CN116389223A - 一种基于大数据的人工智能可视化预警系统及方法 - Google Patents
一种基于大数据的人工智能可视化预警系统及方法 Download PDFInfo
- Publication number
- CN116389223A CN116389223A CN202310473093.9A CN202310473093A CN116389223A CN 116389223 A CN116389223 A CN 116389223A CN 202310473093 A CN202310473093 A CN 202310473093A CN 116389223 A CN116389223 A CN 116389223A
- Authority
- CN
- China
- Prior art keywords
- equipment
- node
- fault
- information
- maintenance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000000007 visual effect Effects 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 171
- 238000009825 accumulation Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 10
- 206010033799 Paralysis Diseases 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及智能预警技术领域,具体为一种基于大数据的人工智能可视化预警系统及方法,包括:采集计算机网络中设备信息和历史工作记录;采集发生故障的节点设备信息;采集目标设备的历史故障记录和历史维修记录;对采集数据进行存储;分析各个节点设备之间的关联性和工作效率,进一步分析目标设备的重要程度和故障率;分析目标设备的故障维修时长,分析目标设备维修时长造成的信息堆积对计算机网络的危害程度,确认目标设备对计算机网络的危害程度,进一步制定最佳的设备预警方案;实时显示各个节点设备的故障状况和维修状况,极大地提高了系统的智能预警能力,提高设备预警的及时性。
Description
技术领域
本发明涉及智能预警技术领域,具体为一种基于大数据的人工智能可视化预警系统及方法。
背景技术
随着通信技术和计算机网络技术的不断发展,信息技术已渗透到我们生活的方方面面,近年来,大规模网络安全预警研究对于提高我国网络系统应急响应能力,缓解网络攻击造成的危害,提高系统反击能力具有重要的意义。
在生产生活中,计算机网络主要由多台具有不同功能的计算机构成设备网络,他不仅可以实现资源共享,还可以解决许多大规模生产问题,大大提高数据处理优化的能力,为人们的生产生活提供了便捷,然而,当多个节点设备发生故障时,不仅会影响计算机系统正常运作,同时还会在接收数据时,由于无法及时处理,从而造成信息堆积,更严重甚至造成系统瘫痪,十分影响人们的使用;因此,如何在系统发生故障的时候进行定点预警,针对节点设备制定维修方案成为亟待解决的问题。
发明内容
本发明的目的在于提供一种基于大数据的人工智能可视化预警系统及方法,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:一种基于大数据的人工智能可视化预警方法,包括以下步骤:
步骤S100:采集计算机网络中所有计算机节点设备的设备信息和历史工作记录,分别形成设备集和历史工作集,其中历史工作记录可以分析设备的工作效率和工作量;采集当前时间序列下所有发生故障的节点设备信息,其中包括故障时间和设备信息,形成故障信息集;基于故障信息集中的每一台节点设备信息,设为目标设备,采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;
通过故障设备的历史故障记录,分析设备故障率,设备故障影响范围;通过维修记录集分析设备维修时长;
步骤S200:对所有获取到的数据进行存储;
步骤S300:根据历史工作集分析各个节点设备之间的关联性和工作效率,根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;
步骤S400:根据维修记录集分析目标设备的故障维修时长;基于目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;确认目标设备对计算机网络的危害程度,根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
步骤S500:实时显示各个节点设备的故障状况和维修状况。
进一步的,步骤S100包括:
S110:对计算机网络中所有计算机节点设备的设备信息和历史工作记录进行采集,分别形成设备集A={a1,a2,…,an},其中a1,a2,…,an表示计算机网络中第1、2、…、n个节点设备的设备IP信息和历史工作集A’={a1’,a2’,…,an’},其中a1’,a2’,…,an’表示计算机网络中第1、2、…、n个节点设备的历史工作记录;
S120:在当前t0~t1时间序列下,对所有发生故障的节点设备信息进行采集,形成故障信息集B={b1,b2,…,bm},其中b1,b2,…,bm表示第1、2、…、m个发生故障的节点设备信息,m≤n;基于故障信息集B中任意一台节点设备信息,设为目标设备bi,对目标设备bi的历史故障记录和历史维修记录进行采集,分别形成故障记录集
Ci={c1,c2,…,ch},其中c1,c2,…,ch表示目标设备bi第1、2、…、h次历史故障信息和维修记录集Di={d1,d2,…,dh},其中d1,d2,…,dh表示目标设备bi第1、2、…、h次历史维修信息。
进一步的,步骤S200包括:
利用数据库采集设备集A、历史工作集A’、故障信息集B、目标设备bi的故障记录集Ci和维修记录集Di,进行数据存储。
进一步的,步骤S300包括:
S310:对历史工作集A’中任意一个节点设备的历史工作记录aj’={r1,r2,…,rk}进行获取,其中r1,r2,…,rk表示节点设备aj第1、2、…、k次工作信息记录;根据k次工作信息记录,得到所述节点设备aj转发和接收的所有IP信息,形成IP信息集;将IP信息集和设备集A进行匹配,确认和节点设备aj进行相连的所有节点设备信息,设为相连设备集Rj;
S320:基于历史工作集A’,根据公式:εj=(n-1)/∑n q=1|aj’-aq’|,j=1,2,…,n,得到任意节点设备aj和其他节点设备工作记录关联集合ε={ε1,ε2,…,εn},其中aq’表示第q个节点设备的历史工作记录;遍历关联集合ε,若|εq-εj|<α,则说明节点设备aq和节点设备aj工作内容相似,其中α表示关联阈值,此时,确认所有和节点设备aj工作内容相似的节点设备集为Q并确认相似节点设备数量为u,若工作内容相似,则说明设备的可替代性强,重要程度偏低;基于节点设备集Q,获取任意节点设备ax在历史工作记录中的工作时长集{t1x,t2x,…,tkx},则得到节点设备ax的工作效率为vx=(t1x+t2x+…+tkx)/k,进一步推算出节点设备aj的工作效率为vj=(∑u x=1vx)/u,其中∑u x=1vx表示工作效率v1、v2、…vu的和;同时根据历史工作记录aj’中任意一次的工作时长tsj,确认任意节点设备aj的实际工作效率为vj’=(∑n s=1tsj)/n;
S330:基于节点设备集Q,获取任意节点设备ax转发和接收的所有IP信息,将得到的IP信息和设备集A进行匹配,确认所述节点设备ax进行相连的所有节点设备集合Rx;将节点设备集合Rx和相连设备集Rj进行比较,对两个集合中相同的节点设备进行提取,确认分别和节点设备aj、ax互连的相同节点设备数量为βx;通过遍历u个和aj相似的节点设备,确认相同节点设备数量分别为{β1,β2,…,βu};
S340:故障设备的历史故障记录,分析设备故障率,设备故障影响范围:根据故障记录集Ci确认目标设备bi任意第s次故障时长为cs,同时将目标设备bi和任意节点设备aj进行匹配,确认所述目标设备bi的任意工作时长为tsj;基于目标设备bi的故障时长cs和工作时长tsj,得到目标设备bi的故障率为σi=(∑h s=1cs)/(∑n s=1tsj);基于目标设备的故障率、工作效率和相同节点设备得到目标设备bi的重要程度ni为:ni=[(f1*vj’)/vj+(u*f2)/(ε1β1+ε2β2+…+εuβu)]1/σi,其中f1、f2分别表示目标设备bi的性能参数;
若目标设备bi的工作效率高,相同设备少,说明设备在工作状态中不可替代性高,同时,在此基础上,设备的故障率低,说明所述目标设备的安全性能高,重要程度级别高。
进一步的,步骤S400包括:
S410:根据故障信息集B中目标设备bi的重要程度ni对所有目标设备根据重要程度高→低的顺序进行排序,形成排序后的故障信息集*B={*b1,*b2,…,*bm},其中*b1,*b2,…,*bm表示第1、2、…、m个发生故障的重要程度由高→低排序的节点设备信息,此时确认目标设备bi在故障信息集*B中所处的优先级为i/m;分析设备维修时长:对任意目标设备bi的维修记录集Di进行获取,确定所述目标设备的故障维修平均时长为hi=(d1+d2+…+dh)/h;
S420:获取故障信息集B中目标设备bi的设备信息,将目标设备bi和任意节点设备aj进行匹配;将故障信息集B和设备集A进行比较,对非故障设备信息进行提取,设为正常设备集A-B;根据步骤S310对目标设备bi的相连节点设备进行获取,将其和正常设备集A-B进行匹配,确认和所述目标设备bi相连的正常设备数量为δ;同时根据步骤S320中对目标设备bi的历史工作记录获取,得到目标设备bi的工作效率为vi’;
S430:分析信息堆积的速度:基于目标设备的优先级、工作效率和对正常设备的影响确认所述目标设备bi造成的信息堆积速率为:v=vi’*iδ*i/m;则进一步根据故障维修时间得到目标设备bi对计算机网络的危害程度为gi=hi*v;
S440:根据所述目标设备bi对计算机网络的危害程度gi获取故障信息集B中所有故障节点设备的危害程度,则将危害程度最高的节点设备作为第一个设备维修对象,待维修成功后将所述维修对象转为非故障设备,重新进入步骤S300,确认所有故障设备的重要程度,确定下一个故障维修设备;此时,智能可视化预警系统对维修对象进行实时显示,直至设备维修结束。
进一步的,步骤S500包括:
S510:智能可视化预警系统实时判断维修设备的危害程度gi是否大于危险阈值τ,若危害程度gi>τ,则说明维修设备存在信息堆积过多存在计算机网络瘫痪的可能,则进行智能提醒,及时反馈;
S520:对各个节点设备的故障状况和维修状况进行实时显示。
人工智能可视化预警系统,系统包括:数据采集模块、数据库、节点分析模块、预警处理模块和数据反馈模块;
通过所述数据采集模块采集计算机网络中所有计算机节点设备的历史工作记录,形成历史工作集;采集当前时间序列下所有发生故障的节点设备信息,包括故障时间和设备信息,形成故障信息集;基于故障信息集中的每一台节点设备信息,设为目标设备,采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;通过故障设备的历史故障记录,分析设备故障率,设备故障影响范围;通过维修记录集分析设备维修时长;
通过所述数据库对所有获取到的数据进行存储;
通过所述节点分析模块根据历史工作集分析各个节点设备之间的关联性和工作效率,根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;根据维修记录集分析目标设备的故障维修时长;基于目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;
通过所述预警处理模块确认目标设备对计算机网络的危害程度,根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
通过所述数据反馈模块实时显示各个节点设备的故障状况和维修状况。
进一步的,数据采集模块包括工作记录采集单元、故障信息采集单元和历史记录采集单元;
工作记录采集单元用于采集计算机网络中所有计算机节点设备的历史工作记录,形成历史工作集;故障信息采集单元用于采集当前时间序列下所有发生故障的节点设备信息,形成故障信息集;历史记录采集单元用于采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集。
进一步的,节点分析模块包括关联性分析单元、重要程度分析单元、故障分析单元和危害程度分析单元;
关联性分析单元用于根据历史工作集分析各个节点设备之间的关联性和工作效率;重要程度分析单元用于根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;故障分析单元用于根据维修记录集分析目标设备的故障维修时长;危害程度分析单元用于根据目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;
设备发生故障时,分析计算机节点设备对整个计算机网络的重要程度,同时,根据设备之间的关联性分析所述节点设备对其它设备的影响范围;分析所述计算机节点设备的故障维修时间和相应故障的其它设备故障时间造成的信息堆积,分析数据堆积的速度和对系统的危害程度;基于设备的影响范围和信息堆积量的不同,制定最佳的设备维修方案。
进一步的,预警处理模块包括危害分析单元和方案预警单元;
危害分析单元用于确认目标设备对计算机网络的危害程度;方案预警单元用于根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案。
进一步的,数据反馈模块包括数据判断单元和数据显示单元;
