CN116489002A - 一种基于机器学习算法的故障定界方法 - Google Patents

一种基于机器学习算法的故障定界方法 Download PDF

Info

Publication number
CN116489002A
CN116489002A CN202310446411.2A CN202310446411A CN116489002A CN 116489002 A CN116489002 A CN 116489002A CN 202310446411 A CN202310446411 A CN 202310446411A CN 116489002 A CN116489002 A CN 116489002A
Authority
CN
China
Prior art keywords
fault
data
machine learning
algorithm
points
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
Application number
CN202310446411.2A
Other languages
English (en)
Inventor
李萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Communication Information System Co Ltd
Original Assignee
Inspur Communication Information System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inspur Communication Information System Co Ltd filed Critical Inspur Communication Information System Co Ltd
Priority to CN202310446411.2A priority Critical patent/CN116489002A/zh
Publication of CN116489002A publication Critical patent/CN116489002A/zh
Pending legal-status Critical Current

Links

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
    • H04L41/0677—Localisation of faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于机器学习算法的故障定界方法，属于移动通信网络识别技术领域，采用TF‑IDF算法对故障系统中收集到的设备信息的关键词进行逆文本指数分析，以确定每一份设备信息与其他设备信息的重要性；利用K‑Means聚类算法对经过TF‑IDF计算得到的逆文本指数分数进行分类，以便在故障发生时，可以通过故障日志的逆文本指数分析结果进行有效的分类，从而更好地识别出故障原因，并采取有效的措施来解决问题；利用T‑SNE算法对聚类后的数据进行非线性降维，从而实现可视化的目的。本发明将机器学习应用到故障定界中，形成一套高精度、低成本的故障定界方法，能够更快定界网络的故障，提高网络的故障响应速度。

Description

一种基于机器学习算法的故障定界方法
技术领域
本发明涉及移动通信网络识别技术领域，具体地说是一种基于机器学习算法的故障定界方法。
背景技术
随着移动通信网络的迅速发展，网络故障定界技术也取得了长足的进步，网络故障诊断模块受到了越来越多的关注。但是传统的网络故障定界技术仍然存在一定的局限性，无法有效地识别出网络故障，从而影响系统的可靠性和安全性。由于移动通信网络具有实时性强、速度快、复杂度高等特点，如何有效地处理网络故障成为当务之急。
利用无监督机器学习算法，在流量大、信令多样、信息流失快的情况下，为移动通信领域提供一种低成本、高效率的网络故障诊断模型，从而极大地提升了系统的可靠性和可用性。通过对国内外对移动通信故障检测与诊断技术的比较分析，发现已有学者对故障检测和诊断中做了大量工作，对于不同场景所构建的故障检测技术也有多种。具体可分为以下几种类别：
1、离线诊断。通过提前配置故障发现规则，同时采集网络系统运行过程中产生的所有事件，针对已配置的规则对异常事件进行标注，最后通过将采集下来的信息保存到本地系统的方式进行故障诊断。但此种方法的弊端在于保存事件需要占用大量的存储空间，因而对系统的容量有较高要求；
2、在线诊断。在线诊断是指通过对故障进行复现，使用人工或系统自动化的方式查看产生故障的设备日志等信息并对其进行处理。此种方式的弊端在于故障不可能被完全复现，同时所需人力较多，成本较高。
发明内容
本发明的技术任务是针对以上不足之处，提供一种基于机器学习算法的故障定界方法，在处理故障的过程中提供低成本高性价比的网络故障诊断模型，能够有效定界网络的故障，提高网络的可靠性和安全性。
本发明解决其技术问题所采用的技术方案是：
一种基于机器学习算法的故障定界方法，采用TF-IDF算法对故障系统中收集到的设备信息的关键词进行逆文本指数分析，以确定每一份设备信息与其他设备信息的重要性；
利用K-Means聚类算法对经过TF-IDF计算得到的逆文本指数分数进行分类，以便在故障发生时，可以通过故障日志的逆文本指数分析结果进行有效的分类，从而更好地识别出故障原因，并采取有效的措施来解决问题；
利用T-SNE算法对聚类后的数据进行非线性降维，从而实现可视化的目的。
本方法将机器学习应用到故障定界中，将TF-IDF、K-Means与T-SNE算法相结合构建故障定界模型，形成一套高精度、低成本的故障定界方法，能够更快定界网络的故障，提高网络的故障响应速度。
优选的，所述故障系统中收集到的设备信息，以AMF网元为核心，将采集上来的有关故障数据作为信息的处理源，为便于后续的机器学习；
预处理包含数据清洗、数据标准化，其中，数据清洗能够有效地检测出异常数据，并且根据不同的异常情况采取相应的处理措施；数据标准化能够协助机器学习更快地找到适用于故障定界的特性。通过数据预处理，机器学习能够大大提高分析效率，从而更好地满足需求。
进一步的，采用TF-IDF算法对故障系统中收集到的设备信息的关键词进行逆文本指数分析，过程如下：
1)、分词评定，在得到初始信息后，借用Jiaba工具对数据进行分词处理，并将分词后的数据以字符串的形式进行展现；
2)、进行词频转换，将分词后得到的矩阵转换成词频矩阵；
3)、然后计算各关键词的TF-IDF值，计算公式如下：
其中，TF(di，tj)代表词频，IDF(tj)代表逆向文件频率，词频表示该特征词在当前文本中出现的频率；通常我们认为，当关键词在某一文件中出现的频率较高，但在整个文件中出现的频率低时，认定该关键词的逆向文本指数分数较高。
4)、最后得到的分数表。
优选的，分词后的结果如表1所示：
表1分词后矩阵
转换成词频矩阵如表2所示：
表2词频矩阵转换结果
则得到的分数表如表3所示：
表3 TF-IDF计算结果
进一步的，所述K-Means聚类步骤如下：
1)、将AMF流程知识库中的总项目值作为K-Means中的K值；随机选取50个数据作为质心；
2)、通过测量故障数据分析集中各个数据点与质心之间的一段距离，将其分配到质心所在的数据集中，以便更好地理解故障数据分析的特征和行为；
3)、计算集合中所有数据的均值，将以此作为一类新的质心，并重新计算各样本点到组心间的距离平方和；
4)、计算完成后，判断聚类组心及总距离的均值是否有变化，若有变化，重复上述步骤；如果没有变化，则聚类结束。
优选的，使用以下表达式来描述故障数据点与质心之间的关系：
data(j)＝[Gj_11，...，Gj_1N，Gj_21，...，Gj_2N，...，G48_j1，...，Gj_jN]
D＝||data(j)-α(i)||2
聚类后的数据如表4所示：
表4聚类后数据结果
进一步的，所述利用T-SNE算法对聚类后的数据进行非线性降维，步骤如下：
1)、计算二维平面上点的相似性，选取某一个点，计算它与周围点距离得到该点与其他点的相似性分数，将这些点放在以该点为中心的正态曲线下，相似分数越大，说明两点在二维平面的距离越近；
2)、对得到的所有点的相似性分数进行标准化处理，使得总和为1；
3)、每个点对应的正态曲线在前后两次计算后得到的数值可能不同，因而利用T-SNE算法对两点的相似性分数计算均值，最后可得到一个矩阵；
4)、计算一维直线上的所有点的相似性分数，并将曲线从正态分布转换成t分布。
进一步的，所述数据降维，得到的降维结果如表5所示：
表5相似性分数降维结果
本发明还要求保护一种基于机器学习算法的故障定界装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述的基于机器学习算法的故障定界方法。
本发明还要求保护一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述的基于机器学习算法的故障定界方法。
本发明的一种基于机器学习算法的故障定界方法与现有技术相比，具有以下有益效果：
通过使用机器学习等相关算法，构建故障定界模型，在提高故障定界问题处理速度的同时，也有可大大降低人力成本。基于机器学习算法的故障定界模型方法的优势在于：
1、传统的故障定界方法人力成本较高，且处理时效较慢，对于高效处理故障问题不能提供更快捷的方法，而使用TF-IDF、K均值算法以及T-SNE算法设计出一个基于通信流程的故障定界模型，除了可以快速发现故障所处位置，也能大大降低人力成本；
2、本方法模型是基于通信流程进行制定的，所以在使用本模型分析实际问题时，有助于快速整理解决故障问题的思路，提升解决故障定界问题的速度，提高网络的故障定界准确性。
附图说明
图1是本发明实施例提供的故障分类结果图；
图2是本发明实施例提供的故障定界成功率结果示图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
一种基于机器学习算法的故障定界方法，采用TF-IDF算法对故障系统中收集到的设备信息的关键词进行逆文本指数分析，以确定每一份设备信息与其他设备信息的重要性；
利用K-Means聚类算法对经过TF-IDF计算得到的逆文本指数分数进行分类，以便在故障发生时，可以通过故障日志的逆文本指数分析结果进行有效的分类，从而更好地识别出故障原因，并采取有效的措施来解决问题；
利用T-SNE算法对聚类后的数据进行非线性降维，从而实现可视化的目的。
本方法将机器学习应用到故障定界中，将TF-IDF、K-Means与T-SNE算法相结合构建故障定界模型，形成一套高精度、低成本的故障定界方法，能够更快定界网络的故障，提高网络的故障响应速度。
具体实现方式如下：
一、故障数据采集及预处理
本方法主要以AMF网元为核心，将采集上来的有关故障数据作为信息的处理源，为便于后续的机器学习。
预处理包含数据清洗、数据标准化等，其中，数据清洗能够有效地检测出异常数据，并且根据不同的异常情况采取相应的处理措施；数据标准化则能够协助机器学习更快地找到适用于故障定界的特性。通过数据预处理，机器学习能够大大提高分析效率，从而更好地满足需求。
二、关键信息提取过程
采用TF-IDF算法对故障信息的关键字段进行逆文本指数分数分析，具体步骤如下：
1、分词评定，在得到初始信息后，借用Jiaba工具对数据进行分词处理，并将分词后的数据以字符串的形式进行展现。分词后的结果如表1所示：
表1分词后矩阵
2、进行词频转换，将分词后得到的矩阵转换成词频矩阵，结果如表2所示：
表2词频矩阵转换结果
3、接着计算各关键词的TF-IDF值，计算公式如下：
其中，TF(di，tj)代表词频，IDF(tj)代表逆向文件频率，词频表示该特征词在当前文本中出现的频率；通常我们认为，当关键词在某一文件中出现的频率较高，但在整个文件中出现的频率低时，认定该关键词的逆向文本指数分数较高。
4、最后得到的分数表如表3所示：
表3 TF-IDF计算结果
三、K-Means聚类
K-Means是一个聚类算法，它可以将给定数据集上的K个簇进行分类，并以每个簇的中心值作为基准，以计算出更高精度的聚类结果。用户可以指定簇的数量k，而每个簇的质心(centroid)则是由簇中所有点的中心来表示的。
K-Means聚类步骤如下：
1、将AMF流程知识库中的总项目值作为K-Means中的K值；随机选取50个数据作为质心；
2、通过测量故障数据分析集中各个数据点与质心之间的一段距离，将其分配到质心所在的数据集中，以便更好地理解故障数据分析的特征和行为；具体而言，可以使用以下表达式来描述故障数据点与质心之间的关系：
data(j)＝[Gj_11，...，Gj_1N，Gj_21，...，Gj_2N，...，G48_j1，...，Gj_jN]
D＝||data(j-a(i)||2
3、计算集合中所有数据的均值，将以此作为一类新的质心，并重新计算各样本点到组心间的距离平方和；
4、计算完成后，判断聚类组心及总距离的均值是否有变化，若有变化，重复上述步骤；如果没有变化，则聚类结束。
聚类后的数据如表4所示：
表4聚类后数据结果
四、数据降维可视化
T-SNE是用于非线性降维的机器学习算法，适用于将高维数据降到2维或3维，并进行可视化。
利用T-SNE算法对聚类后的数据进行非线性降维，步骤如下：
1、计算二维平面上点的相似性，选取某一个点，计算它与周围点距离得到该点与其他点的相似性分数，将这些点放在以该点为中心的正态曲线下，相似分数越大，说明两点在二维平面的距离越近；
2、对得到的所有点的相似性分数进行标准化处理，使得总和为1；
3、每个点对应的正态曲线在前后两次计算后得到的数值可能不同，因而利用T-SNE算法对两点的相似性分数计算均值，最后可得到一个矩阵；
4、计算一维直线上的所有点的相似性分数，并将曲线从正态分布转换成t分布。得到的降维结果如表5所示：
表5相似性分数降维结果
经过以上步骤得到的故障数据分类结果如图1所示。
图2的数字编号与表1分类的编号一致，得到的故障定界诊断正确率均值为85％。
本发明实施例还提供一种基于机器学习算法的故障定界装置，包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行上述实施例所述的基于机器学习算法的故障定界方法。
本发明实施例还提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述实施例中所述的基于机器学习算法的故障定界方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习算法的故障定界方法，其特征在于，采用TF-IDF算法对故障系统中收集到的设备信息的关键词进行逆文本指数分析，以确定每一份设备信息与其他设备信息的重要性；
利用K-Means聚类算法对经过TF-IDF计算得到的逆文本指数分数进行分类，以便在故障发生时，可以通过故障日志的逆文本指数分析结果进行有效的分类，从而更好地识别出故障原因，并采取有效的措施来解决问题；
利用T-SNE算法对聚类后的数据进行非线性降维，从而实现可视化的目的。
2.根据权利要求1所述的一种基于机器学习算法的故障定界方法，其特征在于，所述故障系统中收集到的设备信息，以AMF网元为核心，将采集上来的有关故障数据作为信息的处理源；
预处理包含数据清洗、数据标准化，其中，数据清洗能够有效地检测出异常数据，并且根据不同的异常情况采取相应的处理措施；数据标准化能够协助机器学习更快地找到适用于故障定界的特性。
3.根据权利要求1或2所述的一种基于机器学习算法的故障定界方法，其特征在于，采用TF-IDF算法对故障系统中收集到的设备信息的关键词进行逆文本指数分析，过程如下：
分词评定，在得到初始信息后，借用Jiaba工具对数据进行分词处理，并将分词后的数据以字符串的形式进行展现；
进行词频转换，将分词后得到的矩阵转换成词频矩阵；
然后计算各关键词的TF-IDF值，计算公式如下：
其中，TF(di，tj)代表词频，IDF(tj)代表逆向文件频率，词频表示该特征词在当前文本中出现的频率；
最后得到的分数表。
4.根据权利要求3所述的一种基于机器学习算法的故障定界方法，其特征在于，分词后的结果如表1所示：
表1
转换成词频矩阵如表2所示：
表2
则得到的分数表如表3所示：
表3
5.根据权利要求4所述的一种基于机器学习算法的故障定界方法，其特征在于，所述K-Means聚类步骤如下：
1)、将AMF流程知识库中的总项目值作为K-Means中的K值；
2)、通过测量故障数据分析集中各个数据点与质心之间的一段距离，将其分配到质心所在的数据集中；
3)、计算集合中所有数据的均值，将以此作为一类新的质心，并重新计算各样本点到组心间的距离平方和；
4)、计算完成后，判断聚类组心及总距离的均值是否有变化，若有变化，重复上述步骤；如果没有变化，则聚类结束。
6.根据权利要求5所述的一种基于机器学习算法的故障定界方法，其特征在于，使用以下表达式来描述故障数据点与质心之间的关系：
datu(j)＝[Gj_11，...，Gj_1N，Gj_21，...，Gj_2N，...，G48_j1，...，Gj_jN]
D＝||data(j)-a(i)||2
聚类后的数据如表4所示：
表4
7.根据权利要求6所述的一种基于机器学习算法的故障定界方法，其特征在于，所述利用T-SNE算法对聚类后的数据进行非线性降维，步骤如下：
1)、计算二维平面上点的相似性，选取某一个点，计算它与周围点距离得到该点与其他点的相似性分数，将这些点放在以该点为中心的正态曲线下，相似分数越大，说明两点在二维平面的距离越近；
2)、对得到的所有点的相似性分数进行标准化处理，使得总和为1；
3)、利用T-SNE算法对两点的相似性分数计算均值，最后可得到一个矩阵；
4)、计算一维直线上的所有点的相似性分数，并将曲线从正态分布转换成t分布。
8.根据权利要求7所述的一种基于机器学习算法的故障定界方法，其特征在于，所述数据降维，得到的降维结果如表5所示：
表5
9.一种基于机器学习算法的故障定界装置，其特征在于包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至8任一所述的方法。
10.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至8任一所述的方法。
CN202310446411.2A 2023-04-20 2023-04-20 一种基于机器学习算法的故障定界方法 Pending CN116489002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310446411.2A CN116489002A (zh) 2023-04-20 2023-04-20 一种基于机器学习算法的故障定界方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310446411.2A CN116489002A (zh) 2023-04-20 2023-04-20 一种基于机器学习算法的故障定界方法

Publications (1)

Publication Number Publication Date
CN116489002A true CN116489002A (zh) 2023-07-25

Family

ID=87220854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310446411.2A Pending CN116489002A (zh) 2023-04-20 2023-04-20 一种基于机器学习算法的故障定界方法

Country Status (1)

Country Link
CN (1) CN116489002A (zh)

Similar Documents

Publication Publication Date Title
CN108427720B (zh) 系统日志分类方法
CN110826648B (zh) 一种利用时序聚类算法实现故障检测的方法
CN112148772A (zh) 告警根因识别方法、装置、设备和存储介质
CN110659175A (zh) 日志的主干提取方法、分类方法、设备及存储介质
CN112395881B (zh) 物料标签的构建方法、装置、可读存储介质及电子设备
WO2020082609A1 (zh) 利用深度学习模型的证券研报分析方法及装置
CN113254255A (zh) 一种云平台日志的分析方法、系统、设备及介质
CN113407721A (zh) 检测日志序列异常的方法、装置及计算机存储介质
CN114610881A (zh) 应用日志分析方法、装置、设备和存储介质
CN116841779A (zh) 异常日志检测方法、装置、电子设备和可读存储介质
CN112699921B (zh) 一种基于堆栈降噪自编码的电网暂态故障数据聚类清洗方法
CN116305171B (zh) 一种组件漏洞分析方法、装置、设备和存储介质
CN112286799A (zh) 结合句嵌入和粒子群优化算法的软件缺陷定位方法
CN116489002A (zh) 一种基于机器学习算法的故障定界方法
CN114936139A (zh) 数据中心网络内的日志处理方法、装置、设备及存储介质
CN114444514A (zh) 语义匹配模型训练、语义匹配方法及相关装置
CN114610882A (zh) 一种基于电力短文本分类的异常设备编码检测方法和系统
CN117874240B (zh) 基于知识图谱的审计文本分类方法、系统和设备
CN110598760B (zh) 一种变压器振动数据无监督特征选择方法
CN116738980A (zh) 电网行业元数据信息消歧方法、系统、设备及存储介质
CN113743096A (zh) 一种基于自然语言处理的众包测试报告相似度检测的方法
CN111191437A (zh) 一种用于提取案例信息的多元新词的方法及系统
CN116910581A (zh) 一种基于领域短语与相似度综合评价的业务工单配置方法
CN115757701A (zh) 基于自然语义处理企业安全生产风险问题匹配系统及方法
CN118070092A (zh) 一种用电设备故障判别方法、系统、设备和介质

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