CN115775144A - 一种运维设备运行状态判断方法、系统、装置及存储介质 - Google Patents
一种运维设备运行状态判断方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115775144A CN115775144A CN202211573203.0A CN202211573203A CN115775144A CN 115775144 A CN115775144 A CN 115775144A CN 202211573203 A CN202211573203 A CN 202211573203A CN 115775144 A CN115775144 A CN 115775144A
- Authority
- CN
- China
- Prior art keywords
- judgment
- maintenance equipment
- judgment result
- naive bayes
- result
- 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
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种运维设备运行状态判断方法、系统、装置及存储介质,方法包括:基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;获取所述特征属性集和所述判断结果集的运维设备历史数据,作为训练样本数据;根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。本发明基于朴素贝叶斯分类器,通过运维设备历史数据作为训练数据统计频率值分布,进而针对运维设备上报的特征属性值,实现准确、高效地确定判断结果,可广泛应用于运维设备技术领域。
Description
技术领域
本发明涉及运维设备技术领域,尤其是一种运维设备运行状态判断方法、系统、装置及存储介质。
背景技术
通信机房运维系统涉及动力监测、环境监测、安防监测以及基础网络中的数字配线管理、音频配线管理和网络监测等等功能,上述各个功能的运行都基于各种运维设备进行数据采集,所以运维设备能否正常工作、能否保持良好性能对通信机房运维系统的平稳运行起到至关重要的地位。运维设备的故障判断,通常是由维护人员依据运维设备的各个状态进行综合评估得出,效率低,尤其在运维设备随着业务增多、数量增多时,采用人工方法进行评估已经无法满足需求,从而无法保障通信机房运维系统的正常运行。因此,如何有效判断运维设备的状态,是一个在通信机房运维过程中需要解决的问题。
发明内容
有鉴于此,本发明实施例提供一种运维设备运行状态判断方法、系统、装置及存储介质,能够高效进行运维设备运行状态判断。
一方面,本发明的实施例提供了一种运维设备运行状态判断方法,包括:
基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;
获取所述特征属性集和所述判断结果集的运维设备历史数据,作为训练样本数据;
根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;
根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。
可选地,还包括:
根据运维设备的运行状态数据及工作参数,对设备操作结果定义得到特征属性集;
其中,所述特征属性集包括温度告警、板卡端口告警、端口优先级、对端情况和操作情况;
根据运维设备的判断结果的预设类别情况,确定判断结果集;
其中,所述判断结果集包括告警和不告警。
可选地,还包括:
基于预设周期,周期性获取所述特征属性集和所述判断结果集的运维设备历史数据,更新所述训练样本数据。
可选地,所述根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果,包括:
根据所述训练数据,统计所述特征属性集中各特征属性与所述判断结果集中各判断结果的数量对应关系;
根据所述数量对应关系,统计所述所述特征属性集中各特征属性对应所述判断结果集中各判断结果的概率值,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;
其中,特征属性对应的各判断结果的概率值总和为1。
可选地,所述根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别,包括:
根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,获取目标概率值;其中,所述特征属性值包括所述特征属性集中各特征属性的状态值;所述目标概率值为所述频率值分布集中各特征属性的状态对应的概率值;
根据所述目标概率值,确定所述判断结果集中各判断结果的朴素贝叶斯判断值;
基于所述朴素贝叶斯判断值,确定判断结果的类别。
可选地,所述根据所述目标概率值,确定所述判断结果集中各判断结果的朴素贝叶斯判断值,包括:
根据所述目标概率值作为先验概率,通过贝叶斯公式确定所述判断结果集中各判断结果的后验概率的朴素贝叶斯判断值。
可选地,所述基于所述朴素贝叶斯判断值,确定判断结果的类别,包括:
