CN114726708A - 一种基于人工智能的网元设备故障预测方法及系统 - Google Patents

一种基于人工智能的网元设备故障预测方法及系统 Download PDF

Info

Publication number
CN114726708A
CN114726708A CN202210133212.1A CN202210133212A CN114726708A CN 114726708 A CN114726708 A CN 114726708A CN 202210133212 A CN202210133212 A CN 202210133212A CN 114726708 A CN114726708 A CN 114726708A
Authority
CN
China
Prior art keywords
historical data
data
network element
classification module
classification
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
CN202210133212.1A
Other languages
English (en)
Inventor
陈剑浩
倪卿元
宋飞斌
周翔
李仁玉
陈乐莹
孙亮
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.)
China Telecom Group Trade Union Shanghai Committee
China Telecom Corp Ltd Shanghai Branch
Original Assignee
China Telecom Group Trade Union Shanghai Committee
China Telecom Corp Ltd Shanghai Branch
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 China Telecom Group Trade Union Shanghai Committee, China Telecom Corp Ltd Shanghai Branch filed Critical China Telecom Group Trade Union Shanghai Committee
Priority to CN202210133212.1A priority Critical patent/CN114726708A/zh
Publication of CN114726708A publication Critical patent/CN114726708A/zh
Pending legal-status Critical Current

Links

Images

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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • 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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • 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
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明涉及设备维护技术领域，具体涉及一种基于人工智能的网元设备故障预测方法及系统，包括：步骤S1，采集网元设备的多个特征的历史数据；步骤S2，对所述历史数据通过分类模型进行处理得到一历史数据分类集合，所述历史数据分类集合包括所述历史数据的故障类型及对应的概率；步骤S3，依据所述历史数据预测预定时间后的特征数据，对所述预定时间后的特征数据通过所述分类模型进行处理得到一预测数据集合，所述预测数据集合包括可能发生的故障类型及对应的概率；步骤S4，基于所述历史数据分类集合和所述预测数据集合进行加权累加得到判断集合，所述判断集合包括故障类型及对应的概率。

Description

一种基于人工智能的网元设备故障预测方法及系统
技术领域
本发明涉及设备维护技术领域，具体涉及一种基于人工智能的网元设备故障预测方法及系统。
背景技术
信息化的工作方式已是许多企业日常办公的模式，因部分企业运行需求，需自行组建局域网，所以无法得到运营商对于网络维护的技术支持，目前实现对故障类型分析现有技术的实现方式：需要企业成立维护团队、或将维护工作进行服务外包，在故障发生时通过工程师现场检修的方式排障及解决故障。
现有技术主要是使用分类模块的方式统计故障类型，但是没有对未来可能发生故障可能性的预警。且日常还需对设备自动化巡检或进行人工巡检，对于人工的损耗较多。
发明内容
本发明的目的还在于，提供一种基于人工智能的网元设备故障预测方法及系统，解决以上技术问题；
一种基于人工智能的网元设备故障预测方法，包括：
步骤S1，采集网元设备的多个特征的历史数据；
步骤S2，对所述历史数据通过分类模块进行处理得到一历史数据分类集合，所述历史数据分类集合包括所述历史数据的故障类型及对应的概率；
步骤S3，通过时间序列分析模块以预定时间预测所述历史数据得到预定时间后的特征数据，对所述预定时间后的特征数据通过所述分类模块进行处理得到一预测数据集合，所述预测数据集合包括可能发生的故障类型及对应的概率；
步骤S4，基于所述历史数据分类集合和所述预测数据集合进行加权累加得到判断集合，所述判断集合包括故障类型及对应的概率。
优选的，其中，步骤S2包括：
步骤S21，将所述历史数据通过所述第一分类模块预训练处理得到第一集合；
步骤S22，将所述历史数据通过所述第二分类模块预训练处理得到第二集合；
步骤S23，将所述第一分类模块和所述第二分类模块进行模型融合，得到融合后的故障类型及对应的概率，通过对所述故障类型及对应的概率加权累加得到所述历史数据分类集合。
优选的，其中，步骤S3包括：
步骤S31，将所述历史数据输入至对应的所述时间序列分析模块；
步骤S32，将所述历史数据的数值按其先后发生的时间顺序排列，对所述历史数据进行预训练处理；
步骤S33，预测每一所述历史数据的数值于所述预定时间后的数值，得到所述预定时间后的特征数据。
3.优选的，其中，步骤S33之后还包括：
步骤S34，将所述预定时间后的特征数据通过所述第一分类模块预训练处理得到第三集合；
步骤S35，将所述预定时间后的特征数据通过所述第二分类模块预训练处理得到第四集合；
步骤S36，将所述第一分类模块和所述第二分类模块进行模型融合，得到融合后的故障类型及对应的概率，通过对所述故障类型及对应的概率加权累加得到所述预测数据集合。
优选的，其中，步骤S4之后还包括：
步骤S5，人工校验所述判断集合，并依据实际故障类型及对应的概率更新所述第一分类模块以及所述第二分类模块；
步骤S6，依据当前时刻的所述历史数据跟新所有所述时间序列分析模块。
一种基于人工智能的网元设备故障预测系统，应用于所述网元设备故障预测方法，包括：
特征数据采集模块，用于采集所述网元设备的多个所述特征的所述历史数据；
分类模块，连接所述特征数据采集模块以及所述时间序列分析模块。
多个所述时间序列分析模块，连接所述特征数据采集模块，每一所述时间序列分析模块对应接收一所述特征的所述历史数据；
优选的，其中，所述特征数据采集模块包括：
服务展示及能力开放层，用于向用户提供应用操作界面；
核心能力层，连接所述服务展示及能力开放层的能力输出接口，用于功能管理；
数据处理及采集配置层，连接所述网元设备。
优选的，其中，所述分类模块包括所述第一分类模块以及所述第二分类模块。
优选的，其中，所述特征数据包括：控制器、端口流量、光功率以及错包率的至少一种。
本发明的有益效果：由于采用以上技术方案，本发明对网元设备的故障原因进行预判，辅助维修人员快速定位故障原因与处理方法，在提升检修效率的同时，还能系统性地形成经验，降低对维修人员判障的压力，减少对业务发展带来的影响。
附图说明
图1为本发明实施例中网元设备故障预测方法步骤示意图；
图2为本发明实施例中步骤S2的步骤示意图；
图3为本发明实施例中步骤S3的步骤示意图；
图4为本发明实施例中网元设备故障预测系统结构示意图。
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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
一种基于人工智能的网元设备故障预测方法，包括：
步骤S1，采集网元设备的多个特征的历史数据；
步骤S2，对历史数据通过分类模型进行处理得到一历史数据分类集合R1，历史数据分类集合R1包括历史数据的故障类型及对应的概率；
步骤S3，通过时间序列分析模块2以预定时间预测所述历史数据得到预定时间后的特征数据，对预定时间后的特征数据通过分类模型进行处理得到一预测数据集合R2，预测数据集合R2包括可能发生的故障类型及对应的概率；
步骤S4，基于历史数据分类集合R1和预测数据集合R2进行加权累加得到判断集合R3，判断集合R3包括故障类型及对应的概率。
本申请中的技术方案通过对网元设备的性能监控、统计、分析、AI模型训练、预判的方式，对于设备可能出现故障及故障原因进行及时反馈，提升故障修复的及时性与降低对业务的影响。
在一种较优的实施例中，如图2所示，步骤S2包括：
步骤S21，将历史数据通过第一分类模块31预训练处理得到第一集合；
步骤S22，将历史数据通过第二分类模块32预训练处理得到第二集合；
步骤S23，将第一分类模块31和第二分类模块32进行模型融合，得到融合后的故障类型及对应的概率，通过对故障类型及对应的概率加权累加得到历史数据分类集合R1。
本实施例中，第一分类模块31采用GBRT，第二分类模块32采用GBDT，第一集合的权重为α1，第二集合的权重为β1。
具体地，通过在网元设备上布置探针的方式获取设备性能的状态信息，包括：CPU，Memory，Disk，Interface、数据库(命中率，Session连接，tablespace)、中间件(session数，datasource，jvm使用)、四层防火墙(session数，service状态，VIP状态)、网络设备端口性能(速率，使用率，光衰)、操作系统进程(进程状态，CPU使用率，内存使用率)等。
在一种较优的实施例中，如图3所示，步骤S3包括：
步骤S31，将历史数据输入至对应的时间序列分析模块2；
步骤S32，将历史数据的数值按其先后发生的时间顺序排列，对所述历史数据进行预训练处理；
步骤S33，预测每一历史数据的数值于预定时间后的数值，得到预定时间后的特征数据。
在一种较优的实施例中，步骤S33之后还包括：
步骤S34，将预定时间后的特征数据通过第一分类模块31预训练处理得到第三集合；
步骤S35，将预定时间后的特征数据通过第二分类模块32预训练处理得到第四集合；
步骤S36，将第一分类模块31和第二分类模块32进行模型融合，得到融合后的故障类型及对应的概率，通过对故障类型及对应的概率加权累加得到预测数据集合R2。
本实施例中，第四集合R4的权重为α2、第五集合R5的权重为β2
在一种较优的实施例中，步骤S4之后还包括：
步骤S5，人工校验判断集合R3，并依据实际故障类型及对应的概率更新第一分类模块31以及第二分类模块32；
步骤S6，依据当前时刻的历史数据跟新所有时间序列分析模块2。
一种基于人工智能的网元设备故障预测系统，应用于上述任意一项实施例中的网元设备故障预测方法，包括：
特征数据采集模块1，用于采集网元设备的多个特征的历史数据；
分类模块3，连接特征数据采集模块1以及时间序列分析模块2。
多个时间序列分析模块2，连接特征数据采集模块1，每一时间序列分析模块2对应接收一特征的历史数据；
具体地，人工智能模型训练及智能判障预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的特征进行预测。异常预测是在事件发生前预测事件发生的可能性，要求在对过去性能数据的分析和学习过程中，找出时间序列观测值中的变化规律与趋势以及与故障和异常事件之间的关系，然后通过对这些规律或趋势的外推来确定未来的预测值和异常事件发生的概率。
在一种较优的实施例中，特征数据采集模块1包括：
服务展示及能力开放层，用于统一应用门户，提供用户可视化应用操作界面，使用运维管理系统核心能力；统一能力封装，对运维管理系统核心能力进行封装，形成标准的能力输出接口；
核心能力层，连接服务展示及能力开放层的能力输出接口，用于功能管理；
数据处理及采集配置层，连接网元设备，包括数据存储及预处理总线，告警处理总线，性能处理总线，配置任务总线。支持多协议分布式探针的接入，实现各类协议监控数据的上报处理；支持多协议配置命令下发探针的对接，实现各类配置任务下发。
具体地，核心能力层包括：
资源管理单元，实现网元、节点、拓扑、链路、组织等各类资源管理能力，并实现相关资源的数字可视化；
告警管理单元，实现告警压缩、归并、处理、查询、存储等管理能力，端到端判障能力；
性能管理单元，实现关键性能数据管理和存储以及趋势分析，性能监控模板库管理能力；
配置管理单元，实现各类配置/巡检命令脚本库的录入管理，并提供用户录入下发任务的功能。
在一种较优的实施例中，分类模块3包括第一分类模块31以及第二分类模块32。
在一种较优的实施例中，特征数据包括：控制器、端口流量、光功率以及错包率的至少一种。
具体地，对于故障预测，先要利用机器学习和数据挖掘技术从网络正常运行的长期性能历史数据中自动学习建立网络性能正常模型。通过单分类技术、半监督技术等异常检测手段，及时发现网络性能的异常，并提供网络性能异常的概念化描述。
通过半监督学习方法利用人工的确认和否认提高异常检测的准确性。例如对网络设备的板卡CPU使用率，端口的流量，端口光功率，端口错包率指标进行监控，指标直接关联设备板卡、设备端口、链路、网络流量等故障的场景，所以可以有以下几种场景，作为学习参数输入，以得出异常的阈值。可以在故障发生后并确定故障原因后，分析故障前后相关性能数据的变化趋势，以关联出相关性能指标的变化趋势以及阈值。
在实际使用过程中，首先企业需要在其专网上部署一套监控配置组件，通过监控配置组件对企业专网内的关键网络设备进行监控配置，实现性能指标的监控。
通过监控板卡CPU使用率，端口的流量，端口光功率，端口错包率并统计故障时的数据，形成指标数值与故障之间的关联关系，如网络板卡故障的各项特征数据值在多次历史数据汇集后得出的关联关系为：CPU特征值大于80％、端口流量在历史基准线附近、光功率在历史基准线附近、错包率在0.2％以内会引起网络板卡故障。则在进行周期性监控后，将时间序列预测模型，及历史指标自学习模型应用于监控网元设备上，实现相关故障异常的预测，系统及时预警后，维护人员加强关注，并对可能的故障进行预处理，降低故障发生率及故障处理时长，如企业无自行维护能力，可委托第三方网络专业维护团队进行运维。
综上，通过本技术可对故障原因进行预判，辅助维修人员快速定位故障原因与处理方法，在提升检修效率的同时，还能系统性地形成经验，降低对维修人员判障的压力，减少对业务发展带来的影响。
以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种基于人工智能的网元设备故障预测方法，其特征在于，包括：
步骤S1，采集网元设备的多个特征的历史数据；
步骤S2，对所述历史数据通过分类模块进行处理得到一历史数据分类集合，所述历史数据分类集合包括所述历史数据的故障类型及对应的概率；
步骤S3，通过时间序列分析模块以预定时间预测所述历史数据得到预定时间后的特征数据，对所述预定时间后的特征数据通过所述分类模块进行处理得到一预测数据集合，所述预测数据集合包括可能发生的故障类型及对应的概率；
步骤S4，基于所述历史数据分类集合和所述预测数据集合进行加权累加得到判断集合，所述判断集合包括故障类型及对应的概率。
2.根据权利要求1所述的网元设备故障预测方法，其特征在于，步骤S2包括：
步骤S21，将所述历史数据通过所述第一分类模块预训练处理得到第一集合；
步骤S22，将所述历史数据通过所述第二分类模块预训练处理得到第二集合；
步骤S23，将所述第一分类模块和所述第二分类模块进行模型融合，得到融合后的故障类型及对应的概率，通过对所述故障类型及对应的概率加权累加得到所述历史数据分类集合。
3.根据权利要求2所述的网元设备故障预测方法，其特征在于，步骤S3包括：
步骤S31，将所述历史数据输入至对应的所述时间序列分析模块；
步骤S32，将所述历史数据的数值按其先后发生的时间顺序排列，对所述历史数据进行预训练处理；
步骤S33，预测每一所述历史数据的数值于所述预定时间后的数值，得到所述预定时间后的特征数据。
4.根据权利要求3所述的网元设备故障预测方法，其特征在于，步骤S33之后还包括：
步骤S34，将所述预定时间后的特征数据通过所述第一分类模块预训练处理得到第三集合；
步骤S35，将所述预定时间后的特征数据通过所述第二分类模块预训练处理得到第四集合；
步骤S36，将所述第一分类模块和所述第二分类模块进行模型融合，得到融合后的故障类型及对应的概率，通过对所述故障类型及对应的概率加权累加得到所述预测数据集合。
5.根据权利要求4所述的网元设备故障预测方法，其特征在于，步骤S4之后还包括：
步骤S5，人工校验所述判断集合，并依据实际故障类型及对应的概率更新所述第一分类模块以及所述第二分类模块；
步骤S6，依据当前时刻的所述历史数据跟新所有所述时间序列分析模块。
6.一种基于人工智能的网元设备故障预测系统，应用于权利要求1-5中任意一项所述的网元设备故障预测方法，其特征在于，包括：
特征数据采集模块，用于采集所述网元设备的多个所述特征的所述历史数据；
所述分类模块，连接所述特征数据采集模块以及所述时间序列分析模块；
多个所述时间序列分析模块，连接所述特征数据采集模块，每一所述时间序列分析模块对应接收一所述特征的所述历史数据。
7.根据权利要求6所述的网元设备故障预测系统，其特征在于，所述特征数据采集模块包括：
服务展示及能力开放层，用于向用户提供应用操作界面；
核心能力层，连接所述服务展示及能力开放层的能力输出接口，用于功能管理；
数据处理及采集配置层，连接所述网元设备。
8.根据权利要求6所述的网元设备故障预测系统，其特征在于，所述分类模块包括所述第一分类模块以及所述第二分类模块。
9.根据权利要求6所述的网元设备故障预测系统，其特征在于，所述特征数据包括：控制器、端口流量、光功率以及错包率的至少一种。
CN202210133212.1A 2022-02-09 2022-02-09 一种基于人工智能的网元设备故障预测方法及系统 Pending CN114726708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210133212.1A CN114726708A (zh) 2022-02-09 2022-02-09 一种基于人工智能的网元设备故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210133212.1A CN114726708A (zh) 2022-02-09 2022-02-09 一种基于人工智能的网元设备故障预测方法及系统

Publications (1)

Publication Number Publication Date
CN114726708A true CN114726708A (zh) 2022-07-08

Family

ID=82236131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210133212.1A Pending CN114726708A (zh) 2022-02-09 2022-02-09 一种基于人工智能的网元设备故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN114726708A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116489687A (zh) * 2023-03-31 2023-07-25 宁夏回族自治区水利工程建设中心 一种基于5g通信技术的水利智慧监测系统及方法
CN117765374A (zh) * 2023-11-15 2024-03-26 知码芯(无锡)通讯技术有限公司 一种基于人工智能的数据分析系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116489687A (zh) * 2023-03-31 2023-07-25 宁夏回族自治区水利工程建设中心 一种基于5g通信技术的水利智慧监测系统及方法
CN116489687B (zh) * 2023-03-31 2023-11-17 宁夏回族自治区水利工程建设中心 一种基于5g通信技术的水利智慧监测系统及方法
CN117765374A (zh) * 2023-11-15 2024-03-26 知码芯(无锡)通讯技术有限公司 一种基于人工智能的数据分析系统及方法

Similar Documents

Publication Publication Date Title
CN105337765B (zh) 一种分布式hadoop集群故障自动诊断修复系统
CN107196804B (zh) 电力系统终端通信接入网告警集中监控系统及方法
US6012152A (en) Software fault management system
US7225250B1 (en) Method and system for predictive enterprise resource management
CN109787817A (zh) 网络故障诊断方法、装置和计算机可读存储介质
CN102122431B (zh) 用电信息采集终端的故障智能诊断方法及系统
US20120041858A1 (en) System and method for service level management
CN114726708A (zh) 一种基于人工智能的网元设备故障预测方法及系统
CN102158360A (zh) 一种基于时间因子因果关系定位的网络故障自诊断方法
CN111431754A (zh) 配用电通信网故障分析方法和系统
CN118054845B (zh) 一种分布式光网络终端故障监测方法及系统
CN117411810A (zh) 一种基于边缘计算的电气物联网安全预警方法
CN112463892A (zh) 一种基于风险态势的预警方法及系统
CN117289085A (zh) 一种多线路故障分析诊断方法及系统
CN117010665A (zh) 智慧运维idc机房管理系统
CN117422434A (zh) 一种智慧运维调度平台
CN113448947B (zh) 一种mongo数据库分布式部署运维的方法和装置
CN118018449A (zh) 一种网络可靠性评估方法、装置和系统
CN117194154A (zh) 一种基于微服务的apm全链路监控系统及方法
CN116204386B (zh) 应用服务关系自动识别及监控方法、系统、介质和设备
CN115222069A (zh) 一种设备预诊维护算法及集成该算法的智能工厂管控架构
CN118659972B (zh) 一种基于深度学习的集中器优化配置方法和系统
WO2023051097A1 (zh) 网络故障诊断方法、装置、存储介质及电子装置
Castro et al. Multi-domain fault management architecture based on a shared ontology-based knowledge plane
JP2020141353A (ja) 装置管理方法、管理装置及びプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication