CN117041015A - 网络故障检测方法、装置、计算机设备和存储介质 - Google Patents
网络故障检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117041015A CN117041015A CN202311075008.XA CN202311075008A CN117041015A CN 117041015 A CN117041015 A CN 117041015A CN 202311075008 A CN202311075008 A CN 202311075008A CN 117041015 A CN117041015 A CN 117041015A
- Authority
- CN
- China
- Prior art keywords
- sample
- virtual
- real
- performance data
- virtual sample
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 39
- 238000013441 quality evaluation Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 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
- 238000011176 pooling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- H04L41/0631—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
-
- 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
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种网络故障检测方法、装置、计算机设备和存储介质,涉及人工智能技术领域,可用于金融科技领域或其他相关领域。所述方法包括:获取业务系统在检测时段的目标性能数据;将所述目标性能数据输入至网络故障检测模型,得到所述业务系统在所述检测时段的网络故障检测结果;其中,所述网络故障检测模型是根据真实样本和虚拟样本训练得到的,所述真实样本包括真实样本性能数据和真实样本标签,所述虚拟样本包括虚拟样本性能数据和虚拟样本标签,所述虚拟样本是根据随机噪声、所述真实样本和所述真实样本性能数据所涉及的各性能指标生成的。采用本方法能够通过精度更高的网络故障检测模型,更加准确的对网络进行故障检测。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种网络故障检测方法、装置、计算机设备和存储介质,可用于金融科技领域或其他相关领域。
背景技术
近年来,通信网络用户需求日益多样化,与此同时,通信网络技术发展迅速,5G网络已投入使用。面对用户多样化需求,未来的网络场景将非常复杂,对复杂的网络环境进行管理,保障网络正常运转是巨大的挑战。网络故障的检测与诊断是指要时刻监控网络和网络节点的变化,及时发现链路或者节点之间是否正常运行,并及时将采集的信息向管理系统反馈。
目前,需要大量的训练样本对原始模型进行训练,才能得到更加准确的网络故障检测模型。然而,由于真实故障样本的数量远远小于真实正常样本的数量,因此会导致训练得到的故障检测模型准确性较低等问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够通过精度更高的网络故障检测模型,更加准确的对网络进行故障检测的网络故障检测方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种网络故障检测方法,该方法包括:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
在其中一个实施例中,网络故障检测模型通过如下方式训练得到:
根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量;
根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本;
根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在其中一个实施例中,根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量,包括:
采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标;
根据有效指标进行样本量估计,得到目标虚拟样本总量。
在其中一个实施例中,根据有效指标进行样本量估计,得到目标虚拟样本总量,包括:
采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;
将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
在其中一个实施例中,根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本,包括:
通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据;
通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
在其中一个实施例中,根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型,包括:
通过质量评估模型,对虚拟样本进行质量评估;
若质量评估结果为评估通过,则根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
第二方面,本申请还提供了一种网络故障检测装置,该装置包括:
数据获取模块,用于获取业务系统在检测时段的目标性能数据;
故障检测模块,用于将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
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,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
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,所述计算机程序被处理器执行时实现以下步骤:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
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:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
上述网络故障检测方法、装置、计算机设备和存储介质,通过根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标,能够更加合理、准确的生成虚拟样本,进而根据真实样本和生成的虚拟样本进行训练,能够得到精度更高的网络故障检测模型;进一步的,通过获取业务系统在检测时段的目标性能数据,将目标性能数据输入至网络故障检测模型中,即可得到业务系统在检测时段的网络故障检测结果,实现了更加准确的对业务系统在检测时段进行网络故障检测的效果。
附图说明
图1为一个实施例中网络故障检测方法的流程示意图;
图2为一个实施例中训练得到网络故障检测模型的流程示意图;
图3为一个实施例中确定目标虚拟样本总量的流程示意图;
图4为一个实施例中生成虚拟样本的流程示意图;
图5为另一个实施例中网络故障检测方法的流程示意图;
图6为一个实施例中网络故障检测装置的结构框图;
图7为另一个实施例中网络故障检测装置的结构框图;
图8为又一个实施例中网络故障检测装置的结构框图;
图9为再一个实施例中网络故障检测装置的结构框图;
图10为一个实施例中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。
本申请实施例提供的网络故障检测方法,可以应用于对业务系统在检测时段进行网络故障检测的场景下。可选的,该网络故障检测方法可以由服务器或终端来执行。可以理解的是,该方法也可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。以该方法应用于服务器为例进行说明,其中,数据存储系统可以存储服务器需要处理的数据,例如业务系统在样本时段的真实样本性能数据和在检测时段的目标性能数据等数据。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图1所示,提供了一种网络故障检测方法,该方法包括以下步骤:
S101,获取业务系统在检测时段的目标性能数据。
在本申请实施例中,业务系统即为用于完成各项业务的系统,例如可以为金融机构(比如银行)下的业务系统;检测时段即为存在网络故障检测需求的时段;目标性能数据即为业务系统在检测时段的性能数据,可以包括业务系统的业务指标数据和性能指标数据;业务指标数据可以包括检测时段内的业务总量、业务成功率等;性能指标数据可以包括业务系统在检测时段内的CPU使用率、响应时间等。
具体的,在具有对业务系统进行网络故障检测需求的情况下,可以从数据存储系统中,对业务系统在检测时段的目标性能数据进行获取。
S102,将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果。
其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的;性能指标即为真实样本性能数据中所涉及的相关指标,可以包括所涉及的业务指标和性能指标。
可选的,网络故障检测模型可以是CNN(Convolutional Neural Network,卷积神经网络)。网络故障检测模型可以有多个卷积层,每个卷积层均有16个尺寸为k×1的卷积核,可以选择ReLU作为激活函数,每个卷积层后都需要进行批量归一化处理。除最后一层卷积层外,每个卷积层之后都连接一个最大池化层;最后一个卷积层可以连接一个扁平化层,进而过渡到全连接层,再连接三个全连接层。进一步的,CNN的训练过程可以采用随机梯度下降(Stochastic gradient descent,SGD)。
在CNN的最后一层全连接层后,可以使用SoftMax层进行分类。SoftMax层将一个N维的实数向量(即目标性能数据),压缩成一个满足特定条件的N维实数向量。其中,特定条件即为压缩后的向量中每个元素的大小都在[0,1]区间,且向量中每个元素的和为1。进一步的,每个输出对应的数值即为该向量在该分类下输出的概率,可以将各概率进行比较,将最大的概率对应的分类,作为该向量的最终分类。例如,若CPU使用率向量在分类为正常下的概率为0.4,在分类为故障下的概率为0.6,则确定CPU使用率为故障。
具体的,可以从数据存储系统中,获取多个样本时段对应的真实样本性能数据,进而通过预先设定的判定逻辑,为各真实样本性能数据添加对应的真实样本标签,进而将每一真实样本性能数据和对应的真实样本标签,作为一个真实样本,能够得到多个真实样本;根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标,生成虚拟样本,进而根据真实样本和虚拟样本对初始模型进行训练,得到网络故障检测模型。进一步的,获取到业务系统在检测时段的目标性能数据后,可以将目标性能数据输入至网络故障模型中,通过网络故障模型,得到业务系统在检测时段的网络故障检测结果,以实现对业务系统在检测时段的网络故障检测。
上述网络故障检测方法,通过根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标,能够更加合理、准确的生成虚拟样本,进而根据真实样本和生成的虚拟样本进行训练,能够得到精度更高的网络故障检测模型;进一步的,通过获取业务系统在检测时段的目标性能数据,将目标性能数据输入至网络故障检测模型中,即可得到业务系统在检测时段的网络故障检测结果,实现了更加准确的对业务系统在检测时段进行网络故障检测的效果。
在上述实施例的基础上,在一个实施例中,如图2所示,上述网络故障检测模型可以通过如下方式训练得到:
S201,根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量。
在本实施例中,真实样本性能数据即为业务系统在样本时段真实采集到的性能数据,可以包括真实样本业务指标数据(如业务系统在样本时段真实的业务总量、业务成功率等数据)和真实样本性能指标数据(如业务系统在样本时段真实的CPU使用率、响应时间等数据);性能指标即为真实样本性能数据所对应的性能指标,可以包括业务总量、业务成功率、CPU使用率、响应时间等指标。目标虚拟样本总量即为需要生成的虚拟样本的总数量。
具体的,可以从数据存储系统中,获取业务系统在样本时段的真实样本性能数据,将真实样本性能数据输入至预先设定的虚拟样本总量确定模型中,通过虚拟样本总量确定模型,根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量。
为了提高确定目标虚拟样本总量的准确性,可选的,在获取到业务系统在样本时段的真实样本后,可以对真实样本进行预处理;具体的,可以对真实样本中的真实样本性能数据进行统计,针对每一真实样本性能数据所涉及的性能指标,确定该性能指标中的最小真实样本性能数据;进而将每一真实样本性能数据均减去最小真实样本性能数据,以实现对每一真实样本性能数据的去基线处理;进一步的,可以将经过去基线处理的真实样本性能数据输入至如下公式(1),以实现对真实样本性能数据的归一化处理,进而得到经过预处理的真实样本性能数据。
其中,xi,j为第i个真实样本性能数据的第j个性能指标,xj,max为全部真实样本性能数据中第j个性能指标的最大值,xj,min为全部真实样本性能数据中第j个性能指标的最小值,n为真实样本的数量,m为一个真实样本性能数据中所包含的性能指标的数量。
进一步的,可以根据经过预处理的真实样本性能数据所涉及的性能指标,能够实现更加准确的确定目标虚拟样本总量的效果。
S202,根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本。
在本实施例中,真实样本可以包括真实样本性能数据和真实样本性能数据对应的真实样本标签;真实样本标签即为用于标注真实样本性能数据是否正常的标签,可以包括正常、故障、故障类型等标签。虚拟样本即为通过技术扩充生成的虚拟样本,可以包括虚拟样本性能数据和虚拟样本标签。
具体的,确定目标虚拟样本总量后,可以将目标虚拟样本总量和真实样本输入至预先设定的虚拟样本生成模型中,通过虚拟样本生成模型,根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本。
S203,根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在本实施例中,初始模型即为未经过训练的神经网络模型。网络故障模型即为初始模型经过训练后得到的用于对网络进行故障检测的神经网络模型。
具体的,生成虚拟样本后,可以将真实样本和虚拟样本输入至初始模型中,对初始模型中的模型参数进行调整,以实现对初始模型的训练,进而得到网络故障检测模型。
可以理解的是,通过引入根据真实样本性能数据所涉及的各性能指标确定的目标虚拟样本总量,进而根据真实样本和随机噪声,能够更加准确、合理的生成目标虚拟样本总量个虚拟样本,进而根据真实样本和虚拟样本对初始模型进行训练,能够使得到的网络故障检测模型更加准确、合理。
可选的,生成目标虚拟样本总量个虚拟样本后,可以通过质量评估模型,对虚拟样本进行质量评估;若质量评估结果为评估通过,则根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
其中,质量评估模型即为预先训练的用于对生成的虚拟样本的质量进行评估的模型。
具体的,在生成目标虚拟样本总量个虚拟样本后,可以将虚拟样本输入至预先设定的质量评估模型中,基于如下表1所示的评价标准,对生成的虚拟样本进行质量评估。
表1
可选的,若质量评估结果为评估不通过,则可以返回执行步骤S202,根据真实样本和随机噪声,重新生成虚拟样本,并对重新生成的虚拟样本进行质量评估;若质量评估结果为评估通过,则可以将真实样本和虚拟样本输入至初始模型中,对初始模型中的模型参数进行调整,以实现对初始模型的训练,进而得到网络故障检测模型。
需要说明的是,通过引入质量评估模型,对生成的虚拟样本进行质量评估,能够提高生成的虚拟样本的样本质量;进一步的,在虚拟样本的评估结果为评估通过的情况下,根据真实样本和虚拟样本,对初始模型进行训练,能够保证得到的网络故障检测模型的准确性,进而实现提高后续对业务系统在检测时段的网络故障检测的准确性的效果。
为了能够更加准确的确定目标虚拟样本总量,在上述实施例的基础上,在一个实施例中,如图3所示,进一步对上述S201进行细化,具体可以包括以下步骤:
S301,采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标。
在本实施例中,包裹式特征选择算法即为用于对特征进行选择的一种算法,可以用于从性能指标中选择有效指标;有效指标即为能够更加有效的确定目标虚拟样本总量的性能指标,可以为多个。
具体的,可以针对真实样本性能数据所涉及的各性能指标,采用包裹式特征选择算法,从全部性能指标集合中不断地选择不同的性能指标子集,并根据预先设定的分类器,对各性能指标子集进行评价,直到选出最有效的性能指标子集;进一步的,采用递归特征消除(Recursive feature elimination,RFE)和交叉验证方法,得到各性能指标的排名结果,进而根据排名结果,将排在前的预设数量个性能指标,作为有效指标。
S302,根据有效指标进行样本量估计,得到目标虚拟样本总量。
具体的,确定有效指标后,可以将各有效指标输入至预先设定的样本量估计模型中,通过样本量估计模型,确定各有效指标对应的虚拟样本总量,进而将各虚拟样本总量中最大的虚拟样本总量,作为目标虚拟样本总量。
另一种可实施方式为,可以采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
其中,多指标样本量估计算法即为根据多个性能指标,对样本量进行估计的一种算法;候选虚拟样本总量即为根据各有效指标确定的虚拟样本总量。
具体的,在确定有效指标后,可以将有效指标输入至多指标样本量估计算法中,通过多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;进一步的,可以将各候选虚拟样本总量进行比较,将候选虚拟样本总量中最大的候选样本总量,作为目标虚拟样本总量。
可选的,在确定一个有效指标后,可以设该有效指标对应的虚拟样本总量中,正常的虚拟样本量为n,故障的虚拟样本量为kn;其中,k可以为该有效指标对应的真实样本性能数据中,故障的真实样本量与正常的真实样本量之比。进一步的,可以通过如下公式(2),来确定该有效指标对应的候选虚拟样本总量中,正常的虚拟样本量n。
其中,α为假阳(即正常样本判断为故障)的误差概率,通常可以设为0.05;β为假阴(即故障样本被判断为正常)的误差概率,通常可以设为0.10;进而根据α=0.05,β=0.10,通过反查标准正态分布表,可以确定假阳的误差概率的u值(临界值)为uα=1.6449,假阴的误差概率的u值(临界值)为uβ=1.2816;σ为容许误差,即正常的虚拟样本特征值均值和故障的虚拟样本特征值均值之差的绝对值;δ2为总体方差,可用样本方差s2估计,se、sc分别为正常的虚拟样本特征值和故障的虚拟样本特征值的标准差。
进一步的,确定正常的虚拟样本量n和故障的虚拟样本量kn后,将正常的虚拟样本量和故障的虚拟样本量之和,作为该有效指标对应的候选虚拟样本总量。
需要说明的是,通过引入多指标样本量估计算法,能够更加准确的确定各有效指标对应的候选虚拟样本总量;进一步的,将候选虚拟样本总量中最大的候选虚拟样本总量作为目标虚拟样本总量,能够使得到的目标虚拟样本总量更加准确,进而提高后续生成虚拟样本的合理性和准确性。
可以理解的是,通过引入包裹式特征选择法,能够从真实样本性能数据所涉及的各性能指标中,更加快速的选择有效指标;进一步的,根据有效指标进行样本量估计,能够实现更加准确的确定目标虚拟样本总量的效果。
为了能够更加准确的生成虚拟样本,在一个实施例中,如图4所示,进一步的对上述S202进行细化,具体可以包括以下步骤:
S401,通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据。
具体的,在确定目标虚拟样本总量后,可以将目标虚拟样本总量、真实样本标签和随机噪声输入至生成对抗网络中的生成器中,通过生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据。
S402,通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
具体的,生成目标虚拟样本总量个虚拟样本性能数据后,可以将虚拟样本性能数据和真实样本输入至生成对抗网络中的判别器中,通过判别器,将虚拟样本性能数据与真实样本中的真实样本性能数据进行比对,根据真实样本中各真实样本性能数据对应的真实样本标签,确定各虚拟样本性能数据对应的虚拟样本标签,根据各虚拟样本性能数据,和各虚拟样本性能数据对应的虚拟样本标签,得到虚拟样本。
可以理解的是,通过引入生成对抗网络,根据真实样本标签和随机噪声,通过生成对抗网络中的生成器,能够更加合理、准确的生成虚拟样本总量个虚拟样本性能数据;进一步的,通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,能够更加准确的确定虚拟样本性能数据对应的虚拟样本标签,进而根据虚拟样本性能数据和虚拟样本性能数据对应的虚拟样本标签,能够实现更加合理、准确的得到虚拟样本的效果。
在一个实施例中,如图5所示,提供了一种网络故障检测方法的可选实例。
具体过程如下:
S501,采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标。
S502,采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量。
S503,将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
S504,通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据。
S505,通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
S506,将虚拟样本性能数据和虚拟样本标签,作为虚拟样本,并通过质量评估模型,对虚拟样本进行质量评估。
S507,确定质量评估结果是否通过;若是,则执行S508;若否,则返回执行S504。
S508,根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
S509,获取业务系统在检测时段的目标性能数据。
S510,将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果。
上述S501-S510的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
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网络故障检测方法的网络故障检测装置。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相似,故下面所提供的一个或多个网络故障检测装置实施例中的具体限定可以参见上文中对于网络故障检测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种网络故障检测装置1,包括:数据获取模块10和故障检测模块20,其中:
数据获取模块10,用于获取业务系统在检测时段的目标性能数据;
故障检测模块20,用于将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
在一个实施例中,在上述图6的基础上,如图7所示,上述网络故障检测装置1还可以包括:
样本量确定模块30,用于根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量。
样本生成模块40,用于根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本。
模型训练模块50,用于根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在一个实施例中,在上述图6或图7的基础上,如图8所示,上述样本量确定模块30可以包括:
指标选择单元31,用于采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标。
样本量确定单元32,用于根据有效指标进行样本量估计,得到目标虚拟样本总量。
在一个实施例中,上述样本量确定单元32具体可以用于:
采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
在一个实施例中,在上述图6、图7或图8的基础上,如图9所示,上述样本生成模块40可以包括:
数据生成单元41,用于通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据。
标签生成单元42,用于通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
在一个实施例中,上述模型训练模块50具体可以用于:
通过质量评估模型,对虚拟样本进行质量评估;若质量评估结果为评估通过,则根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
上述网络故障检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服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储业务系统在检测时段的目标性能数据和真实样本性能数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络故障检测方法。
本领域技术人员可以理解,图10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:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
在一个实施例中,处理器执行计算机程序训练得到网络故障模型的逻辑时,还实现以下步骤:
根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量;根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本;根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在一个实施例中,处理器执行计算机程序根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量的逻辑时,还实现以下步骤:
采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标;根据有效指标进行样本量估计,得到目标虚拟样本总量。
在一个实施例中,处理器执行计算机程序根据有效指标进行样本量估计,得到目标虚拟样本总量的逻辑时,还实现以下步骤:
采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
在一个实施例中,处理器执行计算机程序根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本的逻辑时,还实现以下步骤:
通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据;通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
在一个实施例中,处理器执行计算机程序根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型的逻辑时,还实现以下步骤:
通过质量评估模型,对虚拟样本进行质量评估;若质量评估结果为评估通过,则根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在一个实施例中,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:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
在一个实施例中,计算机程序根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量的逻辑被处理器执行时,还实现以下步骤:
根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量;根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本;根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在一个实施例中,计算机程序根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量的逻辑被处理器执行时,还实现以下步骤:
采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标;根据有效指标进行样本量估计,得到目标虚拟样本总量。
在一个实施例中,计算机程序根据有效指标进行样本量估计,得到目标虚拟样本总量的逻辑被处理器执行时,还实现以下步骤:
采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
在一个实施例中,计算机程序根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本的逻辑被处理器执行时,还实现以下步骤:
通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据;通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
在一个实施例中,计算机程序根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型的逻辑被处理器执行时,还实现以下步骤:
通过质量评估模型,对虚拟样本进行质量评估;若质量评估结果为评估通过,则根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在一个实施例中,提供了一种计算机程序产品,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:
获取业务系统在检测时段的目标性能数据;
将目标性能数据输入至网络故障检测模型,得到业务系统在检测时段的网络故障检测结果;其中,网络故障检测模型是根据真实样本和虚拟样本训练得到的,真实样本包括真实样本性能数据和真实样本标签,虚拟样本包括虚拟样本性能数据和虚拟样本标签,虚拟样本是根据随机噪声、真实样本和真实样本性能数据所涉及的各性能指标生成的。
在一个实施例中,计算机程序根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量的逻辑被处理器执行时,还实现以下步骤:
根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量;根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本;根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
在一个实施例中,计算机程序根据真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量的逻辑被处理器执行时,还实现以下步骤:
采用包裹式特征选择算法,从真实样本性能数据所涉及的各性能指标中选择有效指标;根据有效指标进行样本量估计,得到目标虚拟样本总量。
在一个实施例中,计算机程序根据有效指标进行样本量估计,得到目标虚拟样本总量的逻辑被处理器执行时,还实现以下步骤:
采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
在一个实施例中,计算机程序根据真实样本和随机噪声,生成目标虚拟样本总量个虚拟样本的逻辑被处理器执行时,还实现以下步骤:
通过生成对抗网络中的生成器,根据真实样本标签和随机噪声,生成目标虚拟样本总量个虚拟样本性能数据;通过生成对抗网络中的判别器,根据真实样本和虚拟样本性能数据,得到虚拟样本性能数据对应的虚拟样本标签。
在一个实施例中,计算机程序根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型的逻辑被处理器执行时,还实现以下步骤:
通过质量评估模型,对虚拟样本进行质量评估;若质量评估结果为评估通过,则根据真实样本和虚拟样本,对初始模型进行训练,得到网络故障检测模型。
需要说明的是,本申请所涉及的数据(包括但不限于业务系统在检测时段的目标性能数据和真实样本性能数据等数据),均为经过各方充分授权的数据,且相关数据的收集、使用和处理需要符合相关规定。
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)
1.一种网络故障检测方法,其特征在于,所述方法包括:
获取业务系统在检测时段的目标性能数据;
将所述目标性能数据输入至网络故障检测模型,得到所述业务系统在所述检测时段的网络故障检测结果;其中,所述网络故障检测模型是根据真实样本和虚拟样本训练得到的,所述真实样本包括真实样本性能数据和真实样本标签,所述虚拟样本包括虚拟样本性能数据和虚拟样本标签,所述虚拟样本是根据随机噪声、所述真实样本和所述真实样本性能数据所涉及的各性能指标生成的。
2.根据权利要求1所述的方法,其特征在于,所述网络故障检测模型通过如下方式训练得到:
根据所述真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量;
根据所述真实样本和所述随机噪声,生成所述目标虚拟样本总量个虚拟样本;
根据所述真实样本和所述虚拟样本,对初始模型进行训练,得到网络故障检测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述真实样本性能数据所涉及的各性能指标,确定目标虚拟样本总量,包括:
采用包裹式特征选择算法,从所述真实样本性能数据所涉及的各性能指标中选择有效指标;
根据所述有效指标进行样本量估计,得到目标虚拟样本总量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述有效指标进行样本量估计,得到目标虚拟样本总量,包括:
采用多指标样本量估计算法,生成各有效指标对应的候选虚拟样本总量;
将各候选虚拟样本总量中最大的候选虚拟样本总量,作为目标虚拟样本总量。
5.根据权利要求2所述的方法,其特征在于,所述根据所述真实样本和所述随机噪声,生成所述目标虚拟样本总量个虚拟样本,包括:
通过生成对抗网络中的生成器,根据所述真实样本标签和随机噪声,生成所述目标虚拟样本总量个虚拟样本性能数据;
通过所述生成对抗网络中的判别器,根据所述真实样本和所述虚拟样本性能数据,得到所述虚拟样本性能数据对应的虚拟样本标签。
6.根据权利要求2所述的方法,其特征在于,所述根据所述真实样本和所述虚拟样本,对初始模型进行训练,得到网络故障检测模型,包括:
通过质量评估模型,对所述虚拟样本进行质量评估;
若质量评估结果为评估通过,则根据所述真实样本和所述虚拟样本,对初始模型进行训练,得到网络故障检测模型。
7.一种网络故障检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取业务系统在检测时段的目标性能数据;
故障检测模块,用于将所述目标性能数据输入至网络故障检测模型,得到所述业务系统在所述检测时段的网络故障检测结果;其中,所述网络故障检测模型是根据真实样本和虚拟样本训练得到的,所述真实样本包括真实样本性能数据和真实样本标签,所述虚拟样本包括虚拟样本性能数据和虚拟样本标签,所述虚拟样本是根据随机噪声、所述真实样本和所述真实样本性能数据所涉及的各性能指标生成的。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075008.XA CN117041015A (zh) | 2023-08-24 | 2023-08-24 | 网络故障检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311075008.XA CN117041015A (zh) | 2023-08-24 | 2023-08-24 | 网络故障检测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117041015A true CN117041015A (zh) | 2023-11-10 |
Family
ID=88639066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311075008.XA Pending CN117041015A (zh) | 2023-08-24 | 2023-08-24 | 网络故障检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117041015A (zh) |
-
2023
- 2023-08-24 CN CN202311075008.XA patent/CN117041015A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7169369B2 (ja) | 機械学習アルゴリズムのためのデータを生成する方法、システム | |
WO2021012894A1 (zh) | 获取神经网络测试报告的方法、装置、设备和存储介质 | |
CN116561607A (zh) | 资源交互数据异常检测方法、装置和计算机设备 | |
CN111027591B (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
CN117472679A (zh) | 结合数据流和控制流漂移发现的异常检测方法及系统 | |
CN117372801A (zh) | 变电站缺陷异常检测方法、装置和计算机设备 | |
CN117041015A (zh) | 网络故障检测方法、装置、计算机设备和存储介质 | |
CN117710100B (zh) | 基于区块链的数据分析方法及计算服务器 | |
CN117891811B (zh) | 一种客户数据采集分析方法、装置及云服务器 | |
CN116778308B (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
CN118569989A (zh) | 交易异常数据检测方法、装置、计算机设备、可读存储介质和程序产品 | |
CN109474445B (zh) | 一种分布式系统根源故障定位方法及装置 | |
CN115470409A (zh) | 兴趣推荐方法、装置、电子设备、介质及程序产品 | |
CN116881099A (zh) | 系统性能的评估方法、装置、计算机设备和存储介质 | |
CN117743169A (zh) | 自动化测试模型的训练方法、装置、设备和存储介质 | |
CN117135663A (zh) | 基站节能指标数据的异常识别方法、装置、计算机设备和存储介质 | |
CN117275007A (zh) | 账户信息识别分类器生成方法、装置及资源卡片识别方法 | |
CN118172619A (zh) | 困难样本挖掘方法、装置、计算机设备和存储介质 | |
CN117455695A (zh) | 资源借调违约预测方法、装置、计算机设备和存储介质 | |
CN117094828A (zh) | 金融产品推荐方法、装置、计算机设备和存储介质 | |
CN117459577A (zh) | 虚拟物品信息推送方法、装置、计算机设备和存储介质 | |
CN116127785A (zh) | 基于多元性能退化的可靠性评价方法、装置和设备 | |
CN117930017A (zh) | 基于机器学习的健康状态确定方法、装置和计算机设备 |
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 |