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 PDF

Info

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
Application number
CN202111385132.7A
Other languages
English (en)
Inventor
林国峰
沈德仁
苏祖辉
王蓓蓓
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.)
Nanjing LES Information Technology Co. Ltd
Original Assignee
Nanjing LES Information 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 Nanjing LES Information Technology Co. Ltd filed Critical Nanjing LES Information Technology Co. Ltd
Priority to CN202111385132.7A priority Critical patent/CN114298467A/zh
Publication of CN114298467A publication Critical patent/CN114298467A/zh
Pending legal-status Critical Current

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

用于民航运行管理自动化系统的智能监管系统及方法
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；
(13)对于任意的监控项metricp，将经过时间的监控项序列{Xp，t，t∈[τ-dT，τ)}作为训练集，其中τ为当前时间，基于三次指数平滑生成监控项平滑序列
Figure BDA0003366761480000031
然后计算损失函数：
Figure BDA0003366761480000032
(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：
Figure BDA0003366761480000033
(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；
(22)利用优化后的平滑参数α、β、γ对监控项序列进行分解，分解出监控项level分量序列
Figure BDA0003366761480000034
和监控项trend分量序列
Figure BDA0003366761480000035
(23)对于监控项level分量序列
Figure BDA0003366761480000036
记录监控项level分量最大值
Figure BDA0003366761480000037
以及监控项level分量最小值
Figure BDA0003366761480000038
生成监控项level分量归一化序列
Figure BDA0003366761480000039
使得：
Figure BDA0003366761480000041
(24)对监控项level分量归一化序列
Figure BDA0003366761480000042
进行转换，得到监控项 level分量转换序列
Figure BDA0003366761480000043
使得：
Figure BDA0003366761480000044
其中，e是一个小于10-8的常数；
(25)对于监控项level分量转换序列
Figure BDA0003366761480000045
提取监控项level 分量转换序列中位数：
Figure BDA0003366761480000046
及监控项level分量转换序列中位数绝对偏差：
Figure BDA0003366761480000047
(26)对于监控项trend分量序列
Figure BDA0003366761480000048
记录监控项trend分量最大值
Figure BDA0003366761480000049
以及监控项trend分量最小值为
Figure BDA00033667614800000410
生成监控项trend分量归一化序列
Figure BDA00033667614800000411
使得：
Figure BDA00033667614800000412
(27)对监控项trend分量归一化序列
Figure BDA00033667614800000413
进行转换，得到监控项 trend分量转换序列
Figure BDA00033667614800000414
使得：
Figure BDA0003366761480000051
(28)对于监控项trend分量转换序列
Figure BDA0003366761480000052
提取监控项trend 分量转换序列中位数：
Figure BDA0003366761480000053
及监控项trend分量转换序列中位数绝对偏差：
Figure BDA0003366761480000054
(29)输出监控项level分量最大值
Figure BDA0003366761480000055
监控项level分量最小值
Figure BDA0003366761480000056
监控项转换level分量中位数
Figure BDA0003366761480000057
监控项转换level分量中位数绝对偏差
Figure BDA0003366761480000058
监控项trend分量最大值
Figure BDA0003366761480000059
监控项 trend分量最小值
Figure BDA00033667614800000510
监控项转换trend分量中位数
Figure BDA00033667614800000511
监控项转换level分量中位数绝对偏差
Figure BDA00033667614800000512
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；
(32)利用模型参数表中的平滑参数α、β、γ，生成监控项平滑序列
Figure BDA00033667614800000513
计算监控项平滑序列的标准差：
Figure BDA00033667614800000514
(33)生成监控项上基线时间序列
Figure BDA0003366761480000061
使得：
Figure BDA0003366761480000062
(34)生成监控项下基线时间序列
Figure BDA0003366761480000063
使得：
Figure BDA0003366761480000064
(35)对于监控项序列中任意采样点Xp，t，如果满足
Figure BDA0003366761480000065
或
Figure BDA0003366761480000066
则设置标记Yp，t＝1，否则设置标记Yp，t＝0，最终生成监控项标记序列{Yp，t，t∈[τ-L*Δt，τ)}；
(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；
(43)利用模型参数表中的
Figure BDA0003366761480000067
生成监控项level分量转换序列
Figure BDA0003366761480000068
(44)利用模型参数表中的
Figure BDA0003366761480000069
和
Figure BDA00033667614800000610
创建一个柯西分布累计分布函数
Figure BDA00033667614800000611
对于监控项level分量转换序列
Figure BDA00033667614800000612
中的任意采样点
Figure BDA00033667614800000613
如果
Figure BDA0003366761480000071
则设置标记
Figure BDA0003366761480000072
如果
Figure BDA0003366761480000073
则设置标记
Figure BDA0003366761480000074
否则设置标记
Figure BDA0003366761480000075
最后生成监控项level分量标记序列
Figure BDA0003366761480000076
(45)利用模型参数表中的
Figure BDA0003366761480000077
和
Figure BDA0003366761480000078
创建一个柯西分布累计分布函数
Figure BDA0003366761480000079
对于监控项转换trend分量时间序列
Figure BDA00033667614800000710
中的任意采样点
Figure BDA00033667614800000711
如果
Figure BDA00033667614800000712
则设置标记
Figure BDA00033667614800000713
如果
Figure BDA00033667614800000714
则设置标记
Figure BDA00033667614800000715
否则设置标记
Figure BDA00033667614800000716
最后生成监控项trend分量标记序列
Figure BDA00033667614800000717
(46)返回监控项level分量标记序列
Figure BDA00033667614800000718
和监控项trend分量标记序列
Figure BDA00033667614800000719
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；
(53)利用经过监控项序列分解训练算法优化的平滑参数α、β、γ，生成监控项预测平滑时间序列
Figure BDA0003366761480000081
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：
(71)输入监控项level分量标记序列
Figure BDA0003366761480000082
监控项trend分量标记序列
Figure BDA0003366761480000083
监控策略表；
(72)对于监控项level分量标记序列
Figure BDA0003366761480000084
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
Figure BDA0003366761480000091
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)；
(13)对于任意的监控项metricp，将经过时间的监控项序列{Xp，t，t∈[τ-dT，τ)}作为训练集，其中τ为当前时间，基于三次指数平滑生成监控项平滑序列
Figure BDA0003366761480000101
然后计算损失函数：
Figure BDA0003366761480000102
(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：
Figure BDA0003366761480000103
(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；
(22)利用优化后的平滑参数α、β、γ对监控项序列进行分解，分解出监控项level分量序列
Figure BDA0003366761480000111
和监控项trend分量序列
Figure BDA0003366761480000112
(23)对于监控项level分量序列
Figure BDA0003366761480000113
记录监控项level分量最大值
Figure BDA0003366761480000114
以及监控项level分量最小值
Figure BDA0003366761480000115
生成监控项level分量归一化序列
Figure BDA0003366761480000116
使得：
Figure BDA0003366761480000117
(24)对监控项level分量归一化序列
Figure BDA0003366761480000118
进行转换，得到监控项 level分量转换序列
Figure BDA0003366761480000119
使得：
Figure BDA00033667614800001110
其中，e是一个小于10-8的常数；
(25)对于监控项level分量转换序列
Figure BDA00033667614800001111
提取监控项level 分量转换序列中位数：
Figure BDA00033667614800001112
及监控项level分量转换序列中位数绝对偏差：
Figure BDA00033667614800001113
(26)对于监控项trend分量序列
Figure BDA0003366761480000121
记录监控项trend分量最大值
Figure BDA0003366761480000122
以及监控项trend分量最小值为
Figure BDA0003366761480000123
生成监控项trend分量归一化序列
Figure BDA0003366761480000124
使得：
Figure BDA0003366761480000125
(27)对监控项trend分量归一化序列
Figure BDA0003366761480000126
进行转换，得到监控项 trend分量转换序列
Figure BDA0003366761480000127
使得：
Figure BDA0003366761480000128
(28)对于监控项trend分量转换序列
Figure BDA0003366761480000129
提取监控项trend 分量转换序列中位数：
Figure BDA00033667614800001210
及监控项trend分量转换序列中位数绝对偏差：
Figure BDA00033667614800001211
(29)输出监控项level分量最大值
Figure BDA00033667614800001212
监控项level分量最小值
Figure BDA00033667614800001213
监控项转换level分量中位数
Figure BDA00033667614800001214
监控项转换level分量中位数绝对偏差
Figure BDA00033667614800001215
监控项trend分量最大值
Figure BDA00033667614800001216
监控项 trend分量最小值
Figure BDA00033667614800001217
监控项转换trend分量中位数
Figure BDA0003366761480000131
监控项转换level分量中位数绝对偏差
Figure BDA0003366761480000132
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；
(32)利用模型参数表中的平滑参数α、β、γ，生成监控项平滑序列
Figure BDA0003366761480000133
计算监控项平滑序列的标准差：
Figure BDA0003366761480000134
(33)生成监控项上基线时间序列
Figure BDA0003366761480000135
使得：
Figure BDA0003366761480000136
(34)生成监控项下基线时间序列
Figure BDA0003366761480000137
使得：
Figure BDA0003366761480000138
(35)对于监控项序列中任意采样点Xp，t，如果满足
Figure BDA0003366761480000139
或
Figure BDA00033667614800001310
则设置标记Yp，t＝1，否则设置标记Yp，t＝0，最终生成监控项标记序列 {Yp，t，t∈[τ-L*Δt，τ)}；
(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；
(43)利用模型参数表中的
Figure BDA0003366761480000141
生成监控项level分量转换序列
Figure BDA0003366761480000142
(44)利用模型参数表中的
Figure BDA0003366761480000143
和
Figure BDA0003366761480000144
创建一个柯西分布累计分布函数
Figure BDA0003366761480000145
对于监控项level分量转换序列
Figure BDA0003366761480000146
中的任意采样点
Figure BDA0003366761480000147
如果
Figure BDA0003366761480000148
则设置标记
Figure BDA0003366761480000149
如果
Figure BDA00033667614800001410
则设置标记
Figure BDA00033667614800001411
否则设置标记
Figure BDA00033667614800001412
最后生成监控项level分量标记序列
Figure BDA00033667614800001413
(45)利用模型参数表中的
Figure BDA00033667614800001414
和
Figure BDA00033667614800001415
创建一个柯西分布累计分布函数
Figure BDA00033667614800001416
对于监控项转换trend分量时间序列
Figure BDA00033667614800001417
中的任意采样点
Figure BDA0003366761480000151
如果
Figure BDA0003366761480000152
则设置标记
Figure BDA0003366761480000153
如果
Figure BDA0003366761480000154
则设置标记
Figure BDA0003366761480000155
否则设置标记
Figure BDA0003366761480000156
最后生成监控项trend分量标记序列
Figure BDA0003366761480000157
(46)返回监控项level分量标记序列
Figure BDA0003366761480000158
和监控项trend分量标记序列
Figure BDA0003366761480000159
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；
(53)利用经过监控项序列分解训练算法优化的平滑参数α、β、γ，生成监控项预测平滑时间序列
Figure BDA00033667614800001510
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：
(71)输入监控项level分量标记序列
Figure BDA0003366761480000161
监控项trend分量标记序列
Figure BDA0003366761480000162
监控策略表；
(72)对于监控项level分量标记序列
Figure BDA0003366761480000163
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
Figure BDA0003366761480000171
