CN116974915A - 基于cmdb的ci模型评测方法、装置、设备及介质 - Google Patents
基于cmdb的ci模型评测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116974915A CN116974915A CN202310813406.0A CN202310813406A CN116974915A CN 116974915 A CN116974915 A CN 116974915A CN 202310813406 A CN202310813406 A CN 202310813406A CN 116974915 A CN116974915 A CN 116974915A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- result
- model
- determining
- index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 265
- 238000013210 evaluation model Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000011157 data evaluation Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 101000797623 Homo sapiens Protein AMBP Proteins 0.000 description 1
- 102100032859 Protein AMBP Human genes 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种基于CMDB的CI模型评测方法、装置、设备及介质，涉及计算机技术领域。该方法包括：确定CI模型的多个待评测配置项，以及每个待评测配置项关联的数据集合；数据集合中包括多个观测对象；将每个待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；根据第一评测结果，确定预设的评测指标的指标值；根据评测指标的指标值，确定第二评测结果，第二评测结果为CI模型的评测结果。该方法能够对CI模型进行智能测评，能够从模型和数据两个方向对CI模型进行智能测评，从客观角度评测CI模型，提高了CI评测的准确性和有效性。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种基于CMDB的CI模型评测方法、装置、设备及介质。
背景技术
在微服务架构体系中，为了保证各层功能运行正常，通常采用巡检方式对各层进行监控以及定期巡检，从而使微服务架构体系的物理设备层、应用层健康问题得到了有效解决。CMDB(Configuration Management Database，配置管理数据库)包含了一个组织的IT服务使用的信息系统组件的所有相关信息以及这些组件之间的关系。CMDB源自于《ITILV3》服务转换过程域中的“服务资产与配置管理”。CMDB是配置管理的核心，更是自动化运维的基石，它为所有运维工具提供基础数据支持，支撑不同的运维场景，CMDB建设直接影响到其他运维工具系统的连通性和数据一致性。然而现有技术对CI模型的整体结构缺乏数据分析及评测，往往造成CI模型可能存在的数据缺陷及模型缺陷给CMDB配置业务应用造成损失。
发明内容
为解决上述技术问题或至少部分地解决上述技术问题，本发明实施例提供一种基于CMDB的CI模型评测方法、装置、电子设备及介质。
第一方面，本发明实施例提供了一种基于CMDB的CI模型评测方法，包括：
确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；
根据所述第一评测结果，确定预设的评测指标的指标值；
根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
可选地，所述方法还包括：确定每个所述待评测配置项的CI属性和CI关系标签；将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果，包括：将每个所述待评测配置项的关联的数据集合、所述CI属性和所述CI关系标签作为输入数据输入预设的评测模型，获得第一评测结果。
可选地，所述CI属性包括以下一种或多种：静态属性、关系属性和动态属性。
可选地，所述关系属性包括以下一个或多个属性值：父子关系、连接关系和无关系。
可选地，所述CI关系标签包括以下一种或多种：父配置项、网络连接关系、父子关系、虚拟CI关系、服务调用关系。
可选地，所述第一评测结果为所述评测模型对所述观测对象的预测结果；
根据所述第一评测结果，确定预设的评测指标的指标值，包括：根据所述评测模型对所述观测对象的预测结果和所述观测对象的真实结果，将所述第一评测结果进行分类，获得多个子评测结果集；所述多个子评测结果集包括第一子集、第二子集、第三子集和第四子集，所述第一子集包括所述预测结果和所述真实结果均为第一结果的观测对象，所述第二子集包括所述预测结果和所述真实结果均为第二结果的观测对象，所述第三子集包括所述预测结果为第一结果，所述真实结果为第二结果的观测对象，所述第四子集包括所述预测结果为第二结果，所述真实结果为第一结果的观测对象；根据所述多个子评测结果集，确定预设的评测指标的指标值。
可选地，根据所述评测指标的指标值，确定第二评测结果，包括：
针对每个评测指标，确定所述评测指标的指标值是否大于或等于所述评测指标对应的阈值；
比较所述评测指标的指标值与所述评测指标对应的阈值；根据比较结果，确定所述评测指标对应的第三评测结果；
根据所述第三评测结果为正常的评价指标的数量和所述第三评测结果为异常的评价指标的数量，确定第二评测结果。
可选地，根据所述评测指标的指标值，确定第二评测结果，包括：确定数据评测准确度，所述数据评测准确度用于描述输入所述评测模型的数据集合中的观测对象的准确性；根据所述评测指标的指标值和所述数据评测准确度，确定第二评测结果。
可选地，所述多个待评测配置项包括以下一种或多种：物理机、交换机、路由器、虚拟机、关系型数据库、非关系型数据库、web应用服务器。
可选地，所述评测指标包括以下一项或多项：正确率、错误率、灵敏性、特效型、精度、假正率、负元正确率、正元错误率。
第二方面，本发明实施例提供了一种基于CMDB的CI模型评测方法，包括：
确定模块，用于确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
预测模块，用于将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；
计算模块，用于根据所述第一评测结果，确定预设的评测指标的指标值；
评测模块，用于根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
可选地，所述确定模块还用于确定每个所述待评测配置项的CI属性和CI关系标签；
所述预测模块还用于：将每个所述待评测配置项的关联的数据集合、所述CI属性和所述CI关系标签作为输入数据输入预设的评测模型，获得第一评测结果。
可选地，所述第一评测结果为所述评测模型对所述观测对象的预测结果；
所述计算模块还用于：根据所述评测模型对所述观测对象的预测结果和所述观测对象的真实结果，将所述第一评测结果进行分类，获得多个子评测结果集；所述多个子评测结果集包括第一子集、第二子集、第三子集和第四子集，所述第一子集包括所述预测结果和所述真实结果均为第一结果的观测对象，所述第二子集包括所述预测结果和所述真实结果均为第二结果的观测对象，所述第三子集包括所述预测结果为第一结果，所述真实结果为第二结果的观测对象，所述第四子集包括所述预测结果为第二结果，所述真实结果为第一结果的观测对象；根据所述多个子评测结果集，确定预设的评测指标的指标值。
可选地，所述评测模块用于：针对每个评测指标，确定所述评测指标的指标值是否大于或等于所述评测指标对应的阈值；比较所述评测指标的指标值与所述评测指标对应的阈值；根据比较结果，确定所述评测指标对应的第三评测结果；根据所述第三评测结果为正常的评价指标的数量和所述第三评测结果为异常的评价指标的数量，确定第二评测结果。
可选地，所述评测模块用于：确定数据评测准确度，所述数据评测准确度用于描述输入所述评测模型的数据集合中的观测对象的准确性；根据所述评测指标的指标值和所述数据评测准确度，确定第二评测结果。
第三方面，本发明实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的基于CMDB的CI模型评测方法。
第四方面，本发明实施例提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的基于CMDB的CI模型评测方法。
本发明实施例的基于CMDB的CI模型评测方法，确定CI模型的多个待评测配置项，以及每个待评测配置项关联的数据集合；数据集合中包括多个观测对象；将每个待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；根据第一评测结果，确定预设的评测指标的指标值；根据评测指标的指标值，确定第二评测结果，第二评测结果为CI模型的评测结果。该技术方案能够对CI模型进行智能测评，完成CMDB配置项CI基于AI算法的评测，进一步地能够从模型和数据两个方向对CI模型进行智能测评，从客观角度评测CI模型，提高了CI评测的准确性和有效性，从模型方向和数据方向2个维度使CMDB应用灵活高效，同时减少应用中的定制开发，降低了成本；同时通过预设的评测模型对各待测评配置项管理数据的评测，提高了对CMDB中各个资源对象完整的生命周期的管理。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1示出了本发明一实施例的基于CMDB的CI模型评测方法的流程示意图；
图2示出了本发明实施例的基于CMDB的CI模型评测方法的流程示意图；
图3示出了本发明另一实施例的基于CMDB的CI模型评测方法的流程示意图；
图4示出了本发明实施例的一种基于CMDB的CI模型评测装置的结构示意图；
图5示出了本发明一实施例的电子设备的示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了本发明实施例的基于CMDB的CI模型评测方法的流程图。如图1所示，该方法包括：
步骤S101：确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象。
配置管理数据库(CMDB)是一个存储仓库，用于集中存储IT环境中的、所有有意义的实体的相关信息。在本发明实施例中将这些有意义的实体称之为配置项(CI)，它可以包括：硬件信息、软件信息、文档、业务服务、人员等。在本发明实施例中，将所有的配置项以及与配置项相关的内容统称为CI模型。
可选地，在本发明实施例中对基于CMDB的配置项进行了分类，例如，可以将CMDB的配置项分为以下七类：物理机、交换机、路由器、虚拟机、关系型数据库(例如MySQL)、非关系型数据库(例如Redis)、web应用服务器(例如Tomcat)。则CI模型的多个待评测配置项包括以下一种或多种：物理机、交换机、路由器、虚拟机、关系型数据库、非关系型数据库、web应用服务器。每种待评测配置项都有相关联的数据集合，数据集合中包括多个观测对象。其中，观测对象用于描述配置项的相关信息或配置项的特征。例如，对于物理机，其关联的观测对象包括IP地址、主机名、CPU、内存、创建时间、厂商等。
在可选的实施例中，每个配置项都具有配置项的通用属性和特定配置项类型所专有的私有属性，并且每种配置项之间都会有不同的关系。所述属性是用于描述该配置项的特征的数据。而关系则用于连接两个配置项，表示两个配置项之间的依赖关系以及连接关系等。因此，在本发明实施例中CI模型不仅可以包括配置项以及配置项关联的数据集合，还可以包括配置项的属性和关系。
在可选的实施例中，本申请实施例的各个待评测配置项关联的数据集合中的观测对象如下表1所示：
表1：
步骤S102：将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果。
其中，预设的评测模型对数据集合中的观测对象进行预测，评测模型可以是预训练的神经网络模型。可选地，该评测模型可以是二分类模型，例如逻辑回归模型、贝叶斯模型等。若评测模型为二分类模型，则该评测模型的预测结果只有两种情况：正(1)或负(0)。
步骤S103：根据所述第一评测结果，确定预设的评测指标的指标值。
在本步骤中，可以根据评测模型对观测对象的预测结果和观测对象的真实结果，将第一评测结果进行分类，获得多个子评测结果集。多个子评测结果集包括第一子集、第二子集、第三子集和第四子集，第一子集包括预测结果和真实结果均为第一结果的观测对象。第二子集包括预测结果和真实结果均为第二结果的观测对象。第三子集包括预测结果为第一结果，真实结果为第二结果的观测对象。第四子集包括预测结果为第二结果，真实结果为第一结果的观测对象。然后根据多个子评测结果集，确定预设的评测指标的指标值。可选地，可以根据各个子评测结果集中观测对象的数量来确定评测指标的指标值。
可选地，以TP(TruePositive)表示评测模型预测为正(1)的，并且实际上也的确是正(1)的观察对象的数量，即第一子集中观测对象的数量。以TN(True Negative)表示指评测模型预测为负(0)的，并且实际上也的确是负(0)的观察对象的数量，即第二子集中观测对象的数量。以FP(False Positive)表示指模型预测为正(1)的，但是实际上是负(0)的观察对象的数量，即第三子集中观测对象的数量。以FN(False Negative)表示指模型预测为负(0)的，但是实际上是正(1)的观察对象的数量，即第四子集中观测对象的数量。然后，根据TP、TN、FP、FN计算评测指标的指标值。
在可选的实施例中，评测指标可以包括以下一项或多项正确率、错误率、灵敏性、特效型、精度、假正率、负元正确率、正元错误率。
正确率(Accuracy)：也可以称为模型总体的正确率，是指模型能正确预测的观测对的象数量与观测对象总数的比值，公式如下：
错误率(JErrorrate)：也可以称为模型总体的错误率，是指模型错误预测的观测对的象数量与观测对象总数的比值，也即1减去正确率的差，公式如下：
灵敏性(Sensitivity)：也可以称为击中率或真正率，评测模型正确识别为正(1)的观测对象占全部观察对象中实际为正(1)的对象数量的比值，公式如下：
特效性(Speciticity)；也可以称为真负率，评测模型正确识别为负(0)的观测对象占全部观察对象中实际为负(0)的对象数量的比值，公式如下：
精度(Precision)：是指评测模型正确识别为正(1)的观测对象占模型识别为正(1)的观察对象总数的比值，公式如下：
假正率(False PositiveRate)：评测模型错误地识别为正(1)的观测对象数量占实际为负(0)的观测对象数量的比值，即1减去真负率，公式如下：
负元正确率(0Negative Predictive Value)：观测模型正确识别为负(0)的观测对象数量占模型识别为负(0)的观测对象总数的比值，公式如下：
正元错误率(a False DiscoveryRate)：评测模型错误识别为正(1)的观测对象数量占模型识别为正(1)的观测对象总数的比值，公式如下：
根据上述多个公式可以分别计算出各个评测指标的指标值。在可选的实施例中，在实际业务应用场景中可以有选择地采用其中一个或多个评测指标。
步骤S104：根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
在可选的实施例中，可以根据如下过程确定CI模型的评测结果：
针对每个评测指标，确定所述评测指标的指标值是否大于或等于所述评测指标对应的阈值；
比较所述评测指标的指标值与所述评测指标对应的阈值；根据比较结果，确定所述评测指标对应的第三评测结果；
根据所述第三评测结果为正常的评价指标的数量和所述第三评测结果为异常的评价指标的数量，确定第二评测结果。
在获得各个评测指标的指标值之后，可以根据指标值确定该评测指标的结果是否正常。例如，判断评测指标的指标值例如正确率的值是否大于或等于该评测指标值对应的阈值。若指标值大于或等于对应的阈值，则该评测指标的评测结果为正常，若指标值小于对应的阈值，则该评测指标的评测结果为异常。统计评测结果正常的评测指标的数量和评测结果异常的评测指标的数量，从而确定CI模型的评测结果。例如正常的评测指标的数量为6个，异常的评测指标的数量为2个，则可以计算CI模型的准确度(6/8)＝75％，异常度1-75％＝25％。
本发明实施例的基于CMDB的CI模型评测方法，通过对预设的评测模型对CI模型的各个待评测配置项关联的数据集合进行预测，得到第一评测结果，基于第一评测结果确定各个评测指标的指标值，根据各个评估指标的指标值确定CI模型的评测结果，能够对CI模型进行智能测评，完成CMDB配置项CI基于AI算法的评测，进一步地能够从模型和数据两个方向对CI模型进行智能测评，从客观角度评测CI模型，提高了CI评测的准确性和有效性。
图2示出了本发明另一实施例的基于CMDB的CI模型评测方法的流程图。如图2所示，该方法包括：
步骤S201：确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
步骤S202：确定每个所述待评测配置项的CI属性和CI关系标签；
步骤S203：将每个所述待评测配置项的关联的数据集合、所述CI属性和所述CI关系标签作为输入数据输入预设的评测模型，获得第一评测结果；
步骤S204：根据所述第一评测结果，确定预设的评测指标的指标值；
步骤S205：根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
与图1所示的实施例不同的是，在本发明实施例中输入评测模型的数据不仅包括待评测配置项关联的数据集合，还包括待评测配置的CI属性和CI关系标签。
其中，CI属性是用于描述该配置项的特征的数据。CI关系标签用于描述两个配置项之间的依赖关系以及连接关系等。
在可选的实施例中，CI属性包括以下一种或多种：静态属性、关系属性和动态属性。其中，静态属性包括手工录入或者自动采集的CI属性，不需要动态修改的CI的基本信息，例如姓名、身份证号等。关系属性可以包括但不限于父子关系、连接关系、无关系。无关系是指两个待评测配置项之间进行了引用，但是并没有具体的关系。动态属性是动态变化的，需要依赖于其它系统进行更新，而不是手工维护的。例如一个主机的某一个字段为运行状态，该字段不需要人工维护，而且通过监控平台实时的进行状态的更新，则这个字段属于动态属性。
在可选的实施例中，CI关系标签包括以下一种或多种：父配置项、网络连接关系、父子关系、虚拟CI关系、服务调用关系。其中，虚拟CI关系是指两个待评测配置项中的一个待配置项可能会与多个待评测配置想有父子关系，另一个待评测配置项只是该待评测配置项其中一个具有父子关系的配置项。例如，MySQL可能会存在多个父子关系，MySQL和虚拟机之间的关系也是父子关系，因为有强依赖，连接关系不合适这种非常特殊的情况，因此MySQL和虚拟机之间的关系是虚拟CI关系。
以表1所示的待评测配置项为例，各个待评测配置项的CI属性和CI关系标签如下表2所示：
表2：
本发明实施例的基于CMDB的CI模型评测方法，将待评测配置项关联的数据集合、CI属性和CI关系标签作为评测模型的输入数据进行评测，使得智能AI模型的输入数据更加全面，对CI模型的评测更加全面、可靠。
图3示出了本发明又一实施例的基于CMDB的CI模型评测方法的流程图。如图3所示，该方法包括：
步骤S301：确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
步骤S302：确定每个所述待评测配置项的CI属性和CI关系标签；
步骤S303：将每个所述待评测配置项的关联的数据集合、所述CI属性和所述CI关系标签作为输入数据输入预设的评测模型，获得第一评测结果；
步骤S304：根据所述第一评测结果，确定预设的评测指标的指标值；
步骤S305：确定数据评测准确度，所述数据评测准确度用于描述输入所述评测模型的数据集合中的观测对象的准确性；
步骤S306：根据所述评测指标的指标值和所述数据评测准确度，确定第二评测结果。
其中，步骤S301-S304可以参考图1-图2所示的实施例，本申请在此不再赘述。
对于步骤S305，数据评测准确度用于描述输入评测模型的数据集合中的观测对象的准确性。数据评测准确度等于1减去误报率。在可选的实施例中，可以利用高斯回归函数等回归函数来确定数据评测准确度。在其他可选的实施例中，数据评测准确度也可以预先设置，根据设置的数据评测准确度来控制输入预设的评测模型的数据。
对于步骤S306，可以根据正常的评测指标的数量、异常的评测指标的数量、数据评测准确度来确定CI模型的评测结果。例如正常的评测指标的数量为6个，异常的评测指标的数量为2个，数据评测准确度为90％。则可以计算CI模型的综合准确度(6/8+90％)/2＝82.5％，综合异常度1-82.5％＝17.5％。
图4示出了本发明实施例的基于CMDB的CI模型评测装置的结构示意图。如图4所示，该基于CMDB的CI模型评测装置400包括：
确定模块401，用于确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
预测模块402，用于将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；
计算模块403，用于根据所述第一评测结果，确定预设的评测指标的指标值；
评测模块404，用于根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
可选地，所述第一评测结果为所述评测模型对所述观测对象的预测结果；
所述计算模块还用于：根据所述评测模型对所述观测对象的预测结果和所述观测对象的真实结果，将所述第一评测结果进行分类，获得多个子评测结果集；所述多个子评测结果集包括第一子集、第二子集、第三子集和第四子集，所述第一子集包括所述预测结果和所述真实结果均为第一结果的观测对象，所述第二子集包括所述预测结果和所述真实结果均为第二结果的观测对象，所述第三子集包括所述预测结果为第一结果，所述真实结果为第二结果的观测对象，所述第四子集包括所述预测结果为第二结果，所述真实结果为第一结果的观测对象；根据所述多个子评测结果集，确定预设的评测指标的指标值。
可选地，所述评测模块用于：针对每个评测指标，确定所述评测指标的指标值是否大于或等于所述评测指标对应的阈值；比较所述评测指标的指标值与所述评测指标对应的阈值；根据比较结果，确定所述评测指标对应的第三评测结果；根据所述第三评测结果为正常的评价指标的数量和所述第三评测结果为异常的评价指标的数量，确定第二评测结果。
可选地，所述评测模块用于：确定数据评测准确度，所述数据评测准确度用于描述输入所述评测模型的数据集合中的观测对象的准确性；根据所述评测指标的指标值和所述数据评测准确度，确定第二评测结果。
上述基于CMDB的评测装置可执行本发明实施例所提供的基于CMDB的评测方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现：
确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；
根据所述第一评测结果，确定预设的评测指标的指标值；
根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
上述终端提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述终端与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，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中存储有指令，当其在计算机上运行时，使得计算机执行本发明任一实施例的基于CMDB的CI模型评测方法。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明任一实施例的基于CMDB的CI模型评测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第二对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (13)
1.一种基于CMDB的CI模型评测方法，其特征在于，包括：
确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；
根据所述第一评测结果，确定预设的评测指标的指标值；
根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定每个所述待评测配置项的CI属性和CI关系标签；
将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果，包括：
将每个所述待评测配置项的关联的数据集合、所述CI属性和所述CI关系标签作为输入数据输入预设的评测模型，获得第一评测结果。
3.根据权利要求2所述的方法，其特征在于，所述CI属性包括以下一种或多种：静态属性、关系属性和动态属性。
4.根据权利要求3所述的方法，其特征在于，所述关系属性包括以下一个或多个属性值：父子关系、连接关系和无关系。
5.根据权利要求2所述的方法，其特征在于，所述CI关系标签包括以下一种或多种：父配置项、网络连接关系、父子关系、虚拟CI关系、服务调用关系。
6.根据权利要求1所述的方法，其特征在于，所述第一评测结果为所述评测模型对所述观测对象的预测结果；
根据所述第一评测结果，确定预设的评测指标的指标值，包括：
根据所述评测模型对所述观测对象的预测结果和所述观测对象的真实结果，将所述第一评测结果进行分类，获得多个子评测结果集；所述多个子评测结果集包括第一子集、第二子集、第三子集和第四子集，所述第一子集包括所述预测结果和所述真实结果均为第一结果的观测对象，所述第二子集包括所述预测结果和所述真实结果均为第二结果的观测对象，所述第三子集包括所述预测结果为第一结果，所述真实结果为第二结果的观测对象，所述第四子集包括所述预测结果为第二结果，所述真实结果为第一结果的观测对象；
根据所述多个子评测结果集，确定预设的评测指标的指标值。
7.根据权利要求6所述的方法，其特征在于，根据所述评测指标的指标值，确定第二评测结果，包括：
针对每个评测指标，确定所述评测指标的指标值是否大于或等于所述评测指标对应的阈值；
比较所述评测指标的指标值与所述评测指标对应的阈值；根据比较结果，确定所述评测指标对应的第三评测结果；
根据所述第三评测结果为正常的评价指标的数量和所述第三评测结果为异常的评价指标的数量，确定第二评测结果。
8.根据权利要求1所述的方法，其特征在于，根据所述评测指标的指标值，确定第二评测结果，包括：
确定数据评测准确度，所述数据评测准确度用于描述输入所述评测模型的数据集合中的观测对象的准确性；
根据所述评测指标的指标值和所述数据评测准确度，确定第二评测结果。
9.根据权利要求1-8任一项所述的方法，其特征在于，所述多个待评测配置项包括以下一种或多种：物理机、交换机、路由器、虚拟机、关系型数据库、非关系型数据库、web应用服务器。
10.根据权利要求1-8任一项所述的方法，其特征在于，所述评测指标包括以下一项或多项：正确率、错误率、灵敏性、特效型、精度、假正率、负元正确率、正元错误率。
11.一种基于CMDB的CI模型评测装置，其特征在于，包括：
确定模块，用于确定CI模型的多个待评测配置项，以及每个所述待评测配置项关联的数据集合；所述数据集合中包括多个观测对象；
预测模块，用于将每个所述待评测配置项的关联的数据集合作为输入数据输入预设的评测模型，获得第一评测结果；
计算模块，用于根据所述第一评测结果，确定预设的评测指标的指标值；
评测模块，用于根据所述评测指标的指标值，确定第二评测结果，所述第二评测结果为所述CI模型的评测结果。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310813406.0A CN116974915A (zh) | 2023-07-04 | 2023-07-04 | 基于cmdb的ci模型评测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310813406.0A CN116974915A (zh) | 2023-07-04 | 2023-07-04 | 基于cmdb的ci模型评测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116974915A true CN116974915A (zh) | 2023-10-31 |
Family
ID=88477586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310813406.0A Pending CN116974915A (zh) | 2023-07-04 | 2023-07-04 | 基于cmdb的ci模型评测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116974915A (zh) |
-
2023
- 2023-07-04 CN CN202310813406.0A patent/CN116974915A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108683530B (zh) | 多维度数据的数据分析方法、装置及存储介质 | |
| JP5874936B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
| CN110851342A (zh) | 故障预测方法、装置、计算设备以及计算机可读存储介质 | |
| CN110059894B (zh) | 设备状态评估方法、装置、系统及存储介质 | |
| CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
| Beghoura et al. | Green software requirements and measurement: random decision forests-based software energy consumption profiling | |
| US20210136120A1 (en) | Universal computing asset registry | |
| US11704186B2 (en) | Analysis of deep-level cause of fault of storage management | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN110474799B (zh) | 故障定位方法及装置 | |
| US8832839B2 (en) | Assessing system performance impact of security attacks | |
| CN111859047A (zh) | 一种故障解决方法及装置 | |
| CN112148733A (zh) | 确定故障类型的方法、装置、电子装置和计算机可读介质 | |
| CN117234859B (zh) | 一种性能事件监控方法、装置、设备和存储介质 | |
| CN113918438A (zh) | 服务器异常的检测方法、装置、服务器及存储介质 | |
| CN110955587A (zh) | 一种待更换设备确定方法及装置 | |
| CN116974915A (zh) | 基于cmdb的ci模型评测方法、装置、设备及介质 | |
| CN115794473A (zh) | 一种根因告警的定位方法、装置、设备及介质 | |
| CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
| CN112579402A (zh) | 一种应用系统故障定位的方法和装置 | |
| CN111045849A (zh) | 核对异常原因的识别方法、装置、服务器和存储介质 | |
| CN110674839A (zh) | 异常用户识别方法、装置、存储介质及电子设备 | |
| CN114564853B (zh) | 一种基于fmea数据的评价报告的生成方法及电子设备 | |
| CN116149971B (zh) | 设备故障预测方法、装置、电子设备及存储介质 |
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 |