CN116010163A - 一种基于分布式灾备演练场景的数据分析及预警的方法 - Google Patents
一种基于分布式灾备演练场景的数据分析及预警的方法 Download PDFInfo
- Publication number
- CN116010163A CN116010163A CN202211643163.2A CN202211643163A CN116010163A CN 116010163 A CN116010163 A CN 116010163A CN 202211643163 A CN202211643163 A CN 202211643163A CN 116010163 A CN116010163 A CN 116010163A
- Authority
- CN
- China
- Prior art keywords
- training
- disaster recovery
- service
- model
- data
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 54
- 238000005553 drilling Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007405 data analysis Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000002776 aggregation Effects 0.000 claims abstract description 10
- 238000004220 aggregation Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Bioethics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Alarm Systems (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明公开了一种基于分布式灾备演练场景的数据分析及预警的方法,包括:步骤一:分布式训练中央预警模型并进行隐私数据聚合;步骤二:将步骤一数据放入模型进行训练,通过训练获得本地灾备演练预警模型,将各地灾备演练预警模型数据提交到中央服务器更新灾备演练预警模型,并更新总部演练结果数据库,存储每次训练后的更新指标;同时,更新业务标识并存储到数据库做为下一次同类型灾备场景的初始业务标识,命令中央服务器程序则重新执行新一轮模型训练,从而完成整个流程,得出灾备演练的训练过程发生真实灾难的概率。本发明可有效地克服模型偏差问题,降低计算复杂度。
Description
技术领域
本发明属于灾备演练技术领域,具体涉及一种基于分布式灾备演练场景的数据分析及预警的方法。
背景技术
随着数字化发展的逐渐深入,网络安全已经成为社会发展的重要保证,使得灾备演练更加具有参考价值,灾备数据信息的收集和处理是灾备演练中的一个重要环节。信息收集全面,数据准确能够保证灾备演练的各任务正常执行。演练的处理过程是高度接近真实灾难发生时的处理过程,确保了灾备演练能够对工作起到作用,从而使灾备自动演练对数据维护起到参考作用。
现有IT业务系统的灾备演练业务流程信息表现不完整,存在各地边缘节点隐私数据对中央模型影训练影响等问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于分布式灾备演练场景的数据分析及预警的方法,对现有IT业务系统的灾备演练业务流程信息表现不完整,存在各地边缘节点隐私数据对中央模型影训练影响等问题,综合采用分布式数据收敛及利用各地组网内边缘节点训练中央模型,从而优化中央训练模型,并大幅度减小中央模型训练负载。通过各地边缘节点进行演练数据收集和分析,通过对数据按事件上报、灾害评估、灾难宣告分类,进行数据统计得出本次灾备演练的训练过程发生真实灾难的概率,可有效地克服模型偏差问题,降低计算复杂度。
为实现上述技术目的,本发明采取的技术方案为:
一种基于分布式灾备演练场景的数据分析及预警的方法,包括:
步骤一:分布式训练中央预警模型并进行隐私数据聚合;
步骤二:将步骤一数据放入模型进行训练,通过训练获得本地灾备演练预警模型,将各地灾备演练预警模型数据提交到中央服务器更新灾备演练预警模型,并更新总部演练结果数据库,存储每次训练后的更新指标;同时,更新业务标识并存储到数据库做为下一次同类型灾备场景的初始业务标识,命令中央服务器程序则重新执行新一轮模型训练,从而完成整个流程。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤一具体步骤如下:
首先,通过部署在总部的中央服务器程序执行第一轮中央模型训练开始指令,将指令下发到地方灾备演练边缘节点服务器;
其次,节点服务器收到指令后,访问部署在地方演练数据库的模型训练标识字段flag,flag如果不为0则说明是非第一次训练,继续进行隐私数据分析及计算,如果为0则向中央服务器发送下发中央预警模型指令,中央服务器收到请求指令后将中央预警模型下发到边缘节点服务器;
然后,边缘节点服务器收到中央预警模型后,进行隐私数据聚合。
上述的隐私数据聚合具体步骤如下:
S1、对地方演练数据库和与演练关联关系数据库数据进行分类聚合,形成真实有效的隐私分析数据;
S2、解析初始业务标识,根据‘###’相邻的参数值实现数据中心架构,灾备系统架构,切换操作的要素建模,或进行业务标识创建。
如果是非第一次进行该类型灾备演练,根据数据库存储的初始业务标识进行S2的灾备场景构建。
反之,通过S2进行业务标识创建。
上述的业务标识为:
场景所在边缘节点###演练场景###一级分类_二级分类###业务系统1###配置id###切换流程图###配置id###业务关联关系ID。
演练场景包括数据级灾备演练、应用级灾备演练、单系统演练、数据中心整体切换。
上述的中心架构的建模要素包括数据中心坐标,建筑物,楼层,标识信息,所含业务系统列表;
灾备系统架构的建模要素包括所属数据中心,机架,机柜位置,服务器信息,网络信息,部署应用情况;
切换操作的建模要素用于对具体切换步骤进行建模并配置业务系统依赖的业务系统,业务系统关联关系映射为关联标识:业务系统###配置id,切换操作的要素包括业务系统服务器IP,口令,执行脚本,脚本返回值。
上述的S2根据业务系统配置的关联关系,自动生成业务切换流程图,并根据业务系统的数据库或者应用服务器配置的维护人员,生成相应的VR任务及情况交互要素;自动生成多层次的业务架构图,包括业务系统,业务群,数据中心级;业务架构图映射为关联标识:业务系统架构图###配置id;切换流程图映射为关联标识:切换流程图###配置id###业务关联关系ID。
上述的灾备演练预警模型的模型公式为:
X(k+1)=X(k)×P
式中:X(k)表示趋势分析与预测对象在t=k时刻的状态向量,P表示一步转移概率矩阵,X(k+1)表示趋势分析与预测对象在t=k+1时刻的状态向量。
本发明具有以下有益效果:
本发明突出了人工智能在灾备演练过程中的优势,有效解决现有组网分布式边缘节点隐私数据的保护且不影响中央模型训练的效果,并大幅度减小中央模型训练负载。同时对边缘节点对应的灾备演练业务流程信息进行综合数据训练,从而得到边缘节点区域的灾备演练的发生告警概率。本发明可有效地克服模型偏差问题,降低计算复杂度。
附图说明
图1为本发明方法流程图。
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用以解释本发明,并不用于限定本发明。
本发明中的步骤虽然用标号进行了排列,但并不用于限定步骤的先后次序,除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础,否则步骤的相对次序是可以调整的。可以理解,本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示,一种基于分布式灾备演练场景的数据分析及预警的方法,包括:
步骤一:分布式训练【中央预警模型】并进行隐私数据聚合。
对地方演练数据和与演练关联关系数据库进行分类聚合,形成真实有效的隐私分析数据。如果是非第一次进行该类型灾备演练,根据数据库存储的初始业务标识进行S2的灾备场景构建。反之,通过S2进行业务标识创建。
数据采集模块包含演练结果数据库和地方演练数据库、演练关联关系数据库三部分:
中央服务器部署【演练结果数据库】和【演练关联关系数据库】,地方服务器部署【地方演练数据库】。
具体描述如下:
首先,本发明通过部署在总部的中央服务器程序执行第一轮中央模型训练开始指令,将指令下发到地方灾备演练边缘节点服务器,简称边缘节点服务器。
其次,节点服务器收到指令后,访问部署在地方演练数据库的模型训练标识字段flag如果不为0则说明是非第一次训练,继续进行隐私数据分析及计算。如果为0则向中央服务器发送下发【中央预警模型】指令,中央服务器收到请求指令后将【中央预警模型】下发到边缘节点服务器。
然后,边缘节点服务器收到【中央预警模型】后,进行隐私数据聚合。具体步骤如下:
S1、对地方演练数据库和与演练关联关系数据库数据进行分类聚合,形成真实有效的隐私分析数据。如果是非第一次进行该类型灾备演练,根据数据库存储的初始业务标识进行S2的灾备场景构建。反之,通过S2进行业务标识创建。
S2、解析初始业务标识,根据‘###’相邻的参数值实现数据中心架构,灾备系统架构,切换操作等要素建模和标识。
首先,对灾备演练确认的场景进行数据补充和映射。
1、中心架构的建模要素包括数据中心坐标,建筑物,楼层,标识信息,所含业务系统列表。
2、灾备系统架构的建模要素包括所属数据中心,机架,机柜位置,服务器信息,网络信息,部署应用情况(数据库、web服务,DNS等)。
3、切换操作的建模要素用于对具体切换步骤进行建模,要素包括业务系统服务器IP,口令,执行脚本,脚本返回值,配置业务系统依赖的业务系统,业务系统关联关系映射为关联标识:业务系统1###配置id。
4、根据业务系统配置的关联关系,自动生成业务切换流程图,并根据业务系统的数据库或者应用服务器配置的维护人员,生成相应的VR任务及情况交互要素。
自动生成多层次的业务架构图,包括业务系统,业务群,数据中心级。
业务架构图映射为关联标识:业务系统架构图1###配置id;
切换流程图映射为关联标识:切换流程图1###配置id###业务关联关系ID。
业务标识:场景所在边缘节点###演练场景(例如数据级灾备演练、应用级灾备演练、单系统演练、数据中心整体切换等)###一级分类_二级分类###业务系统1###配置id###切换流程图1###配置id###业务关联关系ID。
步骤二:【中央预警模块】:将步骤一数据放入模型进行训练,通过训练获得本地【灾备演练预警模型】,最后,将各地【灾备演练预警模型】数据提交到中央服务器更新【灾备演练预警模型】,并更新总部演练结果数据库,存储每次训练后的更新指标。同时,更新业务标识并存储到数据库做为下一次该类型灾备场景的初始业务标识。命令中央服务器程序则重新执行新一轮模型训练,从而完成整个流程。
【灾备演练预警模型】
模型公式:X(k+1)=X(k)×P
公式中:X(k)表示趋势分析与预测对象在t=k时刻的状态向量,P表示一步转移概率矩阵,X(k+1)表示趋势分析与预测对象在t=k+1时刻的状态向量。
上次模型训练阈值转移概率【0.3、0.7】
本次模型训练阈值异常转正常转移概率【0.6、0.4】
本次模型训练阈值正常转异常转移概率【0.3、0.7】
通过模型计算得出:X(k+1)=X(k)×P
下次模型训练正常转异常概率:
0.3x0.6+0.3x0.7=0.39
下次模型训练异常转正常概率:
0.3x0.4+7x0.7=0.61
最后,下次模型训练阈值转移概率【0.39 0.61】
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,包括:
步骤一:分布式训练中央预警模型并进行隐私数据聚合;
步骤二:将步骤一数据放入模型进行训练,通过训练获得本地灾备演练预警模型,将各地灾备演练预警模型数据提交到中央服务器更新灾备演练预警模型,并更新总部演练结果数据库,存储每次训练后的更新指标;同时,更新业务标识并存储到数据库做为下一次同类型灾备场景的初始业务标识,命令中央服务器程序则重新执行新一轮模型训练,得出灾备演练的训练过程发生真实灾难的概率。
2.根据权利要求1所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,所述步骤一具体步骤如下:
首先,通过部署在总部的中央服务器程序执行第一轮中央模型训练开始指令,将指令下发到地方灾备演练边缘节点服务器;
其次,节点服务器收到指令后,访问部署在地方演练数据库的模型训练标识字段flag,flag如果不为0则说明是非第一次训练,继续进行隐私数据分析及计算,如果为0则向中央服务器发送下发中央预警模型指令,中央服务器收到请求指令后将中央预警模型下发到边缘节点服务器;
然后,边缘节点服务器收到中央预警模型后,进行隐私数据聚合。
3.根据权利要求2所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,所述隐私数据聚合具体步骤如下:
S1、对地方演练数据库和与演练关联关系数据库数据进行分类聚合,形成真实有效的隐私分析数据;
S2、解析初始业务标识,根据‘###’相邻的参数值实现数据中心架构,灾备系统架构,切换操作的要素建模,或进行业务标识创建。
4.根据权利要求3所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,如果是非第一次进行该类型灾备演练,根据数据库存储的初始业务标识进行S2的灾备场景构建。
反之,通过S2进行业务标识创建。
5.根据权利要求3所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,所述业务标识为:
场景所在边缘节点###演练场景###一级分类_二级分类###业务系统1###配置id###切换流程图###配置id###业务关联关系ID。
演练场景包括数据级灾备演练、应用级灾备演练、单系统演练、数据中心整体切换。
6.根据权利要求3所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,所述中心架构的建模要素包括数据中心坐标,建筑物,楼层,标识信息,所含业务系统列表;
灾备系统架构的建模要素包括所属数据中心,机架,机柜位置,服务器信息,网络信息,部署应用情况;
切换操作的建模要素用于对具体切换步骤进行建模并配置业务系统依赖的业务系统,业务系统关联关系映射为关联标识:业务系统###配置id,切换操作的要素包括业务系统服务器IP,口令,执行脚本,脚本返回值。
7.根据权利要求6所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,所述S2根据业务系统配置的关联关系,自动生成业务切换流程图,并根据业务系统的数据库或者应用服务器配置的维护人员,生成相应的VR任务及情况交互要素;自动生成多层次的业务架构图,包括业务系统,业务群,数据中心级;业务架构图映射为关联标识:业务系统架构图###配置id;切换流程图映射为关联标识:切换流程图###配置id###业务关联关系ID。
8.根据权利要求1所述的一种基于分布式灾备演练场景的数据分析及预警的方法,其特征在于,所述灾备演练预警模型的模型公式为:
X(k+1)=X(k)×P
式中:X(k)表示趋势分析与预测对象在t=k时刻的状态向量,P表示一步转移概率矩阵,X(k+1)表示趋势分析与预测对象在t=k+1时刻的状态向量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643163.2A CN116010163A (zh) | 2022-12-20 | 2022-12-20 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
PCT/CN2023/134295 WO2024131445A1 (zh) | 2022-12-20 | 2023-11-27 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211643163.2A CN116010163A (zh) | 2022-12-20 | 2022-12-20 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010163A true CN116010163A (zh) | 2023-04-25 |
Family
ID=86037239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211643163.2A Pending CN116010163A (zh) | 2022-12-20 | 2022-12-20 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116010163A (zh) |
WO (1) | WO2024131445A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024131445A1 (zh) * | 2022-12-20 | 2024-06-27 | 中电信数智科技有限公司 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460322A (zh) * | 2018-11-14 | 2019-03-12 | 西安瑞蓝创软件科技有限公司 | 基于流程调度引擎技术的灾备切换演练系统及方法 |
CN113254279A (zh) * | 2021-07-14 | 2021-08-13 | 睿至科技集团有限公司 | 一种智能灾备管理平台系统 |
CN115033464A (zh) * | 2022-05-31 | 2022-09-09 | 中电信数智科技有限公司 | 一种基于人工智能的分布式灾备演练数据预警方法及系统 |
CN115204625A (zh) * | 2022-06-24 | 2022-10-18 | 中国建设银行股份有限公司 | 混合容灾场景切换方法及装置 |
CN115422302A (zh) * | 2022-08-25 | 2022-12-02 | 中电信数智科技有限公司 | 一种基于数据仓库的分布式灾备演练数据优化及预警方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115460100A (zh) * | 2021-06-09 | 2022-12-09 | 华为技术有限公司 | 一种应用人工智能的通信方法及通信装置 |
CN116010163A (zh) * | 2022-12-20 | 2023-04-25 | 中电信数智科技有限公司 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
-
2022
- 2022-12-20 CN CN202211643163.2A patent/CN116010163A/zh active Pending
-
2023
- 2023-11-27 WO PCT/CN2023/134295 patent/WO2024131445A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460322A (zh) * | 2018-11-14 | 2019-03-12 | 西安瑞蓝创软件科技有限公司 | 基于流程调度引擎技术的灾备切换演练系统及方法 |
CN113254279A (zh) * | 2021-07-14 | 2021-08-13 | 睿至科技集团有限公司 | 一种智能灾备管理平台系统 |
CN115033464A (zh) * | 2022-05-31 | 2022-09-09 | 中电信数智科技有限公司 | 一种基于人工智能的分布式灾备演练数据预警方法及系统 |
CN115204625A (zh) * | 2022-06-24 | 2022-10-18 | 中国建设银行股份有限公司 | 混合容灾场景切换方法及装置 |
CN115422302A (zh) * | 2022-08-25 | 2022-12-02 | 中电信数智科技有限公司 | 一种基于数据仓库的分布式灾备演练数据优化及预警方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024131445A1 (zh) * | 2022-12-20 | 2024-06-27 | 中电信数智科技有限公司 | 一种基于分布式灾备演练场景的数据分析及预警的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024131445A1 (zh) | 2024-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095048B (zh) | 一种基于业务规则的监控系统告警关联处理方法 | |
CN108306756B (zh) | 一种基于电力数据网全息评估系统及其故障定位方法 | |
US7043661B2 (en) | Topology-based reasoning apparatus for root-cause analysis of network faults | |
CN112073208A (zh) | 一种告警分析方法及相关设备 | |
US6353902B1 (en) | Network fault prediction and proactive maintenance system | |
CN108494810A (zh) | 面向攻击的网络安全态势预测方法、装置及系统 | |
CN102752142B (zh) | 一种基于多维建模的信息系统的监控方法及监控系统 | |
CN106888106A (zh) | 智能电网中的it资产大规模侦测系统 | |
CN113391943B (zh) | 一种基于因果推断的微服务故障根因定位方法及装置 | |
CN102857371B (zh) | 一种面向集群系统的动态配置管理方法 | |
CN112559237B (zh) | 运维系统排障方法、装置、服务器和存储介质 | |
CN105867347B (zh) | 一种基于机器学习技术的跨空间级联故障检测方法 | |
CN103905440A (zh) | 一种基于日志和snmp信息融合的网络安全态势感知分析方法 | |
CN117692345B (zh) | 一种基于人工智能的it运营方法及系统 | |
CN112769605A (zh) | 一种异构多云的运维管理方法及混合云平台 | |
CN112463892A (zh) | 一种基于风险态势的预警方法及系统 | |
WO2024131445A1 (zh) | 一种基于分布式灾备演练场景的数据分析及预警的方法 | |
CN113505048A (zh) | 基于应用系统画像的统一监控平台及实现方法 | |
CN108337108A (zh) | 一种基于关联分析的云平台故障自动化定位方法 | |
CN117640350A (zh) | 一种基于事件日志的自主式实时故障隔离方法 | |
CN117376092A (zh) | 故障根因定位方法、装置、设备及存储介质 | |
CN110389892A (zh) | 一种基于云平台历史故障数据的故障注入方法 | |
CN111010311B (zh) | 一种基于知识图谱的智能网络故障诊断方法 | |
CN115150255B (zh) | 一种自适应的基于知识图谱的应用故障自动根因定位方法 | |
CN115033464A (zh) | 一种基于人工智能的分布式灾备演练数据预警方法及系统 |
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 |