CN115358430A - 一种基于大数据的运维信息管理系统及方法 - Google Patents

一种基于大数据的运维信息管理系统及方法 Download PDF

Info

Publication number
CN115358430A
CN115358430A CN202211113756.8A CN202211113756A CN115358430A CN 115358430 A CN115358430 A CN 115358430A CN 202211113756 A CN202211113756 A CN 202211113756A CN 115358430 A CN115358430 A CN 115358430A
Authority
CN
China
Prior art keywords
data
personalized
track
model
fitting curve
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
CN202211113756.8A
Other languages
English (en)
Other versions
CN115358430B (zh
Inventor
孙锛
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.)
Shanghai Xingniao Network Technology Co ltd
Original Assignee
Harbin Feitong Ingenuity 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 Harbin Feitong Ingenuity Technology Co ltd filed Critical Harbin Feitong Ingenuity Technology Co ltd
Priority to CN202211113756.8A priority Critical patent/CN115358430B/zh
Publication of CN115358430A publication Critical patent/CN115358430A/zh
Application granted granted Critical
Publication of CN115358430B publication Critical patent/CN115358430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及运维信息管理技术领域，具体为一种基于大数据的运维信息管理系统及方法，包括历史数据获取模块、差异化数据集合制定模块、集合类型判断模块、个性化模型建立模块和零信任个性化数据集存储模块；历史数据获取模块用于获取图书馆中不同管理员工作计算机设备上的历史数据；差异化数据集合制定模块用于制定不同管理员的工作计算机设备对比分析后的差异化数据集合；集合类型判断模块用于判断差异化数据集合的类型；个性化模型建立模块基于差异化数据建立个性化模块；零信任个性化数据集存储模块用于提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集。

Description

一种基于大数据的运维信息管理系统及方法
技术领域
本发明涉及运维信息管理技术领域，具体为一种基于大数据的运维信息管理系统及方法。
背景技术
图书馆中设立不同的管理部门，且不同的管理部门对应不同的管理员，在管理员使用工作计算机设备一些年份后，计算机会出现反应慢、卡顿等问题，往往需要进行更新换代，那么对应设备的运行维护问题就会应运而生，如管理员的个性化需求能否有效的在新的计算机设备上进行无差别的传输或更新；因为不同管理部门的管理员工作职能不同，使用计算机的个性化需求自然也就不同，且在统一更换计算机时，无法为新置计算机预装及配置所有满足原管理员计算机设备的上的所有需求，且对用户的运维信息无从分析，所以每当更换一台全新的工作计算机设备往往都需要管理员适应一段时间才能实现未更换计算机之前的操作习惯，降低了管理员的工作效率。
发明内容
本发明的目的在于提供一种基于大数据的运维信息管理系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于大数据的运维信息管理方法，包括以下步骤：
步骤S1：获取图书馆中不同管理员工作计算机设备上的历史数据，历史数据包括工作计算机设备未进行操作时的初始数据和开始操作后的轨迹数据；
步骤S2：将不同管理员的工作计算机设备进行对比分析，制定工作计算机设备基于管理员使用行为的差异化数据集合；
步骤S3：判断差异化数据集合的类型，并基于差异化数据建立个性化模型，个性化模型为差异个性化模型或选择个性化模型，差异个性化模型是指差异化数据集合存在类型差异时对应的模型，选择个性化模型是指差异化数据集合不存在类型差异时对应的模型；
步骤S4：基于个性化模型，对应提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集；零信任个性化数据集表示其中的个性化数据在管理员更换任一工作计算机设备时传输或更新满足管理员历史需求的个性化数据。设置为零信任可以有效且安全的对管理员的个性化数据进行运行维护；零信任个性化数据可以有效的解决更换工作计算机设备时用户的个性化需求会影响正常业务的问题，同时可以应对不同计算机系统更新任意想要的个性化数据，避免不适配问题的产生，提高了管理员的工作效率。
进一步的，步骤S2包括以下具体步骤：
标记不同管理员初始数据相同的软件为第一跟踪软件，获取第一监测周期中第一跟踪软件的轨迹数据，记录第一跟踪软件在第i个管理员的轨迹数据集合为pi，轨迹数据是指管理员在计算机中进行的操作产生的后台数据记录；
获取第i个管理员的轨迹数据集合pi中相邻轨迹数据对应的平均间隔时间长度hi，以及第i个管理员的轨迹数据集合pi与其他管理员的轨迹数据集合相似度大于等于相似度阈值的个数n(pi)；利用公式：
Figure BDA0003844640130000021
计算第i个管理员的第一跟踪软件的整体差异指数Qi，其中k为管理员对应工作计算机设备的总个数，i≤k；
Figure BDA0003844640130000022
表示第i个管理员在第一跟踪软件的第一差异指数，a1为第一差异指数的参考系数；
Figure BDA0003844640130000023
表示第i个管理员的第一跟踪软件的第二差异指数，a2为第二差异指数的参考系数；
提取整体差异指数Qi大于等于预设差异阈值的第一跟踪软件对应的轨迹数据集合为差异化数据集合。通过分析整体数据在管理员使用时间和产生数据的相似度两种角度进行分析相同软件不同人员使用的差异化，推断了管理员在使用软件过程中产生个性化的可能性，从而有效区分出哪些数据是可能存在个性化的差异数据，缩小了对个性化数据的识别范围。
进一步的，步骤S3中分析差异化数据集合的类型，包括以下步骤：
获取差异化数据集合中的轨迹数据，提取与工作计算机设备未进行操作时的初始数据相同的轨迹数据为第一目标轨迹，提取与工作计算机设备未进行操作时的初始数据不相同的轨迹数据为第二目标轨迹；
获取第一目标轨迹在第一监测周期中的数据对w1，w1＝{tj1,gj1}，其中tj1表示第一目标轨迹中的第j个间隔时段，gj1表示第一目标轨迹中第j个间隔时段对应的轨迹移动速率，轨迹移动速率是指间隔时段内轨迹移动的路径与轨迹移动时间的比值，第一监测周期中存在r个间隔时段，j≤r；获取第二目标轨迹在第一监测周期中的数据对w2，w2＝{tj2,gj2}，其中tj2表示第二目标轨迹中的第j个间隔时段，gj2表示第二目标轨迹中第j个间隔时段对应的轨迹移动速率；
分析速率是因为个性化的设备会使得管理员操作的流畅度更高、效率更快；
分别构建数据对w1的拟合曲线一和数据对w2的拟合曲线二，提取拟合曲线一和拟合曲线二均呈上升趋势时，拟合曲线一和拟合曲线二的变化趋势相似度满足趋势相似度阈值时拟合曲线的个数u1，计算同化比例u0＝u1/u，其中u表示拟合曲线一和拟合曲线二的总个数，同化比例是指拟合曲线一和拟合曲线二趋势满足趋势相似度的比例；因为趋势接近效果相同但对应数据的来源不同，虽然都是实现了管理员的个性化使用达到高效的目的，但是表明了方式的差异化所以需要进行分类；
当同化比例小于同化比例阈值时，不存在类型区别；当同化比例大于等于同化比例阈值时，输出拟合曲线一对应的第一目标轨迹为第一差异化数据集，输出拟合曲线二对应的第二目标轨迹为第二差异化数据集。
进一步的，步骤S3中选择个性化模型的建立包括以下分析步骤：
建立包含拟合曲线一和拟合曲线二的拟合曲线集，获取拟合曲线集中任意间隔时段与初始间隔时段的变化速率h，h＝[gj-g0]/[tj-t0]，gj＝{gj1,gj2}，tj＝{tj1,tj2}；
提取变化速率h大于等于所有间隔时段与初始间隔时段的平均变化速率对应的轨迹数据为目标轨迹数据；获取目标轨迹数据存在于拟合曲线一中的个数o1和存在于拟合曲线二中的个数o2，则建立选择个性化模型T，T＝|o1-o2|；
若T大于等于选择个性化阈值T0，说明o1和o2差别很大，从而反应出管理员在某一操作轨迹中实现了个性化需求的效率提升，而对应个数小的轨迹数据可能是因为其他因素造成的偶然性速率提升，所以不具备分析性，则Max[o1,o2]对应拟合曲线的轨迹数据为选择个性化模型中的选择个性化数据；
若T小于个性化阈值T0，则目标轨迹数据为选择个性化模型中的选择个性化数据。差别不大时说明上述操作轨迹在某段时刻的数据均是满足个性化的。
进一步的，步骤S3中差异个性化模型的建立包括以下分析步骤：
差异个性化模型包括第一个性化模型和第二个性化模型；第一个性化模型是指工作计算机设备针对管理员的个性化适应产生的量化模型；
获取第一差异化数据集中管理员键入的轨迹数据与计算机的轨迹数据适配过程对应拟合曲线一中的发生时段ta，并获取发生时段直接适配的个数s1，直接适配表示管理员键入的数据对应计算机给出的首个数据即为确定输入的数据；建立第一个性化模型Y1，
Y1＝(s1)ta-(s1)t(a-1)
其中，(s1)ta表示发生时段ta对应的直接适配的个数，(s1)t(a-1)表示发生时段ta前的时段内对应直接适配的个数，提取Y1大于零时发生时段ta对应拟合曲线一中的轨迹数据为第一个性化数据；
第二个性化模型是指管理员主动行为的个性化适应产生的量化模型；获取第二差异化数据集对应拟合曲线二产生最大变化速率max[h]，则第二个性化模型为Y2＝{t(max[h])}，其中t(max[h])表示拟合曲线二中产生最大变化速率对应的间隔时段，Y2则表示拟合曲线二中最大变化速率对应的间隔时段；则Y2对应拟合曲线二中的轨迹数据即为第二个性化数据。如果在管理员的操作轨迹中前半段没有修改存储路径，在某一时刻修改了存储路径时，那么对应修改时刻的变化速率就会大于之前间隔时段的变化速率，相当于提升了工作效率；那么对应修改后的轨迹数据都应该是满足管理员个性化需求的数据。当系统分析出用户对应的个性化数据时，可以在用户改变原始设备时进行更新或传输，解决了用户不用因设备的更换造成的个性化数据缺失带来的工作效率降低的问题。
一种基于大数据的运维信息管理系统，包括历史数据获取模块、差异化数据集合制定模块、集合类型判断模块、个性化模型建立模块和零信任个性化数据集存储模块；
历史数据获取模块用于获取图书馆中不同管理员工作计算机设备上的历史数据，历史数据包括工作计算机设备未进行操作时的初始数据和开始操作后的轨迹数据；
差异化数据集合制定模块用于制定不同管理员的工作计算机设备对比分析后的差异化数据集合；
集合类型判断模块用于判断差异化数据集合的类型；
个性化模型建立模块用于基于差异化数据建立个性化模型；个性化模型为差异个性化模型或选择个性化模型；
零信任个性化数据集存储模块用于提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集。
进一步的，差异化数据集合制定模块包括第一跟踪软件标定单元、轨迹数据获取单元、整体差异指数计算单元和阈值分析单元；
第一跟踪软件标定单元用于标记不同管理员初始数据相同的软件为第一跟踪软件；
轨迹数据获取单元用于获取第一监测周期中第一跟踪软件的轨迹数据，并记录第一跟踪软件在管理员处的轨迹数据集合；
整体差异指数计算单元用于基于平均间隔时长和相似度关系分析整体差异指数；
阈值分析单元用于将整体差异指数与预设差异阈值进行比较分析，提取满足条件的轨迹数据为差异化数据集合。
进一步的，集合类型判断模块包括第一目标轨迹提取单元、第二目标轨迹提取单元、数据对建立单元、拟合曲线绘制单元、同化比例计算单元和类型分析单元；
第一目标轨迹提取单元用于获取差异化数据集合中的轨迹数据，并提取与工作计算机设备未进行操作时的初始数据相同的轨迹数据；
第二目标轨迹提取单元用于提取与工作计算机设备未进行操作时的初始数据不相同的轨迹数据为第二目标轨迹；
数据对建立单元用于分别建立第一目标轨迹和第二目标轨迹的数据对；
拟合曲线绘制单元用于基于第一目标轨迹和第二目标轨迹的数据对分别建立第一目标轨迹和第二目标轨迹的拟合曲线；
同化比例计算单元用于分析拟合曲线一和拟合曲线二的变化趋势相似度满足趋势相似度阈值时拟合曲线的个数计算同化比例；
类型分析单元用于基于同化比例对拟合曲线及对应的轨迹数据进行区分。
进一步的，个性化模型建立模块包括选择个性化模型建立单元、第一个性化模型建立单元和第二个性化模型建立单元；
选择个性化模型建立单元用于基于拟合曲线一和拟合曲线二集合中的变化速率，以及满足变化速率要求的轨迹数据个数来分析选择个性化模型，并保存模型中对应的个性化数据；
第一个性化模型建立单元用于基于第一差异化数据集中管理员键入的轨迹数据与计算机的轨迹数据适配过程对应拟合曲线一中的发生时段及对应直接适配的个数来分析第一个性化模型，并保存对应拟合曲线一中的轨迹数据为第一个性化数据；
第二个性化模型建立单元用于基于第二差异化数据集对应拟合曲线二产生最大变化速率建立第二个性化模型，并保存模型对应拟合曲线二中的轨迹数据为第二个性化数据。
与现有技术相比，本发明所达到的有益效果是：本发明通过分析管理员在使用工作计算机设备上的历史数据，提取管理员对应工作职能体现在计算机使用过程中的个性化数据，并将个性化数据进行分类为计算机适应管理员做出的个性化数据和管理员自身做出调整的个性化数据，提高了在分析不同类型个性化数据的精确性和适用性，使得管理员不管在使用更换任意台新的计算机设备时均可以传输或更新分析得到的个性化数据，使得计算机在更换时对用户信息数据的运维不再没有目标性，提高了管理员对新设备的适应能力，以及保持了管理员在原有效率的基础上更加高效。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于大数据的运维信息管理系统的结构示意图。
