CN117668726A - 一种智能运维处理方法、系统、介质及设备 - Google Patents

Abstract

一种智能运维处理方法、系统、介质及设备，涉及智能运维处理技术领域。所述方法包括：获取各物联网设备的运行数据以及属性信息；根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据；将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征；将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案。实施本申请提供的技术方案，可以提高运维服务效率。

Description

一种智能运维处理方法、系统、介质及设备

技术领域

本申请涉及智能运维处理技术领域，具体涉及一种智能运维处理方法、系统、介质及设备。

背景技术

随着物联网技术的发展，各类物联网设备在工业、农业、交通等领域得到广泛应用，城市化建设物联网设备的不断投入，这些物联网设备会产生大量的运行数据，企业为保障城市供水，对设备运维工作加大维护需求。

随着物联网设备发智慧化程度不断提升，对物联网设备的运维需求不断增加。传统对于物联网设备的运维依赖于工程师到现场诊断问题排查问题，在面对海量设备和数据已越来越力不从心，无法实现实时高效的故障定位和处理指导，从而导致运维服务效率较低。

发明内容

本申请提供了一种智能运维处理方法，可以提高运维服务效率。

第一方面，本申请提供了一种智能运维处理方法，所述方法包括：

获取各物联网设备的运行数据以及属性信息；

根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据；

将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征；

将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案。

通过采用上述技术方案，通过获取物联网设备的运行数据和属性信息,根据运行数据判断异常设备并取得异常数据,然后利用预设的异常特征库进行匹配,提取出设备的异常特征,再与预设的专家经验库匹配以生成异常解决方案,实现了对物联网设备状态的智能监测和故障智能分析处理，相较于传统依赖人工经验的运维方式，可以对大量物联网设备的运行状态进行实时监测,当出现异常时快速提取设备的异常特征,然后匹配专家经验库以找出对应解决方案,无需等待工程师到现场诊断问题，提高了运维响应速度。同时该方法通过异常特征匹配积累专家经验库，实现运维知识的沉淀和重复利用，提高了运维的准确性。

可选的，所述根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据，包括：判断各所述运行数据是否超出预设的标准运行数据范围；若存在运行数据超出预设的标准运行数据范围，则确定所述物联网设备为异常物联网设备，并将所述超出预设的标准运行数据范围的运行数据作为异常数据。

通过采用上述技术方案，实现了智能化的设备异常状态监测与判断，应用预设的标准运行数据范围,可以自动批量对物联网设备的运行数据进行筛选判定，找出当前状态异常的设备，提升了物联网设备的智能化监测与运维能力。

可选的，所述将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征，包括：将所述异常运行数据与对应的标准运行数据进行比较，计算出所述异常运行数据对应的风险值；基于所述风险值匹配对应的风险等级；基于所述风险等级对所述运行数据以及属性信息进行特征提取，将提取的特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征。

通过采用上述技术方案，通过计算风险值来评估异常状态的严重程度,并设置不同的风险等级，根据不同等级采取有区别的特征提取方式，最后与异常特征库匹配以识别异常特征，可以使得到的特征信息有较强的针对性,特征匹配可以快速定位到已知的异常特征，实现智能化异常特征的诊断。

可选的，所述基于所述风险等级对所述运行数据进行特征提取，将提取的特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征，包括：若所述风险等级为告警等级，则对所述属性信息中的生产批次信息进行提取，得到生产批次特征；判断所述生产批次特征是否为异常批次设备；若所述生产批次特征为异常批次设备，则确定所述异常物联网设备的异常特征为批次异常；若所述生产批次特征不为异常批次设备，则对所述运行数据进行特征提取，得到运行特征；将所述运行特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征。

通过采用上述技术方案，充分利用了风险等级的区分功能，实现了针对性特征提取，对于批次判断可以快速定位共性问题，单设备特征提取可以找到个别故障，与异常特征库匹配，可以利用已有经验快速确定异常特征。

可选的，所述将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案，包括：将所述异常特征与预设的专家经验库中的各异常特征进行匹配，所述专家经验库中包括多个异常特征以及对应的异常解决方案；计算所述异常特征与所述预设的专家经验库中各异常特征的匹配度，判断所述预设的专家经验库中是否存在所述匹配度高于匹配度阈值的目标异常特征；若所述预设的专家经验库中存在所述匹配度高于匹配度阈值的目标异常特征，则匹配成功，在所述专家经验库中获取所述目标异常特征对应的异常解决方案。

通过采用上述技术方案，通过计算特征匹配度的方式,实现了与专家经验库的精准匹配,可以智能产生对应解决方案。充分利用了专家经验库中存有大量历史知识经验的优势，包括异常特征和解决方案库，为快速生成方案提供了知识支持，通过异常特征匹配积累专家经验库，实现运维知识的沉淀和重复利用，提高了运维的准确性。

可选的，若所述预设的专家经验库中不存在所述匹配度高于匹配度阈值的目标异常特征，则匹配失败，将所述异常特征作为新的异常特征，并获取运维人员输入的解决所述异常物联网设备的新的解决方案；将所述新的异常特征以及对应的所述新的解决方案存入至所述预设的专家经验库。

通过采用上述技术方案，面对新的未知异常特征时,可以通过获取专业人员的输入形成新的对应解决方案，避免了知识库无法处理新问题的困境。将形成的新的特征-方案知识更新到专家经验库中，实现了知识的持续积累和沉淀，不断完善了专家经验库的知识体系。

可选的，所述预设的专家经验库包括各异常特征以及对应的异常特征权重等级，所述将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案之后，还包括：当所述异常特征与预设的专家经验库匹配成功，则将所述异常特征对应的异常特征权重等级增加预设等级；当所述异常特征与预设的专家经验库匹配不成功，则初始化所述新的异常特征对应的异常特征权重等级。

通过采用上述技术方案，通过成功匹配的特征增加权重，可以使平台关注到较常见的异常特征，通过持续调整特征权重来优化专家系统知识体系的,使系统能够关注常见和新型故障，并利用权重展开整体异常分析。

在本申请的第二方面提供了一种智能运维处理系统，所述系统包括：

设备信息获取模块，用于获取各物联网设备的运行数据以及属性信息；

异常数据获取模块，用于根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据；

异常特征确定模块，用于将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征；

解决方案生成模块，用于将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案。

在本申请的第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

在本申请的第四方面提供了一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、本申请通过获取物联网设备的运行数据和属性信息,根据运行数据判断异常设备并取得异常数据,然后利用预设的异常特征库进行匹配,提取出设备的异常特征,再与预设的专家经验库匹配以生成异常解决方案,实现了对物联网设备状态的智能监测和故障智能分析处理，相较于传统依赖人工经验的运维方式，可以对大量物联网设备的运行状态进行实时监测,当出现异常时快速提取设备的异常特征,然后匹配专家经验库以找出对应解决方案,无需等待工程师到现场诊断问题，提高了运维响应速度。同时该方法通过异常特征匹配积累专家经验库，实现运维知识的沉淀和重复利用，提高了运维的准确性；

2、本申请通过计算特征匹配度的方式,实现了与专家经验库的精准匹配,可以智能产生对应解决方案。充分利用了专家经验库中存有大量历史知识经验的优势，包括异常特征和解决方案库，为快速生成方案提供了知识支持，通过异常特征匹配积累专家经验库，实现运维知识的沉淀和重复利用，提高了运维的准确性。

附图说明

图1是本申请实施例提供的一种智能运维处理方法的流程示意图；

图2是本申请实施例的提供的一种智能运维处理系统模块示意图；

图3是本申请实施例的提供的一种电子设备的结构示意图。

附图标记说明：300、电子设备；301、处理器；302、通信总线；303、用户接口；304、网络接口；305、存储器。

具体实施方式

为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

请参考图1，特提出了一种智能运维处理方法的流程示意图，该方法可以依赖于计算机程序实现，可依赖于单片机实现，也可运行于智能运维处理系统上，也可作为独立的工具类应用运行，具体的，该方法包括步骤10至步骤50，上述步骤如下：

步骤10：获取各物联网设备的运行数据以及属性信息。

物联网设备是指能够感知环境，并通过有线或无线方式实现相互连接、交换信息的各类智能设备。在本申请实施例中物联网设备是指电磁水表，电磁水表是一种采用电磁测量原理，通过检测管道内流体导通电极所产生的电磁感应来进行流量测量的智能水表。

具体的，运行数据是指设备在工作过程中上传的各种状态数据,如信号强度、电量、报警日志等;属性信息则包括设备的基本信息,如品牌型号、出厂编号、安装位置等静态信息，获取到设备的这两类数据能够全面反映设备的实时状态及基本情况。可以通过设置数据接口与各物联网设备进行连接，根据不同设备型号预设对应的数据格式，以定时轮询的方式收集上传的运行数据；也可以通过访问设备资产管理系统的数据库获取设备的静态属性信息，还可以将某些重要的运行状态数据设置为设备的主动推送项，使得获取的数据时效性最高。

在本申请实施例中，电磁水表作为典型的物联网智能设备,通过内置通信模块与运行数据平台相连接，实时上传运行数据,如流量、压力、电量、信号质量等参数。平台可以轮询获取水表的运行状态数据，监测水表的工作情况。同时也可以获取水表的静态属性信息，如表号、用户信息、安装位置等属性数据。

步骤20：根据各运行数据确定异常物联网设备，获取异常物联网设备的异常数据。

具体的，在获取到所有物联网设备的运行数据后,需要根据这些数据判断哪些设备存在异常状态。设备在长期运行过程中,会因各种原因导致状态异常,如精度衰减、供电电压不稳、信号强度弱等。如果不及时发现并处理这些隐患,会导致设备发生故障甚至损坏。在传统的环境中，若物联网设备出现故障，运维工程师就如消防员救火，火速到现场处理故障问题，运维工作也逐渐成了随叫随到，被动运维。本申请实施例中将定期轮询各物联网设备，当获取到异常设备的异常运行数据，才能进行后续的特征提取和问题根因分析。相较于对所有设备统一分析，有针对性地对异常设备进行分析可以快速定位问题原因，生成对应方案。

在上述实施例的基础上，作为一种可选的实施例，根据各运行数据确定异常物联网设备，获取异常物联网设备的异常数据这一步骤，还可以包括以下步骤：

步骤201：判断各运行数据是否超出预设的标准运行数据范围。

步骤202：若运行数据超出预设的标准运行数据范围，则确定物联网设备为异常物联网设备，并将超出预设的标准运行数据范围的运行数据作为异常数据。

具体的，为准确判定物联网设备的异常状态,需要 预先设定标准的正常运行数据范围作为判据。考虑到不同型号、不同应用环境的物联网设备，其标准运行数据范围也会有所不同。因此需要针对各类设备预先设置好其正常工作参数的阈值或范围。比如本申请实施例中的物联网设备也就是电磁水表，可以分为公用电磁水表、商用电磁水表以及民用电磁水表，根据不同类型的水表设置对应的标准运行数据范围。

在获取到设备的实时运行数据后,将这些数据如电量、压力、信号等与其对应预设的标准范围进行逐项对比，判断是否超出标准运行数据范围。若运行数据超出预设的标准运行数据范围，即可以判定该物联网设备目前处于异常状态。随后立即采集该设备当前的全部运行数据，这部分超出标准范围的数据即视为异常数据。通过与标准运行数据范围对比判断异常状态，可以避免漏判设备故障的隐患，并及时定位出现故障征兆的设备。获取其异常运行数据，为后续进一步提取异常特征、确定故障原因奠定基础。并且采用预设标准范围进行判别，则可以批量自动化完成设备异常状态的监测，实现智能化运维目标。

步骤30：将异常运行数据和属性信息与预设的异常特征库进匹配，得到异常物联网设备的异常特征。

具体的，在得到物联网设备的异常运行数据后,需要进一步解析这些数据反映出的设备异常特征。直接根据原始的数据通常无法直接定位根因,因此需要将这些异常数据与设备的属性信息一起匹配预设的异常特征库，以归纳出设备的异常特征。

其中，异常特征库中预存了各种不同故障对应的异常数据特征以及属性条件。输入设备的具体异常数据，如信号不稳定、电量过低等，以及设备属性信息如设备型号、出厂信息、安装环境等，其中安装环境可以包括但不限于安装在井下、安装在车库或者安装在野外等。平台可以在异常特征库中查找符合这些条件的特征模板，找到最匹配的那个模板即认定为该设备的异常特征。从而得到物联网设备的异常特征，相较于简单的原始故障数据，能够更直观反映设备的故障情况。匹配异常特征是得到故障更深层次描述，也为后续确定解决方案奠定基础。利用预设异常特征库可以实现自动高效的特征提取，使运维智能化。此外，本方案结合了物联网设备的异常数据和自身的属性信息进行异常特征匹配，使得匹配出的异常特征更符合实际情况，从而使得后续能匹配出更为准确的解决方案。

示例性地，假设物联网设备的异常运行数据为无信号，且属性信息中的安装环境为安装在车库，则将这些条件与预设的异常特征库进匹配，匹配到符合异常数据为无信号以及安装环境为车库的模板，调取该模板对应的异常特征即为该异常物联网设备的异常特征。

在上述实施例的基础上，作为一种可选的实施例，将异常运行数据和属性信息与预设的异常特征库进匹配，得到异常物联网设备的异常特征这一步骤，还可以包括以下步骤：

步骤301：将异常运行数据与对应的标准运行数据进行比较，计算出异常运行数据对应的风险值。

步骤302：基于风险值匹配对应的风险等级。

具体的，为了更准确地评估物联网设备的异常状态严重程度，需要进一步计算异常运行数据的风险值。将获取到的异常运行数据如电压、温度等与该设备类型的标准正常运行数据范围进行对比，计算差值比例作为风险值。风险值直接反映了运行参数的异常程度和设备潜在故障风险。为便于推动对应处理，需要根据风险值匹配对应的风险等级。本实施例将风险等级区分为三类，分别为关注、预警以及告警。例如电量大于50%时为风险等级为关注，电量为30%-50%时风险等级为预警，电量低于30%时风险等级为告警。

进一步地，当风险等级为关注时需要通知工程师定时查看关注，当风险等级为预警时需要通知工程师定期去查看，当风险等级为告警时需要通知工程师去现场运维。按照这种计算风险值和匹配风险等级的方法，可以使系统自动判定异常状态的严重程度，并据此进行不同级别的响应。相对简单的判断异常状态，计算风险值可以更直观准确地评估设备故障风险，有助于及时采取对应措施降低损失。

步骤303：基于风险等级对所述运行数据以及属性信息进行特征提取，将提取的特征与预设的异常特征库进匹配，得到异常物联网设备的异常特征。

具体的，得到设备的风险等级后，需要针对不同等级采取不同的特征提取方式。不同风险等级下针对运行数据的处理侧重点不同。例如对于关注级，可能只简单提取运行数据的参数数值来判断趋势；对于预警级，可能需要结合参数数据的变化趋势和设备类型信息提取特征；对于告警级，需要全面提取参数数据以及设备属性信息的特征。提取到特征后,需要与预设的异常特征库进行匹配，寻找已知的相似故障模式，以锁定异常原因。预设的异常特征库中收集了常见故障的特征模板，通过匹配可以快速定位问题。

在上述实施例的基础上，作为一种可选的实施例，基于风险等级对所述运行数据以及属性信息进行特征提取，将提取的特征与预设的异常特征库进匹配，得到异常物联网设备的异常特征这一步骤，还可以包括以下步骤：

步骤3031：若风险等级为告警等级，则对属性信息中的生产批次信息进行提取，得到生产批次特征。

步骤3032：判断生产批次特征是否为异常批次设备。

步骤3033：若生产批次特征为异常批次设备，则确定异常物联网设备的异常特征为批次异常。

具体的，当物联网设备的风险等级判定为告警级时，需要优先在属性信息中提取设备的生产批次信息进行判断。提取生产批次特征的目的是快速确认故障是否因产品自身缺陷导致。可以在设备的属性信息中获取其出厂编号、生产日期等批次信息，以这些信息为特征，在预设的异常批次数据库中查询，判断该批次是否为已知的问题批次。如果匹配到该批次确实存在公共故障模式，则可以直接确定设备异常的根因是批次问题。

步骤3034：若生产批次特征不为异常批次设备，则对运行数据进行特征提取，得到运行特征。

步骤3035：将运行特征与预设的异常特征库进匹配，得到异常物联网设备的异常特征。

具体的，如果判定物联网设备的生产批次并非是已知的问题批次，则说明物联网设备故障属于个别故障，需要针对该设备单独提取运行数据的特征信息进行分析。不同的物联网设备的个别故障情况不同，需要根据该设备特有的运行数据情况来进行特征提取和匹配，以判断故障原因。从该物联网设备的异常运行数据中，按照预设的提取规则对数据进行预处理，过滤掉冗余和无关信息，提取出能够代表设备异常特征的核心数据。特征信息可以包括：设备类型，通讯类型，应用类型，应用场景环境，温湿度，运行工况等。然后将提取到的这些运转特征，与异常特征库中的模板进行匹配，寻找已知的相似模式，以此推断出最可能的故障原因。如果成功匹配，则得到该设备的异常特征；如果无法匹配，则需要更新异常特征库。

步骤40：将异常特征与预设的专家经验库进行匹配，生成异常解决方案。

具体的，在得到设备的异常特征后，需要与预设的专家经验库进行匹配，以生成解决该故障的方案。专家经验库中积累了对各种异常特征对应的处理策略，可以直接生成对应的解决方案。将提取到的异常特征与专家经验库中存储的历史异常记录进行对比。这些记录包括对应的异常特征、解决措施、效果评价等信息。如果匹配到具有相似特征的记录,则可以直接调用其解决方案。如果未成功匹配，则需要人工新增方案。利用专家经验库可以借鉴历史积累直接产生对应方案,无需人工推导,可以极大节约处理时间，实现运维的智能化。

在上述实施例的基础上，作为一种可选的实施例，将异常特征与预设的专家经验库进行匹配，生成异常解决方案这一步骤，还可以包括以下步骤：

步骤401：将异常特征与预设的专家经验库中的各异常特征进行匹配，专家经验库中包括多个异常特征以及对应的异常解决方案。

步骤402：计算异常特征与所述预设的专家经验库中各异常特征的匹配度，判断预设的专家经验库中是否存在匹配度高于匹配度阈值的目标异常特征。

具体的，为了更准确地从专家经验库中获取最匹配的解决方案，需要计算异常特征与专家经验库中的各异常特征之间的匹配度。通过匹配度可以量化相似程度，设置阈值筛选出最佳匹配结果。将异常特征与专家库中预设的各个异常特征模板逐一计算匹配度，匹配度可以采用特征数据差异性等方法进行计算。得到每个模板的匹配度后，判断是否存在超过预设阈值的目标异常特征。

步骤403：若预设的专家经验库中存在匹配度高于匹配度阈值的目标异常特征，则匹配成功，在专家经验库中获取目标异常特征对应的异常解决方案。

步骤404：若预设的专家经验库中不存在匹配度高于匹配度阈值的目标异常特征，则匹配失败，将异常特征作为新的异常特征，并获取运维人员输入的解决异常物联网设备的新的解决方案。将新的异常特征以及对应的新的解决方案存入至预设的专家经验库。

具体的，若预设的专家经验库中存在匹配度高于匹配度阈值的目标异常特征，则匹配成功，在成功匹配到专家库中存在的目标异常特征后，需要进一步获取该目标特征对应的完整解决方案详情。为了方便工程师后续执行方案，解决方案不仅需要明确处理方法，还需要明确具体的操作步骤、所需工具和零件。从匹配到的目标异常特征所对应的解决方案记录中，提取出处理指导、列出所需的工具设备、列出推荐的备件型号等完整信息。

进一步地，若预设的专家经验库中不存在匹配度高于匹配度阈值的目标异常特征，则匹配失败，表明该异常特征尚未覆盖，将异常特征作为新的异常特征，将该不匹配的异常特征提交给运维工程师，要求其针对该故障制定解决方案，或者待运维工程师去现场进行运维后的得到新解决方案。然后，将该新的异常特征以及对应的解决方案一起存入到专家经验库中，形成新的案例，实现知识更新。可以使系统在面对新的故障时也能给出解决方案，而且新方案被记录下来，避免重复建议，实现知识积累，使系统运维知识库不断完善。

在上述实施例的基础上，作为一种可选的实施例，将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案之后，还可以包括以下过程：

具体的，预设的专家经验库包括各异常特征以及对应的异常特征权重等级，异常特征权重等级代表异常特征出现的频率。异常特征权重等级越高，表示该异常特征在历史故障案例中出现的次数越多，反映出该异常特征引发的问题更为常见。在后台对异常特征每次进行匹配后，若异常特征与预设的专家经验库匹配成功，则将异常特征对应的异常特征权重等级增加预设等级，该预设等级可以为1级。当某一个异常特征的异常特征权重等级高于一个预设等级时，说明该异常特征出现过于频繁，则告知运维人员对该异常特征进行查看以及分析，比如可能是某一个型号的设备出现了共同的问题，可以统一进行运维处理。当异常特征与预设的专家经验库匹配不成功，则说明该异常特征为新的异常事件，需要初始化新的异常特征对应的异常特征权重等级，比如将其异常特征权重等级初始化为1，便于后续根据各异常特征权重等级进行整体异常分析。

请参见图2，为本申请实施例提供的一种智能运维处理系统模块示意图，该智能运维处理系统可以包括：设备信息获取模块、异常数据获取模块、异常特征确定模块、以及解决方案生成模块，其中：

设备信息获取模块，用于获取各物联网设备的运行数据以及属性信息；

异常数据获取模块，用于根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据；

异常特征确定模块，用于将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征；

解决方案生成模块，用于将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案。

在上述实施例的基础上，作为一种可选的实施例，所述异常数据获取模块，还可以用于判断各所述运行数据是否超出预设的标准运行数据范围；若存在运行数据超出预设的标准运行数据范围，则确定所述物联网设备为异常物联网设备，并将所述超出预设的标准运行数据范围的运行数据作为异常数据。

在上述实施例的基础上，作为一种可选的实施例，所述异常特征确定模块，还用于将所述异常运行数据与对应的标准运行数据进行比较，计算出所述异常运行数据对应的风险值；基于所述风险值匹配对应的风险等级；基于所述风险等级对所述运行数据以及属性信息进行特征提取，将提取的特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征。

在上述实施例的基础上，作为一种可选的实施例，所述异常特征确定模块，还用于若所述风险等级为告警等级，则对所述属性信息中的生产批次信息进行提取，得到生产批次特征；判断所述生产批次特征是否为异常批次设备；若所述生产批次特征为异常批次设备，则确定所述异常物联网设备的异常特征为批次异常；若所述生产批次特征不为异常批次设备，则对所述运行数据进行特征提取，得到运行特征；将所述运行特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征。

在上述实施例的基础上，作为一种可选的实施例，所述解决方案生成模块，还用于将所述异常特征与预设的专家经验库中的各异常特征进行匹配，所述专家经验库中包括多个异常特征以及对应的异常解决方案；计算所述异常特征与所述预设的专家经验库中各异常特征的匹配度，判断所述预设的专家经验库中是否存在所述匹配度高于匹配度阈值的目标异常特征；若所述预设的专家经验库中存在所述匹配度高于匹配度阈值的目标异常特征，则匹配成功，在所述专家经验库中获取所述目标异常特征对应的异常解决方案。

在上述实施例的基础上，作为一种可选的实施例，一种智能运维处理系统还包括，专家经验库更新模块，用于若所述预设的专家经验库中不存在所述匹配度高于匹配度阈值的目标异常特征，则匹配失败，将所述异常特征作为新的异常特征，并获取运维人员输入的解决所述异常物联网设备的新的解决方案；将所述新的异常特征以及对应的所述新的解决方案存入至所述预设的专家经验库。

在上述实施例的基础上，作为一种可选的实施例，一种智能运维处理系统还包括，特征权重等级更新模块，用于当所述异常特征与预设的专家经验库匹配成功，则将所述异常特征对应的异常特征权重等级增加预设等级；当所述异常特征与预设的专家经验库匹配不成功，则初始化所述新的异常特征对应的异常特征权重等级。

需要说明的是：上述实施例提供的系统在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的系统和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行上述实施例的一种智能运维处理方法，具体执行过程可以参见上述实施例的具体说明，在此不进行赘述。

请参照图3本申请还公开一种电子设备。图3是本申请实施例的公开的一种电子设备的结构示意图。该电子设备300可以包括：至少一个处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。

其中，通信总线302用于实现这些组件之间的连接通信。

其中，用户接口303可以包括显示屏（Display）、摄像头（Camera），可选用户接口303还可以包括标准的有线接口、无线接口。

其中，网络接口304可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行服务器的各种功能和处理数据。可选的，处理器301可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器301可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器301中，单独通过一块芯片进行实现。

其中，存储器305可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器305包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储装置。参照图3，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及一种智能运维处理方法的应用程序。

在图3所示的电子设备300中，用户接口303主要用于为用户提供输入的接口，获取用户输入的数据；而处理器301可以用于调用存储器305中存储一种基于汽车全景的泊车控制方法的应用程序，当由一个或多个处理器301执行时，使得电子设备300执行如上述实施例中一个或多个所述的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。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或者该技术方案的全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。

本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种智能运维处理方法，其特征在于，所述方法包括：

获取各物联网设备的运行数据以及属性信息；

根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据；

将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征；

将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案。

2.根据权利要求1所述的智能运维处理方法，其特征在于，所述根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据，包括：

判断各所述运行数据是否超出预设的标准运行数据范围；

若存在运行数据超出预设的标准运行数据范围，则确定所述物联网设备为异常物联网设备，并将所述超出预设的标准运行数据范围的运行数据作为异常数据。

3.根据权利要求1所述的智能运维处理方法，其特征在于，所述将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征，包括：

将所述异常运行数据与对应的标准运行数据进行比较，计算出所述异常运行数据对应的风险值；

基于所述风险值匹配对应的风险等级；

基于所述风险等级对所述运行数据以及属性信息进行特征提取，将提取的特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征。

4.根据权利要求3所述的智能运维处理方法，其特征在于，所述基于所述风险等级对所述运行数据进行特征提取，将提取的特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征，包括：

若所述风险等级为告警等级，则对所述属性信息中的生产批次信息进行提取，得到生产批次特征；

判断所述生产批次特征是否为异常批次设备；

若所述生产批次特征为异常批次设备，则确定所述异常物联网设备的异常特征为批次异常；

若所述生产批次特征不为异常批次设备，则对所述运行数据进行特征提取，得到运行特征；

将所述运行特征与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征。

5.根据权利要求1所述的智能运维处理方法，其特征在于，所述将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案，包括：

将所述异常特征与预设的专家经验库中的各异常特征进行匹配，所述专家经验库中包括多个异常特征以及对应的异常解决方案；

计算所述异常特征与所述预设的专家经验库中各异常特征的匹配度，判断所述预设的专家经验库中是否存在所述匹配度高于匹配度阈值的目标异常特征；

若所述预设的专家经验库中存在所述匹配度高于匹配度阈值的目标异常特征，则匹配成功，在所述专家经验库中获取所述目标异常特征对应的异常解决方案。

6.根据权利要求5所述的智能运维处理方法，其特征在于，所述方法还包括：

若所述预设的专家经验库中不存在所述匹配度高于匹配度阈值的目标异常特征，则匹配失败，将所述异常特征作为新的异常特征，并获取运维人员输入的解决所述异常物联网设备的新的解决方案；

将所述新的异常特征以及对应的所述新的解决方案存入至所述预设的专家经验库。

7.根据权利要求6所述的智能运维处理方法，其特征在于，所述预设的专家经验库包括各异常特征以及对应的异常特征权重等级，所述将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案之后，还包括：

当所述异常特征与预设的专家经验库匹配成功，则将所述异常特征对应的异常特征权重等级增加预设等级；

当所述异常特征与预设的专家经验库匹配不成功，则初始化所述新的异常特征对应的异常特征权重等级。

8.一种智能运维处理系统，其特征在于，所述系统包括：

设备信息获取模块，用于获取各物联网设备的运行数据以及属性信息；

异常数据获取模块，用于根据各所述运行数据确定异常物联网设备，获取所述异常物联网设备的异常数据；

异常特征确定模块，用于将所述异常运行数据和所述属性信息与预设的异常特征库进匹配，得到所述异常物联网设备的异常特征；

解决方案生成模块，用于将所述异常特征与预设的专家经验库进行匹配，生成异常解决方案。

9.一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多条指令，所述指令适用于由处理器加载并执行如权利要求1-7任意一项所述的方法。

10.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和所述网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-7任意一项所述的方法。