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；
(13)对于任意的监控项metricp，将经过时间的监控项序列{Xp，t，t∈[τ-dT，τ)}作为训练集，其中τ为当前时间，基于三次指数平滑生成监控项平滑序列
Figure FDA0003366761470000021
然后计算损失函数：
Figure FDA0003366761470000022
(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：
Figure FDA0003366761470000023
(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；
(22)利用优化后的平滑参数α、β、γ对监控项序列进行分解，分解出监控项level分量序列
Figure FDA0003366761470000024
和监控项trend分量序列
Figure FDA0003366761470000025
(23)对于监控项level分量序列
Figure FDA0003366761470000031
记录监控项level分量最大值
Figure FDA0003366761470000032
以及监控项level分量最小值
Figure FDA0003366761470000033
生成监控项level分量归一化序列
Figure FDA0003366761470000034
使得：
Figure FDA0003366761470000035
(24)对监控项level分量归一化序列
Figure FDA0003366761470000036
进行转换，得到监控项level分量转换序列
Figure FDA0003366761470000037
使得：
Figure FDA0003366761470000038
其中，e是一个小于10-8的常数；
(25)对于监控项level分量转换序列
Figure FDA0003366761470000039
提取监控项level分量转换序列中位数：
Figure FDA00033667614700000310
及监控项level分量转换序列中位数绝对偏差：
Figure FDA00033667614700000311
(26)对于监控项trend分量序列
Figure FDA00033667614700000312
记录监控项trend分量最大值
Figure FDA00033667614700000313
以及监控项trend分量最小值为
Figure FDA00033667614700000314
生成监控项trend分量归一化序列
Figure FDA00033667614700000315
使得：
Figure FDA0003366761470000041
(27)对监控项trend分量归一化序列
Figure FDA0003366761470000042
进行转换，得到监控项trend分量转换序列
Figure FDA0003366761470000043
使得：
Figure FDA0003366761470000044
(28)对于监控项trend分量转换序列
Figure FDA0003366761470000045
提取监控项trend分量转换序列中位数：
Figure FDA0003366761470000046
及监控项trend分量转换序列中位数绝对偏差：
Figure FDA0003366761470000047
(29)输出监控项level分量最大值
Figure FDA0003366761470000048
监控项level分量最小值
Figure FDA0003366761470000049
监控项转换level分量中位数
Figure FDA00033667614700000410
监控项转换level分量中位数绝对偏差
Figure FDA00033667614700000411
监控项trend分量最大值
Figure FDA00033667614700000412
监控项trend分量最小值
Figure FDA00033667614700000413
监控项转换trend分量中位数
Figure FDA00033667614700000414
监控项转换level分量中位数绝对偏差
Figure FDA00033667614700000415
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；
(32)利用模型参数表中的平滑参数α、β、γ，生成监控项平滑序列
Figure FDA0003366761470000051
计算监控项平滑序列的标准差：
Figure FDA0003366761470000052
(33)生成监控项上基线时间序列
Figure FDA0003366761470000053
使得：
Figure FDA0003366761470000054
(34)生成监控项下基线时间序列
Figure FDA0003366761470000055
使得：
Figure FDA0003366761470000056
(35)对于监控项序列中任意采样点Xp，t，如果满足
Figure FDA0003366761470000057
或
Figure FDA0003366761470000058
则设置标记Yp，t＝1，否则设置标记Yp，t＝0，最终生成监控项标记序列{Yp，t，t∈[τ-L*Δt，τ)}；
(36)返回监控项标记序列{Yp，t，t∈[τ-L*Δt，τ)}。
9.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)}，τ为当前的时间；
(53)利用经过监控项序列分解训练算法优化的平滑参数α、β、γ，生成监控项预测平滑时间序列
Figure FDA0003366761470000061
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。
CN202111385132.7A 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 Pending CN114298467A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (2)

* Cited by examiner, † Cited by third party
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