CN117492814A - 生产运维变更方法及装置 - Google Patents
生产运维变更方法及装置 Download PDFInfo
- Publication number
- CN117492814A CN117492814A CN202311435514.5A CN202311435514A CN117492814A CN 117492814 A CN117492814 A CN 117492814A CN 202311435514 A CN202311435514 A CN 202311435514A CN 117492814 A CN117492814 A CN 117492814A
- Authority
- CN
- China
- Prior art keywords
- maintenance personnel
- maintenance
- command
- change
- change command
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 183
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008859 change Effects 0.000 claims abstract description 128
- 238000012790 confirmation Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012552 review Methods 0.000 claims description 25
- 210000001508 eye Anatomy 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 210000005252 bulbus oculi Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 210000004087 cornea Anatomy 0.000 claims description 6
- 230000001815 facial effect Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 3
- 210000001747 pupil Anatomy 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 19
- 238000001514 detection method Methods 0.000 description 19
- 238000003058 natural language processing Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010978 in-process monitoring Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000000887 face Anatomy 0.000 description 3
- 239000002360 explosive Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001282135 Poromitra oscitans Species 0.000 description 1
- 206010048232 Yawning Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/004—Error avoidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
- G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种生产运维变更方法及装置,可用于人工智能技术领域,该方法包括:采集对生产运维系统进行变更操作的运维人员的人脸图像;通过人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。本发明可以实现生产环境操作的事前检查,能够有效减少操作管理类风险事件的发生,提高变更成功率。
Description
技术领域
本发明涉及大数据技术领域,尤其涉及生产运维变更方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
安全生产、稳定运行是数据中心的工作红线,保证信息系统变更的顺利执行是其中重要的一环。目前,数据中心为减少生产环境中信息系统变更带来的业务影响,信息系统变更执行一般安排在夜间时段或非工作日等业务低峰期,而以上时间段变更人员容易进入疲劳状态,易导致人员误操作,增加变更失败的风险。同时,虽然数据中心要求严格落实变更双人复核的规章制度,但在实际生产中,违规变更、敏感命令误操作等问题无法根本避免,也因此造成了变更效率下降和变更失败率的提升;更有甚者会造成不可挽回的生产事件。不合规变更例如单人变更等导致的变更故障成为运维工作中极大的安全隐患。
目前,关于变更辅助方法与装置技术方案较少,对变更过程中的实施人员进行实时监测,关注变更人员的身体情况,减少人为因素的干扰,提升变更成功率,就成为一个急需解决的问题。
随着当前银行领域业务量的持续增长和IT架构转型的加速推进,银行数据中心运维规模在未来几年内预计将大幅增长,传统的生产运维体系无法完全满足日常操作风险的异常发现、根源控制和提前处置等需求,目前以变更后应急处置和问题解决为主的运维变更管理工作往往偏向被动模式,现有技术针对变更过程中的人为因素缺少前瞻性。
发明内容
本发明实施例提供一种生产运维变更方法,用以实现生产环境操作的事前检查,能够有效减少操作管理类风险事件的发生,提高变更成功率,该方法包括:
采集对生产运维系统进行变更操作的运维人员的人脸图像;
通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;
在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
本发明实施例还提供一种生产运维变更装置,用以实现生产环境操作的事前检查,能够有效减少操作管理类风险事件的发生,提高变更成功率,该装置包括:
图像采集模块,用于采集对生产运维系统进行变更操作的运维人员的人脸图像;
命令集合获得模块,用于通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;
提示展示模块,用于在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
追踪模块,用于在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
变更判断模块,用于在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述生产运维变更方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述生产运维变更方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述生产运维变更方法。
本发明实施例中,采集对生产运维系统进行变更操作的运维人员的人脸图像;通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。与现有技术中通过人工进行变更监测的方案相比,通过人脸识别,确定变更命令是否有风险,从而展示命令执行风险提示;而在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读,这种判断方式准确率高,使得后续进行变更的成功率高,且做到了生产环境操作的事前检查,能够有效减少操作管理类风险事件的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。在附图中:
图1为本发明实施例中生产运维变更方法的流程图;
图2为本发明实施例中角膜反射点(斑点)的示意图;
图3为本发明实施例中远程双人协同复核的场景;
图4为本发明实施例中生产运维变更装置的示意图;
图5为本发明实施例中生产运维变更装置的又一示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
首先对本发明实施例涉及的术语进行解释。
生产环境:大型国有商业银行的系统实际运行的环境,即银行提供正式生产服务的环境,客户实际使用的环境。
变更:大型国有商业银行数据中心对生产环境造成改变的所有操作。
人工智能:Artificial Intelligence,英文缩写为AI。它是研究、开发用于模拟、延伸和拓展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是新一轮科技革命和产业变革的重要驱动力量。
深度学习:Deep Learning,英文缩写为DL。它是机器学习领域中一个新的方向,它被引入机器学习士气更接近于最初的目标人工智能。
目标检测:目标检测是深度学习中的一种测试模型,目标测试模型可以识别图片/影像中的多个物体,并可以定位出不同物体,给出边界框。
近年来,在数字经济不断推进的大背景下,人工智能发展迅速,并与多种应用场景深度融合,逐渐成为推动经济创新发展的重要技术。
自深度学习算法被提出,人工智能技术应用取得突破性发展。数据的爆发式增长为人工智能进行了充分的铺垫,深度学习算法在语音和视觉识别上实现突破,令人工智能产业落地和商业化发展成为可能。
人工智能的水平建立在机器学习的基础上,除了先进的算法和硬件运算能力,大数据是机器学习的关键。大数据可以帮助训练机器,提高机器的智能水平。数据越丰富完整,机器辨识精准度越高,因此大数据将是各企业竞争的真正资本。大数据是人工智能进步的养料,通过对大量数据的学习,机器判断处理能力不断上升,智能水平也会不断提高。
近年来,计算机视觉在人工智能领域发挥着越来越重要的作用。其广泛的应用范围和拓展的前景,使得计算机视觉算法得到了长足的发展,而深度学习技术的逐渐成熟,更是推动了计算机视觉算法的快速进步。本文涉及到的计算机算法主要包括图像识别和目标检测两大部分。
①图像识别
图像识别是计算机视觉技术中最基础、最核心的领域之一。该领域主要研究如何让计算机实现自动分类、识别图像的功能。传统的图像识别算法是基于人工特征提取的算法,在特征提取上消耗了大量的时间和精力,同时对于截然不同的图片很难进行分类。而深度学习模型却能够对图片自动提取特征,从而提高准确率。
②目标检测
目标检测是计算机视觉技术中较为复杂的方向之一,该方向主要研究如何在图像中精确定位物体,并进行分类。深度学习技术的出现,目标检测算法在速度和准确率上有了很大的提升。目前,针对计算机视觉这个领域主流的法有Faster R-CNN和YOLO系列算法等。
NLP是人工智能的一个子领域,处理计算机和人类语言之间的交互。这是一个复杂的领域,涉及计算机科学、计算语言学和机器学习的应用,以处理、理解和生成人类语言。NLP有着悠久的历史,可以追溯到1950年代和60年代,当时早期的研究人员开始探索使用计算机来处理和理解自然语言。该领域的研究显着增加,导致新的NLP技术和工具的开发。尽管取得了进步,但NLP仍然面临重大挑战。NLP的主要困难之一是人类语言的复杂性,根据上下文和说话者的不同,人类语言可能会有很大差异。NLP的另一个挑战是需要标记的训练数据,这是训练NLP模型所必需的。尽管存在这些挑战,NLP领域仍在继续发展,并且不断开发新的技术和模型。例如,大数据的兴起和大量文本数据的可用性导致了更强大的NLP模型的发展,如ChatGPT,它可以处理和生成类似人类的文本。ChatGPT模型是由OpenAI开发的尖端人工智能模型,旨在根据提供的输入生成类似人类的文本。该模型在海量文本数据数据集上进行训练,使其对语言中的模式和关系有广泛的了解。凭借其理解和生成文本的能力,ChatGPT可以执行广泛的自然语言处理(NLP)任务,例如语言翻译、问答和文本生成。
基于此,本发明一种生产运维变更方案,该方案基于人工智能,实现生产运维操作的事前检查、预警、事中监测和实时控制,能够有效减少操作管理类风险事件的发生,将当前的变更后审计优化为变更过程中的智能化干预,并作为变更“电子保镖”,为信息系统变更的顺利进行保驾护航,促进安全生产,稳定运行。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
图1为本发明实施例中生产运维变更方法的流程图,包括:
步骤101,采集对生产运维系统进行变更操作的运维人员的人脸图像;
步骤102,通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;
步骤103,在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
步骤104,在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
步骤105,在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
与现有技术中通过人工进行变更监测的方案相比,通过人脸识别,确定变更命令是否有风险,从而展示命令执行风险提示;而在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读,这种判断方式准确率高,使得后续进行变更的成功率高,且做到了生产环境操作的事前检查,能够有效减少操作管理类风险事件的发生。另外,本发明实施例方法还可以进行事中监测和实时控制,下面进行详细介绍。
在步骤101中,采集对生产运维系统进行变更操作的运维人员的人脸图像;具体实施时,可以通过屏幕前的摄像头采集人脸图像。
在步骤102中,通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合。通过人脸识别算法获取该人员身份信息,保证当前人员为系统预设变更人员及令牌持有者;若人脸核对不通过则登录失败,规避令牌盗用、系统预设变更人员与实际操作人不符等情况。
在一实施例中,通过所述人脸图像,确定运维人员的角色,包括:
通过卷积神经网络将人脸图像映射到欧式空间的特征向量上;
计算所述特征向量与预存的每个运维人员的人脸图像对应的特征向量的欧式距离;
在欧式距离最小值小于距离阈值时,确定身份验证通过,获得欧式距离最小的特征向量对应的运维人员的角色。
上述人脸识别的步骤中,没有用传统的softmax的方式去进行分类学习,而是抽取其中某一层作为特征,学习一个从图像到欧式空间的编码方法,然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。该算法的理论思想:是把人脸图像映射到一个多维空间,通过空间距离表示人脸的相似度。同一个人脸图像的空间距离比较小,不同人脸图像的空间距离比较大,这样通过人脸图像的空间映射就可以实现人脸识别。通过人脸识别验证人员身份、进行权限鉴定,验证成功后,赋予对应的操作权限,登录对应的运维操作界面。
另外,本发明中,要获得运维人员的角色对应的命令集合,运维人员的首要职责是守护系统安全稳定运行,而各项系统操作命令则是他们手中的工具,命令使用不当、人工操作失误或恶意使用高危命令破坏等行为,会造成难以挽回的结果。针对该问题,本发明实施例中,内置命令库,可针对不同的运维角色,定制化生成监测套餐,即不同的命令集合,发现高危命令,第一时间拦截预警。
在步骤103中,在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
在步骤104中,在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
眼球追踪方法在实行敏感高危命令时,要求运维人员正视屏幕确保专注,并在阅知风险提示后进行二次确认,为系统安全筑起一道坚实的防线。
在一实施例中,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视的变化量,包括:
获得运维人员的多个眼睛图像;
对每个眼睛图像,对该眼睛图像通过图像处理得到瞳孔中心位置;把角膜反射点作为基点,根据瞳孔中心位置得到视线向量坐标,确定屏幕注视点;
通过多个第一向量与多个屏幕注视点,确定映射函数,其中,第一向量为瞳孔与角膜反射点之间的向量;
实时监测第一向量的变化量,并通过映射函数,实时得到屏幕注视点的变化量。
具体实施时,参见图2给出了角膜反射点(斑点)的示意图,把角膜反射点(斑点)作为眼摄像机和眼球的相对位置的基点。通过多组数据(多个第一向量与多个屏幕注视点),可拟合出映射函数,这样在实施获得第一向量后,即可通过映射函数,实时得到屏幕注视点的变化量。
在步骤105中,在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
具体实时时,所有屏幕注视变化量满足预设条件时,确定运维人员完成命令执行风险提示阅读,预设条件可以是所有屏幕注视变化量的变化速度、变化距离等。
在一实施例中,所述方法还包括:
在执行所述变更命令时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视点;
根据所述屏幕注视点,计算运维人员的面部专注度;
在面部专注度低于专注度阈值时,停止执行所述变更命令;
在停止执行所述变更命令预设时长,且运维人员的面部专注度不低于专注度阈值时,继续执行所述变更命令。
具体实施时,面部专注度可以通过判断屏幕注视点是否超过屏幕范围,变化速度等确定。
在一实施例中,所述方法还包括:
在现场多人复核的场景中,采集多个运维人员的人脸图像,其中,多个运维人员包括一个实施人员和多个复核人员;
在监测到屏幕中人脸图像数量缺少时,确定生产运维系统的登录用户的权限只有查询;
在监测到屏幕中人脸图像数量正确时,确定生产运维系统的登录用户的权限包括查询和变更;其中,在登录用户的权限包括查询和变更,且所有运维人员的面部专注度不低于专注度阈值时,允许执行变更命令。
在上述实施例中,以现场多人复核为现场双人复核为例,确保双人复核机制始终生效。若屏幕前摄像头当前采集到的信息中识别到少于两个人脸,确定生产运维系统的登录用户的权限只有查询,使得单人模式下无法在系统中进行变更。一段时间内若当前离开屏幕前的人员归位且人脸信息核对通过,确定生产运维系统的登录用户的权限包括查询和变更。另外,进行变更时,所有运维人员的面部专注度不低于专注度阈值时,允许执行变更命令,也就是,屏幕前任何一个人的专注度不满足要求时,都不能变更。
在一实施例中,所述方法还包括:
在远程多人协同复核的场景中,在允许执行变更命令时,拦截所述变更命令,并发送至所有复核人员所在终端,其中,每个终端采集复核人员的人脸图像,根据复核人员的人脸图像判断是否允许执行所述命令;
在接收到所有终端反馈的允许执行变更命令时,执行所述变更命令。
图3为本发明实施例中远程双人协同复核的场景,通过屏幕共享,复核人员可对变更命令进行复核,在复核无误后,执行变更命令。
在一实施例中,所述方法还包括:
在执行所述变更命令时,对运维人员进行疲劳特征采集;
将采集的疲劳特征输入至预先训练好的疲劳识别模型中,获得疲劳识别结果;
在疲劳识别结果为疲劳时,停止执行所述变更命令;
在停止执行所述变更命令预设时长,且运维人员的疲劳识别结果为不疲劳时,继续执行所述变更命令。
在上述实施例中,疲劳特征包括眼睛对屏幕的注视时间、眨眼频率、嘴张开程度、点头频率、身体姿态等特征,那么需要摄像头采集眼部、嘴部和头部的信息,疲劳识别模型通过大量的标记的疲劳特征进行训练,疲劳识别模型可采用多元特征融合的模型,例如,通过眨眼10次、闭眼3次、打哈欠6次,识别出疲劳度为35%,专注度为78%,也就是该疲劳识别模型除了可以分析疲劳程度外,还可以分析专注程度。
在一实施例中,所述方法还包括:
在执行所述变更命令时,对屏幕前的异常特征进行采集,所述异常特征包括运维人员进行异常行为特征和物品特征;
将采集的异常特征输入至预先训练好的异常识别模型中,获得异常识别结果;
在异常识别结果为异常时,生成异常预警信息。
在上述实施例中,基于摄像头采集屏幕前的人员动作信息及出现的物品,通过动作捕捉及检测算法及时发现运维人员在机房内喝水、进食等违规操作。也可通过目标检测算法检测出打火机、酒瓶等易燃易爆品并进行预警提示。
具体异常识别模型可采用目标检测算法Yolo,本功能使用主流的目标检测算法Yolo。Yolo(You Only Look Once:Unified,Real-Time Object Detection)算法是基于单个神经网络的目标检测系统。Yolo是一种单阶段的检测算法,与两阶段检测算法先寻找物体位置再判断物体种类不同,Yolo不需要提前找到可能存在物体的区域,而是直接对物体的种类和位置进行预测。
两阶段目标检测方法首先通过图形学或深度学习的方法对图像数据进行分析,找到若干个可能存在物体的区域,再将这些区域进行裁剪并放入图形分类器,由分类器模型对物体类别进行判断,这种方法相比Yolo这种单阶段方法的计算速度却慢了很多。针对实时违规行为及物品检测的场景,检测算法的速度越快越能提前发现风险,可以及时规避问题和风险。
摄像头采集屏幕前的影像进行特征采集,Yolo通过对这些特征进行分类判断出物品及行为。例如,通过人体嘴部与食品的特征采样,结合两者间的距离判断是否存在进食行为。
另外,ChatGPT模型最近流行于各领域,这样的人工智能同样可以在运维领域扮演重要角色。本发明的AI助手基于大数据进行深度学习,可对变更进行智能风险预判和业务影响分析、自动生成变更模板、工单,并实现实时变更提醒等功能;对命令中可能存在的bug提出修正建议,并挖掘其中可能隐藏的风险信息,从而有效的进行风险预警,提高运维效率。例如运维人员在工作中想使用perf工具包,但当前操作系统没有安装该工具包,AI助手可以自动弹出处理建议。
可见,通过上述步骤,除了事前检查,还能做到事中监测和实时控制,将当前的变更后审计优化为变更过程中的审计智能化干预,最后,由于本方法同时进行了事前检查、事中监测和实时控制,大大提高了变更成功率。
本发明实施例中还提供了一种生产运维变更装置,如下面的实施例所述。由于该装置解决问题的原理与生产运维变更方法相似,因此该装置的实施可以参见生产运维变更方法的实施,重复之处不再赘述。
图4为本发明实施例中生产运维变更装置的示意图,包括:
图像采集模块401,用于采集对生产运维系统进行变更操作的运维人员的人脸图像;
命令集合获得模块402,用于通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;
提示展示模块403,用于在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
追踪模块404,用于在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
变更判断模块405,用于在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
在一实施例中,命令集合获得模块具体用于:
通过卷积神经网络将人脸图像映射到欧式空间的特征向量上;
计算所述特征向量与预存的每个运维人员的人脸图像对应的特征向量的欧式距离;
在欧式距离最小值小于距离阈值时,确定身份验证通过,获得欧式距离最小的特征向量对应的运维人员的角色。
在一实施例中,追踪模块具体用于:
获得运维人员的多个眼睛图像;
对每个眼睛图像,对该眼睛图像通过图像处理得到瞳孔中心位置;把角膜反射点作为基点,根据瞳孔中心位置得到视线向量坐标,确定屏幕注视点;
通过多个第一向量与多个屏幕注视点,确定映射函数,其中,第一向量为瞳孔与角膜反射点之间的向量;
实时监测第一向量的变化量,并通过映射函数,实时得到屏幕注视点的变化量。
参见图5,在一实施例中,所述装置还包括实时监控模块501,用于:
在执行所述变更命令时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视点;
根据所述屏幕注视点,计算运维人员的面部专注度;
在面部专注度低于专注度阈值时,停止执行所述变更命令;
在停止执行所述变更命令预设时长,且运维人员的面部专注度不低于专注度阈值时,继续执行所述变更命令。
在一实施例中,所述装置还包括现场多人复核模块502,用于:
在现场多人复核的场景中,采集多个运维人员的人脸图像,其中,多个运维人员包括一个实施人员和多个复核人员;
在监测到屏幕中人脸图像数量缺少时,确定生产运维系统的登录用户的权限只有查询;
在监测到屏幕中人脸图像数量正确时,确定生产运维系统的登录用户的权限包括查询和变更;其中,在登录用户的权限包括查询和变更,且所有运维人员的面部专注度不低于专注度阈值时,允许执行变更命令。
在一实施例中,所述装置还包括远程多人协同复核503,用于:
在远程多人协同复核的场景中,在允许执行变更命令时,拦截所述变更命令,并发送至所有复核人员所在终端,其中,每个终端采集复核人员的人脸图像,根据复核人员的人脸图像判断是否允许执行所述命令;
在接收到所有终端反馈的允许执行变更命令时,执行所述变更命令。
在一实施例中,所述装置还包括疲劳监测模块504,用于:
在执行所述变更命令时,对运维人员进行疲劳特征采集;
将采集的疲劳特征输入至预先训练好的疲劳识别模型中,获得疲劳识别结果;
在疲劳识别结果为疲劳时,停止执行所述变更命令;
在停止执行所述变更命令预设时长,且运维人员的疲劳识别结果为不疲劳时,继续执行所述变更命令。
在一实施例中,所述装置还包括异常监测模块505,用于:
在执行所述变更命令时,对屏幕前的异常特征进行采集,所述异常特征包括运维人员进行异常行为特征和物品特征;
将采集的异常特征输入至预先训练好的异常识别模型中,获得异常识别结果;
在异常识别结果为异常时,生成异常预警信息。
本发明实施例提出的方法及装置具有如下有益效果:
第一,首先加强了变更工作相关的权限管控。通过人脸识别检测算法,确保现场执行与变更申请保持一致;根据运维人员定制化权限登录,将访问范围进行控制保证权限最小化。
第二,严把了变更质量底线,通过敏感命令监测功能更早一步发现运维工作中潜在的风险点,可以及时制止危险变更行为;通过多复核检测、违规行为检测共同规范了生产环境的变更行为,把运维领域中的规章制度落到实处。
第三,革新了变更监管体系,借助人工智能的技术手段,结合实际生产需求,将运维工作中的各项后审计手段提到前面、落到实处,做到严防风险、严把质量、严守底线。
第四,基于人工智能领域主流的算法辅助运维工作,做到保质高效。基于大数据和深度学习训练出AI模型智能助手,可以根据已有知识自动化变更单生成、操作流程风险分析、实时变更提醒助力智慧运维。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述生产运维变更方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述生产运维变更方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述生产运维变更方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种生产运维变更方法,其特征在于,包括:
采集对生产运维系统进行变更操作的运维人员的人脸图像;
通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;
在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
2.如权利要求1所述的方法,其特征在于,通过所述人脸图像,确定运维人员的角色,包括:
通过卷积神经网络将人脸图像映射到欧式空间的特征向量上;
计算所述特征向量与预存的每个运维人员的人脸图像对应的特征向量的欧式距离;
在欧式距离最小值小于距离阈值时,确定身份验证通过,获得欧式距离最小的特征向量对应的运维人员的角色。
3.如权利要求1所述的方法,其特征在于,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视的变化量,包括:
获得运维人员的多个眼睛图像;
对每个眼睛图像,对该眼睛图像通过图像处理得到瞳孔中心位置;把角膜反射点作为基点,根据瞳孔中心位置得到视线向量坐标,确定屏幕注视点;
通过多个第一向量与多个屏幕注视点,确定映射函数,其中,第一向量为瞳孔与角膜反射点之间的向量;
实时监测第一向量的变化量,并通过映射函数,实时得到屏幕注视点的变化量。
4.如权利要求1所述的方法,其特征在于,还包括:
在执行所述变更命令时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视点;
根据所述屏幕注视点,计算运维人员的面部专注度;
在面部专注度低于专注度阈值时,停止执行所述变更命令;
在停止执行所述变更命令预设时长,且运维人员的面部专注度不低于专注度阈值时,继续执行所述变更命令。
5.如权利要求1所述的方法,其特征在于,还包括:
在现场多人复核的场景中,采集多个运维人员的人脸图像,其中,多个运维人员包括一个实施人员和多个复核人员;
在监测到屏幕中人脸图像数量缺少时,确定生产运维系统的登录用户的权限只有查询;
在监测到屏幕中人脸图像数量正确时,确定生产运维系统的登录用户的权限包括查询和变更;其中,在登录用户的权限包括查询和变更,且所有运维人员的面部专注度不低于专注度阈值时,允许执行变更命令。
6.如权利要求1所述的方法,其特征在于,还包括:
在远程多人协同复核的场景中,在允许执行变更命令时,拦截所述变更命令,并发送至所有复核人员所在终端,其中,每个终端采集复核人员的人脸图像,根据复核人员的人脸图像判断是否允许执行所述命令;
在接收到所有终端反馈的允许执行变更命令时,执行所述变更命令。
7.如权利要求1所述的方法,其特征在于,还包括:
在执行所述变更命令时,对运维人员进行疲劳特征采集;
将采集的疲劳特征输入至预先训练好的疲劳识别模型中,获得疲劳识别结果;
在疲劳识别结果为疲劳时,停止执行所述变更命令;
在停止执行所述变更命令预设时长,且运维人员的疲劳识别结果为不疲劳时,继续执行所述变更命令。
8.如权利要求1所述的方法,其特征在于,还包括:
在执行所述变更命令时,对屏幕前的异常特征进行采集,所述异常特征包括运维人员进行异常行为特征和物品特征;
将采集的异常特征输入至预先训练好的异常识别模型中,获得异常识别结果;
在异常识别结果为异常时,生成异常预警信息。
9.一种生产运维变更装置,其特征在于,包括:
图像采集模块,用于采集对生产运维系统进行变更操作的运维人员的人脸图像;
命令集合获得模块,用于通过所述人脸图像,确定运维人员的角色,获得运维人员的角色对应的命令集合;
提示展示模块,用于在运维人员进行生产运维变更操作的变更命令在所述命令集合之外时,展示命令执行风险提示;
追踪模块,用于在运维人员阅读命令执行风险提示时,对运维人员进行眼球追踪,实时获得运维人员的屏幕注视变化量;
变更判断模块,用于在接收到运维人员的二次确认信息后,根据获得的所有屏幕注视变化量,判断运维人员是否完成命令执行风险提示阅读;若是,允许执行所述变更命令。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,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8任一所述方法。
11.一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存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311435514.5A CN117492814A (zh) | 2023-10-31 | 2023-10-31 | 生产运维变更方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311435514.5A CN117492814A (zh) | 2023-10-31 | 2023-10-31 | 生产运维变更方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117492814A true CN117492814A (zh) | 2024-02-02 |
Family
ID=89675654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311435514.5A Pending CN117492814A (zh) | 2023-10-31 | 2023-10-31 | 生产运维变更方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117492814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830961A (zh) * | 2024-03-06 | 2024-04-05 | 山东达斯特信息技术有限公司 | 一种基于图像分析的环保设备运维行为分析方法及系统 |
-
2023
- 2023-10-31 CN CN202311435514.5A patent/CN117492814A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830961A (zh) * | 2024-03-06 | 2024-04-05 | 山东达斯特信息技术有限公司 | 一种基于图像分析的环保设备运维行为分析方法及系统 |
CN117830961B (zh) * | 2024-03-06 | 2024-05-10 | 山东达斯特信息技术有限公司 | 一种基于图像分析的环保设备运维行为分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107704805B (zh) | 疲劳驾驶检测方法、行车记录仪及存储装置 | |
CN106295568B (zh) | 基于表情和行为双模态结合的人类自然状态情感识别方法 | |
Wu et al. | An adaptive threshold deep learning method for fire and smoke detection | |
CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、系统及设备 | |
CN111553326B (zh) | 手部动作识别方法、装置、电子设备及存储介质 | |
CN105354986A (zh) | 汽车司机驾驶状态监测系统及方法 | |
CN105117692A (zh) | 一种基于深度学习的实时人脸识别方法及系统 | |
CN106650693A (zh) | 一种用于人脸比对的多特征融合识别算法 | |
CN106156688A (zh) | 一种动态人脸识别方法及系统 | |
CN104574817A (zh) | 一种适用于智能手机的基于机器视觉疲劳驾驶预警系统 | |
CN117492814A (zh) | 生产运维变更方法及装置 | |
CN106485191A (zh) | 一种驾驶员疲劳状态检测方法及系统 | |
CN205230272U (zh) | 汽车司机驾驶状态监测系统 | |
CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、系统及介质 | |
CN113920491A (zh) | 基于面部骨架模型的疲劳检测系统、方法、介质、检测设备 | |
CN103593654A (zh) | 一种人脸定位的方法与装置 | |
Nar et al. | Abnormal activity detection for bank ATM surveillance | |
Senaratne et al. | Comparing two video-based techniques for driver fatigue detection: classification versus optical flow approach | |
JP2011186576A (ja) | 動作認識装置 | |
CN112991857A (zh) | 一种电力应急抢险培训系统及方法 | |
EA038293B1 (ru) | Способ и система выявления тревожных событий при взаимодействии с устройством самообслуживания | |
CN114782988A (zh) | 一种面向施工环境的多级安全预警方法 | |
Ramesh Babu et al. | A multi-modal system to assess cognition in children from their physical movements | |
Liu et al. | 3DCNN-based real-time driver fatigue behavior detection in urban rail transit | |
CN111694980A (zh) | 一种鲁棒的家庭儿童学习状态视觉监督方法及装置 |
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 |