CN117454241A - 监控告警事件的分析方法、装置和计算机设备 - Google Patents

监控告警事件的分析方法、装置和计算机设备 Download PDF

Info

Publication number
CN117454241A
CN117454241A CN202311247897.3A CN202311247897A CN117454241A CN 117454241 A CN117454241 A CN 117454241A CN 202311247897 A CN202311247897 A CN 202311247897A CN 117454241 A CN117454241 A CN 117454241A
Authority
CN
China
Prior art keywords
monitoring alarm
alarm event
importance level
event information
monitoring
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
CN202311247897.3A
Other languages
English (en)
Inventor
李田梦
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 CN202311247897.3A priority Critical patent/CN117454241A/zh
Publication of CN117454241A publication Critical patent/CN117454241A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Alarm Systems (AREA)

Abstract

本申请涉及一种监控告警事件的分析方法、装置和计算机设备。方法包括：获取监控告警事件信息，监控告警事件信息包括监控告警事件文本信息以及监控告警事件的重要等级；基于监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；采用监控告警事件重要等级识别模型确定监控告警事件信息的重要等级；按照监控告警事件信息的重要等级对监控告警事件信息排序。通过建立监控告警事件重要等级识别模型，获得监控告警事件文本信息与其重要等级之间的关联关系。再将新的监控告警事件文本信息输入监控告警事件重要等级识别模型，获得新的监控告警事件文本信息的重要等级。依据重要等级排序，即可获得最重要的新的监控告警事件。