数据判断单元用于实时判断维修设备的危害程度是否大于危险阈值,进行智能提醒,及时反馈;数据显示单元用于对各个节点设备的故障状况和维修状况进行实时显示。
与现有技术相比,本发明所达到的有益效果是:
通过根据节点设备的历史工作记录,分析工作内容相似的设备信息,根据关联设备和工作时长分别确认任意节点设备的工作效率实际值和计算值,并分析目标节点设备的可替代性,同时根据故障记录确认目标设备的工作时长,计算设备故障率,并根据故障率、工作效率和相同节点设备确认目标设备的重要程度,有利于后续对所述目标设备对计算机网路的危害程度的分析;通过根据设备重要程度确认目标设备所处的优先级,并确认目标设备对正常设备的影响范围和设备工作效率,进一步分析目标设备由于未及时处理数据造成信息堆积的速率,确认所述目标设备对计算机网路的危害程度,极大地提高了系统的智能预警能力,提高设备预警的及时性。
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人工智能可视化预警系统的结构图;
图2是本发明一种基于大数据的人工智能可视化预警方法的流程图。
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2,本发明提供技术方案:一种基于大数据的人工智能可视化预警方法,包括以下步骤:
步骤S100:采集计算机网络中所有计算机节点设备的设备信息和历史工作记录,分别形成设备集和历史工作集,其中历史工作记录可以分析设备的工作效率和工作量;采集当前时间序列下所有发生故障的节点设备信息,其中包括故障时间和设备信息,形成故障信息集;基于故障信息集中的每一台节点设备信息,设为目标设备,采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;
通过故障设备的历史故障记录,分析设备故障率,设备故障影响范围;通过维修记录集分析设备维修时长;
步骤S100包括:
S110:对计算机网络中所有计算机节点设备的设备信息和历史工作记录进行采集,分别形成设备集A={a1,a2,…,an},其中a1,a2,…,an表示计算机网络中第1、2、…、n个节点设备的设备IP信息和历史工作集A’={a1’,a2’,…,an’},其中a1’,a2’,…,an’表示计算机网络中第1、2、…、n个节点设备的历史工作记录;
S120:在当前t0~t1时间序列下,对所有发生故障的节点设备信息进行采集,形成故障信息集B={b1,b2,…,bm},其中b1,b2,…,bm表示第1、2、…、m个发生故障的节点设备信息,m≤n;基于故障信息集B中任意一台节点设备信息,设为目标设备bi,对目标设备bi的历史故障记录和历史维修记录进行采集,分别形成故障记录集
Ci={c1,c2,…,ch},其中c1,c2,…,ch表示目标设备bi第1、2、…、h次历史故障信息和维修记录集Di={d1,d2,…,dh},其中d1,d2,…,dh表示目标设备bi第1、2、…、h次历史维修信息。
步骤S200:对所有获取到的数据进行存储;
步骤S200包括:
利用数据库采集设备集A、历史工作集A’、故障信息集B、目标设备bi的故障记录集Ci和维修记录集Di,进行数据存储。
步骤S300:根据历史工作集分析各个节点设备之间的关联性和工作效率,根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;
步骤S300包括:
S310:对历史工作集A’中任意一个节点设备的历史工作记录aj’={r1,r2,…,rk}进行获取,其中r1,r2,…,rk表示节点设备aj第1、2、…、k次工作信息记录;根据k次工作信息记录,得到所述节点设备aj转发和接收的所有IP信息,形成IP信息集;将IP信息集和设备集A进行匹配,确认和节点设备aj进行相连的所有节点设备信息,设为相连设备集Rj;
通过确认节点设备的所有相连设备信息,有利于后续对设备关联性的分析;
S320:基于历史工作集A’,根据公式:εj=(n-1)/∑n q=1|aj’-aq’|,j=1,2,…,n,得到任意节点设备aj和其他节点设备工作记录关联集合ε={ε1,ε2,…,εn},其中aq’表示第q个节点设备的历史工作记录;遍历关联集合ε,若|εq-εj|<α,则说明节点设备aq和节点设备aj工作内容相似,其中α表示关联阈值,此时,确认所有和节点设备aj工作内容相似的节点设备集为Q并确认相似节点设备数量为u,若工作内容相似,则说明设备的可替代性强,重要程度偏低;基于节点设备集Q,获取任意节点设备ax在历史工作记录中的工作时长集{t1x,t2x,…,tkx},则得到节点设备ax的工作效率为vx=(t1x+t2x+…+tkx)/k,进一步推算出节点设备aj的工作效率为vj=(∑u x=1vx)/u,其中∑u x=1vx表示工作效率v1、v2、…vu的和;同时根据历史工作记录aj’中任意一次的工作时长tsj,确认任意节点设备aj的实际工作效率为vj’=(∑n s=1tsj)/n;
通过根据节点设备的历史工作记录,分析工作内容相似的设备信息,并根据关联设备和工作时长分别确认任意节点设备的工作效率实际值和计算值,有利于根据工作效率的比较值,分析设备的重要程度;
S330:基于节点设备集Q,获取任意节点设备ax转发和接收的所有IP信息,将得到的IP信息和设备集A进行匹配,确认所述节点设备ax进行相连的所有节点设备集合Rx;将节点设备集合Rx和相连设备集Rj进行比较,对两个集合中相同的节点设备进行提取,确认分别和节点设备aj、ax互连的相同节点设备数量为βx;通过遍历u个和aj相似的节点设备,确认相同节点设备数量分别为{β1,β2,…,βu};
通过分析有相似工作内容的设备之间互联的相同节点设备数量,分析目标节点设备的可替代性,若相同节点设备数量多,则说明目标节点设备的可替代性强,提高数据分析的准确性;
S340:故障设备的历史故障记录,分析设备故障率,设备故障影响范围:根据故障记录集Ci确认目标设备bi任意第s次故障时长为cs,同时将目标设备bi和任意节点设备aj进行匹配,确认所述目标设备bi的任意工作时长为tsj;基于目标设备bi的故障时长cs和工作时长tsj,得到目标设备bi的故障率为σi=(∑h s=1cs)/(∑n s=1tsj);基于目标设备的故障率、工作效率和相同节点设备得到目标设备bi的重要程度ni为:ni=[(f1*vj’)/vj+(u*f2)/(ε1β1+ε2β2+…+εuβu)]1/σi,其中f1、f2分别表示目标设备bi的性能参数;
若目标设备bi的工作效率高,相同设备少,说明设备在工作状态中不可替代性高,同时,在此基础上,设备的故障率低,说明所述目标设备的安全性能高,重要程度级别高;
通过根据故障记录确认目标设备的工作时长,计算设备故障率,并根据故障率、工作效率和相同节点设备确认目标设备的重要程度,有利于后续对所述目标设备对计算机网路的危害程度的分析。
