CN116934182B - 一种企业数据协同观测方法、系统及介质 - Google Patents

一种企业数据协同观测方法、系统及介质 Download PDF

Info

Publication number
CN116934182B
CN116934182B CN202311206583.9A CN202311206583A CN116934182B CN 116934182 B CN116934182 B CN 116934182B CN 202311206583 A CN202311206583 A CN 202311206583A CN 116934182 B CN116934182 B CN 116934182B
Authority
CN
China
Prior art keywords
data
service
information
collaborative
observation
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.)
Active
Application number
CN202311206583.9A
Other languages
English (en)
Other versions
CN116934182A (zh
Inventor
辛华
郑卓妮
赵小静
杨国明
陈铭杰
毛高祥
梁海生
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute 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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202311206583.9A priority Critical patent/CN116934182B/zh
Publication of CN116934182A publication Critical patent/CN116934182A/zh
Application granted granted Critical
Publication of CN116934182B publication Critical patent/CN116934182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种企业数据协同观测方法、系统及介质。属于企业数据观测领域，该方法包括：获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；将数据观测信息与标准数据信息进行比较，得到观测偏差率；判断观测偏差率是否大于预设偏差率阈值；若大于，则生成报错内容及处理策略；配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，解决数据协同中的黑匣子问题，用户可以通过该可观测方法，轻松寻找数据协同过程某个环节出现的问题，提升可观测数据协同的运营能力。

Description

一种企业数据协同观测方法、系统及介质
技术领域
本申请涉及企业数据协同监测技术领域，具体而言，涉及一种企业数据协同观测方法、系统及介质。
背景技术
在企业数据业务协同过程中，当协同数据在集成过程中出现错误的时候，如果没有对服务数据进行全链路监测，传统模式下的协同方式无法观测到协同过程，会导致在数据协同过程中的黑匣子问题，很难知道数据协同细节，排查问题非常困难，传统模式下成功则显示最终成功结果，失败的话需要从大量记录日志中排查问题，工作量大，工作效率低，且有时候排查需要不同角色人员共同协作才能排查问题，而缺乏一种可靠有效的企业数据协同观测技术手段，针对上述问题，目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种企业数据协同观测方法、系统及介质，可以通过协同服务模型对企业数据进行全链路协同监测，并进行报错内容的选择性调用查看的技术。
本申请实施例还提供了一种企业数据协同观测方法，包括如下步骤：
获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；
根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；
将数据观测信息与标准数据信息进行比较，得到观测偏差率；
判断所述观测偏差率是否大于预设偏差率阈值；
若大于，则生成报错内容及处理策略；
配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略。
可选地，在本申请实施例所述的企业数据协同观测方法中，所述获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略，包括：
根据协同服务模型生成协同服务流程；
调用协同服务并记录流程信息，并生成动态数据；
建立观测点，并对观测点进行数据采集，并调用协同服务；
获取协同数据，输入监控模型，根据观测点生成协同应用蓝图、服务调用记录、协同应用统计、应用明细信息、服务调用流程信息、协同服务报表并进行可视化展示。
可选地，在本申请实施例所述的企业数据协同观测方法中，所述根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息，包括：
调用数据信息，获取服务协同双方的业务数据；
将服务协同双方的业务数据进行关联度计算，得到相似度信息；
将相似度信息与预设相似度信息进行比较，得到相似度偏差率；
判断所述相似度偏差率是否小于预设偏差率阈值；
若小于，根据服务协同双方的业务的建立源系统与同步数据系统间的协同服务可视化蓝图，并建立服务协同关系；
根据协同服务关系统计服务调用数据交互信息、数据流向、服务调用成功率分析，并展示调用流程，生成展示信息；
将展示信息按照预定的方式传输至终端。
可选地，在本申请实施例所述的企业数据协同观测方法中，所述展示信息包括服务器接收地址、服务器调用地址、调用耗时、调用数据量或平均数据量。
可选地，在本申请实施例所述的企业数据协同观测方法中，所述配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，包括：
获取预设置的输入数据，并将输入数据输入协同处理模型，得到数据传递流程；
建立流程节点，根据数据传递流程对流程节点进行监控数据流向，数据流向包括数据变化趋势，数据变化波动，数据变化动力特征；
将监控数据流向与预设的数据流向进行比较；
若监控数据流向偏差大于预设的数据流向，则将流程节点的数据流向的错误数据进行记录，并保存至数据库；
当处理错误信息时，获取监控数据流向的错误数据，并将错误数据进行分类，并根据协同处理模型生成处理策略，并将整个链路流程节点的数据流向信息进行展示。
可选地，在本申请实施例所述的企业数据协同观测方法中，预设置的输入数据为多维时序数据，多维时序数据的变化趋势信息的获取方法如下：
设定i个时间段内对应i个数据值，得到时间与数据的二元组集合如下：
H＝{(t1,x1),(t2,x2),(t3,x3)……(ti,xi)}
其中i＝1、2、3、4……i；xi为ti时间段的数据值；
计算每个企业数据在t1到tn时间段内数据值的相关信息，数据值的相关信息集合公式如下：
Q＝{A,B,C,D,E,F1,F2,F3,……Fi}
其中，A表示所有时间段内数据值的平均值，B表示数据值大于平均值的时间段个数，C表示最大数据值大于平均值的百分比；D表示数据值小于平均值的时间段个数；E表示最小数据值小于平均值的百分比，Fi表示xi与平均值的百分比。
可选地，在本申请实施例所述的企业数据协同观测方法中，所述根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息，包括：
调用数据信息，获取服务协同双方的业务数据；
将服务协同双方的业务数据进行关联度计算，得到相似度信息；
将相似度信息与预设相似度信息进行比较，得到相似度偏差率；
判断所述相似度偏差率是否小于预设偏差率阈值；
若小于，根据服务协同双方的业务的建立源系统与同步数据系统间的协同服务可视化蓝图，并建立服务协同关系；
根据协同服务关系统计服务调用数据交互信息、数据流向、服务调用成功率分析，并展示调用流程，生成展示信息；
将展示信息按照预定的方式传输至终端。
第二方面，本申请实施例提供了一种企业数据协同观测系统，该系统包括：存储器及处理器，所述存储器中包括用于实现企业数据协同观测方法的程序，所述用于实现企业数据协同观测方法的程序被所述处理器执行时实现以下步骤：
获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；
根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；
将数据观测信息与标准数据信息进行比较，得到观测偏差率；
判断所述观测偏差率是否大于预设偏差率阈值；
若大于，则生成报错内容及处理策略；
配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略。
可选地，在本申请实施例所述的企业数据协同观测系统中，所述获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略，包括：
根据协同服务模型生成协同服务流程；
调用协同服务并记录流程信息，并生成动态数据；
建立观测点，并对观测点进行数据采集，并调用协同服务；
获取协同数据，输入监控模型，根据观测点生成协同应用蓝图、服务调用记录、协同应用统计、应用明细信息、服务调用流程信息、协同服务报表并进行可视化展示。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括企业数据协同观测方法程序，所述企业数据协同观测方法程序被处理器执行时，实现如上述任一项所述的企业数据协同观测方法的步骤。
由上可知，本申请实施例提供的一种企业数据协同观测方法、系统及介质，通过获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；然后根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；将数据观测信息与标准数据信息进行比较，得到观测偏差率；判断所述观测偏差率是否大于预设偏差率阈值；若大于，则生成报错内容及处理策略；通过配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，实现根据协同服务模型对企业数据进行全链路监测的技术。
本申请的其他特征和优点将在随后的说明书阐述，本申请的目的和优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的企业数据协同观测方法的流程图；
图2为本申请实施例提供的企业数据协同观测方法的企业数据全链路监测流程图；
图3为本申请实施例提供的企业数据协同观测方法的数据观测信息生成流程图；
图4为本申请实施例提供的企业数据协同观测方法的数据流向信息展示流程图；
图5为本申请实施例提供的企业数据协同观测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种企业数据协同观测方法的流程图。该企业数据协同观测方法用于终端设备中，例如电脑、手机终端等。该企业数据协同观测方法，包括以下步骤：
S101，获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；
S102，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；
S103，将数据观测信息与标准数据信息进行比较，得到观测偏差率；
S104，判断观测偏差率是否大于预设偏差率阈值；
S105，若大于，则生成报错内容及处理策略；
S106，配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略。
需要说明的是，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息之后，还包括：
获取数据观测信息，提取数据观测特征值；
将数据观测特征值与预设的特征进行向量角计算，得到特征向量角；
判断特征向量角是否大于或等于预设的角度阈值；
若大于或等于，则生成修正信息，根据修正信息对数据观测信息进行降噪处理；
若小于，则将数据观测信息进行列表输出。
进一步的，在进行特征向量角比较过程中，可以设置两级角度阈值，即第一角度阈值与第二角度阈值，第一角度小于第二角度，当特征向量角大于第一角度阈值且小于第二角度阈值时，通过修正信息对数据观测信息进行修正，若特征向量角大于第二角度阈值，则判定数据漂移严重，将对应的数据观测信息进行剔除，提高数据观测信息的反应准确度。
请参照图2，图2是本申请一些实施例中的企业数据全链路监测流程图。根据本发明实施例，在本申请实施例的企业数据协同观测方法中，获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略，包括：
S201，根据协同服务模型生成协同服务流程；
S202，调用协同服务并记录流程信息，并生成动态数据；
S203，建立观测点，并对观测点进行数据采集，并调用协同服务；
S204，获取协同数据，输入监控模型，根据观测点生成协同应用蓝图、服务调用记录、协同应用统计、应用明细信息、服务调用流程信息、协同服务报表并进行可视化展示。
需要说明的是，将协同数据输入监控模型进行迭代训练，当迭代次数满足要求后，判断监控模型输出结果是否收敛，若收敛，则通过监控模型输出观测点的协同应用蓝图，协同应用蓝图可以理解为观测点数据的集合；若不收敛，则调整监控模型参数，然后再次将协同数据进行输入监控模型进行收敛训练，直至模型收敛；协同服务包括协同点配合模式，协同点配合参数，以及不同协同点之间的数据采集权重，使监测数据更加精准的反应企业运营状态，从而对企业运营过程中出现的问题进行快速排查以便于对企业经营模式进行优化调整。
进一步的，在预定的迭代次数下，若监控模型收敛，则将迭代次数进行减少，每次减少迭代次数为5次，并判断监控模型是否收敛，若迭代次数减少5次的情况下，监控模型依然收敛，则将迭代次数再次减少5次，并再次判断监控模型是否收敛，依次类推，通过此种方式可以在最少迭代次数下对监控模型进行训练收敛，减少数据迭代次数，降低监控模型训练时间，从而降低数据的分析量。
请参照图3，图3是本申请一些实施例中的数据观测信息生成流程图。根据本发明实施例，在本申请实施例的企业数据协同观测方法中，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息，包括：
S301，调用数据信息，获取服务协同双方的业务数据；
S302，将服务协同双方的业务数据进行关联度计算，得到相似度信息；
S303，将相似度信息与预设相似度信息进行比较，得到相似度偏差率；
S304，判断相似度偏差率是否小于预设偏差率阈值；
S305，若小于，根据服务协同双方的业务的建立源系统与同步数据系统间的协同服务可视化蓝图，并建立服务协同关系；
S306，根据协同服务关系统计服务调用数据交互信息、数据流向、服务调用成功率分析，并展示调用流程，生成展示信息；
S307，将展示信息按照预定的方式传输至终端。
需要说明的是，通过判断服务协同双方的业务数据关联度进行判断业务交叉量，根据业务交叉量进行分析业务重合度，从而对服务协同双方的业务领域进行标记，以便于更好的对服务协同双方进行更加精准的数据分析，提高数据可视化展示效果，且可以对双方的服务协同关系进行精准分析，对双方的数据交互以及相互之间的数据流向进行精准采集分析，提高数据监测精度；此外展示信息可以根据展示界面的布局进行分类展示，也可以根据展示信息的重要性程度进行排序展示，在展示过程中可以静态展示，也可以进行滚动动态展示，提高展示效果。
进一步的，在进行滚动动态展示过程中，根据监测数据的重要程度进行建立不同的滚动时间，从而实现不同监测数据的展示时间的差异，可以将重要数据进行长时间展示，次要数据进行短时间展示，提高数据展示的灵活性。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，展示信息包括服务器接收地址、服务器调用地址、调用耗时、调用数据量或平均数据量。
请参照图4，图4是本申请一些实施例中的数据流向信息展示流程图。根据本发明实施例，在本申请实施例的企业数据协同观测方法中，配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，包括：
S401，获取预设置的输入数据，并将输入数据输入协同处理模型，得到数据传递流程；
S402，建立流程节点，根据数据传递流程对流程节点进行监控数据流向，数据流向包括数据变化趋势，数据变化波动，数据变化动力特征；
S403，将监控数据流向与预设的数据流向进行比较；
S404，若监控数据流向偏差大于预设的数据流向，则将流程节点的数据流向的错误数据进行记录，并保存至数据库；
S405，当处理错误信息时，获取监控数据流向的错误数据，并将错误数据进行分类，并根据协同处理模型生成处理策略，并将整个链路流程节点的数据流向信息进行展示。
需要说明的是，获取全链路监测数据并生成数据轨迹，调用协同服务，后台程序根据预设置的输入、输出以及数据传递流程进行监控数据流向，将数据传递流程节点的处理时间、耗时、错误信息进行记录，流程节点上存在调用处理错误时，后台会根据既定好的错误分类进行处理，给出相关错误的解决方案，将整个链路流程信息进行展示出来。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，预设置的输入数据为多维时序数据，多维时序数据的变化趋势信息的获取方法如下：
设定i个时间段内对应i个数据值，得到时间与数据的二元组集合如下：
H＝{(t1,x1),(t2,x2),(t3,x3)……(ti,xi)}
其中i＝1、2、3、4……i；xi为ti时间段的数据值；
计算每个企业数据在t1到tn时间段内数据值的相关信息，数据值的相关信息集合公式如下：
Q＝{A,B,C,D,E,F1,F2,F3,……Fi}
其中，A表示所有时间段内数据值的平均值，B表示数据值大于平均值的时间段个数，C表示最大数据值大于平均值的百分比；D表示数据值小于平均值的时间段个数；E表示最小数据值小于平均值的百分比，Fi表示xi与平均值的百分比。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，数据变化波动信息用于反应最大值和最小值之间的差异，也反映出高于平均值的各个阶段平均值与低于平均值的各个阶段平均值之间的差异；
数据变化波动信息的计算公式如下：
其中，l1、l2、l、j均为正整数，且l与j均大于等于1；为阶段值平均值，E是最低阶段值低出/>的百分比，xk为高于/>的阶段值，xi是值高于/>的阶段数量；xl为低于/>的阶段值，i2是值低于/>的阶段数量。
需要说明的是，波动性反映企业数据的变化趋势是否平稳，数据值是否存在较大波动；动力性反映企业数据的数据量是否具有较好的持续性以及数据值的增长是否比较强劲。通过这两个指标用户对观察企业数据的前景有一个预期，可以提前做好预测和计划。
根据本发明实施例，还包括：获取数据变化动力数据，提取数据变化动力特征，根据数据变化动力特征判断数据持续性与增长强度，其中，数据变化动力性计算公式如下：
D＝Eok1+Eomax k2+rk3+rdk4
式中，Eo是阶段值高于和低于阶段值平均值的数据位置平均差；Eomax是值最大的阶段与值最小的阶段的位置之差；r是阶段增长率总和；rd是前后部分增长率总和之差；Eo和r体现出增长的持续性，Eomax和rd体现出增长的强劲性，k1，k2，k3，k4为每部分对应的权重系数，用于对最终结果进行调整。
Eh是值高于阶段值平均值的阶段位置，El是值低于阶段值平均值的阶段位置；i1和i2分别为值高于和低于阶段值平均值的阶段数量；Z为时间段的总数；rλ，ri，rE和rq是阶段值；t是前后部分的划分位置，在交互控制中可根据可视化效果需要调整t的位置。
由变化动力性计算公式可知，高于平均值和低于平均值的数据点位置差异，后一阶段相对前一阶段的增长率，前后部分增长率之和的差异，阶段值越高的点位置越靠后，说明变化趋势是不断增长的，反之，说明变化趋势是不断降低的；后一阶段相对前一阶段的增长率如果是正值说明数值在增长，反之，说明数值在下降；根据前后部分的划分位置，如果后一部分的增长率之和高于前一部分说明数值在后半段的增长幅度高于前半段，反之，说明数值在后半段的增长幅度低于前半段。
综上，由变化动力性计算公式可以反映出数据走势的情况，能够体现出各个阶段数值增长或下降的总体变化情况。
根据本发明实施例，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息之后，还包括：
获取数据观测信息，将数据观测信息按照预定的时间节点进行分类，生成不同时间节点的观测数据；
将相邻时间节点的观测数据进行差值计算，并计算相邻时间节点的观测数据的偏差率；
判断观测数据的偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则判定观测数据出现较大波动，将对应的时间节点的观测数据进行孤立提取分析，并提取观测数据特征；
将观测数据特征输入数据反演模型进行监测反演，计算数据监测误差，根据数据监测误差对观测数据进行调整；
若小于，则将观测数据按照不同的时间节点存储至不同的分区进行缓存。
需要说明的是，设定的时间节点内，若监测数据出现较大偏差时，判定监测数据出现异常，异常包括两种情况，一种是监测误差导致的异常，此时对监测数据的传输器进行故障排除，另一种则是监测数据本身出现的异常，此时，则对监测数据进行分析判断，从而更加精准的分析数据异常的原因，生成不同的解决方案，对监测数据进行不同方式的优化处理。
请参照图5，图5是本申请一些实施例中的企业数据协同观测系统的结构示意图。第二方面，本申请实施例提供了一种企业数据协同观测系统5，该系统包括：存储器51及处理器52，存储器中包括用于实现企业数据协同观测方法的程序，用于实现企业数据协同观测方法的程序被处理器执行时实现以下步骤：
获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；
根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；
将数据观测信息与标准数据信息进行比较，得到观测偏差率；
判断观测偏差率是否大于预设偏差率阈值；
若大于，则生成报错内容及处理策略；
配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略。
需要说明的是，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息之后，还包括：
获取数据观测信息，提取数据观测特征值；
将数据观测特征值与预设的特征进行向量角计算，得到特征向量角；
判断特征向量角是否大于或等于预设的角度阈值；
若大于或等于，则生成修正信息，根据修正信息对数据观测信息进行降噪处理；
若小于，则将数据观测信息进行列表输出。
进一步的，在进行特征向量角比较过程中，可以设置两级角度阈值，即第一角度阈值与第二角度阈值，第一角度小于第二角度，当特征向量角大于第一角度阈值且小于第二角度阈值时，通过修正信息对数据观测信息进行修正，若特征向量角大于第二角度阈值，则判定数据漂移严重，将对应的数据观测信息进行剔除，提高数据观测信息的反应准确度。
根据本发明实施例，在本申请实施例的企业数据协同观测系统中，获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略，包括：
根据协同服务模型生成协同服务流程；
调用协同服务并记录流程信息，并生成动态数据；
建立观测点，并对观测点进行数据采集，并调用协同服务；
获取协同数据，输入监控模型，根据观测点生成协同应用蓝图、服务调用记录、协同应用统计、应用明细信息、服务调用流程信息、协同服务报表并进行可视化展示。
需要说明的是，将协同数据输入监控模型进行迭代训练，当迭代次数满足要求后，判断监控模型输出结果是否收敛，若收敛，则通过监控模型输出观测点的协同应用蓝图，协同应用蓝图可以理解为观测点数据的集合；若不收敛，则调整监控模型参数，然后再次将协同数据进行输入监控模型进行收敛训练，直至模型收敛；协同服务包括协同点配合模式，协同点配合参数，以及不同协同点之间的数据采集权重，使监测数据更加精准的反应企业运营状态，从而对企业运营过程中出现的问题进行快速排查以便于对企业经营模式进行优化调整。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息，包括：
调用数据信息，获取服务协同双方的业务数据；
将服务协同双方的业务数据进行关联度计算，得到相似度信息；
将相似度信息与预设相似度信息进行比较，得到相似度偏差率；
判断相似度偏差率是否小于预设偏差率阈值；
若小于，根据服务协同双方的业务的建立源系统与同步数据系统间的协同服务可视化蓝图，并建立服务协同关系；
根据协同服务关系统计服务调用数据交互信息、数据流向、服务调用成功率分析，并展示调用流程，生成展示信息；
将展示信息按照预定的方式传输至终端。
需要说明的是，通过判断服务协同双方的业务数据关联度进行判断业务交叉量，根据业务交叉量进行分析业务重合度，从而对服务协同双方的业务领域进行标记，以便于更好的对服务协同双方进行更加精准的数据分析，提高数据可视化展示效果，且可以对双方的服务协同关系进行精准分析，对双方的数据交互以及相互之间的数据流向进行精准采集分析，提高数据监测精度；此外展示信息可以根据展示界面的布局进行分类展示，也可以根据展示信息的重要性程度进行排序展示，在展示过程中可以静态展示，也可以进行滚动动态展示，提高展示效果。
进一步的，在进行滚动动态展示过程中，根据监测数据的重要程度进行建立不同的滚动时间，从而实现不同监测数据的展示时间的差异，可以将重要数据进行长时间展示，次要数据进行短时间展示，提高数据展示的灵活性。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，展示信息包括服务器接收地址、服务器调用地址、调用耗时、调用数据量或平均数据量。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，包括：
获取预设置的输入数据，并将输入数据输入协同处理模型，得到数据传递流程；
建立流程节点，根据数据传递流程对流程节点进行监控数据流向，数据流向包括数据变化趋势，数据变化波动，数据变化动力特征；
将监控数据流向与预设的数据流向进行比较；
若监控数据流向偏差大于预设的数据流向，则将流程节点的数据流向的错误数据进行记录，并保存至数据库；
当处理错误信息时，获取监控数据流向的错误数据，并将错误数据进行分类，并根据协同处理模型生成处理策略，并将整个链路流程节点的数据流向信息进行展示。
需要说明的是，获取全链路监测数据并生成数据轨迹，调用协同服务，后台程序根据预设置的输入、输出以及数据传递流程进行监控数据流向，将数据传递流程节点的处理时间、耗时、错误信息进行记录，流程节点上存在调用处理错误时，后台会根据既定好的错误分类进行处理，给出相关错误的解决方案，将整个链路流程信息进行展示出来。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，预设置的输入数据为多维时序数据，多维时序数据的变化趋势信息的获取方法如下：
设定i个时间段内对应i个数据值，得到时间与数据的二元组集合如下：
H＝{(t1,x1),(t2,x2),(t3,x3)……(ti,xi)}
其中i＝1、2、3、4……i；xi为ti时间段的数据值；
计算每个企业数据在t1到tn时间段内数据值的相关信息，数据值的相关信息集合公式如下：
Q＝{A,B,C,D,E,F1,F2,F3,……Fi}
其中，A表示所有时间段内数据值的平均值，B表示数据值大于平均值的时间段个数，C表示最大数据值大于平均值的百分比；D表示数据值小于平均值的时间段个数；E表示最小数据值小于平均值的百分比，Fi表示xi与平均值的百分比。
根据本发明实施例，在本申请实施例的企业数据协同观测方法中，数据变化波动信息用于反应最大值和最小值之间的差异，也反映出高于平均值的各个阶段平均值与低于平均值的各个阶段平均值之间的差异；
数据变化波动信息的计算公式如下：
其中，l1、l2、l、j均为正整数，且l与j均大于等于1；为阶段值平均值，E是最低阶段值低出/>的百分比，xk为高于/>的阶段值，xi是值高于/>的阶段数量；xl为低于/>的阶段值，i2是值低于/>的阶段数量。
需要说明的是，波动性反映企业数据的变化趋势是否平稳，数据值是否存在较大波动；动力性反映企业数据的数据量是否具有较好的持续性以及数据值的增长是否比较强劲。通过这两个指标用户对观察企业数据的前景有一个预期，可以提前做好预测和计划。
根据本发明实施例，还包括：获取数据变化动力数据，提取数据变化动力特征，根据数据变化动力特征判断数据持续性与增长强度，其中，数据变化动力性计算公式如下：
D＝Eok1+Eomax k2+rk3+rdk4
式中，Eo是阶段值高于和低于阶段值平均值的数据位置平均差；Eomax是值最大的阶段与值最小的阶段的位置之差；r是阶段增长率总和；rd是前后部分增长率总和之差；Eo和r体现出增长的持续性，Eomax和rd体现出增长的强劲性，k1、k2、k3、k4为每部分对应的权重系数，用于对最终结果进行调整。
Eh是值高于阶段值平均值的阶段位置，El是值低于阶段值平均值的阶段位置；i1和i2分别为值高于和低于阶段值平均值的阶段数量；Z为时间段的总数；rλ，ri，rE和rq是阶段值；t是前后部分的划分位置，在交互控制中可根据可视化效果需要调整t的位置。
式中反映如下信息：高于平均值和低于平均值的数据点位置差异，后一阶段相对前一阶段的增长率，前后部分增长率之和的差异，阶段值越高的点位置越靠后，说明变化趋势是不断增长的，反之，说明变化趋势是不断降低的；后一阶段相对前一阶段的增长率如果是正值说明数值在增长，反之，说明数值在下降；根据前后部分的划分位置，如果后一部分的增长率之和高于前一部分说明数值在后半段的增长幅度高于前半段，反之，说明数值在后半段的增长幅度低于前半段。
综上，由变化动力性计算公式可以反映出数据走势的情况，能够体现出各个阶段数值增长或下降的总体变化情况。
根据本发明实施例，根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息之后，还包括：
获取数据观测信息，将数据观测信息按照预定的时间节点进行分类，生成不同时间节点的观测数据；
将相邻时间节点的观测数据进行差值计算，并计算相邻时间节点的观测数据的偏差率；
判断观测数据的偏差率是否大于或等于预设的偏差率阈值；
若大于或等于，则判定观测数据出现较大波动，将对应的时间节点的观测数据进行孤立提取分析，并提取观测数据特征；
将观测数据特征输入数据反演模型进行监测反演，计算数据监测误差，根据数据监测误差对观测数据进行调整；
若小于，则将观测数据按照不同的时间节点存储至不同的分区进行缓存。
需要说明的是，设定的时间节点内，若监测数据出现较大偏差时，判定监测数据出现异常，异常包括两种情况，一种是监测误差导致的异常，此时对监测数据的传输器进行故障排除，另一种则是监测数据本身出现的异常，此时，则对监测数据进行分析判断，从而更加精准的分析数据异常的原因，生成不同的解决方案，对监测数据进行不同方式的优化处理。
本发明第三方面提供了一种计算机可读存储介质，可读存储介质中包括企业数据协同观测方法程序，企业数据协同观测方法程序被处理器执行时，实现如上述任一项的企业数据协同观测方法的步骤。
本发明公开的一种企业数据协同观测方法、系统及介质，通过获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；然后根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；将数据观测信息与标准数据信息进行比较，得到观测偏差率；判断观测偏差率是否大于预设偏差率阈值；若大于，则生成报错内容及处理策略；通过配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，实现根据协同服务模型对企业数据进行全链路监测的技术。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (9)

1.一种企业数据协同观测方法，其特征在于，包括如下步骤：
获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；
根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；
将数据观测信息与标准数据信息进行比较，得到观测偏差率；
判断所述观测偏差率是否大于预设偏差率阈值；
若大于，则生成报错内容及处理策略；
配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略；
所述配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，包括：
获取预设置的输入数据，并将输入数据输入协同处理模型，得到数据传递流程；
建立流程节点，根据数据传递流程对流程节点进行监控数据流向，数据流向包括数据变化趋势，数据变化波动，数据变化动力特征；
将监控数据流向与预设的数据流向进行比较；
若监控数据流向偏差大于预设的数据流向，则将流程节点的数据流向的错误数据进行记录，并保存至数据库；
当处理错误信息时，获取监控数据流向的错误数据，并将错误数据进行分类，并根据协同处理模型生成处理策略，并将整个链路流程节点的数据流向信息进行展示；
数据变化波动信息用于反应最大值和最小值之间的差异，也反映出高于平均值的各个阶段平均值与低于平均值的各个阶段平均值之间的差异；
数据变化波动信息的计算公式如下：
；其中，/>、/>、/>、/>均为正整数，且/>与/>均大于等于1；/>为阶段值平均值，/>表示最大数据值大于平均值的百分比，/>表示最小数据值小于平均值的百分比，/>为高于/>的阶段值，/>是值高于/>的阶段数量；/>为低于/>的阶段值，/>是值低于/>的阶段数量。
2.根据权利要求1所述的企业数据协同观测方法，其特征在于，所述获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略，包括：
根据协同服务模型生成协同服务流程；
调用协同服务并记录流程信息，并生成动态数据；
建立观测点，并对观测点进行数据采集，并调用协同服务；
获取协同数据，输入监控模型，根据观测点生成协同应用蓝图、服务调用记录、协同应用统计、应用明细信息、服务调用流程信息、协同服务报表并进行可视化展示。
3.根据权利要求2所述的企业数据协同观测方法，其特征在于，所述根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息，包括：
调用数据信息，获取服务协同双方的业务数据；
将服务协同双方的业务数据进行关联度计算，得到相似度信息；
将相似度信息与预设相似度信息进行比较，得到相似度偏差率；
判断所述相似度偏差率是否小于预设偏差率阈值；
若小于，根据服务协同双方的业务的建立源系统与同步数据系统间的协同服务可视化蓝图，并建立服务协同关系；
根据协同服务关系统计服务调用数据交互信息、数据流向、服务调用成功率分析，并展示调用流程，生成展示信息；
将展示信息按照预定的方式传输至终端。
4.根据权利要求3所述的企业数据协同观测方法，其特征在于，所述展示信息包括服务器接收地址、服务器调用地址、调用耗时、调用数据量或平均数据量。
5.根据权利要求4所述的企业数据协同观测方法，其特征在于，预设置的输入数据为多维时序数据，多维时序数据的变化趋势信息的获取方法如下：
设定个时间段内对应/>个数据值，得到时间与数据的二元组集合如下：
；
其中=1、2、3、4……/>；/> 为 />时间段的数据值；
计算每个企业数据在 到 /> 时间段内数据值的相关信息，数据值的相关信息集合公式如下：
；
其中，表示所有时间段内数据值的平均值，/>表示数据值大于平均值的时间段个数，表示最大数据值大于平均值的百分比；/>表示数据值小于平均值的时间段个数；/>表示最小数据值小于平均值的百分比，/>表示/>与平均值的百分比。
6.一种企业数据协同观测系统，其特征在于，该系统包括：存储器及处理器，所述存储器中包括用于实现企业数据协同观测方法的程序，所述用于实现企业数据协同观测方法的程序被所述处理器执行时实现以下步骤：
获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略；
根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息；
将数据观测信息与标准数据信息进行比较，得到观测偏差率；
判断所述观测偏差率是否大于预设偏差率阈值；
若大于，则生成报错内容及处理策略；
配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略；
所述配置调用模式，并根据调用模式选择性查看报错内容及对应的处理策略，包括：
获取预设置的输入数据，并将输入数据输入协同处理模型，得到数据传递流程；
建立流程节点，根据数据传递流程对流程节点进行监控数据流向，数据流向包括数据变化趋势，数据变化波动，数据变化动力特征；
将监控数据流向与预设的数据流向进行比较；
若监控数据流向偏差大于预设的数据流向，则将流程节点的数据流向的错误数据进行记录，并保存至数据库；
当处理错误信息时，获取监控数据流向的错误数据，并将错误数据进行分类，并根据协同处理模型生成处理策略，并将整个链路流程节点的数据流向信息进行展示；
数据变化波动信息用于反应最大值和最小值之间的差异，也反映出高于平均值的各个阶段平均值与低于平均值的各个阶段平均值之间的差异；
数据变化波动信息的计算公式如下：
；其中，/>、/>、/>、/>均为正整数，且/>与/>均大于等于1；/>为阶段值平均值，/>表示最大数据值大于平均值的百分比，/>表示最小数据值小于平均值的百分比，/>为高于/>的阶段值，/>是值高于/>的阶段数量；/>为低于/>的阶段值，/>是值低于/>的阶段数量。
7.根据权利要求6所述的企业数据协同观测系统，其特征在于，所述获取企业历史业务数据，建立协同服务模型，生成企业数据全链路监测策略，包括：
根据协同服务模型生成协同服务流程；
调用协同服务并记录流程信息，并生成动态数据；
建立观测点，并对观测点进行数据采集，并调用协同服务；
获取协同数据，输入监控模型，根据观测点生成协同应用蓝图、服务调用记录、协同应用统计、应用明细信息、服务调用流程信息、协同服务报表并进行可视化展示。
8.根据权利要求7所述的企业数据协同观测系统，其特征在于，所述根据企业数据全链路监测策略对企业数据进行协同监测并生成数据观测信息，包括：
调用数据信息，获取服务协同双方的业务数据；
将服务协同双方的业务数据进行关联度计算，得到相似度信息；
将相似度信息与预设相似度信息进行比较，得到相似度偏差率；
判断所述相似度偏差率是否小于预设偏差率阈值；
若小于，根据服务协同双方的业务的建立源系统与同步数据系统间的协同服务可视化蓝图，并建立服务协同关系；
根据协同服务关系统计服务调用数据交互信息、数据流向、服务调用成功率分析，并展示调用流程，生成展示信息；
将展示信息按照预定的方式传输至终端。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括企业数据协同观测方法程序，所述企业数据协同观测方法程序被处理器执行时，实现如权利要求1至5中任一项所述的企业数据协同观测方法的步骤。
CN202311206583.9A 2023-09-19 2023-09-19 一种企业数据协同观测方法、系统及介质 Active CN116934182B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311206583.9A CN116934182B (zh) 2023-09-19 2023-09-19 一种企业数据协同观测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311206583.9A CN116934182B (zh) 2023-09-19 2023-09-19 一种企业数据协同观测方法、系统及介质

Publications (2)

Publication Number Publication Date
CN116934182A CN116934182A (zh) 2023-10-24
CN116934182B true CN116934182B (zh) 2024-02-13

Family

ID=88390944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311206583.9A Active CN116934182B (zh) 2023-09-19 2023-09-19 一种企业数据协同观测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN116934182B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612416A (zh) * 2020-04-30 2020-09-01 中国舰船研究设计中心 一种钻采船多任务协同监控系统与方法
CN114092275A (zh) * 2021-11-04 2022-02-25 南方电网大数据服务有限公司 企业经营异常监测方法、装置、计算机设备和存储介质
CN116452150A (zh) * 2023-04-25 2023-07-18 深圳远方创客发展有限公司 一种项目信息协同管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200134074A1 (en) * 2018-10-26 2020-04-30 Ca, Inc. Generating natural-language text descriptions of data visualizations

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612416A (zh) * 2020-04-30 2020-09-01 中国舰船研究设计中心 一种钻采船多任务协同监控系统与方法
CN114092275A (zh) * 2021-11-04 2022-02-25 南方电网大数据服务有限公司 企业经营异常监测方法、装置、计算机设备和存储介质
CN116452150A (zh) * 2023-04-25 2023-07-18 深圳远方创客发展有限公司 一种项目信息协同管理系统

Also Published As

Publication number Publication date
CN116934182A (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
US7739082B2 (en) System and method for anomaly detection
US20110270853A1 (en) Dynamic Storage and Retrieval of Process Graphs
CN103827826B (zh) 自适应地确定事务型工作负荷的响应时间分布
JP2019049783A (ja) 機械学習プログラム、機械学習方法、および機械学習装置
CN109615129A (zh) 房地产客户成交概率预测方法、服务器及计算机存储介质
CN107844914B (zh) 基于集团管理的风险管控系统和实现方法
CN111738843B (zh) 一种使用流水数据的量化风险评价系统和方法
CN116029613B (zh) 新型电力系统指数数据处理方法及平台
CA3099480A1 (en) Systems and methods for generating graph data structure objects with homomorphism
CN112328865B (zh) 信息处理和推荐方法、装置、设备及存储介质
CN117556369B (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN117217634B (zh) 一种基于复杂网络的企业合作社区发现方法
CN112733897B (zh) 确定多维样本数据的异常原因的方法和设备
CN116934182B (zh) 一种企业数据协同观测方法、系统及介质
WO2023035526A1 (zh) 对象排序方法、相关设备及介质
CN114238062B (zh) 板卡烧录装置性能分析方法、装置、设备及可读存储介质
Pham et al. Predictive analysis of the supply chain management using machine learning approaches: Review and taxonomy
WO2022217712A1 (zh) 数据挖掘方法、装置、计算机设备及存储介质
CN112396430A (zh) 用于企业评价的处理方法及系统
CN109948927A (zh) 一种用于分布式账本的性能分析方法
Gkolemis et al. Regionally Additive Models: Explainable-by-design models minimizing feature interactions
CN114841132A (zh) 大型机业务分析模型的训练方法、业务分析方法和装置
CN114240603A (zh) 构建授信模型的数据处理方法、装置和计算机设备
CN113094034A (zh) 基于规则引擎的企业bi平台及其架构方法、设备
CN116244644A (zh) 集群特征报文处理方法、装置及电子设备

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
CB02 Change of applicant information

Country or region after: China

Address after: 511365 room 86, room 406, No. 1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou, Guangdong Province

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Address before: 511365 room 86, room 406, No. 1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou, Guangdong Province

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant