CN114968744A - 一种基于金融行业容量管理预测分析ai算法的实现方法及系统 - Google Patents

一种基于金融行业容量管理预测分析ai算法的实现方法及系统 Download PDF

Info

Publication number
CN114968744A
CN114968744A CN202210640575.4A CN202210640575A CN114968744A CN 114968744 A CN114968744 A CN 114968744A CN 202210640575 A CN202210640575 A CN 202210640575A CN 114968744 A CN114968744 A CN 114968744A
Authority
CN
China
Prior art keywords
capacity
prediction
index
management
resource pool
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.)
Granted
Application number
CN202210640575.4A
Other languages
English (en)
Other versions
CN114968744B (zh
Inventor
朱柯
王涛
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.)
Beijing Tongchuang Yongyi Technology Development Co ltd
Original Assignee
Beijing Tongchuang Yongyi Technology Development 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 Beijing Tongchuang Yongyi Technology Development Co ltd filed Critical Beijing Tongchuang Yongyi Technology Development Co ltd
Priority to CN202210640575.4A priority Critical patent/CN114968744B/zh
Publication of CN114968744A publication Critical patent/CN114968744A/zh
Application granted granted Critical
Publication of CN114968744B publication Critical patent/CN114968744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/323—Visualisation of programs or trace data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3442—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for planning or managing the needed capacity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/865—Monitoring of software

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Accounting & Taxation (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于金融行业容量管理预测分析AI算法的实现方法及系统，方法包括S1、容量指标的维护和管理；S2、容量采集中心的管理；S3、算法模型的自动选择；S4、容量预测管理；S5、智能容量分析管理。优点是：本发明定位在智能运维服务体系中的容量管理模块中，以业务视角实现IT系统全生命周期的容量管理，通过提取容量数据，结合容量模型，分析和预测应用系统容量，及时发现容量瓶颈，在满足业务SLA的同时节约IT基础设施成本，为客户进行IT采购与扩容提供科学的决策依据。

Description

一种基于金融行业容量管理预测分析AI算法的实现方法及 系统
技术领域
本发明涉及金融行业容量管理技术领域，尤其涉及一种基于金融行业容量管理预测分析AI算法的实现方法及系统。
背景技术
IStorM CM容量管理系统通过建立适合的信息系统容量管理策略和管理手段，实现有效的容量数字化分析、测量和风险识别，提高日常容量管理工作的合理性和有效性，确保能够经济、合理地满足生产系统在容量方面的各项需求。
容量预测服务是采用容量管理系统通过对容量历史数据进行算法分析，选定预测算法并对相关预测算法进行训练、调优，参照容量数据基线进行判断，反应当前容量的发展趋势、业务量，预测未来一定时间段内各层(资源层、服务层、业务层)、各系统(ERP、CRM等)、各系统内资源对象(宿主机集群、宿主机等)的容量及容量趋势。
容量分析服务是根据客户所关注业务确定分析范围，进行资源关系分析，从资源容量对象、服务容量对象到业务容量对象，逐一分析，层层汇聚，形成各层、各系统的容量分析模型，包括资源与服务容量分析模型、应用系统容量分析。
目前，相关其他监控或管理系统难以对资源相关指标进行有效采集和规律预测。因此，亟需一种新的方法解决上述问题。
发明内容
本发明的目的在于提供一种基于金融行业容量管理预测分析AI算法的实现方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于金融行业容量管理预测分析AI算法的实现方法，包括如下步骤，
S1、容量指标的维护和管理
将容量指标与对应的资源进行关系绑定，后续对资源的分析和管理以其绑定的容量指标反馈出的数据信息作为依据和参考；
根据设定好的资源与该资源绑定的容量指标，对容量指标设定相应的预警阈值，后续资源经过容量预测后，容量指标触发预警阈值，推送出相应的预警信息；
S2、容量采集中心的管理
采集资源池的分配率信息，设定要采集的具体资源池及容量指标信息，达到对资源池指标数据采集的自定义配置；
根据采集对接管理设定好的需要采集的资源，对采集资源的过程进行监控，记录采集资源的开始时间和结束时间，统计采集资源的容量指标的基本信息；
S3、算法模型的自动选择
对历史数据进行划分，一部分用于算法模型的训练，另一部分用于算法模型的验证；对于同一份测试数据，对算法库中所有的算法模型进行迭代训练，进而比较不同算法模型的评分，根据评分进行排名反馈，为周期预测场景和营销预测场景中各个容量指标分别选择最优的算法模型；
S4、容量预测管理
周期预测场景：通过设定预测场景的周期，选定预测指标，采用最优算法模型对租户端的资源池或平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
营销预测场景：对用户的营销活动和特殊的预测场景进行自定义时间预测，通过设定预测场景的预测时间，选定预测指标，采用最优算法模型对租户端的资源池会平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；达到预测时间时，预测自动停止；
租户端的资源池或平台端的产品经过容量预测后，若容量指标超出设定的预警阈值，对应的预警信息会显示到相应页面，默认展示超过预警阈值的次数和预警信息的风险级别；
S5、智能容量分析管理
指标趋势预测分析：通过设定查询条件，查看某个预测场景在一定时间范围内，采用最优算法模型时，租户端的资源池或者平台端的产品的容量指标预测值和实际值的偏离度，查看预测结果的准确性和精准度；
容量优化建议分析：根据容量预测结果触发的异常类型，对未来一段时间内租户端的资源池或者平台端的产品的容量指标数据触发的容量优化建议阈值，给出的容量优化建议信息。
优选的，容量指标来源于对采集到的容量数据关注的关键信息；容量指标信息包括指标名称、指标值类型和指标单位。
优选的，算法库中的算法模型包括Prophet、lightgbm、Neuralnetwork、DeepAR。
优选的，在周期预测场景和营销预测场景中，支持对预测场景下具体的预测结果的查看，并能够对预测场景的状态进行启用和停用的设定。
本发明的目的还在于提供一种基于金融行业容量管理预测分析AI算法的实现系统，实现系统用于实现上述任一所述的实现方法，所述实现系统包括，
容量指标管理维护模块；用于对容量指标进行维护和管理；
容量异常预警模块；用于在容量预测后，容量指标数据超出设定预警阈值时，推送相应的预警信息；
容量采集中心管理模块；用于采集资源池的分配率信息，设定要采集的具体资源池及容量指标信息，达到对资源池指标数据采集的自定义配置；
算法模型自动选择模块；用于为周期预测场景和营销预测场景中各个容量指标分别选择最优的算法模型；
容量预测管理模块；包括，
周期预测场景管理模块；用于采用最优算法模型对租户端的资源池或平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
营销预测场景管理模块；用于采用最优算法模型对租户端的资源池会平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
智能容量分析管理模块；包括，
指标趋势预测分析模块；用于通过设定查询条件，查看某个预测场景在一定时间范围内，采用最优算法模型时，租户端的资源池或者平台端的产品的容量指标预测值和实际值的偏离度，查看预测结果的准确性和精准度；
容量优化建议分析模块；用于根据容量预测结果触发的异常类型，对未来一段时间内租户端的资源池或者平台端的产品的容量指标数据触发的容量优化建议阈值，给出的容量优化建议信息。
本发明的有益效果是：1、能够通过容量采集数据和容量模型，分析应用系统资源瓶颈，预测企业系统未来资源使用趋势；通过容量预测分析，实现企业有序采购、按需扩容；实现容量相关的故障和问题的诊断、分析及解决；通过咨询先行、平台落地、数据支撑，实现企业容量精细化管理；降低企业应用系统初始资源投入，持续优化资源利用率；通过对应用系统容量和资源的持续监控，降低企业IT系统相关风险。2、通过自动化、可视化手段，实现对IT资源容量指标实时数据采集与展现，建立统一的采集指标体系，为精准预测和分析打下基础；提供多维度、多视角可视化展示业务容量服务能力、容量瓶颈、容量趋势，将多种容量管理视图有机结合，建立统一的可视化容量管理视图；基于容量数据，利用智能算法进行深度学习，形成容量模型，对容量趋势进行精准预测，以此为基线，并通过比较实际值与基线的偏离度来实现容量监控、告警及动态扩缩容；生成容量成本分析报告，与利益相关方共享，以帮助使用者了解IT预算的使用情况，实现最小IT资源投入。
附图说明
图1是本发明实施例中方法的原理流程图；
图2是本发明实施例中最优算法选择的流程图；
图3是本发明实施例中具体预测场景中对某个容量指标的预测流程图；
图4是本发明实施例中预测场景主界面示意图；
图5是本发明实施例中预测场景具体内容查看示意图；
图6是本发明实施例中新增预测场景的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
本实施例中，提供了一种基于金融行业容量管理预测分析AI算法的实现方法，本方法包括五部分内容，下面对这五部分内容进行详细说明：
一、容量指标的维护和管理
该部分内容对应步骤S1；具体为
将容量指标与对应的资源进行关系绑定，后续对资源的分析和管理以其绑定的容量指标反馈出的数据信息作为依据和参考；
根据设定好的资源与该资源绑定的容量指标，对容量指标设定相应的预警阈值，后续资源经过容量预测后，容量指标触发预警阈值，推送出相应的预警信息。
本实施例中，容量指标来源于对采集到的容量数据关注的关键信息；容量指标信息包括指标名称、指标值类型和指标单位等。
二、容量采集中心的管理
该部分内容对应步骤S2；具体为
采集资源池的分配率信息，设定要采集的具体资源池及容量指标信息，达到对资源池指标数据采集的自定义配置；
根据采集对接管理设定好的需要采集的资源，对采集资源的过程进行监控，记录采集资源的开始时间和结束时间，统计采集资源的容量指标的基本信息。基本信息为容量指标的个数等相关信息。
本实施例中，采集资源池的分配率信息，是通过采集BI报表系统的数据进行采集，采集频率为每天一次，采集粒度为天。
三、算法模型的自动选择
该部分内容对应步骤S3，如图2所示，具体为
对历史数据进行划分，一部分用于算法模型的训练，另一部分用于算法模型的验证；对于同一份测试数据，对算法库中所有的算法模型进行迭代训练，进而比较不同算法模型的评分，根据评分进行排名反馈，为周期预测场景和营销预测场景中各个容量指标分别选择最优的算法模型。
目前算法库使用的算法模型
Figure BDA0003682083670000051
Figure BDA0003682083670000061
当前已经新增了深度学习神经网络分解算法，该算法是根据一种神经网络分解技术分析和外推时间序列数据，该算法性能优于常用的时间序列预测技术，包括LSTM、回波状态网络、ARIMA和SARIMA等算法，在大部分数据集上拥有较好的表现，且预测场景中每天获取新数据更新模型，使用最新模型进行预测。从算法和数据两个方向对精度进行改进。
对于长期预测，在长期预测上表现较好的prophet算法将对于输入数据进行异常数据进行清洗剔除，而后根据输入数据时间长度和预测时间长度对相关因子进行调整，以提高长期预测效果。
算法自动选择，对于算法库中的算法通过对于历史数据进行划分一部分用于训练预测另一部分比较进行测试预测，对于同一份测试数据比较不同算法模型在一预测集合上的表现进行排名反馈。为用户提供智能算法选择推荐的排名，算法库后续继续加入不同的算法。
四、容量预测管理
该部分内容对应步骤S4，如图3所示，具体为
周期预测场景：通过设定预测场景的周期，选定预测指标，采用最优算法模型对租户端的资源池或平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；支持对预测场景下具体的预测结果的查看，并可对预测场景状态进行启用和停用的设定(启用状态：对应预测场景可按照预测周期自动执行预测，停用状态：对应预测场景停止预测)。
营销预测场景：对用户的营销活动和特殊的预测场景进行自定义时间预测，通过设定预测场景的预测时间，选定预测指标，采用最优算法模型对租户端的资源池会平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；达到预测时间时，预测自动停止；支持对预测场景下具体的预测结果的查看，并可对预测场景状态进行启用和停用的设定(启用状态：对应预测场景可按照预测时间自动执行预测，停用状态：对应预测场景停止预测，设定的前提是预测时间还未发生完，如已发生完，预测场景状态自动更新为停用，且不可更改)。
租户端的资源池或平台端的产品经过容量预测后，若容量指标超出设定的预警阈值，对应的预警信息会显示到相应页面，默认展示超过预警阈值的次数和预警信息的风险级别；比如，对2倍内存资源池的CPU分配量指标设定预警阈值，如果经过容量预测后，该资源池的该容量指标数据超出设定的预警阈值，则推送相应的预警信息。
如图4至图6所示，针对某个周期预测场景的具体操作界面说明如下：
1、默认打开页面时，筛选条件都为未选中状态，周期预测场景列表的数据全量显示，每页10条。
2、场景名称选择框内容为：选择平台类型和地域之后，符合这两个条件的周期预测场景名称。
3、平台类型选框内容为：租户端、平台端。
4、地域选框内容为：符合平台类型选择的结果，资源管理中定义好的所有地域，点击之后，选框内容为地域树结构，只支持单选。
5、算法模型选框内容为：Prophet、Neuralnetwork、DeepAR、lightgbm训练状态选框内容为：全部状态、训练中、已完成、已失败。
6、指标分类选择框内容为：资源指标、性能指标。
7、资源池名称内容为：自动获取容量资源库中所有绑定好容量指标的资源池名称，并且数据范围为用户选择的平台类型和地域内的资源池。
8、指标名称：选择完资源池之后，自动获取该资源池在容量资源库绑定好的的容量指标，如果是选择了多个资源池，自动获取多个资源池共有的容量指标，指标名称选择框支持多选。
9、预测周期：预测粒度为天，预测周期支持输入7到180天的时间范围，输入后按照预测周期持续进行预测。
10、动态基线灵敏度：支持输入0到1的两位小数，输入的数字表示增加预测阈值置信区间范围。
11、算法模型选框内容为：Prophet、Neuralnetwork、DeepAR、lightgbm。
12、点击查询按钮，可按照选择好的筛选条件进行查询，结果呈现在周期预测场景列表中，点击重置，筛选条件都恢复默认状态，周期预测场景列表显示的数据也恢复默认状态。
13、点击新增场景，跳转到新增周期预测场景弹窗页面。
14、点击查看预测，跳转到预测结果趋势图页面，展示具体预测指标的未来趋势图。
15、点击场景名称，跳转到预测场景指标记录页面，展示该场景下具体的预测资源池和预测指标、预测状态等信息，并展示预测场景内不同的资源池的算法模型预测状态，点击查看预测，显示具体指标的预测趋势图信息。
16、周期预测场景列表中的启停状态，选择停用后，此场景不再进行预测，选择启用后，此场景继续进行预测；
17、默认打开页面时，筛选条件都为未选中状态；
18、场景名称支持输入汉字，最大输入量为20个字；
19、点击保存按钮，默认按照选择好的内容进行预测，数据显示在周期预测场景列表中，点击取消按钮，关闭此弹窗页面，数据不做任何更改和变动页面中的选框内容都为必填项。
五、智能容量分析管理
该部分内容对应步骤S5，具体为，
指标趋势预测分析：通过设定查询条件，查看某个预测场景在一定时间范围内，采用最优算法模型时，租户端的资源池或者平台端的产品的容量指标预测值和实际值的偏离度，查看预测结果的准确性和精准度；
容量优化建议分析：根据容量预测结果触发的异常类型，对未来一段时间内租户端的资源池或者平台端的产品的容量指标数据触发的容量优化建议阈值，给出的容量优化建议信息。
本实施例中，智能容量分析管理的相关操作过程为，
1、默认打开页面时，筛选条件默认都选中第一条，时间范围为一个月，预测值和实际值验证表的数据按照选中的筛选条件显示，每页10条。
2、场景名称下拉框内容为选择好的可用区、资源池的预测场景名称。
资源池名称内容为：自动获取容量资源库中所有绑定好容量指标的资源池名称，并且数据范围为用户选择的平台类型和可用区内的资源池。
指标名称：选择完资源池之后，自动获取该资源池在容量资源库绑定好的的容量指标。
时间范围：支持选择任意时间范围，对预测值和实际值验证表中的数据进行查询。
3、点击查询按钮，可按照选择好的筛选条件进行查询，实际值和预测值的数据以折线图的形式展示，并且查询到的数据会呈现在预测值和实际值验证表中，点击重置，筛选条件都恢复默认状态，预测值和实际值验证表的显示的数据也恢复默认状态，折线图也恢复为默认状态。
实施例二
本实施例中，提供了一种基于金融行业容量管理预测分析AI算法的实现系统，实现系统用于实现所述的实现方法，所述实现系统包括，
容量指标管理维护模块；用于对容量指标进行维护和管理；
容量异常预警模块；用于在容量预测后，容量指标数据超出设定预警阈值时，推送相应的预警信息；
容量采集中心管理模块；用于采集资源池的分配率信息，设定要采集的具体资源池及容量指标信息，达到对资源池指标数据采集的自定义配置；
算法模型自动选择模块；用于为周期预测场景和营销预测场景中各个容量指标分别选择最优的算法模型；
容量预测管理模块；包括，
周期预测场景管理模块；用于采用最优算法模型对租户端的资源池或平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
营销预测场景管理模块；用于采用最优算法模型对租户端的资源池会平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
智能容量分析管理模块；包括，
指标趋势预测分析模块；用于通过设定查询条件，查看某个预测场景在一定时间范围内，采用最优算法模型时，租户端的资源池或者平台端的产品的容量指标预测值和实际值的偏离度，查看预测结果的准确性和精准度；
容量优化建议分析模块；用于根据容量预测结果触发的异常类型，对未来一段时间内租户端的资源池或者平台端的产品的容量指标数据触发的容量优化建议阈值，给出的容量优化建议信息。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于金融行业容量管理预测分析AI算法的实现方法及系统，1、能够通过容量采集数据和容量模型，分析应用系统资源瓶颈，预测企业系统未来资源使用趋势；通过容量预测分析，实现企业有序采购、按需扩容；实现容量相关的故障和问题的诊断、分析及解决；通过咨询先行、平台落地、数据支撑，实现企业容量精细化管理；降低企业应用系统初始资源投入，持续优化资源利用率；通过对应用系统容量和资源的持续监控，降低企业IT系统相关风险。通过自动化、可视化手段，实现对IT资源容量指标实时数据采集与展现，建立统一的采集指标体系，为精准预测和分析打下基础；提供多维度、多视角可视化展示业务容量服务能力、容量瓶颈、容量趋势，将多种容量管理视图有机结合，建立统一的可视化容量管理视图；基于容量数据，利用智能算法进行深度学习，形成容量模型，对容量趋势进行精准预测，以此为基线，并通过比较实际值与基线的偏离度来实现容量监控、告警及动态扩缩容；生成容量成本分析报告，与利益相关方共享，以帮助使用者了解IT预算的使用情况，实现最小IT资源投入。
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，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (5)

