CN115983836A - 一种数据处理方法及相关设备 - Google Patents

Abstract

本申请实施例提供了一种数据处理方法及相关设备，用于评估运维人员的工作质量，以提高运维数据的可靠性。本申请实施例方法包括：采集运维人员的运维数据；其中，所述运维数据至少包括运维指标数据及与所述运维指标数据对应的处理时效数据；基于所述运维指标数据及所述处理时效数据生成运维趋势曲线；提取所述运维趋势曲线中的目标特征数据；将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据，并根据所述异常特征数据确定所述运维人员的运维工作状态；其中，所述异常特征数据为超过所述特征阈值数据的阈值范围的特征数据。

Description

一种数据处理方法及相关设备

技术领域

本申请实施例涉及计算机技术领域，尤其涉及一种数据处理方法及相关设备。

背景技术

随着企业云的搭建与企业内部系统的信息化，企业内部信息技术(IT，informationtechnology)系统的复杂性越来越高。一般地，为了企业内部IT保障系统能够高质高效的稳定运行，企业内部都配有专职的运维人员与自有开发的运维数据采集系统，旨在对相关指标数据进行收集。

但是现有方案中，采用Excel表格形式统计数据，通常会耗费大量时间，并产生严重的滞后问题，当发现一个运维质量下降的情况后，往往都非常的滞后，且给客户造成了很不好的影响。

发明内容

本申请实施例提供了一种数据处理方法及相关设备，用于评估运维人员的工作质量，以提高运维数据的可靠性。

本申请实施例第一方面提供了一种数据处理方法，包括：

采集运维人员的运维数据；其中，所述运维数据至少包括运维指标数据及与所述运维指标数据对应的处理时效数据；

基于所述运维指标数据及所述处理时效数据生成运维趋势曲线；

提取所述运维趋势曲线中的目标特征数据；

将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据，并根据所述异常特征数据确定所述运维人员的运维工作状态；其中，所述异常特征数据为超过所述特征阈值数据的阈值范围的特征数据。

可选地，所述基于所述运维指标数据及所述处理时效数据生成运维趋势曲线包括：

根据所述处理时效数据确定所述运维指标数据中各个指标数据的处理时间数据；

将所述运维指标数据中的各个指标数据进行转换，以生成基于所述处理时间数据变化的所述运维趋势曲线。

可选地，所述将所述目标特征数据与特征阈值数据进行比较之前，所述方法还包括：

设置所述运维指标数据中各个指标数据的阈值数据，以生成所述特征阈值数据。

可选地，所述将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据包括：

计算所述目标特征数据中各个指标数据与所述特征阈值数据的差值数据；

当所述差值数据超过所述阈值范围的临界值时，确定所述目标特征数据中对应的指标数据为所述异常特征数据。

可选地，所述根据所述异常特征数据确定所述运维人员的工作状态包括：

根据各个指标数据的所述差值数据确定所述运维工作状态的异常严重值；其中，所述异常严重值为所述运维工作状态的状态参考值；

或，确定各个指标数据的所述差值数据与所述异常特征数据的比值数据；

根据所述比值数据确定所述运维工作状态的所述异常严重值。

可选地，所述根据所述异常特征数据确定所述运维人员的运维工作状态之后，所述方法还包括：

将所述运维人员的所述异常严重值进行排序，以确定对应于所述运维人员的所述异常严重值的第一排序表；

根据所述第一排序表确定所述运维人员中的异常运维人员；

向所述异常运维人员发送提示信息，并取消所述异常运维人员处理客户问题的权限。

可选地，所述根据所述异常特征数据确定所述运维人员的运维工作状态之后，所述方法还包括：

根据所述异常特征数据计算所述运维人员的延误风险值；其中，所述延误风险值为所述运维人员不满足所述特征阈值数据的风险值；

将所述运维人员的所述延误风险值进行排序，以确定对应于所述运维人员的所述延误风险值的第二排序表；

根据所述第二排序表确定所述运维人员中的异常运维人员；

向所述异常运维人员发送提示信息，以警示所述异常运维人员。

本申请实施例第二方面提供了一种数据处理系统，包括：

采集单元，用于采集运维人员的运维数据；其中，所述运维数据至少包括运维指标数据及与所述运维指标数据对应的处理时效数据；

生成单元，用于基于所述运维指标数据及所述处理时效数据生成运维趋势曲线；

提取单元，用于提取所述运维趋势曲线中的目标特征数据；

比较单元，用于将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据，并根据所述异常特征数据确定所述运维人员的运维工作状态；其中，所述异常特征数据为超过所述特征阈值数据的阈值范围的特征数据。

可选地，所述系统还包括：确定单元；

所述确定单元，用于根据所述处理时效数据确定所述运维指标数据中各个指标数据的处理时间数据；

所述生成单元，具体用于将所述运维指标数据中的各个指标数据进行转换，以生成基于所述处理时间数据变化的所述运维趋势曲线。

可选地，所述系统还包括：

所述生成单元，还用于设置所述运维指标数据中各个指标数据的阈值数据，以生成所述特征阈值数据。

可选地，所述系统还包括：计算单元；

所述计算单元，用于计算所述目标特征数据中各个指标数据与所述特征阈值数据的差值数据；

所述确定单元，具体用于当所述差值数据超过所述阈值范围的临界值时，确定所述目标特征数据中对应的指标数据为所述异常特征数据。

可选地，所述系统包括：

所述确定单元，具体用于根据各个指标数据的所述差值数据确定所述运维工作状态的异常严重值；其中，所述异常严重值为所述运维工作状态的状态参考值；

或，所述确定单元，还用于确定各个指标数据的所述差值数据与所述异常特征数据的比值数据；

所述确定单元，还用于根据所述比值数据确定所述运维工作状态的所述异常严重值。

可选地，所述系统还包括：发送单元；

所述确定单元，还用于将所述运维人员的所述异常严重值进行排序，以确定对应于所述运维人员的所述异常严重值的第一排序表；

所述确定单元，还用于根据所述第一排序表确定所述运维人员中的异常运维人员；

所述发送单元，用于向所述异常运维人员发送提示信息，并取消所述异常运维人员处理客户问题的权限。

可选地，所述系统还包括：

所述计算单元，还用于根据所述异常特征数据计算所述运维人员的延误风险值；其中，所述延误风险值为所述运维人员不满足所述特征阈值数据的风险值；

所述确定单元，还用于将所述运维人员的所述延误风险值进行排序，以确定对应于所述运维人员的所述延误风险值的第二排序表；

所述确定单元，还用于根据所述第二排序表确定所述运维人员中的异常运维人员；

所述发送单元，还用于向所述异常运维人员发送提示信息，以警示所述异常运维人员。

本申请实施例第二方面提供的用于执行第一方面所述的数据处理方法。

本申请实施例第三方面提供了一种数据处理装置，包括：

中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行第一方面所述的数据处理方法。

本申请实施例第四方面提供了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指令，当所述指令在计算机上运行时，使得计算机执行第一方面所述的数据处理方法。

从以上技术方案可以看出，本申请实施例具有以下优点：通过本申请实施例公开的一种数据处理方法，先采集运维人员的运维数据；然后，基于运维指标数据及处理时效数据生成运维趋势曲线；再提取运维趋势曲线中的目标特征数据；最后将目标特征数据与特征阈值数据进行比较，以获取运维趋势曲线中的异常特征数据，并根据异常特征数据确定运维人员的运维工作状态。从而，能够基于运维人员的运维数据快速的确定该运维人员的运维工作状态，从而依次评估运维人员的工作能力或态度，提高运维人员工作的可持续性，从而提升客户的体验。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种数据处理方法的流程示意图；

图2为本申请实施例公开的另一种数据处理方法方法的流程示意图；

图3为本申请实施例公开的运维趋势曲线的曲线示意图；

图4为本申请实施例公开的运维趋势曲线的异常特征图；

图5为本申请实施例公开的运维趋势曲线中评价值与趋势特征的走势图；

图6为本申请实施例公开的一种数据处理方法系统的结构示意图；

图7为本申请实施例公开的一种数据处理方法装置的结构示意图。

具体实施方式

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。

现有技术为Excel统计数据，通常会耗费大量时间，并产生严重的滞后问题，当发现一个运维质量下降的情况后，往往都非常的滞后，且给客户造成了很不好的影响。为了克服这种靠考核、靠满意度、靠运维质量成绩来评价工程师工作量的问题，提出了我们的新技术方案。本申请快速定位异常运维人员，评估运维人员的共工作延误的严重程度，对人员进行数据分析，及时提高了运维工作的连续和可靠性。

由此，不难理解的是，本申请技术方案的核心主题是在运维数据采集过程中，将运维工单数据集合在一种基于大数据的运维平台数据进行分析，同时在全过程中采集人员的运维状态数据和数据处理时效问题，并标记运维状态数据和恢复系统的时间；将不同运维人员的运维状态数据中各个指标数据转换成随时间变化的运维趋势曲线；提取运维趋势曲线的趋势特征数据；将提取的趋势特征数据与标准趋势特征阈值进行比较分析，获取运维趋势曲线中的异常趋势特征数据，并生成包含异常趋势特征数据的趋势告警信息，以提高运维工作的人员储备充足。

请参阅图1，图1为本申请实施例公开的一种数据处理方法的流程示意图。包括步骤101-步骤104。

101、采集运维人员的运维数据。

在确定运维人员的工作状态之前，首先需要采集业务运维工作中人员的运维数据。不难理解的是，该运维数据至少包括运维人员的运维指标数据或者是与该运维指标数据对应的处理时效数据。

在其中一个实施例中，运维指标数据可以理解为一种运维人员的运维状态数据。具体的，该运维状态数据包括负责人评价、运维人员的工作完成率、工作项目的数量、客户反馈问题的数量、客户满意度等指标数据，不难理解的是，该指标数据即包括主观评价，也包括客观评价。该运维状态数据还可以包含其他内容，具体此处不做赘述。同时，运维状态数据中的各个指标数据也可以基于一个数据范围确定该指标数据处于那个评价分。

例如，客户满意度的评分选项中，可能只有1分到5分。多个客户的评分的平均值可能只有4.4分。为了计算方便，将4.4分换成百分制，对应的，也就是88分。具体此处不对具体的指标数据进行限制，后续也不再对此进行赘述。为方便理解和描述，后续对于运维指标数据的描述将以运维状态数据进行详细描述。

在另外一个实施例中，处理时效数据可以理解为问题处理时效数据，即运维人员处理问题的时间效率，不难理解的是，该问题可以理解为上述中客户反馈的问题。当然，该问题还可以是其他的问题。例如，运维系统中存在的系统问题，如系统BUG等，具体此处不做限制。不难理解的是，为方便理解和描述，后续对于处理时效数据的描述以问题处理时效数据进行详细描述。

还需要特殊说明的是，基本故障的数据的处理时间可以在实际情况中收集，之后用处理量/时间即得到效率。

102、基于运维指标数据及处理时效数据生成运维趋势曲线。

基于步骤101之后，便需要标记运维状态数据和处理基本故障数据的时间。不难理解的是，标记的基本故障数据即为运维状态数据中的客户反馈问题或系统问题等，也就是常见的、基本故障的相关数据。对应的，该时间即为上述中的问题处理时效数据。这是因为问题处理时效数据中存在处理各个问题的时间效率，由此可以找到两者之间的对应关系。

然后，便可以基于运维状态数据和问题处理时效数据生成运维趋势曲线。

在其中一个实施例中，可以将运维人员的运维状态数据中的各个指标数据转换成随时间变化的运维趋势曲线。对应的，该指标数据即步骤101提到的指标数据，基于该实施例，指标数据包括问题处理时效、运维状态、运维效率或工作意愿度等，对应的，都可以是列举在运维状态数据中，在采集运维人员的运维数据时一起采集。具体此处不做赘述。

需要说明的是，该运维趋势曲线可以理解为一种在坐标系上的曲线图。例如，当某一指标数据为工作效率时，该曲线图可以是工作效率随工作时长的增加而降低，对应的曲线则为下降趋势。需要说明的是，其他的指标数据与其类似，此处不对其他指标数据进行详细描述。

103、提取运维趋势曲线中的目标特征数据。

生成运维趋势曲线之后，便需要提取该运维趋势曲线中的目标特征数据。不难理解的是，该目标特征数据即为运维状态数据中各个指标数据的特征数据，也可以理解为指标数据的具有特征意义的数据。

在其中一个实施例中，需要提取运维趋势曲线中的趋势特征数据，不难理解的是，该趋势特征数据即为上述中所描述的目标特征数据。其中，趋势特征数据或目标特征数据可以理解为上述中所提到各个指标数据，随时间的变化而产生的变化数据，对应的，可以是任一指标数据于运维趋势曲线中的初始值、最高值或评价值等数据，具体此处不做限制，可以理解为其中具有显著特征的点，还可以是斜率最大值或斜率最小值等。需要说明的是，初始值、最高值或评价值等数据可以理解为曲线中的最开始的值，曲线中的最高值，评价值是不是“运维状态数据”中的评价之类。具体可参阅图5。

为方便理解和描述，后续对于目标特征数据的描述将以趋势特征数据进行详细描述。

104、将目标特征数据与特征阈值数据进行比较，以获取运维趋势曲线中的异常特征数据，并根据异常特征数据确定运维人员的运维工作状态。

将提取出来的目标特征数据与特征阈值数据进行比较，从而获取到该运维趋势曲线中的异常特征数据，由此，便可以根据该异常特征数据确定运维人员的运维工作状态。

在其中一个实施例中，将提取的趋势特征数据与标准趋势特征阈值进行比较分析。不难理解的是，标准趋势特征阈值即为上述中的特征阈值数据。对应的，标准趋势特征阈值，或特征阈值数据，是基于上述中所描述的运维状态数据中的各个指标数据所设置的，也就是各个指标数据应该处于处于哪一个阈值范围，对应的，就存在上限值和下限值。为方便理解和描述，将上限值和下限值同一描述为临界值。由此，便可以知道，特征阈值数据即为目标特征数据应该处于的临界值范围。

由此，基于对趋势特征数据和标准趋势特征阈值的比较分析，便可以获取运维趋势曲线中的异常特征数据，也可以描述为异常趋势特征数据。在其中一个实施例中，该异常特征数据，或异常趋势特征数据包括效率突然下降、趋势突然改变等特征数据。

为了清楚和直观的得到异常特征数据，具体的，可以比较趋势特征数据和标准趋势特征阈值之间的趋势曲线，便可以分析出该异常特征数据。

在另外一个实施例中，也可以将趋势特征数据和标准趋势特征阈值进行相减，求取其差值作为异常特征数据；

在另外一个实施例中，还可以求取趋势特征数据和标准趋势特征阈值之间的比值，求取其比例作为异常特征数据。具体此处不对获取异常特征数据的方式进行限制。

由此，便可以根据该异常特征数据了解到此时运维人员的工作状态。

通过本实施例公开的一种数据处理方法，先采集运维人员的运维数据；然后，基于运维指标数据及处理时效数据生成运维趋势曲线；再提取运维趋势曲线中的目标特征数据；最后将目标特征数据与特征阈值数据进行比较，以获取运维趋势曲线中的异常特征数据，并根据异常特征数据确定运维人员的运维工作状态。从而，能够基于运维人员的运维数据快速的确定该运维人员的运维工作状态，从而依次评估运维人员的工作能力或态度，提高运维人员工作的可持续性，从而提升客户的体验。

为方便对本申请实施例提出的一种数据处理方法进行详细描述，请参阅图2，图2为本申请实施例公开的另一种数据处理方法方法的流程示意图。包括步骤201-步骤207。

201、采集运维人员的运维数据。

本实施例中步骤201与前述图1中步骤101类似，具体此处不做赘述。

202、根据处理时效数据确定运维指标数据中各个指标数据的处理时间数据，并将运维指标数据中的各个指标数据进行转换，以生成基于处理时间数据变化的所述运维趋势曲线。

本实施例中步骤202与前述图1中步骤102类似，具体此处不做赘述。但需要说明的是，基于步骤201中获取到运维数据，也就是运维状态数据和问题处理时效数据。便可以根据问题处理时效数据中对应于各个指标数据的时间效率，确定各个指标数据的时间数据。由此，便可以将运维状态数据中的各个指标数据进行转换，从而转换成随时间变化的运维趋势曲线。

请参阅图3，图4及图5。图3为本申请实施例公开的运维趋势曲线的曲线示意图，图4为本申请实施例公开的运维趋势曲线的异常特征图，图5为本申请实施例公开的运维趋势曲线中评价值与趋势特征的走势图。

