CN117579513B - 汇聚分流设备的可视化运维系统及其方法 - Google Patents
汇聚分流设备的可视化运维系统及其方法 Download PDFInfo
- Publication number
- CN117579513B CN117579513B CN202410056615.XA CN202410056615A CN117579513B CN 117579513 B CN117579513 B CN 117579513B CN 202410056615 A CN202410056615 A CN 202410056615A CN 117579513 B CN117579513 B CN 117579513B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- training
- flow
- feature
- performance 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 56
- 230000000007 visual effect Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 128
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 42
- 239000013598 vector Substances 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims 2
- 230000002776 aggregation Effects 0.000 claims 2
- 238000011176 pooling Methods 0.000 description 10
- 238000012800 visualization Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- 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
- H04L41/064—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 involving 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
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种汇聚分流设备的可视化运维系统及其方法。其首先获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值，接着，获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，然后，对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征，接着，对所述多个预定时间点的流量值进行时序分析以得到流量时序特征，然后，基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征，最后，基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示。这样，可以提高汇聚分流设备的运维效率。
Description
技术领域
本申请涉及汇聚分流设备领域，且更为具体地，涉及一种汇聚分流设备的可视化运维系统及其方法。
背景技术
汇聚分流设备是一种用于在网络中实现数据包的汇聚和分流的设备，它可以根据不同的业务需求和策略，将数据包按照一定的规则进行转发或丢弃，从而提高网络的效率和安全性。汇聚分流设备的运行状态对于网络的稳定性和可靠性至关重要，一旦出现故障或异常，可能会导致网络中断或数据泄露等严重后果。
然而，传统的汇聚分流设备运维通常依赖于人工巡检和手动分析来监控设备的运行状态，这种方式效率低下且容易出错，特别是在大规模网络环境下，人工操作无法及时捕捉到设备的异常情况。并且，传统的汇聚分流设备运维系统只提供有限的监控功能，无法及时发现设备的异常状态，且在数据分析和可视化方面的能力有限，缺乏直观的可视化展示和分析工具以及预警机制来提醒运维人员采取相应的措施，使得对设备状态的理解和决策变得困难。
因此，期望一种汇聚分流设备的可视化运维系统。
发明内容
有鉴于此，本申请提出了一种汇聚分流设备的可视化运维系统及其方法，其可以实时监控汇聚分流设备的运行状态，分析设备的性能和故障，提供优化建议和预警提示，并将这些数据可视化展示给运维人员，以便及时对于异常设备状态采取相应措施，从而减少了人工巡检和手动分析的工作量，提高汇聚分流设备的运维效率。
根据本申请的一方面，提供了一种汇聚分流设备的可视化运维系统，其包括：
流量数据采集模块，用于获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值；
性能数据采集模块，用于获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率；
性能数据时序关联分析模块，用于对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征；
流量数据时序分析模块，用于对所述多个预定时间点的流量值进行时序分析以得到流量时序特征；
特征融合模块，用于基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征；以及