Description

监控告警事件的分析方法、装置和计算机设备
技术领域
本申请涉及人工智能技术领域，特别是涉及一种监控告警事件的分析方法、装置和计算机设备。
背景技术
为了保证系统的健壮性和稳定性，系统的运维人员需要时刻掌握系统部署运行的状态和性能。现有技术中，只能依赖运维人员定时去查看系统的监控告警事件。这导致重要的监控告警事件不能及时传递给运维人员，影响了系统的正常运行。
发明内容
基于此，有必要针对上述技术问题，提供一种能够分析监控告警事件重要性的监控告警事件的分析方法、装置、计算机设备和计算机可读存储介质。
一种监控告警事件的分析方法，所述方法包括：
获取监控告警事件信息，所述监控告警事件信息包括监控告警事件文本信息以及所述监控告警事件的重要等级；
基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；
采用所述监控告警事件重要等级识别模型确定所述监控告警事件信息的重要等级；
按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序。
在其中一个实施例中，所述获取监控告警事件信息之前，包括：
收集所述监控告警事件信息的数据；
标注所述监控告警事件信息的重要等级，并建立所述监控告警事件信息与对应的重要等级之间的关联关系。
在其中一个实施例中，所述基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型包括：
构建输入层，所述输入层用于输入所述监控告警事件信息与对应的重要等级；
构建至少一层卷积层，所述卷积层用于提取所述监控告警事件信息的特征，并形成监控告警事件特征矩阵；
构建池化层，所述池化层用于识别对所述监控告警事件矩阵，并建立所述监控告警事件特征矩阵与对应的重要等级的关联关系；
构建全连接层，所述全连接层用于基于所述监控告警事件特征矩阵与对应的重要等级的关联关系，生成所述监控告警事件重要等级识别模型。
在其中一个实施例中，所述构建全连接层之后，包括：
计算所述监控告警事件重要等级识别模型的分类准确率；
当所述分类准确率大于预设数值，所述监控告警事件重要等级识别模型训练完成。
在其中一个实施例中，所述按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序之后，包括：
按照序列发送所述监控告警事件信息。
在其中一个实施例中，所述按照序列发送所述监控告警事件信息的同时，还包括：
发送所述监控告警事件信息对应的重要等级。
一种监控告警事件的分析装置，所述装置包括：
获取模块，用于获取监控告警事件信息，所述监控告警事件信息包括监控告警事件文本以及所述监控告警事件的重要等级；
训练模块，用于基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；
确定模块，用于采用所述监控告警事件重要等级识别模型确定所述监控告警事件信息的重要等级；
排序模块，用于按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取监控告警事件信息，所述监控告警事件信息包括监控告警事件文本信息以及所述监控告警事件的重要等级；
基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；
采用所述监控告警事件重要等级识别模型确定所述监控告警事件信息的重要等级；
按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序。
一种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：
获取监控告警事件信息，所述监控告警事件信息包括监控告警事件文本信息以及所述监控告警事件的重要等级；
基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；
采用所述监控告警事件重要等级识别模型确定所述监控告警事件信息的重要等级；
按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序。
上述监控告警事件的分析方法、装置、计算机设备和存储介质，通过建立监控告警事件重要等级识别模型，获得监控告警事件文本信息与其重要等级之间的关联关系。再将新的监控告警事件文本信息输入监控告警事件重要等级识别模型，获得新的监控告警事件文本信息的重要等级。依据重要等级排序，即可获得最重要的新的监控告警事件。运维人员可以优先处理最重要的新的监控告警事件，确保系统的正常运行。
附图说明
图1为一个实施例中种监控告警事件的分析方法的应用环境图；
图2为一个实施例中种监控告警事件的分析方法的流程示意图；
图3为另一个实施例中种监控告警事件的分析方法的流程示意图；
图4为一个实施例中种监控告警事件的分析装置的结构框图；
图5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。
本申请提供的种监控告警事件的分析方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
作为示例，终端可以为运维人员所使用的计算机终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。服务器104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2所示，提供了一种监控告警事件的分析方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤S200：获取监控告警事件信息，监控告警事件信息包括监控告警事件文本信息以及监控告警事件的重要等级。
步骤S300：基于监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型。
步骤S400：采用监控告警事件重要等级识别模型确定监控告警事件信息的重要等级。
步骤S500：按照监控告警事件信息的重要等级对监控告警事件信息排序。
在步骤S200中，监控告警事件信息可以从系统运行日志中获取。监控告警事件信息可以包括系统运行中出现的异常事件。作为示例，当系统录入日期数据时，所录入的数据的格式与系统预设格式不符，此时，可以认为系统录入日期数据时出现的异常事件，该异常事件的内容可以记录为监控告警事件。
监控告警事件信息包括监控告警事件文本信息以及监控告警事件的重要等级。监控告警事件文本信息为监控告警事件的内容。监控告警事件的重要等级为该事件所对应的重要级别。
作为示例，重要等级可以有五级。其中，五级监控告警事件为最重要监控告警事件，一级监控告警事件为普通监控告警事件。
在另一个示例中，重要等级也可以为监控告警事件的处理难度等级。其中，五级监控告警事件为最难处理的监控告警事件，一级监控告警事件为容易处理的监控告警事件。
上述五个重要等级仅作为实例说明，在实际实施例中，并不以上述五个重要等级为限。
本领域内的技术人员应当知道，步骤S200中获得的监控告警事件信息的集合为训练集。训练集中包括多个监控告警事件信息，其中，每一监控告警事件文本信息均具有对应的重要等级。
在步骤S300中，将获得的监控告警事件信息，带入卷积神经网络模型，形成监控告警事件重要等级识别模型。
卷积神经网络(Convolutional Neural Network，CNN)模型是一种深度学习模型，主要用于处理具有网格结构的数据。卷积神经网络模型是基于神经元的思想，通过多层的卷积和池化操作来提取输入数据的特征，并使用全连接层进行分类或回归。
卷积神经网络模型的可拓展性很强，它可以采用很深的层数，处理更复杂的分类问题。因此，使用卷积神经网络模型建立监控告警事件重要等级识别模型，可以对复杂的监控告警事件分析，并建立关联监控告警事件文本信息和重要等级的模型。
在步骤S400中，此时，获得多个新的监控告警事件文本信息，并将多个新的监控告警事件文本信息带入监控告警事件重要等级识别模型，获得每一新的监控告警事件文本信息对应的重要等级。
在步骤S500中，按照重要等级的对多个新的监控告警事件文本信息排序。作为示例，可以按照五级至一级的顺序排序。即，将最重要的监控告警事件排列至普通的监控告警事件前面。
本实施例中，通过建立监控告警事件重要等级识别模型，获得监控告警事件文本信息与其重要等级之间的关联关系。再将新的监控告警事件文本信息输入监控告警事件重要等级识别模型，获得新的监控告警事件文本信息的重要等级。依据重要等级排序，即可获得最重要的新的监控告警事件。运维人员可以优先处理最重要的新的监控告警事件，节省运维人员的分析事件，确保系统的正常运行。
当然，在另一个实施例中，也可以使用其他模型建立监控告警事件重要等级识别模型。例如，循环神经网络模型、长短期记忆网络模型或者转换器(Transformer)模型等。
在一个实施例中，步骤S200之前包括：
步骤S100：收集监控告警事件信息的数据。
步骤S110：标注监控告警事件信息的重要等级，并建立监控告警事件信息与对应的重要等级之间的关联关系。
在步骤S100中，收集多个监控告警事件信息的数据。作为示例，监控告警事件信息的数据包括监控告警事件信息的文本信息。
在步骤S110中，标注监控告警事件信息的重要等级可以为计算机标注，也可以人工标注。
建立监控告警事件信息与对应的重要等级之间的关联关系即为每一监控告警事件信息，都有其对应的重要等级。
本领域内的技术人员应当知道，可以将收集的监控告警事件信息数据与其对应的重要等级划分为训练集与验证集。其中，训练集中的数据用于建立监控告警事件重要等级识别模型。
在步骤S110之后，还可以对数据进行其他预处理。作为示例，可以进行数据清洗，即检查并处理数据中的缺失值、异常值和重复值。此时，可以通过填充缺失值、删除异常值和去除重复值来清洗数据，以确保数据的完整性和准确性。
在另一个示例中，还可以进行文本处理，即对文本数据进行分词、去停用词、词干化等预处理操作，以便于后续的文本建模。
在一个实施例中，步骤S300包括：
步骤S310：构建输入层，输入层用于输入监控告警事件信息与对应的重要等级。
步骤S320：构建至少一层卷积层，卷积层用于提取监控告警事件信息的特征，并形成监控告警事件特征矩阵。
步骤S330：构建池化层，池化层用于识别对监控告警事件矩阵，并建立监控告警事件特征矩阵与对应的重要等级的关联关系。
步骤S340：构建全连接层，全连接层用于基于监控告警事件特征矩阵与对应的重要等级的关联关系，生成监控告警事件重要等级识别模型。
在步骤S310中，输入层用于输入监控告警事件信息与对应的重要等级。作为示例，输入层用于对输入的监控告警事件信息归一化。
在步骤S320中，卷积层用于提取监控告警事件信息的特征，并形成监控告警事件特征矩阵。作为示例，可以构建三层卷积层。
卷积层还可以提取输入监控告警事件信息中的特征，并生成具有空间关系的特征图。
在步骤S330中，池化层用于识别对监控告警事件矩阵，并建立监控告警事件特征矩阵与对应的重要等级的关联关系。
池化层还可以用于减小输入的监控告警事件信息的空间尺寸，并通过保留最重要的特征来降低模型复杂度。
在步骤S340中，全连接层用于基于监控告警事件特征矩阵与对应的重要等级的关联关系，生成监控告警事件重要等级识别模型。
全连接层还可以将较低层的特征进行组合和高级抽象，从而生成更高级的特征表示。
本实施例中，通过设置输入层、卷积层、池化层以及全连接层，快速建立监控告警事件重要等级识别模型。
在一个实施例中，步骤S340之后，还可以包括：
步骤S350：计算监控告警事件重要等级识别模型的分类准确率。
步骤S360：当分类准确率大于预设数值，监控告警事件重要等级识别模型训练完成。
在步骤S350中，可以使将验证集中的数据带入监控告警事件重要等级识别模型，获得由监控告警事件重要等级识别模型输出的重要等级，再对比该重要等级与验证集中的标注重要等级，获得分类准确率。
在步骤S360中，预设数值可以为90％至95％。作为示例，当分类准确率大于95％时，认为监控告警事件重要等级识别模型训练完成。
当然，当分类准确率小于等于预设数值时，可以通过调整网络结构、调整卷积核大小和步长、添加正则化和规范化、使用预训练模型和迁移学习、调整优化算法和学习率以及数据增强等方式调整监控告警事件重要等级识别模型，并再次获得分类准确率。上述步骤可以重复直至分类准确率大于预设数值。
在一个实施例中，在步骤S500之后，包括：
步骤S600：按照序列发送监控告警事件信息。
请参阅图3，本实施例中，按照重要等级排序的结果向运维人员发送监控告警事件信息。作为示例，此时，可以先发送最重要的监控告警事件信息，再发送普通的监控告警事件信息。在另一个示例中，可以同时发送重要等级不同的监控告警事件信息，但是此时将最重要的监控告警事件信息设置于普通的监控告警事件信息前方。
步骤S600的同时，还可以包括：
步骤S610：发送监控告警事件信息对应的重要等级。
将监控告警事件信息以及其对应的重要等级同时发送至运维人员，使得运维人员依据重要等级处理各监控告警事件。
当然，此时，监控告警事件信息可以依据重要等级设置不同颜色、字体大小或者背景颜色等。作为示例，最重要的监控告警事件的字体颜色可以为红色，普通的监控告警事件的字体颜色可以为绿色。
应该理解的是，虽然图2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，图2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。
在一个实施例中，如图4所示，提供了一种监控告警事件的分析装置，包括：获取模块、训练模块、确定模块和排序模块，其中：
获取模块用于获取监控告警事件信息，监控告警事件信息包括监控告警事件文本以及监控告警事件的重要等级。
训练模块用于基于监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型。
确定模块用于采用监控告警事件重要等级识别模型确定监控告警事件信息的重要等级。
排序模块用于按照监控告警事件信息的重要等级对监控告警事件信息排序。
在一个实施例中，监控告警事件的分析装置还包括：收集模块与标注模块。
收集模块用于收集监控告警事件信息的数据。
标注模块用于标注监控告警事件信息的重要等级，并建立监控告警事件信息与对应的重要等级之间的关联关系。
在一个实施例中，训练模块还用于：
构建输入层，输入层用于输入监控告警事件信息与对应的重要等级。
构建至少一层卷积层，卷积层用于提取监控告警事件信息的特征，并形成监控告警事件特征矩阵。
构建池化层，池化层用于识别对监控告警事件矩阵，并建立监控告警事件特征矩阵与对应的重要等级的关联关系。
构建全连接层，全连接层用于基于监控告警事件特征矩阵与对应的重要等级的关联关系，生成监控告警事件重要等级识别模型。
在一个实施例中，训练模块还用于：
计算监控告警事件重要等级识别模型的分类准确率。
当分类准确率大于预设数值，监控告警事件重要等级识别模型训练完成。
在一个实施例中，监控告警事件的分析装置还包括：发送模块。
发送模块用于发送监控告警事件信息对应的重要等级。
在一个实施例中，发送模块还用于发送监控告警事件信息对应的重要等级。
关于监控告警事件的分析装置的具体限定可以参见上文中对于监控告警事件的分析方法的限定，在此不再赘述。上述监控告警事件的分析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5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一种监控告警事件的分析方法。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5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：
步骤S200：获取监控告警事件信息，监控告警事件信息包括监控告警事件文本信息以及监控告警事件的重要等级。
步骤S300：基于监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型。
步骤S400：采用监控告警事件重要等级识别模型确定监控告警事件信息的重要等级。
步骤S500：按照监控告警事件信息的重要等级对监控告警事件信息排序。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
步骤S100：收集监控告警事件信息的数据。
步骤S110：标注监控告警事件信息的重要等级，并建立监控告警事件信息与对应的重要等级之间的关联关系。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
步骤S310：构建输入层，输入层用于输入监控告警事件信息与对应的重要等级。
步骤S320：构建至少一层卷积层，卷积层用于提取监控告警事件信息的特征，并形成监控告警事件特征矩阵。
步骤S330：构建池化层，池化层用于识别对监控告警事件矩阵，并建立监控告警事件特征矩阵与对应的重要等级的关联关系。
步骤S340：构建全连接层，全连接层用于基于监控告警事件特征矩阵与对应的重要等级的关联关系，生成监控告警事件重要等级识别模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
步骤S350：计算监控告警事件重要等级识别模型的分类准确率。
步骤S360：当分类准确率大于预设数值，监控告警事件重要等级识别模型训练完成。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
步骤S600：按照序列发送监控告警事件信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
步骤S610：发送监控告警事件信息对应的重要等级。
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：
步骤S200：获取监控告警事件信息，监控告警事件信息包括监控告警事件文本信息以及监控告警事件的重要等级。
步骤S300：基于监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型。
步骤S400：采用监控告警事件重要等级识别模型确定监控告警事件信息的重要等级。
步骤S500：按照监控告警事件信息的重要等级对监控告警事件信息排序。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S100：收集监控告警事件信息的数据。
步骤S110：标注监控告警事件信息的重要等级，并建立监控告警事件信息与对应的重要等级之间的关联关系。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S310：构建输入层，输入层用于输入监控告警事件信息与对应的重要等级。
步骤S320：构建至少一层卷积层，卷积层用于提取监控告警事件信息的特征，并形成监控告警事件特征矩阵。
步骤S330：构建池化层，池化层用于识别对监控告警事件矩阵，并建立监控告警事件特征矩阵与对应的重要等级的关联关系。
步骤S340：构建全连接层，全连接层用于基于监控告警事件特征矩阵与对应的重要等级的关联关系，生成监控告警事件重要等级识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S350：计算监控告警事件重要等级识别模型的分类准确率。
步骤S360：当分类准确率大于预设数值，监控告警事件重要等级识别模型训练完成。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S600：按照序列发送监控告警事件信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S610：发送监控告警事件信息对应的重要等级。
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：
步骤S200：获取监控告警事件信息，监控告警事件信息包括监控告警事件文本信息以及监控告警事件的重要等级。
步骤S300：基于监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型。
步骤S400：采用监控告警事件重要等级识别模型确定监控告警事件信息的重要等级。
步骤S500：按照监控告警事件信息的重要等级对监控告警事件信息排序。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S100：收集监控告警事件信息的数据。
步骤S110：标注监控告警事件信息的重要等级，并建立监控告警事件信息与对应的重要等级之间的关联关系。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S310：构建输入层，输入层用于输入监控告警事件信息与对应的重要等级。
步骤S320：构建至少一层卷积层，卷积层用于提取监控告警事件信息的特征，并形成监控告警事件特征矩阵。
步骤S330：构建池化层，池化层用于识别对监控告警事件矩阵，并建立监控告警事件特征矩阵与对应的重要等级的关联关系。
步骤S340：构建全连接层，全连接层用于基于监控告警事件特征矩阵与对应的重要等级的关联关系，生成监控告警事件重要等级识别模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S350：计算监控告警事件重要等级识别模型的分类准确率。
步骤S360：当分类准确率大于预设数值，监控告警事件重要等级识别模型训练完成。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S600：按照序列发送监控告警事件信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
步骤S610：发送监控告警事件信息对应的重要等级。
需要说明的是，本申请所涉及的各数据(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信息和数据。
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、存储、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-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。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。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 Random Access Memory，DRAM)等。
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发明专利范围的限制。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，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种监控告警事件的分析方法，其特征在于，所述方法包括：
获取监控告警事件信息，所述监控告警事件信息包括监控告警事件文本信息以及所述监控告警事件的重要等级；
基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；
采用所述监控告警事件重要等级识别模型确定所述监控告警事件信息的重要等级；
按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序。
2.根据权利要求1所述的方法，其特征在于，所述获取监控告警事件信息之前，包括：
收集所述监控告警事件信息的数据；
标注所述监控告警事件信息的重要等级，并建立所述监控告警事件信息与对应的重要等级之间的关联关系。
3.根据权利要求1所述的方法，其特征在于，所述基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型包括：
构建输入层，所述输入层用于输入所述监控告警事件信息与对应的重要等级；
构建至少一层卷积层，所述卷积层用于提取所述监控告警事件信息的特征，并形成监控告警事件特征矩阵；
构建池化层，所述池化层用于识别对所述监控告警事件矩阵，并建立所述监控告警事件特征矩阵与对应的重要等级的关联关系；
构建全连接层，所述全连接层用于基于所述监控告警事件特征矩阵与对应的重要等级的关联关系，生成所述监控告警事件重要等级识别模型。
4.根据权利要求3所述的方法，其特征在于，所述构建全连接层之后，包括：
计算所述监控告警事件重要等级识别模型的分类准确率；
当所述分类准确率大于预设数值，所述监控告警事件重要等级识别模型训练完成。
5.根据权利要求1所述的方法，其特征在于，所述按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序之后，包括：
按照序列发送所述监控告警事件信息。
6.根据权利要求5所述的方法，其特征在于，所述按照序列发送所述监控告警事件信息的同时，还包括：
发送所述监控告警事件信息对应的重要等级。
7.一种监控告警事件的分析装置，其特征在于，所述装置包括：
获取模块，用于获取监控告警事件信息，所述监控告警事件信息包括监控告警事件文本以及所述监控告警事件的重要等级；
训练模块，用于基于所述监控告警事件信息，训练卷积神经网络模型，形成监控告警事件重要等级识别模型；
确定模块，用于采用所述监控告警事件重要等级识别模型确定所述监控告警事件信息的重要等级；
排序模块，用于按照所述监控告警事件信息的重要等级对所述监控告警事件信息排序。
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。
CN202311247897.3A 2023-09-26 2023-09-26 监控告警事件的分析方法、装置和计算机设备 Pending CN117454241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311247897.3A CN117454241A (zh) 2023-09-26 2023-09-26 监控告警事件的分析方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311247897.3A CN117454241A (zh) 2023-09-26 2023-09-26 监控告警事件的分析方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN117454241A true CN117454241A (zh) 2024-01-26

Family

ID=89591863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311247897.3A Pending CN117454241A (zh) 2023-09-26 2023-09-26 监控告警事件的分析方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN117454241A (zh)

Similar Documents

Publication Publication Date Title
CN112884092B (zh) Ai模型生成方法、电子设备及存储介质
CN113159147A (zh) 基于神经网络的图像识别方法、装置、电子设备
CN112995414B (zh) 基于语音通话的行为质检方法、装置、设备及存储介质
CN111931809A (zh) 数据的处理方法、装置、存储介质及电子设备
CN112508137B (zh) 变压器异常检测方法、装置、计算机设备和存储介质
WO2022111387A1 (zh) 一种数据处理方法及相关装置
CN111401473A (zh) 基于注意力机制卷积神经网络的红外目标分类方法
CN114143049A (zh) 异常流量检测方法、装置、存储介质以及电子设备
CN112613569A (zh) 图像识别方法、图像分类模型的训练方法及装置
CN110705489A (zh) 目标识别网络的训练方法、装置、计算机设备和存储介质
CN111652282B (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN112966547A (zh) 一种基于神经网络的燃气现场异常行为识别预警方法、系统、终端及存储介质
CN113239290A (zh) 用于舆情监测的数据分析方法、装置和电子装置
CN117033039A (zh) 故障检测方法、装置、计算机设备和存储介质
CN116403019A (zh) 遥感图像量子识别方法、装置、存储介质及电子装置
CN115545103A (zh) 异常数据识别、标签识别方法和异常数据识别装置
CN117454241A (zh) 监控告警事件的分析方法、装置和计算机设备
CN116029760A (zh) 消息推送方法、装置、计算机设备和存储介质
CN114241354A (zh) 仓库人员行为识别方法、装置、计算机设备、存储介质
CN116415237B (zh) 风险设备识别方法、装置、计算机设备和存储介质
CN116150341B (zh) 理赔事件检测方法、计算机设备和存储介质
CN114358328A (zh) 变电站设备的开关状态检测方法、装置和计算机设备
CN116612474B (zh) 对象检测方法、装置、计算机设备及计算机可读存储介质
CN117273963B (zh) 基于车险场景的风险识别方法和装置
CN112669142B (zh) 高维行为数据的建模方法、装置、设备及可读存储介质

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