步骤S400:根据维修记录集分析目标设备的故障维修时长;基于目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;确认目标设备对计算机网络的危害程度,根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
步骤S400包括:
S410:根据故障信息集B中目标设备bi的重要程度ni对所有目标设备根据重要程度高→低的顺序进行排序,形成排序后的故障信息集*B={*b1,*b2,…,*bm},其中*b1,*b2,…,*bm表示第1、2、…、m个发生故障的重要程度由高→低排序的节点设备信息,此时确认目标设备bi在故障信息集*B中所处的优先级为i/m;分析设备维修时长:对任意目标设备bi的维修记录集Di进行获取,确定所述目标设备的故障维修平均时长为hi=(d1+d2+…+dh)/h;
S420:获取故障信息集B中目标设备bi的设备信息,将目标设备bi和任意节点设备aj进行匹配;将故障信息集B和设备集A进行比较,对非故障设备信息进行提取,设为正常设备集A-B;根据步骤S310对目标设备bi的相连节点设备进行获取,将其和正常设备集A-B进行匹配,确认和所述目标设备bi相连的正常设备数量为δ;同时根据步骤S320中对目标设备bi的历史工作记录获取,得到目标设备bi的工作效率为vi’;
S430:分析信息堆积的速度:基于目标设备的优先级、工作效率和对正常设备的影响确认所述目标设备bi造成的信息堆积速率为:v=vi’*iδ*i/m;则进一步根据故障维修时间得到目标设备bi对计算机网络的危害程度为gi=hi*v;
通过根据设备重要程度确认目标设备所处的优先级,并确认目标设备对正常设备的影响范围,和设备工作效率,进一步分析目标设备由于未及时处理数据造成信息堆积的速率,确认所述目标设备对计算机网路的危害程度,极大地提高了系统的智能预警能力,提高设备预警的及时性;
S440:根据所述目标设备bi对计算机网络的危害程度gi获取故障信息集B中所有故障节点设备的危害程度,则将危害程度最高的节点设备作为第一个设备维修对象,待维修成功后将所述维修对象转为非故障设备,重新进入步骤S300,确认所有故障设备的重要程度,确定下一个故障维修设备;此时,智能可视化预警系统对维修对象进行实时显示,直至设备维修结束。
通过根据设备的危害程度,分析第一个维修设备,进一步将维修设备转为非故障设备,重新对下一个维修设备进行分析,有利于对设备维修对象进行精准维修,实时预警,提高系统分析的实时性和准确性。
步骤S500:实时显示各个节点设备的故障状况和维修状况;
步骤S500包括:
S510:智能可视化预警系统实时判断维修设备的危害程度gi是否大于危险阈值τ,若危害程度gi>τ,则说明维修设备存在信息堆积过多存在计算机网络瘫痪的可能,则进行智能提醒,及时反馈;
S520:对各个节点设备的故障状况和维修状况进行实时显示。
请参阅图1,本发明提供技术方案:人工智能可视化预警系统,系统包括:数据采集模块、数据库、节点分析模块、预警处理模块和数据反馈模块;
通过所述数据采集模块采集计算机网络中所有计算机节点设备的历史工作记录,形成历史工作集;采集当前时间序列下所有发生故障的节点设备信息,包括故障时间和设备信息,形成故障信息集;基于故障信息集中的每一台节点设备信息,设为目标设备,采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;通过故障设备的历史故障记录,分析设备故障率,设备故障影响范围;通过维修记录集分析设备维修时长;
数据采集模块包括工作记录采集单元、故障信息采集单元和历史记录采集单元;
工作记录采集单元用于采集计算机网络中所有计算机节点设备的历史工作记录,形成历史工作集;故障信息采集单元用于采集当前时间序列下所有发生故障的节点设备信息,形成故障信息集;历史记录采集单元用于采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集。
通过所述数据库对所有获取到的数据进行存储;
通过所述节点分析模块根据历史工作集分析各个节点设备之间的关联性和工作效率,根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;根据维修记录集分析目标设备的故障维修时长;基于目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;
节点分析模块包括关联性分析单元、重要程度分析单元、故障分析单元和危害程度分析单元;
关联性分析单元用于根据历史工作集分析各个节点设备之间的关联性和工作效率;重要程度分析单元用于根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;故障分析单元用于根据维修记录集分析目标设备的故障维修时长;危害程度分析单元用于根据目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;
设备发生故障时,分析计算机节点设备对整个计算机网络的重要程度,同时,根据设备之间的关联性分析所述节点设备对其它设备的影响范围;分析所述计算机节点设备的故障维修时间和相应故障的其它设备故障时间造成的信息堆积,分析数据堆积的速度和对系统的危害程度;基于设备的影响范围和信息堆积量的不同,制定最佳的设备维修方案。
通过所述预警处理模块确认目标设备对计算机网络的危害程度,根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
预警处理模块包括危害分析单元和方案预警单元;
危害分析单元用于确认目标设备对计算机网络的危害程度;方案预警单元用于根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案。
通过所述数据反馈模块实时显示各个节点设备的故障状况和维修状况;
数据反馈模块包括数据判断单元和数据显示单元;
数据判断单元用于实时判断维修设备的危害程度是否大于危险阈值,进行智能提醒,及时反馈;数据显示单元用于对各个节点设备的故障状况和维修状况进行实时显示。
实施例一:
步骤S100包括:
S110:对计算机网络中所有计算机节点设备的设备信息和历史工作记录进行采集,分别形成设备集A={a1,a2,…,a100},其中a1,a2,…,a100表示计算机网络中第1、2、…、100个节点设备的设备IP信息和历史工作集A’={a1’,a2’,…,a100’},其中a1’,a2’,…,an’表示计算机网络中第1、2、…、100个节点设备的历史工作记录;
S120:在当前t0~t1时间序列下,对所有发生故障的节点设备信息进行采集,形成故障信息集B={b1,b2,…,b40},其中b1,b2,…,b40表示第1、2、…、40个发生故障的节点设备信息;基于故障信息集B中任意一台节点设备信息,设为目标设备bi,对目标设备bi的历史故障记录和历史维修记录进行采集,分别形成故障记录集Ci={c1,c2,…,c20},其中c1,c2,…,ch表示目标设备bi第1、2、…、20次历史故障信息和维修记录集Di={d1,d2,…,d20},其中d1,d2,…,dh表示目标设备bi第1、2、…、20次历史维修信息。
步骤S200包括:
利用数据库采集设备集A、历史工作集A’、故障信息集B、目标设备bi的故障记录集Ci和维修记录集Di,进行数据存储。
步骤S300包括:
S310:对历史工作集A’中任意一个节点设备的历史工作记录aj’={r1,r2,…,r500}进行获取,其中r1,r2,…,r500表示节点设备aj第1、2、…、500次工作信息记录;根据k次工作信息记录,得到所述节点设备aj转发和接收的所有IP信息,形成IP信息集;将IP信息集和设备集A进行匹配,确认和节点设备aj进行相连的所有节点设备信息,设为相连设备集Rj;
S320:基于历史工作集A’,根据公式:εj=(99)/∑100q=1|aj’-aq’|,j=1,2,…,100,得到任意节点设备aj和其他节点设备工作记录关联集合ε={ε1,ε2,…,ε100},其中aq’表示第q个节点设备的历史工作记录;遍历关联集合ε,若|εq-εj|<0.2,则说明节点设备aq和节点设备aj工作内容相似,此时,确认所有和节点设备aj工作内容相似的节点设备集为Q并确认相似节点设备数量为u=10,若工作内容相似,则说明设备的可替代性强,重要程度偏低;基于节点设备集Q,获取任意节点设备ax在历史工作记录中的工作时长集{t1x,t2x,…,t400x},则得到节点设备ax的工作效率为vx=(t1x+t2x+…
+t400x)/400=40r/s,进一步推算出节点设备aj的工作效率为vj=(∑10 x=1vx)/u=(40+20+…+50)/10=30r/s,其中∑10 x=1vx表示工作效率v1、v2、…v10的和;同时根据历史工作记录aj’中任意一次的工作时长tsj,确认任意节点设备aj的实际工作效率为vj’=(∑100 s=1tsj)/100=45r/s;
S330:基于节点设备集Q,获取任意节点设备ax转发和接收的所有IP信息,将得到的IP信息和设备集A进行匹配,确认所述节点设备ax进行相连的所有节点设备集合Rx;将节点设备集合Rx和相连设备集Rj进行比较,对两个集合中相同的节点设备进行提取,确认分别和节点设备aj、ax互连的相同节点设备数量为βx=2;通过遍历10个和aj相似的节点设备,确认相同节点设备数量分别为{2,3,…,5};
S340:故障设备的历史故障记录,分析设备故障率,设备故障影响范围:根据故障记录集Ci确认目标设备bi任意第20次故障时长为cs,同时将目标设备bi和任意节点设备aj进行匹配,确认所述目标设备bi的任意工作时长为tsj;基于目标设备bi的故障时长cs=5h和工作时长tsj=2h,得到目标设备bi的故障率为σi=(∑20 s=1cs)/(∑100 s=1tsj)=0.4;基于目标设备的故障率、工作效率和相同节点设备得到目标设备bi的重要程度ni为:ni=[(0.06*45)/30+(10*0.04)/(0.2*2+0.2*3+…+0.2*5)]2.5≈0.77。
步骤S400包括:
S410:根据故障信息集B中目标设备bi的重要程度ni对所有目标设备根据重要程度高→低的顺序进行排序,形成排序后的故障信息集*B={*b1,*b2,…,*b40},其中*b1,*b2,…,*b40表示第1、2、…、40个发生故障的重要程度由高→低排序的节点设备信息,此时确认目标设备bi在故障信息集*B中所处的优先级为10/40;分析设备维修时长:对任意目标设备bi的维修记录集Di进行获取,确定所述目标设备的故障维修平均时长为h3=(d1+d2+…+d20)/20=4h;
S420:获取故障信息集B中目标设备bi的设备信息,将目标设备bi和任意节点设备aj进行匹配;将故障信息集B和设备集A进行比较,对非故障设备信息进行提取,设为正常设备集A-B;根据步骤S310对目标设备bi的相连节点设备进行获取,将其和正常设备集A-B进行匹配,确认和所述目标设备bi像相连的正常设备数量为δ=4;同时根据步骤S320中对目标设备bi的历史工作记录获取,得到目标设备bi的工作效率为vi’=30;
S430:分析信息堆积的速度:基于目标设备的优先级、工作效率和对正常设备的影响确认所述目标设备bi造成的信息堆积速率为:v=vi’*iδ*i/m=30*104*10/40=300r/s;则进一步根据故障维修时间得到目标设备bi对计算机网络的危害程度为gi=hi*v=4*300/3600;
S440:根据所述目标设备bi对计算机网络的危害程度gi获取故障信息集B中所有故障节点设备的危害程度,则将危害程度最高的节点设备作为第一个设备维修对象,待维修成功后将所述维修对象转为非故障设备,重新进入步骤S300,确认所有故障设备的重要程度,确定下一个故障维修设备;此时,智能可视化预警系统对维修对象进行实时显示,直至设备维修结束。
步骤S500包括:
S510:智能可视化预警系统实时判断维修设备的危害程度gi是否大于危险阈值τ=500/3600=5/36,若危害程度gi>5/36,则说明维修设备存在信息堆积过多存在计算机网络瘫痪的可能,则进行智能提醒,及时反馈;
S520:对各个节点设备的故障状况和维修状况进行实时显示。
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 (7)
1.一种基于大数据的人工智能可视化预警方法,其特征在于:包括以下步骤:
步骤S100:采集计算机网络中所有计算机节点设备的设备信息和历史工作记录,分别形成设备集和历史工作集;采集当前时间序列下所有发生故障的节点设备信息,形成故障信息集;基于故障信息集中的任意一台节点设备的信息,设为目标设备,采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;
步骤S200:对所有获取到的数据进行存储;
步骤S300:根据历史工作集分析各个节点设备之间的关联性和工作效率,根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;
步骤S400:根据维修记录集分析目标设备的故障维修时长;基于目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;确认目标设备对计算机网络的危害程度,根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
步骤S500:实时显示各个节点设备的故障状况和维修状况。
2.根据权利要求1所述的一种基于大数据的人工智能可视化预警方法,其特征在于:所述步骤S100包括:
S110:对计算机网络中所有计算机节点设备的设备信息和历史工作记录进行采集,分别形成设备集A={a1,a2,…,an},其中a1,a2,…,an表示计算机网络中第1、2、…、n个节点设备的设备IP信息和历史工作集A’={a1’,a2’,…,an’},其中a1’,a2’,…,an’表示计算机网络中第1、2、…、n个节点设备的历史工作记录;
S120:在当前t0~t1时间序列下,对所有发生故障的节点设备信息进行采集,形成故障信息集B={b1,b2,…,bm},其中b1,b2,…,bm表示第1、2、…、m个发生故障的节点设备信息,m≤n;基于故障信息集B中任意一台节点设备的信息,设为目标设备bi,对目标设备bi的历史故障记录和历史维修记录进行采集,分别形成故障记录集Ci={c1,c2,…,ch},其中c1,c2,…,ch表示目标设备bi第1、2、…、h次历史故障信息和维修记录集Di={d1,d2,…,dh},其中d1,d2,…,dh表示目标设备bi第1、2、…、h次历史维修信息。
3.根据权利要求2所述的一种基于大数据的人工智能可视化预警方法,其特征在于:所述步骤S300包括:
S310:对历史工作集A’中任意一个节点设备的历史工作记录aj’={r1,r2,…,rk}进行获取,其中r1,r2,…,rk表示节点设备aj第1、2、…、k次工作信息记录;根据k次工作信息记录,得到所述节点设备aj转发和接收的所有IP信息,形成IP信息集;将IP信息集和设备集A进行匹配,确认和节点设备aj进行相连的所有节点设备信息,设为相连设备集Rj;
S320:基于历史工作集A’,根据公式:εj=(n-1)/∑n q=1|aj’-aq’|,j=1,2,…,n,得到任意节点设备aj和其他节点设备工作记录关联集合ε={ε1,ε2,…,εn},其中aq’表示第q个节点设备的历史工作记录;遍历关联集合ε,若|εq-εj|<α,则说明节点设备aq和节点设备aj工作内容相似,其中α表示关联阈值,此时,确认所有和节点设备aj工作内容相似的节点设备集为Q并确认相似节点设备数量为u;基于节点设备集Q,获取任意节点设备ax在历史工作记录中的工作时长集{t1x,t2x,…,tkx},则得到节点设备ax的工作效率为vx=(t1x+t2x+…+tkx)/k,进一步推算出节点设备aj的工作效率为vj=(∑u x=1vx)/u,其中∑u x=1vx表示工作效率v1、v2、…vu的和;同时根据历史工作记录aj’中任意一次的工作时长tsj,确认任意节点设备aj的实际工作效率为vj’=(∑n s=1tsj)/n;
S330:基于节点设备集Q,获取任意节点设备ax转发和接收的所有IP信息,将得到的IP信息和设备集A进行匹配,确认所述节点设备ax进行相连的所有节点设备集合Rx;将节点设备集合Rx和相连设备集Rj进行比较,对两个集合中相同的节点设备进行提取,确认分别和节点设备aj、ax互连的相同节点设备数量为βx;通过遍历u个和aj相似的节点设备,确认相同节点设备数量分别为{β1,β2,…,βu};
S340:根据故障记录集Ci确认目标设备bi任意第s次故障时长为cs,同时将目标设备bi和任意节点设备aj进行匹配,确认所述目标设备bi的任意工作时长为tsj;基于目标设备bi的故障时长cs和工作时长tsj,得到目标设备bi的故障率为σi=(∑h s=1cs)/(∑n s=1tsj);基于目标设备的故障率、工作效率和相同节点设备得到目标设备bi的重要程度ni为:ni=[(f1*vj’)/vj+(u*f2)/(ε1β1+ε2β2+…+εuβu)]1/σi,其中f1、f2分别表示目标设备bi的性能参数。
4.根据权利要求3所述的一种基于大数据的人工智能可视化预警方法,其特征在于:所述步骤S400包括:
S410:根据故障信息集B中目标设备bi的重要程度ni对所有目标设备根据重要程度高→低的顺序进行排序,形成排序后的故障信息集*B={*b1,*b2,…,*bm},其中
*b1,*b2,…,*bm表示第1、2、…、m个发生故障的重要程度由高→低排序的节点设备信息,此时确认目标设备bi在故障信息集*B中所处的优先级为i/m;对任意目标设备bi的维修记录集Di进行获取,确定所述目标设备的故障维修平均时长为hi=(d1+d2+…+dh)/h;
S420:获取故障信息集B中目标设备bi的设备信息,将目标设备bi和任意节点设备aj进行匹配;将故障信息集B和设备集A进行比较,对非故障设备信息进行提取,设为正常设备集A-B;根据步骤S310对目标设备bi的相连节点设备进行获取,将其和正常设备集A-B进行匹配,确认和所述目标设备bi相连的正常设备数量为δ;同时根据步骤S320中对目标设备bi的历史工作记录获取,得到目标设备bi的工作效率为vi’;
S430:基于目标设备的优先级、工作效率和对正常设备的影响确认所述目标设备bi造成的信息堆积速率为:v=vi’*iδ*i/m;则进一步根据故障维修时间得到目标设备bi对计算机网络的危害程度为gi=hi*v;
S440:根据所述目标设备bi对计算机网络的危害程度gi获取故障信息集B中所有故障节点设备的危害程度,则将危害程度最高的节点设备作为第一个设备维修对象,待维修成功后将所述维修对象转为非故障设备,重新进入步骤S300;此时,智能可视化预警系统对维修对象进行实时显示,直至设备维修结束。
5.根据权利要求4所述的一种基于大数据的人工智能可视化预警方法,其特征在于:所述步骤S500包括:
S510:智能可视化预警系统实时判断维修设备的危害程度gi是否大于危险阈值τ,若危害程度gi>τ,则说明维修设备存在信息堆积过多存在计算机网络瘫痪的可能,则进行智能提醒,及时反馈;
S520:对各个节点设备的故障状况和维修状况进行实时显示。
6.用于实现权利要求1-5中任一项所述的一种基于大数据的人工智能可视化预警方法的人工智能可视化预警系统,其特征在于:所述系统包括:数据采集模块、数据库、节点分析模块、预警处理模块和数据反馈模块;
通过所述数据采集模块采集计算机网络中所有计算机节点设备的历史工作记录,形成历史工作集;采集当前时间序列下所有发生故障的节点设备信息,形成故障信息集;基于故障信息集中的每一台节点设备信息,设为目标设备,采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;
通过所述数据库对所有获取到的数据进行存储;
通过所述节点分析模块根据历史工作集分析各个节点设备之间的关联性和工作效率,根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;根据维修记录集分析目标设备的故障维修时长;基于目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;
通过所述预警处理模块确认目标设备对计算机网络的危害程度,根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
通过所述数据反馈模块实时显示各个节点设备的故障状况和维修状况。
7.根据权利要求6所述的一种基于大数据的人工智能可视化预警系统,其特征在于:所述数据采集模块包括工作记录采集单元、故障信息采集单元和历史记录采集单元;
所述工作记录采集单元用于采集计算机网络中所有计算机节点设备的历史工作记录,形成历史工作集;所述故障信息采集单元用于采集当前时间序列下所有发生故障的节点设备信息,形成故障信息集;所述历史记录采集单元用于采集目标设备的历史故障记录和历史维修记录,分别形成故障记录集和维修记录集;
所述节点分析模块包括关联性分析单元、重要程度分析单元、故障分析单元和危害程度分析单元;
所述关联性分析单元用于根据历史工作集分析各个节点设备之间的关联性和工作效率;所述重要程度分析单元用于根据节点设备的关联性和故障信息集中目标设备的故障记录分析目标设备的重要程度和故障率;所述故障分析单元用于根据维修记录集分析目标设备的故障维修时长;所述危害程度分析单元用于根据目标设备的重要程度和故障维修时长分析目标设备维修时长造成的信息堆积对计算机网络的危害程度;
所述预警处理模块包括危害分析单元和方案预警单元;
所述危害分析单元用于确认目标设备对计算机网络的危害程度;所述方案预警单元用于根据故障信息集中所有节点设备的危害程度和维修记录集中所有节点设备的维修数据制定最佳的设备预警方案;
所述数据反馈模块包括数据判断单元和数据显示单元;
所述数据判断单元用于实时判断维修设备的危害程度是否大于危险阈值,进行智能提醒,及时反馈;所述数据显示单元用于对各个节点设备的故障状况和维修状况进行实时显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473093.9A CN116389223B (zh) | 2023-04-26 | 2023-04-26 | 一种基于大数据的人工智能可视化预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473093.9A CN116389223B (zh) | 2023-04-26 | 2023-04-26 | 一种基于大数据的人工智能可视化预警系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116389223A true CN116389223A (zh) | 2023-07-04 |
CN116389223B CN116389223B (zh) | 2023-12-22 |
Family
ID=86963440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473093.9A Active CN116389223B (zh) | 2023-04-26 | 2023-04-26 | 一种基于大数据的人工智能可视化预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116389223B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958084A (zh) * | 2023-07-20 | 2023-10-27 | 上海韦地科技集团有限公司 | 基于核工业大数据的图像智能感知系统及方法 |
CN116979690A (zh) * | 2023-07-06 | 2023-10-31 | 江苏卓特电气科技有限公司 | 一种基于物联网的电网远程智能监测系统及方法 |
CN117834386A (zh) * | 2023-12-20 | 2024-04-05 | 北京联广通网络科技有限公司 | 一种流量图网络监控故障自动报警系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150019187A1 (en) * | 2013-07-15 | 2015-01-15 | The Boeing Company | System and method for assessing cumulative effects of a failure |
JP2015159393A (ja) * | 2014-02-24 | 2015-09-03 | 日本電信電話株式会社 | 監視装置 |
WO2018053934A1 (zh) * | 2016-09-22 | 2018-03-29 | 北京国电通网络技术有限公司 | 一种电网中设备预警方法及预警装置 |
WO2019036924A1 (zh) * | 2017-08-22 | 2019-02-28 | 深圳企管加企业服务有限公司 | 基于物联网的机房设备故障预警系统 |
CN109657912A (zh) * | 2018-11-15 | 2019-04-19 | 国网浙江省电力有限公司金华供电公司 | 一种可视化的电网风险管控方法及系统 |
US20190361759A1 (en) * | 2018-05-22 | 2019-11-28 | At&T Intellectual Property I, L.P. | System and method to identify failed points of network impacts in real time |
CN112187514A (zh) * | 2020-09-02 | 2021-01-05 | 上海御威通信科技有限公司 | 一种数据中心网络设备智能运维系统、方法及终端 |
CN112804599A (zh) * | 2019-11-14 | 2021-05-14 | 中盈优创资讯科技有限公司 | 网络质差点确定方法、装置、计算机设备及可读存储介质 |
CN113923096A (zh) * | 2020-06-22 | 2022-01-11 | 中国联合网络通信集团有限公司 | 网元故障预警方法、装置、电子设备及存储介质 |
CN114897247A (zh) * | 2022-05-16 | 2022-08-12 | 湖北精准极速科技有限公司 | 一种基于大数据的智能电网配网调度运行管理方法 |
WO2022178947A1 (zh) * | 2021-02-25 | 2022-09-01 | 平安科技(深圳)有限公司 | 基于多维度的监测预警方法、装置、设备及存储介质 |
CN115048591A (zh) * | 2022-06-17 | 2022-09-13 | 四川高融软科信息技术有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
-
2023
- 2023-04-26 CN CN202310473093.9A patent/CN116389223B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150019187A1 (en) * | 2013-07-15 | 2015-01-15 | The Boeing Company | System and method for assessing cumulative effects of a failure |
JP2015159393A (ja) * | 2014-02-24 | 2015-09-03 | 日本電信電話株式会社 | 監視装置 |
WO2018053934A1 (zh) * | 2016-09-22 | 2018-03-29 | 北京国电通网络技术有限公司 | 一种电网中设备预警方法及预警装置 |
WO2019036924A1 (zh) * | 2017-08-22 | 2019-02-28 | 深圳企管加企业服务有限公司 | 基于物联网的机房设备故障预警系统 |
US20190361759A1 (en) * | 2018-05-22 | 2019-11-28 | At&T Intellectual Property I, L.P. | System and method to identify failed points of network impacts in real time |
CN109657912A (zh) * | 2018-11-15 | 2019-04-19 | 国网浙江省电力有限公司金华供电公司 | 一种可视化的电网风险管控方法及系统 |
CN112804599A (zh) * | 2019-11-14 | 2021-05-14 | 中盈优创资讯科技有限公司 | 网络质差点确定方法、装置、计算机设备及可读存储介质 |
CN113923096A (zh) * | 2020-06-22 | 2022-01-11 | 中国联合网络通信集团有限公司 | 网元故障预警方法、装置、电子设备及存储介质 |
CN112187514A (zh) * | 2020-09-02 | 2021-01-05 | 上海御威通信科技有限公司 | 一种数据中心网络设备智能运维系统、方法及终端 |
WO2022178947A1 (zh) * | 2021-02-25 | 2022-09-01 | 平安科技(深圳)有限公司 | 基于多维度的监测预警方法、装置、设备及存储介质 |
CN114897247A (zh) * | 2022-05-16 | 2022-08-12 | 湖北精准极速科技有限公司 | 一种基于大数据的智能电网配网调度运行管理方法 |
CN115048591A (zh) * | 2022-06-17 | 2022-09-13 | 四川高融软科信息技术有限公司 | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979690A (zh) * | 2023-07-06 | 2023-10-31 | 江苏卓特电气科技有限公司 | 一种基于物联网的电网远程智能监测系统及方法 |
CN116958084A (zh) * | 2023-07-20 | 2023-10-27 | 上海韦地科技集团有限公司 | 基于核工业大数据的图像智能感知系统及方法 |
CN117834386A (zh) * | 2023-12-20 | 2024-04-05 | 北京联广通网络科技有限公司 | 一种流量图网络监控故障自动报警系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116389223B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116389223B (zh) | 一种基于大数据的人工智能可视化预警系统及方法 | |
CN111047082B (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
CN113556258B (zh) | 一种异常检测方法及装置 | |
CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN106844161A (zh) | 一种带状态流计算系统中的异常监控及预测方法和系统 | |
CN110502398A (zh) | 一种基于人工智能的交换机故障预测系统及方法 | |
CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
CN109547251B (zh) | 一种基于监控数据的业务系统故障与性能预测方法 | |
CN112415331A (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN104601374B (zh) | 用于数控机床的网络故障处理方法和装置 | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理系统 | |
CN109324264B (zh) | 一种配电网线路阻抗数据异常值的辨识方法及装置 | |
CN111260127A (zh) | 基于全机数字孪生模型的故障预测系统及方法 | |
CN108521346B (zh) | 一种基于终端数据的电信承载网异常节点定位方法 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN113705714A (zh) | 基于行为序列的配电物联网设备异常行为检测方法及装置 | |
CN110399278B (zh) | 基于数据中心异常监控的告警融合系统及方法 | |
CN117391625A (zh) | 一种基于数字孪生的智能制造管理系统及方法 | |
CN116467592A (zh) | 一种基于深度学习的生产设备故障智能监测方法及系统 | |
CN111241145A (zh) | 一种基于大数据的自愈规则挖掘方法及装置 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN116756619B (zh) | 一种基于大数据的设备智能诊断方法及系统 | |
CN117477765B (zh) | 一种基于大数据的电力数据传输系统及方法 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231129 Address after: No. 68 Haima Community, Shangdu Road, Zhengdong New District, Zhengzhou City, Henan Province, 450000 Applicant after: Zhengzhou Shuzhi Technology Group Co.,Ltd. Applicant after: Zhengzhou Digital Intelligence Technology Research Institute Co.,Ltd. Address before: 201100 floors 3 and 4, building 2, No. 598, Guanghua Road, Minhang District, Shanghai Applicant before: Fuxin Gaozhao (Shanghai) Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |