CN113643522B - 报警预测方法、装置、设备和存储介质 - Google Patents
报警预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113643522B CN113643522B CN202111016389.5A CN202111016389A CN113643522B CN 113643522 B CN113643522 B CN 113643522B CN 202111016389 A CN202111016389 A CN 202111016389A CN 113643522 B CN113643522 B CN 113643522B
- Authority
- CN
- China
- Prior art keywords
- alarm
- historical
- contents
- content
- early warning
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Emergency Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
报警预测方法、装置、设备和存储介质。本申请公开了一种报警预测方法,涉及金融领域或其他领域,以解决现有技术无法根据已经发生的报警内容,预测可能触发的关联应用系统的报警的问题。具体方案为:首先,获取多个当前报警;然后,将多个当前报警内容中的每个当前报警内容进行数字化处理,得到每个当前报警内容对应的矩阵,根据多个当前报警内容的报警时间,将多个当前报警内容对应的矩阵组成样本数据;最后,再根据样本数据以及报警预测模型,得到预警信息。
Description
技术领域
本申请涉及金融领域或其他领域,尤其涉及报警预测方法、装置、设备和存储介质。
背景技术
大型金融系统一般包括多个应用系统,该多个应用系统之间协同工作,当一个应用系统发生报警时,有可能引发其他多个关联应用系统的报警。目前,只能在应用系统出现报警后,根据报警内容对该应用系统的报警进行处理,无法根据发生报警的应用系统的报警内容,预测可能触发的关联应用系统的报警。因此,对于大型金融系统,仍然停留在发生报警后再处理的阶段,无法提前预测报警,导致运维人员不能及时做好相关准备,造成系统异常的损失较大,系统恢复的时间较长。
发明内容
本申请实施例提供一种报警预测方法、装置、服务器及存储介质,通过根据当前的多个报警内容预测关联系统的报警信息,使得运维人员可以提前做好准备,降低系统异常导致的损失,减少系统异常恢复时间。
为实现上述技术目的,本申请实施例采用如下技术方案:
本申请实施例第一方面,提供一种报警预测方法,该方法包括:首先,获取多个当前报警内容;然后,将多个当前报警内容中的每个当前报警内容进行数字化处理,得到每个当前报警内容对应的矩阵,根据多个当前报警内容的报警时间,将多个当前报警内容对应的矩阵组成样本数据;最后,再根据样本数据以及报警预测模型,得到预警信息。该预警信息包括预警系统和预警类型,上述报警预测模型用于预测预警信息。可选的,当前报警内容可以为最近发生的报警的内容。
基于本方案,通过将多个当前报警信息数字化组成样本数据,然后输入报警预测模型,能够预测预警信息。本方案通过多个当前报警内容和报警预测模型预测即将发生的预警信息,较目前运维人员依据当前报警信息处理当前系统异常,而无法判断当前报警信息对关联系统的影响,本方案通过报警预测模型预测预警信息有助于运维人员发现多个应用系统间非直接的关联影响,提前做好异常处理准备,能够更好地维护系统的稳定。而且本方案预测的预警信息包括预警系统和预警类型,根据预警系统和预警类型运维人员可以快速锁定具体的异常系统及类型,并迅速准备解决方案,报警发生后可以快速处理,可以有效降低损失,减少系统恢复时间。
结合第一方面,在一种实现方式中,该方法还包括:获取多个历史报警内容,以及每个历史报警内容对应的报警信息,该报警信息包括报警系统和报警类型;对每个历史报警内容,以及每个历史报警内容对应的报警信息进行数字化处理,得到训练样本数据;基于训练样本数据,得到报警预测模型。
基于本方案,通过历史报警内容及该历史报警内容对应的报警信息进行数字化,并将数字化的数据作为训练样本数据训练报警预测模型,能够得到较为准确的报警预测模型。而且本方案建立的报警预测模型可以基于一个或多个应用系统的多个报警内容预测即将要发生的预警信息,该报警预测模型能够在发生多条报警时,预测与发生报警的应用系统非直接关联的应用系统可能发生的告警。使用该报警预测模型得到预警信息,该预警信息包括报警系统和报警类型信息,运维人员根据该预警信息可以快速定位异常系统,并针对报警类型准备解决方案。
结合第一方面,在一种实现方式中,上述训练样本数据包括第一矩阵和第二矩阵,上述将历史报警内容,以及每个历史报警内容对应的报警信息进行数字化处理,得到训练样本数据,包括:对每个历史报警内容进行分词处理,并对分词结果进行编码,得到每个历史报警内容对应的第一矩阵;对每个历史报警内容对应的报警系统和报警类型分别进行编码,得到每个历史报警内容对应的第二矩阵。
可选的,上述对每个历史报警内容进行分词处理,并对分词结果进行编码,得到每个历史报警内容对应的第一矩阵,可以包括:可以采用分词工具对历史报警内容进行分词处理,将分词结果中的每个词语进行编码,不同词语的编码结果不同。分词结果包括的多个词语可以重复,也可以不重复。当分词结果包括多个相同的词语时,该多个相同的词语的编码结果相同。对分词结果中的每个词语进行编码时,编码结果可以用K位2进制数表示,K为大于2的整数。K位2进制数可以代表的词语数量为2K。K的取值越大,K位2进制数可以代表的词语越多,K的取值越小,K位2进制数可以代表的词语越少。
可选的,上述对每个历史报警内容对应的报警系统和报警类型分别进行编码,得到每个历史报警内容对应的第二矩阵,可以包括:对报警系统进行编码时,编码结果可以用i位2进制数表示,i为大于2的整数。i位2进制数可以代表的报警系统的数量为2i。i的取值越大,i位2进制数可以代表的报警系统的数量越多,i的取值越小,i位2进制数可以代表的报警系统的数量越少。对报警类型进行编码时,编码结果可以用j位2进制数表示,j为大于2的整数。j位2进制数可以代表的报警类型的数量为2j。j的取值越大,j位2进制数可以代表的报警类型的数量越多,j的取值越小,j位2进制数可以代表的报警类型的数量越少。
基于本方案,通过使用分词工具对历史报警内容进行分词处理,对报警内容进行编码,得到该历史报警内容对应的第一矩阵,该第一矩阵可以以数字化的方式准确的描述历史报警内容。对报警信息包括的报警系统和报警类型分别进行编码并组合得到第二矩阵。将该第一矩阵和第二矩阵作为训练样本数据,训练的报警预测模型的准确度较高。
结合第一方面,在一种实现方式中,上述多个历史报警内容包括报警时间连续的X个历史报警内容,上述基于训练样本数据,得到报警预测模型,可以包括:在X个历史报警内容中随机选择Y个历史报警内容,该Y个历史报警内容的报警时间连续,Y小于X;将该Y个历史报警内容中前Y-1个历史报警内容对应的第一矩阵组合作为输入数据,将该Y个历史报警内容中第Y个历史报警内容对应的第二矩阵作为目标输出数据进行模型训练,得到报警预测模型。
基于本方案,使用X个历史报警内容中,Y个时间连续的历史报警内容作为训练样本数据,将前Y-1个历史报警内容对应的第一矩阵作为输入数据,将第Y个历史报警内容对应的第二矩阵作为目标输出数据进行模型训练时,训练得到的报警预测模型能够预测非直接关联的应用系统可能发生的告警,有助于运维人员发现多个应用系统间非直接的关联影响,提前做好异常处理准备。可以理解的,本方案在对报警预测模型进行训练时,输入数据为前Y-1个历史报警内容,目标输出数据为第Y个历史报警内容对应的报警类型和报警系统,即模型训练时结合了多个非直接关联系统之间可能存在的关联性,因此,训练得到的报警预测模型根据最近发生的多条报警进行预测时,能够对与发生报警的应用系统之间非直接关联的应用系统的报警进行预测,相关性较好。
结合第一方面,在一种实现方式中,该方法还包括:报警预测模型采用长短期记忆模型。
基于本方案,采用长短期记忆模型,能够根据当前获取的报警内容预测预警信息,且允许当前获取的多个报警内容存在时间跨度,允许预测的预警信息与当前获取的多个报警内容存在时间跨度。因此,本方案能够预测一段时间后报警的关联系统,运维人员可以根据该预警信息提前做好系统报警的准备。
第二方面,本申请提供一种报警预测装置,包括收发模块和处理模块。收发模块,用于获取当前多个报警;处理模块,用于将该多个当前报警内容中的每个当前报警内容进行数字化处理,得到每个当前报警内容对应的矩阵;处理模块,还用于根据该多个当前报警内容的报警时间,将该多个当前报警内容对应的矩阵组成样本数据;处理模块,还用于根据样本数据及报警预测模型,得到预警信息;该预警信息包括预警系统和预警类型,该报警预测模型用于预测预警信息。
结合第二方面,在一种可能的实现方式中,收发模块,还用于获取多个历史报警内容,以及每个历史报警内容对应的报警信息,该报警信息包括报警系统和报警类型;处理模块,还用于对每个历史报警内容,以及每个历史报警内容对应的报警信息进行数字化处理,得到训练样本数据;处理模块,还用于基于训练样本数据,得到报警预测模型。
结合第二方面,在一种可能的实现方式中,处理模块,具体用于对每个历史报警内容进行分词处理,并对分词结果进行编码,得到每个历史报警内容对应的第一矩阵;对每个历史报警内容对应的报警系统和报警类型分别进行编码,得到每个历史报警内容对应的第二矩阵。
结合第二方面,在一种可能的实现方式中,处理模块,具体用于在X个历史报警内容中随机选择Y个历史报警内容,该Y个历史报警内容的报警时间连续,Y小于X;将该Y个历史报警内容中前Y-1个历史报警内容对应的第一矩阵组合作为输入数据,将该Y个历史报警内容中第Y个历史报警内容对应的第二矩阵作为目标输出数据进行模型训练,得到报警预测模型。
结合第二方面,在一种可能的实现方式中,上述报警预测模型采用长短期记忆模型。
第三方面,提供一种计算机设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行指令,以实现如上述第一方面提供的报警预测方法。
第四方面,本申请提供一种计算机可读存储介质,包括指令。当指令在计算机上运行时,使得计算机执行如上述第一方面提供的方法。
第五方面,本申请提供一种计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行如上述第一方面提供的方法。
本申请中第二方面、第三方面、第四方面和第五方面的描述,可以参考第一方面的详细描述;并且,第二方面、第三方面、第四方面和第五方面描述的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
在本申请中,上述名字对终端设备或功能模块本身不构成限定,在实际实现中,这些终端设备或功能模块可以以其他名称出现。只要各个终端设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1是本申请实施例提供的一种报警预测设备的结构示意图;
图2是本申请实施例提供的一种报警预测方法的流程示意图;
图3是本申请实施例提供的一种报警预测方法的应用示意图;
图4是本申请实施例提供的另一种报警预测方法的应用示意图;
图5是本申请实施例提供的又一种报警预测方法的应用示意图;
图6是本申请实施例提供的又一种报警预测方法的应用示意图;
图7是本申请实施例提供的一种报警预测模型训练的结构示意图;
图8是本申请实施例提供的又一种报警预测方法的应用示意图;
图9是本申请实施例提供的又一种报警预测方法的应用示意图;
图10是本申请实施例提供的一种预测预警信息的过程示意图;
图11是本申请实施例提供的一种报警预测装置的结构示意图。
具体实施方式
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在包括多个应用系统的大型金融系统中,目前只能在发生报警后再对报警问题进行处理,无法根据报警内容预测可能触发的关联应用系统的报警,因此不能提前对可能发生的报警做好准备,造成系统异常的损失较大,系统恢复的时间较长。
为了解决现有技术无法根据已经发生的报警内容,提前预测可能触发的关联应用系统的报警的问题,本申请实施例提供一种报警预测方法,该方法通过预先训练用于预测预警信息的报警预测模型,根据该报警预测模型,以及多个当前报警内容预测预警信息,该预警信息有助于运维人员发现多个应用系统间非直接的关联影响,提前做好异常处理准备,能够更好地维护系统的稳定。本申请建立的报警预测模型能够在发生多条报警时,预测与发生报警的应用系统非直接关联的应用系统可能发生的告警。
本申请实施例提供的报警预测方法可以应用于一种报警预测设备,该报警预测设备可以为手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、服务器等电子设备。
图1为本申请实施例提供的一种报警预测设备,如图1所示,该报警预测设备100包括至少一个处理器101,存储器102、收发器103以及通信总线104。
下面结合图1对该报警预测设备的各个构成部件进行具体的介绍:
处理器101是报警预测设备的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器101是一个中央处理器(central processing unit,CPU),也可以是特定集成电路(application specific integrated circuit,ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路,例如:一个或多个微处理器(digital signalprocessor,DSP),或,一个或者多个现场可编程门阵列(field programmable gate array,FPGA)。
其中,处理器101可以通过运行或执行存储在存储器102内的软件程序,以及调用存储在存储器102内的数据,执行报警预测设备的各种功能。
在具体的实现中,作为一种实施例,处理器101可以包括一个或多个CPU,例如图1中所示的CPU0和CPU1。
在具体实现中,作为一种实施例,报警预测设备可以包括多个处理器,例如图1中所示的处理器101和处理器105。这些处理器中的每一个可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器可以指一个或多个检测设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器102可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器102可以是独立存在,通过通信总线104与处理器101相连接。存储器102也可以和处理器101集成在一起。
其中,存储器102用于存储执行本申请方案的软件程序,并由处理器101来控制执行。
收发器103,用于与其他通信装置之间进行通信。当然,收发器103还可以用于与通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wirelesslocal area networks,WLAN)等。收发器103可以包括接收单元实现接收功能,以及发送单元实现发送功能。
通信总线104,可以是工业标准体系结构(industry standard architecture,ISA)总线、外部检测设备互连(peripheral component,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图1中示出的报警预测设备的结构并不构成对报警预测设备的限定,实际应用中,报警预测设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
结合图1,如图2所示,为本申请实施例提供的一种报警预测方法,该方法可以由上述报警预设设备执行,该方法包括以下步骤:
S201、获取多个历史报警内容,以及每个历史报警内容对应的报警信息。
该历史报警内容可以为曾经出现过的报警,历史报警内容可以用一段文字描述。该历史报警内容对应的报警信息可以包括报警系统和报警类型。本申请实施例对于每个历史报警内容对应的报警信息的具体类型并不进行限定,下述实施例以报警信息包括报警系统和报警类型为例进行说明。
例如,每个历史报警内容可以对应至少一个报警系统和至少一个报警类型,该报警系统可以为大型金融系统中的应用系统,该报警类型可以包括但不限于磁盘空间不足、CPU报警、进程停止等类型。
可选的,上述步骤S201获取的多个历史报警内容以及每个历史报警内容对应的报警信息可以以表格形式存储,也可以以其他形式存储,本申请实施例对此并不限定。下述实施例以步骤S201获取的多个历史报警内容以及每个历史报警内容对应的报警信息为表格形式为例进行说明。
可选的,报警预测设备还可以获取每个历史报警内容的报警时间。
例如,上述步骤S201可以获取如表1所示的报警信息描述表,该报警信息描述表包括历史报警内容、每个历史报警内容的报警时间,以及每个历史报警内容对应的报警系统和报警类型。
表1
S202、对每个历史报警内容,以及每个历史报警内容对应的报警信息进行数字化处理,得到训练样本数据。
训练样本数据包括历史报警内容对应的第一矩阵和历史报警内容对应的第二矩阵。
示例性的,上述步骤S202可以包括以下步骤a至步骤b。
步骤a、对每个历史报警内容进行分词处理,并对分词结果进行编码,得到该历史报警内容对应的第一矩阵。
可选的,可以采用分词工具对历史报警内容进行分词处理,将分词结果中的每个词语进行编码,不同词语的编码结果不同。分词结果包括的多个词语可以重复,也可以不重复。当分词结果包括多个相同的词语时,该多个相同的词语的编码结果相同。
例如,以第一历史报警内容为“1.1.2.2磁盘空间不足可用空间不足”为例,采用分词工具对该历史报警内容进行分词处理后可以得到7个词语,分别为“1.1.2.2”、“磁盘”、“空间”、“不足”、“可用”、“空间”、“不足”。
再例如,以第二历史报警内容为“1.2.2.2CPU报警温度过高”为例,采用分词工具对该历史报警内容进行分词处理后可以得到5个分词,分别为“1.2.2.2”、“CPU”、“报警”、“温度”、“过高”。可以理解的,本申请实施例中的词语既可以包括汉字组成的词语,也可以包括数字或字母组成的词语。
可选的,对分词结果中的每个词语进行编码时,编码结果可以用K位2进制数表示,K为大于2的整数。K位2进制数可以代表的词语数量为2K。K的取值越大,K位2进制数可以代表的词语越多,K的取值越小,K位2进制数可以代表的词语越少。本申请实施例对于K的具体取值并不限定,下述实施例以K为16进行示例性说明,K为16时,K位2进制数可以代表65536个词语。
示例性的,以报警内容的分词结果包括N个词语为例,分词结果中的每个词语的编码结果可以采用K位2进制数表示,该报警内容对应的第一矩阵可以用N个K位2进制数表示。
例如,如图3所示,以K为16,分词结果中的每个词语用16位2进制数表示,第一历史报警内容的分词结果为“1.1.2.2”、“磁盘”、“空间”、“不足”、“可用”、“空间”、“不足”为例,IP地址“1.1.2.2”可以编码为[0001000100100010],“磁盘”可以编码为[1000000000000001],“空间”可以编码为[1000010000001000],“不足”可以编码为[1000000100010001],“可用”可以编码为[1010000000100001],根据该7个分词的编码结果,可以得到第一历史报警内容对应的第一矩阵为如图3所示的矩阵1。
再例如,如图4所示,以K为16,分词结果中的每个词语用16位2进制数编码,第二历史报警内容的分词结果为“1.2.2.2”、“CPU”、“报警”、“温度”、“过高”为例,IP地址“1.2.2.2”可以编码为[0001001000100010],“CPU”可以编码为[0100001000100000]、“报警”可以编码为[0100001000100000]、“温度”可以编码为[1000011000001100]、“过高”可以编码为[0101100011000000],根据该5个分词的编码结果,可以得到第二历史报警内容对应的第一矩阵为如图4所示的矩阵2。
步骤b、对每个历史报警内容对应的报警信息进行编码,得到每个历史报警内容对应的第二矩阵。
示例性的,以报警信息包括报警系统和报警类型为例,步骤b可以包括对每个历史报警内容对应的报警系统和报警类型分别进行编码。
可选的,对报警系统进行编码时,编码结果可以用i位2进制数表示,i为大于2的整数。i位2进制数可以代表的报警系统的数量为2i。i的取值越大,i位2进制数可以代表的报警系统的数量越多,i的取值越小,i位2进制数可以代表的报警系统的数量越少。本申请实施例对于i的具体取值并不限定,下述实施例以i为12进行示例性说明,i为12时,12位2进制数可以代表4096个报警系统。
示例性的,以i为12,每个报警系统的编码结果可以采用12位2进制数表示,不同报警系统对应的12位2进制数是不同的。
可选的,对报警类型进行编码时,编码结果可以用j位2进制数表示,j为大于2的整数。j位2进制数可以代表的报警类型的数量为2j。j的取值越大,j位2进制数可以代表的报警类型的数量越多,j的取值越小,j位2进制数可以代表的报警类型的数量越少。本申请实施例对于j的具体取值并不限定,j可以与i相同,也可以与i不同,下述实施例以j与i均为12进行示例性说明,j为12时,12位2进制数可以代表4096个报警类型。
示例性的,以j为12,每个报警类型的编码结果可以采用12位2进制数表示,不同报警类型对应的12位2进制编码是不同的。
上述每个历史报警内容对应的第二矩阵可以由报警系统的编码结果和报警类型的编码结果组成。例如,每个历史报警内容对应的第二矩阵可以由i位2进制数的编码结果(报警系统的编码结果)和j位2进制数的编码结果(报警类型的编码结果)组成。
例如,如图5所示,以报警系统用12位2进制数编码,报警类型用12位2进制数编码,第三历史报警内容为“1.3.2.2电源故障”为例,该第三历史报警内容对应的报警系统为“CC系统”,该第三历史报警内容对应的报警类型为“电源损坏”。“CC系统”可以编码为[101010010000],“电源损坏”可以编码为[101010010000],将“CC系统”的编码结果和“电源损坏”的编码结果组合,得到第二矩阵[101010010000101010010000]。本申请实施例对于报警系统和报警类型组合的前后顺序并不做限定,下述实施例以报警系统在前、报警类型在后的顺序为例进行示例性说明。
可以理解的,通过将历史报警内容进行编码得到第一矩阵,将历史报警内容对应的报警信息进行编码得到第二矩阵,将第一矩阵和第二矩阵组成训练样本数据,然后通过步骤S203训练得到报警预测模型。
S203、基于训练样本数据,得到报警预测模型。
该报警预测模型可以采用长短期记忆模型(long-short term memory,LSTM),步骤S203中的报警预设模型为基于训练样本数据训练的模型。
示例性的,步骤S203训练报警预测模型的过程可以包括:以多个历史报警内容为X个为例,在基于X个历史报警内容,以及每个历史报警内容对应的报警信息训练报警预测模型时,可以从X个历史报警内容中随机选择报警时间连续的Y个历史报警内容,以及每个历史报警内容对应的报警信息。根据Y个历史报警内容的报警时间,将前Y-1个历史报警内容数字化处理得到Y-1个第一矩阵,将第Y个历史报警内容对应的报警信息数字化,得到第Y个历史报警内容对应的第二矩阵。将前Y-1个历史报警内容对应的Y-1个第一矩阵和第Y个历史报警内容对应的第二矩阵组成训练样本数据。在根据该训练样本数据训练模型时,将前Y-1个历史报警内容对应的Y-1个第一矩阵按报警时间组合作为模型的输入数据,将第Y个历史报警内容对应的第二矩阵作为目标输出数据,在输出数据与目标输出数据之间存在差异的时候,依据预设的损失函数不断进行调整模型参数,直至损失值达到最小,将损失值最小时的模型确定为步骤S203中的报警预测模型。
本申请实施例对于上述X和Y的具体取值并不限定,例如,可以在1000个历史报警内容中随机选择10条连续的历史报警内容,将前9条历史报警内容中的每条历史报警内容数字化处理为N个16位二进制数,并将前9条历史报警内容对应的N个16位二进制数组成矩阵作为模型的输入数据,将第10条历史报警内容对应的报警信息的数字化处理结果作为目标输出数据训练模型。再例如,可以在1000个历史报警内容中随机选择3条连续的历史报警内容,将前2条历史报警内容中的每条历史报警内容数字化处理为N个16位二进制数,并将2条历史报警内容对应的N个16位二进制数组成矩阵作为模型的输入数据,将第3条历史报警内容对应的报警信息的数字化处理结果作为目标输出数据训练模型。
例如,以X为1000,Y为3为例,在1000个历史报警内容中随机选择3条连续的历史报警内容,该3条连续的历史报警内容分别为:第一历史报警内容(“1.1.2.2磁盘空间不足可用空间不足”)、第二历史报警内容(“1.2.2.2CPU报警温度过高”)、第三历史报警内容(“1.3.2.2电源故障”)。第一历史报警内容对应的第一矩阵为如图3所示的矩阵1,第二历史报警内容对应的第一矩阵为如图4所示的矩阵2,将矩阵1和矩阵2组合得到图6所示的矩阵3,将矩阵3作为模型的输入数据。第三历史报警内容对应的第二矩阵如图5所示,将图5所示的第二矩阵作为模型的目标输出数据。结合图7所示,将矩阵1和矩阵2组合得到的矩阵3作为输入数据输入需要训练的报警预测模型,可以得到输出数据。在该模型的输出数据与图5所示的第二矩阵之间存在差异的时候,依据预设的损失函数不断进行调整模型参数,直至损失值达到最小,将损失值最小时的模型确定为步骤S203中的报警预测模型。
可以理解的,本申请使用X个历史报警内容中,Y个时间连续的历史报警内容作为训练样本数据在对报警预测模型进行训练时,输入数据为前Y-1个历史报警内容,目标输出数据为第Y个历史报警内容对应的报警类型和报警系统,即模型训练时结合了多个非直接关联系统之间可能存在的关联性,因此,训练得到的报警预测模型根据最近发生的多条报警进行预测时,能够对与发生报警的应用系统之间非直接关联的应用系统的报警进行预测,相关性较好。
可选的,训练时可以随机的将训练样本数据中,一部分划分为训练数据,一部分划分为测试数据,训练完成的报警预测模型,可以用测试数据来进行测试,分析报警预测模型的检测准确度。
本申请实施例建立的报警预测模型可以基于一个或多个应用系统的多个报警内容预测即将要发生的预警信息,该报警预测模型能够在发生多条报警时,预测与发生报警的应用系统非直接关联的应用系统可能发生的告警。
S204、获取多个当前报警内容。
当前报警内容可以为最近发生的报警的内容。当前报警内容可以通过一段文字来描述。
步骤S204中可以通过系统之间的网络连接获取报警内容,例如,可以通过各系统之间的网线获取当前报警内容。本申请对于采用何种方式来获取当前报警内容并不限定。
S205、对多个当前报警内容中的每个当前报警内容进行数字化处理,得到每个当前报警内容对应的矩阵。
上述步骤S205可以包括:先将每个当前报警内容采用分词工具进行分词,然后对分词结果中的每个词语进行编码,确定每个当前报警内容对应的第一矩阵。
例如,如图8所示,以多个当前报警包括第四报警内容和第五报警内容,第四报警内容为“1.2.3.2进程停止”,第五报警内容为“1.3.3.2网络连接中断”为例,采用分词工具对第四报警内容分词后,得到的分词结果为“1.2.3.2”、“进程”、“停止”共三个词语,对这三个词语分别进行编码,得到第四报警对应的第一矩阵为图8所示的矩阵4。如图9所示,采用分词工具对第五报警内容分词后,得到的分词结果为“1.3.3.2”、“网络”、“连接”、“中断”共四个词语,对这四个词语分别进行编码,得到第五报警对应的第一矩阵为图9所示的矩阵5。
S206、根据多个当前报警内容的报警时间,将多个当前报警内容对应的矩阵组成样本数据。
上述步骤S205可以包括:将该多个当前报警内容对应的第一矩阵,依据报警时间的先后顺序进行组合,得到样本数据。
例如,第四报警内容(“1.2.3.2进程停止”)对应图8所示的矩阵4,第五报警内容(“1.3.3.2网络连接中断”)对应图9所示的矩阵5,将图8所示的矩阵4和图9所示的矩阵5按照报警时间组合,可以得到如图10所示的样本数据。
S207、根据样本数据及报警预测模型,得到预警信息。
预警信息包括预警系统和预警类型,报警预测模型用于预测预警信息。步骤S207中的报警预测模型可以为通过上述步骤S201-S203训练好的模型。
将上述步骤S206得到的样本数据,输入报警预测模型,可以得到预警信息,该预警信息包括报警系统和报警类型信息。
例如,如图10所示,将第四报警内容对应的矩阵4和第五报警内容对应的矩阵5组合得到的样本数据,输入报警预测模型可以得到预警信息[010101001100010101001110],该预警信息中的前12个比特位[010101001100]可以解码为将要发生的报警对应的报警系统是“FF系统”,预警信息中的后12个比特位[010101001110]可以解码为将要发生的报警对应的报警类型是“数据接收失败”。
可选的,在预测到预警信息后,可以根据该预警信息提前做好系统报警的准备。例如,可以根据“FF系统”、“数据接收失败”推送消息,系统维护人员可以根据该信息提前准备临时解决方案,或者提前准备系统异常处理所需要的工具。
可选的,当预警信息“FF系统”和“数据接收失败”对应的报警发生后,可以将“FF系统”、“数据接收失败”对应的报警内容作为第六报警内容,根据第五报警内容和第六报警内容可以继续预测第七报警内容对应的预警信息,按此方式可以预测出所有相关联系统的报警。
可以理解的,本申请实施例提供的报警预测方法可以预先采用上述步骤S201-S203建立报警预测模型,再根据建立好的报警预测模型采用步骤S204-S207预测预警信息。也可以在每次预测预警信息前,采用上述步骤S201-S203建立报警预测模型,再根据建立好的报警预测模型采用步骤S204-S207预测预警信息。
本申请实施例提供的报警预测方法,通过多个当前报警内容和报警预测模型预测即将发生的预警信息,有助于运维人员发现多个应用系统间非直接的关联影响,提前做好异常处理准备,能够更好地维护系统的稳定。而且本方案预测的预警信息包括预警系统和预警类型,根据预警系统和预警类型运维人员可以快速锁定具体的异常系统及类型,并迅速准备解决方案,报警发生后可以快速处理,可以有效降低损失,减少系统恢复时间。
可以理解的是,上述方法可以由报警预测装置实现。报警预测装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业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申请实施例的范围。
本申请实施例可以根据上述方法示例对上述报警预测装置等进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
如图11所示,本申请实施例提供一种报警预测装置110。该报警预测装置110可以包括收发模块111和处理模块112。可选的,报警预测装置110还可以包括存储模块113,该存储模块113可以用于存储上述历史报警内容、历史报警内容对应的报警信息、报警预测模型、第一矩阵、第二矩阵等数据。存储模块113还可以存储用于实现图2所示的报警预测方法的计算机程序代码。
收发模块111,用于获取多个当前报警内容。
处理模块112,用于对多个当前报警内容中的每个当前报警内容进行数字化处理,得到每个当前报警内容对应的矩阵。
处理模块112,还用于根据多个当前报警内容的报警时间,将多个当前报警内容对应的矩阵组成样本数据。
处理模块112,还用于根据样本数据及报警预测模型,得到预警信息。该预警信息包括预警系统和预警类型,该报警预测模型用于预测预警信息。
可选的,报警预测模型采用长短期记忆模型。
收发模块111,还用于获取多个历史报警内容,以及每个历史报警内容对应的报警信息,该报警信息包括报警系统和报警类型。
处理模块112,还用于对每个历史报警内容,以及每个历史报警内容对应的报警信息进行数字化处理,得到训练样本数据。
可选的,训练样本数据包括第一矩阵和第二矩阵。处理模块112,具体用于对每个历史报警内容进行编码处理,得到第一矩阵;对每个历史报警内容对应的报警信息进行编码,即对每个历史报警内容对应的报警系统和报警类型分别进行编码并组合,得到每个历史报警内容对应的第二矩阵。
处理模块112,还用于基于训练样本数据,得到报警预测模型。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在实际实现时,收发模块111可以为图1所示收发器103,处理模块112可以由图1所示的处理器101调用存储器102中的程序代码来实现。其具体的执行过程可参考图2所示的报警预测方法中方法部分的描述,这里不再赘述。
本申请另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当计算机指令在报警预测方法设备上运行时,使得报警预测方法设备执行上述方法实施例所示的方法流程中服务器执行的各个步骤。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括指令,当指令在报警预测方法设备上运行时,使得报警预测方法设备执行上述方法实施例所示的方法流程中服务器执行的各个步骤。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以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。专业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申请的范围。
所属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、设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理模块处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准处理模块。
Claims (6)
1.一种报警预测方法,其特征在于,所述方法包括:
获取多个当前报警内容;
对所述多个当前报警内容中的每个当前报警内容进行数字化处理,得到所述每个当前报警内容对应的矩阵;
根据所述多个当前报警内容的报警时间,将所述多个当前报警内容对应的矩阵组成样本数据;
根据所述样本数据及报警预测模型,得到预警信息;所述预警信息包括预警系统和预警类型,所述报警预测模型用于预测所述预警信息;
所述报警预测模型是通过获取报警时间连续的X个历史报警内容,以及每个历史报警内容对应的报警信息,X为大于或等于2的正整数,所述报警信息包括报警系统和报警类型;
对所述每个历史报警内容进行分词处理,并对分词结果进行编码,得到所述每个历史报警内容对应的第一矩阵;
对所述每个历史报警内容对应的报警系统和报警类型分别进行编码,得到所述每个历史报警内容对应的第二矩阵;
将所述X个历史报警内容对应的第一矩阵和第二矩阵作为训练样本数据,在所述X个历史报警内容中随机选择Y个历史报警内容,所述Y个历史报警内容的报警时间连续,所述Y小于所述X;
将所述Y个历史报警内容中前Y-1个历史报警内容对应的第一矩阵组合作为输入数据,将所述Y个历史报警内容中第Y个历史报警内容对应的第二矩阵作为目标输出数据进行模型训练得到的。
2.根据权利要求1所述的报警预测方法,其特征在于,所述报警预测模型采用长短期记忆模型。
3.一种报警预测装置,其特征在于,所述装置包括:收发模块和处理模块;
所述收发模块,用于获取当前多个报警;
所述处理模块,用于将所述多个当前报警内容中的每个当前报警内容进行数字化处理,得到所述每个当前报警内容对应的矩阵;
所述处理模块,还用于根据所述多个当前报警内容的报警时间,将所述多个当前报警内容对应的矩阵组成样本数据;
所述处理模块,还用于根据所述样本数据及报警预测模型,得到预警信息;所述预警信息包括预警系统和预警类型,所述报警预测模型用于预测所述预警信息;
所述报警预测模型是通过获取报警时间连续的X个历史报警内容,以及每个历史报警内容对应的报警信息,X为大于或等于2的正整数,所述报警信息包括报警系统和报警类型;
对所述每个历史报警内容进行分词处理,并对分词结果进行编码,得到所述每个历史报警内容对应的第一矩阵;
对所述每个历史报警内容对应的报警系统和报警类型分别进行编码,得到所述每个历史报警内容对应的第二矩阵;
将所述X个历史报警内容对应的第一矩阵和第二矩阵作为训练样本数据,在所述X个历史报警内容中随机选择Y个历史报警内容,所述Y个历史报警内容的报警时间连续,所述Y小于所述X;
将所述Y个历史报警内容中前Y-1个历史报警内容对应的第一矩阵组合作为输入数据,将所述Y个历史报警内容中第Y个历史报警内容对应的第二矩阵作为目标输出数据进行模型训练得到的。
4.根据权利要求3所述的报警预测装置,其特征在于,所述报警预测模型采用长短期记忆模型。
5.一种报警预测设备,其特征在于,所述报警预测设备包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述处理器执行所述计算机指令时,所述报警预测设备执行如权利要求1或2所述的报警预测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在报警预测设备上运行时,使得所述报警预测设备执行如权利要求1或2所述的报警预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016389.5A CN113643522B (zh) | 2021-08-31 | 2021-08-31 | 报警预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016389.5A CN113643522B (zh) | 2021-08-31 | 2021-08-31 | 报警预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113643522A CN113643522A (zh) | 2021-11-12 |
CN113643522B true CN113643522B (zh) | 2023-06-06 |
Family
ID=78424658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111016389.5A Active CN113643522B (zh) | 2021-08-31 | 2021-08-31 | 报警预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113643522B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416974A (zh) * | 2018-01-23 | 2018-08-17 | 中国矿业大学 | 基于无线信道状态信息的自动报警装置及方法 |
CN110457595A (zh) * | 2019-08-01 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 突发事件报警方法、装置、系统、电子设备及存储介质 |
CN112380073A (zh) * | 2020-10-12 | 2021-02-19 | 浙江天垂科技有限公司 | 一种故障位置的检测方法、装置及可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016095610A (ja) * | 2014-11-13 | 2016-05-26 | 株式会社日立システムズ | 故障警告システムおよび故障警告方法 |
CN106708692B (zh) * | 2015-11-13 | 2019-09-27 | 菜鸟智能物流控股有限公司 | 建立过滤报警模型的方法和装置以及过滤报警的方法、装置和电子设备 |
US10876867B2 (en) * | 2016-11-11 | 2020-12-29 | Chevron U.S.A. Inc. | Fault detection system utilizing dynamic principal components analysis |
CN108304350B (zh) * | 2017-12-25 | 2021-04-30 | 明阳智慧能源集团股份公司 | 基于大数据集近邻策略的风机指标预测与故障预警方法 |
CN109523752B (zh) * | 2018-11-28 | 2021-01-29 | 润电能源科学技术有限公司 | 一种设备故障预警方法、装置、电子设备和介质 |
CN110837137A (zh) * | 2019-11-07 | 2020-02-25 | 刘健华 | 一种台风预测报警方法 |
CN111858120B (zh) * | 2020-07-20 | 2023-07-28 | 北京百度网讯科技有限公司 | 故障预测方法、装置、电子设备及存储介质 |
CN113283222B (zh) * | 2021-06-11 | 2021-10-08 | 平安科技(深圳)有限公司 | 自动化报表生成方法、装置、计算机设备及存储介质 |
-
2021
- 2021-08-31 CN CN202111016389.5A patent/CN113643522B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416974A (zh) * | 2018-01-23 | 2018-08-17 | 中国矿业大学 | 基于无线信道状态信息的自动报警装置及方法 |
CN110457595A (zh) * | 2019-08-01 | 2019-11-15 | 腾讯科技(深圳)有限公司 | 突发事件报警方法、装置、系统、电子设备及存储介质 |
CN112380073A (zh) * | 2020-10-12 | 2021-02-19 | 浙江天垂科技有限公司 | 一种故障位置的检测方法、装置及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113643522A (zh) | 2021-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985066B (zh) | 一种智能合约安全漏洞检测方法、装置、终端及存储介质 | |
CN116167352B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
WO2019147384A1 (en) | System and method for malware signature generation | |
CN108809943B (zh) | 网站监控方法及其装置 | |
CN110730164A (zh) | 安全预警方法及相关设备、计算机可读存储介质 | |
CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
CN113643522B (zh) | 报警预测方法、装置、设备和存储介质 | |
Ye et al. | Android malware detection technology based on lightweight convolutional neural networks | |
CN110728118B (zh) | 跨数据平台的数据处理方法、装置、设备及存储介质 | |
CN115589339B (zh) | 网络攻击类型识别方法、装置、设备以及存储介质 | |
CN112100617A (zh) | 一种异常sql检测方法及装置 | |
US4734876A (en) | Circuit for selecting one of a plurality of exponential values to a predetermined base to provide a maximum value | |
WO2014144779A1 (en) | Systems and methods for abductive learning of quantized stochastic processes | |
CN116089985A (zh) | 一种分布式日志的加密存储方法、装置、设备及介质 | |
CN111625825B (zh) | 一种病毒检测方法、装置、设备及存储介质 | |
CN113609184A (zh) | 一种异常操作的预警方法、装置及设备 | |
CN109063702B (zh) | 车牌识别方法、装置、设备及存储介质 | |
CN114398887A (zh) | 一种文本分类方法、装置及电子设备 | |
CN113590436A (zh) | 一种告警方法及装置 | |
CN110995649A (zh) | 一种基于贝叶斯网络的网络安全态势预测方法及装置 | |
CN117313159A (zh) | 一种数据处理方法、装置、设备以及存储介质 | |
CN116841842A (zh) | 异常操作检测方法、装置、存储介质及计算机程序产品 | |
CN118282724A (zh) | 一种车载终端有效性的识别方法、装置及车辆 | |
CN110825924B (zh) | 一种数据检测方法、装置及存储介质 | |
CN116451648A (zh) | 一种报文关键字匹配方法、装置、设备及存储介质 |
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 |