由图3可以看出，问题处理效率及工作意愿度随着工作时长的增加而下降，也就是说，问题处理效率或工作意愿度均与时间呈负相关的关系。

由图4可以看出，提取的趋势特征数据可以作为实际值，对应的，标准趋势特征阈值可以作为标准值或参考值。对应的，当实际值与标准值存在差距时，就可认为两者之间存在异常，由此，可以特定标记出来，并获取此时的异常特征数据，为方便理解和描述，后续不再对此进行赘述。

由图5可以看出，评价值与特征趋势呈正相关，对应的，评价值或趋势特征的曲线中，横坐标为1所对应的趋势特征曲线或评价值曲线，可以理解为其曲线的初始值，对应的，横坐标为3的即为对应的最高值。还需要说明的是，在其中一个实施例中，客户或主管的评价即评价值。

203、提取运维趋势曲线中的目标特征数据。

本实施例中步骤203与前述图1中步骤103类似，具体此处不做赘述。

204、设置运维指标数据中各个指标数据的阈值数据，以生成特征阈值数据。

在将目标特征数据与特征阈值数据进行比较分析之前，需要先设置特征阈值数据。

具体的，需要基于运维状态数据中各个指标数据设置该特征阈值数据。对应的，也就是各个指标数据应该处于处于哪一个阈值范围。由于是一个阈值范围，那么就存在上限值和下限值。为方便理解和描述，将上限值和下限值同一描述为临界值。由此，便可以知道，特征阈值数据即为运维指标数据中各个指标数据应该处于的临界值范围。

205、计算目标特征数据中各个指标数据与特征阈值数据的差值数据，并当所述差值数据超过阈值范围的临界值时，确定目标特征数据中对应的指标数据为异常特征数据。

设置好特征阈值数据后，便可以对目标特征数据中各个指标与特征阈值数据进行比较分析。

在其中一个实施例中，可以计算趋势特征数据(目标特征数据)与标准趋势特征阈值(特征阈值数据)之间的差值，从而当该差值超过标准趋势特征阈值的临界值时，便可以获取到运维趋势曲线中的异常趋势特征数据(异常特征数据)。

在另外一个实施例中，还可以计算趋势特征数据与标准趋势特征阈值之间的比值，从而，当该比值超过标准趋势特征阈值的临界值时，便可以获取到运维趋势曲线中的异常趋势特征数据。

不难理解的是，此处不对异常趋势特征数据(异常特征数据)的获取方式进行限制，后续也不再对此进行赘述。

基于上述实施例，在另外一个实施例中，可以根据异常趋势特征数据生成包含异常趋势特征数据的趋势告警信息。

206、根据各个指标数据的差值数据确定运维工作状态的异常严重值。

步骤205之后，可以根据运维趋势曲线中的异常趋势特征数据，计算出运维工作异常严重值，对应的，也就是上述中所描述的运维工作状态的异常严重值。具体的，基于步骤205可以根据各个指标数据的差值数据确定该异常严重值。也可以基于趋势特征数据与标准趋势特征阈值之间的比值数据，确定该异常严重值，具体此处不对异常严重值的获取方式进行限制，后续也不再对此进行赘述。不难理解的是，异常严重值主要反馈的是运维人员的工作状态的异常程度，也可以理解为运维人员的状态参考值。

在另外一个实施例中，还可以根据上述中的差值数据或比值数据，也就是运维大数据，计算出运维人员的延误风险值。不难理解的是，延误风险值可以理解为运维人员未按正常效率处理工作的风险值。

207、将运维人员的异常严重值进行排序，以确定运维人员的异常严重值的第一排序表，根据第一排序表确定运维人员中的异常运维人员，并向异常运维人员发送提示信息，并取消异常运维人员处理客户问题的权限。

在其中一个实施例中，获取到运维人员的异常严重值之后，可以对所有的异常严重值进行排序，从而确定所有运维人员的异常严重值的第一排序表。对应的，该第一排序表可以按照异常严重值的大小，由小到大或由大到小进行排序。从而根据第一排序表中各个运维人员的排序顺序确定排名倒数的几位或排名前列的几位作为异常运维人员。然后，将向排序后的异常运维人员发送提示信息，并停止该异常运维人员进行客户问题处理的权限。在该实施例中，提示信息可以为运维工作警示提示书，可以理解为一种处理文档或处分通知书等。具体此处不做限制。

在另外一个实施例中，获取到运维人员的延误风险值之后，可以对所有的延误风险值进行排序，从而确定所有运维人员的延误风险值的第而排序表。对应的，该第而排序表可以按照延误风险值的大小，由小到大或由大到小进行排序。从而根据第而排序表中各个运维人员的排序顺序确定排名倒数的几位或排名前列的几位作为异常运维人员。然后，将向排序后的异常运维人员发送提示信息，具体的，可以向异常运维人员发送警示邮件，以警示该异常运维人员。不难理解的是，此处也不对具体的提示方式进行限制，后续也不再对此进行赘述。

通过本实施例提出的一种数据处理方法，克服了以往靠考核、靠满意度、靠运维质量成绩来评价各类工程师的工作量的问题。本申请技术方案能够快速定位异常运维人员，评估运维人员的工作延误的严重程度，并对运维人员进行数据分析，及时提高了运维工作的连续和可靠性。同时，还可以对于运维人员进行提示，从而提高运维工作的连续性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

若方案涉及敏感信息(如用户信息、企业信息)，则应当说明针对敏感信息的收集、使用和处理需要遵守相关国家和地区的法律法规和标准，且需要在相应主体(如用户或企业等)许可或同意的情况下进行。

请参阅图6，图6为本申请实施例公开的一种数据处理方法系统的结构示意图。

采集单元601，用于采集运维人员的运维数据；其中，运维数据至少包括运维指标数据及与运维指标数据对应的处理时效数据；

生成单元602，用于基于运维指标数据及处理时效数据生成运维趋势曲线；

提取单元603，用于提取运维趋势曲线中的目标特征数据；

比较单元604，用于将目标特征数据与特征阈值数据进行比较，以获取运维趋势曲线中的异常特征数据，并根据异常特征数据确定运维人员的运维工作状态；其中，异常特征数据为超过特征阈值数据的阈值范围的特征数据。

示例性地，系统还包括：确定单元605；

确定单元605，用于根据处理时效数据确定运维指标数据中各个指标数据的处理时间数据；

生成单元602，具体用于将运维指标数据中的各个指标数据进行转换，以生成基于处理时间数据变化的运维趋势曲线。

示例性地，系统还包括：

生成单元602，还用于设置运维指标数据中各个指标数据的阈值数据，以生成特征阈值数据。

示例性地，系统还包括：计算单元606；

计算单元606，用于计算目标特征数据中各个指标数据与特征阈值数据的差值数据；

确定单元605，具体用于当差值数据超过阈值范围的临界值时，确定目标特征数据中对应的指标数据为异常特征数据。

示例性地，系统包括：

确定单元605，具体用于根据各个指标数据的差值数据确定运维工作状态的异常严重值；其中，异常严重值为运维工作状态的状态参考值；

或，确定单元605，还用于确定各个指标数据的差值数据与异常特征数据的比值数据；

确定单元605，还用于根据比值数据确定运维工作状态的异常严重值。

示例性地，系统还包括：发送单元607；

确定单元605，还用于将运维人员的异常严重值进行排序，以确定对应于运维人员的异常严重值的第一排序表；

确定单元605，还用于根据第一排序表确定运维人员中的异常运维人员；

发送单元607，用于向异常运维人员发送提示信息，并取消异常运维人员处理客户问题的权限。

示例性地，系统还包括：

计算单元606，还用于根据异常特征数据计算运维人员的延误风险值；其中，延误风险值为运维人员不满足特征阈值数据的风险值；

确定单元605，还用于将运维人员的延误风险值进行排序，以确定对应于运维人员的延误风险值的第二排序表；

确定单元605，还用于根据第二排序表确定运维人员中的异常运维人员；

发送单元607，还用于向异常运维人员发送提示信息，以警示异常运维人员。

下面请参阅图7，本申请实施例公开的一种数据处理装置的结构示意图包括：

中央处理器701，存储器705，输入输出接口704，有线或无线网络接口703以及电源702；

存储器705为短暂存储存储器或持久存储存储器；

中央处理器701配置为与存储器705通信，并执行存储器705中的指令操作以执行前述图1或图2所示实施例中的方法。

本申请实施例还提供一种芯片系统，其特征在于，芯片系统包括至少一个处理器和通信接口，通信接口和至少一个处理器通过线路互联，至少一个处理器用于运行计算机程序或指令，以执行前述图1或图2所示实施例中的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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网络单元上。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，在本申请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，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)执行本申请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-onlymemory)、随机存取存储器(RAM，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (10)

1.一种数据处理方法，其特征在于，所述方法包括：

采集运维人员的运维数据；其中，所述运维数据至少包括运维指标数据及与所述运维指标数据对应的处理时效数据；

基于所述运维指标数据及所述处理时效数据生成运维趋势曲线；

提取所述运维趋势曲线中的目标特征数据；

将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据，并根据所述异常特征数据确定所述运维人员的运维工作状态；其中，所述异常特征数据为超过所述特征阈值数据的阈值范围的特征数据。

2.根据权利要求1所述的数据处理方法，其特征在于，所述基于所述运维指标数据及所述处理时效数据生成运维趋势曲线包括：

根据所述处理时效数据确定所述运维指标数据中各个指标数据的处理时间数据；

将所述运维指标数据中的各个指标数据进行转换，以生成基于所述处理时间数据变化的所述运维趋势曲线。

3.根据权利要求1所述的数据处理方法，其特征在于，所述将所述目标特征数据与特征阈值数据进行比较之前，所述方法还包括：

设置所述运维指标数据中各个指标数据的阈值数据，以生成所述特征阈值数据。

4.根据权利要求1所述的数据处理方法，其特征在于，所述将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据包括：

计算所述目标特征数据中各个指标数据与所述特征阈值数据的差值数据；

当所述差值数据超过所述阈值范围的临界值时，确定所述目标特征数据中对应的指标数据为所述异常特征数据。

5.根据权利要求4所述的数据处理方法，其特征在于，所述根据所述异常特征数据确定所述运维人员的工作状态包括：

根据各个指标数据的所述差值数据确定所述运维工作状态的异常严重值；其中，所述异常严重值为所述运维工作状态的状态参考值；

或，确定各个指标数据的所述差值数据与所述异常特征数据的比值数据；

根据所述比值数据确定所述运维工作状态的所述异常严重值。

6.根据权利要求5所述的数据处理方法，其特征在于，所述根据所述异常特征数据确定所述运维人员的运维工作状态之后，所述方法还包括：

将所述运维人员的所述异常严重值进行排序，以确定对应于所述运维人员的所述异常严重值的第一排序表；

根据所述第一排序表确定所述运维人员中的异常运维人员；

向所述异常运维人员发送提示信息，并取消所述异常运维人员处理客户问题的权限。

7.根据权利要求1所述的数据处理方法，其特征在于，所述根据所述异常特征数据确定所述运维人员的运维工作状态之后，所述方法还包括：

根据所述异常特征数据计算所述运维人员的延误风险值；其中，所述延误风险值为所述运维人员不满足所述特征阈值数据的风险值；

将所述运维人员的所述延误风险值进行排序，以确定对应于所述运维人员的所述延误风险值的第二排序表；

根据所述第二排序表确定所述运维人员中的异常运维人员；

向所述异常运维人员发送提示信息，以警示所述异常运维人员。

8.一种数据处理系统，其特征在于，所述系统包括：

采集单元，用于采集运维人员的运维数据；其中，所述运维数据至少包括运维指标数据及与所述运维指标数据对应的处理时效数据；

生成单元，用于基于所述运维指标数据及所述处理时效数据生成运维趋势曲线；

提取单元，用于提取所述运维趋势曲线中的目标特征数据；

比较单元，用于将所述目标特征数据与特征阈值数据进行比较，以获取所述运维趋势曲线中的异常特征数据，并根据所述异常特征数据确定所述运维人员的运维工作状态；其中，所述异常特征数据为超过所述特征阈值数据的阈值范围的特征数据。

9.一种数据处理装置，其特征在于，所述装置包括：

中央处理器，存储器，输入输出接口，有线或无线网络接口以及电源；

所述存储器为短暂存储存储器或持久存储存储器；

所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至7中任意一项所述的数据处理方法。

10.一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指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至7中任意一项所述的数据处理方法。

Images