1.一种基于金融行业容量管理预测分析AI算法的实现方法，其特征在于：包括如下步骤，
S1、容量指标的维护和管理
将容量指标与对应的资源进行关系绑定，后续对资源的分析和管理以其绑定的容量指标反馈出的数据信息作为依据和参考；
根据设定好的资源与该资源绑定的容量指标，对容量指标设定相应的预警阈值，后续资源经过容量预测后，容量指标触发预警阈值，推送出相应的预警信息；
S2、容量采集中心的管理
采集资源池的分配率信息，设定要采集的具体资源池及容量指标信息，达到对资源池指标数据采集的自定义配置；
根据采集对接管理设定好的需要采集的资源，对采集资源的过程进行监控，记录采集资源的开始时间和结束时间，统计采集资源的容量指标的基本信息；
S3、算法模型的自动选择
对历史数据进行划分，一部分用于算法模型的训练，另一部分用于算法模型的验证；对于同一份测试数据，对算法库中所有的算法模型进行迭代训练，进而比较不同算法模型的评分，根据评分进行排名反馈，为周期预测场景和营销预测场景中各个容量指标分别选择最优的算法模型；
S4、容量预测管理
周期预测场景：通过设定预测场景的周期，选定预测指标，采用最优算法模型对租户端的资源池或平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
营销预测场景：对用户的营销活动和特殊的预测场景进行自定义时间预测，通过设定预测场景的预测时间，选定预测指标，采用最优算法模型对租户端的资源池会平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；达到预测时间时，预测自动停止；
租户端的资源池或平台端的产品经过容量预测后，若容量指标超出设定的预警阈值，对应的预警信息会显示到相应页面，默认展示超过预警阈值的次数和预警信息的风险级别；
S5、智能容量分析管理
指标趋势预测分析：通过设定查询条件，查看某个预测场景在一定时间范围内，采用最优算法模型时，租户端的资源池或者平台端的产品的容量指标预测值和实际值的偏离度，查看预测结果的准确性和精准度；
容量优化建议分析：根据容量预测结果触发的异常类型，对未来一段时间内租户端的资源池或者平台端的产品的容量指标数据触发的容量优化建议阈值，给出的容量优化建议信息。
2.根据权利要求1所述的基于金融行业容量管理预测分析AI算法的实现方法，其特征在于：容量指标来源于对采集到的容量数据关注的关键信息；容量指标信息包括指标名称、指标值类型和指标单位。
3.根据权利要求1所述的基于金融行业容量管理预测分析AI算法的实现方法，其特征在于：算法库中的算法模型包括Prophet、lightgbm、Neuralnetwork、DeepAR。
4.根据权利要求1所述的基于金融行业容量管理预测分析AI算法的实现方法，其特征在于：在周期预测场景和营销预测场景中，支持对预测场景下具体的预测结果的查看，并能够对预测场景的状态进行启用和停用的设定。
5.一种基于金融行业容量管理预测分析AI算法的实现系统，其特征在于：实现系统用于实现上述权利要求1至4任一所述的实现方法，所述实现系统包括，
容量指标管理维护模块；用于对容量指标进行维护和管理；
容量异常预警模块；用于在容量预测后，容量指标数据超出设定预警阈值时，推送相应的预警信息；
容量采集中心管理模块；用于采集资源池的分配率信息，设定要采集的具体资源池及容量指标信息，达到对资源池指标数据采集的自定义配置；
算法模型自动选择模块；用于为周期预测场景和营销预测场景中各个容量指标分别选择最优的算法模型；
容量预测管理模块；包括，
周期预测场景管理模块；用于采用最优算法模型对租户端的资源池或平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
营销预测场景管理模块；用于采用最优算法模型对租户端的资源池会平台端的产品的单个容量指标或多个容量指标进行持续周期性的预测；
智能容量分析管理模块；包括，
指标趋势预测分析模块；用于通过设定查询条件，查看某个预测场景在一定时间范围内，采用最优算法模型时，租户端的资源池或者平台端的产品的容量指标预测值和实际值的偏离度，查看预测结果的准确性和精准度；
容量优化建议分析模块；用于根据容量预测结果触发的异常类型，对未来一段时间内租户端的资源池或者平台端的产品的容量指标数据触发的容量优化建议阈值，给出的容量优化建议信息。
CN202210640575.4A 2022-06-07 2022-06-07 一种基于金融行业容量管理预测分析ai算法的实现方法及系统 Active CN114968744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210640575.4A CN114968744B (zh) 2022-06-07 2022-06-07 一种基于金融行业容量管理预测分析ai算法的实现方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210640575.4A CN114968744B (zh) 2022-06-07 2022-06-07 一种基于金融行业容量管理预测分析ai算法的实现方法及系统

Publications (2)

Publication Number Publication Date
CN114968744A true CN114968744A (zh) 2022-08-30
CN114968744B CN114968744B (zh) 2023-04-07

Family

ID=82959225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210640575.4A Active CN114968744B (zh) 2022-06-07 2022-06-07 一种基于金融行业容量管理预测分析ai算法的实现方法及系统

Country Status (1)

Country Link
CN (1) CN114968744B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110138391A1 (en) * 2009-12-04 2011-06-09 International Business Machines Corporation Continuous optimization of archive management scheduling by use of integrated content-resource analytic model
CN105323111A (zh) * 2015-11-17 2016-02-10 南京南瑞集团公司 一种运维自动化系统及方法
EP3226186A1 (de) * 2016-03-31 2017-10-04 DextraData GmbH Kapazitätsanalyse- und -planungswerkzeug, insbesondere für eine informationstechnologie(-infrastruktur)
CN108920324A (zh) * 2018-06-08 2018-11-30 广东轩辕网络科技股份有限公司 It设备存储容量趋势分析和预警的方法、系统及电子装置
CN113467939A (zh) * 2021-06-24 2021-10-01 深圳前海微众银行股份有限公司 一种容量管理方法、装置、平台和存储介质
CN113673740A (zh) * 2020-05-13 2021-11-19 波音公司 机场容量预测系统
CN113934615A (zh) * 2021-12-15 2022-01-14 山东中创软件商用中间件股份有限公司 一种数据监控方法、装置及设备
US20220114664A1 (en) * 2020-10-08 2022-04-14 Sadface Overlord Corporation Use of machine learning to forecast, recommend, and trade securities in currency markets

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110138391A1 (en) * 2009-12-04 2011-06-09 International Business Machines Corporation Continuous optimization of archive management scheduling by use of integrated content-resource analytic model
CN105323111A (zh) * 2015-11-17 2016-02-10 南京南瑞集团公司 一种运维自动化系统及方法
EP3226186A1 (de) * 2016-03-31 2017-10-04 DextraData GmbH Kapazitätsanalyse- und -planungswerkzeug, insbesondere für eine informationstechnologie(-infrastruktur)
CN108920324A (zh) * 2018-06-08 2018-11-30 广东轩辕网络科技股份有限公司 It设备存储容量趋势分析和预警的方法、系统及电子装置
CN113673740A (zh) * 2020-05-13 2021-11-19 波音公司 机场容量预测系统
US20220114664A1 (en) * 2020-10-08 2022-04-14 Sadface Overlord Corporation Use of machine learning to forecast, recommend, and trade securities in currency markets
CN113467939A (zh) * 2021-06-24 2021-10-01 深圳前海微众银行股份有限公司 一种容量管理方法、装置、平台和存储介质
CN113934615A (zh) * 2021-12-15 2022-01-14 山东中创软件商用中间件股份有限公司 一种数据监控方法、装置及设备

Also Published As

Publication number Publication date
CN114968744B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
US20170124487A1 (en) Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism
CN103513983B (zh) 用于预测性警报阈值确定工具的方法和系统
CN112181960B (zh) 一种基于AIOps的智能运维框架系统
WO2016153962A1 (en) Methods and systems for predictive engine evaluation, tuning, and replay of engine performance
CN111127105A (zh) 用户分层模型构建方法及系统、运营分析方法及系统
CN111291076A (zh) 基于大数据的异常用水监测报警系统及其构建方法
CN115630839B (zh) 一种基于数据挖掘的生产智能反馈调控系统
CN115423289B (zh) 智能板材加工车间数据处理方法及终端
CN108846691A (zh) 区域性粮油市场价格监测分析预测系统及监测方法
CN105354616A (zh) 一种电力计量资产数据处理装置及其在线处理方法
CN101894319A (zh) 一种烟草企业数据质量管理系统及方法
US20150039555A1 (en) Heuristically modifying dbms environments using performance analytics
US20180046599A1 (en) Automatic detection of outliers in multivariate data
JP2015060259A (ja) データ分析支援システム
CN118152378B (zh) 一种智能化数据中台的建设方法及系统
CN113485989A (zh) 一种监管数据的综合分析方法、系统、介质和设备
CN117076521A (zh) 基于大数据的运营数据分析方法及系统
CN118115098A (zh) 基于深度学习的大数据分析与处理系统
US7912809B2 (en) Data management system for manufacturing enterprise and related methods
CN117453805A (zh) 一种不确定性数据的可视化分析方法
CN114968744B (zh) 一种基于金融行业容量管理预测分析ai算法的实现方法及系统
CN117171244A (zh) 基于数据中台构建的企业数据管理系统及其数据分析方法
CN116523301A (zh) 基于电商大数据进行风险评级预测的系统
JP6684777B2 (ja) 製造物良・不良判定システムおよび製造物良・不良判定方法
CN113377640B (zh) 解释业务场景下模型的方法、介质、装置和计算设备

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