状态检测显示模块，用于基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示。
根据本申请的另一方面，提供了一种汇聚分流设备的可视化运维方法，其包括：
获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值；
获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率；
对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征；
对所述多个预定时间点的流量值进行时序分析以得到流量时序特征；
基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征；以及
基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示。
根据本申请的实施例，其首先获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值，接着，获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，然后，对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征，接着，对所述多个预定时间点的流量值进行时序分析以得到流量时序特征，然后，基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征，最后，基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示。这样，可以提高汇聚分流设备的运维效率。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出根据本申请的实施例的汇聚分流设备的可视化运维系统的框图。
图2示出根据本申请的实施例的汇聚分流设备的可视化运维系统中所述性能数据时序关联分析模块的框图。
图3示出根据本申请的实施例的汇聚分流设备的可视化运维系统中所述状态检测显示模块的框图。
图4示出根据本申请的实施例的汇聚分流设备的可视化运维方法的流程图。
图5示出根据本申请的实施例的汇聚分流设备的可视化运维方法的架构示意图。
图6示出根据本申请的实施例的汇聚分流设备的可视化运维系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
应可以理解，汇聚分流设备流量值的变化可以反映设备的工作状态，例如流量突增可能意味着设备面临过载或攻击。通过对于流量值的实时监测可以判断是否存在异常流量、是否达到带宽限制等，从而及时发现网络拥塞、异常流量攻击等问题，并采取相应的调整和优化措施。汇聚分流设备的性能指标如CPU利用率、内存使用情况和网络带宽利用率等是评估设备性能和健康状况的重要指标。通过获取这些指标的数值，可以了解设备的资源利用情况和性能表现。例如，高CPU利用率可能表示设备负载过重，高内存使用情况可能导致性能下降，高网络带宽利用率可能意味着网络拥塞。通过监测和分析这些性能指标，可以及时发现设备的性能问题和潜在故障，例如，可以检测到网络拥塞、处理能力不足或配置错误等情况，有助于运维人员了解设备的性能状况，识别潜在的瓶颈和性能问题，并采取相应的优化措施。
基于此，本申请的技术构思为通过实时监测采集汇聚分流设备的网络流量和性能指标等信息，实时监控汇聚分流设备的运行状态，分析设备的性能和故障，提供优化建议和预警提示，并将这些数据可视化展示给运维人员，以便及时对于异常设备状态采取相应措施，从而减少了人工巡检和手动分析的工作量，提高汇聚分流设备的运维效率。
图1示出根据本申请的实施例的汇聚分流设备的可视化运维系统的框图示意图。如图1所示，根据本申请实施例的汇聚分流设备的可视化运维系统100，包括：流量数据采集模块110，用于获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值；性能数据采集模块120，用于获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率；性能数据时序关联分析模块130，用于对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征；流量数据时序分析模块140，用于对所述多个预定时间点的流量值进行时序分析以得到流量时序特征；特征融合模块150，用于基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征；以及，状态检测显示模块160，用于基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示。
具体地，在本申请的技术方案中，首先，获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值，并获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率。应可以理解，所述被监测汇聚分流设备的性能指标中的各个数据项不仅在时间维度上是不断变化的，而且这些性能指标的各个数据项之间还具有着时序的关联关系，例如，设备的CPU利用率在某个时间点上升，会对接下来的时间点产生影响，这种时序关联关系可以帮助更好地理解设备的性能变化趋势和异常情况。因此，在本申请的技术方案中，为了能够更好地捕捉到性能指标的各个数据项之间的时序关联特征信息，需要将所述多个预定时间点的性能指标按照时间维度和性能指标样本维度排列为性能指标时序输入矩阵，以此来整合所述性能指标在样本维度和时间维度上的分布信息。
然后，将所述性能指标时序输入矩阵通过基于卷积神经网络模型的性能指标时序关联模式特征提取器中进行特征挖掘，以提取出所述性能指标中的各个数据项之间在时间维度上的时序关联特征信息，从而得到性能指标间时序关联特征图。
相应地，如图2所示，所述性能数据时序关联分析模块130，包括：性能指标间时序关联矩阵构造单元131，用于将所述多个预定时间点的性能指标按照时间维度和性能指标样本维度排列为性能指标时序输入矩阵；以及，性能指标间时序关联特征提取单元132，用于将所述性能指标时序输入矩阵通过基于卷积神经网络模型的性能指标时序关联模式特征提取器以得到性能指标间时序关联特征图作为所述性能指标间时序关联特征。应可以理解，所述性能数据时序关联分析模块130包括性能指标间时序关联矩阵构造单元131和性能指标间时序关联特征提取单元132两个主要单元。性能指标间时序关联矩阵构造单元131的作用是将多个预定时间点的性能指标按照时间维度和性能指标样本维度排列为性能指标时序输入矩阵，它将不同的性能指标在时间维度上进行排序，形成一个二维矩阵，其中行表示时间点，列表示不同的性能指标，这个矩阵将作为后续单元的输入，用于进行时序关联分析。性能指标间时序关联特征提取单元132使用基于卷积神经网络模型的性能指标时序关联模式特征提取器，对性能指标时序输入矩阵进行处理，提取性能指标间的时序关联特征，它将矩阵作为输入，并通过卷积神经网络模型学习和提取出性能指标之间的时序关联特征，这些特征可以是用于描述性能指标之间关系的抽象表示，例如相关性、趋势、周期性等。综合来说，这两个单元共同组成了性能数据时序关联分析模块，用于分析性能指标之间的时序关联关系。首先，性能指标间时序关联矩阵构造单元将性能指标按时间维度和性能指标样本维度排列为时序输入矩阵。然后，性能指标间时序关联特征提取单元使用卷积神经网络模型提取出性能指标间的时序关联特征。
值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构的数据。卷积神经网络的核心思想是通过卷积层、池化层和全连接层等组件来提取输入数据的特征并进行分类或回归。卷积层（ConvolutionalLayer）是CNN的核心组件，通过应用一系列的卷积核（也称为滤波器）对输入数据进行卷积操作来提取特征。卷积操作可以捕捉输入数据的局部空间关系，例如图像中的边缘、纹理等特征。每个卷积核在输入数据上滑动，并计算与之对应的局部区域的内积，生成一个特征图。池化层（Pooling Layer）用于减小特征图的空间尺寸，同时保留重要的特征信息。常见的池化操作包括最大池化（Max Pooling）和平均池化（Average Pooling），它们分别选择局部区域中的最大值或平均值作为池化后的值。池化操作可以减少数据的维度，提高模型的计算效率，并具有一定的平移不变性。全连接层（Fully Connected Layer）将前面的卷积和池化层提取的特征进行展平，并通过一系列的全连接层进行分类或回归。全连接层中的每个神经元都与前一层的所有神经元相连，它们的权重用于学习输入特征与输出标签之间的关系。卷积神经网络通过多个卷积层和池化层的堆叠，逐渐提取输入数据的高级特征表示。这些特征表示传递到全连接层进行分类或回归任务。通过反向传播算法，卷积神经网络可以自动学习特征提取和分类的参数，从而实现对复杂数据的有效建模和预测。
进一步地，对于所述被监测汇聚分流设备的流量值来说，其在时间维度上也具有着时序的动态变化规律，也就是说，所述多个预定时间点的流量值之间具有着时序的关联特征。因此，在本申请的技术方案中，进一步将所述多个预定时间点的流量值按照时间维度排列为流量时序输入向量后通过基于一维卷积层的流量时序特征提取器中进行特征挖掘，以提取出所述流量值在时间维度上的时序动态变化特征信息，从而得到流量时序特征向量。
相应地，所述流量数据时序分析模块140，用于：将所述多个预定时间点的流量值按照时间维度排列为流量时序输入向量后通过基于一维卷积层的流量时序特征提取器以得到流量时序特征向量作为所述流量时序特征。应可以理解，一维卷积层（One-Dimensional Convolutional Layer）是卷积神经网络中的一种特殊类型的层，用于处理一维序列数据，如时间序列或信号数据，它在流量数据时序分析模块中起到提取流量时序特征的作用。一维卷积层与二维卷积层（常用于图像处理）类似，但是在处理一维数据时，卷积核只在一个维度上滑动。一维卷积层通过在输入序列上应用一系列的卷积核，对局部区域进行卷积操作，从而提取出输入序列的特征。一维卷积层在流量时序分析中的主要作用是捕捉输入流量数据的局部模式和时序特征。通过卷积操作，一维卷积层可以识别序列中的重要模式，例如突变、趋势、周期性等。卷积核的大小和数量可以根据具体任务和数据特征进行调整，以捕捉不同尺度和抽象级别的特征。一维卷积层通常与其他类型的层（如池化层和全连接层）结合使用，形成一个完整的流量时序分析模块。通过堆叠多个卷积层和其他层，模型可以逐渐提取输入流量数据的高级特征表示，并进行分类、预测或其他相关任务。总之，一维卷积层在流量数据时序分析中是一种用于提取流量时序特征的关键组件。它通过在输入序列上进行卷积操作，捕捉局部模式和时序特征，为后续的分析和决策提供有用的特征表示。
接着，考虑到流量和性能指标是汇聚分流设备运行状态和性能表现的两个重要方面。并且，所述性能指标间时序关联特征图表示设备性能指标的各个数据项之间的时序关联特征信息，所述流量时序特征向量表示设备流量的时序变化特征信息。流量的变化会对设备性能指标产生影响，而性能指标的异常还会导致流量的变化。因此，为了综合考虑流量和性能指标之间的关系，进一步分析设备的运行状态和性能表现，在本申请的技术方案中，进一步将所述性能指标间时序关联特征图和所述流量时序特征向量通过MetaNet融合模块以得到流量时序特征约束性能指标时序特征图。特别地，通过所述MetaNet融合模块的特征融合，能够基于所述流量时序特征向量的流量值时序特征分布来对所述性能指标间时序关联特征图的通道分布进行约束，从而使得所述性能指标间时序关联特征图在通道维度上遵循流量值的时序分布。这样，能够更准确地刻画设备的运行状态和性能表现，以更全面地分析设备的运行情况。
相应地，所述特征融合模块150，用于：将所述性能指标间时序关联特征图和所述流量时序特征向量通过MetaNet融合模块以得到流量时序特征约束性能指标时序特征图作为所述流量时序特征约束性能指标时序特征。
继而，再将所述流量时序特征约束性能指标时序特征图通过分类器以得到分类结果，所述分类结果用于表示被监测汇聚分流设备的运行状态是否异常。也就是说，利用经过所述汇聚分流设备的流量时序特征约束后的设备性能指标间时序关联特征信息来进行分类处理，以此来对于该汇聚分流设备的运行状态进行检测判断，并显示所述检测结果且响应于所述检测结果为被监测汇聚分流设备的运行状态异常，生成并显示预警提示。通过这样的方式，能够实时监控汇聚分流设备的运行状态，分析设备的性能和故障，提供优化建议和预警提示，并将这些数据可视化展示给运维人员，以便及时对于异常设备状态采取相应措施，从而减少了人工巡检和手动分析的工作量，提高汇聚分流设备的运维效率。
相应地，如图3所示，所述状态检测显示模块160，包括：汇聚分流设备运行状态检测单元161，用于将所述流量时序特征约束性能指标时序特征图通过分类器以得到分类结果，所述分类结果用于表示被监测汇聚分流设备的运行状态是否异常；以及，结果显示单元162，用于显示所述分类结果且响应于所述分类结果为被监测汇聚分流设备的运行状态异常，生成并显示预警提示。
其中，所述汇聚分流设备运行状态检测单元161，进一步用于：将所述流量时序特征约束性能指标时序特征图按照行向量或者列向量展开为分类特征向量；使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是，在本申请的技术方案中，所述分类器的标签包括被监测汇聚分流设备的运行状态异常(第一标签)，以及，被监测汇聚分流设备的运行状态没有异常(第二标签)，其中，所述分类器通过软最大值函数来确定所述流量时序特征约束性能指标时序特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监测汇聚分流设备的运行状态是否异常”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监测汇聚分流设备的运行状态是否异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监测汇聚分流设备的运行状态是否异常”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
进一步地，在本申请的技术方案中，所述的汇聚分流设备的可视化运维系统，其还包括用于对所述基于卷积神经网络模型的性能指标时序关联模式特征提取器、所述基于一维卷积层的流量时序特征提取器、所述MetaNet融合模块和所述分类器进行训练的训练模块。应可以理解，训练模块在汇聚分流设备的可视化运维系统中起到关键作用。它用于对基于卷积神经网络模型的性能指标时序关联模式特征提取器、基于一维卷积层的流量时序特征提取器、MetaNet融合模块和分类器进行训练。训练模块的主要功能是通过使用已标记的训练数据来学习模型的参数和权重，使模型能够准确地对新的输入进行预测和分类。具体而言，训练模块执行以下任务：1.数据准备：训练模块负责准备训练数据，包括性能指标时序数据和流量时序数据。这些数据需要经过预处理和标记，以便用于模型训练。2.特征提取器训练：训练模块对基于卷积神经网络模型的性能指标时序关联模式特征提取器和基于一维卷积层的流量时序特征提取器进行训练。通过反向传播算法和优化器，模型的参数和权重会根据训练数据进行调整，以使模型能够从输入数据中有效地提取关键特征。3.MetaNet融合模块训练：MetaNet融合模块是用于将不同特征提取器的输出进行融合的模块。训练模块负责训练MetaNet模块的参数和权重，以使其能够根据不同特征的重要性进行适当的融合。4.分类器训练：训练模块还负责对分类器进行训练，以使其能够根据提取的特征对输入数据进行准确的分类或预测。分类器可以是常见的机器学习算法，如支持向量机（SVM）、随机森林（Random Forest）或深度学习模型中的全连接层等。通过训练模块的训练过程，模型可以学习到数据中的模式和特征，并能够根据这些特征进行准确的预测和分类。这样，汇聚分流设备的可视化运维系统就可以根据训练模块训练出的模型进行实时的性能分析、故障检测和预测等任务。
其中，在一个示例中，所述训练模块，包括：训练数据采集单元，用于获取训练数据，所述训练数据包括被监测汇聚分流设备在预定时间段内多个预定时间点的训练流量值和训练性能指标，其中，所述训练性能指标包括训练CPU利用率、训练内存使用情况和训练网络带宽利用率，以及，所述被监测汇聚分流设备的运行状态是否异常的真实值；训练性能指标排列单元，用于将所述多个预定时间点的训练性能指标按照时间维度和性能指标样本维度排列为训练性能指标时序输入矩阵；训练性能指标时序特征提取单元，用于将所述训练性能指标时序输入矩阵通过所述基于卷积神经网络模型的性能指标时序关联模式特征提取器以得到训练性能指标间时序关联特征图；训练流量时序特征提取单元，用于将所述多个预定时间点的训练流量值按照时间维度排列为训练流量时序输入向量后通过所述基于一维卷积层的流量时序特征提取器以得到训练流量时序特征向量；训练特征约束融合单元，用于将所述训练性能指标间时序关联特征图和所述训练流量时序特征向量通过所述MetaNet融合模块以得到训练流量时序特征约束性能指标时序特征图；特征图优化单元，用于对所述训练流量时序特征约束性能指标时序特征图进行优化以得到优化训练流量时序特征约束性能指标时序特征图；分类损失单元，用于将所述优化训练流量时序特征约束性能指标时序特征图通过所述分类器以得到分类损失函数值；以及，模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的性能指标时序关联模式特征提取器、所述基于一维卷积层的流量时序特征提取器、所述MetaNet融合模块和所述分类器进行训练。
特别地，在本申请的技术方案中，所述训练性能指标间时序关联特征图的各个特征矩阵表达性能指标在时序-样本交叉维度上的局部关联特征，而其各个特征矩阵之间遵循所述性能指标时序关联模式特征提取器的卷积神经网络模型的通道分布，而所述训练流量时序特征向量表达流量值的一维时序分布。由此，将所述训练性能指标间时序关联特征图和所述训练流量时序特征向量通过MetaNet融合模块后，会基于所述训练流量时序特征向量的流量值时序特征分布来对所述训练性能指标间时序关联特征图的通道分布进行约束，从而使得所述训练流量时序特征约束性能指标时序特征图在通道维度上遵循流量值的时序分布，由此，所述训练流量时序特征约束性能指标时序特征图在整体的时序特征表达维度上，仍然具有时序-样本交叉维度下的多维度上下文时序关联分布性质，从而导致所述训练流量时序特征约束性能指标时序特征图的特征矩阵间的通道分布相关性变差，使得所述训练流量时序特征约束性能指标时序特征图通过分类器进行分类回归训练时，需要提升所述训练流量时序特征约束性能指标时序特征图的通道维度特征分布整体性。
因此，本申请首先对所述训练流量时序特征约束性能指标时序特征图进行线性变换以使得特征矩阵的宽度和高度相等，然后对转换后的训练流量时序特征约束性能指标时序特征图进行基于特征矩阵的优化。
其中，在一个示例中，所述特征图优化单元，包括：对所述训练流量时序特征约束性能指标时序特征图进行线性变换以得到转换后的训练流量时序特征约束性能指标时序特征图，所述转换后的训练流量时序特征约束性能指标时序特征图的特征矩阵的宽度和高度相等；对转换后的训练流量时序特征约束性能指标时序特征图进行基于特征矩阵的优化以得到优化训练流量时序特征约束性能指标时序特征图。
其中，在一个示例中，对转换后的训练流量时序特征约束性能指标时序特征图进行基于特征矩阵的优化以得到优化训练流量时序特征约束性能指标时序特征图，包括：以如下优化公式对转换后的训练流量时序特征约束性能指标时序特征图进行基于特征矩阵的优化以得到所述优化训练流量时序特征约束性能指标时序特征图；其中，所述公式为：
其中，和/>分别是所述转换后的训练流量时序特征约束性能指标时序特征图的沿通道方向的第/>和第/>位置的特征矩阵，且/>是尺度调节超参数，/>表示矩阵的转置，/>表示矩阵相乘，/>表示矩阵的按位置点乘，/>表示矩阵的按位置相加，/>是所述优化训练性能指标间时序关联特征图的沿通道方向的第/>位置的特征矩阵。
这里，通过所述转换后的训练流量时序特征约束性能指标时序特征图的具有通道相邻分布的特征矩阵的递进式结构化嵌入计算，来在高维特征空间内预测所述转换后的训练流量时序特征约束性能指标时序特征图的局部特征分布沿通道的耦合分布方向，从而以分布递进中心为基础来确定基于通道耦合的迭代生成的传递图式表示，以经由细化所述转换后的训练流量时序特征约束性能指标时序特征图整体沿通道维度由下而上的投影规范化提议的方式，来重建所述转换后的训练流量时序特征约束性能指标时序特征图的以特征矩阵的场景布局为基础的上下文关系，从而提升所述转换后的训练流量时序特征约束性能指标时序特征图的特征表示的通道维度整体性，以提升模型整体的训练效率。这样，能够基于汇聚分流设备的网络流量和性能指标信息来进行设备运行状态的实时监测，以判断汇聚分流设备是否存在故障和异常，并进行异常预警且将这些数据可视化展示给运维人员，以便能够及时对于异常设备状态采取相应措施，从而提高了汇聚分流设备的运维效率和质量。
进一步地，所述分类损失单元，用于：使用所述分类器以如下训练损失公式对所述优化训练流量时序特征约束性能指标时序特征图进行处理以生成训练分类结果，其中，所述训练损失公式为：，其中，/>表示将所述优化训练流量时序特征约束性能指标时序特征图投影为向量，/>至/>为各层全连接层的权重矩阵，/>至/>表示各层全连接层的偏置矩阵；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
综上，基于本申请实施例的汇聚分流设备的可视化运维系统100被阐明，其可以提高汇聚分流设备的运维效率。
如上所述，根据本申请实施例的所述汇聚分流设备的可视化运维系统100可以实现在各种终端设备中，例如具有汇聚分流设备的可视化运维算法的服务器等。在一个示例中，汇聚分流设备的可视化运维系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该汇聚分流设备的可视化运维系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该汇聚分流设备的可视化运维系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该汇聚分流设备的可视化运维系统100与该终端设备也可以是分立的设备，并且该汇聚分流设备的可视化运维系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4示出根据本申请的实施例的汇聚分流设备的可视化运维方法的流程图。图5示出根据本申请的实施例的汇聚分流设备的可视化运维方法的系统架构的示意图。如图4和图5所示，根据本申请实施例的汇聚分流设备的可视化运维方法，其包括：S110，获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值；S120，获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率；S130，对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征；S140，对所述多个预定时间点的流量值进行时序分析以得到流量时序特征；S150，基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征；以及，S160，基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示。
在一种可能的实现方式中，对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征，包括：将所述多个预定时间点的性能指标按照时间维度和性能指标样本维度排列为性能指标时序输入矩阵；以及，将所述性能指标时序输入矩阵通过基于卷积神经网络模型的性能指标时序关联模式特征提取器以得到性能指标间时序关联特征图作为所述性能指标间时序关联特征。
这里，本领域技术人员可以理解，上述汇聚分流设备的可视化运维方法中的各个步骤的具体操作已经在上面参考图1到图3的汇聚分流设备的可视化运维系统的描述中得到了详细介绍，并因此，将省略其重复描述。
图6示出根据本申请的实施例的汇聚分流设备的可视化运维系统的应用场景图。如图6所示，在该应用场景中，首先，获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值（例如，图6中所示意的D1），以及，所述被监测汇聚分流设备在所述多个预定时间点的性能指标（例如，图6中所示意的D2），然后，将所述多个预定时间点的性能指标和所述多个预定时间点的流量值输入至部署有汇聚分流设备的可视化运维算法的服务器（例如，图6中所示意的S）中，其中，所述服务器能够使用所述汇聚分流设备的可视化运维算法对所述多个预定时间点的性能指标和所述多个预定时间点的流量值进行处理以得到用于表示被监测汇聚分流设备的运行状态是否异常的分类结果。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种汇聚分流设备的可视化运维系统，其特征在于，包括：
流量数据采集模块，用于获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值；
性能数据采集模块，用于获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率；
性能数据时序关联分析模块，用于对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征；
流量数据时序分析模块，用于对所述多个预定时间点的流量值进行时序分析以得到流量时序特征；
特征融合模块，用于基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征；以及
状态检测显示模块，用于基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示；
其中，所述性能数据时序关联分析模块，包括：
性能指标间时序关联矩阵构造单元，用于将所述多个预定时间点的性能指标按照时间维度和性能指标样本维度排列为性能指标时序输入矩阵；以及
性能指标间时序关联特征提取单元，用于将所述性能指标时序输入矩阵通过基于卷积神经网络模型的性能指标时序关联模式特征提取器以得到性能指标间时序关联特征图作为所述性能指标间时序关联特征；
其中，所述流量数据时序分析模块，用于：将所述多个预定时间点的流量值按照时间维度排列为流量时序输入向量后通过基于一维卷积层的流量时序特征提取器以得到流量时序特征向量作为所述流量时序特征；
其中，所述特征融合模块，用于：将所述性能指标间时序关联特征图和所述流量时序特征向量通过MetaNet融合模块以得到流量时序特征约束性能指标时序特征图作为所述流量时序特征约束性能指标时序特征。
2.根据权利要求1所述的汇聚分流设备的可视化运维系统，其特征在于，所述状态检测显示模块，包括：
汇聚分流设备运行状态检测单元，用于将所述流量时序特征约束性能指标时序特征图通过分类器以得到分类结果，所述分类结果用于表示被监测汇聚分流设备的运行状态是否异常；以及
结果显示单元，用于显示所述分类结果且响应于所述分类结果为被监测汇聚分流设备的运行状态异常，生成并显示预警提示。
3.根据权利要求2所述的汇聚分流设备的可视化运维系统，其特征在于，还包括用于对所述基于卷积神经网络模型的性能指标时序关联模式特征提取器、所述基于一维卷积层的流量时序特征提取器、所述MetaNet融合模块和所述分类器进行训练的训练模块。
4.根据权利要求3所述的汇聚分流设备的可视化运维系统，其特征在于，所述训练模块，包括：
训练数据采集单元，用于获取训练数据，所述训练数据包括被监测汇聚分流设备在预定时间段内多个预定时间点的训练流量值和训练性能指标，其中，所述训练性能指标包括训练CPU利用率、训练内存使用情况和训练网络带宽利用率，以及，所述被监测汇聚分流设备的运行状态是否异常的真实值；
训练性能指标排列单元，用于将所述多个预定时间点的训练性能指标按照时间维度和性能指标样本维度排列为训练性能指标时序输入矩阵；
训练性能指标时序特征提取单元，用于将所述训练性能指标时序输入矩阵通过所述基于卷积神经网络模型的性能指标时序关联模式特征提取器以得到训练性能指标间时序关联特征图；
训练流量时序特征提取单元，用于将所述多个预定时间点的训练流量值按照时间维度排列为训练流量时序输入向量后通过所述基于一维卷积层的流量时序特征提取器以得到训练流量时序特征向量；
训练特征约束融合单元，用于将所述训练性能指标间时序关联特征图和所述训练流量时序特征向量通过所述MetaNet融合模块以得到训练流量时序特征约束性能指标时序特征图；
特征图优化单元，用于对所述训练流量时序特征约束性能指标时序特征图进行优化以得到优化训练流量时序特征约束性能指标时序特征图；
分类损失单元，用于将所述优化训练流量时序特征约束性能指标时序特征图通过所述分类器以得到分类损失函数值；以及
模型训练单元，用于基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于卷积神经网络模型的性能指标时序关联模式特征提取器、所述基于一维卷积层的流量时序特征提取器、所述MetaNet融合模块和所述分类器进行训练。
5.根据权利要求4所述的汇聚分流设备的可视化运维系统，其特征在于，所述分类损失单元，用于：使用所述分类器以如下训练损失公式对所述优化训练流量时序特征约束性能指标时序特征图进行处理以生成训练分类结果，其中，所述训练损失公式为：，其中，/>表示将所述优化训练流量时序特征约束性能指标时序特征图投影为向量，/>至/>为各层全连接层的权重矩阵，/>至表示各层全连接层的偏置矩阵；以及，计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
6.一种汇聚分流设备的可视化运维方法，其特征在于，包括：
获取被监测汇聚分流设备在预定时间段内多个预定时间点的流量值；
获取所述被监测汇聚分流设备在所述多个预定时间点的性能指标，其中，所述性能指标包括CPU利用率、内存使用情况和网络带宽利用率；
对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征；
对所述多个预定时间点的流量值进行时序分析以得到流量时序特征；
基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征；以及
基于所述流量时序特征约束性能指标时序特征，确定被监测汇聚分流设备的运行状态是否异常并进行显示；
其中，对所述多个预定时间点的性能指标进行时序协同分析以得到性能指标间时序关联特征，包括：
将所述多个预定时间点的性能指标按照时间维度和性能指标样本维度排列为性能指标时序输入矩阵；以及
将所述性能指标时序输入矩阵通过基于卷积神经网络模型的性能指标时序关联模式特征提取器以得到性能指标间时序关联特征图作为所述性能指标间时序关联特征；
其中，对所述多个预定时间点的流量值进行时序分析以得到流量时序特征，包括：将所述多个预定时间点的流量值按照时间维度排列为流量时序输入向量后通过基于一维卷积层的流量时序特征提取器以得到流量时序特征向量作为所述流量时序特征；
其中，基于所述流量时序特征对所述性能指标间时序关联特征进行特征约束融合分析以得到流量时序特征约束性能指标时序特征，包括：将所述性能指标间时序关联特征图和所述流量时序特征向量通过MetaNet融合模块以得到流量时序特征约束性能指标时序特征图作为所述流量时序特征约束性能指标时序特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410056615.XA CN117579513B (zh) | 2024-01-16 | 2024-01-16 | 汇聚分流设备的可视化运维系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410056615.XA CN117579513B (zh) | 2024-01-16 | 2024-01-16 | 汇聚分流设备的可视化运维系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117579513A CN117579513A (zh) | 2024-02-20 |
| CN117579513B true CN117579513B (zh) | 2024-04-02 |
Family
ID=89886568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410056615.XA Active CN117579513B (zh) | 2024-01-16 | 2024-01-16 | 汇聚分流设备的可视化运维系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117579513B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117830646B (zh) * | 2024-03-06 | 2024-10-29 | 陕西天润科技股份有限公司 | 一种基于立体影像快速提取建筑物顶部高程的方法 |
| CN117943213B (zh) * | 2024-03-27 | 2024-06-04 | 浙江艾领创矿业科技有限公司 | 微泡浮选机的实时监测预警系统及方法 |
| CN118376622A (zh) * | 2024-04-12 | 2024-07-23 | 东莞市冠一塑料容器有限公司 | 一种阻燃食品瓶质量监测分析方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN115456044A (zh) * | 2022-08-22 | 2022-12-09 | 浙江工业大学 | 一种基于知识图谱多集池化的装备健康状态评估方法 |
| CN116611013A (zh) * | 2023-04-14 | 2023-08-18 | 西安电子科技大学青岛计算技术研究院 | 针对工业时序数据的异常检测以及根因分析方法及系统 |
| CN117113218A (zh) * | 2023-08-04 | 2023-11-24 | 杭州国辰智企科技有限公司 | 可视化的数据分析系统及其方法 |
| CN117390529A (zh) * | 2023-11-03 | 2024-01-12 | 深圳市优斯玛信息技术有限公司 | 多因素溯源的数据中台信息管理方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115688053B (zh) * | 2022-12-30 | 2023-08-11 | 速度科技股份有限公司 | 一种基于数据融合矿山环境动态监测管理方法及系统 |
| CN116486565A (zh) * | 2023-04-25 | 2023-07-25 | 西安科技大学 | 一种煤自燃多元信息监测预警系统及方法 |
-
2024
- 2024-01-16 CN CN202410056615.XA patent/CN117579513B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN115456044A (zh) * | 2022-08-22 | 2022-12-09 | 浙江工业大学 | 一种基于知识图谱多集池化的装备健康状态评估方法 |
| CN116611013A (zh) * | 2023-04-14 | 2023-08-18 | 西安电子科技大学青岛计算技术研究院 | 针对工业时序数据的异常检测以及根因分析方法及系统 |
| CN117113218A (zh) * | 2023-08-04 | 2023-11-24 | 杭州国辰智企科技有限公司 | 可视化的数据分析系统及其方法 |
| CN117390529A (zh) * | 2023-11-03 | 2024-01-12 | 深圳市优斯玛信息技术有限公司 | 多因素溯源的数据中台信息管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于层级时序记忆模型的变压器异常监测方法;杨刚等;《理论与方法》;20230915;第42卷(第9期);第66-73页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117579513A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117579513B (zh) | 汇聚分流设备的可视化运维系统及其方法 | |
| CN105279365B (zh) | 用于学习异常检测的样本的方法 | |
| CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
| CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
| Huang et al. | Machine fault detection for intelligent self-driving networks | |
| CN110609524A (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
| CN117375237B (zh) | 基于数字孪生技术变电站运维方法及系统 | |
| CN116893336B (zh) | 高低压开关设备及其方法 | |
| CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
| CN117349583A (zh) | 用于低温液体储罐的智能检测方法及系统 | |
| CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
| CN116700193A (zh) | 工厂车间智能化监控管理系统及其方法 | |
| CN117557127A (zh) | 电网调度系统支撑平台可靠性评估方法、系统及存储介质 | |
| Tripathy et al. | Explaining Anomalies in Industrial Multivariate Time-series Data with the help of eXplainable AI | |
| KR102366787B1 (ko) | 슬라이딩 윈도우 기법을 이용한 제조설비의 실시간 다변량 이상감지 시스템 | |
| CN118313643B (zh) | 一种粒粒果饮料的全流程生产监测管理方法及系统 | |
| CN117951646A (zh) | 一种基于边缘云的数据融合方法及系统 | |
| CN117768367A (zh) | 光网络的流量监控系统及其方法 | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
| CN116523711A (zh) | 基于人工智能的教育监管系统及其方法 | |
| CN114494766A (zh) | 基于混合深度学习模型的道岔故障诊断方法 | |
| CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |