CN114465908B - 一种5gc网络割接事件异常影响分析方法 - Google Patents
一种5gc网络割接事件异常影响分析方法 Download PDFInfo
- Publication number
- CN114465908B CN114465908B CN202111563932.3A CN202111563932A CN114465908B CN 114465908 B CN114465908 B CN 114465908B CN 202111563932 A CN202111563932 A CN 202111563932A CN 114465908 B CN114465908 B CN 114465908B
- Authority
- CN
- China
- Prior art keywords
- network element
- index
- cutting
- network
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开一种5GC网络割接事件异常影响分析方法,包括:S01、进行网络健康度评分;S02、割接事件异常影响分析。本发明通过割接前后网络健康度对比,分析割接是否带来网络健康度降低,网元异常等情况,对大量割接行为进行有效监控;通过量化割接行为产生的影响,可以对本次割接行为进行有效评估,并对网元健康度的影响可进一步发现割接行为造成的网元异常。
Description
技术领域
本发明涉及网络故障领域,尤其是一种5GC网络割接事件异常影响分析方法。
背景技术
随着核心网中5G技术的引入,核心网网络愈加复杂。业务变更频繁,故障隐患更多,每年涉及的割接行为达数千次之多,给运营商网络运维带来极大挑战。
现有技术一般通过人工手动判断网络割接异常,具体过程为:首先,割接前保存设备配置及各种状态信息,用于回退和割接后异常问题定位;割接后再次保存设备配置及各种状态信息,通过工程师的常识(割接成功应该正确的状态)逐行确认割接后的各种数据及状态是否正确,从而确定割接是否基本成功。在日常的城域网割接过程中,一般一个设备的一种状态信息可能要几十行甚至几百行,加上每行对应着各种状态信息,导致数据量会很大,比如bras设备割接后几千上线用户对应上千个子接口及其状态、双向流量百分比等情况都需要确认无误,另外割接过程中由于存在版本升级的情况,割接前后对应的数据所在行不一致等问题,导致确认割接脚本是否漏配异常困难,特别是割接一般在凌晨进行,工程师的疲劳会使工程师注意力不集中,极容易出现确认不准确的情况,导致割接事故的发生,因此单靠人工判断网络割接异常所用时间长,效率低且容易出错。
发明内容
为解决人工进行网络故障定位存在的上述问题,本发明提供一种5GC网络割接事件异常影响分析方法,通过割接前后网络健康度对比,分析割接是否带来网络健康度降低,网元异常等情况,对大量割接行为进行有效监控;通过量化割接行为产生的影响,可以对本次割接行为进行有效评估,并对网元健康度的影响可进一步发现割接行为造成的网元异常。
为实现上述目的,本发明采用下述技术方案:
在本发明一实施例中,提出了一种5GC网络割接事件异常影响分析方法,该方法包括:
S01、进行网络健康度评分;
S02、割接事件异常影响分析。
进一步地,所述S01包括:
S011、网元健康评分;
S012、指标评分。
进一步地,所述S011包括:
S0111、数据采集,采集5g核心网网元业务指标;
S0112、构造新特征,对当前时间点网元指标构造新特征,包括一周前环比、一天前环比、预测值、上限值、下限值与当前小时方差;
S0113、计算网元异常度,将S0112中的网元指标全部特征作为训练数据的特征,关联特征发生前后5分钟的告警数据,将是否含有告警作为训练数据的标签;使用逻辑回归算法,训练网元异常分类模型,将异常发生概率作为网元异常度指标;
S0114、给出网元健康评分:
网元的健康分数=(1-网元异常度)*100。
进一步地,所述S0111中的业务指标包括但不限于:平均PDUsession数、PDUsession建立失败次数、PDUsession会话连接时长;每种指标数据包含当前时间前两周的数据。
进一步地,所述S0112中的预测值、上限值、下限值计算方法:
使用时序预测算法LSTM算法,利用历史前一周数据预测当前时间点数值即为预测值;使用历史前一周数据计算均值和方差,并给出均值加上3倍方差作为上限值,均值减去3倍方差作为下限值。
进一步地,所述S012包括:
S0121、使用prophet算法预测指标未来值,预测数据基于指标前一周数据;
S0122、使用距离评分方法,真实值和预测值相差越多,说明越异常;
S0123、计算指标异常度,取指标真实值减去指标预测值的绝对值除以真实值,并对这些值做归一化处理,使得范围在0-1之间,作为指标异常度。
S0124、给出指标健康评分:
指标健康分数=(1-指标异常度)*100。
进一步地,所述S02包括:
S021、割接效果影响度量化,统计网元割接前后一段时间内的网络健康情况,并统计割接n小时内影响程度;
S022、异常网元查找,根据指标分数,判断影响最大指标,发送业务工单,持续跟进异常指标和异常网元。
进一步地,所述S021中割接n小时内影响程度的计算公式为:
割接影响程度=(割接后n小时网元评分-割接前n小时网元评分)/n。
在本发明一实施例中,还提出了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现前述5GC网络割接事件异常影响分析方法。
在本发明一实施例中,还提出了一种计算机可读存储介质,计算机可读存储介质存储有执行5GC网络割接事件异常影响分析方法的计算机程序。
有益效果:
1、本发明可对割接质量做量化评估,分析割接前后网元质量变化情况,对本次割接事件量化;
2、本发明可找出割接影响网元,影响指标,发现网络异常,给出割接异常影响情况;
3、本发明使用逻辑回归算法计算网元异常情况,进而进行打分,可有效获取网元质量量化指标。
附图说明
图1是本发明的5GC网络割接事件异常影响分析方法流程示意图;
图2是网元健康评分流程示意图;
图3是指标评分流程示意图;
图4是割接事件异常影响分析流程示意图;
图5是本发明一实施例的计算机设备结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本发明的原理和精神,应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本发明,而并非以任何方式限制本发明的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。
根据本发明的实施方式,提出了一种5GC网络割接事件异常影响分析方法,通过割接前后网络健康度对比,分析割接是否带来网络健康度降低,网元异常等情况,对大量割接行为进行有效监控;通过量化割接行为产生的影响,可以对本次割接行为进行有效评估,并对网元健康度的影响可进一步发现割接行为造成的网元异常。
下面参考本发明的若干代表性实施方式,详细阐释本发明的原理和精神。
图1是本发明一实施例的5GC网络割接事件异常影响分析方法流程示意图。如图1所示,该方法包括:
S01、进行网络健康度评分;
S02、割接事件异常影响分析。
所述S01包括:
S011、网元健康评分;
S012、指标评分。
如图2所示,所述S011包括:
S0111、数据采集,采集5g核心网网元业务指标;
S0112、构造新特征,对当前时间点网元指标构造新特征,包括一周前环比、一天前环比、预测值、上限值、下限值与当前小时方差;
S0113、计算网元异常度,将S0112中的网元指标全部特征作为训练数据的特征,关联特征发生前后5分钟的告警数据,将是否含有告警作为训练数据的标签;使用逻辑回归算法,训练网元异常分类模型,将异常发生概率作为网元异常度指标;
S0114、给出网元健康评分:
网元的健康分数=(1-网元异常度)*100。
所述S0111中的业务指标包括但不限于:平均PDUsession数、PDUsession建立失败次数、PDUsession会话连接时长;每种指标数据包含当前时间前两周的数据。
所述S0112中的预测值、上限值、下限值计算方法:
使用时序预测算法LSTM算法,利用历史前一周数据预测当前时间点数值即为预测值;使用历史前一周数据计算均值和方差,并给出均值加上3倍方差作为上限值,均值减去3倍方差作为下限值。
如图3所示,所述S012包括:
S0121、使用prophet算法预测指标未来值,预测数据基于指标前一周数据;
S0122、使用距离评分方法,真实值和预测值相差越多,说明越异常;
S0123、计算指标异常度,取指标真实值减去指标预测值的绝对值除以真实值,并对这些值做归一化处理,使得范围在0-1之间,作为指标异常度。
S0124、给出指标健康评分:
指标健康分数=(1-指标异常度)*100。
如图4所示,所述S02包括:
S021、割接效果影响度量化,统计网元割接前后一段时间内的网络健康情况,并统计割接n小时内影响程度;
S022、异常网元查找,根据指标分数,判断影响最大指标,发送业务工单,持续跟进异常指标和异常网元。
所述S021中割接n小时内影响程度的计算公式为:
割接影响程度=(割接后n小时网元评分-割接前n小时网元评分)/n。
其中分数为正代表割接后网络质量变好,分数为负代表割接后网络质量变差。数值越小,割接后网络质量越差,具体例子如下表1:
表1
需要说明的是,尽管在上述实施例及附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
为了对上述5GC网络割接事件异常影响分析方法进行更为清楚的解释,下面结合一个具体的实施例来进行说明,然而值得注意的是该实施例仅是为了更好地说明本发明,并不构成对本发明不当的限定。
实施例:
以5GC网络smf网元为例,对本方案进一步说明。
1、数据采集
采集smf网元指标,指标如下:
'5gcSmfAvgPduSessNum':pdu平均会话数
'5gcSmfSessBuiReqNum':pdu建立会话请求数
'5gcSmfSessBuiSuccRate':pdu建立会话成功率
'5gcSmfSessBuildAvgTime':pdu建立会话平均时长
'5gcSmfSessModiSuccRate':smf网元会话修改成功率
'5gcSmfSessModiReqNum':smf网元会话修改请求次数
按照5分钟粒度进行采集,并将采集指标保存在数据库指标表中。
2、特征构造
取数据库指标表中历史两周数据,构造特征。每种指标构造6种新特征。包括一周前环比,一天前环比,预测值,上限值,下限值,当前小时方差。如5gcSmfAvgPduSessNum构造指标后得到6个新指标:
5gcSmfAvgPduSessNum_lw:一周前环比
5gcSmfAvgPduSessNum_ld:一天前环比
5gcSmfAvgPduSessNum_pre:预测值
5gcSmfAvgPduSessNum_upper:上限
5gcSmfAvgPduSessNum_lower:下限
5gcSmfAvgPduSessNum_std:当前小时方差
3、标签构造
取网元近两周的告警数据,取告警时间字段和告警类型字段。与告警发生前后5分钟的指标数据关联。
4、模型训练
4.1、训练网元评分模型
将构造好的指标特征作为特征数据,关联告警数据如果存在告警,则标签为1,不存在告警,则标签为0。使用这份数据使用逻辑回归算法训练网元评分模型。
4.2、训练指标评分模型
取两周的原始指标数据,使用prophet模型,训练指标预测模型。
5、评分
从数据库中取最新的指标数据,调用网元评分模型对网元评分。
指定最新时间调用指标预测模型,得到最新时间的指标预测值,取指标真实值减去指标预测值的绝对值除以真实值,并对这些值做归一化处理。使得范围在0-1之间,作为指标异常度。指标健康分数=(1-指标异常度)*100
网元911020000000000030760511得分情况如下表2:
表2
6、割接分析
根据割接前后分数情况,给出割接的影响。如下表3所示,网元911020000000000030760511在2021/3/1622:30:00发生割接。分数50.82较割接前有较大降低,分析指标可知,异常指标为5gcSmfSessModiReqNum,可根据异常指标情况派单处理。
表3
基于前述发明构思,如图5所示,本发明还提出一种计算机设备200,包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序230,处理器220执行计算机程序230时实现前述5GC网络割接事件异常影响分析方法。
基于前述发明构思,本发明还提出一种计算机可读存储介质,计算机可读存储介质存储有执行前述5GC网络割接事件异常影响分析方法的计算机程序。
本发明提出的5GC网络割接事件异常影响分析方法,通过割接前后网络健康度对比,分析割接是否带来网络健康度降低,网元异常等情况,对大量割接行为进行有效监控;通过量化割接行为产生的影响,可以对本次割接行为进行有效评估,并对网元健康度的影响可进一步发现割接行为造成的网元异常。
虽然已经参考若干具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包含的各种修改和等同布置。
对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (3)
1.一种5GC网络割接事件异常影响分析方法,其特征在于,该方法包括:
S01、进行网络健康度评分;
S011、网元健康评分;
S0111、数据采集,采集5g核心网网元业务指标;
所述S0111中的业务指标包括但不限于:平均PDUsession数、PDUsession建立失败次数、PDUsession会话连接时长;每种指标数据包含当前时间前两周的数据;
S0112、构造新特征,对当前时间点网元指标构造新特征,包括一周前环比、一天前环比、预测值、上限值、下限值与当前小时方差;
所述S0112中的预测值、上限值、下限值计算方法:
使用时序预测算法LSTM算法,利用历史前一周数据预测当前时间点数值即为预测值;使用历史前一周数据计算均值和方差,并给出均值加上3倍方差作为上限值,均值减去3倍方差作为下限值
S0113、计算网元异常度,将S0112中的网元指标全部特征作为训练数据的特征,关联特征发生前后5分钟的告警数据,将是否含有告警作为训练数据的标签;使用逻辑回归算法,训练网元异常分类模型,将异常发生概率作为网元异常度指标;
S0114、给出网元健康评分:
网元的健康分数=(1-网元异常度)*100;
S012、指标评分;
S0121、使用prophet算法预测指标未来值,预测数据基于指标前一周数据;
S0122、使用距离评分方法,真实值和预测值相差越多,说明越异常;
S0123、计算指标异常度,取指标真实值减去指标预测值的绝对值除以真实值,并对这些值做归一化处理,使得范围在0-1之间,作为指标异常度;
S0124、给出指标健康评分:
指标健康分数=(1-指标异常度)*100;
S02、割接事件异常影响分析;
S021、割接效果影响度量化,统计网元割接前后一段时间内的网络健康情况,并统计割接n小时内影响程度;
所述S021中割接n小时内影响程度的计算公式为:
割接影响程度=(割接后n小时网元评分-割接前n小时网元评分)/n;
S022、异常网元查找,根据指标分数,判断影响最大指标,发送业务工单,持续跟进异常指标和异常网元。
2.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1所述方法。
3.一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执行权利要求1所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563932.3A CN114465908B (zh) | 2021-12-20 | 2021-12-20 | 一种5gc网络割接事件异常影响分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563932.3A CN114465908B (zh) | 2021-12-20 | 2021-12-20 | 一种5gc网络割接事件异常影响分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114465908A CN114465908A (zh) | 2022-05-10 |
CN114465908B true CN114465908B (zh) | 2023-08-08 |
Family
ID=81405579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111563932.3A Active CN114465908B (zh) | 2021-12-20 | 2021-12-20 | 一种5gc网络割接事件异常影响分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114465908B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663040A (zh) * | 2014-05-01 | 2017-05-10 | 网络流逻辑公司 | 用于计算机网络业务中的信任异常检测的方法及系统 |
CN109120627A (zh) * | 2018-08-29 | 2019-01-01 | 重庆邮电大学 | 一种基于改进KNN的6LoWPAN网络入侵检测方法 |
CN110858812A (zh) * | 2018-08-24 | 2020-03-03 | 中国移动通信集团浙江有限公司 | 网元割接值守方法及装置 |
CN112733995A (zh) * | 2021-01-07 | 2021-04-30 | 中国工商银行股份有限公司 | 训练神经网络的方法、行为检测方法及行为检测装置 |
CN113497726A (zh) * | 2020-04-01 | 2021-10-12 | 中国移动通信集团山东有限公司 | 告警监控方法、系统、计算机可读存储介质及电子设备 |
CN113541982A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 网元的健康预警方法、装置、计算设备及计算机存储介质 |
CN113765683A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 网络切片的割接告警屏蔽方法及装置 |
-
2021
- 2021-12-20 CN CN202111563932.3A patent/CN114465908B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106663040A (zh) * | 2014-05-01 | 2017-05-10 | 网络流逻辑公司 | 用于计算机网络业务中的信任异常检测的方法及系统 |
CN110858812A (zh) * | 2018-08-24 | 2020-03-03 | 中国移动通信集团浙江有限公司 | 网元割接值守方法及装置 |
CN109120627A (zh) * | 2018-08-29 | 2019-01-01 | 重庆邮电大学 | 一种基于改进KNN的6LoWPAN网络入侵检测方法 |
WO2020042702A1 (zh) * | 2018-08-29 | 2020-03-05 | 重庆邮电大学 | 一种基于改进KNN的6LoWPAN网络入侵检测方法 |
CN113497726A (zh) * | 2020-04-01 | 2021-10-12 | 中国移动通信集团山东有限公司 | 告警监控方法、系统、计算机可读存储介质及电子设备 |
CN113541982A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 网元的健康预警方法、装置、计算设备及计算机存储介质 |
CN113765683A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 网络切片的割接告警屏蔽方法及装置 |
CN112733995A (zh) * | 2021-01-07 | 2021-04-30 | 中国工商银行股份有限公司 | 训练神经网络的方法、行为检测方法及行为检测装置 |
Non-Patent Citations (1)
Title |
---|
GAD:基于拓扑感知的时间序列异常检测;戚琦;申润业;王敬宇;;通信学报(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114465908A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113282461B (zh) | 传输网的告警识别方法和装置 | |
CN104363106A (zh) | 一种基于大数据技术的电力信息通信故障预警分析方法 | |
CN111290913A (zh) | 一种基于运维数据预测的故障定位可视化系统和方法 | |
CN111722976A (zh) | 基于智能运维的故障流程分析方法、装置及介质 | |
CN113037575B (zh) | 网元异常的根因定位方法、装置、电子设备及存储介质 | |
CN113191509A (zh) | 基于维修人员画像的智能派单方法、设备、介质及产品 | |
CN113190415A (zh) | 互联网医院系统监控方法、设备、存储介质及程序产品 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN116389223B (zh) | 一种基于大数据的人工智能可视化预警系统及方法 | |
CN108665237B (zh) | 一种基于业务系统建立自动巡检模型和定位异常的方法 | |
CN113377559A (zh) | 基于大数据的异常处理方法、装置、设备及存储介质 | |
CN114430365A (zh) | 故障根因分析方法、装置、电子设备和存储介质 | |
CN114465908B (zh) | 一种5gc网络割接事件异常影响分析方法 | |
CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN112380759A (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
CN111367971A (zh) | 一种基于数据挖掘的金融系统异常辅助分析方法及装置 | |
CN116308295A (zh) | 一种工业生产数据管理方法及系统 | |
CN115865617A (zh) | 一种vpn远程诊断及维护系统 | |
CN113807690A (zh) | 区域电网调控系统运行状态在线评估预警方法及系统 | |
CN112711508A (zh) | 面向大规模客户端系统的智能运维服务系统 | |
CN113036917A (zh) | 一种基于机器学习的配电网监控信息监视系统和方法 | |
CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及系统 | |
CN113656287B (zh) | 软件实例故障的预测方法、装置、电子设备及存储介质 |
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 |