CN114298467A - 用于民航运行管理自动化系统的智能监管系统及方法 - Google Patents
用于民航运行管理自动化系统的智能监管系统及方法 Download PDFInfo
- Publication number
- CN114298467A CN114298467A CN202111385132.7A CN202111385132A CN114298467A CN 114298467 A CN114298467 A CN 114298467A CN 202111385132 A CN202111385132 A CN 202111385132A CN 114298467 A CN114298467 A CN 114298467A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- sequence
- monitoring item
- alarm
- item
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于民航运行管理自动化系统的智能监管系统及方法,属于航空自动化系统监控运维领域,包括:时间序列分析模块、告警降噪模块、告警推理模块、告警预测模块、时间序列数据库、配置模块及外部告警推送模块;本发明通过对监控项的异常类型进行细分,给出细粒度、明确的告警推理信息,提升告警信息量。
Description
技术领域
本发明属于航空自动化系统监控运维领域,具体涉及一种用于民航运行管理自动化系统的智能监管系统及方法。
背景技术
空域结构日趋复杂,行流量成信增长,空管运行保障压力越来越大,对空管自动化系统的要求也越来越高。空管自动化系统功能的不断增长导致其硬件资源(包括服务器、网络、存储等)也日益庞大,给管理和运维工作带来了挑战。现有的自动化系统监控模块经常出现告警误报、漏报的情况,即使是正常的告警消息也不能为技保人员的问题排查工作给予足够的信息辅助支撑。因此有必要对自动化系统的监控模块予以改造,降低告警的误报率和漏报率 (统称为告警降噪),同时提高告警的智能化程度,代替技保人员对监控指标的变化趋势和变化特点进行提前的判断。
传统自动化系统的监控模块主要是为了满足对监视源信号的监控、对数据链路连通性的判断以及对服务器运行日志的抓取。在早期的自动化系统机器量和业务量较少的情况下,可以很好的满足需求。但是民航运行管理自动化系统的机器量和业务量有着明显的上升,传统架构已经不能满足现阶段自动化系统的监控需求了。
为了克服以上问题,现有的民航运行管理自动化系统采用了一套基于开源监控框架 Open-Falcon的监控模块,具备灵活采集、水平扩展、高可用等特点。
现有的基于Open-Falcon的监控模块功能比较单一;一方面基于经典统计分析的监控告警方法较为朴素,主要基于最新采集数值的最大/最小值、平均值、差分进行分析;另一方面其告警设置需要大量的手动编辑,只有具备足够运维经验的技保人员才能设置出合理的告警模板。因此现阶段民航运行管理自动化系统中经常出现告警的误报和漏报,而且告警消息的信息量明显不足,不能为技保人员的问题排查工作给予足够的信息辅助支撑,对系统运维响应的帮助十分有限。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种用于民航运行管理自动化系统的智能监管系统及方法,以实现降低告警误报漏报、提升告警信息量、实现告警预测、改善监控服务的扩展性和灵活性,进而有助于推动民航运行管理自动化系统稳定性的提升。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种用于民航运行管理自动化系统的智能监管系统,包括:时间序列分析模块、告警降噪模块、告警推理模块、告警预测模块、时间序列数据库、配置模块及外部告警推送模块;
时间序列分析模块,用于调取时间序列数据库中的监控项历史数据,并对其进行训练,生成模型参数表;
告警降噪模块,用于根据监控项实时数据,生成对应的动态基线,并根据动态基线初步判断监控项实时数据是否异常;
告警推理模块,用于对实时监控项数据进行分解,进一步判断监控项实时数据是否存在趋势下移异常、趋势上移异常、骤降震荡异常、飙升震荡异常;
告警预测模块,用于根据监控项实时数据,对监控项在未来一段时间内的波动变化进行预测,生成监控项预测平滑序列;
时间序列数据库,用于存储监控项数据,所有的监控项数据以时间序列的形式存储在数据库中;
配置模块,用于配置监控策略表;
外部告警推送模块,用于根据配置模块,对告警降噪模块和告警预测模块的判断结果进行汇总过滤,并结合告警输出规则表输出对应的告警信息。
