CN115766514A - 车联网的全链路质量监控方法、装置、存储介质和车辆 - Google Patents
车联网的全链路质量监控方法、装置、存储介质和车辆 Download PDFInfo
- Publication number
- CN115766514A CN115766514A CN202211362263.8A CN202211362263A CN115766514A CN 115766514 A CN115766514 A CN 115766514A CN 202211362263 A CN202211362263 A CN 202211362263A CN 115766514 A CN115766514 A CN 115766514A
- Authority
- CN
- China
- Prior art keywords
- data
- node device
- target
- vehicle
- full link
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 230000006855 networking Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000002596 correlated effect Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车联网的全链路质量监控方法、装置、存储介质和车辆。其中,该方法包括:在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;对目标采集数据组中的采集数据进行对比,得到对比结果;基于对比结果,在多个节点设备中确定全链路中异常节点设备。本发明解决了对车端远程控车服务质量评估效率差的技术问题。
Description
技术领域
本发明涉及车辆领域,具体而言,涉及一种车联网的全链路质量监控方法、装置、存储介质和车辆。
背景技术
目前,在车联网远程控车中,由于车联网远程控车服务因技术实现链路较长,当远程控车发生问题时,对问题分析的周期较长且对问题原因的定位较难,因此,仍存在对车端远程控车服务质量评估效率差的技术问题。
针对上述相关技术存在的对车端远程控车服务质量评估效率差的技术问题,目前尚未提出有效方案。
发明内容
本发明实施例提供了一种车联网的全链路质量监控方法、装置、存储介质和车辆,以至少解决对车端远程控车服务质量评估效果差的技术问题。
根据本发明实施例的一个方面,提供了一种车联网的全链路质量监控方法。该方法可以包括:在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;对目标采集数据组中的采集数据进行对比,得到对比结果;基于对比结果,在多个节点设备中确定全链路中异常节点设备。
可选地,基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,包括:对采集数据进行转换,得到各个节点设备的标准化数据;基于在同一时间段内各个节点设备的标准化数据之间的关联关系,获取至少一目标采集数据组。
可选地,基于在同一时间段内各个节点设备的标准化数据之间的关联关系,获取至少一目标采集数据组,包括:按照时间顺序对各个节点设备的标准化数据进行排序,得到多组标准化数据组,其中,标准化数据组数量与节点设备的数量一致;从多组标准化数据组中提取出位于同一时间段内的标准化数据,对提取出的标准化数据之间建立关联关系,获取至少一目标采集数据组,其中,目标采集数据组的数量与时间段内的数量相同。
可选地,基于对比结果在多个节点设备中确定全链路中异常节点设备,包括:响应于对比结果为目标采集数据组中存在一标准化数据与其他标准化数据相异,确定一标准化数据异常;响应于节点设备存在目标数量个异常的标准化数据,确定节点设备为异常节点设备。
可选地,响应于全链路存在异常节点设备,输出提示信息。
可选地,对异常节点设备进行修正,且对修正后的全链路进行质量检测;响应于在目标时间段内各个节点设备正常,停止输出提示信息。
根据本发明实施例的另一方面,还提供了一种车联网全链路质量监控装置,该装置可以包括:第一获取单元,用于在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;第二获取单元,用于基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;处理单元,用于对目标采集数据组中的采集数据进行对比,得到对比结果;确定单元,用于基于对比结果在多个节点设备中确定全链路中的异常节点设备。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的车联网的全链路质量监控方法。
根据本发明实施例的另一方面,还提供了一种处理器。该处理器用于运行程序,其中,程序运行时执行本发明实施例的车联网的全链路质量监控方法。
根据本发明实施例的另一方面,还提供一种车辆。该车辆用于执行本发明实施例的车联网的全链路质量监控方法。
在本发明实施例中,在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;对目标采集数据组中的采集数据进行对比,得到对比结果;基于对比结果,在多个节点设备中确定全链路中异常节点设备。也就是说,本发明实施例通过提取车联网的全链路中的节点设备的采集数据,并可以将同一时间段内的采集数据之间相互关联,确定关联关系,基于关联关系可以得到目标采集数据组,通过对目标采集数据组中的采集数据进行对比分析,若目标采集数据组中某一采集数据与其他采集数据的对比结果不同,则可以确定车联网的全链路中存在异常节点设备;若对比结果相同,则车联网的全链路中的节点设备都为正常节点设备,从而解决了对车端远程控车服务质量评估效率差的技术问题,实现了提高车端远程控车服务质量评估的效率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种车辆的数据处理方法的流程图;
图2是根据本发明实施例的一种车联网远程控制服务全链路质量监控方法的流程图;
图3是根据本发明实施例的一种车辆处于唤醒状态下的远程控制功能实现链路的示意图;
图4是根据本发明实施例的一种车辆处于未唤醒状态下的远程控制功能实现链路的示意图;
图5是根据本发明实施例的一种车辆的数据处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种车辆的数据处理方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种车辆的数据处理方法的流程图,如图1所示,该方法可以包括如下步骤:
步骤S102,在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据。
在本发明上述步骤S102提供的技术方案中,在车联网的全链路中存在多个节点设备,可以获取多个节点设备的采集数据,其中,节点设备可以包括应用端(Application,简称为APP)、车辆远程服务提供商(Telematics Service Provider,简称为TSP)、车载电器元件(Telematics BOX,简称为T-BOX)、云端等。云端可以为物联网(Internet of Things,简称为IOT)。采集数据可以包括节点设备中存储的状态信息和网络信息等。比如,应用端的采集数据可以包括远程控制指令所控制的车辆部件、远程控制指令的发送时间、下一节点设备接收远程控制指令时间及结果状态等数据。车辆远程服务提供商的采集数据可以包括全链路的所有其他节点设备的质量数据等。车载电器元件的采集数据可以包括网络制式(比如,第四代的移动信息系统或第五代的移动信息系统)、信号强度、控制器状态(比如,车门状态、发动机状态或车窗状态等)、状态信息(比如,唤醒状态、上电状态、启动状态、熄火状态、下电状态和休眠状态等)。
需要说明的是,上述节点设备及节点设备的采集数据仅为举例说明,此处不做具体限制,可以根据实际情况进行变化。
可选地,可以对采集数据进行处理,生成日志,比如,可以获取全链路节点中每个节点设备的采集数据,可以对采集数据进行特征提取,通过知识图谱构建或图卷积神经网络模型可以自动生成节点设备的日志。需要说明的是,此处生成日志的方法和过程均为举例说明,不做具体限制。
举例而言,可以通过建立实时监控模型定期获取所有节点设备的日志,并进行存储,该模型的存储周期可以为七天。
步骤S104,基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据。
在本发明上述步骤S104提供的技术方案中,确定在同一时间段内的各个节点设备的采集数据,可以将同一时间段内各个节点设备的采集数据进行关联,确定采集数据之间的关联关系,基于关联关系,可以确定至少一目标采集数据组,其中,关联关系可以用于表征节点设备之间的数据存在关联关系。目标采集数据组可以包括在相同时间段内至少一节点设备的采集数据。同一时间段可以为预设的时间段。
可选地,通过对各个节点设备的日志进行改造,可以将各个日志进行关联,实现将节点设备的采集数据之间关联,基于关联关系,可以确定目标采集数据组,需要说明的是,此处将各个节点设备进行关联的方法仅为举例说明,不做具体限制。
举例而言,在车辆唤醒时,可以通过对节点设备应用端、车辆远程服务提供商和车载电器元件的日志进行标准化改造,可以将同一时间段内的应用端与车辆远程服务提供商的日志相关联,车辆远程服务提供商与车载电器元件的日志相关联,从而得到上述节点设备的日志之间的关联关系,基于关联关系,可以确定在相同时间段内的应用端、车辆远程服务提供商和车载电器元件的采集数据,将上述采集数据可以确定为一组目标采集数据组。
步骤S106,对目标采集数据组中的采集数据进行对比,得到对比结果。
在本发明上述步骤S106提供的技术方案中,可以将目标采集数据组中的各个节点设备的采集数据之间进行对比,得到对比结果,其中,对比结果可以为采集数据之间的相似度,可以用于表征多个节点设备的采集数据是否相同。
可选地,对同一时间段内的各节点设备的采集数据可以确定为一组目标采集数据组,对该目标采集数据组中各节点设备的采集数据进行对比,可以确定对比结果,从而可以基于对比结果确定同一时间段内的各节点设备的采集数据是否相同。
步骤S108,基于对比结果,在多个节点设备中确定全链路中异常节点设备。
在本发明上述步骤S108提供的技术方案中,可以基于对比结果,确定采集数据是否相同,若不相同,则可以说明此时的车联网的全链路中的节点设备中存在异常节点设备,可以进一步从多个节点设备中确定异常节点设备;若相同,则可以说明此时的车联网的全链路中所有的节点设备均处于正常状态。
本申请上述步骤S102至步骤S108,在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;对目标采集数据组中的采集数据进行对比,得到对比结果;基于对比结果,在多个节点设备中确定全链路中异常节点设备。本发明实施例通过提取车联网的全链路中的节点设备的采集数据,并可以将同一时间段内的采集数据之间相互关联,确定关联关系,基于关联关系可以得到目标采集数据组,通过对目标采集数据组中的采集数据进行对比分析,若目标采集数据组中某一采集数据与其他采集数据的对比结果不同,则可以确定车联网的全链路中存在异常节点设备;若对比结果相同,则车联网的全链路中的节点设备都为正常节点设备,从而解决了对车端远程控车服务质量评估效率差的技术问题,实现了提高车端远程控车服务质量评估的效率的技术效果。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施例方式,步骤S104,基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,包括:对采集数据进行转换,得到各个节点设备的标准化数据;基于在同一时间段内各个节点设备的标准化数据之间的关联关系,获取至少一目标采集数据组。
在该实施例中,可以对采集数据进行转换,得到所有节点设备的采集数据对应的标准化数据,可以通过对采集数据进行处理,达到将采集数据转换为标准化数据的目的,将同一时间段内的各个节点设备的标准化数据之间相关联,得到关联关系,基于关联关系,可以确定至少一目标采集数据组。
可选地,可以将所有节点设备的日志进行统一的标准化改造,可以得到标准化数据,进而可以将各个节点设备的标准化数据进行相互关联,基于关联关系,可以获取在同一时间段内的一组目标采集数据组。
举例而言,可以通过建立链路跟踪模型,实现将采集数据转换为标准化数据的目的,该模型可以对所有节点设备的日志指定统一的日志规范化格式,将日志按照日志规范化格式打开,从而可以实现对日志进行标准化改造,可以得到标准化数据,进而可以使得各个节点设备的标准化数据可以相互关联,需要说明的是,此不对日志规范化格式及采集数据转换标准化数据的过程和方法做具体限制,可以根据实际的采集数据进行改变。
作为一种可选的实施例方式,步骤S104,基于在同一时间段内各个节点设备的标准化数据之间的关联关系,获取至少一目标采集数据组,包括:按照时间顺序对各个节点设备的标准化数据进行排序,得到多组标准化数据组,其中,标准化数据组数量与节点设备的数量一致;从多组标准化数据组中提取出位于同一时间段内的标准化数据,对提取出的标准化数据之间建立关联关系,获取至少一目标采集数据组,其中,目标采集数据组的数量与时间段内的数量相同。时间顺序可以为时间由前到后的顺序。
在该实施例中,可以按照时间的先后顺序对各个节点设备的标准化数据进行排序,可以得到多组标准化数据组,从多组标准化数据组中可以提取出处于同一时间段内的标准化数据,按照同一时间段内的所有标准化数据的时间顺序,可以将标准化数据进行关联,得到关联关系,基于关联关系,从而获取至少一目标采集数据组,其中,标准化数据组的数量与节点设备的数量一致。目标采集数据组的数量与时间段的数量相同。
可选地,可以采用数据挖掘技术确定标准化数据的时间序列,基于该技术,可以对标准化数据进行时空分析,可以将各个节点设备的标准化数据进行相关处理,将标准化数据可以转换为与之对应的时间序列,可以对时间序列进行特征提取,得到时间序列的特征(比如,远程控制指令发送时间或远程控制指令接收时间等),需要说明的是,此处确定标准化数据的时间序列的方法及过程仅为举例说明,此处不做具体限制。
可选地,对标准化数据的时间序列可以通过链路跟踪模型按照时间顺序进行排序,该模型可以基于时间序列将标准化数据划分到多个时间段内,对每个时间段内的标准化数据再通过时间序列进行关联,结合该模型中配置的拓扑关系,可以挖掘出同一时间段内的标准化数据的关联关系,并实现可视化的展示出各节点设备的标准化数据的技术效果。
举例而言,获取三个节点设备的采集数据,其中包括三个节点设备,应用端、车辆远程服务提供商和车载电器元件,可以对采集数据进行特征提取,通过构建知识图谱或图卷积神经网络模型可以自动生成日志,对每个节点设备的日志进行标准化改造,可以生成对应的标准化数据,可以采用数据挖掘技术确定标准化数据的时间序列,对时间序列进行特征提取,可以得到每个节点设备对应的远程控制指令的接收\发送时间,并基于时间顺序对标准化数据进行排序及关联,可以得到多组标准化数据组,从多组标准化数据组中可以提取出处于同一时间段内的标准化数据组,按照同一时间段内的所有标准化数据的时间由前往后的顺序,可以确定为一组目标采集数据组。
作为一种可选的实施例方式,步骤S104,基于对比结果在多个节点设备中确定全链路中异常节点设备,包括:响应于对比结果为目标采集数据组中存在一标准化数据与其他标准化数据相异,确定一标准化数据异常;响应于节点设备存在目标数量个异常的标准化数据,确定节点设备为异常节点设备。
在该实施例中,可以对同一时间段内的目标采集数据组中的标准化数据进行对比,得到对比结果,当对比结果为目标采集数据组中存在一标准化数据与其他标准化数据不同,可以确定存在一标准化数据异常,当某一节点设备中存在目标数量个异常的标准化数据,可以确定该节点设备为异常节点设备。
可选地,对一目标采集数据组中的所有标准化数据进行对比处理,可以判断所有标准化数据是否相同,当存在至少一个标准化数据与其他标准化数据不同时,则可以说明至少一标准化数据异常,可以进一步确定异常的标准化数据对应的节点设备。
可选地,在本发明实施例中,对多个标准化数据可以通过构建远程服务质量告警模型进行处理,该模型可以根据自定义相关的告警规则表达式,对标准化数据进行对比,得到对比结果,从而实现实时监控标准化数据是否异常的技术效果,若对比结果为标准化数据相同,可以说明全链路中节点设备都为正常节点设备,也即,远程控制成功;若对比结果为存在某一标准化数据与其他标准化数据不同,可以说明全链路中存在异常节点设备,也即,远程控车失败。需要说明的是,此处对标准化数据进行处理的方法和模型仅为举例说明,不做具体限制。
可选地,对标准化数据及对比结果可以通过实时监控模型定期获取并监控,该模型可以实现多监控任务并行,可以将标准化数据及对比结果传输至实时监控模型,实时监控模型可以观测目标时间段内的标准化数据的变化趋势,并可以主动计算生成实时监控指标(比如,远程控制失败率),从而实现定期确定在一段时间内的车联网远程控制服务全链路质量是否达标的技术效果,可以对实时监控指标等数据可以通过可视化数据分析方法进行可视化展示。需要说明的是,上述对车联网远程控制服务全链路质量的评估方法及对数据进行可视化展示的方法仅为举例说明,此处不做具体限制。
作为一种可选的实施例方式,步骤S108,响应于全链路存在异常节点设备,输出提示信息。
在该实施例中,当车联网的全链路中存在异常节点设备时,则可以输出提示信息对用户进行告警,其中,提示信息可以包括异常节点设备的名称及标准化数据等信息。
可选地,当车联网的全链路中存在异常节点设备时,对提示信息可以通过构建远程服务质量告警模型进行输出,该模型的告警规则被触发,可以通过媒介(比如,电话、邮件和短信等)输出提示信息与车联网的负责人进行联系,其中,告警规则可以用于表征全链路存在异常节点设备,可以为实时监控单元模型所监控的标准化数据的变化趋势异常。需要说明的是,上述输出提示信息的模型与媒介仅为举例说明,不做具体限制。
举例而言,若车联网的全链路中车载电器元件的标准化数据异常,则可以通过图形用户界面向用户输出“车载电器元件异常,请及时修正”的文本弹窗,或可以通过语音进行提示,并可以通过邮箱向车联网的负责人发送相关的邮件,进行提示,其中,图形用户界面可以为车机屏幕或车载导航。需要说明的是,上述通过图形用户界面对或语音对用户进行提示仅为举例说明,此处不做具体限制。
可选地,若实时监控模型在某一时间段内监控的标准化数据的变化趋势存在突然上升或突然下降,由于该情况不包含在告警规则中,在本发明实施例中,可以在实时监控模型中添加神经网络模型,可以对上述情况进行学习训练,实现更精确诊断异常节点设备的技术效果,远程服务告警模型中也可以添加神经网络模型,可以利用神经网络模型在全链路质量监控的过程中对标准化数据及对比结果进行不断自学习,提高输出提示信息的能力,从而解决了对车端远程控车服务质量评估效果率的技术问题,实现了提高车端远程控车服务质量评估的效率的技术效果。
作为一种可选的实施例方式,步骤S108,对异常节点设备进行修正,且对修正后的全链路进行质量检测;响应于在目标时间段内各个节点设备正常,停止输出提示信息。
在该实施例中,当车联网的全链路中存在异常节点设备时,可以对异常节点设备进行修正,并且可以对修正后的全链路进行质量检测,当在目标时间段内全链路中各个节点设备均处于正常状态,可以停止输出提示信息。
可选地,当全链路中存在异常节点设备时,若通过联系负责人对异常节点设备进行修正,对修正后的全链路可以通过建立统计分析模型进行质量检测,统计分析模型可以存储目标时间的修正后的各节点设备的标准化数据及对比结果等,对标准化数据进行分析,确定每个标准化数据的目标时间段内的变化趋势,目标时间段内标准化数据的变化趋势存在异常,则可以说明依然存在异常节点设备,该模型可以自动生成异常节点设备的问题分析报告,并可以通过远程服务质量告警模型发送提示信息进行提示;若目标时间段内的所有标准化数据的变化趋势均正常,则可以说明所有节点设备均处于正常状态,该模型可以释放其中存储的标准化数据及对比结果等数据,远程服务质量告警模型可以停止输出提示信息。需要说明的是,此处对全链路进行质量检测的模型仅为举例说明,不做具体限制。
在本发明实施例中,在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;对目标采集数据组中的采集数据进行对比,得到对比结果;基于对比结果,在多个节点设备中确定全链路中异常节点设备。也就是说,本发明实施例通过提取车联网的全链路中的节点设备的采集数据,并可以将同一时间段内的采集数据之间相互关联,确定关联关系,基于关联关系可以得到目标采集数据组,通过对目标采集数据组中的采集数据进行对比分析,若目标采集数据组中某一采集数据与其他采集数据的对比结果不同,则可以确定车联网的全链路中存在异常节点设备;若对比结果相同,则车联网的全链路中的节点设备都为正常节点设备,从而解决了对车端远程控车服务质量评估效率差的技术问题,实现了提高车端远程控车服务质量评估的效率的技术效果。
实施例2
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
车联网是以从车内网、车际网和车载移动网络为基础,按照约定的通信协议和数据交互标准,是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络,它提供了与车辆安全相关的远程控制服务、远程车辆定位、车况查询等,是重点关注的服务类型。
远程控制车辆是实现车辆智能驾驶甚至无人驾驶的重要技术之一,目前,远程控制车辆的功能主要包括控制车辆启动与关闭、空调打开或关闭、座椅加热等一系列功能,且涉及智能汽车、智能手机、软件和移动网络等多种技术相互融合,然而,目前相关远程控制车辆技术由于技术实现链路长,当技术质量发生问题时,导致问题分析周期较长且问题原因定位较难,因此,仍存在对车端远程控车服务质量评估效果差的技术问题。
在一种相关技术中,规定了一种汽车远程控制功能全链路自动化测试方法,包括步骤:模拟不同车辆状态,控制器局域网(Controller Area Network,简称为CAN)总线上传车辆状态数据包至车联网系统模拟数据上行过程测试;模拟远程控制指令,接收远程控制指令模拟数据下行过程测试。通过上述方法,可模拟不同车辆状态,即汽车端乘客操作,即模拟远程控制指令,即采集应用端用户操作,并跟踪两种情况全流程过程数据,实现汽车远程控制功能全链路自动化测试,降低开发成本的同时也节约了时间,但是,该方法仍存在对车端远程控车服务质量评估效果差的技术问题。
在另一种相关技术中,规定了一种车辆网服务质量检测系统及方法,包括服务测试发包模块、服务质量获取模块、服务质量检测模块和服务质量调整模块;服务质量检测模块包括业务耗时计算单元、业务耗时比较单元、服务质量检测、判断单元;服务质量调整模块包括节点服务质量调整单元、传输模式调整单元、传输频率调整单元和配置单元。根据预设的时间周期向车联网服务系统发送测试包,获取服务区域内的车联网移动终端服务质量的详细日志文件,根据日志记录时间和预设的业务时间阈值对相应的业务服务质量进行检测,根据服务质量的参数的值判断服务质量是否达标,能够避免占用过多的系统资源,从而全面检测车联网服务系统的业务服务质量,但是,该方法仍存在对车端远程控车服务质量评估效果差的技术问题。
然而,本发明提出一种基于车联网远控服务质量监控方法,该方法包括:可以对相关节点(APP、TBOX和TSP等)进行数据采集;对各节点采集的数据,进行存储方案设计,进行数据存储;对数据进行解析、预处理;通过数据挖掘技术,对数据进行时空分析,将数据融合处理为时间序列数据,并提取时间序列数据特征,判断远程指令下发前后车辆的状态;通过对数据特征的分析指令监控指标,并建立实时监控模型,对数据计算生成实时监控指标;构建基于规则表达式的远控服务告警模型,判断实时监控数据指标的状态是否异常,当告警规则触发,可以通过媒介找到负责人;对收集的长期数据进行分析,自动生成问题分析报告与监控告警策略;当存在问题,可以快速定位发生节点,建立链路跟踪模型,使每个节点的日志可以相互关联。
下面对本发明实施例的车联网的全链路质量监控方法进行进一步地介绍。
图2是根据本发明实施例的一种车联网远程控制服务全链路质量监控方法的流程图,如图2所示,该方法可以包括如下步骤:
步骤S202,对所有节点设备的数据进行采集。
在本发明上述步骤S202提供的技术方案中,为了监控远程服务全链路各个节点设备的状态,需要对相关节点设备(比如,APP、T-BOX、TSP等)进行数据采集。
可选地,在APP节点设备中需要记录每一条远程控制指令的控制部件、指令发送时间、下一节点设备的接收时间、指令返回时间及结果状态等数据内容;在T-BOX节点设备中,需要记录每个硬件版本、网络状态、信息强度、T-BOX所处(包括:唤醒、上电、启动、下电、熄火和休眠等)等基础状态信息;在TSP节点设备中可以将整条全链路的状态记录日志,以反馈各个节点设备的质量情况,可以将各节点设备的采集的数据通过埋点、协议等多种方式上报。
需要说明的是,上述节点设备及节点设备的数据仅为举例说明,此处不做具体限制。
步骤S204,对采集得到的数据进行存储。
在本发明上述步骤S204提供的技术方案中,将各节点设备采集到的数据,可以进行存储方案设计,可以根据数据最终的使用情况(比如,数据是否需要实时处理、是否为历史数据处理),制定数据存储方案。
步骤S206,对数据进行加工。
在本发明上述步骤S206提供的技术方案中,可以对各节点设备的数据进行解析及预处理,比如,可以解析T-BOX通过车云数据协议上传的车况数据;APP埋点上传的日志数据文件;TSP采集的远控远端服务日志文件。
步骤S208,多维数据融合分析。
在本发明上述步骤S208提供的技术方案中,可以基于数据挖掘技术,对采集到的数据进行时空分析,融合处理数据为时间序列数据,对时间序列数据进行特征提取得到时间序列数据的特征,可以判断远程控制指令下发前后车辆的状态,可以通过对数据特征的关联分析制定监控指标,比如,可以通过知识图谱、关系表格等方式得到节点设备之间的对应关系,需要说明的是,此处仅为举例说明,不对节点设备之间的关联关系的方法和步骤做具体限制。
步骤S210,建立实时监控模型。
在本发明上述步骤S210提供的技术方案中,可以建立实时监控模型,该模型的数据存储周期可以为七天,该模型是一个多任务并发的模型,可以通过从数据手机服务器中实时获取所需数据,对数据主动进行计算,可以生成实时监控指标(比如,远控失败率),从而实现对全链路各节点设备的数据特征的监控,并通过可视化数据分析方法可以对数据进行展示。
举例而言,实时监控模型可以观测时间序列上数据的变化趋势,但是当数据的变化趋势突然上升或者突然下降时,这两种情况可以通过神经网络模型进行不断的学习,从而确定全链路中的异常节点设备,需要说明的是,此处对数据变化趋势的特殊情况进行解决的模型及过程仅为举例说明,不做具体限制。
步骤S212,建立远程控制服务质量告警模型。
在本发明上述步骤S212提供的技术方案中,可以基于远程控制服务的业务逻辑,建立基于规则表达式的远程控制服务质量告警模型,该模型可以根据自定义规则,判断实时监控数据指标的状态是否异常,当告警规则触发后,可以通过电话、邮件、短信等媒介找到负责人。需要说明的是,此处联系负责人的媒介仅为举例说明,不做具体限制。
可选地,现有的多数告警模型一般是基于告警规则的模型,而本发明实施例可以通过节点设备的原始数据去对神经网络模型进行训练,然后利用神经网络模型的自学习能力在后续远程控制服务全链路质量监控过程中不断学习,当存在异常节点设备时,可以进行告警。
步骤S214,建立统计分析模型。
在本发明上述步骤S214提供的技术方案中,可以建立统计分析模型,该模型的数据存储周期为长期,可以对长期收集到的数据进行分析,根据数据长期变化趋势可以自动生成异常节点的问题分析报告,当存在某一异常节点的质量问题指标在长期处于正常状态,可以主动接触远程控制服务质量告警模型,释放相关数据。
步骤S216,建立全链路跟踪模型。
在本发明上述步骤S216提供的技术方案中,为了更加快速准确地定位问题发生的节点设备,可以建立全链路跟踪模型,可以通过对节点设备的日志进行标准化改造,使得各个节点的日志可以相互关联,通过关联分析,关联事件发生的时间顺序和事件的显式关联,可以从海量车联网监控数据中提取关联事件的时间序列并进行关联度排序,对一定时间段内的监控信息可以进行关联规则分析,结合配置信息的拓扑关系,可以挖掘出全链路中各个节点设备之间的因果关系,进而可以可视化展现出各个节点设备的状态。
图3是根据本发明实施例的一种车辆处于唤醒状态下的远程控制功能实现链路的示意图,如图3所示,车辆处于唤醒状态下的远程控制车辆的功能实现链路300中可以包括的节点设备有:应用端301、车辆远程服务提供商302、物联网303、车载电器元件304和车辆305,远程控制车辆的指令可以由应用端301发送,并传输至车辆远程服务提供商302,车辆远程服务提供商302可以将远程控制车辆的指令传输至物联网303,物联网303可以将远程控制车辆的指令传输至车载电器元件304,最后车载电器元件304可以将远程控车的指令传输至车辆305。
图4是根据本发明实施例的一种车辆处于未唤醒状态下的远程控制功能实现链路的示意图,如图4所示,车辆处于未唤醒状态下的远程控制车辆的功能实现链路400中可以包括的节点设备有:应用端401、车辆远程服务提供商402、物联网403、车载电器元件404、车辆405,车辆处于未唤醒状态时,可以存在两条远程控制车辆的功能实现链路,其中一条为远程控制车辆的指令可以由应用端401发送,并传输至车辆远程服务提供商402,车辆远程服务提供商402可以将远程控制车辆的指令传输至物联网403,物联网403可以将远程控制车辆的指令传输至车载电器元件404,最后车载电器元件404可以将远程控车的指令传输至车辆405;另一条为由应用端401发送远程控制车辆指令,并传输至并传输至车辆远程服务提供商402,车辆远程控制服务商可以通过短信服务向车辆405传输远程控制车辆的指令。
本发明实施例通过提取车联网的全链路中的节点设备的采集数据,并可以将同一时间段内的采集数据之间相互关联,确定关联关系,基于关联关系可以得到目标采集数据组,通过对目标采集数据组中的采集数据进行对比分析,若目标采集数据组中某一采集数据与其他采集数据的对比结果不同,则可以确定车联网的全链路中存在异常节点设备;若对比结果相同,则车联网的全链路中的节点设备都为正常节点设备,从而解决了对车端远程控车服务质量评估效率差的技术问题,实现了提高车端远程控车服务质量评估的效率的技术效果。
实施例3
根据本发明实施例,还提供了一种车联网的全链路质量监控装置。需要说明的是,该车联网的全链路质量监控装置可以用于执行实施例1中的车联网的全链路质量监控方法。
图5是根据本发明实施例的一种车联网的全链路质量监控装置的示意图。如图5所示,该车联网的全链路质量监控装置500可以包括:第一获取单元502、第二获取单元504、处理单元506和确定单元508。
第一获取单元502,用于在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据。
第二获取单元504,用于基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据。
处理单元506,用于对目标采集数据组中的采集数据进行对比,得到对比结果。
确定单元508,用于基于对比结果在多个节点设备中确定全链路中的异常节点设备。
可选地,第二获取单元504可以包括:第一转换模块,用于对采集数据进行转换,得到各个节点设备的标准化数据,第一获取模块,用于基于在同一时间段内各个节点设备的标准化数据之间的关联关系,获取至少一目标采集数据。
可选地,第一获取模块可以包括:第一排序子模块,用于按照时间顺序对各个节点设备的标准化数据进行排序,得到多组标准化数据组,其中,标准化数据组数量与节点设备的数量一致;第一处理模块,用于从多组标准化数据组中提取出位于同一时间围内的标准化数据,对提取出的标准化数据之间建立关联关系,获取至少一目标采集数据组,其中,目标采集数据组的数量与时间段内的数量相同。
可选地,确定单元508可以包括:第一确定模块,用于响应于对比结果为目标采集数据组中存在一标准化数据与其他标准化数据相异,确定一标准化数据异常;第二确定模块,用于响应于节点设备存在目标数量个异常的标准化数据,确定节点设备为异常节点设备。
可选地,该装置还可以包括:输出单元,用于响应于全链路存在异常节点设备,输出提示信息。
可选地,输出单元还可以包括:第二处理模块,用于对异常节点设备进行修正,且对修正后的全链路进行质量检测;第三处理模块,用于响应于在目标时间段内各个节点设备正常,停止输出提示信息。
根据本发明实施例中,通过第一获取单元,获取在车联网的全链路中,获取多个节点设备中各个节点设备的采集数据;通过第二获取单元,基于在同一时间段内各个节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,目标采集数据组包括在相同时间段内至少一节点设备的采集数据;通过处理单元对目标采集数据组中的采集数据进行对比,得到对比结果;通过确定单元基于对比结果在多个节点设备中确定全链路中的异常节点设备,从而解决了对车端远程控车服务质量评估效率差的技术问题,实现了提高车端远程控车服务质量评估的效率的技术效果。
实施例4
根据本发明实施例,还提供了一种计算机可读存储介质,该存储介质包括存储的程序,其中,所述程序执行实施例1中所述的车联网的全链路质量监控方法。
实施例5
根据本发明实施例,还提供了一种处理器,该处理器用于运行程序,其中,所述程序运行时执行实施例1中所述的车联网的全链路质量监控方法。
实施例6
根据本发明实施例,还提供了一种车辆,该车辆用于执行本发明实施例的车联网的全链路质量监控方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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为本发明的保护范围。
Claims (10)
1.一种车联网的全链路质量监控方法,其特征在于,所述方法包括:
在车联网的全链路中,获取多个节点设备中各个所述节点设备的采集数据;
基于在同一时间段内各个所述节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,所述目标采集数据组包括在相同时间段内至少一所述节点设备的采集数据;
对所述目标采集数据组中的采集数据进行对比,得到对比结果;
基于所述对比结果在多个所述节点设备中确定所述全链路中的异常节点设备。
2.根据权利要求1所述的方法,其特征在于,基于在所述同一时间段内各个所述节点设备的采集数据之间的关联关系,获取至少一所述目标采集数据组,包括:
对所述采集数据进行转换,得到各个所述节点设备的标准化数据;
基于在所述同一时间段内各个所述节点设备的标准化数据之间的所述关联关系,获取至少一所述目标采集数据组。
3.根据权利要求2所述的方法,其特征在于,基于在所述同一时间段内各个所述节点设备的标准化数据之间的所述关联关系,获取至少一所述目标采集数据组,包括:
按照时间顺序对各个所述节点设备的所述标准化数据进行排序,得到多组标准化数据组,其中,所述标准化数据组数量与所述节点设备的数量一致;
从多组所述标准化数据组中提取出位于所述同一时间段内的标准化数据,对提取出的标准化数据之间建立所述关联关系,获取至少一所述目标采集数据组,其中,所述目标采集数据组的数量与所述时间段的数量相同。
4.根据权利要求3所述的方法,其特征在于,基于所述对比结果在多个所述节点设备中确定所述全链路中的异常节点设备,包括:
响应于所述对比结果为所述目标采集数据组中存在一标准化数据与其他标准化数据相异,确定一标准化数据异常;
响应于所述节点设备存在目标数量个异常的所述标准化数据,确定所述节点设备为所述异常节点设备。
5.根据权利要求1所述的方法,其特征在于,所述方法包括:
响应于所述全链路存在所述异常节点设备,输出提示信息。
6.根据权利要求5所述的方法,其特征在于,所述方法包括:
对所述异常节点设备进行修正,且对修正后的所述全链路进行质量检测;
响应于在目标时间段内各个所述节点设备正常,停止输出所述提示信息。
7.一种车联网的全链路质量监控装置,其特征在于,所述装置包括:
第一获取单元,用于在车联网的全链路中,获取多个节点设备中各个所述节点设备的采集数据;
第二获取单元,用于基于在同一时间段内各个所述节点设备的采集数据之间的关联关系,获取至少一目标采集数据组,其中,所述目标采集数据组包括在相同时间段内至少一所述节点设备的采集数据;
处理单元,用于对所述目标采集数据组中的采集数据进行对比,得到对比结果;
确定单元,用于基于所述对比结果在多个所述节点设备中确定所述全链路中的异常节点设备。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述的方法。
9.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序被所述处理器运行时执行权利要求1至6中任意一项所述的方法。
10.一种车辆,其特征在于,用于执行权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362263.8A CN115766514A (zh) | 2022-11-02 | 2022-11-02 | 车联网的全链路质量监控方法、装置、存储介质和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362263.8A CN115766514A (zh) | 2022-11-02 | 2022-11-02 | 车联网的全链路质量监控方法、装置、存储介质和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115766514A true CN115766514A (zh) | 2023-03-07 |
Family
ID=85355387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211362263.8A Pending CN115766514A (zh) | 2022-11-02 | 2022-11-02 | 车联网的全链路质量监控方法、装置、存储介质和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115766514A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726436A (zh) * | 2024-02-18 | 2024-03-19 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析算法 |
CN117726436B (zh) * | 2024-02-18 | 2024-06-07 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268064A (zh) * | 2014-09-11 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 产品日志的异常诊断方法和装置 |
CN111177095A (zh) * | 2019-12-10 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 日志分析方法、装置、计算机设备及存储介质 |
CN112541022A (zh) * | 2020-12-18 | 2021-03-23 | 网易(杭州)网络有限公司 | 异常对象检测方法、装置、存储介质及电子设备 |
CN113536054A (zh) * | 2021-07-15 | 2021-10-22 | 中国工商银行股份有限公司 | 一种基于图数据的业务监控方法、装置、设备及存储介质 |
CN114968643A (zh) * | 2022-06-24 | 2022-08-30 | 长城汽车股份有限公司 | 链路分析方法、装置、电子设备、存储介质及车辆 |
CN115221218A (zh) * | 2022-07-01 | 2022-10-21 | 一汽解放汽车有限公司 | 车辆数据的质量评估方法、装置、计算机设备和存储介质 |
CN115225355A (zh) * | 2022-07-07 | 2022-10-21 | 有半岛(北京)信息科技有限公司 | 网络探测数据校验方法、装置、设备、存储介质及产品 |
-
2022
- 2022-11-02 CN CN202211362263.8A patent/CN115766514A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268064A (zh) * | 2014-09-11 | 2015-01-07 | 百度在线网络技术(北京)有限公司 | 产品日志的异常诊断方法和装置 |
CN111177095A (zh) * | 2019-12-10 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 日志分析方法、装置、计算机设备及存储介质 |
CN112541022A (zh) * | 2020-12-18 | 2021-03-23 | 网易(杭州)网络有限公司 | 异常对象检测方法、装置、存储介质及电子设备 |
CN113536054A (zh) * | 2021-07-15 | 2021-10-22 | 中国工商银行股份有限公司 | 一种基于图数据的业务监控方法、装置、设备及存储介质 |
CN114968643A (zh) * | 2022-06-24 | 2022-08-30 | 长城汽车股份有限公司 | 链路分析方法、装置、电子设备、存储介质及车辆 |
CN115221218A (zh) * | 2022-07-01 | 2022-10-21 | 一汽解放汽车有限公司 | 车辆数据的质量评估方法、装置、计算机设备和存储介质 |
CN115225355A (zh) * | 2022-07-07 | 2022-10-21 | 有半岛(北京)信息科技有限公司 | 网络探测数据校验方法、装置、设备、存储介质及产品 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726436A (zh) * | 2024-02-18 | 2024-03-19 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析算法 |
CN117726436B (zh) * | 2024-02-18 | 2024-06-07 | 中国科学院大学 | 基于知识图谱的企业信用涉信信息链路分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104866632B (zh) | 家电设备的故障数据获取方法、装置及终端 | |
CN102529903B (zh) | 综合车辆故障检测系统 | |
CN111578444A (zh) | 一种空调故障预测方法、装置、存储介质及空调 | |
CN102568053B (zh) | 综合车辆故障检测系统的车载端及其数据处理方法 | |
CN111897718A (zh) | 一种基于大数据的车机自动测试方法及存储介质 | |
CN111241154A (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
CN107845159B (zh) | 一种自动驾驶车辆测评系统运行监测系统 | |
CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
CN112926257A (zh) | 往复式天然气压缩机故障诊断系统以及诊断方法 | |
CN108829088B (zh) | 汽车诊断方法、装置及存储介质 | |
CN111781911A (zh) | 汽车远程诊断方法及系统 | |
CN111445673A (zh) | 一种led显示屏故障预警方法及系统 | |
CN111353911A (zh) | 电力设备运维方法、系统、设备和存储介质 | |
CN107483283B (zh) | 通讯可靠性测试方法和装置 | |
CN112232405A (zh) | 齿轮箱的故障预测、监测和诊断方法及相应装置 | |
KR20130017352A (ko) | 가전기기 진단시스템 및 그 진단방법 | |
CN110941558B (zh) | 一种智慧办公远程运维的方法及系统 | |
CN114413409A (zh) | 用于空调故障概率的检测方法及装置、智能空调 | |
CN116991677A (zh) | 时序异常检测方法、装置、终端设备以及存储介质 | |
CN115766514A (zh) | 车联网的全链路质量监控方法、装置、存储介质和车辆 | |
CN117439916A (zh) | 一种网络安全测试评估系统及方法 | |
CN117214719A (zh) | 一种基于大数据的新能源车辆电池健康评估系统 | |
CN114338458A (zh) | 数据安全检测方法及装置 | |
TW201409968A (zh) | 資通信服務品質評估與即時告警系統與方法 | |
CN113240864A (zh) | 一种洗车机智能管理系统及方法 |
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 |