根据所述判断结果集中各判断结果的朴素贝叶斯判断值进行数值大小排序,确定第一的朴素贝叶斯判断值对应的判断结果为目标判断结果;其中,当第一的朴素贝叶斯判断值存在多个相等的数值,基于预设优先级,确定所述朴素贝叶斯判断值对应的优先级高的判断结果为目标判断结果;
基于所述目标判断结果进行提示操作。
另一方面,本发明的实施例提供了一种运维设备运行状态判断系统,包括:
第一模块,用于基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;
第二模块,用于获取所述特征属性集和所述判断结果集的运维设备历史数据,作为训练样本数据;
第三模块,用于根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;
第四模块,用于根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。
另一方面,本发明的实施例提供了一种运维设备运行状态判断装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
另一方面,本发明的实施例提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明实施例首先基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;获取所述特征属性集和所述判断结果集的运维设备历史数据,作为训练样本数据;根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。本发明基于朴素贝叶斯分类器,通过运维设备历史数据作为训练数据统计频率值分布,进而针对运维设备上报的特征属性值,实现准确、高效地确定判断结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的一种运维设备运行状态判断方法的流程示意图;
图2为本发明实施例提供的一种运维设备运行状态判断方法的原理框图;
图3为本发明实施例提供的一种运维设备运行状态判断系统的示意图;
图4为本发明实施例提供的一种运维设备运行状态判断装置的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了使本申请内容及技术方案更加清楚明白,对相关术语及含义进行说明:
贝叶斯分类:贝叶斯分类是一类分类算法的总称,该算法均以贝叶斯定理为基础,故统称为贝叶斯分类。朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法。
贝叶斯定理:是关于随机事件A和B的条件概率的一则定理。包括如下两个含义:(1)条件概率:P(A|B)表示事件B已经发生的前提下,事件A发生的概率,叫做事件B发生下事件A的条件概率。其基本求解公式为:(2)贝叶斯公式:P(B|A)是根据事件A值判断其属于类别B的概率,称为后验概率。P(B)是直接判断某个样本属于B的概率,称为先验概率。P(A|B)是在类别B中观测到A的概率。P(A)是在数据库中观测到A的概率。
分类算法:已知集合C=(y1,y2,y3,…,yn)和I=(x1,x2,x3,…,xn),确定映射规则y=f(),使得任意xi∈I有且仅有一个yi∈C,使得yi=f(xi)成立。其中C叫做类别集合,其中每一个元素是一个类别,而I叫做项集合(特征集合),其中每一个元素是一个待分类项,f叫做分类器。分类算法的任务就是构造分类器。
朴素贝叶斯分类:基于贝叶斯定理与特征条件独立假设的分类方法。该算法是有监督的学习算法,解决的是分类问题,是将一个未知样本分到几个预先已知类别的过程。上面的贝叶斯公式换个说法:即求得P(类别|特征)就完成任务。同时设定各个特征相互独立,即为“朴素”一词的解释。
一方面,参照图1,本发明的实施例提供了一种运维设备运行状态判断方法,包括:
S100、基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;
需要说明的是,一些实施例中,还包括:根据运维设备的运行状态数据及工作参数,对设备操作结果定义得到特征属性集;其中,特征属性集包括温度告警、板卡端口告警、端口优先级、对端情况和操作情况;根据运维设备的判断结果的预设类别情况,确定判断结果集;其中,判断结果集包括告警和不告警。
具体地,如图2所示,朴素贝叶斯分类器设计:根据具体应用确定特征属性,和分类结果表述。本例针对运维设备的特征属性和应用需求,确定运维设备的特征属性集和类别集(即判断结果集)。具体包括以下步骤:
(1)确定特征属性。运维设备的特征属性,根据运维设备的运行状态及工作参数判断及对设备操作的结果进行定义,可以统一定义为如下特征属性集F={温度告警、板卡端口告警、端口优先级、是否有对端(即对端情况)、是否操作记录(即操作情况)}共5个特征属性,且每个特征属性都是独立的,设置为F={F1,F2,F3,F4,F5}。其中F1表示温度告警,F2表示板卡端口告警,F3表示端口优先级,F4表示是否有对端,F5表示是否有记录;
(2)确定类别集。类别集即判断结果集,运维设备的判断结果设定为告警和不告警两种情况,表示为R={告警,不告警},设置为R={A,NA},其中A(Al arm)表示告警,NA(NoAl arm)表示不告警。
S200、获取特征属性集和判断结果集的运维设备历史数据,作为训练样本数据;
具体地,一些实施例中,还包括:基于预设周期,周期性获取特征属性集和判断结果集的运维设备历史数据,更新训练样本数据。为了是判断结果更加准确,不断对训练数据进行周期性迭代更新,保证参照的数据依据的实时性。
S300、根据训练样本数据,确定特征属性与判断结果的频率值分布集,作为朴素贝叶斯分类器的训练结果;
需要说明的是,一些实施例中,根据训练数据,统计特征属性集中各特征属性与判断结果集中各判断结果的数量对应关系;根据数量对应关系,统计特征属性集中各特征属性对应判断结果集中各判断结果的概率值,确定特征属性与判断结果的频率值分布集,作为朴素贝叶斯分类器的训练结果;其中,特征属性对应的各判断结果的概率值总和为1。
具体地,如图2所示,朴素贝叶斯分类器训练:主要功能是生成分类器,即确定每个类别的出现频率和每个特征属性针对每个类别下的条件概率估计。具体步骤包括:
(1)读取训练样本数据。本例截取部分样本数据如表1:
表1
(2)统计特征属性与类别的数量对应关系,基于表1数据得到的数量对应关系数据如表2:
表2
(3)统计特征属性的频率,基于表2数据得到的频率值分布集的数据如表3:
表3
同理P(F2|A)、P(F3|A)、P(F4|A)、P(F5|A)的含义参考P(F1|A)的解释,其中P(F3|A)表示结果为告警时,端口优先级为高的频率;
同理P(F2|NA)、P(F3|NA)、P(F4|NA)、P(F5|NA)的含义参考P(F1|NA)的解释,其中P(F3|NA)表示结果为不告警时,端口优先级为高的频率;
同理P(F2)、P(F3)、P(F4)、P(F5)的含义参考P(F1)的解释,其中P(F3)表示端口优先级为高的频率;
以上各表统计得到的频率值即为朴素贝叶斯分类器训练结果,为后续应用判断提供依据。
S400、根据朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别;
需要说明的是,一些实施例中,根据朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,获取目标概率值;其中,特征属性值包括特征属性集中各特征属性的状态值;目标概率值为频率值分布集中各特征属性的状态对应的概率值;根据目标概率值,确定判断结果集中各判断结果的朴素贝叶斯判断值;基于朴素贝叶斯判断值,确定判断结果的类别。
其中,一些实施例中,根据目标概率值作为先验概率,通过贝叶斯公式确定判断结果集中各判断结果的后验概率的朴素贝叶斯判断值。
一些实施例中,基于朴素贝叶斯判断值,确定判断结果的类别,包括:根据判断结果集中各判断结果的朴素贝叶斯判断值进行数值大小排序,确定第一的朴素贝叶斯判断值对应的判断结果为目标判断结果;其中,当第一的朴素贝叶斯判断值存在多个相等的数值,基于预设优先级,确定朴素贝叶斯判断值对应的优先级高的判断结果为目标判断结果;基于目标判断结果进行提示操作。
具体地,参照图2,朴素贝叶斯分类器应用:使用分类器训练结果对待分类记录进行分类,得到判断结果。具体步骤包括:
在应用过程中,运维设备上报了各个特征属性值到通信机房运维系统,此时通信机房运维系统既可以根据朴素贝叶斯分类器训练结果进行类别判断。假如特征属性F1为有告警,特征属性F2为无告警,特征属性F3为高优先级,特征属性F4为没有对端,特征属性F5为有记录。求此时运维设备的运行状态判断类别(结果)是告警(A)还是不告警(NA)。
假设判断类别(结果)为告警(A)时,其朴素贝叶斯判断值计算如下:
假设判断类别(结果)为不告警(NA)时,其朴素贝叶斯计算判断值计算如下:
因为0.952>0,所以判断该运维平台的运行状态需要告警提示。
同时进一步明确为如果两个计算结果值相等时,则为保证安全,基于预设优先级(告警>不告警)设定运行状态为告警提示。
综上所述,本发明提供一种运维设备运行状态判断方法。运维设备故障判断,采用周期性的基于朴素贝叶斯判断方法,该方法包含通信机房运维系统中保存的运维设备故障判断历史数据记录当作训练样本,历史数据记录中包含了各个判断依据的特征参数结果和故障判断结果值,根据朴素贝叶斯分类算法计算得到每个类别的概率和每个特征参数对应条件概率,即完成分类器训练,最后把分类器训练结果应用到实际运维设备故障判断中。本发明基于朴素贝叶斯分类器,通过运维设备历史数据作为训练数据统计频率值分布,进而针对运维设备上报的特征属性值,实现准确、高效地确定判断结果。
另一方面,参照图3,本发明的实施例提供了一种运维设备运行状态判断系统500,包括:第一模块510,用于基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;第二模块520,用于获取特征属性集和判断结果集的运维设备历史数据,作为训练样本数据;第三模块530,用于根据训练样本数据,确定特征属性与判断结果的频率值分布集,作为朴素贝叶斯分类器的训练结果;第四模块540,用于根据朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
参照图4,本发明实施例的另一方面还提供了一种运维设备运行状态判断装置600,包括处理器610以及存储器620;
存储器用于存储程序;
处理器执行程序实现如前面的方法。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
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,存储介质存储有程序,程序被处理器执行实现如前面的方法。
本发明方法实施例的内容均适用于本计算机可读存储介质实施例,本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-On ly 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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行装置、装置或设备(如基于计算机的装置、包括处理器的装置或其他可以从指令执行装置、装置或设备取指令并执行指令的装置)使用,或结合这些指令执行装置、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行装置、装置或设备或结合这些指令执行装置、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本发明权利要求所限定的范围内。
Claims (10)
1.一种运维设备运行状态判断方法,其特征在于,包括:
基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;
获取所述特征属性集和所述判断结果集的运维设备历史数据,作为训练样本数据;
根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;
根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。
2.根据权利要求1所述的一种运维设备运行状态判断方法,其特征在于,还包括:
根据运维设备的运行状态数据及工作参数,对设备操作结果定义得到特征属性集;
其中,所述特征属性集包括温度告警、板卡端口告警、端口优先级、对端情况和操作情况;
根据运维设备的判断结果的预设类别情况,确定判断结果集;
其中,所述判断结果集包括告警和不告警。
3.根据权利要求1所述的一种运维设备运行状态判断方法,其特征在于,还包括:
基于预设周期,周期性获取所述特征属性集和所述判断结果集的运维设备历史数据,更新所述训练样本数据。
4.根据权利要求1所述的一种运维设备运行状态判断方法,其特征在于,所述根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果,包括:
根据所述训练数据,统计所述特征属性集中各特征属性与所述判断结果集中各判断结果的数量对应关系;
根据所述数量对应关系,统计所述所述特征属性集中各特征属性对应所述判断结果集中各判断结果的概率值,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;
其中,特征属性对应的各判断结果的概率值总和为1。
5.根据权利要求1所述的一种运维设备运行状态判断方法,其特征在于,所述根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别,包括:
根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,获取目标概率值;其中,所述特征属性值包括所述特征属性集中各特征属性的状态值;所述目标概率值为所述频率值分布集中各特征属性的状态对应的概率值;
根据所述目标概率值,确定所述判断结果集中各判断结果的朴素贝叶斯判断值;
基于所述朴素贝叶斯判断值,确定判断结果的类别。
6.根据权利要求5所述的一种运维设备运行状态判断方法,其特征在于,所述根据所述目标概率值,确定所述判断结果集中各判断结果的朴素贝叶斯判断值,包括:
根据所述目标概率值作为先验概率,通过贝叶斯公式确定所述判断结果集中各判断结果的后验概率的朴素贝叶斯判断值。
7.根据权利要求5所述的一种运维设备运行状态判断方法,其特征在于,所述基于所述朴素贝叶斯判断值,确定判断结果的类别,包括:
根据所述判断结果集中各判断结果的朴素贝叶斯判断值进行数值大小排序,确定第一的朴素贝叶斯判断值对应的判断结果为目标判断结果;其中,当第一的朴素贝叶斯判断值存在多个相等的数值,基于预设优先级,确定所述朴素贝叶斯判断值对应的优先级高的判断结果为目标判断结果;
基于所述目标判断结果进行提示操作。
8.一种运维设备运行状态判断系统,其特征在于,包括:
第一模块,用于基于运维设备的特征属性集和判断结果集,得到朴素贝叶斯分类器;
第二模块,用于获取所述特征属性集和所述判断结果集的运维设备历史数据,作为训练样本数据;
第三模块,用于根据所述训练样本数据,确定特征属性与判断结果的频率值分布集,作为所述朴素贝叶斯分类器的训练结果;
第四模块,用于根据所述朴素贝叶斯分类器的训练结果,基于运维设备上报的特征属性值,确定判断结果的类别。
9.一种运维设备运行状态判断装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211573203.0A CN115775144A (zh) | 2022-12-08 | 2022-12-08 | 一种运维设备运行状态判断方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211573203.0A CN115775144A (zh) | 2022-12-08 | 2022-12-08 | 一种运维设备运行状态判断方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115775144A true CN115775144A (zh) | 2023-03-10 |
Family
ID=85391721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211573203.0A Pending CN115775144A (zh) | 2022-12-08 | 2022-12-08 | 一种运维设备运行状态判断方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775144A (zh) |
-
2022
- 2022-12-08 CN CN202211573203.0A patent/CN115775144A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751371B (zh) | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 | |
CN103513983B (zh) | 用于预测性警报阈值确定工具的方法和系统 | |
CN110321371B (zh) | 日志数据异常检测方法、装置、终端及介质 | |
Menzies et al. | Data mining static code attributes to learn defect predictors | |
US11748227B2 (en) | Proactive information technology infrastructure management | |
US8676818B2 (en) | Dynamic storage and retrieval of process graphs representative of business processes and extraction of formal process models therefrom | |
US7801703B2 (en) | Self-learning integrity management system and related methods | |
US11037080B2 (en) | Operational process anomaly detection | |
EP2645257A2 (en) | System and method for visualisation of behaviour within computer infrastructure | |
CN109918279B (zh) | 电子装置、基于日志数据识别用户异常操作的方法及存储介质 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
WO2016175845A1 (en) | Aggregation based event identification | |
US7184935B1 (en) | Determining and annotating a signature of a computer resource | |
US7181364B2 (en) | Automated detecting and reporting on field reliability of components | |
CN110471912B (zh) | 一种员工属性信息校验方法、装置及终端设备 | |
US11887465B2 (en) | Methods, systems, and computer programs for alarm handling | |
CN115775144A (zh) | 一种运维设备运行状态判断方法、系统、装置及存储介质 | |
US11227288B1 (en) | Systems and methods for integration of disparate data feeds for unified data monitoring | |
CN116595756A (zh) | 基于数字孪生的数据中心智能化运维方法及装置 | |
CN113220551A (zh) | 指标趋势预测及预警方法、装置、电子设备及存储介质 | |
Goosen | A system to quantify industrial data quality | |
CN112712270A (zh) | 信息处理方法、装置、设备及存储介质 | |
Conte et al. | The impact of data quality on maintenance work order analysis: A case study in historical HVAC maintenance work orders | |
US20240036963A1 (en) | Multi-contextual anomaly detection | |
Conte et al. | The Impact of Data Quality on Maintenance Work Order Analysis: A Case Study in HVAC Work Durations |
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 |