CN115357470B - 信息生成方法、装置、电子设备和计算机可读介质 - Google Patents

信息生成方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN115357470B
CN115357470B CN202211290512.7A CN202211290512A CN115357470B CN 115357470 B CN115357470 B CN 115357470B CN 202211290512 A CN202211290512 A CN 202211290512A CN 115357470 B CN115357470 B CN 115357470B
Authority
CN
China
Prior art keywords
index
target
information
indexes
determining
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
Application number
CN202211290512.7A
Other languages
English (en)
Other versions
CN115357470A (zh
Inventor
李深山
高翔
陈曦
张海超
张晓波
吴婧博
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.)
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Beijing Guodiantong Network 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 State Grid Information and Telecommunication Co Ltd, Beijing Guodiantong Network Technology Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202211290512.7A priority Critical patent/CN115357470B/zh
Publication of CN115357470A publication Critical patent/CN115357470A/zh
Application granted granted Critical
Publication of CN115357470B publication Critical patent/CN115357470B/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
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored 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
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/362—Software debugging
    • G06F11/366—Software debugging using diagnostics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开的实施例公开了信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息；对目标日志记录信息进行日志分析处理，以生成分析结果信息；响应于确定分析结果信息表征目标指标存在异常，确定预先构建的指标树中与目标指标存在关联关系的指标，作为关联指标；根据关联指标集合中的关联指标对应的日志记录信息和目标日志记录信息，确定目标指标对应的指标异常类型信息；生成指标异常类型信息对应的异常处理信息；将异常处理信息发送至目标终端。该实施方式提高了排障效率和准确度。

Description

信息生成方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及信息生成方法、装置、电子设备和计算机可读介质。
背景技术
随着互联网相关技术的发展，业务流的复杂程度也在不断增加，由此，导致在业务请求处理过程中出现异常的频率也随之增加。目前，针对异常的处理，通常采用的方式是：通过人工的方式进行异常排查。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，采用人工的方式进行排障，较为依赖人的经验，且随着业务流复杂程度的不断增加，排障效率低下；
第二，由于异常的发生往往具有关联性，采用人工逐一排障的方式，排障准确度低下。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了信息生成方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种信息生成方法，该方法包括：响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，上述目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录；对上述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，上述分析结果信息表征上述目标指标是否存在异常；响应于确定上述分析结果信息表征上述目标指标存在异常，确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合；根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息；生成上述指标异常类型信息对应的异常处理信息；将上述异常处理信息发送至目标终端，其中，上述目标终端与异常处理人员相关联。
第二方面，本公开的一些实施例提供了一种信息生成装置，装置包括：获取单元，被配置成响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，上述目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录；日志分析处理单元，被配置成对上述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，上述分析结果信息表征上述目标指标是否存在异常；第一确定单元，被配置成响应于确定上述分析结果信息表征上述目标指标存在异常，确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合；第二确定单元，被配置成根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息；生成单元，被配置成生成上述指标异常类型信息对应的异常处理信息；发送单元，被配置成将上述异常处理信息发送至目标终端，其中，上述目标终端与异常处理人员相关联。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成方法，提高了排障效率和排障准确度。具体来说，造成排障效率低下的原因在于：第一，采用人工的方式进行排障，较为依赖人的经验，且随着业务流程的不断增加，排障效率低下；第二，由于异常的发生往往具有关联性，采用人工逐一排障的方式，排障准确率低下。基于此，本公开的一些实施例的信息生成方法，首先，响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，上述目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录。实际情况中，当检测到告警信息时表征可能存在异常，因此，当检测到告警信息时进行日志信息的拉取。其次，对上述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，上述分析结果信息表征上述目标指标是否存在异常。通过对日志文件进行分析，以此确定是否存在异常。接着，响应于确定上述分析结果信息表征上述目标指标存在异常，确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合。进一步，根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息。由于异常的发生往往具有关联性，因此，通过相关联的指标对应的日志记录，以此确定异常类型。此外，生成上述指标异常类型信息对应的异常处理信息。通过异常类型，生成对应的排障信息。最后，将上述异常处理信息发送至目标终端，其中，上述目标终端与异常处理人员相关联。通过此种方式实现了异常的自动化定位以及异常对应的处理信息的自动化确定，大大提高了排障效率和准确度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的信息生成方法的一些实施例的流程图；
图2是根据本公开的信息生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
继续参考图1，示出了根据本公开的信息生成方法的一些实施例的流程100。该信息生成方法，包括以下步骤：
步骤101，响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息。
在一些实施例中，信息生成方法的执行主体（例如，计算设备）可以响应于检测到针对目标指标的告警信息，通过有线连接或无线连接的方式，获取目标指标对应的目标日志记录信息。其中，目标指标可以是用于对业务流是否运行正常进行监控的指标。告警信息可以是用于提示目标指标监控的业务流疑似出现异常的信息。目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录。日志记录信息可以是上述目标指标监控的业务流的运行记录信息。上述目标时间段的时长可以是预先设定的。例如，上述目标时间段的时长可以是1小时。上述目标时间段的结束时间点是产生上述告警信息的时间点。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目的计算设备。
步骤102，对目标日志记录信息进行日志分析处理，以生成分析结果信息。
在一些实施例中，上述执行主体可以对目标日志记录信息进行日志分析处理，以生成分析结果信息。其中，分析结果信息表征上述目标指标是否存在异常。
作为示例，上述执行主体可以将目标日志记录信息中的日志记录和预先构建的异常记录库中的异常记录进行特征对比，以实现目标日志记录信息的日志分析处理，进而生成分析结果信息。其中，异常记录库中包含了各个指标对应的、历史出现的异常记录。
在一些实施例的一些可选的实现方式中，上述执行主体对目标日志记录信息进行日志分析处理，以生成分析结果信息，可以包括以下步骤：
第一步，响应于确定上述目标日志记录信息内的数据为结构化数据，对上述目标日志记录信息进行信息抽取，以生成行为记录信息序列。
其中，行为记录信息序列中的行为记录信息表征上述目标指标对应的数据操作记录。数据操作记录表征上述目标指标监控的业务流在上述目标时间段内的行为记录。
作为示例，上述执行主体可以根据目标日志记录信息对应的文件类型，以此确定目标日志记录信息内的数据是否为结构化数据。例如，文件类型为“.json”。则上述目标日志记录信息内的数据是结构化数据。
第二步，响应于确定上述目标日志记录信息内的数据为非结构化数据，对上述目标日志记录信息进行文本处理，以生成上述行为记录信息序列。
作为示例，上述执行主体可以通过OCR（Optical Character Recognition，光学字符识别）技术，对上述目标日志记录信息进行文本处理，以生成上述行为记录信息序列。
第三步，创建测试容器。
其中，测试容器对应的容器配置文件与上述目标日志记录信息对应的运行环境配置文件一致。容器配置文件是保证容器正常运行的配置文件。运行环境配置文件是执行上述目标日志记录信息包括的数据操作记录的执行主体的运行环境文件。
例如，上述测试容器可以是Docker容器。
第四步，响应于确定上述测试容器创建完毕，对于上述行为记录信息序列中的每个行为记录信息，在上述测试容器内运行上述行为记录信息对应的执行语句，以生成执行结果信息。
其中，执行结果信息表征行为记录信息对应的执行语句的执行结果。执行结果信息包括：状态标识信息。状态标识信息表征执行结果的类别。
第五步，响应于确定得到的执行结果信息集合中存在至少一个目标执行结果信息，根据上述至少一个目标执行结果信息，生成上述分析结果信息。
其中，目标执行结果信息包括的状态标识信息表征目标执行结果信息对应的执行语句执行异常。
作为示例，上述分析结果信息可以包括：至少一个目标执行结果信息。
实际情况中，当出现疑似异常需要对日志记录进行复现排查时，往往需要对日志记录对应执行语句进行复现执行，以根据执行结果进行异常定位。但在实际工作环境中复现执行语句可能会对数据库中数据遭到破坏。因此，通过在测试容器内进行执行语句复现，不会对实际工作环境中的数据造成破坏。
可选地，上述对上述目标日志记录信息进行文本处理，以生成上述行为记录信息序列，可以包括以下步骤：
第一步，通过预先训练的文本识别模型包括的字符特征提取模型对上述目标日志记录信息进行字符识别，以生成候选字符特征信息，得到候选字符特征信息集合。
其中，上述候选字符特征信息集合中的候选字符特征信息包括：字符位置信息、字符发音信息、字符字形信息和字符。字符位置信息表征字符在目标日志记录信息中的位置。字符发音信息表征字符对应的发音。字符字形信息表征字符的字形。
上述字符特征提取模型可以包括：字符位置定位模型、字符发音识别模型、字符字形识别模型和字符识别模型。其中，字符位置定位模型、字符发音识别模型、字符字形识别模型和字符识别模型并行设置。字符位置定位模型、字符发音识别模型、字符字形识别模型和字符识别模型参数共享。字符位置定位模型、字符发音识别模型、字符字形识别模型和字符预测模型可以是具有相同模型结构的模型。
作为示例，上述字符预测模型可以是RNN（Recurrent Neural Network，循环神经网络）模型。
第二步，对于上述候选字符特征信息集合中的每个候选字符特征信息，执行以下处理步骤：
第一子步骤，确定上述候选字符特征信息包括的字符对应的字根，以生成字根信息，得到字根信息集合。
其中，上述执行主体可以通过预先设置的字符和字根映射表，确定字符和字根之间的映射，以此得到字符对应的字根信息集合。
第二子步骤，对上述字根信息集合中的每个字根信息进行独热编码处理，以生成字根特征向量，得到字根特征向量集合。
其中，字根特征向量的长度值与字符和字根映射表中的字根的数量值一致。
第三子步骤，分别对上述候选字符特征信息包括的字符发音信息和字符字形信息进行独热编码处理，以生成字符发音特征向量和字符字形特征向量。
第四子步骤，将上述候选字符特征信息包括的字符位置信息、上述字根特征向量集合、上述字符发音特征向量和上述字符字形特征向量进行向量拼接，以生成特征拼接向量。
第三步，将得到的特征拼接向量集合输入上述文本识别模型包括的字符识别模型，以生成识别后文本信息。
第四步，将上述识别后文本信息输入上述文本识别模型包括的语义抽取模型，以生成上述行为记录信息序列。
例如，字符识别模型可以是CNN（Convolutional Neural Networks，卷积神经网络）模型。上述语义抽取模型可以是LSTM（Long Short Term Memory，长短时记忆）模型。
上述文本识别模型作为本公开的一个发明点，实际情况中，针对文本的字符识别和语义抽取是文本处理领域的一个重难点所在，且字符识别的准确度影响了后续的语义抽取结果。由此，本公开通过从字符位置、字符发音、字符字形方向进行多维特征提取，以保证字符识别的精准度。此外，在进行特征向量处理时，较长的特征向量会增加计算难度，大大增加了模型的训练和使用成本。由此，本公开实现了将字符映射为字根，再对字根进行编码，大大缩短了得到的特征向量的长度。进而，在保证字符识别精度和语义抽取精度的前提下，降低了模型的训练和使用成本。
步骤103，响应于确定分析结果信息表征目标指标存在异常，确定预先构建的指标树中与目标指标存在关联关系的指标，作为关联指标，得到关联指标集合。
在一些实施例中，响应于确定分析结果信息表征目标指标存在异常，上述执行主体可以通过各种方式确定预先构建的指标树中与目标指标存在关联关系的指标，作为关联指标，得到关联指标集合。
在一些实施例的一些可选的实现方式中，上述执行主体确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，可以包括以下步骤：
第一步，确定上述目标指标的指标等级信息。
其中，上述指标等级信息表征上述目标指标的等级。例如，上述指标等级信息可以是但不限于以下任意一项：一级指标，二级指标。其中，指标等级可以人为设定。
作为示例，上述执行主体可以通过检索指标和指标等级映射表，以此确定目标指标的指标等级信息。
第二步，响应于确定上述指标等级信息表征上述目标指标的指标等级为一级指标，根据上述目标指标的指标标识信息，确定上述目标指标在指标索引中的索引位置。
其中，指标索引包括了指标等级为一级指标的指标在指标树中的位置。目标指标索引位置表征上述目标索引在上述指标树中的位置。
第三步，从上述目标指标索引位置开始遍历上述指标树，以确定上述指标树中与上述目标指标的关联关系为目标关联关系的指标，作为候选指标，得到候选指标集合。
其中，目标关联关系表征直接关联关系。例如，以目标指标为父节点，与目标指标直接相关联的所有子节点对应的指标，均为候选指标。
第四步，响应于确定上述目标指标对应有子指标集合，双向读取上述目标指标对应的指标环形存储链，以生成第一子指标，得到第一子指标集合。
其中，上述目标指标对应的子指标集合中的子指标的指标等级低于上述目标指标的指标等级。指标树中的指标对应的树节点对应的数据结构包括：指向子指标集合的指针。子指标集合中的子指标被存储在指标环形存储链上。指标环形存储链为双向可读取结构。
作为示例，首先，上述执行主体可以通过指向子指标集合的指针跳转至子指标集合对应的存储位置，然后上述执行主体双向读取上述目标指标对应的指标环形存储链，以生成第一子指标，得到第一子指标集合。
第五步，对于上述候选指标集合中的每个候选指标，响应于确定上述候选指标对应有子指标集合，双向读取上述候选指标对应的指标环形存储链，以得到第二子指标，得到第二子指标组。
第六步，分别将上述候选指标集合中的候选指标、上述第一子指标集合中的第一子指标、得到的第二子指标组集合中的第二子指标，确定为关联指标。
第七步，响应于确定上述指标等级信息表征上述目标指标的指标等级为二级指标，遍历上述指标树，以确定与上述目标指标的关联关系为上述目标关联关系的指标，作为父指标。
第八步，将上述父指标对应的指标环形存储链上存储的指标，确定为第三指标，得到第三指标集合。
第九步，分别将上述父指标、上述第三指标集合中的第三指标确定为关联指标。
步骤103中的内容，作为本公开的一个发明点，解决了背景技术中的技术问题二，即“由于异常的发生往往具有关联性，采用人工逐一排障的方式，排障准确度低下”。为了解决这个问题，本公开涉及了指标树，以用于快速检索相关联的指标。实际情况中，不同指标的指标等级不同、指标与指标之间往往存在从属关系、属于从属关系的指标的数量也往往不同，导致常见的存储结构往往无法较好地存储指标。基于此，本公开设置了指标树，本公开中的指标树，首先依据指标的指标等级对指标进行划分，将高指标等级的指标存储至指标树中，将高指标等级指标关联的低指标等级指标以地址的形式存储至高指标等级指标对应的数据结构中。考虑到高指标等级指标对应的低指标等级指标的数量往往不同，采用定长的存储结构可能进一步导致如下两个问题：1、定长的存储结构较短，数据会发生溢出。2、定长的存储结构较长，导致存储空间浪费。由此，本公开采用链表的形式存储高指标等级指标对应的多个低指标等级指标，并且，考虑到链式存储结构不具有随机读写的能力，随着链表长度增加，读写能力大大降低。由此，本公开针对低指标等级指标设置了具有双向结构的指标环形存储链，使得可以双向并行读取信息链。大大提高了信息的读取效率。通过此种方式，可以快速地确定异常对应的、具有关联性的多个关联指标，由此，大大提高了排障准确度。
步骤104，根据关联指标集合中的关联指标对应的日志记录信息和目标日志记录信息，确定目标指标对应的指标异常类型信息。
在一些实施例中，上述执行主体根据关联指标集合中的关联指标对应的日志记录信息和目标日志记录信息，确定目标指标对应的指标异常类型信息，可以包括以下步骤：
对上述关联指标集合中的关联指标对应的日志记录信息和目标日志记录信息进行异常检测，以确定目标指标对应的指标异常类型信息。
作为示例，上述执行主体可以通过异常检测模型，对上述关联指标集合中的关联指标对应的日志记录信息和目标日志记录信息进行异常检测。
其中，上述异常检测模型可以是有监督的机器学习模型。
作为又一示例，上述执行主体可以将关联指标集合中的关联指标对应的日志记录信息和目标日志记录信息，和预先构建的异常记录库中的异常记录进行特征对比，以实现异常检测。
步骤105，生成指标异常类型信息对应的异常处理信息。
在一些实施例中，上述执行主体可以通过各种方式，生成指标异常类型信息对应的异常处理信息。
在一些实施例的一些可选的实现方式中，上述执行主体生成指标异常类型信息对应的异常处理信息，可以包括以下步骤：
第一步，获取异常处理数据表。
其中，上述异常处理数据表可以是预先构建的包含了异常类型和异常对应的处理步骤的数据表。
第二步，将上述异常处理数据表中与上述指标异常类型信息对应的异常处理数据，确定为上述异常处理信息。
第三步，响应于确定上述异常处理数据表不包含上述指标异常类型信息对应的异常处理数据，向异常处理数据录入端发送录入提示信息。
其中，上述录入提示信息可以是提示录入指标异常类型信息对应的异常处理数据的提示信息。异常处理数据录入端可以是专用于录入异常处理数据的终端。
作为示例，当上述执行主体未在上述异常处理数据表中检索到上述指标异常类型信息对应的异常处理数据时，向异常处理数据录入端发送录入提示信息。
第四步，响应于接收到上述异常处理数据录入端发送的上述录入提示信息对应的异常处理数据，将上述录入提示信息对应的异常处理数据，确定为上述异常处理信息。
步骤106，将异常处理信息发送至目标终端。
在一些实施例中，上述执行主体可以将异常处理信息发送至目标终端。其中，上述目标终端可以是显示异常处理信息的终端。上述目标终端与异常处理人员相关联。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成方法，提高了排障效率和排障准确度。具体来说，造成排障效率低下的原因在于：第一，采用人工的方式进行排障，较为依赖人的经验，且随着业务流程的不断增加，排障效率低下；第二，由于异常的发生往往具有关联性，采用人工逐一排障的方式，排障准确率低下。基于此，本公开的一些实施例的信息生成方法，首先，响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，上述目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录。实际情况中，当检测到告警信息时表征可能存在异常，因此，当检测到告警信息时进行日志信息的拉取。其次，对上述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，上述分析结果信息表征上述目标指标是否存在异常。通过对日志文件进行分析，以此确定是否存在异常。接着，响应于确定上述分析结果信息表征上述目标指标存在异常，确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合。进一步，根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息。由于异常的发生往往具有关联性，因此，通过相关联的指标对应的日志记录，以此确定异常类型。此外，生成上述指标异常类型信息对应的异常处理信息。通过异常类型，生成对应的排障信息。最后，将上述异常处理信息发送至目标终端，其中，上述目标终端与异常处理人员相关联。通过此种方式实现了异常的自动化定位以及异常对应的处理信息的自动化确定，大大提高了排障效率和准确度。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的信息生成装置200包括：获取单元201、日志分析处理单元202、第一确定单元203、第二确定单元204、生成单元205和发送单元206。其中，获取单元201，被配置成响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，上述目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录；日志分析处理单元202，被配置成对上述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，上述分析结果信息表征上述目标指标是否存在异常；第一确定单元203，被配置成响应于确定上述分析结果信息表征上述目标指标存在异常，确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合；第二确定单元204，被配置成根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息；生成单元205，被配置成生成上述指标异常类型信息对应的异常处理信息；发送单元206，被配置成将上述异常处理信息发送至目标终端，其中，上述目标终端与异常处理人员相关联。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备（如计算设备）300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，上述目标日志记录信息表征目标时间段内的上述目标指标对应的日志记录；对上述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，上述分析结果信息表征上述目标指标是否存在异常；响应于确定上述分析结果信息表征上述目标指标存在异常，确定预先构建的指标树中与上述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合；根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息；生成上述指标异常类型信息对应的异常处理信息；将上述异常处理信息发送至目标终端，其中，上述目标终端与异常处理人员相关联。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、日志分析处理单元、第一确定单元、第二确定单元、生成单元和发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二确定单元还可以被描述为“根据上述关联指标集合中的关联指标对应的日志记录信息和上述目标日志记录信息，确定上述目标指标对应的指标异常类型信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (8)

1.一种信息生成方法，包括：
响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，所述目标日志记录信息表征目标时间段内的所述目标指标对应的日志记录；
对所述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，所述分析结果信息表征所述目标指标是否存在异常；
响应于确定所述分析结果信息表征所述目标指标存在异常，确定预先构建的指标树中与所述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合；
根据所述关联指标集合中的关联指标对应的日志记录信息和所述目标日志记录信息，确定所述目标指标对应的指标异常类型信息；
生成所述指标异常类型信息对应的异常处理信息；
将所述异常处理信息发送至目标终端，其中，所述目标终端与异常处理人员相关联，其中，所述确定预先构建的指标树中与所述目标指标存在关联关系的指标，作为关联指标，包括：
确定所述目标指标的指标等级信息；
响应于确定所述指标等级信息表征所述目标指标的指标等级为一级指标，根据所述目标指标的指标标识信息，确定所述目标指标在指标索引中的索引位置，以生成目标指标索引位置，其中，所述目标指标索引位置表征所述目标指标在所述指标树中的位置；
从所述目标指标索引位置开始遍历所述指标树，以确定所述指标树中与所述目标指标的关联关系为目标关联关系的指标，作为候选指标，得到候选指标集合；
响应于确定所述目标指标对应有子指标集合，双向读取所述目标指标对应的指标环形存储链，以生成第一子指标，得到第一子指标集合，其中，所述目标指标对应的子指标集合中的子指标的指标等级低于所述目标指标的指标等级；
对于所述候选指标集合中的每个候选指标，响应于确定所述候选指标对应有子指标集合，双向读取所述候选指标对应的指标环形存储链，以得到第二子指标，得到第二子指标组；
分别将所述候选指标集合中的候选指标、所述第一子指标集合中的第一子指标、得到的第二子指标组集合中的第二子指标，确定为关联指标；
响应于确定所述指标等级信息表征所述目标指标的指标等级为二级指标，遍历所述指标树，以确定与所述目标指标的关联关系为所述目标关联关系的指标，作为父指标；
将所述父指标对应的指标环形存储链上存储的指标，确定为第三指标，得到第三指标集合；
分别将所述父指标、所述第三指标集合中的第三指标确定为关联指标。
2.根据权利要求1所述的方法，其中，所述对所述目标日志记录信息进行日志分析处理，以生成分析结果信息，包括：
响应于确定所述目标日志记录信息内的数据为结构化数据，对所述目标日志记录信息进行信息抽取，以生成行为记录信息序列，其中，所述行为记录信息序列中的行为记录信息表征所述目标指标对应的数据操作记录；
响应于确定所述目标日志记录信息内的数据为非结构化数据，对所述目标日志记录信息进行文本处理，以生成所述行为记录信息序列；
创建测试容器，其中，所述测试容器对应的容器配置文件与所述目标日志记录信息对应的运行环境配置文件一致；
响应于确定所述测试容器创建完毕，对于所述行为记录信息序列中的每个行为记录信息，在所述测试容器内运行所述行为记录信息对应的执行语句，以生成执行结果信息，其中，执行结果信息包括：状态标识信息；
响应于确定得到的执行结果信息集合中存在至少一个目标执行结果信息，根据所述至少一个目标执行结果信息，生成所述分析结果信息，其中，目标执行结果信息包括的状态标识信息表征目标执行结果信息对应的执行语句执行异常。
3.根据权利要求2所述的方法，其中，所述对所述目标日志记录信息进行文本处理，以生成所述行为记录信息序列，包括：
通过预先训练的文本识别模型包括的字符特征提取模型对所述目标日志记录信息进行字符识别，以生成候选字符特征信息，得到候选字符特征信息集合，其中，所述候选字符特征信息集合中的候选字符特征信息包括：字符位置信息、字符发音信息、字符字形信息和字符；
对于所述候选字符特征信息集合中的每个候选字符特征信息，执行以下处理步骤：
确定所述候选字符特征信息包括的字符对应的字根，以生成字根信息，得到字根信息集合；
对所述字根信息集合中的每个字根信息进行独热编码处理，以生成字根特征向量，得到字根特征向量集合；
分别对所述候选字符特征信息包括的字符发音信息和字符字形信息进行独热编码处理，以生成字符发音特征向量和字符字形特征向量；
将所述候选字符特征信息包括的字符位置信息、所述字根特征向量集合、所述字符发音特征向量和所述字符字形特征向量进行向量拼接，以生成特征拼接向量。
4.根据权利要求3所述的方法，其中，所述对所述目标日志记录信息进行文本处理，以生成所述行为记录信息序列，还包括：
将得到的特征拼接向量集合输入所述文本识别模型包括的字符识别模型，以生成识别后文本信息；
将所述识别后文本信息输入所述文本识别模型包括的语义抽取模型，以生成所述行为记录信息序列。
5.根据权利要求4所述的方法，其中，所述生成所述指标异常类型信息对应的异常处理信息，包括：
获取异常处理数据表；
将所述异常处理数据表中与所述指标异常类型信息对应的异常处理数据，确定为所述异常处理信息；
响应于确定所述异常处理数据表不包含所述指标异常类型信息对应的异常处理数据，向异常处理数据录入端发送录入提示信息；
响应于接收到所述异常处理数据录入端发送的所述录入提示信息对应的异常处理数据，将所述录入提示信息对应的异常处理数据，确定为所述异常处理信息。
6.一种信息生成装置，包括：
获取单元，被配置成响应于检测到针对目标指标的告警信息，获取目标指标对应的目标日志记录信息，其中，所述目标日志记录信息表征目标时间段内的所述目标指标对应的日志记录；
日志分析处理单元，被配置成对所述目标日志记录信息进行日志分析处理，以生成分析结果信息，其中，所述分析结果信息表征所述目标指标是否存在异常；
第一确定单元，被配置成响应于确定所述分析结果信息表征所述目标指标存在异常，确定预先构建的指标树中与所述目标指标存在关联关系的指标，作为关联指标，得到关联指标集合；
第二确定单元，被配置成根据所述关联指标集合中的关联指标对应的日志记录信息和所述目标日志记录信息，确定所述目标指标对应的指标异常类型信息；
生成单元，被配置成生成所述指标异常类型信息对应的异常处理信息；
发送单元，被配置成将所述异常处理信息发送至目标终端，其中，所述目标终端与异常处理人员相关联，其中，所述确定预先构建的指标树中与所述目标指标存在关联关系的指标，作为关联指标，包括：
确定所述目标指标的指标等级信息；
响应于确定所述指标等级信息表征所述目标指标的指标等级为一级指标，根据所述目标指标的指标标识信息，确定所述目标指标在指标索引中的索引位置，以生成目标指标索引位置，其中，所述目标指标索引位置表征所述目标指标在所述指标树中的位置；
从所述目标指标索引位置开始遍历所述指标树，以确定所述指标树中与所述目标指标的关联关系为目标关联关系的指标，作为候选指标，得到候选指标集合；
响应于确定所述目标指标对应有子指标集合，双向读取所述目标指标对应的指标环形存储链，以生成第一子指标，得到第一子指标集合，其中，所述目标指标对应的子指标集合中的子指标的指标等级低于所述目标指标的指标等级；
对于所述候选指标集合中的每个候选指标，响应于确定所述候选指标对应有子指标集合，双向读取所述候选指标对应的指标环形存储链，以得到第二子指标，得到第二子指标组；
分别将所述候选指标集合中的候选指标、所述第一子指标集合中的第一子指标、得到的第二子指标组集合中的第二子指标，确定为关联指标；
响应于确定所述指标等级信息表征所述目标指标的指标等级为二级指标，遍历所述指标树，以确定与所述目标指标的关联关系为所述目标关联关系的指标，作为父指标；
将所述父指标对应的指标环形存储链上存储的指标，确定为第三指标，得到第三指标集合；
分别将所述父指标、所述第三指标集合中的第三指标确定为关联指标。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
CN202211290512.7A 2022-10-21 2022-10-21 信息生成方法、装置、电子设备和计算机可读介质 Active CN115357470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211290512.7A CN115357470B (zh) 2022-10-21 2022-10-21 信息生成方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211290512.7A CN115357470B (zh) 2022-10-21 2022-10-21 信息生成方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115357470A CN115357470A (zh) 2022-11-18
CN115357470B true CN115357470B (zh) 2023-03-24

Family

ID=84008633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211290512.7A Active CN115357470B (zh) 2022-10-21 2022-10-21 信息生成方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115357470B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062800B (zh) * 2019-11-27 2023-09-08 同盾控股有限公司 数据处理方法、装置、电子设备及计算机可读介质
CN116303188B (zh) * 2023-01-30 2024-01-26 百仑生物科技(江苏)有限公司 一种电路板的模组热插拔控制方法、装置、设备及介质
CN115840016B (zh) * 2023-02-24 2023-05-12 华谱科仪(北京)科技有限公司 色谱分析系统的备份还原方法、装置、设备和计算机介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021212756A1 (zh) * 2020-04-23 2021-10-28 平安科技（深圳）有限公司 指标异常分析方法、装置、电子设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108259241A (zh) * 2018-01-11 2018-07-06 上海有云信息技术有限公司 一种云平台监控系统的异常定位方法和装置
CN112306700A (zh) * 2019-07-23 2021-02-02 北京京东尚科信息技术有限公司 一种异常rpc请求的诊断方法和装置
CN111221702B (zh) * 2019-11-18 2024-02-27 上海维谛信息科技有限公司 基于日志分析的异常处理方法、系统、终端及介质
CN110928718B (zh) * 2019-11-18 2024-01-30 上海维谛信息科技有限公司 一种基于关联分析的异常处理方法、系统、终端及介质
CN113934894A (zh) * 2021-02-02 2022-01-14 上海数聚软件系统股份有限公司 基于指标树的数据显示方法、终端设备
CN112926048B (zh) * 2021-05-11 2021-08-20 北京天空卫士网络安全技术有限公司 一种异常信息检测方法和装置
CN114978877B (zh) * 2022-05-13 2024-04-05 京东科技信息技术有限公司 一种异常处理方法、装置、电子设备及计算机可读介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021212756A1 (zh) * 2020-04-23 2021-10-28 平安科技（深圳）有限公司 指标异常分析方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
网络指标监控与告警分析自动化设计与探究;邹海波;《信息通信》;20200515(第05期);全文 *

Also Published As

Publication number Publication date
CN115357470A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115357470B (zh) 信息生成方法、装置、电子设备和计算机可读介质
US10387899B2 (en) Systems and methods for monitoring and analyzing computer and network activity
US10679008B2 (en) Knowledge base for analysis of text
US20180115464A1 (en) Systems and methods for monitoring and analyzing computer and network activity
CN108228428B (zh) 用于输出信息的方法和装置
CN109471783B (zh) 预测任务运行参数的方法和装置
CN117156012B (zh) 异常请求数据处理方法、装置、设备和计算机可读介质
CN115277261B (zh) 基于工控网络病毒的异常机器智能识别方法、装置、设备
CN115034596A (zh) 一种风险传导预测方法、装置、设备和介质
CN114356734A (zh) 服务异常检测方法和装置、设备、存储介质
CN110490132B (zh) 数据处理方法和装置
US10257055B2 (en) Search for a ticket relevant to a current ticket
CN115357469B (zh) 异常报警日志解析方法、装置、电子设备和计算机介质
WO2022148239A1 (zh) 信息输出方法、装置和电子设备
CN113111230B (zh) 基于正则表达式的接处警文本户籍地地址提取方法和装置
CN117235744B (zh) 源文件上线方法、装置、电子设备和计算机可读介质
CN114399355B (zh) 基于用户转化率的信息推送方法、装置和电子设备
CN115309739B (zh) 车载数据检索方法、装置、电子设备、介质和产品
CN113572768B (zh) 一种僵尸网络家族传播源数量变化异常的分析方法
CN111930704B (zh) 业务报警设备控制方法、装置、设备和计算机可读介质
CN117743555B (zh) 答复决策信息发送方法、装置、设备和计算机可读介质
CN115941357B (zh) 基于工业安全的流量日志检测方法、装置与电子设备
CN115840016B (zh) 色谱分析系统的备份还原方法、装置、设备和计算机介质
CN117539674B (zh) 异常处理方法、装置、设备及存储介质
Abdullah et al. Expert System Implementation of the Certainty Factor Method for Smartphone Damage Diagnosis

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