CN117439859A - 网络异常监控方法及系统 - Google Patents
网络异常监控方法及系统 Download PDFInfo
- Publication number
- CN117439859A CN117439859A CN202210821155.6A CN202210821155A CN117439859A CN 117439859 A CN117439859 A CN 117439859A CN 202210821155 A CN202210821155 A CN 202210821155A CN 117439859 A CN117439859 A CN 117439859A
- Authority
- CN
- China
- Prior art keywords
- index
- value
- preset time
- determining
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 230000015556 catabolic process Effects 0.000 claims abstract description 16
- 238000006731 degradation reaction Methods 0.000 claims abstract description 16
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001747 exhibiting effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种网络异常监控方法及系统,该方法包括:获取网络预设时长内的历史数据,预设时长为预设时刻之前的n个周期;利用循环神经网络算法基于历史数据,确定预设时刻后一个周期的指标期望值;根据所述指标期望值与指标实际值构建高斯分布模型;基于所述高斯分布模型、所述指标期望值和所述指标实际值,确定度量指标,其中度量质变的劣化因子为三倍方差值;在监控到所述网络中的数据超过所述度量指标的情况下,确定超过所述度量指标的数据为异常数据。本申请实施例通过确定新的度量指标,将超过该指标的数据确定为异常数据,可以在监控时避免发生误告警、漏告警,并且整个流程都可以通过计算机完成,均不需要手动建模,降低人工成本。
Description
技术领域
本申请涉及核心网技术领域,尤其涉及一种网络异常监控方法及系统。
背景技术
随着网络的迅速发展,核心网可以提供用户连接、对用户的管理以及对业务完成承载,其作为承载网络提供到外部网络的接口,核心网的指标好坏对网络起到重要的作用,因此需要对核心网进行监控。
在一些实施例中,监控网络的手段是周期性留存监控指标,依据运维人员经验设置劣化门限,当指标劣化超过设置的劣化门限后,触发异常告警。一般情况下系统留存的度量数据为指标的原始数据或者相对上一个周期的差量数据。但是当前大量指标存在波动性、趋势性、周末效应等各类特征,如果仅以指标原始值或者简单处理后的值作为监控度量,会使得监控数据不准确,容易产生误告警、漏告警等。
发明内容
本申请实施例提供一种网络异常监控方法及系统,以解决现有由于指标存在波动性、趋势性、周末效应等各类特征,导致监控时发生误告警、漏告警的问题。
第一方面,提供了一种网络异常监控方法,包括:
获取网络预设时长内的历史数据,所述预设时长为预设时刻之前的n个周期;
利用循环神经网络算法基于所述历史数据,确定预设时刻后一个周期的指标期望值;
根据所述指标期望值与指标实际值构建高斯分布模型;
基于所述高斯分布模型、所述指标期望值和所述指标实际值,确定度量指标,其中度量质变的劣化因子为三倍方差值;
在监控到所述网络中的数据超过所述度量指标的情况下,确定超过所述度量指标的数据为异常数据。
第二方面,提供了一种网络异常监控系统,包括:
获取模块,用于获取网络预设时长内的历史数据,所述预设时长为预设时刻之前的n个周期;
第一确定模块,用于利用循环神经网络算法基于所述历史数据,确定预设时刻后一个周期的指标期望值;
构建模块,用于根据所述指标期望值与指标实际值构建高斯分布模型;
第二确定模块,用于基于所述高斯分布模型、所述指标期望值和所述指标实际值,确定度量指标,其中度量质变的劣化因子为三倍方差值;
异常监控模块,用于在监控到所述网络中的数据超过所述度量指标的情况下,确定超过所述度量指标的数据为异常数据。
第三方面,提供了一种终端设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,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上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。
在本申请实施例中,首先获取网络预设时长内的历史数据,预设时长为预设时刻之前的n个周期,然后利用循环神经网络算法基于历史数据,确定预设时刻后一个周期的指标期望值;根据该指标期望值与指标实际值构建高斯分布模型;再基于高斯分布模型、指标期望值和指标实际值,确定度量指标;最后在监控到网络中的数据超过度量指标的情况下,确定超过度量指标的数据为异常数据。本申请实施例通过确定新的度量指标,将超过该指标的数据确定为异常数据,可以在监控时避免发生误告警、漏告警,并且整个流程都可以通过计算机完成,均不需要手动建模,降低人工成本。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请实施例提供的网络异常监控方法的流程图;
图2是本申请实施例提供的循环神经网络算法的结构示意图;
图3-5是本申请实施例提供的利用循环神经网络算法获取的各类特征指标(波动性/趋势性/周末特性)的期望曲线;
图6是本申请实施例提供的网络异常监控系统的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请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。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。
下面结合附图1-6,通过具体的实施例及其应用场景对本申请实施例提供的一种网络异常监控方法及系统进行详细地说明。
如图1所示,为本申请实施例提供的一种网络异常监控方法的流程图。如图1所示,该网络异常监控方法可以包括:S101至S105所示的内容。
在S101中,获取网络预设时长内的历史数据。
其中,预设时长为预设时刻之前的n个周期,如图2所示,输入层输入的数据即为预设时长内的历史数据,例如,T0-Δt为预设时刻前一周期,T0-2Δt为预设时刻前的第二个周期;T0-nΔt为预设时刻前的第n个周期。
在S102中,利用循环神经网络算法基于历史数据,确定预设时刻后一个周期的指标期望值。
其中,循环神经网络算法可以包括输入层、隐层和输出层,输入层的输入为上述获取的网络预设时长内的历史数据,可以根据历史数据所在的周期区分其输入输入层的时间,隐层是将输入的数据赋予一个输入权重,可以输出当前周期的输出层的数据和输出权重,输出权重可以作为下一周期的输入权重。循环神经网络算法的结构可以如图2所示,根据当前时刻T0及之前的数据预测后续数据的期望值。
在S103中,根据指标期望值与指标实际值构建高斯分布模型。
其中,高斯分布模型也为正态分布模型,构建该模型需要知道其数学期望和方差,本申请实施例通过指标期望值与指标实际值确定模型的数学期望和方差,进而构建高斯分布模型。
在S104中,基于高斯分布模型、指标期望值和指标实际值,确定度量指标。
其中,度量质变的劣化因子为三倍方差值。也即可以按照3σ原则定义劣化边界因子,3σ原则表示大部分情况下数值应该分布在(μ-3σ,μ+3σ)之间(概率为99.73%),而超出者部分范围的为劣化指标的可能性较高,其中,μ为数学期望,σ为方差。
本申请实施例中,通过构建新的度量指标,来判断数据是否为异常数据,一般情况下,度量指标集中在(-1,1)之间,当异常发生时,度量指标会超过该范围,超过范围越大,表明偏离越严重。
在S105中,在监控到网络中的数据超过度量指标的情况下,确定超过度量指标的数据为异常数据。
在本申请实施例中,首先获取网络预设时长内的历史数据,预设时长为预设时刻之前的n个周期,然后利用循环神经网络算法基于历史数据,确定预设时刻后一个周期的指标期望值;根据该指标期望值与指标实际值构建高斯分布模型;再基于高斯分布模型、指标期望值和指标实际值,确定度量指标;最后在监控到网络中的数据超过度量指标的情况下,确定超过度量指标的数据为异常数据。本申请实施例通过确定新的度量指标,将超过该指标的数据确定为异常数据,可以在监控时避免发生误告警、漏告警,并且整个流程都可以通过计算机完成,均不需要手动建模,降低人工成本。
在本申请的一个可能的实施方式中,利用循环网络算法基于历史数据,确定预设时刻后一个周期的指标期望值,可以包括:根据预设时刻的输入实际值、输入权重、隐层件的传递权重、预设时刻前一个周期的输出值和预设激活函数,确定预设时刻的隐层输出值;根据预设时刻前第二个周期的隐层输出值、输出权重和预设输出激活函数,确定预设时刻后一个周期的指标期望值。
如图2所示,指标T0+Δt时间的期望值(预测值)由T0-nΔt周期~T0周期的指标实际输入值利用循环神经网络算法计算得到。
具体地,首先计算预设时刻T0隐层的输出值St如下,其中f为预设激活函数,Wi为输入权重,Vit为T0时刻输入实际值,Wh为隐层间的传递权重,St由本周期的指标输入值和上周期隐层的输出共同决定。
St=f(Wi*VIt+Wh*St-Δt)
预设时刻后一个周期的指标期望值如下式所示:
VOt+Δt=g(Wo*f(Wi*Vit+Wh*f(Wi*VIt-Δt+Wh*St-2Δt)))
其中,VOt+Δt为预设时刻后一个周期T0+Δt的指标期望值;f为预设激活函数;g为预设输出激活函数,Wo为输出权重;Wi为输入权重;Vit为预设时刻T0的输入实际值;Wh为隐层间的传递权重;VIt-Δt为预设时刻前一个周期T0-Δt的输入实际值;St-2Δt为预设时刻前的第二个周期T0-2Δt的隐层输出值;St为预设时刻T0的隐层输出值;VIt为预设时刻T0的输入实际值;St-Δt为预设时刻前一个周期的输出值。
利用循环神经网络算法获取的各类特征指标(波动性/趋势性/周末特性)的期望曲线可以如图3-5所示。其中,图3为指标呈现波动性的期望曲线,图4为指标呈现趋势性特征的期望曲线,图5为指标呈现周期特性的期望曲线。
在本申请的一个可能的实施方式中,根据指标期望值与指标实际值构建高斯分布模型,可以包括:根据指标期望值与指标实际值,确定随机变量;根据随机变量,确定数学期望和方差;根据数学期望和方差构建高斯分布模型。
本申请实施例通过指标期望值与指标实际值确定模型的数学期望和方差,进而构建高斯分布模型,进而通过数据在高斯分布模型中的分布来确定数据是否异常。
其中,随机变量根据下式确定:
其中,Xi为随机变量;VIt为指标实际值;VOt为指标期望值;
数学期望和方差根据下式确定:
其中,为数学期望;n为随机变量的个数,n为正整数;/>为方差。
在本申请的一个可能的实施方式中,度量指标根据下式所示确定:
其中,VNt0+Δt为度量指标;VPt0+Δt为指标期望值;VIt0+Δt为所述指标实际值;3σ为劣化因子。
在本申请的一个可能的实施方式中,在确定出数据为异常数据的情况下,该网络异常监控方法还可以包括:进行异常告警。
本申请实施例可以通过上述方式确定出异常指标,进而实现精确告警,避免误告警、漏告警的情况发生。
如图6所示,为本申请实施例提供的一种网络异常监控系统的示意图。如图6所示,该网络异常监控系统可以包括:获取模块601、第一确定模块602、构建模块603、第二确定模块604和异常监控模块605。
其中,获取模块601,用于获取网络预设时长内的历史数据,预设时长为预设时刻之前的n个周期;第一确定模块602,用于利用循环神经网络算法基于历史数据,确定预设时刻后一个周期的指标期望值;构建模块603,用于根据指标期望值与指标实际值构建高斯分布模型;第二确定模块604,用于基于高斯分布模型、指标期望值和指标实际值,确定度量指标,其中度量质变的劣化因子为三倍方差值;异常监控模块605,用于在监控到网络中的数据超过度量指标的情况下,确定超过度量指标的数据为异常数据。
在本申请实施例中,首先获取模块601获取网络预设时长内的历史数据,预设时长为预设时刻之前的n个周期,然后第一确定模块602利用循环神经网络算法基于历史数据,确定预设时刻后一个周期的指标期望值;构建模块603根据该指标期望值与指标实际值构建高斯分布模型;第二确定模块604再基于高斯分布模型、指标期望值和指标实际值,确定度量指标;最后异常监控模块605在监控到网络中的数据超过度量指标的情况下,确定超过度量指标的数据为异常数据。本申请实施例通过确定新的度量指标,将超过该指标的数据确定为异常数据,可以在监控时避免发生误告警、漏告警,并且整个流程都可以通过计算机完成,均不需要手动建模,降低人工成本。
在本申请的一个可能的实施方式中,第一确定模块602,用于:根据预设时刻的输入实际值、输入权重、隐层间的传递权重、预设时刻前一周期的输出值和预设激活函数,确定预设时刻的隐层输出值;根据预设时刻前的第二个周期的隐层输出值、输出权重和预设输出激活函数,确定预设时刻后一个周期的指标期望值。
在本申请的一个可能的实施方式中,第一确定模块602,用于:预设时刻后一个周期的指标期望值如下式所示:
VOt+Δt=g(Wo*f(Wi*Vit+Wh*f(Wi*VIt-Δt+Wh*St-2Δt)))
St=f(Wi*VIt+Wh*St-Δt)
其中,VOt+Δt为预设时刻后一个周期T0+Δt的指标期望值;f为预设激活函数;g为预设输出激活函数,Wo为输出权重;Wi为输入权重;Vit为预设时刻T0的输入实际值;Wh为隐层间的传递权重;VIt-Δt为预设时刻前一个周期T0-Δt的输入实际值;St-2Δt为预设时刻前的第二个周期T0-2Δt的隐层输出值;St为预设时刻T0的隐层输出值;VIt为预设时刻T0的输入实际值;St-Δt为预设时刻前一个周期的输出值。
在本申请的一个可能的实施方式中,构建模块603,用于:根据指标期望值与指标实际值,确定随机变量;根据随机变量,确定数学期望和方差;根据数学期望和方差构建高斯分布模型。
在本申请的一个可能的实施方式中,构建模块603,用于:
随机变量根据下式确定:
其中,Xi为随机变量;VIt为指标实际值;VOt为指标期望值;
数学期望和方差根据下式确定:
其中,为数学期望;n为随机变量的个数,n为正整数;/>为方差。
在本申请的一个可能的实施方式中,第二确定模块604,用于:度量指标根据下式所示确定:
其中,VNt0+Δt为度量指标;VPt0+Δt为指标期望值;VIt0+Δt为指标实际值;3σ为劣化因子。
本申请所述的网络异常监控系统的功能已在图1所示的方法实施例中进行了详细的描述,故本实施例的描述中未详尽之处,可参见前述实施例中的相关说明,在此不再赘述。
可选地,本申请实施例还提供一种终端设备,包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现网络异常监控方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
可选地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述网络异常监控方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random AccessMemory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请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,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述,但是本申请并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本申请的启示下,在不脱离本申请宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本申请的保护之内。
Claims (10)
1.一种网络异常监控方法,其特征在于,包括:
获取网络预设时长内的历史数据,所述预设时长为预设时刻之前的n个周期;
利用循环神经网络算法基于所述历史数据,确定预设时刻后一个周期的指标期望值;
根据所述指标期望值与指标实际值构建高斯分布模型;
基于所述高斯分布模型、所述指标期望值和所述指标实际值,确定度量指标,其中度量质变的劣化因子为三倍方差值;
在监控到所述网络中的数据超过所述度量指标的情况下,确定超过所述度量指标的数据为异常数据。
2.根据权利要求1所述的方法,其特征在于,所述利用循环神经网络算法基于所述历史数据,确定预设时刻后一个周期的指标期望值,包括:
根据预设时刻的输入实际值、输入权重、隐层间的传递权重、预设时刻前一个周期的输出值和预设激活函数,确定所述预设时刻的隐层输出值;
根据所述预设时刻前的第二个周期的隐层输出值、输出权重和预设输出激活函数,确定预设时刻后一个周期的指标期望值。
3.根据权利要求2所述的方法,其特征在于,所述预设时刻后一个周期的指标期望值如下式所示:
VOt+Δt=g(Wo*f(Wi*Vit+Wh*f(Wi*VIt-Δt+Wh*St-2Δt)))
St=f(Wi*VIt+Wh*St-Δt)
其中,VOt+Δt为预设时刻后一个周期T0+Δt的指标期望值;f为预设激活函数;g为预设输出激活函数,Wo为输出权重;Wi为输入权重;Vit为预设时刻T0的输入实际值;Wh为隐层间的传递权重;VIt-Δt为预设时刻前一个周期T0-Δt的输入实际值;St-2Δt为预设时刻前的第二个周期T0-2Δt的隐层输出值;St为预设时刻T0的隐层输出值;VIt为预设时刻T0的输入实际值;St-Δt为预设时刻前一个周期的输出值。
4.根据权利要求1所述的方法,其特征在于,所述根据所述指标期望值与指标实际值构建高斯分布模型,包括:
根据指标期望值与指标实际值,确定随机变量;
根据所述随机变量,确定数学期望和方差;
根据所述数学期望和所述方差构建高斯分布模型。
5.根据权利要求4所述的方法,其特征在于,所述随机变量根据下式确定:
其中,Xi为随机变量;VIt为指标实际值;VOt为指标期望值;
所述数学期望和所述方差根据下式确定:
其中,为数学期望;n为随机变量的个数,n为正整数;/>为方差。
6.根据权利要求1所述的方法,其特征在于,所述度量指标根据下式所示确定:
其中,VNt0+Δt为度量指标;VPt0+Δt为指标期望值;VIt0+Δt为所述指标实际值;3σ为劣化因子。
7.一种网络异常监控系统,其特征在于,包括:
获取模块,用于获取网络预设时长内的历史数据,所述预设时长为预设时刻之前的n个周期;
第一确定模块,用于利用循环神经网络算法基于所述历史数据,确定预设时刻后一个周期的指标期望值;
构建模块,用于根据所述指标期望值与指标实际值构建高斯分布模型;
第二确定模块,用于基于所述高斯分布模型、所述指标期望值和所述指标实际值,确定度量指标,其中度量质变的劣化因子为三倍方差值;
异常监控模块,用于在监控到所述网络中的数据超过所述度量指标的情况下,确定超过所述度量指标的数据为异常数据。
8.根据权利要求7所述的系统,其特征在于,所述第一确定模块,用于:
根据预设时刻的输入实际值、输入权重、隐层间的传递权重、预设时刻前一周期的输出值和预设激活函数,确定所述预设时刻的隐层输出值;
根据所述预设时刻前的第二个周期的隐层输出值、输出权重和预设输出激活函数,确定预设时刻后一个周期的指标期望值。
9.根据权利要求7所述的系统,其特征在于,所述构建模块,用于:
根据指标期望值与指标实际值,确定随机变量;
根据所述随机变量,确定数学期望和方差;
根据所述数学期望和所述方差构建高斯分布模型。
10.根据权利要求7所述的系统,其特征在于,所述第二确定模块,用于:
所述度量指标根据下式所示确定:
其中,VNt0+Δt为度量指标;VPt0+Δt为指标期望值;VIt0+Δt为所述指标实际值;3σ为劣化因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821155.6A CN117439859A (zh) | 2022-07-13 | 2022-07-13 | 网络异常监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210821155.6A CN117439859A (zh) | 2022-07-13 | 2022-07-13 | 网络异常监控方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117439859A true CN117439859A (zh) | 2024-01-23 |
Family
ID=89548488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210821155.6A Pending CN117439859A (zh) | 2022-07-13 | 2022-07-13 | 网络异常监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117439859A (zh) |
-
2022
- 2022-07-13 CN CN202210821155.6A patent/CN117439859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202139045A (zh) | 基於隱私保護確定目標業務模型的方法及裝置 | |
EP3571809B1 (en) | Method and apparatus for analysing performance of a telecommunications network | |
CN116433009A (zh) | 一种用于变电设备的异常监测方法、装置及存储介质 | |
CN111368089A (zh) | 一种基于知识图谱的业务处理方法及装置 | |
US10616040B2 (en) | Managing network alarms | |
CN110890998B (zh) | 一种确定阈值的方法及装置 | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN110263869B (zh) | 一种Spark任务的时长预测方法及装置 | |
EP3798778A1 (en) | Method and system for detecting an anomaly of an equipment in an industrial environment | |
CN111612128A (zh) | 一种sf6高压断路器状态主动预警方法及装置 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN114168444A (zh) | 一种基于监控大数据的动态运维报修模型 | |
CN111711541A (zh) | 一种故障预测方法及装置 | |
Mendes | A comparison of techniques for web effort estimation | |
CN116821141A (zh) | 数据更新方法、故障诊断方法、电子设备和存储介质 | |
CN117148252B (zh) | 一种开关量测单元和多ct互联互通的精度自校准方法 | |
CN117439859A (zh) | 网络异常监控方法及系统 | |
Bektemyssova et al. | Time series forecasting by the arima method | |
US10783449B2 (en) | Continual learning in slowly-varying environments | |
CN116522349A (zh) | 一种信息安全风险评估方法、装置、设备及介质 | |
CN111258854A (zh) | 模型训练方法、基于预测模型的报警方法和相关装置 | |
US20220292232A1 (en) | Method and Apparatus for the State Estimation of an Electrical Grid | |
CN115794906A (zh) | 一种确定突发事件影响的方法、装置、设备及存储介质 | |
CN116010897A (zh) | 数据异常检测的方法、装置、电子设备及存储介质 | |
CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 |
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 |