CN113900921B - 法院信息系统运行状态评估方法、装置、设备及存储介质 - Google Patents

法院信息系统运行状态评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113900921B
CN113900921B CN202111481345.XA CN202111481345A CN113900921B CN 113900921 B CN113900921 B CN 113900921B CN 202111481345 A CN202111481345 A CN 202111481345A CN 113900921 B CN113900921 B CN 113900921B
Authority
CN
China
Prior art keywords
rate
data
operation state
information
monitoring
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
CN202111481345.XA
Other languages
English (en)
Other versions
CN113900921A (zh
Inventor
许建峰
孙福辉
陈奇伟
王赢飞
刘振宇
商成林
王妍
王晓燕
郑昀奇
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.)
People's Court Information Technology Service Center
Original Assignee
People's Court Information Technology Service Center
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 People's Court Information Technology Service Center filed Critical People's Court Information Technology Service Center
Priority to CN202111481345.XA priority Critical patent/CN113900921B/zh
Publication of CN113900921A publication Critical patent/CN113900921A/zh
Application granted granted Critical
Publication of CN113900921B publication Critical patent/CN113900921B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本文涉及法院信息系统运行状态度量和评估技术领域，提供了一种法院信息系统运行状态评估方法、装置、设备及存储介质，该方法包括：根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类；确定影响九个信息度量指标类的各个影响系统；分别获取每个影响系统的运行状态变量数据集；基于变量指标分类器对每个运行状态变量数据集分类，计算每个运行状态数据类对应的信息度量指标值，并将其各个运行状态数据类对应的信息度量指标值加权求和，获得该影响系统的运行状态评估值；将各个影响系统的运行状态评估值加权求和，获得法院信息系统的运行状态评估值。本文实施例可实现法院信息系统的运行状态的全面、客观评估。

Description

法院信息系统运行状态评估方法、装置、设备及存储介质
技术领域
本说明书涉及法院信息系统运行状态度量和评估技术领域，尤其是涉及一种法院信息系统运行状态评估方法、装置、设备及存储介质。
背景技术
信息系统（Information system）是指由计算机硬件、网络和通讯设备、计算机软件、信息资源、信息用户和规章制度组成的以处理信息流为目的的人机一体化系统。当前，各类林林总总的信息系统建设如火如荼，复杂度越来越高，应用范围越来越广,智慧法院（Smart Court）围绕服务人民群众、服务审判执行、服务司法管理等方面，也已逐步构建了面向诉讼服务、审判执行、司法管理、司法公开以及其它业务领域的一系列信息化、智能化业务信息系统，每项司法业务需要一个或多个信息系统支持，每个信息系统也能够支持一项或多项司法业务，面对庞大的智慧法院信息系统（以下简称法院信息系统）体系，如何度量系统的价值，评估和发挥这些系统的运行状态，是需要迫切解决的问题。
信息系统的根本价值在于其运行状态，运行状态的评价必须依赖于相应的度量指标。但目前对于信息系统运行状态、或信息系统的相关度量众说纷纭、莫衷一是，主要集中对于信息系统某一特定指标的度量，对于信息系统某一特定类型的度量，或是对信息系统进行多指标综合评价三个方面。相关度量侧重于系统性能、技术水平、系统使用成本、系统效益等，度量的对象均是针对系统自身建设的度量，或者将系统和系统所产生的信息混合在一起进行度量，一方面对于指标的定义缺乏足够的理论支撑，另一方面指标仍然很抽象，不易量化，特别是很多度量并不直接针对信息系统的运行状态，难以与信息系统的建设初衷构成闭环。因为在应用效果不彰的情况下建设规模越大浪费就越大，服务功能不增的情况下系统数量越多用户就越难适从，即便是系统点击量也并不与用户满意度成正比。事实上，现有对于信息系统的度量指标体系都忽视了信息系统是以信息为主体或对象的系统，是信息收集、处理和传播的载体。
信息系统的作用和意义就是通过输入、传输、处理和输出等过程提供符合用户要求、具有相应度量指标的信息，系统能够提供、输出的信息的大小，质量代表信息系统的能力，例如，系统输出的信息越多、越广、越丰富、及时性越高，信息系统价值自然也就越大，此外，影响信息系统输入、传输、处理、输出信息的度量的能力虽不直接面向用户提供满足具体需求的信息内容，但这种影响能力与系统提供信息的度量水平密切相关，例如，中国裁判文书网的信息遍及度可以定义为全球访问者所处的地理空间范围，要广达全世界的一个重要前提就是互联网通信基站的全球覆盖，也就是说，互联网通信基站在全球的覆盖能力就是影响裁判文书网的信息遍及度的一个重要因素，在裁判文书网信息遍及度的度量中应当考虑。因此，对于信息系统运行和应用所直接输出的信息的度量，以及影响信息系统采集、传输、处理、输出信息的度量的能力的度量才是对于信息系统运行状态进行评估的度量依据。
许建峰等提出的客观信息论将信息定义为客观世界和主观世界中事物及其运动状态的客观反映，根据客观信息论的观点，世界万物只有通过信息才能表现并且还原其存在及运动状态，信息具有广阔度、细致度、持续度、丰富度、容积度、延迟度、遍及度、真实度和适配度等九类信息度量指标并皆可按照严格的数学定义予以表达。客观信息论奠定了对于信息度量的基础理论框架，为定量研究分析信息运转和信息系统应用提供了理论和方法基础。数据是信息在信息系统中的表现形式，信息系统的建设和应用成效皆可源于信息度量，形成可量化的指标体系。
针对法院信息系统，目前尚缺少可全面、客观评估其运行状态的技术方案。
发明内容
本说明书的目的在于提供一种法院信息系统运行状态评估方法、装置、设备及存储介质，以实现对法院信息系统的运行状态的全面、客观评估。
为达到上述目的，一方面，本说明书提供了一种法院信息系统运行状态评估方法，包括：
根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类；
确定影响所述九个信息度量指标类的各个影响系统；
分别获取每个影响系统在指定时间范围内的运行状态变量数据集；每个所述运行状态变量数据集中包含多个运行状态变量数据；
基于预设的变量指标分类器，对每个影响系统的运行状态变量数据集中的多个运行状态变量数据进行分类；所述变量指标分类器以客观信息论的九类信息度量指标为目标输出；
对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值；
对于每个影响系统的分类后的运行状态数据集，将其各个运行状态数据类对应的信息度量指标值进行加权求和，获得该影响系统的运行状态评估值；
将各个影响系统的运行状态评估值进行加权求和，获得所述法院信息系统的运行状态评估值。
本说明书实施例的法院信息系统运行状态评估方法中，所述对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值，包括：
对于每个影响系统的分类后的运行状态数据集中的每个运行状态数据类，根据该运行状态数据类中各个运行状态变量数据对应的变量评价函数，对应计算该运行状态数据类中各个运行状态变量数据的评价值；
根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值。
本说明书实施例的法院信息系统运行状态评估方法中，每个所述变量评价函数预先根据以下变量评价函数通式建构得到；
Figure DEST_PATH_IMAGE001
其中，x i 为第i个运行状态变量，F i (x i )为第i个运行状态变量的评价值，μ i 为第i个运行状态变量的样本值均值，σ i 为第i个运行状态变量的样本值标准差。
本说明书实施例的法院信息系统运行状态评估方法中，所述根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值，包括：
对于每个影响系统的分类后的运行状态数据集，根据公式
Figure 959910DEST_PATH_IMAGE002
计算该运行状态数据类对应的信息度量指标值；
其中，z k 为第k个运行状态数据类对应的信息度量指标值，
Figure DEST_PATH_IMAGE003
为第k个运行状态数据类中第l个运行状态变量，
Figure 221127DEST_PATH_IMAGE004
为
Figure 312842DEST_PATH_IMAGE003
的评价值，
Figure DEST_PATH_IMAGE005
为第k个运行状态数据类中第l个运行状态变量的权重。
本说明书实施例的法院信息系统运行状态评估方法中，在所述将各个影响系统的运行状态评估值进行加权求和的计算中，各个影响系统的运行状态评估值的权重值预先根据以下方式确定：
根据公式
Figure 102944DEST_PATH_IMAGE006
将第i个判断矩阵下第j个影响系统的初始权重
Figure DEST_PATH_IMAGE007
进行归一化，得到第i个判断矩阵下第j个影响系统的归一化权重
Figure 388431DEST_PATH_IMAGE008
；其中，n为影响系统数量；
确定各个判断矩阵下第j个影响系统的归一化权重
Figure 407334DEST_PATH_IMAGE008
的均值，并将其作为第j个影响系统的权重。
本说明书实施例的法院信息系统运行状态评估方法中，所述各个影响系统包括：基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统。
本说明书实施例的法院信息系统运行状态评估方法中，所述变量指标分类器包括预训练的机器学习分类器。
另一方面，本说明书还提供了一种法院信息系统运行状态评估装置，包括：
全集获取模块，用于根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类；
影响确定模块，用于确定影响所述九个信息度量指标类的各个影响系统；
变量获取模块，用于分别获取每个影响系统在指定时间范围内的运行状态变量数据集；每个所述运行状态变量数据集中包含多个运行状态变量数据；
变量分类模块，用于基于预设的变量指标分类器，对每个影响系统的运行状态变量数据集中的多个运行状态变量数据进行分类；所述变量指标分类器以客观信息论的九类信息度量指标为目标输出；
指标评价模块，用于对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值；
子结果确定模块，用于对于每个影响系统的分类后的运行状态数据集，将其各个运行状态数据类对应的信息度量指标值进行加权求和，获得该影响系统的运行状态评估值；
总结果确定模块，用于将各个影响系统的运行状态评估值进行加权求和，获得所述法院信息系统的运行状态评估值。
另一方面，本说明书还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述方法的指令。
另一方面，本说明书还提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述方法的指令。
由以上本说明书提供的技术方案可见，本说明书实施例中，可以根据客观信息论的九类信息度量指标，将法院信息系统的输出数据集分为九个信息度量指标类，并确定影响九个信息度量指标类的各个影响系统；对于每个影响系统，可以基于以客观信息论的九类信息度量指标为目标输出的变量指标分类器，对采集到的该影响系统的运行状态变量数据集进行分类，并计算各分类对应的信息度量指标值，然后将各分类对应的信息度量指标值进行加权求和，即获得该影响系统的的运行状态评估值；在此基础上，通过将各个影响系统的运行状态评估值进行加权求和，可以获得整个法院信息系统的运行状态评估值；从而基于客观信息论实现了对法院信息系统的运行状态的全面、客观评估。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了本说明书实施例中法院信息系统运行状态评估方法的流程图；
图2示出了本说明书施例中法院信息系统的结构框图；
图3示出了本说明书施例中法院信息系统的基础设施类系统的运行状态变量数据集的分类及其对应信息度量指标的示意图；
图4示出了本说明书施例中法院信息系统的应用系统类系统的运行状态变量数据集的分类及其对应信息度量指标的示意图；
图5示出了本说明书施例中法院信息系统的数据资源类系统的运行状态变量数据集的分类及其对应信息度量指标的示意图；
图6示出了本说明书施例中法院信息系统的信息安全类系统的运行状态变量数据集的分类及其对应信息度量指标的示意图；
图7示出了本说明书施例中法院信息系统的运维管理类系统的运行状态变量数据集的分类及其对应信息度量指标的示意图；
图8示出了本说明书实施例中法院信息系统运行状态评估装置的结构框图；
图9示出了本说明书实施例中计算机设备的结构框图。
【附图标记说明】
81、全集获取模块；
82、影响确定模块；
83、变量获取模块；
84、变量分类模块；
85、指标评价模块；
86、子结果确定模块；
87、总结果确定模块；
902、计算机设备；
904、处理器；
906、存储器；
908、驱动机构；
910、输入/输出接口；
912、输入设备；
914、输出设备；
916、呈现设备；
918、图形用户接口；
920、网络接口；
922、通信链路；
924、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
本说明书实施例涉及法院信息系统的运行状态评估技术。鉴于现有技术中对法院信息系统的运行状态评估的不够全面、不够客观的问题，本说明书实施例提供了可全面、客观对法院信息系统的运行状态进行评估的技术方案。
参考图1所示，本说明书实施例提供了一种法院信息系统运行状态评估方法，其可以应用于任何计算机设备上，以实现对法院信息系统的运行状态评估。所述法院信息系统运行状态评估方法可以包括以下步骤：
S101、根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类。
S102、确定影响所述九个信息度量指标类的各个影响系统。
S103、分别获取每个影响系统在指定时间范围内的运行状态变量数据集；每个所述运行状态变量数据集中包含多个运行状态变量数据。
S104、基于预设的变量指标分类器，对每个影响系统的运行状态变量数据集中的多个运行状态变量数据进行分类；所述变量指标分类器以客观信息论的九类信息度量指标为目标输出。
S105、对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值。
S106、对于每个影响系统的分类后的运行状态数据集，将其各个运行状态数据类对应的信息度量指标值进行加权求和，获得该影响系统的运行状态评估值。
S107、将各个影响系统的运行状态评估值进行加权求和，获得所述法院信息系统的运行状态评估值。
本说明书实施例的法院信息系统运行状态评估方法中，可以根据客观信息论的九类信息度量指标，将法院信息系统的输出数据集分为九个信息度量指标类，并确定影响九个信息度量指标类的各个影响系统；对于每个影响系统，可以基于以客观信息论的九类信息度量指标为目标输出的变量指标分类器，对采集到的该影响系统的运行状态变量数据集进行分类，并计算各分类对应的信息度量指标值，然后将各分类对应的信息度量指标值进行加权求和，即获得该影响系统的的运行状态评估值；在此基础上，通过将各个影响系统的运行状态评估值进行加权求和，可以获得整个法院信息系统的运行状态评估值。从而基于客观信息论实现了对法院信息系统的运行状态的全面、客观评估。
法院信息系统的输出数据集是法院信息系统所能产生或输出的主要数据。例如，案件、文书、视频、卷宗等。法院信息系统的输出数据集中的各个数据的度量，会受法院信息系统自身（例如法院信息系统的某些子系统）和/或其他系统的影响，比如执行查控信息的延迟度可以定义为从干警输入请求到收到回复的时间延迟，影响从边远法庭到最高法院、再回到边远法庭的执行查控信息延迟度的一个重要因素就是沿途各级法院专网的通信带宽。因此，在根据客观信息论的九类信息度量指标将输出数据集分为多个信息度量指标类之后，可将影响多个信息度量指标类的子系统和其他系统称为影响系统。因此，通过对多个信息度量指标类中各数据进行溯源和汇总，可以确定影响所述九个信息度量指标类的各个影响系统。
如图2所示，在本说明书的实施例中，基于上述方式可以确定出影响多个信息度量指标类的各个影响系统可以包括基础设施类系统（例如智能语音庭审系统、虚拟化云平台等）、应用系统类系统（例如人民法院人事管理系统、办案平台、办公平台、中国裁判文书网、中国审判流程信息公开网、执行查控系统、信用惩戒系统、执行案件流程信息管理系统等）、数据资源类系统（例如人民法院大数据管理和服务平台、数据备份系统、应急指挥管理平台等）、信息安全类系统（例如最高人民法院终端安全管理系统、综合安全监管平台、全国法院统一身份认证系统等）和运维管理类系统（例如工单管理系统、人民法院可视化运维管理平台、音视频管理平台等）。对于每个影响系统而言，为了能够更加客观、准确地评价该影响系统运行状态，可以基于客观信息论对该影响系统的运行状态进行评估。
为此，可以预先为每个影响系统构建以客观信息论的九类信息度量指标为目标输出的变量指标分类器，以便于后续在实际采集各个影响系统的运行状态变量数据集后，可以直接基于对应的变量指标分类器，对运行状态变量数据集中各个数据进行分类打标，使得每个数据可被自动标记为归属于客观信息论的九类信息度量指标之一。
在一个示例性实施例中，变量指标分类器可以为预训练的机器学习分类器。例如，对于基础设施类系统而言，可以基于基础设施类系统的历史数据整理出数据集（包括训练集、测试集和验证集），然后利用数据集对初始的机器学习模型进行训练，直至当前训练出的机器学习模型满足设定要求，此时，该当前训练出的机器学习模型即可以作为该基础设施类系统的变量指标分类器。其中，初始的机器学习模型例如可以包括但不限于最邻近分类算法（如KNN）、朴素贝叶斯分类算法、支持向量机（SVM）、神经网络等有监督的机器学习模型。
影响系统的运行状态一般随时间发生变化，因此评估运行状态应当指定一个时间范围（即指定时间范围），并且指定时间范围一般可以是最近一段时间（例如最近24小时、最近一周、最近一个月等），具体可以根据需要设定。对应的，在进行数据采集时，可以分别采集每个影响系统在指定时间范围内的运行状态变量数据集。其中，每个影响系统对应的运行状态变量数据集一般会含多个运行状态变量数据。例如，以基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统为例，五个影响系统分别对应的运行状态变量数据集如下：
（1）基础设施类系统的运行状态变量数据集可以包括：主机监控覆盖率、网路设备监控覆盖率、存储设备监控覆盖率、音视频设备监控覆盖率、派出法庭监控覆盖率、主机监控完整率、网路设备监控完整率、存储设备监控完整率、音视频设备监控完整率、带宽利用率、磁盘利用率、存储空间利用率、磁盘读取速度、网络延迟、CPU利用率、内存利用率、资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率和音视频设备故障率。
（2）应用系统类系统的运行状态变量数据集可以包括：系统法院应用覆盖率、系统监控覆盖率、系统法官应用覆盖率、系统案件应用覆盖率、系统监控完整率、系统数据采样率、系统交互方式、系统响应时间、系统用户体验响应时间、系统并发量、慢操作占比、用户访问量及分布、访问量及分布、操作次数及分布、活跃用户数及分布、系统登录独立IP数及分布、系统应用度、系统业务办理量、视频会议时长、系统故障次数和系统故障时长。
（3）数据资源类系统的运行状态变量数据集可以包括：数据资源监控覆盖率、数据资源监控完整率、数据呈现方式、数据存储量、数据量增幅、数据备份覆盖率、数据共享交换量及分布、数据共享交换次数及分布和数据验证成功率。
（4）信息安全类系统的运行状态变量数据集可以包括：安全设备监控覆盖率、终端入网管控覆盖率、信息安全监控完整率、系统异常账号登录数量、系统爬虫数量、系统日志留存合规率和系统漏洞数量、系统硬件加固和双因子认证率、安全等级通过情况、系统被攻击防范成功率、安全设备可用率。
（5）信息安全类系统的运行状态变量数据集可以包括：运维管理覆盖率、系统工单量、系统工单类别和系统工单处理及时率。
对于每个影响系统，在获得其运行状态变量数据集的基础上，可以基于对应的变量指标分类器对其运行状态变量数据集中各个运行状态变量数据进行分类打标，从而可以将每个影响系统的运行状态变量数据集中的每个运行状态变量数据，自动归类至客观信息论的九类信息度量指标之一。
参考图3所示，以上文中的基础设施类系统的运行状态变量数据集为例，通过基于基础设施类系统对应的变量指标分类器，可以将基础设施类系统的运行状态变量数据集分类如下：
{主机监控覆盖率、网路设备监控覆盖率、存储设备监控覆盖率、音视频设备监控覆盖率、派出法庭监控覆盖率}→基础设施广阔度；
{主机监控完整率、网路设备监控完整率、存储设备监控完整率、音视频设备监控完整率}→基础设施细致度；
{带宽利用率}→基础设施持续度；
{磁盘利用率、存储空间利用率}→基础设施容积度；
{磁盘读取速度、网络延迟、CPU利用率、内存利用率}→基础设施延迟度；
{资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率、音视频设备故障率}→基础设施适配度。
参考图4所示，以上文中的应用系统类系统的运行状态变量数据集为例，通过基于应用系统类系统对应的变量指标分类器，可以将应用系统类系统的运行状态变量数据集分类如下：
{系统法院应用覆盖率、系统监控覆盖率}→应用系统广阔度；
{系统法官应用覆盖率、系统案件应用覆盖率、系统监控完整率}→应用系统细致度；
{系统数据采样率}→应用系统持续度；
{系统交互方式}→应用系统丰富度；
{系统响应时间、系统用户体验响应时间、系统并发量、慢操作占比}→应用系统延迟度；
{用户访问量及分布、访问量及分布、操作次数及分布、活跃用户数及分布、系统登录独立IP数及分布}→应用系统遍及度；
{系统应用度、系统业务办理量、视频会议时长、系统故障次数、系统故障时长}→应用系统适配度。
参考图5所示，以上文中的数据资源类系统的运行状态变量数据集为例，通过数据资源类系统对应的变量指标分类器，可以将数据资源类系统的运行状态变量数据集分类如下：
{数据资源监控覆盖率}→数据资源广阔度；
{数据资源监控完整率}→数据资源细致度；
{数据呈现方式}→数据资源丰富度；
{数据存储量、数据量增幅、数据备份覆盖率}→数据资源容积度；
{数据共享交换量及分布、数据共享交换次数及分布}→数据资源遍及度；
{数据验证成功率}→数据资源真实度。
参考图6所示，以上文中的信息安全类系统的运行状态变量数据集为例，通过信息安全类系统对应的变量指标分类器，可以将信息安全类系统的运行状态变量数据集分类如下：
{安全设备监控覆盖率、终端入网管控覆盖率}→信息安全广阔度；
{信息安全监控完整率}→信息安全细致度；
{系统异常账号登录数量、系统爬虫数量}→信息安全遍及度；
{系统日志留存合规率}→信息安全真实度；
{系统漏洞数量、系统硬件加固和双因子认证率、安全等级通过情况、系统被攻击防范成功率、安全设备可用率}→信息安全适配度。
参考图7所示，以上文中的运维管理类系统的运行状态变量数据集为例，通过运维管理类系统对应的变量指标分类器，可以将运维管理类系统的运行状态变量数据集分类如下：
{运维管理覆盖率}→运维管理广阔度；
{系统工单量、系统工单类别、系统工单处理及时率}→运维管理适配度。
本说明书实施例中，对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值，可以包括以下步骤：
（1）、对于每个影响系统的分类后的运行状态数据集中的每个运行状态数据类，根据该运行状态数据类中各个运行状态变量数据对应的变量评价函数，对应计算该运行状态数据类中各个运行状态变量数据的评价值。
在分类后的运行状态数据集中，同一个运行状态数据类中的运行参数变量的参数值的量纲和取值范围等一般不同。例如，以基础设施类系统中的基础设施适配度这一运行状态数据类为例，在其所包含的资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率和音视频设备故障率等运行参数变量中，故障率、分配率和连通率的量纲和取值范围均不相同。如果直接以运行参数变量原值进行计算，可能会影响计算精度。
因此，为了提高计算精度，可以预先根据同一个变量评价函数通式，构建用于计算每个运行状态变量数据的评价值的变量评价函数。在一实施例中，变量评价函数通式可以表示如下：
Figure 196299DEST_PATH_IMAGE001
其中，x i 为第i个运行状态变量，F i (x i )为第i个运行状态变量的评价值，μ i 为第i个运行状态变量的样本值均值，σ i 为第i个运行状态变量的样本值标准差。由于连续型随机变量X服从参数为μ和σ正态分布，根据上述变量评价函数通式可以相对准确地定量描述每个运行状态变量相对于运行预期的偏离程度。
需要指出的是，由于是预先根据变量评价函数通式构建变量评价函数，所使用的数据自然为历史数据；即在步骤S103之前，各个运行状态变量的变量评价函数，已预先根据变量评价函数通式构建完成。
例如，以上述的“CPU平均利用率”为例，假设选取三组CPU平均利用率样本值：50%、60%、70%；则可以得到CPU平均利用率均值为
Figure DEST_PATH_IMAGE009
，标准差为
Figure 970351DEST_PATH_IMAGE010
；则上述“CPU平均利用率”的变量评价函数可以构造为：
Figure DEST_PATH_IMAGE011
其中，x为CPU平均利用率。同理，基于上述的变量评价函数通式可以构建得到每个运行状态变量的变量评价函数。如此，将每个运行状态变量数据输入对应的变量评价函数，即可以得到该运行状态变量数据的评价值。
（2）、根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值。
对于每个影响系统的分类后的运行状态数据集，根据公式
Figure 8714DEST_PATH_IMAGE002
计算该运行状态数据类对应的信息度量指标值；
其中，z k 为第k个运行状态数据类对应的信息度量指标值，
Figure 549417DEST_PATH_IMAGE003
为第k个运行状态数据类中第l个运行状态变量，
Figure 724046DEST_PATH_IMAGE004
为
Figure 324792DEST_PATH_IMAGE003
的评价值，
Figure 70025DEST_PATH_IMAGE005
为第k个运行状态数据类中第l个运行状态变量的权重。
对于每个影响系统的每个运行状态数据类而言，由于每个运行状态数据类都可能会涉及多个运行状态变量，且每个运行状态数据类下的各个运行状态变量对应的信息度量指标的影响程度不同，需要为同一个运行状态数据类下的各个运行状态变量的评价值进行权重分配，以便于通过加权求和方式计算出该运行状态数据类对应的信息度量指标值，从而提高计算精度。
例如，以基础设施类系统中的基础设施适配度这一运行状态数据类为例，在其所包含的资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率、音视频设备故障率等多个运行状态变量中，各运行状态变量的评价值对基础设施适配度的影响程度可能不同。因此，需要为资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率和音视频设备故障率分配合适的权重，以提高基础设施适配度的计算精度。
同样，同一个影响系统下的各个运行状态数据类对应的信息度量指标值对该影响系统的影响程度也不同，也需要为同一个影响系统下的各个运行状态数据类对应的信息度量指标值进行权重分配，以便于通过加权求和方式计算出该影响系统的运行状态评估值，以提高该影响系统的运行状态评估精度。
此外，各个影响系统对法院信息系统的影响程度也不同，还需要为各个影响系统进行权重分配，以便于通过加权求和方式计算出该法院信息系统的运行状态评估值，以提高整个法院信息系统的运行状态评估精度。
上述各级别的权重分配，可以采用任何合适的权重分配方式实现。例如，以影响系统的运行状态评估值的权重分配为例，可以根据公式
Figure 679998DEST_PATH_IMAGE006
将第i个判断矩阵下第j个影响系统的初始权重
Figure 443554DEST_PATH_IMAGE012
进行归一化，得到第i个判断矩阵下第j个影响系统的归一化权重
Figure 480780DEST_PATH_IMAGE008
；其中，n为影响系统数量；确定各个判断矩阵下第j个影响系统的归一化权重
Figure 696998DEST_PATH_IMAGE008
的均值，并将其作为第j个影响系统的权重。其中，各个判断矩阵可以由不同的专家（或专家系统）提供。
例如，由3位专家对基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统给出的判断矩阵分别为：
Figure DEST_PATH_IMAGE013
对上述3个判断矩阵的特征向量进行归一化，得到对应的归一化权重，分别为
Figure 126974DEST_PATH_IMAGE014
对归一化权重取平均值，可以得到基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统的权重分别为0.056、0.226、0.175、0.423、0.120。
对于上述其他级别的权重分配也可以采用上述权重分配方式法；当然，也可以采用不同的分配方法，具体可以根据需要进行选择。
本说明书的实施例中，在获得法院信息系统的运行状态评估值，还可以对上述运行状态评估结果等进行可视化呈现，并可通过知识推荐分发策略将运行状态评估结果自动推送至相关的信息系统。此外，还可以对法院信息系统的运行状态评估结果进行持续追踪，以便于后续可以根据持续追踪结果进行相应改进。
虽然上文描述的过程流程包括以特定顺序出现的多个操作，但是，应当清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行（例如使用并行处理器或多线程环境）。
与上述的法院信息系统运行状态评估方法对应，本说明书实施例还提供了一种法院信息系统运行状态评估装置，参考图8所示，所述法院信息系统运行状态评估装置可以包括：全集获取模块81、影响确定模块82、变量获取模块83、变量分类模块84、指标评价模块85、子结果确定模块86和总结果确定模块87。其中：
全集获取模块81可以用于根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类；
影响确定模块82可以用于确定影响所述九个信息度量指标类的各个影响系统；
变量获取模块83可以用于分别获取每个影响系统在指定时间范围内的运行状态变量数据集；每个所述运行状态变量数据集中包含多个运行状态变量数据；
变量分类模块84可以用于基于预设的变量指标分类器，对每个影响系统的运行状态变量数据集中的多个运行状态变量数据进行分类；所述变量指标分类器以客观信息论的九类信息度量指标为目标输出；
指标评价模块85可以用于对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值；
子结果确定模块86可以用于对于每个影响系统的分类后的运行状态数据集，将其各个运行状态数据类对应的信息度量指标值进行加权求和，获得该影响系统的运行状态评估值；
总结果确定模块87可以用于将各个影响系统的运行状态评估值进行加权求和，获得所述法院信息系统的运行状态评估值。
本说明书实施例的法院信息系统运行状态评估装置中，所述对于每个影响系统的分类后的运行状态数据集，计算其每个运行状态数据类对应的信息度量指标值，包括：
对于每个影响系统的分类后的运行状态数据集中的每个运行状态数据类，根据该运行状态数据类中各个运行状态变量数据对应的变量评价函数，对应计算该运行状态数据类中各个运行状态变量数据的评价值；
根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值。
本说明书实施例的法院信息系统运行状态评估装置中，每个所述变量评价函数预先根据以下变量评价函数通式建构得到；
Figure 745037DEST_PATH_IMAGE001
其中，x i 为第i个运行状态变量，F i (x i )为第i个运行状态变量的评价值，μ i 为第i个运行状态变量的样本值均值，σ i 为第i个运行状态变量的样本值标准差。
本说明书实施例的法院信息系统运行状态评估装置中，所述根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值，包括：
对于每个影响系统的分类后的运行状态数据集，根据公式
Figure 953164DEST_PATH_IMAGE002
计算该运行状态数据类对应的信息度量指标值；
其中，z k 为第k个运行状态数据类对应的信息度量指标值，
Figure 656678DEST_PATH_IMAGE003
为第k个运行状态数据类中第l个运行状态变量，
Figure 342874DEST_PATH_IMAGE004
为
Figure 346602DEST_PATH_IMAGE003
的评价值，
Figure 725631DEST_PATH_IMAGE005
为第k个运行状态数据类中第l个运行状态变量的权重。
本说明书实施例的法院信息系统运行状态评估装置中，在所述将各个影响系统的运行状态评估值进行加权求和的计算中，各个影响系统的运行状态评估值的权重值预先根据以下方式确定：
根据公式
Figure 684752DEST_PATH_IMAGE006
将第i个判断矩阵下第j个影响系统的初始权重
Figure 440218DEST_PATH_IMAGE007
进行归一化，得到第i个判断矩阵下第j个影响系统的归一化权重
Figure 767294DEST_PATH_IMAGE008
；其中，n为影响系统数量；
确定各个判断矩阵下第j个影响系统的归一化权重
Figure 317224DEST_PATH_IMAGE008
的均值，并将其作为第j个影响系统的权重。
本说明书实施例的法院信息系统运行状态评估装置中，所述各个影响系统包括：基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统。
本说明书实施例的法院信息系统运行状态评估装置中，所述变量指标分类器包括预训练的机器学习分类器。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书还提供一种计算机设备的实施例。如图9所示，在本说明书的计算机设备实施例中，所述计算机设备902可以包括一个或多个处理器904，诸如一个或多个中央处理单元(CPU)或图形处理器（GPU），每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储器906，其用于存储诸如代码、设置、数据等之类的任何种类的信息，一具体实施例中，存储器906上并可在处理器904上运行的计算机程序，所述计算机程序被所述处理器904运行时，可以执行上述任一实施例所述的法院信息系统运行状态评估方法的指令。非限制性的，比如，存储器906可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理器904执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储器交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出接口910（I/O），其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口918(GUI)。在其他实施例中，还可以不包括输入/输出接口910（I/O）、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
本申请是参照本说明书一些实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理器的处理器以产生一个机器，使得通过计算机或其他可编程数据处理器的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理器以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理器上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算机设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算机设备访问的信息。按照本说明书中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理器来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述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 (9)

1.一种法院信息系统运行状态评估方法，其特征在于，包括：
根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类；所述九类信息度量指标包括广阔度、细致度、持续度、丰富度、容积度、延迟度、遍及度、真实度和适配度；
通过对所述九个信息度量指标类中各数据进行溯源和汇总确定影响所述九个信息度量指标类的各个影响系统；所述各个影响系统包括：基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统；分别获取每个影响系统在指定时间范围内的运行状态变量数据集；每个所述运行状态变量数据集中包含多个运行状态变量数据；
基于预设的变量指标分类器，对每个影响系统的运行状态变量数据集中的多个运行状态变量数据进行分类；所述变量指标分类器以客观信息论的九类信息度量指标为目标输出；
对于每个影响系统的分类后的运行状态变量数据集，计算其每个运行状态数据类对应的信息度量指标值；
对于每个影响系统的分类后的运行状态变量数据集，将其各个运行状态数据类对应的信息度量指标值进行加权求和，获得该影响系统的运行状态评估值；
将各个影响系统的运行状态评估值进行加权求和，获得所述法院信息系统的运行状态评估值；
其中，所述基础设施类系统的运行状态变量数据集包括：主机监控覆盖率、网路设备监控覆盖率、存储设备监控覆盖率、音视频设备监控覆盖率、派出法庭监控覆盖率、主机监控完整率、网路设备监控完整率、存储设备监控完整率、音视频设备监控完整率、带宽利用率、磁盘利用率、存储空间利用率、磁盘读取速度、网络延迟、CPU利用率、内存利用率、资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率和音视频设备故障率；
所述应用系统类系统的运行状态变量数据集包括：系统法院应用覆盖率、系统监控覆盖率、系统法官应用覆盖率、系统案件应用覆盖率、系统监控完整率、系统数据采样率、系统交互方式、系统响应时间、系统用户体验响应时间、系统并发量、慢操作占比、用户访问量及分布、访问量及分布、操作次数及分布、活跃用户数及分布、系统登录独立IP数及分布、系统应用度、系统业务办理量、视频会议时长、系统故障次数和系统故障时长；
所述数据资源类系统的运行状态变量数据集包括：数据资源监控覆盖率、数据资源监控完整率、数据呈现方式、数据存储量、数据量增幅、数据备份覆盖率、数据共享交换量及分布、数据共享交换次数及分布和数据验证成功率；
所述信息安全类系统的运行状态变量数据集包括：安全设备监控覆盖率、终端入网管控覆盖率、信息安全监控完整率、系统异常账号登录数量、系统爬虫数量、系统日志留存合规率和系统漏洞数量、系统硬件加固和双因子认证率、安全等级通过情况、系统被攻击防范成功率、安全设备可用率；
所述运维管理类系统的运行状态变量数据集包括：运维管理覆盖率、系统工单量、系统工单类别和系统工单处理及时率；
其中，所述基础设施类系统的运行状态变量数据集分类包括：
基础设施广阔度：主机监控覆盖率、网路设备监控覆盖率、存储设备监控覆盖率、音视频设备监控覆盖率、派出法庭监控覆盖率；
基础设施细致度：主机监控完整率、网路设备监控完整率、存储设备监控完整率、音视频设备监控完整率；
基础设施持续度：带宽利用率；
基础设施容积度：磁盘利用率、存储空间利用率；
基础设施延迟度：磁盘读取速度、网络延迟、CPU利用率、内存利用率；
基础设施适配度：资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率、音视频设备故障率；
所述应用系统类系统的运行状态变量数据集分类包括：
应用系统广阔度：系统法院应用覆盖率、系统监控覆盖率；
应用系统细致度：系统法官应用覆盖率、系统案件应用覆盖率、系统监控完整率；
应用系统持续度：系统数据采样率；
应用系统丰富度：系统交互方式；
应用系统延迟度：系统响应时间、系统用户体验响应时间、系统并发量、慢操作占比；
应用系统遍及度：用户访问量及分布、访问量及分布、操作次数及分布、活跃用户数及分布、系统登录独立IP数及分布；
应用系统适配度：系统应用度、系统业务办理量、视频会议时长、系统故障次数、系统故障时长；
所述数据资源类系统的运行状态变量数据集分类包括：
数据资源广阔度：数据资源监控覆盖率；
数据资源细致度：数据资源监控完整率；
数据资源丰富度：数据呈现方式；
数据资源容积度：数据存储量、数据量增幅、数据备份覆盖率；
数据资源遍及度：数据共享交换量及分布、数据共享交换次数及分布
数据资源真实度：数据验证成功率；
所述信息安全类系统的运行状态变量数据集分类包括：
信息安全广阔度：安全设备监控覆盖率、终端入网管控覆盖率；
信息安全细致度：信息安全监控完整率；
信息安全遍及度：系统异常账号登录数量、系统爬虫数量；
信息安全真实度：系统日志留存合规率；
信息安全适配度：系统漏洞数量、系统硬件加固和双因子认证率、安全等级通过情况、系统被攻击防范成功率、安全设备可用率；
所述运维管理类系统的运行状态变量数据集分类包括：
运维管理广阔度：运维管理覆盖率；
运维管理适配度：系统工单量、系统工单类别、系统工单处理及时率。
2.如权利要求1所述的法院信息系统运行状态评估方法，其特征在于，所述对于每个影响系统的分类后的运行状态变量数据集，计算其每个运行状态数据类对应的信息度量指标值，包括：
对于每个影响系统的分类后的运行状态变量数据集中的每个运行状态数据类，根据该运行状态数据类中各个运行状态变量数据对应的变量评价函数，对应计算该运行状态数据类中各个运行状态变量数据的评价值；
根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值。
3.如权利要求2所述的法院信息系统运行状态评估方法，其特征在于，每个所述变量评价函数预先根据以下变量评价函数通式建构得到；
Figure DEST_PATH_IMAGE002
其中，x i 为第i个运行状态变量，F i (x i )为第i个运行状态变量的评价值，μ i 为第i个运行状态变量的样本值均值，σ i 为第i个运行状态变量的样本值标准差。
4.如权利要求2所述的法院信息系统运行状态评估方法，其特征在于，所述根据该运行状态数据类中各个运行状态变量数据的评价值，计算该运行状态数据类对应的信息度量指标值，包括：
对于每个影响系统的分类后的运行状态变量数据集，根据公式
Figure DEST_PATH_IMAGE004
计算该运行状态数据类对应的信息度量指标值；
其中，z k 为第k个运行状态数据类对应的信息度量指标值，
Figure DEST_PATH_IMAGE006
为第k个运行状态数据类中第l个运行状态变量，
Figure DEST_PATH_IMAGE008
为
Figure DEST_PATH_IMAGE006A
的评价值，
Figure DEST_PATH_IMAGE010
为第k个运行状态数据类中第l个运行状态变量的权重。
5.如权利要求1所述的法院信息系统运行状态评估方法，其特征在于，在所述将各个影响系统的运行状态评估值进行加权求和的计算中，各个影响系统的运行状态评估值的权重值预先根据以下方式确定：
根据公式
Figure DEST_PATH_IMAGE012
将第i个判断矩阵下第j个影响系统的初始权重
Figure DEST_PATH_IMAGE014
进行归一化，得到第i个判断矩阵下第j个影响系统的归一化权重
Figure DEST_PATH_IMAGE016
；其中，n为影响系统数量；
确定各个判断矩阵下第j个影响系统的归一化权重
Figure DEST_PATH_IMAGE017
的均值，并将其作为第j个影响系统的权重。
6.如权利要求1所述的法院信息系统运行状态评估方法，其特征在于，所述变量指标分类器包括预训练的机器学习分类器。
7.一种法院信息系统运行状态评估装置，其特征在于，包括：
全集获取模块，用于根据客观信息论的九类信息度量指标将法院信息系统的输出数据集分为九个信息度量指标类；所述九类信息度量指标包括广阔度、细致度、持续度、丰富度、容积度、延迟度、遍及度、真实度和适配度；
影响确定模块，用于通过对所述九个信息度量指标类中各数据进行溯源和汇总确定影响所述九个信息度量指标类的各个影响系统；所述各个影响系统包括：基础设施类系统、应用系统类系统、数据资源类系统、信息安全类系统和运维管理类系统；
变量获取模块，用于分别获取每个影响系统在指定时间范围内的运行状态变量数据集；每个所述运行状态变量数据集中包含多个运行状态变量数据；
变量分类模块，用于基于预设的变量指标分类器，对每个影响系统的运行状态变量数据集中的多个运行状态变量数据进行分类；所述变量指标分类器以客观信息论的九类信息度量指标为目标输出；
指标评价模块，用于对于每个影响系统的分类后的运行状态变量数据集，计算其每个运行状态数据类对应的信息度量指标值；
子结果确定模块，用于对于每个影响系统的分类后的运行状态变量数据集，将其各个运行状态数据类对应的信息度量指标值进行加权求和，获得该影响系统的运行状态评估值；
总结果确定模块，用于将各个影响系统的运行状态评估值进行加权求和，获得所述法院信息系统的运行状态评估值；
其中，所述基础设施类系统的运行状态变量数据集包括：主机监控覆盖率、网路设备监控覆盖率、存储设备监控覆盖率、音视频设备监控覆盖率、派出法庭监控覆盖率、主机监控完整率、网路设备监控完整率、存储设备监控完整率、音视频设备监控完整率、带宽利用率、磁盘利用率、存储空间利用率、磁盘读取速度、网络延迟、CPU利用率、内存利用率、资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率和音视频设备故障率；
所述应用系统类系统的运行状态变量数据集包括：系统法院应用覆盖率、系统监控覆盖率、系统法官应用覆盖率、系统案件应用覆盖率、系统监控完整率、系统数据采样率、系统交互方式、系统响应时间、系统用户体验响应时间、系统并发量、慢操作占比、用户访问量及分布、访问量及分布、操作次数及分布、活跃用户数及分布、系统登录独立IP数及分布、系统应用度、系统业务办理量、视频会议时长、系统故障次数和系统故障时长；
所述数据资源类系统的运行状态变量数据集包括：数据资源监控覆盖率、数据资源监控完整率、数据呈现方式、数据存储量、数据量增幅、数据备份覆盖率、数据共享交换量及分布、数据共享交换次数及分布和数据验证成功率；
所述信息安全类系统的运行状态变量数据集包括：安全设备监控覆盖率、终端入网管控覆盖率、信息安全监控完整率、系统异常账号登录数量、系统爬虫数量、系统日志留存合规率和系统漏洞数量、系统硬件加固和双因子认证率、安全等级通过情况、系统被攻击防范成功率、安全设备可用率；
所述运维管理类系统的运行状态变量数据集包括：运维管理覆盖率、系统工单量、系统工单类别和系统工单处理及时率；
其中，所述基础设施类系统的运行状态变量数据集分类包括：
基础设施广阔度：主机监控覆盖率、网路设备监控覆盖率、存储设备监控覆盖率、音视频设备监控覆盖率、派出法庭监控覆盖率；
基础设施细致度：主机监控完整率、网路设备监控完整率、存储设备监控完整率、音视频设备监控完整率；
基础设施持续度：带宽利用率；
基础设施容积度：磁盘利用率、存储空间利用率；
基础设施延迟度：磁盘读取速度、网络延迟、CPU利用率、内存利用率；
基础设施适配度：资源分配率、四级法院网络连通率、派出法庭连通率、主机故障率、存储设备故障率、音视频设备故障率；
所述应用系统类系统的运行状态变量数据集分类包括：
应用系统广阔度：系统法院应用覆盖率、系统监控覆盖率；
应用系统细致度：系统法官应用覆盖率、系统案件应用覆盖率、系统监控完整率；
应用系统持续度：系统数据采样率；
应用系统丰富度：系统交互方式；
应用系统延迟度：系统响应时间、系统用户体验响应时间、系统并发量、慢操作占比；
应用系统遍及度：用户访问量及分布、访问量及分布、操作次数及分布、活跃用户数及分布、系统登录独立IP数及分布；
应用系统适配度：系统应用度、系统业务办理量、视频会议时长、系统故障次数、系统故障时长；
所述数据资源类系统的运行状态变量数据集分类包括：
数据资源广阔度：数据资源监控覆盖率；
数据资源细致度：数据资源监控完整率；
数据资源丰富度：数据呈现方式；
数据资源容积度：数据存储量、数据量增幅、数据备份覆盖率；
数据资源遍及度：数据共享交换量及分布、数据共享交换次数及分布
数据资源真实度：数据验证成功率；
所述信息安全类系统的运行状态变量数据集分类包括：
信息安全广阔度：安全设备监控覆盖率、终端入网管控覆盖率；
信息安全细致度：信息安全监控完整率；
信息安全遍及度：系统异常账号登录数量、系统爬虫数量；
信息安全真实度：系统日志留存合规率；
信息安全适配度：系统漏洞数量、系统硬件加固和双因子认证率、安全等级通过情况、系统被攻击防范成功率、安全设备可用率；
所述运维管理类系统的运行状态变量数据集分类包括：
运维管理广阔度：运维管理覆盖率；
运维管理适配度：系统工单量、系统工单类别、系统工单处理及时率。
8.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述计算机程序被所述处理器运行时，执行根据权利要求1-6任意一项所述方法的指令。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1-6任意一项所述方法的指令。
CN202111481345.XA 2021-12-07 2021-12-07 法院信息系统运行状态评估方法、装置、设备及存储介质 Active CN113900921B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111481345.XA CN113900921B (zh) 2021-12-07 2021-12-07 法院信息系统运行状态评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111481345.XA CN113900921B (zh) 2021-12-07 2021-12-07 法院信息系统运行状态评估方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113900921A CN113900921A (zh) 2022-01-07
CN113900921B true CN113900921B (zh) 2022-05-03

Family

ID=79025577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111481345.XA Active CN113900921B (zh) 2021-12-07 2021-12-07 法院信息系统运行状态评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113900921B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219377B (zh) * 2022-02-22 2022-06-07 云智慧（北京）科技有限公司 一种业务的资源分配方法、装置及设备
CN114912764A (zh) * 2022-04-19 2022-08-16 广域铭岛数字科技有限公司 一种平台价值度量方法、系统、设备及介质
CN116029876B (zh) * 2023-03-21 2023-06-23 浙江之科智慧科技有限公司 智慧校园综合管理装置与方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4374378B2 (ja) * 2006-12-21 2009-12-02 株式会社日立製作所 運用実績評価装置、運用実績評価方法、およびプログラム
CN107527121A (zh) * 2017-09-18 2017-12-29 云南电网有限责任公司信息中心 一种电网的信息系统运行状态诊断预测的方法
CN110543628A (zh) * 2018-05-29 2019-12-06 南京大学 一种规则约束下的文本信息质量度量方法
CN110070461B (zh) * 2019-04-17 2022-07-19 南瑞集团有限公司 一种电力信息系统健康度评估方法及其评估系统
CN113641825B (zh) * 2021-10-15 2022-01-04 人民法院信息技术服务中心 基于客观信息论的智慧法院系统大数据处理方法及装置

Also Published As

Publication number Publication date
CN113900921A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN113900921B (zh) 法院信息系统运行状态评估方法、装置、设备及存储介质
Ma et al. A new aspect on P2P online lending default prediction using meta-level phone usage data in China
Witt et al. Decentral and incentivized federated learning frameworks: A systematic literature review
US11715029B2 (en) Updating attribute data structures to indicate trends in attribute data provided to automated modeling systems
CN109144724A (zh) 一种微服务资源调度系统及方法
CN111581258B (zh) 一种安全数据分析方法、装置、系统、设备及存储介质
Unuvar et al. Selecting optimum cloud availability zones by learning user satisfaction levels
Fischer et al. A unified framework for assessing energy efficiency of machine learning
Faiz et al. A multi-criteria cloud selection model based on fuzzy logic technique for QoS
US20220129318A1 (en) Quota Request Resolution On Computing Platform
CN113837481A (zh) 一种基于区块链的金融大数据管理系统
CN116228312A (zh) 大额积分兑换行为的处理方法和装置
CN115827232A (zh) 一种为业务模型确定配置的方法、装置、系统及设备
Valeriy et al. Model of evaluating smart city projects by groups of investors using a multifactorial approach
CN112907124A (zh) 一种数据链路异常评测方法、装置、电子设备及存储介质
CN111598390A (zh) 服务器高可用性评估方法、装置、设备和可读存储介质
Jehangiri et al. Distributed predictive performance anomaly detection for virtualised platforms
Villalpando et al. A three-dimensional performance measurement model for cloud computing
Xiao et al. Microservices priority estimation for IoT platform based on analytic hierarchy process and fuzzy comprehensive method
Boguhn Benchmarking the scalability of distributed stream processing engines in case of load peaks
Wang Reliability detection method of online education resource sharing based on blockchain
KR102660320B1 (ko) 클라우드 기반의 최적 소스코드 제공 서버 및 소스 코드 제공 방법
CN118467178B (zh) 基于数字人民币的自助结算系统的实现方法
Shi et al. Medical cloud computing risk prediction method based on analytic hierarchy process and MRHGA-RBF neural networking optimization
Bi et al. Resource Load Prediction of Internet of Vehicles Mobile Cloud Computing.

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