进一步地,所述模型参数表用于存储模型参数,包括:监控对象、监控项、三次指数平滑参数、监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差。
进一步地,所述监控策略表用于存储监控策略,包括:监控对象、监控项、告警阈值、监控项level分量转换序列下界分位点、监控项level分量转换序列上界分位点、监控项trend 分量转换序列下界分位点、监控项trend分量转换序列上界分位点,可根据具体的情况对监控策略进行调整。
进一步地,所述告警输出规则表用于规定告警的输出规则,通过告警建议第一标识、告警建议第二标识和告警建议第三标识的协同,输出对应的告警消息;告警消息包括:正常、趋势上移、趋势下移、飙升震荡、骤降震荡、骤降震荡及趋势下移、飙升震荡及趋势下移、骤降震荡及趋势上升、飙升震荡及趋势上移。
进一步地,所述监控项历史数据包括:三次指数平滑参数、监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差。
进一步地,所述时间序列分析模块通过监控项序列平滑训练算法得到监控周期T和三次指数平滑参数α、β、γ;所述监控项序列平滑训练算法具体包括:
(11)输入监控对象endpointn、监控项metricp、采样时间间隔Δt;
(12)对于采样时间间隔为Δt的监控项,设定监控周期T=24*60/Δt;
(14)利用交叉验证训练三次指数平滑的平滑参数α、β、γ,训练任务为:
(15)输出监控周期T及训练后的平滑参数α、β、γ。
进一步地,所述时间序列分析模块通过监控项序列分解训练算法得到监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend 分量中位数、监控项转换trend分量中位数绝对偏差;所述监控项序列分解训练算法具体包括:
(20)输入监控对象endpointn、监控项metricp、采样时间间隔Δt;
(21)调用监控项序列平滑训练算法输出的优化后的平滑参数α、β、γ;
其中,e是一个小于10-8的常数;
及监控项level分量转换序列中位数绝对偏差:
及监控项trend分量转换序列中位数绝对偏差:
(29)输出监控项level分量最大值监控项level分量最小值监控项转换level分量中位数监控项转换level分量中位数绝对偏差监控项trend分量最大值监控项 trend分量最小值监控项转换trend分量中位数监控项转换level分量中位数绝对偏差
进一步地,所述告警降噪模块通过告警降噪预测预处理算法生成监控项标记序列;
所述告警降噪预处理算法具体为:
(31)输入监控项序列{Xp,t,t∈[τ-L*Δt,τ)}、模型参数表;
(36)返回监控项标记序列{Yp,t,t∈[τ-L*Δt,τ)}。
进一步地,所述告警推理模块通过告警推理预处理算法生成监控项level分量标记序列和监控项trend分量标记序列;所述告警推理预处理算法具体为:
(41)输入监控项序列{Xp,t,t∈[τ-L*Δt,τ)}、模型参数表;
(42)利用模型参数表中的α、β、γ,分解出监控项level分量序列和监控项trend分量序列;
进一步地,所述告警预测模块通过告警预测预处理算法生成监控项预测平滑序列,所述告警预测预处理算法具体为:
(51)输入监控对象endpointn、监控项metricp、采样时间间隔Δt、采样长度L、预测长度l;
(52)从民航运行管理自动化系统获取监控项序列{Xp,t,t∈[τ-L*Δt,τ)},其中τ为当前的时间;
进一步地,所述外部告警推送模块执行告警降噪判别算法,根据监控策略表,进一步过滤监控项标记序列,生成告警建议第一标识;所述告警降噪判别算法具体为:
(61)输入监控项标记时间序列{Yp,t,t∈[τ-L*Δt,τ)}、监控策略表;
(62)如果标记时间序列{Yp,t,t∈[τ-L*Δt,τ)}中存在一个长度不少于h、采样点均为 1的子序列,则设置告警建议第一标识suggest1=1,否则设置告警建议第一标识suggest1=0;
(63)返回告警建议第一标识suggest1。
进一步地,所述外部告警推送模块执行告警推理判别算法,根据监控策略表,进一步过滤监控项level分量标记序列和监控项trend分量标记序列,生成告警建议第二标识和告警建议第三标识;所述告警推理判别算法具体为:
(72)对于监控项level分量标记序列如果存在一个长度不少于h、采样点均为1的子序列,则设置告警建议第二标识suggest2=1;如果存在一个长度不少于h、采样点均为-1的子序列,则设置告警建议第二标识suggest2=-1;否则设置告警建议第二标识suggest2=0;
(73)对于监控项trend分量标记序列如果存在一个长度不少于h、采样点均为1的子序列,则设置告警建议第三标识suggest3=1;如果存在一个长度不少于h、采样点均为-1的子序列,则设置告警建议第三标识suggest3=-1;否则设置告警建议第三标识suggest3=0;
(74)返回告警建议第二标识suggest2和告警建议第三标识suggest3。
本发明的一种用于民航运行管理自动化系统的智能监管方法,步骤如下:
调取时间序列数据库中的监控项历史数据,并利用其进行训练,生成模型参数表;
根据监控项实时数据,生成对应的动态基线,并根据动态基线初步判断监控项实时数据是否异常;
对实时监控项数据进行分解,进一步判断监控项实时数据是否存在漂移和震荡;
根据监控项实时数据,对监控项在未来一段时间内的波动变化进行预测,生成监控项预测平滑序列;
对所述判断监控项实时数据是否异常及判断监控项实时数据是否存在漂移和震荡的判断结果进行汇总过滤,并结合告警输出规则表输出对应的告警信息。
本发明的有益效果:
本发明不再使用简单的阈值去判断监控项的正常或异常,本发明方法的优势在于克服了当前自动化系统频繁出现告警误报和漏报和告警不及时的问题,改善告警准确性。
本发明通过对监控项的异常类型进行细分,给出细粒度、明确的告警推理信息,提升告警信息量。
附图说明
图1为本发明系统的原理框图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种用于民航运行管理自动化系统的智能监管系统,包括:时间序列分析模块、告警降噪模块、告警推理模块、告警预测模块、时间序列数据库、配置模块及外部告警推送模块;
时间序列分析模块,用于调取时间序列数据库中的监控项历史数据,并对其进行训练,生成模型参数表;
示例中,所述监控项历史数据包括:三次指数平滑参数、监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差。
其中,所述模型参数表用于存储模型参数,包括:监控对象、监控项、三次指数平滑参数、监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差。
具体地,所述时间序列分析模块通过监控项序列平滑训练算法得到监控周期T和三次指数平滑参数α、β、γ;所述监控项序列平滑训练算法具体包括:
(11)输入监控对象endpointn、监控项metricp、采样时间间隔Δt;
(12)对于采样时间间隔为Δt的监控项,设定监控周期T=24*60/Δt,(例如对于采集时间间隔为1分钟的监控项,监控周期为T=24*60/1=1440);
(14)利用交叉验证训练三次指数平滑的平滑参数α、β、γ,训练任务为:
(15)输出监控周期T及训练后的平滑参数α、β、γ。
以及,所述时间序列分析模块通过监控项序列分解训练算法得到监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差;所述监控项序列分解训练算法具体包括:
(20)输入监控对象endpointn、监控项metricp、采样时间间隔Δt;
(21)调用监控项序列平滑训练算法输出的优化后的平滑参数α、β、γ;
其中,e是一个小于10-8的常数;
及监控项level分量转换序列中位数绝对偏差:
及监控项trend分量转换序列中位数绝对偏差:
(29)输出监控项level分量最大值监控项level分量最小值监控项转换level分量中位数监控项转换level分量中位数绝对偏差监控项trend分量最大值监控项 trend分量最小值监控项转换trend分量中位数监控项转换level分量中位数绝对偏差
告警降噪模块,用于根据监控项实时数据,生成对应的动态基线,并根据动态基线初步判断监控项实时数据是否异常;
其中,所述告警降噪模块通过告警降噪预测预处理算法生成监控项标记序列;所述告警降噪预处理算法具体为:
(31)输入监控项序列{Xp,t,t∈[τ-L*Δt,τ)}、模型参数表;
(36)返回监控项标记序列{Yp,t,t∈[τ-L*Δt,τ)}。
告警推理模块,用于对实时监控项数据进行分解,进一步判断监控项实时数据是否存在趋势下移异常、趋势上移异常、骤降震荡异常、飙升震荡异常;
其中,所述告警推理模块通过告警推理预处理算法生成监控项level分量标记序列和监控项trend分量标记序列;所述告警推理预处理算法具体为:
(41)输入监控项序列{Xp,t,t∈[τ-L*Δt,τ)}、模型参数表;
(42)利用模型参数表中的α、β、γ,分解出监控项level分量序列和监控项trend分量序列;
告警预测模块,用于根据监控项实时数据,对监控项在未来一段时间(未来10分钟、1 小时等)内的波动变化进行预测,生成监控项预测平滑序列;
其中,所述告警预测模块通过告警预测预处理算法生成监控项预测平滑序列,所述告警预测预处理算法具体为:
(51)输入监控对象endpointn、监控项metricp、采样时间间隔Δt、采样长度L、预测长度l;
(52)从民航运行管理自动化系统获取监控项序列{Xp,t,t∈[τ-L*Δt,τ)},其中τ为当前的时间;
时间序列数据库,用于存储监控项数据,所有的监控项数据以时间序列的形式存储在数据库中。
配置模块,用于配置监控策略表;所述监控策略表用于存储监控策略,包括:监控对象、监控项、告警阈值、监控项level分量转换序列下界分位点、监控项level分量转换序列上界分位点、监控项trend分量转换序列下界分位点、监控项trend分量转换序列上界分位点,可根据具体的情况对监控策略进行调整。
外部告警推送模块,用于根据配置模块,对告警降噪模块和告警预测模块的判断结果进行汇总过滤,并结合告警输出规则表输出对应的告警信息;所述告警输出规则表用于规定告警的输出规则,通过告警建议第一标识、告警建议第二标识和告警建议第三标识的协同,输出对应的告警消息;告警消息包括:正常、趋势上移、趋势下移、飙升震荡、骤降震荡、骤降震荡及趋势下移、飙升震荡及趋势下移、骤降震荡及趋势上升、飙升震荡及趋势上移;
具体地,所述外部告警推送模块执行告警降噪判别算法,根据监控策略表,进一步过滤监控项标记序列,生成告警建议第一标识;所述告警降噪判别算法具体为:
(61)输入监控项标记时间序列{Yp,t,t∈[τ-L*Δt,τ)}、监控策略表;
(62)如果标记时间序列{Yp,t,t∈[τ-L*Δt,τ)}中存在一个长度不少于h、采样点均为 1的子序列,则设置告警建议第一标识suggest1=1,否则设置告警建议第一标识suggest1=0;
(63)返回告警建议第一标识suggest1。
以及,外部告警推送模块执行告警推理判别算法,根据监控策略表,进一步过滤监控项 level分量标记序列和监控项trend分量标记序列,生成告警建议第二标识和告警建议第三标识;所述告警推理判别算法具体为:
(72)对于监控项level分量标记序列如果存在一个长度不少于h、采样点均为1的子序列,则设置告警建议第二标识suggest2=1;如果存在一个长度不少于h、采样点均为-1的子序列,则设置告警建议第二标识suggest2=-1;否则设置告警建议第二标识suggest2=0;
(73)对于监控项trend分量标记序列如果存在一个长度不少于h、采样点均为1的子序列,则设置告警建议第三标识suggest3=1;如果存在一个长度不少于h、采样点均为-1的子序列,则设置告警建议第三标识suggest3=-1;否则设置告警建议第三标识suggest3=0;
(74)返回告警建议第二标识suggest2和告警建议第三标识suggest3。
本发明的一种用于民航运行管理自动化系统的智能监管方法,步骤如下:
调取时间序列数据库中的监控项历史数据,并利用其进行训练,生成模型参数表;
根据监控项实时数据,生成对应的动态基线,并根据动态基线初步判断监控项实时数据是否异常;
对实时监控项数据进行分解,进一步判断监控项实时数据是否存在漂移和震荡;
根据监控项实时数据,对监控项在未来一段时间内的波动变化进行预测,生成监控项预测平滑序列;
对所述判断监控项实时数据是否异常及判断监控项实时数据是否存在漂移和震荡的判断结果进行汇总过滤,并结合告警输出规则表输出对应的告警信息。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (10)
1.一种用于民航运行管理自动化系统的智能监管系统,其特征在于,包括:时间序列分析模块、告警降噪模块、告警推理模块、告警预测模块、时间序列数据库、配置模块及外部告警推送模块;
时间序列分析模块,用于调取时间序列数据库中的监控项历史数据,并对其进行训练,生成模型参数表;
告警降噪模块,用于根据监控项实时数据,生成对应的动态基线,并根据动态基线初步判断监控项实时数据是否异常;
告警推理模块,用于对实时监控项数据进行分解,进一步判断监控项实时数据是否存在趋势下移异常、趋势上移异常、骤降震荡异常、飙升震荡异常;
告警预测模块,用于根据监控项实时数据,对监控项在未来一段时间内的波动变化进行预测,生成监控项预测平滑序列;
时间序列数据库,用于存储监控项数据,所有的监控项数据以时间序列的形式存储在数据库中;
配置模块,用于配置监控策略表;
外部告警推送模块,用于根据配置模块,对告警降噪模块和告警预测模块的判断结果进行汇总过滤,并结合告警输出规则表输出对应的告警信息。
2.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述模型参数表用于存储模型参数,包括:监控对象、监控项、三次指数平滑参数、监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差。
3.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述监控策略表用于存储监控策略,包括:监控对象、监控项、告警阈值、监控项level分量转换序列下界分位点、监控项level分量转换序列上界分位点、监控项trend分量转换序列下界分位点、监控项trend分量转换序列上界分位点,根据具体的情况对监控策略进行调整。
4.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述告警输出规则表用于规定告警的输出规则,通过告警建议第一标识、告警建议第二标识和告警建议第三标识的协同,输出对应的告警消息;告警消息包括:正常、趋势上移、趋势下移、飙升震荡、骤降震荡、骤降震荡及趋势下移、飙升震荡及趋势下移、骤降震荡及趋势上升、飙升震荡及趋势上移。
5.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述监控项历史数据包括:三次指数平滑参数、监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差。
6.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述时间序列分析模块通过监控项序列平滑训练算法得到监控周期T和三次指数平滑参数α、β、γ;所述监控项序列平滑训练算法具体包括:
(11)输入监控对象endpointn、监控项metricp、采样时间间隔Δt;
(12)对于采样时间间隔为Δt的监控项,设定监控周期T=24*60/Δt;
(14)利用交叉验证训练三次指数平滑的平滑参数α、β、γ,训练任务为:
(15)输出监控周期T及训练后的平滑参数α、β、γ。
7.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述时间序列分析模块通过监控项序列分解训练算法得到监控项level分量最大值、监控项level分量最小值、监控项转换level分量中位数、监控项转换level分量中位数绝对偏差、监控项trend分量最大值、监控项trend分量最小值、监控项转换trend分量中位数、监控项转换trend分量中位数绝对偏差;所述监控项序列分解训练算法具体包括:
(20)输入监控对象endpointn、监控项metricp、采样时间间隔Δt;
(21)调用监控项序列平滑训练算法输出的优化后的平滑参数α、β、γ;
其中,e是一个小于10-8的常数;
及监控项level分量转换序列中位数绝对偏差:
及监控项trend分量转换序列中位数绝对偏差:
8.根据权利要求1所述的用于民航运行管理自动化系统的智能监管系统,其特征在于,所述告警降噪模块通过告警降噪预测预处理算法生成监控项标记序列;所述告警降噪预处理算法具体为:
(31)输入监控项序列{Xp,t,t∈[τ-L*Δt,τ)}、模型参数表;
(36)返回监控项标记序列{Yp,t,t∈[τ-L*Δt,τ)}。
10.一种用于民航运行管理自动化系统的智能监管方法,其特征在于,步骤如下:
调取时间序列数据库中的监控项历史数据,并利用其进行训练,生成模型参数表;
根据监控项实时数据,生成对应的动态基线,并根据动态基线初步判断监控项实时数据是否异常;
对实时监控项数据进行分解,进一步判断监控项实时数据是否存在漂移和震荡;
根据监控项实时数据,对监控项在未来一段时间内的波动变化进行预测,生成监控项预测平滑序列;
对所述判断监控项实时数据是否异常及判断监控项实时数据是否存在漂移和震荡的判断结果进行汇总过滤,并结合告警输出规则表输出对应的告警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111385132.7A CN114298467A (zh) | 2021-11-22 | 2021-11-22 | 用于民航运行管理自动化系统的智能监管系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111385132.7A CN114298467A (zh) | 2021-11-22 | 2021-11-22 | 用于民航运行管理自动化系统的智能监管系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298467A true CN114298467A (zh) | 2022-04-08 |
Family
ID=80965915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111385132.7A Pending CN114298467A (zh) | 2021-11-22 | 2021-11-22 | 用于民航运行管理自动化系统的智能监管系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298467A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114615134A (zh) * | 2022-05-10 | 2022-06-10 | 北京华创方舟科技集团有限公司 | 一种it智能运维监控系统及运维方法 |
-
2021
- 2021-11-22 CN CN202111385132.7A patent/CN114298467A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114615134A (zh) * | 2022-05-10 | 2022-06-10 | 北京华创方舟科技集团有限公司 | 一种it智能运维监控系统及运维方法 |
CN114615134B (zh) * | 2022-05-10 | 2022-08-05 | 北京华创方舟科技集团有限公司 | 一种it智能运维监控系统及运维方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3798846B1 (en) | Operation and maintenance system and method | |
CN111324639B (zh) | 数据监测方法、装置及计算机可读存储介质 | |
CN112152830A (zh) | 一种智能的故障根因分析方法及系统 | |
CN105406991A (zh) | 基于网络监控指标由历史数据生成业务阈值的方法及系统 | |
CA2932804C (en) | Data reliability analysis | |
CN103077482A (zh) | 电力作业风险控制方法及其系统 | |
CN104777827A (zh) | 高速铁路信号系统车载设备故障诊断方法 | |
CN110247474B (zh) | 一种基于d5000系统电网运行状态的统计汇总方法及系统 | |
CN106779096A (zh) | 配电网报修态势主动预警系统 | |
CN113344133A (zh) | 一种时序行为异常波动检测方法及系统 | |
CN114298467A (zh) | 用于民航运行管理自动化系统的智能监管系统及方法 | |
CN115907446A (zh) | 一种基建工程施工进度的智能管控评估系统 | |
CN110991799A (zh) | 一种配电网生产综合预警方法 | |
CN115796610A (zh) | 一种支管成型系统运行综合监测方法、系统及存储介质 | |
CN106200615B (zh) | 一种基于关联关系的轨道交通智能预警实现方法 | |
CN108376293A (zh) | 一种基于模糊数学改进的层次分析法的zj17卷烟设备维修智能预测方法 | |
CN106871963B (zh) | 一种水库供水实时监测管理系统 | |
CN108667648A (zh) | 一种基于网络和时间约束的告警序列模式挖掘方法 | |
CN105469186A (zh) | 一种能够自监测的风险监测系统及自监测方法 | |
CN115471135A (zh) | 一种环保业务分析系统 | |
CN116545867A (zh) | 一种监控通信网络网元性能指标异常的方法及装置 | |
CN109981358A (zh) | 一种基于组合模型的自适应网络性能预警方法 | |
CN115719139A (zh) | 电网调度运行管理的调度自查系统 | |
CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
CN112131069B (zh) | 基于聚类的设备运行监测方法及系统 |
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 |