CN117611138A - 一种运维设备的异常检测方法、装置以及电子设备 - Google Patents
一种运维设备的异常检测方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN117611138A CN117611138A CN202311620396.5A CN202311620396A CN117611138A CN 117611138 A CN117611138 A CN 117611138A CN 202311620396 A CN202311620396 A CN 202311620396A CN 117611138 A CN117611138 A CN 117611138A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- abnormality
- anomaly
- abnormal
- factor
- 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 306
- 230000005856 abnormality Effects 0.000 title claims abstract description 201
- 238000001514 detection method Methods 0.000 title claims abstract description 116
- 230000002159 abnormal effect Effects 0.000 claims abstract description 119
- 230000001364 causal effect Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 9
- 230000036541 health Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 102000003712 Complement factor B Human genes 0.000 description 5
- 108090000056 Complement factor B Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种运维设备的异常检测方法、装置以及电子设备。该方法包括:获取运维设备的运维系统的运维决策信息;根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数;其中,异常因子树包括导致预设异常出现的至少一个异常因子之间的因果关系;根据异常次数,确定异常检测结果。采用本申请技术方案,使得在获取到运维决策信息后,可以根据异常因子树确定在当前运维决策信息的情况下,出现预设异常的异常次数,从而确定当前运维决策信息下的异常检测结果,从而确定出运维决策信息是否满足运维人员的运维需求,帮助运维人员更好的评估确定的运维决策信息,进而促进运维设备的健康和有效的运行。
Description
技术领域
本发明涉及设备设施风险管理技术领域,尤其涉及一种运维设备的异常检测方法、装置以及电子设备。
背景技术
随着运维设备的复杂化,运维设备的风险管理的重要性逐渐凸显。以往通过出现设备异常后,进行设备更替或维修,并依据运维人员的工作经验判断运维设备的风险管理方法,在复杂多变的现代环境中已不再适用。
而仅通过获取可能导致设备异常的异常因子,确定运维设备的异常时,由容易忽略异常因子间的因果关系,导致判断结果具有较大偏差,因此急需一种在对运维设备的异常发生进行判断时,考虑异常因子间的因果关系的确定方法。
发明内容
本发明提供了一种运维设备的异常检测方法、装置以及电子设备,以解决对设备进行运维时,由于不同异常的相互影响而无法对某一异常的发生进行准确判断的问题。
根据本发明的一方面,提供了一种运维设备的异常检测方法,该方法包括:
获取运维设备的运维系统的运维决策信息;
根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数;其中,异常因子树包括导致预设异常出现的至少一个异常因子之间的因果关系;
根据异常次数,确定异常检测结果。
根据本发明的另一方面,提供了一种运维设备的异常检测装置,该装置包括:
决策信息获取模块,用于获取运维设备的运维系统的运维决策信息;
异常次数确定模块,用于根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数;其中,异常因子树包括导致预设异常出现的至少一个异常因子之间的因果关系;
检测结果确定模块,用于根据异常次数,确定异常检测结果。
根据本发明的另一方面,提供了一种电子设备,电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的一种运维设备的异常检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的一种运维设备的异常检测方法。
本发明实施例的技术方案,通过获取运维设备的运维系统的运维决策信息,根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数,以及根据异常次数,确定异常检测结果,使得在获取到运维决策信息后,可以根据异常因子树确定在当前运维决策信息的情况下,出现预设异常的异常次数,从而确定当前运维决策信息下的异常检测结果,从而确定出运维决策信息是否满足运维人员的运维需求,帮助运维人员更好的评估确定的运维决策信息,进而促进运维设备的健康和有效的运行。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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。
图1是根据本发明实施例一提供的一种运维设备的异常检测方法的流程图;
图2是根据本发明实施例二提供的另一种运维设备的异常检测方法的流程图;
图3是根据本发明实施例三提供的一种运维设备的异常检测装置的结构示意图;
图4是实现本发明实施例的一种运维设备的异常检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必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,以便这里描述的本发明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,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种运维设备的异常检测方法的流程图,本实施例可适用于对设备进行运维时,由于不同异常的相互影响而无法对某一异常的发生进行准确判断的情况,该方法可以由运维设备的异常检测装置来执行,该运维设备的异常检测装置可以采用硬件和/或软件的形式实现,该运维设备的异常检测装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110、获取运维设备的运维系统的运维决策信息。
运维设备可以是需要进行计算出现预设异常的次数的设备。运维系统可以是运维设备所运行的包含其他运维设备或运维设备上的部件所构成的用于运维的系统。预设异常可以是由运维人员预先设定的,运维人员所关注的异常,包括但不限于短路、失火以及漏电等。运维决策信息可以是对运维设备进行运维时的具体决策,包括但不限于异常检测时间、运维设备运维频率、运维设备运维决策、至少一个异常因子概率以及运维时间等。其中,异常检测时间可以是对运维设备的异常进行检测的时间。运维设备运维频率可以是对运维设备进行运维时,单位时间内运维的次数。运维设备运维决策可以是对运维设备进行运维时,所选的运维决策,包括但不限于观测、更换以及维修等。异常因子概率可以是异常因子发生的概率。其中,异常因子可以是导致预设异常出现的异常,包括但不限于火灾以及漏水等。
根据运维人员的运维经验以及以往的运维资料,可以构建起对运维设备进行运维时的运维决策信息。其中,运维资料可以是运维设备在历史运行过程的运行状态。
S120、根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数;其中,异常因子树包括导致预设异常出现的至少一个异常因子之间的因果关系。
因果关系可以是用以表示异常因子与预设异常之间的因果顺序关系。
示例性的,在确定异常因子A与异常因子B以及预设异常C后,由于异常因子A的出现而导致异常因子B的发生,最终导致预设异常C的出现,从而得到A导致B导致C的因果关系。此外,预设异常C可能由多个异常因子所直接导致。
除了上述的A导致B导致C的因果关系之外,还有可能出现需要异常因子A与异常因子B共同发生导致预设异常C的出现,则存在A与B导致C的因果关系。
此外,还可能出现异常因子A出现即可导致预设异常C的出现,以及异常因子B出现也可导致预设异常C的出现,则出现A或B导致C的因果关系。
同理可得,异常因子之间也包含上述关系。
在得到运维设备的运维决策信息后,根据预先构建的异常因子树,可以可以确定出导致预设异常出现的因果关系,并根据运维决策信息确定所要判断预设异常的时间,并从依据异常因子间的因果关系与异常因子所出现的概率,确定出预设异常的发生概率,从而确定出运维设备在异常检测时间内出现预设异常的异常次数。
在一种可选方案中,异常因子树的构建过程,可包括步骤A1-A4:
步骤A1、获取运维设备的运维系统的设备历史运行状态。
步骤A2、根据设备历史运行状态,确定导致运维设备出现预设异常的至少一个异常因子。
步骤A3、将预设异常作为根节点,将至少一个异常因子作为叶子节点。
步骤A4、根据根节点和叶子节点之间的因果关系确定连接关系,得到异常因子树。
设备历史运行状态可以是运维设备在历史运行过程中的运行状态,包括但不限于出现预设异常时的设备状态,平均每次出现预设异常的时间等。
根据设备历史运行状态,可以判断每次出现预设异常时,与预设异常共同出现以及在预设异常之前以及之后出现的候选异常因子,并根据运维人员的运维经验以及专家访谈等方式,从候选异常因子确定出能够导致预设异常出现的异常因子。其中,候选异常因子可以是随着预设异常同时出现以及在预设异常出现前以及之后出现的与预设异常不同的异常。此外,异常因子中,可以包括导致运维设备老化,性能下降的因素,也包括由于自然力等造成的与运维设备自身无关的因素。
为保证异常因子与预设异常,以及异常因子与异常因子之间的因果关系更为清晰,将预设异常作为根节点,将至少一个异常因子作为叶子节点,通过异常因子之间的因果关系,以及异常因子与预设异常之间的因果关系作为连接关系,确定异常因子树。
在一种可选方案中,根据根节点和叶子节点之间的因果关系确定连接关系,得到异常因子树,可包括B1-B2:
步骤B1、根据设备历史运行状态,确定叶子节点之间的因子因果关系,以及叶子节点与根节点之间的异常因果关系。
步骤B2、根据因子因果关系以及异常因果关系,确定根节点与叶子节点之间的连接关系,得到异常因子树。
因子因果关系可以是异常因子之间的因果关系。异常因果关系可以是异常因子与预设异常之间的因果关系。
根据设备历史运行状态,可以确定异常因子之间的因果关系,如S120中举例,异常因子之间也包含举例关系,因此可以确定异常因子之间的因子因果关系。并确定出直接导致预设异常的异常因子,以及该异常因子与预设异常之间的异常因果关系。并在最终确定出根节点与根节点之间的连接关系,以及根节点与叶子节点之间的连接关系,得到异常因子树。
S130、根据异常次数,确定异常检测结果。
在确定了异常次数后,可以将异常次数作为异常检测结果。
根据本发明实施例的技术方案,通过获取运维设备的运维系统的运维决策信息,根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数,以及根据异常次数,确定异常检测结果,使得在获取到运维决策信息后,可以根据异常因子树确定在当前运维决策信息的情况下,出现预设异常的异常次数,从而确定当前运维决策信息下的异常检测结果,从而确定出运维决策信息是否满足运维人员的运维需求,帮助运维人员更好的评估确定的运维决策信息,进而促进运维设备的健康和有效的运行。
实施例二
图2为本发明实施例提供了另一种运维设备的异常检测方法的流程图,本实施例在上述实施例的基础上对前述实施例中根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数的过程进行进一步优化,本实施例可以与上述一个或多个实施例中各个可选方案进行结合。如图2所示,本实施例的运维设备的异常检测方法,可包括以下步骤:
S210、获取运维设备的运维系统的运维决策信息。
可选的,运维决策信息至少包括异常检测时间、运维设备运维频率、运维设备运维决策以及至少一个异常因子概率。
S220、根据至少一个异常因子概率,对异常因子树中各异常因子的异常概率进行确定,得到概率异常因子树。
由于异常因子树中包含了异常因子之间以及异常因子与预设异常间的因果关系,因此可以利用运维决策信息中的至少一个异常因子概率,对异常因子树中各异常因子的异常概率进行赋值,从而生成概率异常因子树。
其中,对于异常因子概率的确定,可以依赖工程经验或运维人员经验等对其进行确定,包括但不限于威布尔分布、指数分布以及均匀分布。
S230、根据概率异常因子树、异常检测时间、运维设备运维频率以及运维设备运维决策,确定异常次数。
在得到概率异常因子树后,可以根据异常检测时间确定所要对运维i数据进行判断的具体时长,并通过运维设备运维频率以及运维设备运维决策,确定每次运维的具体时间以及运维的具体决策,从而确定出异常次数。
在一种可选方案中,根据概率异常因子树、异常检测时间、运维设备运维频率以及运维设备运维决策,确定异常次数,可包括步骤C1-C2:
步骤C1、根据运维设备运维决策,确定与运维设备运维决策对应的至少一个目标异常因子,并确定至少一个目标异常因子的运维异常概率。
步骤C2、根据运维异常概率、概率异常因子树、异常检测时间以及运维设备运维频率,确定异常次数。
运维异常概率可以是通过运维设备运维决策对运维设备进行运维后,目标异常因子出现异常的异常概率。
由于在对运维设备进行运维后,目标异常因子出现异常的概率会发生变化,因此需要根据运维设备运维决策,确定与运维设备运维决策对应的至少一个目标异常因子,并重新确定目标异常因子出现异常的概率。并在运维前,通过概率异常因子树,对异常次数进行确定,在运维后,重新利用运维异常概率对概率异常因子树中的目标异常因子进行赋值,从而确定运维后的异常次数。并将运维前后的异常次数进行汇总,从而得到异常检测时间内预设异常的异常次数。
在一种可选方案中,根据运维异常概率、概率异常因子树、异常检测时间以及运维设备运维频率,确定异常次数,可包括步骤D1-D3:
步骤D1、根据运维设备运维频率以及异常检测时间,确定运维设备的运维系统的运维时间。
步骤D2、根据运维时间,对异常检测时间进行划分,得到至少一个检测时间段。
步骤D3、根据至少一个检测时间段、维修异常概率以及概率异常因子树,确定异常次数。
运维时间可以是在异常检测时间内,对运维设备进行运维的具体时间点。
由于在运维过程中每次运维都会影响目标异常因子出现异常的概率,因此需要确定出每次运维的具体时间点,因此需要根据运维设备运维频率以及异常检测时间,确定运维设备的运维系统的运维时间,并以运维时间为分界点,对异常检测时间进行划分,得到至少一个检测时间段。
针对不同的检测时间段,判断每一个检测时间段启示时刻的目标异常因子出现异常的概率,进而确定异常次数。
示例性的,异常检测时间为10年,运维设备运维频率为1次,则可以确定运维时间发生点为5年,进而将异常检测时间划分为前5年与后5年两个时间段,在前5年中,由于运维设备未进行运维,因此可以直接通过概率异常因子树,确定前5年中预设异常出现的次数。
在后5年中,由于中间出现了对运维设备的运维操作,因此,需要利用运维异常概率对概率异常因子树中目标异常因子进行赋值,从而计算后5年的预设异常出现的次数。
最终将前5年与后5年中预设异常出现的次数进行汇总,从而得到10年内的预设异常出现的次数。本发明并不限制如何通过运维时间,对异常检测时间进行划分。例如,可以将10年划分为4年与6年、3年与7年或6个月与9年零6个月等。
可选的,在对异常因子树中的异常因子的概率进行赋值时,也可以赋值概率密度。其中,在对运维设备进行更换时,则将概率密度恢复至初始点位,在对运维设备进行维修时,则通过可靠性工程中的平均故障时间,对异常因子树种的概率进行赋值。
在一种可选方案中,根据至少一个检测时间段、维修异常概率以及概率异常因子树,确定异常次数,可包括步骤E1-E3:
步骤E1、根据概率异常因子树与至少一个检测时间段,确定第一异常次数。
步骤E2、根据维修异常概率,对概率异常因子树进行更新,并根据更新结果与至少一个检测时间段,确定第二异常次数。
步骤E3、根据第一异常次数与第二异常次数,确定异常次数。
第一异常次数可以是在首个检测时间段内预设异常出现的次数。第二异常次数可以是在非首个检测时间段内预设异常出现的次数。
在得到至少一个检测时间段后,由于首个检测时间段内并未对运维设备进行运维,因此可以通过概率异常因子树与首个检测时间段内的时间长度,确定第一异常次数。
由于非首个检测时间段内已经对运维设备进行运维,因此需要通过维修异常概率,对概率异常因子树进行更新,并根据更新结果与至少一个检测时间段,确定第二异常次数。
并通过将第一异常次数与第二异常次数进行汇总,从而得到异常检测时间内出现预设异常的异常次。
S240、根据异常次数,确定异常检测结果。
根据本发明实施例的技术方案,通过根据至少一个异常因子概率,对异常因子树中各异常因子的异常概率进行确定,得到概率异常因子树,根据概率异常因子树、异常检测时间、运维设备运维频率以及运维设备运维决策,确定异常次数,使得在计算异常次数时,能够充分考虑每次对运维设备进行运维所带来的影响,从而提高了异常次数计算结果的准确性。
实施例三
图3为本发明实施例提供了一种运维设备的异常检测装置的结构框图,本实施例可适用于对设备进行运维时,由于不同异常的相互影响而无法对某一异常的发生进行准确判断的情形。该运维设备的异常检测装置可以采用硬件和/或软件的形式实现,该运维设备的异常检测装置可配置于具有数据处理能力的电子设备中。如图3所示,本实施例的运维设备的异常检测装置,可包括:决策信息获取模块310、异常次数确定模块320以及检测结果确定模块330。其中:
决策信息获取模块310,用于获取运维设备的运维系统的运维决策信息;
异常次数确定模块320,用于根据预先构建的异常因子树以及运维决策信息,确定运维设备在异常检测时间内出现预设异常的异常次数;其中,异常因子树包括导致预设异常出现的至少一个异常因子之间的因果关系;
检测结果确定模块330,用于根据异常次数,确定异常检测结果。
在上述实施例的基础上,可选的,异常因子树的构建模块,包括:
历史状态获取单元,用于获取运维设备的运维系统的设备历史运行状态;
异常引起确定单元,用于根据设备历史运行状态,确定导致运维设备出现预设异常的至少一个异常因子;
节点确定单元,用于将预设异常作为根节点,将至少一个异常因子作为叶子节点;
异常因子树确定单元,用于根据根节点和叶子节点之间的因果关系确定连接关系,得到异常因子树。
在上述实施例的基础上,可选的,异常因子树确定单元,包括:
异常因果确定子单元,用于根据设备历史运行状态,确定叶子节点之间的因子因果关系,以及叶子节点与根节点之间的异常因果关系;
异常因子树构建子单元,用于根据因子因果关系以及异常因果关系,确定根节点与叶子节点之间的连接关系,得到异常因子树。
在上述实施例的基础上,可选的,运维决策信息至少包括异常检测时间、运维设备运维频率、运维设备运维决策以及至少一个异常因子概率。
在上述实施例的基础上,可选的,异常次数确定模块320,包括:
概率因子树确定单元,用于根据至少一个异常因子概率,对异常因子树中各异常因子的异常概率进行确定,得到概率异常因子树;
异常次数计算单元,用于根据概率异常因子树、异常检测时间、运维设备运维频率以及运维设备运维决策,确定异常次数。
在上述实施例的基础上,可选的,异常次数计算单元,包括:
运维异常概率确定子单元,用于根据运维设备运维决策,确定与运维设备运维决策对应的至少一个目标异常因子,并确定至少一个目标异常因子的运维异常概率;
异常次数获取子单元,用于根据运维异常概率、概率异常因子树、异常检测时间以及运维设备运维频率,确定异常次数。
在上述实施例的基础上,可选的,异常次数获取子单元,包括:
运维时间确定子子单元,用于根据运维设备运维频率以及异常检测时间,确定运维设备的运维系统的运维时间;
检测时间段确定子子单元,用于根据运维时间,对异常检测时间进行划分,得到至少一个检测时间段;
次数确定子子单元,用于根据至少一个检测时间段、维修异常概率以及概率异常因子树,确定异常次数。
在上述实施例的基础上,可选的,次数确定子子单元,具体用于:
根据概率异常因子树与至少一个检测时间段,确定第一异常次数;
根据维修异常概率,对概率异常因子树进行更新,并根据更新结果与至少一个检测时间段,确定第二异常次数;
根据第一异常次数与第二异常次数,确定异常次数。
本发明实施例所提供的运维设备的异常检测装置可执行本发明任意实施例所提供的运维设备的异常检测方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如运维设备的异常检测方法。
在一些实施例中,运维设备的异常检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的运维设备的异常检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行运维设备的异常检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种运维设备的异常检测方法,其特征在于,包括:
获取运维设备的运维系统的运维决策信息;
根据预先构建的异常因子树以及所述运维决策信息,确定所述运维设备在异常检测时间内出现预设异常的异常次数;其中,所述异常因子树包括导致所述预设异常出现的至少一个异常因子之间的因果关系;
根据所述异常次数,确定异常检测结果。
2.根据权利要求1所述的方法,其特征在于,所述异常因子树的构建过程,包括:
获取所述运维设备的所述运维系统的设备历史运行状态;
根据所述设备历史运行状态,确定导致所述运维设备出现所述预设异常的所述至少一个异常因子;
将所述预设异常作为根节点,将所述至少一个异常因子作为叶子节点;
根据所述根节点和所述叶子节点之间的所述因果关系确定连接关系,得到所述异常因子树。
3.根据权利要求2所述的方法,其特征在于,根据所述根节点和所述叶子节点之间的所述因果关系确定连接关系,得到所述异常因子树,包括:
根据所述设备历史运行状态,确定所述叶子节点之间的因子因果关系,以及所述叶子节点与所述根节点之间的异常因果关系;
根据所述因子因果关系以及所述异常因果关系,确定所述根节点与所述叶子节点之间的连接关系,得到所述异常因子树。
4.根据权利要求1所述的方法,其特征在于,所述运维决策信息至少包括所述异常检测时间、运维设备运维频率、运维设备运维决策以及至少一个异常因子概率;
相应的,根据预先构建的异常因子树以及所述运维决策信息,确定所述运维设备在异常检测时间内出现预设异常的异常次数,包括:
根据所述至少一个异常因子概率,对所述异常因子树中各异常因子的异常概率进行确定,得到概率异常因子树;
根据所述概率异常因子树、所述异常检测时间、所述运维设备运维频率以及所述运维设备运维决策,确定所述异常次数。
5.根据权利要求4所述的方法,其特征在于,根据所述概率异常因子树、所述异常检测时间、所述运维设备运维频率以及所述运维设备运维决策,确定所述异常次数,包括:
根据所述运维设备运维决策,确定与所述运维设备运维决策对应的所述至少一个目标异常因子,并确定所述至少一个目标异常因子的运维异常概率;
根据所述运维异常概率、所述概率异常因子树、所述异常检测时间以及所述运维设备运维频率,确定所述异常次数。
6.根据权利要求5所述的方法,其特征在于,根据所述运维异常概率、所述概率异常因子树、所述异常检测时间以及所述运维设备运维频率,确定所述异常次数,包括:
根据所述运维设备运维频率以及所述异常检测时间,确定所述运维设备的所述运维系统的运维时间;
根据所述运维时间,对所述异常检测时间进行划分,得到至少一个检测时间段;
根据所述至少一个检测时间段、所述维修异常概率以及所述概率异常因子树,确定所述异常次数。
7.根据权利要求6所述的方法,其特征在于,根据所述至少一个检测时间段、所述维修异常概率以及所述概率异常因子树,确定所述异常次数,包括:
根据所述概率异常因子树与所述至少一个检测时间段,确定第一异常次数;
根据所述维修异常概率,对所述概率异常因子树进行更新,并根据更新结果与所述至少一个检测时间段,确定第二异常次数;
根据所述第一异常次数与所述第二异常次数,确定所述异常次数。
8.一种运维设备的异常检测装置,其特征在于,包括:
决策信息获取模块,用于获取运维设备的运维系统的运维决策信息;
异常次数确定模块,用于根据预先构建的异常因子树以及所述运维决策信息,确定所述运维设备在所述异常检测时间内出现预设异常的异常次数;其中,所述异常因子树包括导致所述预设异常出现的至少一个异常因子之间的因果关系;
检测结果确定模块,用于根据所述异常次数,确定异常检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的运维设备的异常检测方法。
10.一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指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的运维设备的异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620396.5A CN117611138A (zh) | 2023-11-30 | 2023-11-30 | 一种运维设备的异常检测方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311620396.5A CN117611138A (zh) | 2023-11-30 | 2023-11-30 | 一种运维设备的异常检测方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117611138A true CN117611138A (zh) | 2024-02-27 |
Family
ID=89957685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311620396.5A Pending CN117611138A (zh) | 2023-11-30 | 2023-11-30 | 一种运维设备的异常检测方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611138A (zh) |
-
2023
- 2023-11-30 CN CN202311620396.5A patent/CN117611138A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN115686910A (zh) | 一种故障分析方法、装置、电子设备及介质 | |
CN113592337A (zh) | 故障处理方法、装置、电子设备及存储介质 | |
CN113656252B (zh) | 故障定位方法、装置、电子设备以及存储介质 | |
CN113468021B (zh) | 监控性能数据的方法、装置、设备以及存储介质 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN117611138A (zh) | 一种运维设备的异常检测方法、装置以及电子设备 | |
CN113590287B (zh) | 任务处理方法、装置、设备、存储介质及调度系统 | |
CN115890684A (zh) | 一种机器人调度方法、装置、设备及介质 | |
CN114116288A (zh) | 故障处理方法、装置及计算机程序产品 | |
CN113014675A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN116185765B (zh) | 一种告警处理方法、装置、电子设备及存储介质 | |
CN116991620B (zh) | 一种解决方案确定方法、装置、设备及介质 | |
CN117611139A (zh) | 设备运维策略的确定方法、装置、电子设备及存储介质 | |
CN117389828A (zh) | 供电服务器管理方法、装置、系统、设备以及存储介质 | |
CN117471238A (zh) | 一种电网系统稳定性的确定方法、装置及电子设备 | |
CN116302796A (zh) | 一种进程监控方法、装置、电子设备及存储介质 | |
CN117009145A (zh) | 一种电网检修数据修复方法、装置、设备及存储介质 | |
CN115129538A (zh) | 一种事件处理方法、装置、设备及介质 | |
CN114706578A (zh) | 一种数据处理方法、装置、设备以及介质 | |
CN117632294A (zh) | 一种应用程序配置方法、装置、设备及介质 | |
CN115858279A (zh) | 一种日志处理方法、装置、设备以及存储介质 | |
CN116302370A (zh) | 一种返回码异常告警的生成方法、装置、设备及介质 | |
CN117749614A (zh) | 一种协议规则确定方法、装置、电子设备及存储介质 | |
CN117608904A (zh) | 一种故障定位方法、装置、电子设备和存储介质 |
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 |