CN116415851A - 一种基于深度学习的设施运维性态指标智能识别评价方法 - Google Patents
一种基于深度学习的设施运维性态指标智能识别评价方法 Download PDFInfo
- Publication number
- CN116415851A CN116415851A CN202310388520.3A CN202310388520A CN116415851A CN 116415851 A CN116415851 A CN 116415851A CN 202310388520 A CN202310388520 A CN 202310388520A CN 116415851 A CN116415851 A CN 116415851A
- Authority
- CN
- China
- Prior art keywords
- facility
- information
- fault
- detected
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 61
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002155 anti-virotic effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
- G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于设施运维技术领域，公开了一种基于深度学习的设施运维性态指标智能识别评价方法。本发明通过对设施安全进行检测方法获取待检测设施的基础数据、网络流量数据以及业务数据，根据基础数据、网络流量信息以及业务数据生成待检测设施的设备数据，根据设备数据、预设安全情报数据以及预设检测模型生成待检测设施的安全检测结果，克服了现有技术中无法检测设施是否存在安全问题的缺陷，从而能够实现设施的安全检测，提高设施的安全性；同时，通过对设施故障进行分析方法能够利用设施故障树准确地分析并定位设施故障设备的设施故障原因，提升设施故障检测效率，降低设施故障维护成本。
Description
技术领域
本发明属于设施运维技术领域，尤其涉及一种基于深度学习的设施运维性态指标智能识别评价方法。
背景技术
基础设施是用于保证国家和地区社会经济活动正常进行的基础，基础设施的安全、稳定、高效运行是社会发展和人们生产生活的前提保障，而这一切都将依靠基础设施的运维工作。随着经济水平的发展，管理要求的提高以及国家对现代服务业新的规划，使得传统基础设施运维工作必将走向以信息化为基础的现代运维管理模式；然而，现有基于深度学习的设施运维性态指标智能识别评价方法无法使用传统的杀毒软件以及防火墙技术检测设施，从而导致无法检测设施是否存在安全问题；同时，对设施故障检测率低、维修时间长。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有基于深度学习的设施运维性态指标智能识别评价方法无法使用传统的杀毒软件以及防火墙技术检测设施，从而导致无法检测设施是否存在安全问题。
(2)对设施故障检测率低、维修时间长。
(3)现有设施的标识信息固化，无法智能化根据新增、改动的目标设施对标识信息进行同步、智能化的更新，进而导致无法高效对目标设施进行数字化管理的技术问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度学习的设施运维性态指标智能识别评价方法。
本发明是这样实现的，一种基于深度学习的设施运维性态指标智能识别评价方法包括：
步骤一，配置检测设备参数，通过检测设备检测设施状态指标；并对设施安全进行检测；在确定目标设施需要运维时，获取目标设施的标识及运维描述数据；对设施故障进行分析；
所述获取目标设施的标识方法：
通过第一摄像器获得第一图像，对获得的图像进行增强处理；其中，第一图像为包括第一目标设施的图像，第一目标设施为已存目标设施；
通过第一图像获得第一目标设施的第一标识码，获得第一标识码信息；通过第一摄像器获得第二图像，其中，第二图像为包括第二目标设施的图像，且第二目标设施为新增目标设施；
通过第二图像获得第二目标设施的第二标识码，获得第二标识码信息；将第一标识码信息和第二标识码信息输入第一连接标识码生成模型，获得第一连接标识码；
获得第一信息提取指令，根据第一信息提取指令对第二标识码信息中的第二目标设施的身份标识信息进行提取，获得第一提取结果；
通过第一身份标识模块将第一提取结果、第一连接标识码和第一图像的采集信息添加标识至第一标识码；
通过第一身份标识模块将第一标识码信息、第一连接标识码和第二图像的采集信息添加标识至第二标识码；
步骤二，根据运维描述数据，生成目标设施对应的运维任务；基于目标设施运维性态指标进行运维任务；
步骤二，根据运维描述数据，生成目标设施对应的运维任务；基于目标设施运维性态指标进行运维任务；
