CN114996936A - 设备运维方法、设备运维装置、设备运维设备及存储介质 - Google Patents

设备运维方法、设备运维装置、设备运维设备及存储介质 Download PDF

Info

Publication number
CN114996936A
CN114996936A CN202210612308.6A CN202210612308A CN114996936A CN 114996936 A CN114996936 A CN 114996936A CN 202210612308 A CN202210612308 A CN 202210612308A CN 114996936 A CN114996936 A CN 114996936A
Authority
CN
China
Prior art keywords
equipment
fault
vector
information
alarm
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
CN202210612308.6A
Other languages
English (en)
Inventor
张源升
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.)
Inspur Jinan data Technology Co ltd
Original Assignee
Inspur Jinan data 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 Inspur Jinan data Technology Co ltd filed Critical Inspur Jinan data Technology Co ltd
Priority to CN202210612308.6A priority Critical patent/CN114996936A/zh
Publication of CN114996936A publication Critical patent/CN114996936A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及计算机运行维护技术领域，具体公开了一种设备运维方法、设备运维装置、设备运维设备及存储介质，采用包括告警状态值、转换条件、正常状态值的三元组结构作为训练数据，从设备资源信息和设备告警配置信息提取训练数据、构建训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到以向量形式描述设备资源信息、设备告警配置信息等数据的关联性的设备故障诊断模型。当接收到设备告警信息时，基于设备告警信息和设备故障诊断模型，可以自动生成与设备告警信息对应的故障反馈结果供运维人员参考，减少了运维人员需要到现场进行设备故障排查的情况。

Description

设备运维方法、设备运维装置、设备运维设备及存储介质
技术领域
本申请涉及计算机运行维护技术领域，特别是涉及一种设备运维方法、设备运维装置、设备运维设备及存储介质。
背景技术
当前计算机设备的运维中需要监控设备资源信息和设备告警信息。以服务器为例，所要收集的设备资源信息主要包括服务器名称、服务器序列号、服务器的CPU利用率、服务器的端口流量数据、服务器的内存利用率、服务器的硬盘规格信息等。而对于设备告警信息，所有的信息源自于设备本身，由厂商定义，设备产生告警后通过Trap(Linux命令)或者超文本传输协议(Hyper Text Transfer Protocol，HTTP)的形式推送到运维平台，由运维平台对告警报文进行解析后，通过文字的形式展示且支持发送设备告警信息给运维人员。
运维人员在接收到设备告警信息后，需要根据设备资源信息和设备告警信息排查设备故障原因并进行维护。然而，由于设备告警信息只能给出设备告警的表现，如某参数超标，仅仅基于设备资源信息和设备告警信息，运维人员往往无法远程判断设备故障原因，经常需要去往现场进行设备故障排查才能进行故障修复。
发明内容
本申请的目的是提供一种设备运维方法、设备运维装置、设备运维设备及存储介质，用于扩展设备故障排查能力，针对设备告警信息提供故障反馈结果供运维人员参考，减少运维人员需要到现场进行设备故障排查的情况。
为解决上述技术问题，本申请提供一种设备运维方法，包括：
根据设备资源信息和设备告警配置信息，构建训练数据集；所述训练数据集的训练数据为包括告警状态值、转换条件、正常状态值的三元组结构；
利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型；
当接收到设备告警信息时，基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果；
关联输出所述故障反馈结果与所述设备告警信息。
可选的，所述文本信息标签处理框架具体包括所述TransE模型、多层感知机模型和置信学习模块；
所述利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型，具体包括：
将包含新增实例实体的三元组、所述三元组中每一所述新增实例实体的本体概念以及每一所述新增实例实体的邻居实例实体集合输入所述TransE模型；
对所述三元组中每一所述新增实例实体均通过双层注意力机制生成所述本体概念的表征；
基于所有所述本体概念的表征与所述三元组生成所述新增实例实体的模板表征；
结合所述模板表征和所述邻居实例实体集合生成所述新增实例实体的最终表征向量；
基于所述最终表征向量评估所述三元组的合法性；
如果满足合法性要求，则利用所述最终表征向量更新所述文本信息标签处理框架的参数；
其中，所述本体概念为所述告警状态值或所述正常状态值，所述邻居实例实体集合包括所述告警状态值的关联信息和/或所述正常状态值的关联信息。
可选的，以所述告警状态值为所述三元组中的头实体，以所述正常状态值为所述三元组中的尾实体。
可选的，所述利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型，具体包括：
将所述告警状态值转换为头实体向量，将所述转换条件转换为关系向量，将所述正常状态值转换为尾实体向量；
将所述头实体向量、所述关系向量和所述尾实体向量代入距离函数，以计算所述头实体向量与所述关系向量之和与所述尾实体向量之间的向量间距；
选择最小的向量间距对应的所述头实体向量、所述关系向量和所述尾实体向量的三元组为当前迭代次数对应的正确三元组；
利用所述正确三元组更新所述文本信息标签处理框架的参数，直至将相邻两次迭代计算对应的所述正确三元组代入损失函数得到的损失值小于预设损失值，得到所述设备故障诊断模型。
可选的，所述距离函数具体通过下述等式表示：
fr(h,t)＝||h+r-t||L1/L2；
其中，fr(h,t)为所述向量间距，h为所述头实体向量，r为所述关系向量，t为所述尾实体向量，L1为曼哈顿距离，L2为欧式距离。
可选的，所述损失函数具体通过下述等式表示：
Figure BDA0003673337090000031
其中，L为所述损失函数值，h为所述头实体向量，r为所述关系向量，t为所述尾实体向量，∑(h,r,t)为h、r、t三个向量的输出，
Figure BDA0003673337090000032
为h、r、t三个向量方向的单位向量的输出，
Figure BDA0003673337090000033
为h向量方向的单位向量，
Figure BDA0003673337090000034
为r向量方向的单位向量，
Figure BDA0003673337090000035
为t向量方向的单位向量，fr(h,t)为所述向量间距，
Figure BDA0003673337090000036
为单位向量间距。
可选的，所述故障反馈结果包括故障诊断结果和/或故障修复方案。
可选的，所述基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果，具体包括：
以所述设备告警信息为所述告警状态值，自基于所述设备资源信息和所述设备告警配置信息建立的设备信息数据库中查询待选故障反馈结果；
若无法查询得到所述待选故障反馈结果，则以未查询到故障原因为所述故障反馈结果；
若仅查询得到一个所述待选故障反馈结果，则以所述待选故障反馈结果为所述故障反馈结果；
若查询得到多个所述待选故障反馈结果，则将各所述待选故障反馈结果输入所述设备故障诊断模型，得到各所述待选故障反馈结果的置信度排序结果；以所述置信度排序结果靠前的一个或多个所述待选故障反馈结果为所述故障反馈结果。
可选的，所述基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果，具体包括：
以所述设备告警信息为所述告警状态值，基于所述设备资源信息和所述设备告警配置信息建立的设备信息数据库中查询待选中间故障原因；
若无法查询得到所述待选中间故障原因，则以未查询到故障原因为所述故障反馈结果；
若仅查询得到一个所述待选中间故障原因，则以所述待选中间故障原因为中间故障原因；
若查询得到多个所述待选中间故障原因，则将各所述待选中间故障原因输入所述设备故障诊断模型，得到各所述待选中间故障原因的置信度排序结果；以所述置信度排序结果靠前的一个或多个所述待选中间故障原因为所述中间故障原因；
以所述中间故障原因为所述告警状态值，返回所述基于所述设备资源信息和所述设备告警配置信息建立的设备信息数据库中查询待选中间故障原因的步骤，直至无法查询得到所述待选中间故障原因，并以最后的所述告警状态值为所述故障反馈结果。
为解决上述技术问题，本申请还提供一种设备运维装置，包括：
构建单元，用于根据设备资源信息和设备告警配置信息，构建训练数据集；所述训练数据集的训练数据为包括告警状态值、转换条件、正常状态值的三元组结构；
训练单元，用于利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型；
计算单元，用于当接收到设备告警信息时，基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果；
输出单元，用于关联输出所述故障反馈结果与所述设备告警信息。
为解决上述技术问题，本申请还提供一种设备运维设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，所述计算机程序被所述处理器执行时实现如上述任意一项所述设备运维方法的步骤。
为解决上述技术问题，本申请还提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述设备运维方法的步骤。
本申请所提供的设备运维方法，采用包括告警状态值、转换条件、正常状态值的三元组结构作为训练数据，从设备资源信息和设备告警配置信息提取训练数据、构建训练数据集，利用训练数据集对基于TransE模型搭建的文本信息标签处理框架进行训练，得到以向量形式描述设备资源信息、设备告警配置信息等数据的关联性的设备故障诊断模型。当接收到设备告警信息时，基于设备告警信息和设备故障诊断模型，可以自动生成与设备告警信息对应的故障反馈结果供运维人员参考，而不仅仅是只提供设备告警信息。故本申请提供的设备运维方法扩展了运维平台的设备故障排查能力，减少了运维人员需要到现场进行设备故障排查的情况。
本申请还提供一种设备运维装置、设备运维设备及存储介质，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种设备运维方法的流程图；
图2为本申请实施例提供的一种设备运维装置的结构示意图；
图3为本申请实施例提供的一种设备运维设备的结构示意图。
具体实施方式
本申请的核心是提供一种设备运维方法、设备运维装置、设备运维设备及存储介质，用于扩展设备故障排查能力，针对设备告警信息提供故障反馈结果供运维人员参考，减少运维人员需要到现场进行设备故障排查的情况。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
实施例一
图1为本申请实施例提供的一种设备运维方法的流程图。
如图1所示，本申请实施例提供的设备运维方法包括：
S101：根据设备资源信息和设备告警配置信息，构建训练数据集。
训练数据集的训练数据为包括告警状态值、转换条件、正常状态值的三元组结构。
S102：利用训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型。
S103：当接收到设备告警信息时，基于设备告警信息和设备故障诊断模型，得到与设备告警信息对应的故障反馈结果。
S104：关联输出故障反馈结果与设备告警信息。
现有的设备告警配置只能给出故障表现，即只能告知运维人员有故障发生了，具体为某指标异常等。即使通过设置故障码以及对应的运维方案的方法，也只能实现对设备底层指标超标的故障类型检测和应对策略，而无法给出较为复杂的设备故障排查结果。尤其在大型机房的运行维护中，每当设备发出设备告警信息，往往都需要运维人员到现场进行故障排查以及维护。
针对该问题，本申请实施例提供的设备运维方法利用TransE算法模型对数据标识的优势，对资源监控、告警监控和信息反馈流程进行重新梳理。
本申请实施例提供的设备运维方法在软件上可以基于设备监控平台或运维平台实现，在硬件上可以基于设备监控服务器实现，用于为运维人员和用户提供在设备告警信息的基础上进一步的故障排查结果。
具体来说，对于S101，可以将设备资源信息和设备告警配置信息创建为知识图谱(Knowledge Graph)。
设备资源信息可以包括服务器名称、服务器序列号、服务器的CPU利用率、服务器的端口流量数据、服务器的内存利用率、服务器的硬盘规格信息等。设备告警配置信息主要包括设备厂商所配置的与故障信号对应的告警机制，也可以包括设备出厂后由用户自定义的告警配置信息。
知识图谱在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。在本申请实施例中，从设备资源信息和设备告警配置信息两方面构建设备监控的知识图谱，根据不同信息的类型给运维人员提供不同的显示形式。
对于设备资产信息，可以将之拆分为静态资产信息和动态性能信息。静态资产信息指基本不变的数据，例如设备名、序列号等。动态性能信息指实时变化的数据，例如端口流量、字节接受数量等。动态性能信息可以通过所在平台将其数据处理成趋势图便于更加主观的捕获设备性能变化趋势。静态资产信息可以再拆分为文字信息和视频信息，视频信息即监控探头对设备的实时监控录像，其视频录像中主要展示该设备的录像信息和声音信息，能够方便运维人员直观的查看和听到设备的风扇声、外观等信息，可以对设备状态有更加全面的掌握，便于远程维护。
在有新设备加入监控对象后或在对已有监控对象的监控过程中，不断执行设备资产信息上报的过程以更新知识图谱。
在本申请实施例中，设备资产信息上报过程可以包括：
定期访问获取设备资源得到设备信息或接收设备主动推送的设备信息；
若设备信息为设备资源信息，则将其中的文字信息以文字资产信息的标准化格式进行入库，将其中的非文字信息以视频信息的标准化可是进行保存；
若设备信息不为设备资源信息，则确定接收到的设备信息为设备性能信息，基于时间将设备性能信息生成趋势图，控制在运维人员的监控页面中进行显示；
接受运维人员查看监控页面获得设备性能信息或访问设备信息数据库获得设备资源信息。
对于设备告警配置信息，同样也将对应的设备告警信息在设备运维平台上推送，供运维人员远程查看设备的告警情况。
在将设备资源信息和设备告警配置信息创建为知识图谱时，不仅要形成检索机制，还需要挖掘数据之间的关系，对多数据进行连接处理和分类处理。TransE是一种采用相较于现有常用的OWL、RDF这种本体语言来描述的知识图谱来说更为简洁的、以向量形式描述知识图谱的方法。通过TransE对知识图谱进行翻译表达，则不仅能简洁地体现设备资源信息和设备告警配置信息，还能够体现数据之间的关联关系。
基于此，故针对本申请实施例所要解决的扩展设备运维平台的设备故障排查能力的问题，训练TransE算法模型以学习设备资源信息和设备告警配置信息中涉及到的数据之间的关联关系。则根据TransE算法模型的要求以及设备故障排查问题，基于设备资源信息和设备告警配置信息，构建包括与设备故障排查相关的告警状态值、转换条件、正常状态值的三元组结构的训练数据，形成训练数据集。例如，端口断开是一个故障表现，即告警状态值，而端口连通为该故障表现对应的正常状态，即正常状态值，而造成从端口连通状态到端口断开状态的原因可能是端口被拔除、远程控制掉电、自身服务器掉电、其他端口断开的影响、带宽不足等，这些均可以作为从端口连通到端口断开的转换关系。反之亦然，例如端口插入也可以作为从端口断开到端口连通的转换关系。
除了提供训练数据集之外，设备资源信息和设备告警配置信息等数据还可以提供给运维人员进行查询数据用，故可以将设备资源信息和设备告警配置信息创建为设备信息数据库，具体可以采用SQL Server 2005对海量数据进行存储。
对于S102，利用上述的训练数据集对基于TransE模型搭建的文本信息标签处理框架进行训练，即通过TransE模型学习对设备的知识图谱进行翻译表达，得到设备故障诊断模型。
对于S103，当接收到设备告警信息时，基于设备告警信息和设备故障诊断模型，得到与设备告警信息对应的故障反馈结果。故障反馈结果是对设备告警信息的信息扩充，可以是故障诊断结果，也可以是故障修复方案，或二者兼有。例如，对于端口断开状态到端口连通状态来说，可以认为端口被拔除为故障诊断结果，则将端口插入为故障修复方案。
当接收到设备告警信息时，可以先根据设备告警信息在设备信息数据库中查询得到参考的故障反馈结果，再将参考的故障反馈结果输入训练好的设备故障诊断模型中，快速得到各参考的故障反馈结果的参考价值。
故S103中基于设备告警信息和设备故障诊断模型，得到与设备告警信息对应的故障反馈结果，具体可以包括：
以设备告警信息为告警状态值，自基于设备资源信息和设备告警配置信息建立的设备信息数据库中查询待选故障反馈结果；
若无法查询得到待选故障反馈结果，则以未查询到故障原因为故障反馈结果；
若仅查询得到一个待选故障反馈结果，则以待选故障反馈结果为故障反馈结果；
若查询得到多个待选故障反馈结果，则将各待选故障反馈结果输入设备故障诊断模型，得到各待选故障反馈结果的置信度排序结果；以置信度排序结果靠前的一个或多个待选故障反馈结果为故障反馈结果。
为提高从设备信息数据库中成功查询到待选故障反馈结果的概率，优选地将设备信息数据库运行于高流量、高带宽、高速率的监控设备上，同时建立广泛的索引以及利用模糊查询的方法对待选故障反馈结果进行检索，再通过设备故障诊断模型进行最佳匹配，得到一个或多个供运维人员参考的故障诊断结果或故障修复方案。
若在设备信息数据库中通过关键字模糊查询的结果为空，则直接将设备告警信息上报给运维人员，或同时上报“未查询到故障原因”。
若在设备信息数据库中通过关键字模糊查询到一个结果，则可以直接以得到的故障反馈结果对应的可执行指令进行自动修复。
若在设备信息数据库中通过关键字模糊查询到多个结果，则需要利用基于TransE模型搭建的文本信息标签处理框架训练得到的设备故障诊断模型中对多个结果进行处理。关联规则就是通过对数据的挖掘和分析，找出数据与数据之间的关联性。例如当设备告警信息为“服务器风扇转速超阈值”时，对“服务器风扇转速超阈值”所有匹配到的数据进行分析，计算关联规则支持度，再得出关联性后计算关联规则的置信度，最后分析关联规则的提升度。判断关联规则推荐效果的依据即是关联规则的提升度，这个提升度同时依赖得到的故障排查结果是否准确或得到的故障修复方法是否可执行，执行后是否恢复服务的结果。
为进一步加快设备故障恢复，可以将通过设备故障诊断模型进行最佳匹配得到的故障修复方案中被运维人员选中执行次数排行靠前的预设个故障修复方案，乃至运维人员设置的故障修复方案，专门建立缓存，从而提高检索效率。
对于S104，在得到故障反馈结果后，将故障反馈结果与设备告警信息关联输出，以给运维人员提供更多的参考信息。
则基于本申请实施例提供的设备运维方法，改原本设备上传设备告警信息、设备监控平台以文字形式上报设备告警信息、运维人员到现场进行设备故障排查和修复的传统运维模式，由设备上传设备告警信息到设备监控平台后，设备监控平台一方面以文字、视频等多种形式向运维人员上报监控信息，另一方面根据预设的自动修复方案或运维人员发布的修复指令对设备进行修复。
本申请实施例提供的设备运维方法，采用包括告警状态值、转换条件、正常状态值的三元组结构作为训练数据，从设备资源信息和设备告警配置信息提取训练数据、构建训练数据集，利用训练数据集对基于TransE模型搭建的文本信息标签处理框架进行训练，得到以向量形式描述设备资源信息、设备告警配置信息等数据的关联性的设备故障诊断模型。当接收到设备告警信息时，基于设备告警信息和设备故障诊断模型，可以自动生成与设备告警信息对应的故障反馈结果供运维人员参考，而不仅仅是只提供设备告警信息。故本申请实施例提供的设备运维方法扩展了运维平台的设备故障排查能力，减少了运维人员需要到现场进行设备故障排查的情况。
实施例二
基于TransE模型搭建的文本信息标签处理框架可以有多种形式，主要需包括TransE模型、分类器和置信学习模块。在本申请实施例提供的设备运维方法中，提供一种以多层感知机模型为分类器的文本信息标签处理框架。
则在本申请实施例提供的设备运维方法中，文本信息标签处理框架具体包括TransE模型、多层感知机模型和置信学习模块。
S102：利用训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型，具体包括：
将包含新增实例实体的三元组、三元组中每一新增实例实体的本体概念以及每一新增实例实体的邻居实例实体集合输入TransE模型；
对三元组中每一新增实例实体均通过双层注意力机制生成本体概念的表征；
基于所有本体概念的表征与三元组生成新增实例实体的模板表征；
结合模板表征和邻居实例实体集合生成新增实例实体的最终表征向量；
基于最终表征向量评估三元组的合法性；
如果满足合法性要求，则利用最终表征向量更新文本信息标签处理框架的参数；
其中，本体概念为告警状态值或正常状态值，邻居实例实体集合包括告警状态值的关联信息和/或正常状态值的关联信息。
具体来说，在本申请实施例提供的设备运维方法中，在针对基于TransE模型搭建的文本信息标签处理框架进行训练时，从训练数据集中取出一个包含新增实体实例(可以是头实体、尾实体或兼有)的三元组，同时给定三元组中每一个新增实体实例的本体概念(告警状态值、正常状态值或兼有)以及邻居实例实体集合(即已经确定的与新增实体实例具有关联的实体)。
对三元组中每一新增实体实例的每一本体概念通过双层注意力机制生成本体概念的表征，即得到与告警状态值或正常状态值关联的所有转换关系。
进而基于所有本体概念的表征与包含新增实体实例的三元组生成新增实体实例的模板表征，即根据各关联的转换关系汇总得到新增实例实体的待选转换关系，再结合邻居实例实体集合(已经确定的与新增实体实例具有关联的实体)得到新增实体实例的最终表征向量，即最终的转换关系。
基于新增实体实例的最终表征向量评估新增实例实体的三元组的合法性，即是否满足告警状态值与正常状态值之间可以通过最终的转换关系进行转换，如果满足，则利用该包含新增实体实例和最终的转换关系的三元组更新基于TransE模型搭建的文本信息标签处理框架的参数，即更新设备的知识图谱。
基于本申请实施例提供的模型训练方法，可以快速对训练数据集中的三元组数据进行学习，最终得到能够用于设备故障排查和设备维护方案推送的设备故障诊断模型。
头实体到尾实体之间的转换是相互的，在本申请实施例中，可以以告警状态值为三元组中的头实体，以正常状态值为三元组中的尾实体，得到新增实体实例的最终表征向量即最终的转换关系为告警状态值到正常状态值的转换关系。
实施例三
在上述实施例一中提到，在自设备信息数据库中查询得到多个待选故障反馈结果时，需要利用基于TransE模型搭建的文本信息标签处理框架训练得到的设备故障诊断模型中对多个结果进行处理，具体为挖掘设备告警信息的关联规则，确定与设备告警信息关联的每个转换关系的置信度，并分析各转换关系作用于设备告警信息对应的告警状态值之后能否得到对应的正常状态值。
TransE模型研究的一个基本的出发点就在于通过定义距离函数来度量头实体向量h与关系向量r之和与尾实体向量t之间的间距，然后进一步调整头实体向量h、尾实体向量t之间的具体关系，尽量使(h+r)和t等价。
则在本申请实施例提供的设备运维方法中，S102：利用训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型，具体包括：
将告警状态值转换为头实体向量，将转换条件转换为关系向量，将正常状态值转换为尾实体向量；
将头实体向量、关系向量和尾实体向量代入距离函数，以计算头实体向量与关系向量之和与尾实体向量之间的向量间距；
选择最小的向量间距对应的头实体向量、关系向量和尾实体向量的三元组为当前迭代次数对应的正确三元组；
利用正确三元组更新文本信息标签处理框架的参数，直至将相邻两次迭代计算对应的正确三元组代入损失函数得到的损失值小于预设损失值，得到设备故障诊断模型。
进一步的，本申请实施例提供一种距离函数，具体通过下述等式表示：
fr(h,t)＝||h+r-t||L1/L2；
其中，fr(h,t)为向量间距，h为头实体向量，r为关系向量，t为尾实体向量，L1为曼哈顿距离，L2为欧式距离。
针对训练数据集中出现的正确三元组，距离函数的结果应该尽量低；而针对训练数据集中不存在的问题三元组，距离函数的数值必须要比正确三元组的数值要大。
之后，TransE使用损失函数来测试和描述算法的有效性，在本申请实施例中，损失函数具体可以通过下述等式表示：
Figure BDA0003673337090000131
其中，L为损失函数值，h为头实体向量，r为关系向量，t为尾实体向量，∑(h,r,t)为损失函数结果，即h、r、t三个向量的输出，
Figure BDA0003673337090000132
为h、r、t三个向量方向的单位向量的输出，
Figure BDA0003673337090000133
为h向量方向的单位向量，
Figure BDA0003673337090000134
为r向量方向的单位向量，
Figure BDA0003673337090000135
为t向量方向的单位向量，fr(h,t)为向量间距，
Figure BDA0003673337090000136
为单位向量间距。
实施例四
在上述实施例一中，提供了一种当自设备信息数据库中查到不同数量的待选故障反馈结果时的处理办法。在实际应用中，往往设备告警信息只是故障表象，且造成这种故障表象的直接原因并非根本原因，例如当设备告警信息为端口断开时，从端口断开到端口连通的转换关系可以为带宽不足，但仅仅是知道带宽不足这个故障原因也无法解决端口断开的问题，还需要挖掘更为根本的故障原因，则带宽不足就是一个中间故障原因。而可以理解的是，中间故障原因也可以作为告警状态值，进一步去挖掘其与正常状态值之间的转换关系，直至得到可供操作的故障排查结果或故障修复方法。
故在本申请实施例提供的设备运维方法中，S103：基于设备告警信息和设备故障诊断模型，得到与设备告警信息对应的故障反馈结果，具体包括：
以设备告警信息为告警状态值，基于设备资源信息和设备告警配置信息建立的设备信息数据库中查询待选中间故障原因；
若无法查询得到待选中间故障原因，则以未查询到故障原因为故障反馈结果；
若仅查询得到一个待选中间故障原因，则以待选中间故障原因为中间故障原因；
若查询得到多个待选中间故障原因，则将各待选中间故障原因输入设备故障诊断模型，得到各待选中间故障原因的置信度排序结果；以置信度排序结果靠前的一个或多个待选中间故障原因为中间故障原因；
以中间故障原因为告警状态值，返回基于设备资源信息和设备告警配置信息建立的设备信息数据库中查询待选中间故障原因的步骤，直至无法查询得到待选中间故障原因，并以最后的告警状态值为故障反馈结果。
即是说，在基于设备信息数据库检索到与设备告警信息关联的故障原因后，继续以故障原因为中间节点去探寻造成这种故障原因的深层故障原因，直至无法自设备信息数据库中检索得到关联的故障原因。而后可以将自设备告警信息、中间故障原因到最终得到的故障原因以故障产生逻辑的形式呈现给运维人员。
上文详述了设备运维方法对应的各个实施例，在此基础上，本申请还公开了与上述方法对应的设备运维装置、设备运维设备及存储介质。
实施例五
图2为本申请实施例提供的一种设备运维装置的结构示意图。
如图2所示，本申请实施例提供的设备运维装置包括：
构建单元201，用于根据设备资源信息和设备告警配置信息，构建训练数据集；训练数据集的训练数据为包括告警状态值、转换条件、正常状态值的三元组结构；
训练单元202，用于利用训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型；
计算单元203，用于当接收到设备告警信息时，基于设备告警信息和设备故障诊断模型，得到与设备告警信息对应的故障反馈结果；
输出单元204，用于关联输出故障反馈结果与设备告警信息。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
实施例六
图3为本申请实施例提供的一种设备运维设备的结构示意图。
如图3所示，本申请实施例提供的设备运维设备包括：
存储器310，用于存储计算机程序311；
处理器320，用于执行计算机程序311，该计算机程序311被处理器320执行时实现如上述任意一项实施例所述设备运维方法的步骤。
其中，处理器320可以包括一个或多个处理核心，比如3核心处理器、8核心处理器等。处理器320可以采用数字信号处理DSP(Digital Signal Processing)、现场可编程门阵列FPGA(Field－Programmable Gate Array)、可编程逻辑阵列PLA(Programmable LogicArray)中的至少一种硬件形式来实现。处理器320也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器CPU(CentralProcessing Unit)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器320可以集成有图像处理器GPU(Graphics Processing Unit)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器320还可以包括人工智能AI(Artificial Intelligence)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器310可以包括一个或多个存储介质，该存储介质可以是非暂态的。存储器310还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器310至少用于存储以下计算机程序311，其中，该计算机程序311被处理器320加载并执行之后，能够实现前述任一实施例公开的设备运维方法中的相关步骤。另外，存储器310所存储的资源还可以包括操作系统312和数据313等，存储方式可以是短暂存储或者永久存储。其中，操作系统312可以为Windows。数据313可以包括但不限于上述方法所涉及到的数据。
在一些实施例中，设备运维设备还可包括有显示屏330、电源340、通信接口350、输入输出接口360、传感器370以及通信总线380。
本领域技术人员可以理解，图3中示出的结构并不构成对设备运维设备的限定，可以包括比图示更多或更少的组件。
本申请实施例提供的设备运维设备，包括存储器和处理器，处理器在执行存储器存储的程序时，能够实现如上所述的设备运维方法，效果同上。
实施例七
需要说明的是，以上所描述的装置、设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本申请各个实施例所述方法的全部或部分步骤。
为此，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，计算机程序被处理器执行时实现如设备运维方法的步骤。
该存储介质可以包括：U盘、移动硬盘、只读存储器ROM(Read-Only Memory)、随机存取存储器RAM(Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例中提供的存储介质所包含的计算机程序能够在被处理器执行时实现如上所述的设备运维方法的步骤，效果同上。
以上对本申请所提供的一种设备运维方法、设备运维装置、设备运维设备及存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，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。

Claims (12)

1.一种设备运维方法，其特征在于，包括：
根据设备资源信息和设备告警配置信息，构建训练数据集；所述训练数据集的训练数据为包括告警状态值、转换条件、正常状态值的三元组结构；
利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型；
当接收到设备告警信息时，基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果；
关联输出所述故障反馈结果与所述设备告警信息。
2.根据权利要求1所述的设备运维方法，其特征在于，所述文本信息标签处理框架具体包括所述TransE模型、多层感知机模型和置信学习模块；
所述利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型，具体包括：
将包含新增实例实体的三元组、所述三元组中每一所述新增实例实体的本体概念以及每一所述新增实例实体的邻居实例实体集合输入所述TransE模型；
对所述三元组中每一所述新增实例实体均通过双层注意力机制生成所述本体概念的表征；
基于所有所述本体概念的表征与所述三元组生成所述新增实例实体的模板表征；
结合所述模板表征和所述邻居实例实体集合生成所述新增实例实体的最终表征向量；
基于所述最终表征向量评估所述三元组的合法性；
如果满足合法性要求，则利用所述最终表征向量更新所述文本信息标签处理框架的参数；
其中，所述本体概念为所述告警状态值或所述正常状态值，所述邻居实例实体集合包括所述告警状态值的关联信息和/或所述正常状态值的关联信息。
3.根据权利要求2所述的设备运维方法，其特征在于，以所述告警状态值为所述三元组中的头实体，以所述正常状态值为所述三元组中的尾实体。
4.根据权利要求1所述的设备运维方法，其特征在于，所述利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型，具体包括：
将所述告警状态值转换为头实体向量，将所述转换条件转换为关系向量，将所述正常状态值转换为尾实体向量；
将所述头实体向量、所述关系向量和所述尾实体向量代入距离函数，以计算所述头实体向量与所述关系向量之和与所述尾实体向量之间的向量间距；
选择最小的向量间距对应的所述头实体向量、所述关系向量和所述尾实体向量的三元组为当前迭代次数对应的正确三元组；
利用所述正确三元组更新所述文本信息标签处理框架的参数，直至将相邻两次迭代计算对应的所述正确三元组代入损失函数得到的损失值小于预设损失值，得到所述设备故障诊断模型。
5.根据权利要求4所述的设备运维方法，其特征在于，所述距离函数具体通过下述等式表示：
fr(h,t)＝||h+r-t||L1/L2；
其中，fr(h,t)为所述向量间距，h为所述头实体向量，r为所述关系向量，t为所述尾实体向量，L1为曼哈顿距离，L2为欧式距离。
6.根据权利要求4所述的设备运维方法，其特征在于，所述损失函数具体通过下述等式表示：
Figure FDA0003673337080000021
其中，L为所述损失函数值，h为所述头实体向量，r为所述关系向量，t为所述尾实体向量，∑(h,r,t)为h、r、t三个向量的输出，
Figure FDA0003673337080000022
为h、r、t三个向量方向的单位向量的输出，
Figure FDA0003673337080000023
为h向量方向的单位向量，
Figure FDA0003673337080000024
为r向量方向的单位向量，
Figure FDA0003673337080000025
为t向量方向的单位向量，fr(h,t)为所述向量间距，
Figure FDA0003673337080000026
为单位向量间距。
7.根据权利要求1所述的设备运维方法，其特征在于，所述故障反馈结果包括故障诊断结果和/或故障修复方案。
8.根据权利要求1所述的设备运维方法，其特征在于，所述基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果，具体包括：
以所述设备告警信息为所述告警状态值，自基于所述设备资源信息和所述设备告警配置信息建立的设备信息数据库中查询待选故障反馈结果；
若无法查询得到所述待选故障反馈结果，则以未查询到故障原因为所述故障反馈结果；
若仅查询得到一个所述待选故障反馈结果，则以所述待选故障反馈结果为所述故障反馈结果；
若查询得到多个所述待选故障反馈结果，则将各所述待选故障反馈结果输入所述设备故障诊断模型，得到各所述待选故障反馈结果的置信度排序结果；以所述置信度排序结果靠前的一个或多个所述待选故障反馈结果为所述故障反馈结果。
9.根据权利要求1所述的设备运维方法，其特征在于，所述基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果，具体包括：
以所述设备告警信息为所述告警状态值，基于所述设备资源信息和所述设备告警配置信息建立的设备信息数据库中查询待选中间故障原因；
若无法查询得到所述待选中间故障原因，则以未查询到故障原因为所述故障反馈结果；
若仅查询得到一个所述待选中间故障原因，则以所述待选中间故障原因为中间故障原因；
若查询得到多个所述待选中间故障原因，则将各所述待选中间故障原因输入所述设备故障诊断模型，得到各所述待选中间故障原因的置信度排序结果；以所述置信度排序结果靠前的一个或多个所述待选中间故障原因为所述中间故障原因；
以所述中间故障原因为所述告警状态值，返回所述基于所述设备资源信息和所述设备告警配置信息建立的设备信息数据库中查询待选中间故障原因的步骤，直至无法查询得到所述待选中间故障原因，并以最后的所述告警状态值为所述故障反馈结果。
10.一种设备运维装置，其特征在于，包括：
构建单元，用于根据设备资源信息和设备告警配置信息，构建训练数据集；所述训练数据集的训练数据为包括告警状态值、转换条件、正常状态值的三元组结构；
训练单元，用于利用所述训练数据集，对基于TransE模型搭建的文本信息标签处理框架进行训练，得到设备故障诊断模型；
计算单元，用于当接收到设备告警信息时，基于所述设备告警信息和所述设备故障诊断模型，得到与所述设备告警信息对应的故障反馈结果；
输出单元，用于关联输出所述故障反馈结果与所述设备告警信息。
11.一种设备运维设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9任意一项所述设备运维方法的步骤。
12.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任意一项所述设备运维方法的步骤。
CN202210612308.6A 2022-05-31 2022-05-31 设备运维方法、设备运维装置、设备运维设备及存储介质 Pending CN114996936A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210612308.6A CN114996936A (zh) 2022-05-31 2022-05-31 设备运维方法、设备运维装置、设备运维设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210612308.6A CN114996936A (zh) 2022-05-31 2022-05-31 设备运维方法、设备运维装置、设备运维设备及存储介质

Publications (1)

Publication Number Publication Date
CN114996936A true CN114996936A (zh) 2022-09-02

Family

ID=83031489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210612308.6A Pending CN114996936A (zh) 2022-05-31 2022-05-31 设备运维方法、设备运维装置、设备运维设备及存储介质

Country Status (1)

Country Link
CN (1) CN114996936A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587978A (zh) * 2022-10-08 2023-01-10 盐城工学院 一种基于深度学习的地板革贴合压纹在线检测系统
CN116430817A (zh) * 2023-04-26 2023-07-14 同心县启胜新能源科技有限公司 应用于光伏组件生产系统的数据采集处理方法及系统
CN118550753A (zh) * 2024-07-29 2024-08-27 济南浪潮数据技术有限公司 云平台故障修复方法、装置、主机设备、程序产品及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115587978A (zh) * 2022-10-08 2023-01-10 盐城工学院 一种基于深度学习的地板革贴合压纹在线检测系统
CN116430817A (zh) * 2023-04-26 2023-07-14 同心县启胜新能源科技有限公司 应用于光伏组件生产系统的数据采集处理方法及系统
CN116430817B (zh) * 2023-04-26 2023-09-29 同心县启胜新能源科技有限公司 应用于光伏组件生产系统的数据采集处理方法及系统
CN118550753A (zh) * 2024-07-29 2024-08-27 济南浪潮数据技术有限公司 云平台故障修复方法、装置、主机设备、程序产品及系统

Similar Documents

Publication Publication Date Title
CN113723632B (zh) 一种基于知识图谱的工业设备故障诊断方法
CN114996936A (zh) 设备运维方法、设备运维装置、设备运维设备及存储介质
US9053436B2 (en) Methods and system for providing simultaneous multi-task ensemble learning
CN112148772A (zh) 告警根因识别方法、装置、设备和存储介质
CN111414491A (zh) 一种电网行业知识图谱构建方法和装置以及设备
CN114026828B (zh) 用于监控通信网络的设备和方法
CN112579789A (zh) 一种设备故障诊断的方法和装置及设备
CN107111609B (zh) 用于神经语言行为识别系统的词法分析器
CN112433874A (zh) 一种故障定位方法、系统、电子设备及存储介质
CN116225760A (zh) 一种基于运维知识图谱的实时根因分析方法
CN113704420A (zh) 文本中的角色识别方法、装置、电子设备及存储介质
CN115170344A (zh) 调控系统运行事件智能处理方法及装置、介质及设备
CN117675691B (zh) 路由器的远程故障监控方法、装置、设备及存储介质
Ba et al. Automated configuration of heterogeneous graph neural networks with a semantic math parser for iot systems
Zheng et al. Multi-modal Causal Structure Learning and Root Cause Analysis
CN116484016B (zh) 一种基于时序路径自动维护的时序知识图谱推理方法和系统
Dutta et al. Big data architecture for environmental analytics
CN116225848A (zh) 日志监测方法、装置、设备和介质
CN118057327A (zh) 基于知识图谱的it系统告警数据处理方法及装置
CN113254468B (zh) 一种装备的故障查询及推理方法
GB2572760A (en) Method and system for generating insight
CN115269862A (zh) 一种基于知识图谱的电力问答与可视化系统
CN114036319A (zh) 一种电力知识抽取方法、系统、装置及存储介质
CN112214660A (zh) 工业信息标识与检索系统
CN115249133B (zh) 一种基于宽度学习网络的建筑施工过程风险分类方法

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