库的建立方法，其特征在于，根据所述知识关键内容智能建立运维知识库包括：
在所述待处理多方面知识数据片段上建立种类区分方式集合；
确定所述种类区分方式集合上的种类区分方式；
每个所述互动节点之间的存储文档；
根据所述存储文档确定所述知识关键内容；
根据所述知识关键内容匹配对应的描述特征向量。
4.根据权利要求3所述的基于多智能体的运维知识库的建立方法，其特征在于，在根据所述知识关键内容智能建立运维知识库之后，所述方法还包括：
判断是否接收到专业知识数据，所述专业知识数据包括基础文本专业知识数据、浮动文本专业知识数据、知识类别标签比较满足文本专业知识数据；
若判定接收到专业知识数据，则实时增加样本文本出发点附近范围的运维知识库，并修正样本文本；
若判定未接收到专业知识数据，则对所述运维知识库进行常态定时更新。
5.根据权利要求4所述的基于多智能体的运维知识库的建立方法，其特征在于，实时增加所述样本文本出发点附近范围的运维知识库包括：
获取所述样本文本出发点在种类区分方式集合上对应的种类区分方式；
获取所述种类区分方式集合上与所述样本文本出发点对应的种类区分方式之间的存储文档向量；
判断所述存储文档向量是否满足第三事先设置的存储文档；
若判定所述存储文档向量满足第三事先设置的存储文档，则将该运维知识库修正为所述第一描述特征向量，且在持续第一事先设置的时间后恢复为原始的描述特征向量；
若判定所述存储文档向量不满足第三事先设置的存储文档，则维持该原始的描述特征向量。
6.根据权利要求4所述的基于多智能体的运维知识库的建立方法，其特征在于，修正样本文本具体包括如下步骤：
以原始点建立种类区分方式集合；
获取所述样本文本出发点在所述种类区分方式集合上的种类区分方式；
计算所述样本文本出发点在所述种类区分方式集合上相对于原始点的位置；
根据所述位置修正样本文本，使样本文本与所述位置相对应。
7.一种基于多智能体的运维知识库的建立系统，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-6任一项所述的方法。
CN202110804162.0A 2021-07-16 2021-07-16 基于多智能体的运维知识库的建立方法及系统 Active CN113626594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110804162.0A CN113626594B (zh) 2021-07-16 2021-07-16 基于多智能体的运维知识库的建立方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110804162.0A CN113626594B (zh) 2021-07-16 2021-07-16 基于多智能体的运维知识库的建立方法及系统

Publications (2)

Publication Number Publication Date
CN113626594A CN113626594A (zh) 2021-11-09
CN113626594B true CN113626594B (zh) 2023-09-01

Family

ID=78379870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110804162.0A Active CN113626594B (zh) 2021-07-16 2021-07-16 基于多智能体的运维知识库的建立方法及系统

Country Status (1)

Country Link
CN (1) CN113626594B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117574328B (zh) * 2024-01-15 2024-03-29 德阳联动检测科技有限公司 基于扭矩数据的联轴器打滑分析方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460136A (zh) * 2018-03-08 2018-08-28 国网福建省电力有限公司 电力运维信息知识图谱构建方法
CN110334347A (zh) * 2019-06-27 2019-10-15 腾讯科技（深圳）有限公司 基于自然语言识别的信息处理方法、相关设备及存储介质
CN111309928A (zh) * 2020-02-21 2020-06-19 广东电网有限责任公司 一种基于贝叶斯和语义分析的运维知识库构建方法
CN111310947A (zh) * 2020-02-28 2020-06-19 广州正为明昱信息科技有限公司 基于5g的建筑设施运维方法、设备、存储介质及系统
CN111382214A (zh) * 2018-12-11 2020-07-07 星际空间（天津）科技发展有限公司 一种基于3dgis bim的综合管廊运维管理系统
CN111950840A (zh) * 2020-06-19 2020-11-17 国网山东省电力公司 一种计量检定装置智能运维知识检索方法及系统
WO2021083239A1 (zh) * 2019-10-28 2021-05-06 北京大学 一种进行图数据查询的方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108460136A (zh) * 2018-03-08 2018-08-28 国网福建省电力有限公司 电力运维信息知识图谱构建方法
CN111382214A (zh) * 2018-12-11 2020-07-07 星际空间（天津）科技发展有限公司 一种基于3dgis bim的综合管廊运维管理系统
CN110334347A (zh) * 2019-06-27 2019-10-15 腾讯科技（深圳）有限公司 基于自然语言识别的信息处理方法、相关设备及存储介质
WO2021083239A1 (zh) * 2019-10-28 2021-05-06 北京大学 一种进行图数据查询的方法、装置、设备及存储介质
CN111309928A (zh) * 2020-02-21 2020-06-19 广东电网有限责任公司 一种基于贝叶斯和语义分析的运维知识库构建方法
CN111310947A (zh) * 2020-02-28 2020-06-19 广州正为明昱信息科技有限公司 基于5g的建筑设施运维方法、设备、存储介质及系统
CN111950840A (zh) * 2020-06-19 2020-11-17 国网山东省电力公司 一种计量检定装置智能运维知识检索方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
a causality mining and knowledge graph based method of root cause diagnosis for performance anomaly in cloud appliedcations;juan qiu等;applied sciences;第10卷(第6期);2166 *

Also Published As

Publication number Publication date
CN113626594A (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN111143226B (zh) 自动化测试方法及装置、计算机可读存储介质、电子设备
US20200012970A1 (en) Machine-learning-facilitated conversion of database systems
US20200234140A1 (en) Learning method, and learning apparatus, and recording medium
CN108710571B (zh) 一种生成自动化测试代码的方法和装置
CN113378554B (zh) 一种医疗信息智能交互的方法及系统
CN113626594B (zh) 基于多智能体的运维知识库的建立方法及系统
JP2018147449A (ja) 情報処理装置、情報処理方法、および情報処理プログラム
US10572827B2 (en) Prediction quality assessment
CN114625741A (zh) 一种基于人工智能的数据处理方法、系统及云平台
US11658873B1 (en) Intelligent learning and management of a networked architecture
CN113626538B (zh) 基于大数据的医疗信息智能分类的方法及系统
CN113610373B (zh) 基于智能制造的信息决策处理方法及系统
CN113380363B (zh) 基于人工智能的医疗数据质量评价方法及系统
US11522898B1 (en) Autonomous configuration modeling and management
CN113627490B (zh) 基于多核异构处理器的运维多模态决策方法及系统
CN111401395B (zh) 一种数据处理方法、终端设备及存储介质
CN113656669A (zh) 标签更新方法及装置
JP2018018197A (ja) ソースコード評価プログラム
CN113610117B (zh) 基于深度数据的水下传感数据处理方法及系统
CN109298831B (zh) 信息存储方法和装置
CN113596849B (zh) 一种智能家居的无线通信信道动态分配方法及系统
CN113610123B (zh) 基于物联网的多源异构数据融合方法及系统
CN115618850B (zh) 基于穴位医疗微服务的局部语法表达方法及系统
CN113589700B (zh) 一种智能家居zigbee请求校验的方法及系统
CN113608689B (zh) 基于边缘计算的数据缓存方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20231013

Address after: 201600 Room 202, 2nd floor, building 1, 255 zhoujiabang Road, Dongjing Town, Songjiang District, Shanghai

Patentee after: SHANGHAI DATACENTER SCIENCE Co.,Ltd.

Address before: 201600 1586 East Changxin Road, Dongjing Town, Songjiang District, Shanghai

Patentee before: SHANGHAI QIWANG NETWORK TECHNOLOGY CO.,LTD.

TR01 Transfer of patent right