步骤三，对设施运维任务实施效果进行评价。
进一步，所述对设施安全进行检测方法如下：
(1)通过检测程序在接收到安全检测指令时，根据所述安全检测指令确定待检测设施；获取所述待检测设施的基础数据、网络流量数据以及业务数据；根据所述基础数据、所述网络流量数据以及所述业务数据生成所述待检测设施的设备数据；
(2)将所述设备数据与预设安全情报数据进行匹配，获得匹配结果；通过预设检测模型对所述设备数据进行分析，获得分析结果；根据所述匹配结果以及所述分析结果生成所述待检测设施的安全检测结果。
进一步，所述获取所述待检测设施的基础数据、网络流量数据以及业务数据的步骤，具体包括：
通过预设软件开发脚本获取所述待检测设施的基础数据；
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定所述待检测设施的网络流量数据以及业务数据。
进一步，所述通过预设软件开发脚本获取所述待检测设施的基础数据的步骤之前，所述设施安全检测方法还包括：
获取所述待检测设施的设备型号信息，并展示所述设备型号信息；
接收用户根据所述设备型号信息反馈的目标软件开发脚本，并将所述目标软件开发脚本作为预设软件开发脚本。
进一步，所述获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定所述待检测设施的网络流量数据以及业务数据的步骤，具体包括：
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定流量数据检测策略以及业务数据检测策略；
根据所述流量数据检测策略获取所述待检测设施的网络流量数据；
根据所述业务数据检测策略获取所述待检测设施的业务数据。
进一步，所述获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定流量数据检测策略以及业务数据检测策略的步骤，具体包括：
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定网关设备信息以及云端设备信息；
在预设映射关系表中查找所述网关设备信息对应的流量数据检测策略，所述预设映射关系表中包含网关设备信息与流量数据检测策略之间的对应关系；
根据所述云端设备信息确定业务数据检测策略。
进一步，所述根据所述云端设备信息确定业务数据检测策略的步骤，具体包括：
获取所述待检测设施对应的设施信息，并根据所述设施信息确定边缘计算设备信息；
根据所述云端设备信息、所述设施信息以及所述边缘计算设备信息确定业务数据检测策略。
进一步，所述对设施故障进行分析方法如下：
1)设施故障检测设备获取设施故障描述信息，其中，所述设施故障描述信息用于描述设施故障设备的设施故障现象；
2)设施故障检测设备根据所述设施故障现象遍历设施故障树，从而获得所述设施故障设备的设施故障原因，其中，所述设施故障树反映了所述设施故障现象与所述设施故障原因的对应关系；
所述设施故障树被单独设置在配置文件中，其中，所述配置文件能够通过有线或者无线的方式单独被更新；所述设施故障树包括设施故障现象节点以及多层分布的设施故障原因节点，其中，中间层的设施故障原因节点用于指示导致发生所述设施故障现象的中间原因，底层的设施故障原因节点用于指示导致发生所述设施故障现象的根本原因；
所述多层分布的设施故障原因节点中的每个设施故障原因节点均具有对应的设施故障判定规则，其中，所述设施故障判定规则用于判定对应的设施故障原因节点指示导致发生所述设施故障现象的原因的正确性；所述设施故障判定规则被单独设置在所述配置文件中；
所述设施故障判定规则跟设施故障检测工具代码解耦，所述设施故障树与所述设施故障检测工具代码解耦。
进一步，所述设施故障判定规则包括以下中的至少一项：告警类规则、命令类规则、日志类规则、性能类规则。
进一步，所述设施故障现象节点以及多层分布的设施故障原因节点中的至少一个节点是用预先编码好的编码字符表征的，不同的节点对应不同的编码字符；
所述设施故障树是用户根据经验累积，通过可视化编辑界面进行编辑和存储所得的。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过对设施安全进行检测方法获取待检测设施的基础数据、网络流量数据以及业务数据，根据基础数据、网络流量信息以及业务数据生成待检测设施的设备数据，根据设备数据、预设安全情报数据以及预设检测模型生成待检测设施的安全检测结果，克服了现有技术中无法检测设施是否存在安全问题的缺陷，从而能够实现设施的安全检测，提高设施的安全性；同时，通过对设施故障进行分析方法能够利用设施故障树准确地分析并定位设施故障设备的设施故障原因，提升设施故障检测效率，降低设施故障维护成本。
本发明通过获取目标设施的标识方法可以对设施标识信息进行同步更新，进而达到对目标设施进行高效的数字化管理的技术效果。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过对设施安全进行检测方法获取待检测设施的基础数据、网络流量数据以及业务数据，根据基础数据、网络流量信息以及业务数据生成待检测设施的设备数据，根据设备数据、预设安全情报数据以及预设检测模型生成待检测设施的安全检测结果，克服了现有技术中无法检测设施是否存在安全问题的缺陷，从而能够实现设施的安全检测，提高设施的安全性；同时，通过对设施故障进行分析方法能够利用设施故障树准确地分析并定位设施故障设备的设施故障原因，提升设施故障检测效率，降低设施故障维护成本。
附图说明
图1是本发明实施例提供的基于深度学习的设施运维性态指标智能识别评价方法流程图。
图2是本发明实施例提供的对设施安全进行检测方法流程图。
图3是本发明实施例提供的对设施故障进行分析方法流程图。
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。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明提供一种基于深度学习的设施运维性态指标智能识别评价方法包括以下步骤：
S101，配置检测设备参数，通过检测设备检测设施状态指标；并对设施安全进行检测；在确定目标设施需要运维时，获取目标设施的标识及运维描述数据；对设施故障进行分析；
所述获取目标设施的标识方法：
通过第一摄像器获得第一图像，对获得的图像进行增强处理；其中，第一图像为包括第一目标设施的图像，第一目标设施为已存目标设施；
通过第一图像获得第一目标设施的第一标识码，获得第一标识码信息；通过第一摄像器获得第二图像，其中，第二图像为包括第二目标设施的图像，且第二目标设施为新增目标设施；
通过第二图像获得第二目标设施的第二标识码，获得第二标识码信息；将第一标识码信息和第二标识码信息输入第一连接标识码生成模型，获得第一连接标识码；
获得第一信息提取指令，根据第一信息提取指令对第二标识码信息中的第二目标设施的身份标识信息进行提取，获得第一提取结果；
通过第一身份标识模块将第一提取结果、第一连接标识码和第一图像的采集信息添加标识至第一标识码；
通过第一身份标识模块将第一标识码信息、第一连接标识码和第二图像的采集信息添加标识至第二标识码；
步骤二，根据运维描述数据，生成目标设施对应的运维任务；基于目标设施运维性态指标进行运维任务；
S102，根据运维描述数据，生成目标设施对应的运维任务；基于目标设施运维性态指标进行运维任务；
S103，对设施运维任务实施效果进行评价。
如图2所示，本发明提供的对设施安全进行检测方法如下：
S201，通过检测程序在接收到安全检测指令时，根据所述安全检测指令确定待检测设施；获取所述待检测设施的基础数据、网络流量数据以及业务数据；根据所述基础数据、所述网络流量数据以及所述业务数据生成所述待检测设施的设备数据；
S202，将所述设备数据与预设安全情报数据进行匹配，获得匹配结果；通过预设检测模型对所述设备数据进行分析，获得分析结果；根据所述匹配结果以及所述分析结果生成所述待检测设施的安全检测结果。
本发明提供的获取所述待检测设施的基础数据、网络流量数据以及业务数据的步骤，具体包括：
通过预设软件开发脚本获取所述待检测设施的基础数据；
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定所述待检测设施的网络流量数据以及业务数据。
本发明提供的通过预设软件开发脚本获取所述待检测设施的基础数据的步骤之前，所述设施安全检测方法还包括：
获取所述待检测设施的设备型号信息，并展示所述设备型号信息；
接收用户根据所述设备型号信息反馈的目标软件开发脚本，并将所述目标软件开发脚本作为预设软件开发脚本。
本发明提供的获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定所述待检测设施的网络流量数据以及业务数据的步骤，具体包括：
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定流量数据检测策略以及业务数据检测策略；
根据所述流量数据检测策略获取所述待检测设施的网络流量数据；
根据所述业务数据检测策略获取所述待检测设施的业务数据。
本发明提供的获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定流量数据检测策略以及业务数据检测策略的步骤，具体包括：
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定网关设备信息以及云端设备信息；
在预设映射关系表中查找所述网关设备信息对应的流量数据检测策略，所述预设映射关系表中包含网关设备信息与流量数据检测策略之间的对应关系；
根据所述云端设备信息确定业务数据检测策略。
本发明提供的根据所述云端设备信息确定业务数据检测策略的步骤，具体包括：
获取所述待检测设施对应的设施信息，并根据所述设施信息确定边缘计算设备信息；
根据所述云端设备信息、所述设施信息以及所述边缘计算设备信息确定业务数据检测策略。
如图3所示，本发明提供的对设施故障进行分析方法如下：
S301，设施故障检测设备获取设施故障描述信息，其中，所述设施故障描述信息用于描述设施故障设备的设施故障现象；
S302，设施故障检测设备根据所述设施故障现象遍历设施故障树，从而获得所述设施故障设备的设施故障原因，其中，所述设施故障树反映了所述设施故障现象与所述设施故障原因的对应关系；
所述设施故障树被单独设置在配置文件中，其中，所述配置文件能够通过有线或者无线的方式单独被更新；所述设施故障树包括设施故障现象节点以及多层分布的设施故障原因节点，其中，中间层的设施故障原因节点用于指示导致发生所述设施故障现象的中间原因，底层的设施故障原因节点用于指示导致发生所述设施故障现象的根本原因；
所述多层分布的设施故障原因节点中的每个设施故障原因节点均具有对应的设施故障判定规则，其中，所述设施故障判定规则用于判定对应的设施故障原因节点指示导致发生所述设施故障现象的原因的正确性；所述设施故障判定规则被单独设置在所述配置文件中；
所述设施故障判定规则跟设施故障检测工具代码解耦，所述设施故障树与所述设施故障检测工具代码解耦。
本发明提供的设施故障判定规则包括以下中的至少一项：告警类规则、命令类规则、日志类规则、性能类规则。
本发明提供的设施故障现象节点以及多层分布的设施故障原因节点中的至少一个节点是用预先编码好的编码字符表征的，不同的节点对应不同的编码字符；
所述设施故障树是用户根据经验累积，通过可视化编辑界面进行编辑和存储所得的。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过对设施安全进行检测方法获取待检测设施的基础数据、网络流量数据以及业务数据，根据基础数据、网络流量信息以及业务数据生成待检测设施的设备数据，根据设备数据、预设安全情报数据以及预设检测模型生成待检测设施的安全检测结果，克服了现有技术中无法检测设施是否存在安全问题的缺陷，从而能够实现设施的安全检测，提高设施的安全性；同时，通过对设施故障进行分析方法能够利用设施故障树准确地分析并定位设施故障设备的设施故障原因，提升设施故障检测效率，降低设施故障维护成本。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明通过对设施安全进行检测方法获取待检测设施的基础数据、网络流量数据以及业务数据，根据基础数据、网络流量信息以及业务数据生成待检测设施的设备数据，根据设备数据、预设安全情报数据以及预设检测模型生成待检测设施的安全检测结果，克服了现有技术中无法检测设施是否存在安全问题的缺陷，从而能够实现设施的安全检测，提高设施的安全性；同时，通过对设施故障进行分析方法能够利用设施故障树准确地分析并定位设施故障设备的设施故障原因，提升设施故障检测效率，降低设施故障维护成本。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述基于深度学习的设施运维性态指标智能识别评价方法包括以下步骤：
步骤一，配置检测设备参数，通过检测设备检测设施状态指标；并对设施安全进行检测；在确定目标设施需要运维时，获取目标设施的标识及运维描述数据；对设施故障进行分析；
所述获取目标设施的标识方法：
通过第一摄像器获得第一图像，对获得的图像进行增强处理；其中，第一图像为包括第一目标设施的图像，第一目标设施为已存目标设施；
通过第一图像获得第一目标设施的第一标识码，获得第一标识码信息；通过第一摄像器获得第二图像，其中，第二图像为包括第二目标设施的图像，且第二目标设施为新增目标设施；
通过第二图像获得第二目标设施的第二标识码，获得第二标识码信息；将第一标识码信息和第二标识码信息输入第一连接标识码生成模型，获得第一连接标识码；
获得第一信息提取指令，根据第一信息提取指令对第二标识码信息中的第二目标设施的身份标识信息进行提取，获得第一提取结果；
通过第一身份标识模块将第一提取结果、第一连接标识码和第一图像的采集信息添加标识至第一标识码；
通过第一身份标识模块将第一标识码信息、第一连接标识码和第二图像的采集信息添加标识至第二标识码；
步骤二，根据运维描述数据，生成目标设施对应的运维任务；基于目标设施运维性态指标进行运维任务；
步骤三，对设施运维任务实施效果进行评价。
2.如权利要求1所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述对设施安全进行检测方法如下：
(1)通过检测程序在接收到安全检测指令时，根据所述安全检测指令确定待检测设施；获取所述待检测设施的基础数据、网络流量数据以及业务数据；根据所述基础数据、所述网络流量数据以及所述业务数据生成所述待检测设施的设备数据；
(2)将所述设备数据与预设安全情报数据进行匹配，获得匹配结果；通过预设检测模型对所述设备数据进行分析，获得分析结果；根据所述匹配结果以及所述分析结果生成所述待检测设施的安全检测结果。
3.如权利要求2所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述获取所述待检测设施的基础数据、网络流量数据以及业务数据的步骤，具体包括：
通过预设软件开发脚本获取所述待检测设施的基础数据；
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定所述待检测设施的网络流量数据以及业务数据。
4.如权利要求2所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述通过预设软件开发脚本获取所述待检测设施的基础数据的步骤之前，所述设施安全检测方法还包括：
获取所述待检测设施的设备型号信息，并展示所述设备型号信息；
接收用户根据所述设备型号信息反馈的目标软件开发脚本，并将所述目标软件开发脚本作为预设软件开发脚本。
5.如权利要求2所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定所述待检测设施的网络流量数据以及业务数据的步骤，具体包括：
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定流量数据检测策略以及业务数据检测策略；
根据所述流量数据检测策略获取所述待检测设施的网络流量数据；
根据所述业务数据检测策略获取所述待检测设施的业务数据。
6.如权利要求2所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定流量数据检测策略以及业务数据检测策略的步骤，具体包括：
获取所述待检测设施的网络连接信息，并根据所述网络连接信息确定网关设备信息以及云端设备信息；
在预设映射关系表中查找所述网关设备信息对应的流量数据检测策略，所述预设映射关系表中包含网关设备信息与流量数据检测策略之间的对应关系；
根据所述云端设备信息确定业务数据检测策略。
7.如权利要求2所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述根据所述云端设备信息确定业务数据检测策略的步骤，具体包括：
获取所述待检测设施对应的设施信息，并根据所述设施信息确定边缘计算设备信息；
根据所述云端设备信息、所述设施信息以及所述边缘计算设备信息确定业务数据检测策略。
8.如权利要求1所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述对设施故障进行分析方法如下：
1)设施故障检测设备获取设施故障描述信息，其中，所述设施故障描述信息用于描述设施故障设备的设施故障现象；
2)设施故障检测设备根据所述设施故障现象遍历设施故障树，从而获得所述设施故障设备的设施故障原因，其中，所述设施故障树反映了所述设施故障现象与所述设施故障原因的对应关系；
所述设施故障树被单独设置在配置文件中，其中，所述配置文件能够通过有线或者无线的方式单独被更新；所述设施故障树包括设施故障现象节点以及多层分布的设施故障原因节点，其中，中间层的设施故障原因节点用于指示导致发生所述设施故障现象的中间原因，底层的设施故障原因节点用于指示导致发生所述设施故障现象的根本原因；
所述多层分布的设施故障原因节点中的每个设施故障原因节点均具有对应的设施故障判定规则，其中，所述设施故障判定规则用于判定对应的设施故障原因节点指示导致发生所述设施故障现象的原因的正确性；所述设施故障判定规则被单独设置在所述配置文件中；
所述设施故障判定规则跟设施故障检测工具代码解耦，所述设施故障树与所述设施故障检测工具代码解耦。
9.如权利要求8所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述设施故障判定规则包括以下中的至少一项：告警类规则、命令类规则、日志类规则、性能类规则。
10.如权利要求8所述基于深度学习的设施运维性态指标智能识别评价方法，其特征在于，所述设施故障现象节点以及多层分布的设施故障原因节点中的至少一个节点是用预先编码好的编码字符表征的，不同的节点对应不同的编码字符；
所述设施故障树是用户根据经验累积，通过可视化编辑界面进行编辑和存储所得的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310388520.3A CN116415851A (zh) | 2023-04-12 | 2023-04-12 | 一种基于深度学习的设施运维性态指标智能识别评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310388520.3A CN116415851A (zh) | 2023-04-12 | 2023-04-12 | 一种基于深度学习的设施运维性态指标智能识别评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415851A true CN116415851A (zh) | 2023-07-11 |
Family
ID=87049187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310388520.3A Pending CN116415851A (zh) | 2023-04-12 | 2023-04-12 | 一种基于深度学习的设施运维性态指标智能识别评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415851A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821403A (zh) * | 2023-08-31 | 2023-09-29 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
-
2023
- 2023-04-12 CN CN202310388520.3A patent/CN116415851A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821403A (zh) * | 2023-08-31 | 2023-09-29 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
| CN116821403B (zh) * | 2023-08-31 | 2023-12-05 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190228296A1 (en) | Significant events identifier for outlier root cause investigation | |
| EP3798846A1 (en) | Operation and maintenance system and method | |
| JPWO2017090098A1 (ja) | 設備管理装置および方法 | |
| US11126494B2 (en) | Automated, adaptive, and auto-remediating system for production environment | |
| US9710289B2 (en) | Rapid configuration of software | |
| CN113946499A (zh) | 一种微服务链路跟踪及性能分析方法、系统、设备及应用 | |
| CN110224874A (zh) | 一种设备故障的处理方法及装置 | |
| US20230351158A1 (en) | Apparatus, system and method for detecting anomalies in a grid | |
| US11743133B2 (en) | Automatic anomaly detection | |
| CN116415851A (zh) | 一种基于深度学习的设施运维性态指标智能识别评价方法 | |
| CN114844768A (zh) | 信息分析方法、装置及电子设备 | |
| CN111368824B (zh) | 一种仪表识别方法、移动设备及存储介质 | |
| CN115879907A (zh) | 一种具备故障检测的运维监控装置及工作方法 | |
| CN117729576A (zh) | 告警监控方法、装置、设备及存储介质 | |
| CN111901156B (zh) | 一种监控故障的方法及装置 | |
| CN117724980A (zh) | 软件框架性能的测试方法、装置、电子设备和存储介质 | |
| CN115687406B (zh) | 一种调用链数据的采样方法、装置、设备及存储介质 | |
| CN114218001A (zh) | 故障修复方法、装置、电子设备及可读存储介质 | |
| US12056038B2 (en) | Log analyzer for fault detection | |
| JP2022037107A (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
| CN112860527A (zh) | 应用服务器的故障监测方法及装置 | |
| CN104883273A (zh) | 虚拟化服务管理平台中业务影响模型的处理方法和系统 | |
| CN115982143B (zh) | 一种数据质量预警方法、系统、存储介质及计算设备 | |
| CN116882724B (zh) | 一种业务流程优化方案的生成方法、装置、设备及介质 | |
| JP7415363B2 (ja) | ログ分析装置、方法及びプログラム |
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 |