CN114399321A - 一种业务系统稳定性分析方法、装置和设备 - Google Patents
一种业务系统稳定性分析方法、装置和设备 Download PDFInfo
- Publication number
- CN114399321A CN114399321A CN202111348670.9A CN202111348670A CN114399321A CN 114399321 A CN114399321 A CN 114399321A CN 202111348670 A CN202111348670 A CN 202111348670A CN 114399321 A CN114399321 A CN 114399321A
- Authority
- CN
- China
- Prior art keywords
- prediction model
- training
- data
- service system
- historical data
- 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
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0241—Advertisements
- G06Q30/0242—Determining effectiveness of advertisements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Abstract
本发明提供一种业务系统稳定性分析方法、装置和设备,方案在对业务系统的运行工况进行预测之前,首先需要构建目标预测模型,再基于目标预测模型对业务系统的运行工况进行预测,所述目标预测模型的创建过程包括:获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;计算所述历史数据的余额弦相似度;将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。在本方案中通过该目标预测模型实现了业务系统的运行工况的预测。
Description
技术领域
本发明涉及计算机网络技术领域,具体涉及一种业务系统稳定性分析方法、装置和设备。
背景技术
广告流量是指满足某些订单要求的在某段时间里的某些广告位的请求,也相当于广告库存,就是说在理想状态下最多有多少次广告的曝光机会。在线广告收入依赖于广告的曝光量。
目前的广告业务监控是使用基于规则的方式去监测每一个规则指标是否在正常的范围内。但是引起系统异常的原因可能是广告系统中的任意一个子系统,如何及时发现广告系统中的异常情况是本领域技术人员亟待解决的技术问题之一。
发明内容
有鉴于此,本发明实施例提供一种业务系统稳定性分析方法、装置和设备,以实现业务系统运行工况的预测。
为实现上述目的,本发明实施例提供如下技术方案:
一种业务系统稳定性分析方法,包括:
获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;
计算所述历史数据的余额弦相似度;
将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;
采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型;
基于所述目标预测模型对业务系统的运行工况进行预测。
可选的,上述业务系统稳定性分析方法中,所述计算所述历史数据的余额弦相似度,包括:
对所述历史数据进行特征抽取;
基于特征抽取结果采用item2vec算法计算所述历史数据的余额弦相似度。
可选的,上述业务系统稳定性分析方法中,采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型,包括:
将所述全量训练集数据分为训练集和测试集;
采用所述训练集对初始预测模型进行迭代训练;
判断所述初始预测模型是否达到预设训练条件,当达到预设训练条件时,将训练后的初始预测模型作为目标预测模型。
可选的,上述业务系统稳定性分析方法中,判断所述初始预测模型是否达到预设训练条件,包括:
判断训练后的初始预测模型加载测试集后得到的损失函数是否大于预设阈值,如果大于,则继续对所述初始预测模型进行训练,否则,表明所述初始预测模型达到预设训练条件;或
所述训练集对初始预测模型的迭代次数大于预设迭代次数时,表明所述初始预测模型达到预设训练条件。
可选的,上述业务系统稳定性分析方法中,基于所述目标预测模型对业务系统的运行工况进行预测包括:
获取所述业务系统的当前运行数据,所述当前运行数据包括所述业务系统的当前运行数据的输入特征;
采用所述目标预测模型对所述输入特征进行计算,得到预测结果。
可选的,上述业务系统稳定性分析方法中,所述获取业务系统的历史数据,包括:
获取广告业务系统的历史数据。
一种业务系统稳定性分析装置,包括:
数据采集单元,用于获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;
预处理单元,用于计算所述历史数据的余额弦相似度;
训练数据筛选单元,用于将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;
模型训练单元,用于采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。
可选的,上述业务系统稳定性分析装置中,所述预处理单元在计算所述历史数据的余额弦相似度时,具体用于:
对所述历史数据进行特征抽取;
基于特征抽取结果采用item2vec算法计算所述历史数据的余额弦相似度。
可选的,上述业务系统稳定性分析装置中,所述模型训练单元具体用于:
将所述全量训练集数据分为训练集和测试集;
采用所述训练集对初始预测模型进行迭代训练;
判断所述初始预测模型是否达到预设训练条件,当达到预设训练条件时,将训练后的初始预测模型作为目标预测模型。
一种业务系统稳定性分析设备,包括:
存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现上述任一项所述的业务系统稳定性分析方法的各个步骤。
基于上述技术方案,本发明实施例提供的上述方案中,在对业务系统的运行工况进行预测之前,首先需要构建目标预测模型,再基于目标预测模型对业务系统的运行工况进行预测,所述目标预测模型的创建过程包括:获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;计算所述历史数据的余额弦相似度;将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。在本方案中通过该目标预测模型实现了业务系统的运行工况的预测。
附图说明
为了更清楚地说明本发明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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的业务系统稳定性分析方法的流程示意图;
图2为本申请另一实施例公开的业务系统稳定性分析方法的流程示意图
图3为本申请另一实施例公开的业务系统稳定性分析方法的流程示意图;
图4为本申请实施例公开的业务系统稳定性分析装置的结构示意图;
图5为本申请实施例公开的业务系统稳定性分析设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了能够及时发现业务系统的系统异常,本申请公开的技术方案中,通过训练一种预测模型,通过该预测模型预测可以对业务系统的运行数据进行分析,从而判断业务系统是否存在异常。
本申请实施例公开的方案主要是采用逻辑回归方法构建所述目标预测模型,逻辑回归是属于机器学习里面的监督学习,它是以回归的思想来解决分类问题的一种非常经典的二分类分类器。由于其训练后的参数有较强的可解释性,在诸多领域中,逻辑回归通常用作baseline模型,以方便后期更好的挖掘业务相关信息或提升模型性能。逻辑回归是通过回归的思想来解决二分类问题的算法。
逻辑回归的基本思想是将样本所属正例的概率作为模型的输出,根据此概率值对样本的类别进行预测:
逻辑回归是将样本特征和样本所属类别的概率联系在一起,假设现在已经训练好了一个逻辑回归的模型为f(x),模型的输出是样本x的标签是1 的概率,则该模型可以表示若得到了样本x属于标签1的概率后,很自然的就能想到当时x属于标签1,否则属于标签0。
由于概率是0到1的实数,所以逻辑回归若只需要计算出样本所属标签的概率就是一种回归算法,若需要计算出样本所属标签,则就是一种二分类算法。
逻辑回归中样本所属标签的概率其实和线性回归有关系,学习了线性回归的同学肯定知道线性回归无非就是训练出一组参数和b来拟合样本数据,线性回归的输出为。不过的值域是(-∞,+∞),如果能够将值域为(-∞,+∞) 的实数转换成(0,1)的概率值的话问题就解决了。要解决这个问题很自然地就能想到将线性回归的输出作为输入,输入到另一个函数中,这个函数能够进行转换工作,假设函数为σ,转换后的概率为,则逻辑回归在预测时可以看成
练逻辑回归模型的过程就是去寻找合适的权重值WT和b,以使得模型的预测结果与真实结果尽可能一致。所以就需要一个函数能够衡量模型拟合程度的好坏,也就是说当模型拟合误差越大的时候,函数值应该比较大,反之应该比较小,这个函数就是损失函数。
在一般情况下需要计算的是m条样本数据的平均损失值,所以损失函数的最终形态如下:
具体的,参见图1,本申请公开的业务系统稳定性分析方法可以包括:步骤S101-S104。
步骤S101:获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据。
本步骤中,所述业务系统为本申请所需监控的业务系统,例如,其可以为广告业务系统,当然也可以为其他运营系统,当所述业务系统为广告业务系统时,获取业务系统的历史数据具体指的是获取广告业务系统的历史数据,所获取到的历史数据可以包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据,所述业务状态数据可以指的是用于表征所述业务系统是否正常工作的数据。当业务系统为广告业务系统时,所述历史数据中的输入特征可以为广告位id,设备终端,服务的版本号,日期,广告素材曝光成功率,广告服务的id。
步骤S102:计算所述历史数据的余额弦相似度。
在本步骤中,对所述历史数据进行特征提取,基于提取的特征数据计算所述历史数据的余额弦相似度。
其中在计算历史数据的余额弦相似度时,具体过程可以为:对获取到的历史数据进行特征提取,然后再根据特征提取结果使用item2vec算法计算历史数据的余额弦相似度。
由于多个特征组合到一起可以看成一个多维度的数学向量,所以每一个数学向量可以计算向量之间的距离,余弦相似度距离就是计算向量是否相似的一种方法例如,网址https://baike.baidu.com/item/%E4%BD%99%E5%BC%A6%E7%9B%B8%E4%B C%BC%E5%BA%A6/17509249?fr=aladdin中公开了一种通用的相似度计算方法。
步骤S103:将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据。
在本步骤中,预先设置一个预设阈值,该预设预设为预设相似度阈值,将所述历史数据的余额弦相似度与该预设阈值行进比较,将余额弦相似度低于预设阈值的历史数据作为用于进行模型训练的全量训练集数据。其中,所述预设阈值的具体值可以根据设计的精度要求自行调整。
例如,当所述业务系统为广告业务系统,所述历史数据包括1000条广告业务系统正常运行时的历史数据,和1000条广告业务系统非正常状态的数据时,根据获取的各个历史数据的值,随机打乱顺序后进行特征提取,使用 item2vec算法计算所述历史数据的余额弦相似度。然后根据这2000条历史数据中获取余额弦相似度在预设阈值以内的数据作为全量训练集的数据,测试集的数据从全量训练集中进行区分。
步骤S104:采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。
在本步骤中,当确定所述全量训练数据以后,采用所述全量训练数据对初始预测模型进行训练,从而得到用于对系统的工作状态进行实时分析的目标预测模型,然后即可基于该目标预测模型对系统的工况进行预测。
步骤S105:基于所述目标预测模型对业务系统的运行工况进行预测。
在本申请另一实施例公开的技术方案中,通过历史数据采用迭代训练的方式对所述初始预测模型进行训练,具体的,采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型,具体可以包括:
步骤S201:将所述全量训练集数据分为训练集和测试集。
在本步骤中,将所述全量训练数据分为两个集合,其中一个集合为训练集,另一个集合为测试集,所述训练集用于对模型进行训练,所述测试集用于对模型的训练结果进行检测。
在本方案中,所述训练集和测试集所占全量训练集数据的比例可以根据用户需求自行选择,例如,所述训练集和测试集各占全量训练集数据的50%。
步骤S202:采用所述训练集对初始预测模型进行迭代训练。
步骤S203:判断所述初始预测模型是否达到预设训练条件,当达到预设训练条件时,将训练后的初始预测模型作为目标预测模型。
在本步骤中,当所述初始预测模型训练达到一定阶段以后,判断训练后的初始预测模型是否达到预设条件,如果达到预设条件,则表明训练结束,将此时的初始预测模型作为目标预测模型,采用所述目标预测模型对业务系统的运行工况进行实时预测。
其中,所述预设条件的具体内容可以依据设计人员设计需求自行选择,例如,判断所述初始预测模型是否达到预设训练条件,具体可以包括:
判断训练后的初始预测模型加载测试集后得到的损失函数是否大于预设阈值,如果大于,则继续对所述初始预测模型进行训练,否则,表明所述初始预测模型达到预设训练条件;其中,所述损失函数指的是多个测试集数据的计算结果对应的损失函数。
或
所述训练集对初始预测模型的迭代次数大于预设迭代次数时,表明所述初始预测模型达到预设训练条件。
当所述初始预测模型达到上述任意一项条件后,即可表明训练结束,将最终的初始训练模型作为所述目标训练模型。
对应于上述方案,当模型训练结束后,还可以采用该目标训练模型对业务系统的运行状态进行预测,当预测到业务系统云型出现异常时,输出告警信号,具体的,参见图3,上述方法中,在预测得到所述目标训练模型以后,采用所述目标训练模型对业务系统进行预测时,具体用于:
步骤S301:获取所述业务系统的当前运行数据,所述当前运行数据包括所述业务系统的当前运行数据的输入特征。
步骤S302:采用所述目标预测模型对所述输入特征进行计算,得到预测结果。
步骤S303:基于所述预测结果判断业务系统是否出现异常,当出现异常时执行步骤S304;
步骤S304:生成告警信号。
进一步的,为了保证模型的预测精度,在本方案中,每当业务模型运行预设周期后,会提取该周期的历史数据,基于该历史数据再次采用上述方案对模型进行训练,从而保证了模型的预测精度。
对应于上述方法,本实施例中公开了一种业务系统稳定性分析装置,装置中的各个单元的具体工作内容,请参见上述方法实施例的内容。
下面对本发明实施例提供的业务系统稳定性分析装置进行描述,下文描述的业务系统稳定性分析装置与上文描述的业务系统稳定性分析方法可相互对应参照。
参见图4,本申请实施例公开的业务系统稳定性分析装置,包括:数据采集单元A、预处理单元B、训练数据筛选单元C和模型训练单元D。
数据采集单元A,用于获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;
预处理单元B,用于计算所述历史数据的余额弦相似度;
训练数据筛选单元C,用于将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;
模型训练单元D,用于采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。
与上述方法对应,所述预处理单元在计算所述历史数据的余额弦相似度时,具体用于:
对所述历史数据进行特征抽取;
基于特征抽取结果采用item2vec算法计算所述历史数据的余额弦相似度。
与上述方法相对应,所述模型训练单元具体用于:
将所述全量训练集数据分为训练集和测试集;
采用所述训练集对初始预测模型进行迭代训练;
判断所述初始预测模型是否达到预设训练条件,当达到预设训练条件时,将训练后的初始预测模型作为目标预测模型。
对应于上述方法,本申请还公开了一种业务系统稳定性分析设备,图5 为本发明实施例提供的业务系统稳定性分析设备的硬件结构图,参见图5所示,包括:可以包括:至少一个处理器100,至少一个通信接口200,至少一个存储器300和至少一个通信总线400;
在本发明实施例中,处理器100、通信接口200、存储器300、通信总线 400的数量为至少一个,且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信;显然,图5所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的;
可选的,通信接口200可以为通信模块的接口,如GSM模块的接口;
处理器100可能是一个中央处理器CPU,或者是特定集成电路ASIC (ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300可能包含高速RAM存储器,也可能还包括非易失性存储器 (non-volatile memory),例如至少一个磁盘存储器。
其中,处理器100具体用于:
获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;
计算所述历史数据的余额弦相似度;
将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;
采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。
所述处理器100还用于执行本申请上述业务系统稳定性分析方法中的其他步骤,在此并不进行累述。
为了描述的方便,描述以上系统时以功能分为各种模块分别描述。当然,在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
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,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种业务系统稳定性分析方法,其特征在于,包括:
获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;
计算所述历史数据的余额弦相似度;
将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;
采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型;
基于所述目标预测模型对业务系统的运行工况进行预测。
2.根据权利要求1所述的业务系统稳定性分析方法,其特征在于,所述计算所述历史数据的余额弦相似度,包括:
对所述历史数据进行特征抽取;
基于特征抽取结果采用item2vec算法计算所述历史数据的余额弦相似度。
3.根据权利要求1所述的业务系统稳定性分析方法,其特征在于,采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型,包括:
将所述全量训练集数据分为训练集和测试集;
采用所述训练集对初始预测模型进行迭代训练;
判断所述初始预测模型是否达到预设训练条件,当达到预设训练条件时,将训练后的初始预测模型作为目标预测模型。
4.根据权利要求3所述的业务系统稳定性分析方法,其特征在于,判断所述初始预测模型是否达到预设训练条件,包括:
判断训练后的初始预测模型加载测试集后得到的损失函数是否大于预设阈值,如果大于,则继续对所述初始预测模型进行训练,否则,表明所述初始预测模型达到预设训练条件;或
所述训练集对初始预测模型的迭代次数大于预设迭代次数时,表明所述初始预测模型达到预设训练条件。
5.根据权利要求3所述的业务系统稳定性分析方法,其特征在于,基于所述目标预测模型对业务系统的运行工况进行预测,包括:
获取所述业务系统的当前运行数据,所述当前运行数据包括所述业务系统的当前运行数据的输入特征;
采用所述目标预测模型对所述输入特征进行计算,得到预测结果。
6.根据权利要求1所述的业务系统稳定性分析方法,其特征在于,所述获取业务系统的历史数据,包括:
获取广告业务系统的历史数据。
7.一种业务系统稳定性分析装置,其特征在于,包括:
数据采集单元,用于获取业务系统的历史数据,所述历史数据包括所述业务系统的输入特征和与所述输入特征相匹配的业务系统状态数据;
预处理单元,用于计算所述历史数据的余额弦相似度;
训练数据筛选单元,用于将所述余额弦相似度低于预设阈值的历史数据作为全量训练集数据;
模型训练单元,用于采用所述全量训练集数据对初始预测模型进行训练,得到目标预测模型。
8.根据权利要求7所述的业务系统稳定性分析装置,其特征在于,所述预处理单元在计算所述历史数据的余额弦相似度时,具体用于:
对所述历史数据进行特征抽取;
基于特征抽取结果采用item2vec算法计算所述历史数据的余额弦相似度。
9.根据权利要求7所述的业务系统稳定性分析装置,其特征在于,所述模型训练单元具体用于:
将所述全量训练集数据分为训练集和测试集;
采用所述训练集对初始预测模型进行迭代训练;
判断所述初始预测模型是否达到预设训练条件,当达到预设训练条件时,将训练后的初始预测模型作为目标预测模型。
10.一种业务系统稳定性分析设备,其特征在于,包括:
存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-6中任一项所述的业务系统稳定性分析方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348670.9A CN114399321A (zh) | 2021-11-15 | 2021-11-15 | 一种业务系统稳定性分析方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348670.9A CN114399321A (zh) | 2021-11-15 | 2021-11-15 | 一种业务系统稳定性分析方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114399321A true CN114399321A (zh) | 2022-04-26 |
Family
ID=81226042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111348670.9A Pending CN114399321A (zh) | 2021-11-15 | 2021-11-15 | 一种业务系统稳定性分析方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399321A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455708A (zh) * | 2022-09-19 | 2022-12-09 | 贵州航天云网科技有限公司 | 基于向量相识度的多模型局部建模方法 |
CN116187590A (zh) * | 2023-04-26 | 2023-05-30 | 华北电力科学研究院有限责任公司 | 一种风电功率的预测方法及装置 |
CN116303731A (zh) * | 2023-05-22 | 2023-06-23 | 四川互慧软件有限公司 | 医院标准主数据的对码方法、装置及电子设备 |
-
2021
- 2021-11-15 CN CN202111348670.9A patent/CN114399321A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455708A (zh) * | 2022-09-19 | 2022-12-09 | 贵州航天云网科技有限公司 | 基于向量相识度的多模型局部建模方法 |
CN115455708B (zh) * | 2022-09-19 | 2023-12-19 | 贵州航天云网科技有限公司 | 基于向量相识度的多模型局部建模方法 |
CN116187590A (zh) * | 2023-04-26 | 2023-05-30 | 华北电力科学研究院有限责任公司 | 一种风电功率的预测方法及装置 |
CN116303731A (zh) * | 2023-05-22 | 2023-06-23 | 四川互慧软件有限公司 | 医院标准主数据的对码方法、装置及电子设备 |
CN116303731B (zh) * | 2023-05-22 | 2023-07-21 | 四川互慧软件有限公司 | 医院标准主数据的对码方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
CN112562863A (zh) | 流行病监测预警方法、装置、电子设备 | |
CN115801463B (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN114638633A (zh) | 异常流量检测的方法和装置、电子设备和存储介质 | |
CN113438114A (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
CN116915710A (zh) | 流量预警方法、装置、设备及可读存储介质 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN112182056A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN107644042B (zh) | 软件程序点击率预估排序方法及服务器 | |
CN117170915A (zh) | 数据中心设备故障预测方法、装置和计算机设备 | |
Terceño et al. | Prediction of business failure with fuzzy models | |
CN116186603A (zh) | 异常用户的识别方法及装置、计算机存储介质、电子设备 | |
CN114239750A (zh) | 告警数据处理方法、装置、存储介质和设备 | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
Raza et al. | Application of extreme learning machine algorithm for drought forecasting | |
US20210373987A1 (en) | Reinforcement learning approach to root cause analysis | |
CN114565004A (zh) | 一种风电机组功率曲线异常散点剔除方法及装置 | |
CN113434494A (zh) | 一种数据清洗方法、系统、电子设备及存储介质 | |
CN113052604A (zh) | 一种对象检测方法、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 |