CN116881092A - 告警数据的预测方法、装置、设备和存储介质 - Google Patents

告警数据的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116881092A
CN116881092A CN202310658521.5A CN202310658521A CN116881092A CN 116881092 A CN116881092 A CN 116881092A CN 202310658521 A CN202310658521 A CN 202310658521A CN 116881092 A CN116881092 A CN 116881092A
Authority
CN
China
Prior art keywords
alarm
data
current
alarm data
period
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
CN202310658521.5A
Other languages
English (en)
Inventor
王春燕
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.)
Bank of China Ltd
Original Assignee
Bank of China 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 Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202310658521.5A priority Critical patent/CN116881092A/zh
Publication of CN116881092A publication Critical patent/CN116881092A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请涉及一种告警数据的预测方法、装置、设备和存储介质。涉及人工智能技术领域。该方法包括：首先，获取当前时段的当前告警数据；并确定当前告警数据对应的告警影响因素；然后，将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。本申请在确定当前时段的当前告警数据和当前告警数据对应的告警影响因素之后，将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，可以快速且提前得到预测的未来时段的预测告警数据，可以基于此，对预测的未来时段的预测告警数据进行预先处理，避免未来时段的预测告警数据造成的损失，以及对用户产生的影响。

Description

告警数据的预测方法、装置、设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种告警数据的预测方法、装置、设备和存储介质。
背景技术
随着各种类型的应用程序的迅速发展，各种类型的应用程序被广泛应用。
近年来，各种类型应用程序均会产生一些运行异常现象，例如应用崩溃，应用提示加载失败等。实际应用中，可以实时获取到这些异常现象对应的告警数据，例如，针对任意一种类型的应用程序，每隔5分钟计算一次告警数据，当告警数据超过预先确定的阈值，将会触发告警并立即将告警数据推送给维护人员和实际的功能开发人员。然而，这个过程中，由于维护人员和实际的功能开发人员收到告警数据时，该应用程序产生的运行异常现象已经对用户产生的影响，给用户带来不好的体验，同时也造成较大损失。
因此，如何预先对告警数据进行提前预测，降低告警数据对用户的影响是亟需解决的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种高效的告警数据的预测方法、装置、设备和存储介质。
第一方面，本申请提供了一种告警数据的预测方法，该方法包括：
获取当前时段的当前告警数据；
确定当前告警数据对应的告警影响因素；
将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
在其中一个实施例中，获取当前时段的当前告警数据，包括：
采集当前时段内应用程序产生的运行数据；
采用孤立森林算法，识别运行数据中的异常数据；
根据异常数据，确定当前时段的当前告警数据。
在其中一个实施例中，根据异常数据，确定当前时段的当前告警数据，包括：
对异常数据进行清洗处理，得到清洗后的异常数据；
根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数；
根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
在其中一个实施例中，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，确定当前告警数据对应的告警影响因素，包括如下至少一项：
若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；
若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；
若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；
若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
在其中一个实施例中，告警预测网络的训练过程，包括：
获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素；
对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集；
将样本数据集划分为训练集和测试集；
基于训练集对原始网络进行训练；
基于测试集对训练后的原始网络进行准确性验证；
若验证通过，则将训练后的原始网络作为告警预测网络。
在其中一个实施例中，得到未来时段的预测告警数据之后，还包括：
判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；
若存在，则根据目标类型和目标类型对应的告警次数，推送告警预测提示信息。
第二方面，本申请还提供了一种告警数据的预测装置。该装置包括：
获取模块，用于获取当前时段的当前告警数据；
确定模块，用于确定当前告警数据对应的告警影响因素；
输入模块，用于将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
第三方面，本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行所述计算机程序时实现以下步骤：
获取当前时段的当前告警数据；
确定当前告警数据对应的告警影响因素；
将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
第四方面，本申请还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取当前时段的当前告警数据；
确定当前告警数据对应的告警影响因素；
将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
第五方面，本申请还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取当前时段的当前告警数据；
确定当前告警数据对应的告警影响因素；
将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
上述告警数据的预测方法、装置、设备和存储介质，首先，获取当前时段的当前告警数据；并确定当前告警数据对应的告警影响因素；然后，将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。本申请在确定当前时段的当前告警数据和当前告警数据对应的告警影响因素之后，将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，可以快速且提前得到预测的未来时段的预测告警数据，可以基于此，对预测的未来时段的预测告警数据进行预先处理，避免未来时段的预测告警数据造成的损失，以及对用户产生的影响。
附图说明
图1为本实施例提供的一种告警数据的预测方法的应用环境图；
图2为本实施例提供的第一种告警数据的预测方法的流程示意图；
图3为本实施例提供的一种获取当前时段的当前告警数据的流程示意图；
图4为本实施例提供的一种告警预测网络的训练过程的流程示意图；
图5为本实施例提供的第二种告警数据的预测方法的流程示意图；
图6为本实施例提供的一种告警数据的预测装置的结构框图；
图7为本实施例提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过无线保真(Wireless-Fidelity，WIFI)、移动蜂窝网络、近场通信(Near FieldCommunication，NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种告警数据的预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
在一个实施例中，如图2所示，提供了一种告警数据的预测方法，该方法包括以下步骤：
S201、获取当前时段的当前告警数据。
可选的，当前告警数据是指当前时段内应用程序产生的至少一种告警类型及其对应的总告警次数，其中，告警类型包括页面崩溃、页面错误、缓冲超时等；应用程序可以是应用于金融业务的程序，例如，手机银行。当前时段可以是指采集当前告警数据的任意时段，例如，当前时段可以是当前时刻的前1分钟、2分钟、3分钟和5分钟等任意时段。可选的，可以将采集历史告警数据的时段，作为当前时段。假设采集近2年应用程序每隔5分钟的历史告警数据，则可以将每隔5分钟对应的时段作为获取当前告警数据的当前时段。
确定当前时段的当前告警数据的一种可选的实施方式为：基于异常数据的标识信息从采集的当前时段内应用程序产生的运行数据中解析异常数据，并确定异常数据对应的告警类型，并通过计数器对解析出的各告警类型的异常数据的出现次数进行统计，得到当前告警数据。
另一种可选的实施方式为：预先训练一个执行确定当前告警数据任务的神经网络模型(例如异常数据检测模型)，通过该模型对当前时段内应用程序产生的运行数据进行解析和统计处理，输出该当前时段内应用程序对应的各告警类型的异常数据的出现次数，并将异常数据作为当前时段的当前告警数据。
S202、确定当前告警数据对应的告警影响因素。
其中，当前告警数据对应的告警影响因素是指促使当前时段内应用程序产生至少一种告警类型并告警的影响因素。
可选的，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项。其中，日期影响因素包括月初日、月末日、节假日、投产日(新业务上线的日期)、特殊节日(例如圣诞节)等。点击量影响因素包括页面功能的点击量的多少。同比影响因素包括同期相比，具体的，表示某个特定统计段的当前告警数据与去年的这个时段的告警数据之间的比较。环比影响因素包括本次统计段与相连的上次统计段之间的比较，具体的，表示某个特定统计段的当前告警数据与相连的上次统计段的时段的告警数据之间的比较。
本实施例中，在接收到当前告警数据时，可以根据经验从日期影响因素、点击量影响因素、同比影响因素和环比影响因素中选择至少一项可能造成当前时段内应用程序产生的至少一种告警类型并告警的影响因素。
可选的，确定当前告警数据对应的告警影响因素，包括如下至少一项：若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
本实施中，在接收到当前告警数据时，可选的，可以判断当前时段是否属于特殊时段中的至少一个，其中，特殊时段包括月初日、月末日、节假日、投产日(新业务上线的日期、特殊节日(例如圣诞节)等；若是，则确定为当前时段内应用程序产生的至少一种告警类型并告警的影响因素中包括日期影响因素；否则，则确定当前告警数据对应的告警影响因素中不包含日期影响因素。可选的，可以判断当前告警数据对应的应用页面的点击量是否超过点击量阈值，其中，点击量阈值可以预先统计确定；若是，则确定为当前时段内应用程序产生的至少一种告警类型并告警的影响因素中包括点击量影响因素；否则，则确定当前告警数据对应的告警影响因素中不包含点击量影响因素。可选的，可以判断当前告警数据是否大于同比时段告警数据，若是，则确定为当前时段内应用程序产生的至少一种告警类型并告警的影响因素中包括同比影响因素；否则，则确定当前告警数据对应的告警影响因素中不包含同比影响因素。可选的，可以判断当前告警数据是否大于环比时段告警数据；若是，则确定为当前时段内应用程序产生的至少一种告警类型并告警的影响因素中包括环比影响因素；否则，则确定当前告警数据对应的告警影响因素中不包含环比影响因素。
可选的，为了对告警影响因素同比影响因素和环比影响因素精确的确定。可以预先设置同比的阈值和环比的阈值，并在确定当前告警数据大于同比时段告警数据，且二者之差大于同比的阈值时，确定当前告警数据对应的告警影响因素中包含同比影响因素。在确定当前告警数据大于环比时段告警数据，且二者之差大于环比的阈值时，确定当前告警数据对应的告警影响因素中包含环比影响因素。
S203、将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
可选的，未来时段的预测告警数据是指当前时刻对应的未来一段时间(即位于当前时段之后的下一个时段，例如3分钟之后或5分钟之后等)产生的告警数据，即包括未来时段内应用程序产生的至少一种告警类型，以及至少一种告警类型对应的总告警次数。告警预测网络是指基于输入的当前告警数据和当前告警数据对应的告警影响因素对应的信息，预测当前时刻对应的未来一段时间产生的告警数据的网络。可选的，本实施例中，告警预测网络可以采用Xgboost算法对训练集中的历史告警数据进行训练得到的网络，具体的训练过程，参考下文描述，在此不再赘述。
本实施例中，在得到当前时段的当前告警数据，并确定当前告警数据对应的告警影响因素之后，将当前时段的当前告警数据和告警影响因素输入到告警预测网络中，该模型基于当前告警数据和告警影响因素对未来时段的预测告警数据进行预测，并输出当前时刻对应的未来一段时间产生的告警数据。
上述告警数据的预测方法中，首先，获取当前时段的当前告警数据；并确定当前告警数据对应的告警影响因素；然后，将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。本申请在确定当前时段的当前告警数据和当前告警数据对应的告警影响因素之后，将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，可以快速且提前得到预测的未来时段的预测告警数据，可以基于此，对预测的未来时段的预测告警数据进行预先处理，避免未来时段的预测告警数据造成的损失，以及对用户产生的影响。
一种可选的实施方式中，得到未来时段的预测告警数据之后，可以判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；若存在，则根据目标类型和目标类型对应的告警次数，推送告警预测提示信息。
本实施例中，可以根据经验预先确定不同类型的告警次数阈值。可选的，不同告警类型对应的告警次数阈值不同。目标类型是指告警类型中告警次数大于该告警类型对应的告警次数阈值的类型。告警预测提示信息是指提示未来时段时间会产生告警数据的提示消息。
可选的，在得到未来时段的预测告警数据之后，分别比较预测告警数据和各告警类型对应的告警次数阈值，若确定预测告警次数大于告警次数阈值的类型；则推送出该类型，以及未来时段时间该类型对应的告警次数的提示信息。若确定预测告警次数不大于告警次数阈值的类型；则无需推送出告警预测提示信息。
本实施例中，在得到未来时段的预测告警数据之后，比较预测告警数据和各告警类型对应的告警次数阈值，并在确定预测告警次数大于告警次数阈值的类型时，推送出该类型以及该类型对应的告警次数的提示信息，便于开发人员提前得到告警类型和该类型对应的告警次数，并对该类型的异常提前做处理，降低该异常类型对用户产生影响。
在上述实施例的基础上，为了对S201中获取当前时段的当前告警数据进行理解，本实施例给出如下一种获取当前时段的当前告警数据可选实现方式，具体如图3所示，包括如下步骤：
S301、采集当前时段内应用程序产生的运行数据。
可选的，运行数据是指应用程序在当前时段内运行产生的数据，其中，运行数据中包括正常数据和异常数据。本实施例中，可以采集应用程序在当前时段内运行产生的正常数据和异常数据。例如，可以采集应用程序每隔5分钟内运行产生的正常数据和异常数据。
S302、采用孤立森林算法，识别运行数据中的异常数据。
可选的，孤立森林算法是一种适用于连续数据的无监督异常检测算法。与其他异常检测算法通过距离、密度等量化指标来刻画样本间的疏离程度不同，孤立森林算法通过对样本点的孤立来检测异常值。具体来说，该算法利用一种名为孤立树的二叉搜索树结构来孤立样本。由于异常值的数量较少且与大部分样本具有疏离性，因此，异常值会被更早的孤立出来，也即异常值会距离的根节点更近，而正常值则会距离根节点有更远的距离。此外，相较于LOF，K-means等传统算法，孤立森林算法具有较高的鲁棒性。
本实施例中，在得到当前时段内应用程序产生的运行数据之后，通过孤立森林算法对运行数据进行识别，由于异常数据的数量较少且与大部分正常数据具有疏离性，因此，可将异常数据和正常数据做区分，异常数据会被从正常数据中孤立，进而得到异常数据。
S303、根据异常数据，确定当前时段的当前告警数据。
可选的，在得到异常数据后，对异常数据进行分析统计，确定当前时段内应用程序产生的至少一种告警类型对应的总告警次数。
本实施例中，通过孤立森林算法对运行数据中的异常数据进行识别，可以快速识别运行数据中的异常数据，进而快速得到当前时段的当前告警数据，提高了获取当前告警数据的效率。
可选的，为了精确的确定当前时段的当前告警数据，上述S303中包括如下子步骤：
子步骤一：对异常数据进行清洗处理，得到清洗后的异常数据。
可选的，由于得到异常数据中存在无效数据，因此，可以对异常数据中的无效数据进行清洗操作，以去除无效数据，其中，无效数据包括缺失关键字段的数据(例如，缺失报错类型的数据)，本实施例中，去除无效数据可以保证后续得到的当前告警数据的精确性。
子步骤二：根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数。
本实施例中，得到清洗后的异常数据之后，对该异常数据进行分析，获取异常数据中每个告警类型标识信息，基于各个告警类型标识信息和各个告警类型对应关系，确定每个告警类型标识信息对应的当前时段对应的各个告警类型，并统计每个告警类型对应的告警次数。例如，假设分别提取到页面崩溃、页面错误、缓冲超时等的标识后，基于各个告警类型标识信息和各个告警类型对应关系，确定每个标识对应的当前时段的内页面崩溃、页面错误、缓冲超时等，以及统计页面崩溃、页面错误、缓冲超时等分别对应的告警次数。
子步骤三：根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
可选的，对当前时段的告警类型和告警类型对应的告警次数，进行分析统计，确定当前时段内应用程序产生的每一种告警类型对应的总告警次数。
本实施例中，由于得到异常数据中存在无效数据，因此，可以对异常数据中的无效数据进行清洗操作，以去除无效数据，得到清洗后异常数据，然后对清洗后异常数据进行分析，确定并统计当前时段的内页面崩溃、页面错误、缓冲超时等告警类型，以及每个类型对应的告警次数，进而得到精确的当前时段的当前告警数据。本实施例中，去除无效数据可以保证后续得到的当前告警数据的精确性。另外，保留了可以用于后续告警预测网络可以使用的异常数据，避免无效数据对告警预测网络的影响。
为了对上述S203中的告警预测网络进行理解，本实施提供了一种告警预测网络的训练过程可选的实施方式，具体包括如下步骤：
S401、获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素。
历史告警数据是指历史时段内应用程序产生的至少一种告警类型对应的总告警次数，历史时段可以是指采集历史告警数据的任意时段，历史时段可以是任意一个历史时刻的前1分钟、2分钟3分钟和5分钟等任意时段。假设可以采集近2年应用程序每隔5分钟的历史告警数据。具体的获取历史时段的历史告警数据的方式，参考上文中获取当前时段的当前告警数据的方式，在此不再赘述。
历史告警数据对应的告警影响因素是指促使历史时段内应用程序产生至少一种告警类型并告警的影响因素。历史告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项。具体的确定历史告警数据对应的告警影响因素的方式，参考上文中确定当前告警数据对应的告警影响因素的方式，在此不再赘述。
S402、对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集。
本实施例中，针对每一数据采集时段对应的一组历史告警数据，将位于其之后的下一个数据采样时段对应的历史告警数据标注为该数据采集时段对应的历史告警数据的标签，并将标注有标签的该组历史告警数据，以及该组历史告警数据对应的告警影响因素，作为一组样本数据。即一组样本数据集包括：历史时段的历史告警数据、历史时段之后的下一个数据采样时段对应的历史告警数据和历史告警数据对应的告警影响因素。基于同样的方式，可获得多组样本数据，并将得到的多组样本数据进行合并，得到样本数据集。
S403、将样本数据集划分为训练集和测试集。
本实施例中，将样本训练数据集，按一定比例分为训练集和测试集，其中，训练集是用于训练原始网络，该训练集中包括的多组样本数据集。其中，多组样本数据集包括多组历史时段的历史告警数据、历史时段之后的下一个数据采样时段对应的历史告警数据和历史告警数据对应的告警影响因素。测试集用于验证训练后的原始网络是否收敛。可选的，将样本数据集中的各组数据按8:2比例分为训练集和测试集。
S404、基于训练集对原始网络进行训练。
其中，原始网络可以是对每一组历史时段的历史告警数据和告警影响因素进行处理，预测该历史时段之后的下一个数据采样时段对应的历史告警数据的网络。
具体的训练过程包括；将每一组历史时段的历史告警数据和告警影响因素输入至原始网络中，该原始网络基于输入的该组样本数据，输出该组历史时段之后的下一个数据采样时段对应的历史告警数据的预测值；基于预测值和该历史时段之后的下一个数据采样时段对应的历史告警数据标签(真实值)，计算损失函数，根据损失函数，对原始网络进行迭代训练；若检测到迭代训练后的原始网络收敛，则得到训练后的原始网络。
S405、基于测试集对训练后的原始网络进行准确性验证；若验证通过，执行S406；否则返回执行S404。
可选的，准确性是指训练后的原始网络针对采样时段预测的下一个数据采样时段对应的历史告警数据的预测值与该时段的下一个数据采样时段对应的历史告警数据标签之间的相似度。
本实施例中，将测试集中的每一组数据，即历史时段的历史告警数据和告警影响因素输入到训练后的原始网络中，该训练后的原始网络输出该组数据对应的历史时段之后的下一个数据采样时段对应的历史告警数据的值。基于历史时段之后的下一个数据采样时段对应的历史告警数据的值，和该历史时段之后的下一个数据采样时段对应的历史告警数据标签，确定二者之间的相似度是否大于预先设置的准确性阈值，若是，则说明训练后的原始网络精确性符合要求，执行S406，即将训练后的原始网络作为告警预测网络，否则返回执行S404，即对原始网络继续进行训练。
S406、将训练后的原始网络作为告警预测网络。
本实施例中，通过训练集对原始网络进行训练，以及通过测试集对训练后的原始网络进行准确性验证，在验证通过后才将训练后的原始网络作为告警预测网络，显然，本实施例可以得到精确的告警预测网络，保证了告警数据的预测的准确性。
在上述实施例的基础上，本实施例提供了第二种告警数据的预测方法的可选实现方式，如图5所示，该方法包括以下步骤：
S501、获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素。
S502、对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集。
S503、将样本数据集划分为训练集和测试集。
S504、基于训练集对原始网络进行训练。
S505、基于测试集对训练后的原始网络进行准确性验证；若验证通过，执行S506；否则返回执行S504。
S506、将训练后的原始网络作为告警预测网络。
S507、采集当前时段内应用程序产生的运行数据。
S508、采用孤立森林算法，识别运行数据中的异常数据。
S509、对异常数据进行清洗处理，得到清洗后的异常数据。
S510、根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数。
S511、根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
S512、确定当前告警数据对应的告警影响因素。
可选的，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，确定当前告警数据对应的告警影响因素，包括如下至少一项：
若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；
若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；
若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；
若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
S513、将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
可选的，得到未来时段的预测告警数据之后，还包括：
判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；若存在，则根据所述目标类型和所述目标类型对应的告警次数，推送告警预测提示信息。
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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的告警数据的预测方法的一种告警数据的预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案和有益效果相似，故下面所提供的一个或多个告警数据的预测装置实施例中的具体限定可以参见上文中对于一种告警数据的预测方法的限定，在此不再赘述。
在一个实施例中，如图6所示，提供了一种告警数据的预测装置1，包括：
获取模块601，用于获取当前时段的当前告警数据；
确定模块602，用于确定当前告警数据对应的告警影响因素；
输入模块603，用于将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
在其中一个实施例中，获取模块601，包括：
采集单元，用于采集当前时段内应用程序产生的运行数据；
识别单元，用于采用孤立森林算法，识别运行数据中的异常数据；
确定单元，用于根据异常数据，确定当前时段的当前告警数据。
在其中一个实施例中，确定单元，具体用于：
对异常数据进行清洗处理，得到清洗后的异常数据；
根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数；
根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
在其中一个实施例中，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，确定模块602，具体用于：
若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；
若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；
若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；
若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
在其中一个实施例中，该装置还包括训练模块604，用于对原始网络训练，得到告警预测网络，该训练模块604，具体用于：
获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素；
对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集；
将样本数据集划分为训练集和测试集；
基于训练集对原始网络进行训练；
基于测试集对训练后的原始网络进行准确性验证；
若验证通过，则将训练后的原始网络作为告警预测网络。
在其中一个实施例中，该装置还包括推送模块605，该推送模块605具体用于：
判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；
若存在，则根据目标类型和目标类型对应的告警次数，推送告警预测提示信息。
上述告警数据的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现告警数据的预测。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取当前时段的当前告警数据；确定当前告警数据对应的告警影响因素；将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
在其中一个实施例中，获取当前时段的当前告警数据，包括：采集当前时段内应用程序产生的运行数据；采用孤立森林算法，识别运行数据中的异常数据；根据异常数据，确定当前时段的当前告警数据。
在其中一个实施例中，根据异常数据，确定当前时段的当前告警数据，包括：对异常数据进行清洗处理，得到清洗后的异常数据；根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数；根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
在其中一个实施例中，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，确定所述当前告警数据对应的告警影响因素，包括如下至少一项：若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
在其中一个实施例中，告警预测网络的训练过程，包括：获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素；对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集；将样本数据集划分为训练集和测试集；基于训练集对原始网络进行训练；基于测试集对训练后的原始网络进行准确性验证；若验证通过，则将训练后的原始网络作为告警预测网络。
在其中一个实施例中，得到未来时段的预测告警数据之后，还包括：判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；若存在，则根据目标类型和目标类型对应的告警次数，推送告警预测提示信息。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取当前时段的当前告警数据；确定当前告警数据对应的告警影响因素；将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
在其中一个实施例中，获取当前时段的当前告警数据，包括：采集当前时段内应用程序产生的运行数据；采用孤立森林算法，识别运行数据中的异常数据；根据异常数据，确定当前时段的当前告警数据。
在其中一个实施例中，根据异常数据，确定当前时段的当前告警数据，包括：对异常数据进行清洗处理，得到清洗后的异常数据；根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数；根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
在其中一个实施例中，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，确定所述当前告警数据对应的告警影响因素，包括如下至少一项：若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
在其中一个实施例中，告警预测网络的训练过程，包括：获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素；对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集；将样本数据集划分为训练集和测试集；基于训练集对原始网络进行训练；基于测试集对训练后的原始网络进行准确性验证；若验证通过，则将训练后的原始网络作为告警预测网络。
在其中一个实施例中，得到未来时段的预测告警数据之后，还包括：判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；若存在，则根据目标类型和目标类型对应的告警次数，推送告警预测提示信息。
本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：获取当前时段的当前告警数据；确定当前告警数据对应的告警影响因素；将当前告警数据和当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
在其中一个实施例中，获取当前时段的当前告警数据，包括：采集当前时段内应用程序产生的运行数据；采用孤立森林算法，识别运行数据中的异常数据；根据异常数据，确定当前时段的当前告警数据。
在其中一个实施例中，根据异常数据，确定当前时段的当前告警数据，包括：对异常数据进行清洗处理，得到清洗后的异常数据；根据清洗后的异常数据，确定当前时段的告警类型和告警类型对应的告警次数；根据当前时段的告警类型和告警类型对应的告警次数，生成当前时段的当前告警数据。
在其中一个实施例中，当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，确定所述当前告警数据对应的告警影响因素，包括如下至少一项：若当前时段属于特殊时段，则根据特殊时段，确定当前告警数据对应的告警影响因素中包含日期影响因素；若当前告警数据对应的应用页面的点击量超过点击量阈值，则确定当前告警数据对应的告警影响因素中包含点击量影响因素；若当前告警数据大于同比时段告警数据，则确定当前告警数据对应的告警影响因素中包含同比影响因素；若当前告警数据大于环比时段告警数据，则确定当前告警数据对应的告警影响因素中包含环比影响因素。
在其中一个实施例中，告警预测网络的训练过程，包括：获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素；对历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集；将样本数据集划分为训练集和测试集；基于训练集对原始网络进行训练；基于测试集对训练后的原始网络进行准确性验证；若验证通过，则将训练后的原始网络作为告警预测网络。
在其中一个实施例中，得到未来时段的预测告警数据之后，还包括：判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；若存在，则根据目标类型和目标类型对应的告警次数，推送告警预测提示信息。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种告警数据的预测方法，其特征在于，所述方法包括：
获取当前时段的当前告警数据；
确定所述当前告警数据对应的告警影响因素；
将所述当前告警数据和所述当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
2.根据权利要求1所述的方法，其特征在于，所述获取当前时段的当前告警数据，包括：
采集当前时段内应用程序产生的运行数据；
采用孤立森林算法，识别所述运行数据中的异常数据；
根据所述异常数据，确定所述当前时段的当前告警数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述异常数据，确定所述当前时段的当前告警数据，包括：
对所述异常数据进行清洗处理，得到清洗后的异常数据；
根据所述清洗后的异常数据，确定所述当前时段的告警类型和所述告警类型对应的告警次数；
根据当前时段的告警类型和所述告警类型对应的告警次数，生成当前时段的当前告警数据。
4.根据权利要求1所述的方法，其特征在于，所述当前告警数据对应的告警影响因素包括：日期影响因素、点击量影响因素、同比影响因素和环比影响因素中的至少一项；
相应的，所述确定所述当前告警数据对应的告警影响因素，包括如下至少一项：
若所述当前时段属于特殊时段，则根据所述特殊时段，确定所述当前告警数据对应的告警影响因素中包含日期影响因素；
若所述当前告警数据对应的应用页面的点击量超过点击量阈值，则确定所述当前告警数据对应的告警影响因素中包含点击量影响因素；
若所述当前告警数据大于同比时段告警数据，则确定所述当前告警数据对应的告警影响因素中包含所述同比影响因素；
若所述当前告警数据大于环比时段告警数据，则确定所述当前告警数据对应的告警影响因素中包含所述环比影响因素。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述告警预测网络的训练过程，包括：
获取历史时段的历史告警数据，并确定历史告警数据对应的告警影响因素；
对所述历史告警数据进行标注处理，并基于标注处理后的历史告警数据和历史告警数据对应的告警影响因素，构建样本数据集；
将所述样本数据集划分为训练集和测试集；
基于所述训练集对原始网络进行训练；
基于所述测试集对训练后的所述原始网络进行准确性验证；
若验证通过，则将所述训练后的原始网络作为所述告警预测网络。
6.根据权利要求5所述的方法，其特征在于，所述得到未来时段的预测告警数据之后，还包括：
判断预测告警数据包含的各告警类型中，是否存在告警次数大于告警次数阈值的目标类型；
若存在，则根据所述目标类型和所述目标类型对应的告警次数，推送告警预测提示信息。
7.一种告警数据的预测装置，其特征在于，所述装置包括：
获取模块，用于获取当前时段的当前告警数据；
确定模块，用于确定所述当前告警数据对应的告警影响因素；
输入模块，用于将所述当前告警数据和所述当前告警数据对应的告警影响因素输入到告警预测网络中，得到未来时段的预测告警数据。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202310658521.5A 2023-06-05 2023-06-05 告警数据的预测方法、装置、设备和存储介质 Pending CN116881092A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310658521.5A CN116881092A (zh) 2023-06-05 2023-06-05 告警数据的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310658521.5A CN116881092A (zh) 2023-06-05 2023-06-05 告警数据的预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116881092A true CN116881092A (zh) 2023-10-13

Family

ID=88263326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310658521.5A Pending CN116881092A (zh) 2023-06-05 2023-06-05 告警数据的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116881092A (zh)

Similar Documents

Publication Publication Date Title
CN113792453B (zh) 基于数字孪生的局部放电监测系统、方法和装置
CN111612041B (zh) 异常用户识别方法及装置、存储介质、电子设备
CN116414815A (zh) 数据质量检测方法、装置、计算机设备和存储介质
CN116794510A (zh) 故障预测方法、装置、计算机设备和存储介质
CN116127312A (zh) 应急预案确定方法、装置、计算机设备和存储介质
CN116226775A (zh) 识别异常数据方法、装置、计算机设备和存储介质
CN116881092A (zh) 告警数据的预测方法、装置、设备和存储介质
CN116595389B (zh) 识别异常客户端的方法、装置、计算机设备和存储介质
CN116112200B (zh) 配电网纵向访问检测方法、装置、计算机设备和存储介质
CN117192373B (zh) 动力电池故障分析方法、装置、计算机设备和存储介质
CN117973940A (zh) 城市系统电力应急能力预测方法、装置和计算机设备
CN118228793A (zh) 产品召回方法、故障识别方法、装置和计算机设备
CN118014425A (zh) 应急系统电力应急能力预测方法、装置和计算机设备
CN117520397A (zh) 报警风暴处理方法、装置、设备、存储介质和程序产品
CN118446806A (zh) 授信数据处理方法、装置、计算机设备和存储介质
CN115913699A (zh) 配电网横向访问检测方法、装置、计算机设备和存储介质
CN117056307A (zh) 数据库管理方法、装置、设备、存储介质和程序产品
CN117421682A (zh) 工业泵检测方法、装置、计算机设备以及存储介质
CN116861097A (zh) 信息推荐方法、装置、计算机设备和存储介质
CN117909797A (zh) 电力建设企业电力应急能力预测方法、装置和计算机设备
CN117453528A (zh) 金融服务应用的代码质量确定方法、装置、设备和介质
CN114240987A (zh) 变电站路径临时围栏屏障模型建立方法和装置
CN116577586A (zh) 电力设备故障监测方法、装置、计算机设备和存储介质
CN116860491A (zh) 系统异常定位方法、装置、计算机设备和存储介质
CN117151873A (zh) 异常提示方法、装置、计算机设备和存储介质

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