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，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于大数据的运维信息管理方法，包括以下步骤：
步骤S1：获取图书馆中不同管理员工作计算机设备上的历史数据，历史数据包括工作计算机设备未进行操作时的初始数据和开始操作后的轨迹数据；
步骤S2：将不同管理员的工作计算机设备进行对比分析，制定工作计算机设备基于管理员使用行为的差异化数据集合；
步骤S3：判断差异化数据集合的类型，并基于差异化数据建立个性化模型，个性化模型为差异个性化模型或选择个性化模型，差异个性化模型是指差异化数据集合存在类型差异时对应的模型，选择个性化模型是指差异化数据集合不存在类型差异时对应的模型；
步骤S4：基于个性化模型，对应提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集；零信任个性化数据集表示其中的个性化数据在管理员更换任一工作计算机设备时传输或更新满足管理员历史需求的个性化数据。设置为零信任可以有效且安全的对管理员的个性化数据进行运行维护；零信任个性化数据可以有效的解决更换工作计算机设备时用户的个性化需求会影响正常业务的问题，同时可以应对不同计算机系统更新任意想要的个性化数据，避免不适配问题的产生，提高了管理员的工作效率。如在a计算机中产生的输入法个性化设置在b计算机中通过更新或传输同样适配任意不同或相同的输入法个性化设置。
进一步的，步骤S2包括以下具体步骤：
标记不同管理员初始数据相同的软件为第一跟踪软件，获取第一监测周期中第一跟踪软件的轨迹数据，记录第一跟踪软件在第i个管理员的轨迹数据集合为pi，轨迹数据是指管理员在计算机中进行的操作产生的后台数据记录；如使用word文档的轨迹数据集合为文档键入到文档保存的过程；
获取第i个管理员的轨迹数据集合pi中相邻轨迹数据对应的平均间隔时间长度hi，以及第i个管理员的轨迹数据集合pi与其他管理员的轨迹数据集合相似度大于等于相似度阈值的个数n(pi)；平均间隔时间长度反应出管理员在相同软件使用过程中在时间层面上的指标，因为当管理员经常使用一个软件的时候通常设置满足自身个性化需求的可能性较大；同时轨迹的相似度说明了同一软件在不同管理员使用情况下的用户个性化，n(pi)的个数越多，说明对应管理员的第一跟踪软件的个性化设置可能性越小；利用公式：
Figure BDA0003844640130000071
计算第i个管理员的第一跟踪软件的整体差异指数Qi，其中k为管理员对应工作计算机设备的总个数，i≤k；
Figure BDA0003844640130000072
表示第i个管理员在第一跟踪软件的第一差异指数，a1为第一差异指数的参考系数；
Figure BDA0003844640130000073
表示第i个管理员的第一跟踪软件的第二差异指数，a2为第二差异指数的参考系数；
提取整体差异指数Qi大于等于预设差异阈值的第一跟踪软件对应的轨迹数据集合为差异化数据集合。通过分析整体数据在管理员使用时间和产生数据的相似度两种角度进行分析相同软件不同人员使用的差异化，推断了管理员在使用软件过程中产生个性化的可能性，从而有效区分出哪些数据是可能存在个性化的差异数据，缩小了对个性化数据的识别范围。
步骤S3中分析差异化数据集合的类型，包括以下步骤：
获取差异化数据集合中的轨迹数据，提取与工作计算机设备未进行操作时的初始数据相同的轨迹数据为第一目标轨迹，提取与工作计算机设备未进行操作时的初始数据不相同的轨迹数据为第二目标轨迹；这里与初始数据相同是指工作计算机设备的初始数据在后续管理员工作过程中并未进行主动改动，如管理员对计算机进行的输入键入过程同初始工作计算机设备的输入键入方式相同；这里与初始数据不同是指工作计算机设备的初始数据在后续管理员工作过程中进行主动改动，如管理员在计算机设备操作中改变文件的存储路径，初始的存储路径与改变后的存储路径存在差异；
获取第一目标轨迹在第一监测周期中的数据对w1，w1＝{tj1,gj1}，其中tj1表示第一目标轨迹中的第j个间隔时段，gj1表示第一目标轨迹中第j个间隔时段对应的轨迹移动速率，轨迹移动速率是指间隔时段内轨迹移动的路径与轨迹移动时间的比值，第一监测周期中存在r个间隔时段，j≤r；获取第二目标轨迹在第一监测周期中的数据对w2，w2＝{tj2,gj2}，其中tj2表示第二目标轨迹中的第j个间隔时段，gj2表示第二目标轨迹中第j个间隔时段对应的轨迹移动速率；
分析速率是因为个性化的设备会使得管理员操作的流畅度更高、效率更快；
分别构建数据对w1的拟合曲线一和数据对w2的拟合曲线二，提取拟合曲线一和拟合曲线二均呈上升趋势时，拟合曲线一和拟合曲线二的变化趋势相似度满足趋势相似度阈值时拟合曲线的个数u1，计算同化比例u0＝u1/u，其中u表示拟合曲线一和拟合曲线二的总个数，同化比例是指拟合曲线一和拟合曲线二趋势满足趋势相似度的比例；因为趋势接近效果相同但对应数据的来源不同，虽然都是实现了管理员的个性化使用达到高效的目的，但是表明了方式的差异化所以需要进行分类；
当同化比例小于同化比例阈值时，不存在类型区别，因为本身就是不同来源的数据对应产生的结果是不同时，此时只需要哪种类型是满足管理员个性化的数据即可；当同化比例大于等于同化比例阈值时，输出拟合曲线一对应的第一目标轨迹为第一差异化数据集，输出拟合曲线二对应的第二目标轨迹为第二差异化数据集。当存在类型区别时，进行区分是因为不同来源的数据存在的个性化结果是类似的，那么在捕捉数据的时候就需要对两种类型的数据都进行对应分析才能保证数据的完整性和精确性。
步骤S3中选择个性化模型的建立包括以下分析步骤：
建立包含拟合曲线一和拟合曲线二的拟合曲线集，获取拟合曲线集中任意间隔时段与初始间隔时段的变化速率h，h＝[gj-g0]/[tj-t0]，gj＝{gj1,gj2}，tj＝{tj1,tj2}；
提取变化速率h大于等于所有间隔时段与初始间隔时段的平均变化速率对应的轨迹数据为目标轨迹数据；获取目标轨迹数据存在于拟合曲线一中的个数o1和存在于拟合曲线二中的个数o2，则建立选择个性化模型T，T＝|o1-o2|；
若T大于等于选择个性化阈值T0，说明o1和o2差别很大，从而反应出管理员在某一操作轨迹中实现了个性化需求的效率提升，而对应个数小的轨迹数据可能是因为其他因素造成的偶然性速率提升，所以不具备分析性，则Max[o1,o2]对应拟合曲线的轨迹数据为选择个性化模型中的选择个性化数据；
若T小于个性化阈值T0，则目标轨迹数据为选择个性化模型中的选择个性化数据。差别不大时说明上述操作轨迹在某段时刻的数据均是满足个性化的。如在文件处理过程中，会存在着内容输入和保存的过程，如果在从输入到保存过程中，记录的所有轨迹数据，在保存过程中可能存在着修改保存地址，那么一开始进行修改步骤对应的轨迹就会造成保存效率的低下，因为要选择地址，如果后续选择完成后直接进行保存则效率就会提升，那么对于地址的选择就可以认定为管理员的个性化数据。
步骤S3中差异个性化模型的建立包括以下分析步骤：
差异个性化模型包括第一个性化模型和第二个性化模型；第一个性化模型是指工作计算机设备针对管理员的个性化适应产生的量化模型；
获取第一差异化数据集中管理员键入的轨迹数据与计算机的轨迹数据适配过程对应拟合曲线一中的发生时段ta，并获取发生时段直接适配的个数s1，直接适配表示管理员键入的数据对应计算机给出的首个数据即为确定输入的数据；建立第一个性化模型Y1，
Y1＝(s1)ta-(s1)t(a-1)
其中，(s1)ta表示发生时段ta对应的直接适配的个数，(s1)t(a-1)表示发生时段ta前的时段内对应直接适配的个数，提取Y1大于零时发生时段ta对应拟合曲线一中的轨迹数据为第一个性化数据；
如管理员输入“shuihu”可能存在水壶或者水浒，那么对应管理员的职能可知道管理员的确定输入数据为“水浒”；因为通常管理书籍流通的人员会输入各种书籍的名称，当计算机分析管理员输入习惯后会在后续键入相同字母时产生对应的词意而非其他，那么这就是工作计算机设备针对管理员的个性化适应，而由水壶到水浒的演变过程则是符合对应的量化模型的；
第二个性化模型是指管理员主动行为的个性化适应产生的量化模型；获取第二差异化数据集对应拟合曲线二产生最大变化速率max[h]，则第二个性化模型为Y2＝{t(max[h])}，其中t(max[h])表示拟合曲线二中产生最大变化速率对应的间隔时段，Y2则表示拟合曲线二中最大变化速率对应的间隔时段；则Y2对应拟合曲线二中的轨迹数据即为第二个性化数据。如管理员根据操作习惯对存储路径的修改保存；如果在管理员的操作轨迹中前半段没有修改存储路径，在某一时刻修改了存储路径时，那么对应修改时刻的变化速率就会大于之前间隔时段的变化速率，相当于提升了工作效率；那么对应修改后的轨迹数据都应该是满足管理员个性化需求的数据。当系统分析出用户对应的个性化数据时，可以在用户改变原始设备时进行更新或传输，解决了用户不用因设备的更换造成的个性化数据缺失带来的工作效率降低的问题；
如在计算机z1上使用输入法x1形成一套个性化数据c1，那么在使用计算机z2时登陆该系统即可选择更新或传输个性化数据c1是否应用于该计算机中的输入法x2；且这套个性化数据c1是通过计算机分析得到的满足该管理员适应性的第一个性化数据，即管理图书馆书籍的管理员输入“shuihu”想得到的是“水浒”而非“水壶”；
又如在计算机z1上选择了对软件b1路径m1的保存，那么在计算机z2上也可以更新对软件b1路径m1的保存，那么软件b1对应的路径m1即为第二个性化数据。
一种基于大数据的运维信息管理系统，包括历史数据获取模块、差异化数据集合制定模块、集合类型判断模块、个性化模型建立模块和零信任个性化数据集存储模块；
历史数据获取模块用于获取图书馆中不同管理员工作计算机设备上的历史数据，历史数据包括工作计算机设备未进行操作时的初始数据和开始操作后的轨迹数据；
差异化数据集合制定模块用于制定不同管理员的工作计算机设备对比分析后的差异化数据集合；
集合类型判断模块用于判断差异化数据集合的类型；
个性化模型建立模块用于基于差异化数据建立个性化模型；个性化模型为差异个性化模型或选择个性化模型；
零信任个性化数据集存储模块用于提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集。
差异化数据集合制定模块包括第一跟踪软件标定单元、轨迹数据获取单元、整体差异指数计算单元和阈值分析单元；
第一跟踪软件标定单元用于标记不同管理员初始数据相同的软件为第一跟踪软件；
轨迹数据获取单元用于获取第一监测周期中第一跟踪软件的轨迹数据，并记录第一跟踪软件在管理员处的轨迹数据集合；
整体差异指数计算单元用于基于平均间隔时长和相似度关系分析整体差异指数；
阈值分析单元用于将整体差异指数与预设差异阈值进行比较分析，提取满足条件的轨迹数据为差异化数据集合。
集合类型判断模块包括第一目标轨迹提取单元、第二目标轨迹提取单元、数据对建立单元、拟合曲线绘制单元、同化比例计算单元和类型分析单元；
第一目标轨迹提取单元用于获取差异化数据集合中的轨迹数据，并提取与工作计算机设备未进行操作时的初始数据相同的轨迹数据；
第二目标轨迹提取单元用于提取与工作计算机设备未进行操作时的初始数据不相同的轨迹数据为第二目标轨迹；
数据对建立单元用于分别建立第一目标轨迹和第二目标轨迹的数据对；
拟合曲线绘制单元用于基于第一目标轨迹和第二目标轨迹的数据对分别建立第一目标轨迹和第二目标轨迹的拟合曲线；
同化比例计算单元用于分析拟合曲线一和拟合曲线二的变化趋势相似度满足趋势相似度阈值时拟合曲线的个数计算同化比例；
类型分析单元用于基于同化比例对拟合曲线及对应的轨迹数据进行区分。
个性化模型建立模块包括选择个性化模型建立单元、第一个性化模型建立单元和第二个性化模型建立单元；
选择个性化模型建立单元用于基于拟合曲线一和拟合曲线二集合中的变化速率，以及满足变化速率要求的轨迹数据个数来分析选择个性化模型，并保存模型中对应的个性化数据；
第一个性化模型建立单元用于基于第一差异化数据集中管理员键入的轨迹数据与计算机的轨迹数据适配过程对应拟合曲线一中的发生时段及对应直接适配的个数来分析第一个性化模型，并保存对应拟合曲线一中的轨迹数据为第一个性化数据；
第二个性化模型建立单元用于基于第二差异化数据集对应拟合曲线二产生最大变化速率建立第二个性化模型，并保存模型对应拟合曲线二中的轨迹数据为第二个性化数据。
需要说明的是，在本文中，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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于大数据的运维信息管理方法，其特征在于，包括以下步骤：
步骤S1：获取图书馆中不同管理员工作计算机设备上的历史数据，所述历史数据包括工作计算机设备未进行操作时的初始数据和开始操作后的轨迹数据；
步骤S2：将不同管理员的工作计算机设备进行对比分析，制定工作计算机设备基于管理员使用行为的差异化数据集合；
步骤S3：判断差异化数据集合的类型，并基于差异化数据建立个性化模型，所述个性化模型为差异个性化模型或选择个性化模型，所述差异个性化模型是指差异化数据集合存在类型差异时对应的模型，所述选择个性化模型是指差异化数据集合不存在类型差异时对应的模型；
步骤S4：基于个性化模型，对应提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集；所述零信任个性化数据集表示其中的个性化数据在管理员更换任一工作计算机设备时传输或更新满足管理员历史需求的个性化数据。
2.根据权利要求1所述的一种基于大数据的运维信息管理方法，其特征在于：所述步骤S2包括以下具体步骤：
标记不同管理员初始数据相同的软件为第一跟踪软件，获取第一监测周期中第一跟踪软件的轨迹数据，记录第一跟踪软件在第i个管理员的轨迹数据集合为pi，所述轨迹数据是指管理员在计算机中进行的操作产生的后台数据记录；
获取第i个管理员的轨迹数据集合pi中相邻轨迹数据对应的平均间隔时间长度hi，以及第i个管理员的轨迹数据集合pi与其他管理员的轨迹数据集合相似度大于等于相似度阈值的个数n(pi)；利用公式：
Figure FDA0003844640120000011
计算第i个管理员的第一跟踪软件的整体差异指数Qi，其中k为管理员对应工作计算机设备的总个数，i≤k；
Figure FDA0003844640120000012
表示第i个管理员在第一跟踪软件的第一差异指数，所述a1为第一差异指数的参考系数；
Figure FDA0003844640120000013
表示第i个管理员的第一跟踪软件的第二差异指数，所述a2为第二差异指数的参考系数；
提取整体差异指数Qi大于等于预设差异阈值的第一跟踪软件对应的轨迹数据集合为差异化数据集合。
3.根据权利要求2所述的一种基于大数据的运维信息管理方法，其特征在于：所述步骤S3中分析差异化数据集合的类型，包括以下步骤：
获取差异化数据集合中的轨迹数据，提取与工作计算机设备未进行操作时的初始数据相同的轨迹数据为第一目标轨迹，提取与工作计算机设备未进行操作时的初始数据不相同的轨迹数据为第二目标轨迹；
获取第一目标轨迹在第一监测周期中的数据对w1，w1＝{tj1,gj1}，其中tj1表示第一目标轨迹中的第j个间隔时段，所述gj1表示第一目标轨迹中第j个间隔时段对应的轨迹移动速率，所述轨迹移动速率是指间隔时段内轨迹移动的路径与轨迹移动时间的比值，所述第一监测周期中存在r个间隔时段，j≤r；获取第二目标轨迹在第一监测周期中的数据对w2，w2＝{tj2,gj2}，其中tj2表示第二目标轨迹中的第j个间隔时段，所述gj2表示第二目标轨迹中第j个间隔时段对应的轨迹移动速率；
分别构建数据对w1的拟合曲线一和数据对w2的拟合曲线二，提取拟合曲线一和拟合曲线二均呈上升趋势时，拟合曲线一和拟合曲线二的变化趋势相似度满足趋势相似度阈值时拟合曲线的个数u1，计算同化比例u0＝u1/u，其中u表示拟合曲线一和拟合曲线二的总个数，所述同化比例是指拟合曲线一和拟合曲线二趋势满足趋势相似度的比例；
当同化比例小于同化比例阈值时，不存在类型区别；当同化比例大于等于同化比例阈值时，输出拟合曲线一对应的第一目标轨迹为第一差异化数据集，输出拟合曲线二对应的第二目标轨迹为第二差异化数据集。
4.根据权利要求1所述的一种基于大数据的运维信息管理系统及方法，其特征在于：所述步骤S3中选择个性化模型的建立包括以下分析步骤：
建立包含拟合曲线一和拟合曲线二的拟合曲线集，获取拟合曲线集中任意间隔时段与初始间隔时段的变化速率h，h＝[gj-g0]/[tj-t0]，gj＝{gj1,gj2}，tj＝{tj1,tj2}；
提取变化速率h大于等于所有间隔时段与初始间隔时段的平均变化速率对应的轨迹数据为目标轨迹数据；获取目标轨迹数据存在于拟合曲线一中的个数o1和存在于拟合曲线二中的个数o2，则建立选择个性化模型T，T＝|o1-o2|；
若T大于等于选择个性化阈值T0，则Max[o1,o2]对应拟合曲线的轨迹数据为选择个性化模型中的选择个性化数据；
若T小于个性化阈值T0，则目标轨迹数据为选择个性化模型中的选择个性化数据。
5.根据权利要求4所述的一种基于大数据的运维信息管理方法，其特征在于：所述步骤S3中差异个性化模型的建立包括以下分析步骤：
所述差异个性化模型包括第一个性化模型和第二个性化模型；所述第一个性化模型是指工作计算机设备针对管理员的个性化适应产生的量化模型；
获取第一差异化数据集中管理员键入的轨迹数据与计算机的轨迹数据适配过程对应拟合曲线一中的发生时段ta，并获取发生时段直接适配的个数s1，所述直接适配表示管理员键入的数据对应计算机给出的首个数据即为确定输入的数据；建立第一个性化模型Y1，Y1＝(s1)ta-(s1)t(a-1)
其中，(s1)ta表示发生时段ta对应的直接适配的个数，(s1)t(a-1)表示发生时段ta前的时段内对应直接适配的个数，提取Y1大于零时发生时段ta对应拟合曲线一中的轨迹数据为第一个性化数据；
所述第二个性化模型是指管理员主动行为的个性化适应产生的量化模型；获取第二差异化数据集对应拟合曲线二产生最大变化速率max[h]，则第二个性化模型为Y2＝{t(max[h])}，其中t(max[h])表示拟合曲线二中产生最大变化速率对应的间隔时段，Y2则表示拟合曲线二中最大变化速率对应的间隔时段；则Y2对应拟合曲线二中的轨迹数据即为第二个性化数据。
6.应用权利要求1-5中任一项所述的一种基于大数据的运维信息管理方法的一种基于大数据的运维信息管理系统，其特征在于，包括历史数据获取模块、差异化数据集合制定模块、集合类型判断模块、个性化模型建立模块和零信任个性化数据集存储模块；
所述历史数据获取模块用于获取图书馆中不同管理员工作计算机设备上的历史数据，所述历史数据包括工作计算机设备未进行操作时的初始数据和开始操作后的轨迹数据；
所述差异化数据集合制定模块用于制定不同管理员的工作计算机设备对比分析后的差异化数据集合；
所述集合类型判断模块用于判断差异化数据集合的类型；
所述个性化模型建立模块用于基于差异化数据建立个性化模型；所述个性化模型为差异个性化模型或选择个性化模型；
所述零信任个性化数据集存储模块用于提取个性化模型中的个性化数据，并建立管理员对应的零信任个性化数据集。
7.根据权利要求6所述的一种基于大数据的运维信息管理系统，其特征在于：所述差异化数据集合制定模块包括第一跟踪软件标定单元、轨迹数据获取单元、整体差异指数计算单元和阈值分析单元；
所述第一跟踪软件标定单元用于标记不同管理员初始数据相同的软件为第一跟踪软件；
所述轨迹数据获取单元用于获取第一监测周期中第一跟踪软件的轨迹数据，并记录第一跟踪软件在管理员处的轨迹数据集合；
所述整体差异指数计算单元用于基于平均间隔时长和相似度关系分析整体差异指数；
所述阈值分析单元用于将整体差异指数与预设差异阈值进行比较分析，提取满足条件的轨迹数据为差异化数据集合。
8.根据权利要求7所述的一种基于大数据的运维信息管理系统，其特征在于：所述集合类型判断模块包括第一目标轨迹提取单元、第二目标轨迹提取单元、数据对建立单元、拟合曲线绘制单元、同化比例计算单元和类型分析单元；
所述第一目标轨迹提取单元用于获取差异化数据集合中的轨迹数据，并提取与工作计算机设备未进行操作时的初始数据相同的轨迹数据；
所述第二目标轨迹提取单元用于提取与工作计算机设备未进行操作时的初始数据不相同的轨迹数据为第二目标轨迹；
所述数据对建立单元用于分别建立第一目标轨迹和第二目标轨迹的数据对；
所述拟合曲线绘制单元用于基于第一目标轨迹和第二目标轨迹的数据对分别建立第一目标轨迹和第二目标轨迹的拟合曲线；
所述同化比例计算单元用于分析拟合曲线一和拟合曲线二的变化趋势相似度满足趋势相似度阈值时拟合曲线的个数计算同化比例；
所述类型分析单元用于基于同化比例对拟合曲线及对应的轨迹数据进行区分。
9.根据权利要求8所述的一种基于大数据的运维信息管理系统，其特征在于：所述个性化模型建立模块包括选择个性化模型建立单元、第一个性化模型建立单元和第二个性化模型建立单元；
所述选择个性化模型建立单元用于基于拟合曲线一和拟合曲线二集合中的变化速率，以及满足变化速率要求的轨迹数据个数来分析选择个性化模型，并保存模型中对应的个性化数据；
所述第一个性化模型建立单元用于基于第一差异化数据集中管理员键入的轨迹数据与计算机的轨迹数据适配过程对应拟合曲线一中的发生时段及对应直接适配的个数来分析第一个性化模型，并保存对应拟合曲线一中的轨迹数据为第一个性化数据；
所述第二个性化模型建立单元用于基于第二差异化数据集对应拟合曲线二产生最大变化速率建立第二个性化模型，并保存模型对应拟合曲线二中的轨迹数据为第二个性化数据。
CN202211113756.8A 2022-09-14 2022-09-14 一种基于大数据的运维信息管理系统及方法 Active CN115358430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211113756.8A CN115358430B (zh) 2022-09-14 2022-09-14 一种基于大数据的运维信息管理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211113756.8A CN115358430B (zh) 2022-09-14 2022-09-14 一种基于大数据的运维信息管理系统及方法

Publications (2)

Publication Number Publication Date
CN115358430A true CN115358430A (zh) 2022-11-18
CN115358430B CN115358430B (zh) 2023-04-18

Family

ID=84007191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211113756.8A Active CN115358430B (zh) 2022-09-14 2022-09-14 一种基于大数据的运维信息管理系统及方法

Country Status (1)

Country Link
CN (1) CN115358430B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384393A (zh) * 2023-04-27 2023-07-04 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170235298A1 (en) * 2014-01-31 2017-08-17 Fisher-Rosemount Systems, Inc. Managing big data in process control systems
CN108009932A (zh) * 2018-01-05 2018-05-08 上海栈略数据技术有限公司 一种基于大数据分析的智能长期护理服务平台
CN108595108A (zh) * 2017-12-29 2018-09-28 北京奇虎科技有限公司 一种数据的迁移方法和装置
KR101944070B1 (ko) * 2018-10-10 2019-01-30 (주)모두그룹종합건축사사무소 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
CN110175102A (zh) * 2019-05-29 2019-08-27 中国海洋石油集团有限公司 一种信息管理系统
CN110808856A (zh) * 2019-10-31 2020-02-18 深圳供电局有限公司 一种基于数据中心的大数据运维方法及系统
CN114168444A (zh) * 2021-12-14 2022-03-11 天津科技大学 一种基于监控大数据的动态运维报修模型

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170235298A1 (en) * 2014-01-31 2017-08-17 Fisher-Rosemount Systems, Inc. Managing big data in process control systems
CN108595108A (zh) * 2017-12-29 2018-09-28 北京奇虎科技有限公司 一种数据的迁移方法和装置
CN108009932A (zh) * 2018-01-05 2018-05-08 上海栈略数据技术有限公司 一种基于大数据分析的智能长期护理服务平台
KR101944070B1 (ko) * 2018-10-10 2019-01-30 (주)모두그룹종합건축사사무소 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
CN110175102A (zh) * 2019-05-29 2019-08-27 中国海洋石油集团有限公司 一种信息管理系统
CN110808856A (zh) * 2019-10-31 2020-02-18 深圳供电局有限公司 一种基于数据中心的大数据运维方法及系统
CN114168444A (zh) * 2021-12-14 2022-03-11 天津科技大学 一种基于监控大数据的动态运维报修模型

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384393A (zh) * 2023-04-27 2023-07-04 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法
CN116384393B (zh) * 2023-04-27 2023-11-21 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法

Also Published As

Publication number Publication date
CN115358430B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111275546B (zh) 金融客户欺诈风险识别方法及装置
US7353214B2 (en) Outlier determination rule generation device and outlier detection device, and outlier determination rule generation method and outlier detection method thereof
EP3413212A1 (en) Random forest model training method, electronic apparatus and storage medium
US20030135818A1 (en) System and method for calculating a user affinity
WO2018183069A1 (en) Method and device for constructing scoring model and evaluating user credit
WO2003090160A2 (en) Processing mixed numeric and/or non-numeric data
CN109767227B (zh) 通过rds实现支付风险智能判断和控制的系统及方法
CN115358430B (zh) 一种基于大数据的运维信息管理系统及方法
CN112200665A (zh) 一种授信额度的确定方法及装置
CN109522273A (zh) 一种实现数据写入的方法及装置
CN117938716A (zh) 一种基于云计算的网络监测数据处理系统、方法及储存介质
KR20070008210A (ko) 유해 멀티미디어 정보 차단 방법 및 장치
US20070061429A1 (en) Optimizing utilization of application resources
CN109614780B (zh) 生物信息认证方法及装置、存储介质、电子设备
CN112561691B (zh) 一种客户授信预测方法、装置、设备及存储介质
CN117724898A (zh) 基于云计算的容灾备份数据管理系统
CN115883392B (zh) 算力网络的数据感知方法、装置、电子设备及存储介质
CN109145207B (zh) 一种基于分类指标预测的信息个性化推荐方法及装置
CN115544250B (zh) 一种数据处理方法及系统
CN110347928A (zh) 一种个性化信息推荐方法与系统
CN115204322B (zh) 行为链路异常识别方法和装置
CN111832815B (zh) 科研热点预测方法及系统
CN113988152A (zh) 用户类型预测模型训练方法、资源分配方法、介质及装置
CN110929005A (zh) 基于情绪分析的任务跟催方法、装置、设备及存储介质
CN116561324B (zh) 一种基于人工智能的网络信息智能分析调控系统及方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230324

Address after: 200000 room 228, floor 2, building 6 (North Block D), No. 33, Guangshun Road, Changning District, Shanghai

Applicant after: Shanghai xingniao Network Technology Co.,Ltd.

Address before: Room 2106-521, Building 4 (No. 689, Shize Road, Songbei District), Innovation and Entrepreneurship Plaza, Science and Technology Innovation City, Harbin Hi tech Industrial Development Zone, 150000 Heilongjiang Province

Applicant before: Harbin Feitong Ingenuity Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant