CN120235590B - 一种智能化的船舶总装建造数据服务调用链路跟踪方法 - Google Patents

Abstract

本发明涉及船舶建造技术领域，公开了一种智能化的船舶总装建造数据服务调用链路跟踪方法。该方法包括获取船舶总装建造全生命周期数据集，生成服务节点拓扑图、负载均衡路径，对任务执行结果进行异常检测处理，生成链路跟踪特征矩阵，进而生成服务调用链路优化策略，输出标准化服务调用链路。系统包括全生命周期数据获取、知识图谱构建、路径优化、异常检测、多维度跟踪和链路生成等模块。本发明能有效整合数据，优化服务调用链路，实现负载均衡和精准异常检测，提升船舶建造的效率、质量和稳定性，降低建造成本，满足船舶建造行业对数字化、智能化管理的需求。

Description

一种智能化的船舶总装建造数据服务调用链路跟踪方法

技术领域

本发明涉及船舶建造技术领域，具体为一种智能化的船舶总装建造数据服务调用链路跟踪方法。

背景技术

在船舶总装建造过程中，数据服务调用链路的管理与跟踪面临着诸多严峻挑战，这些问题严重制约着船舶建造的效率、质量与成本控制。

从数据管理角度来看，船舶总装建造涉及众多设备与复杂工序，所产生的设备状态参数、服务调用日志及任务执行结果等数据规模庞大、结构复杂且相互关联。传统的数据管理方式无法高效整合与分析这些数据，导致数据价值难以充分挖掘。例如，不同设备供应商提供的数据格式与接口各异，在数据汇总时易出现兼容性问题，使得数据的一致性和准确性难以保障，给后续的分析和决策带来极大困难。

在服务调用链路方面，随着船舶建造数字化程度的提高，各系统与服务之间的调用关系愈发复杂。由于缺乏有效的链路跟踪手段，难以精准定位服务调用过程中的故障点和性能瓶颈。当某个服务出现异常时，无法迅速判断是该服务自身问题，还是上下游服务调用链路中的其他环节引发的连锁反应。这不仅会延长故障排查时间，还可能导致整个建造进度延误，增加不必要的成本支出。

在负载均衡方面，现有的负载均衡策略往往无法根据实时的服务调用情况进行动态调整。当出现部分服务节点负载过高，而其他节点闲置的情况时，不能及时将负载合理分配到空闲节点，导致系统整体性能下降。特别是在船舶建造高峰期，大量任务并发执行，这种负载不均衡问题会更加突出，严重影响建造效率。

此外，对于任务执行结果的异常检测，传统方法主要依赖人工经验或简单的阈值判断，准确性和及时性较差。无法对复杂的异常情况进行全面、深入的分析，容易遗漏潜在的风险点，难以在早期发现并解决问题，从而对船舶建造质量产生不利影响。

随着全球航运业的发展，对船舶建造的质量、效率和成本控制提出了更高的要求。传统的船舶总装建造数据服务调用链路管理方式已无法满足行业发展的需求，迫切需要一种智能化的方法及系统来优化数据管理、跟踪服务调用链路、实现高效负载均衡和精准异常检测，从而提升船舶建造的整体竞争力。

发明内容

本发明的目的在于提供一种智能化的船舶总装建造数据服务调用链路跟踪方法以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种智能化的船舶总装建造数据服务调用链路跟踪方法，所述方法包括：

获取船舶总装建造全生命周期数据集，所述数据集包括设备状态参数、服务调用日志及任务执行结果；

基于所述设备状态参数，通过动态知识图谱构建算法生成服务节点拓扑图，所述拓扑图包含设备关联关系及服务调用路径权重；

根据所述服务调用日志，通过服务路径优化算法生成负载均衡路径，并剔除冗余调用节点；

对所述任务执行结果进行异常检测处理，生成服务调用异常标记序列；

将所述服务节点拓扑图、负载均衡路径及异常标记序列输入多维度跟踪模型，生成链路跟踪特征矩阵；

基于所述链路跟踪特征矩阵，通过自适应跟踪网络构建算法生成服务调用链路；所述自适应跟踪网络的节点表示服务调用模块，边表示调用优先级及稳定性权重。

优选的，所述通过动态知识图谱构建算法生成服务节点拓扑图，包括：

对所述设备状态参数进行实体关系建模，提取设备间的协同作业特征；

基于图嵌入算法将设备实体映射为低维向量，生成初始知识图谱；

采用层次聚类算法对设备实体进行分组，计算组间连接强度；

将所述低维向量、组间连接强度及服务调用路径权重编码为服务节点拓扑图。

优选的，所述通过服务路径优化算法生成负载均衡路径，包括：

对所述服务调用日志进行标准化清洗，剔除无效调用记录；

基于动态负载均衡算法识别高频服务节点，并计算节点间的响应时间偏差，根据响应时间偏差与预设的稳定性阈值生成负载均衡路径；

通过分布式哈希表对冗余调用节点进行动态剔除，更新负载均衡路径。

优选的，所述异常检测处理包括：

对所述任务执行结果进行时序分段，提取各阶段的任务完成度指标；

采用孤立森林算法检测异常分段，生成初步异常标记，基于动态阈值调整算法对初步异常标记进行校正，剔除误检标记；

将校正后的异常标记按时序顺序编码为异常标记序列。

优选的，所述多维度跟踪模型包括特征对齐模块和矩阵生成模块，所述特征对齐模块包括：

对所述服务节点拓扑图中的设备关联关系进行归一化处理，得到第一对齐向量；将所述负载均衡路径中的调用优先级进行离散化映射，生成第二对齐向量；对所述异常标记序列进行窗口滑动统计，提取异常频率特征，得到第三对齐向量；

通过张量分解算法将第一对齐向量、第二对齐向量及第三对齐向量融合为链路跟踪特征矩阵。

优选的，所述动态知识图谱构建算法的更新方法包括：

基于滑动时间窗口划分设备状态参数，提取窗口内的实体关系变化量；

通过增量学习算法更新知识图谱中的设备关联关系及路径权重，根据更新后的知识图谱动态调整服务节点拓扑图的结构。

优选的，所述分布式哈希表的参数调整方法包括：

根据服务调用日志的数量设定初始哈希分片数量；

通过一致性哈希算法动态调整分片分布，减少节点扩容时的数据迁移量；

基于分片负载监控结果优化哈希函数参数，提升冗余节点剔除效率。

优选的，所述自适应跟踪网络构建算法包括：

根据服务调用模块初始化节点属性，并基于稳定性权重生成边权张量；

将所述链路跟踪特征矩阵作为节点输入，边权张量由调用优先级及稳定性权重组成；

通过策略优化算法迭代更新各节点的路径选择策略，优化边权张量；

根据优化后的边权张量生成覆盖所有节点的最优服务调用链路。

优选的，本发明还包括一种智能化的船舶总装建造数据服务调用链路跟踪系统，所述系统包括：

全生命周期数据获取模块：用于获取船舶总装建造全生命周期数据集，所述数据集包括设备状态参数、服务调用日志及任务执行结果；

知识图谱构建模块：配置为基于所述设备状态参数，通过动态知识图谱构建算法生成服务节点拓扑图；

路径优化模块：用于根据所述服务调用日志，通过服务路径优化算法生成负载均衡路径；

异常检测模块：将所述任务执行结果进行异常检测处理，生成服务调用异常标记序列；

多维度跟踪模块：将所述服务节点拓扑图、负载均衡路径及异常标记序列输入多维度跟踪模型，生成链路跟踪特征矩阵；

链路生成模块：用于基于所述链路跟踪特征矩阵，通过自适应跟踪网络构建算法生成服务调用链路。

与现有技术相比，本发明的有益效果是：

在数据整合与分析方面，通过获取船舶总装建造全生命周期数据集，并利用动态知识图谱构建算法生成服务节点拓扑图，能够有效整合复杂的设备状态参数，清晰呈现设备关联关系及服务调用路径权重。这有助于工程师全面了解船舶建造过程中各设备间的协同关系，为后续的故障排查和性能优化提供有力支持。例如，在设备出现故障时，可以快速根据拓扑图确定与之相关的其他设备，缩小排查范围，提高故障解决效率。

在服务调用链路优化上，基于服务调用日志通过服务路径优化算法生成负载均衡路径，并剔除冗余调用节点，大大提升了系统的性能和效率。动态负载均衡算法能够实时识别高频服务节点，根据响应时间偏差和预设稳定性阈值合理分配负载，避免了部分节点过载而部分节点闲置的情况。以船舶建造过程中大量数据处理任务为例，负载均衡路径的生成可以确保各个数据处理服务节点能够均衡地承担任务，使得整个系统的响应速度大幅提升，减少任务等待时间，从而加快船舶建造进度。

异常检测处理方面，对任务执行结果采用先进的孤立森林算法和动态阈值调整算法进行异常检测，生成准确的异常标记序列。这种方式能够及时发现任务执行过程中的异常情况，且通过动态阈值调整有效剔除误检标记，提高了异常检测的准确性。在船舶建造中，对于关键任务的异常及时发现和处理，可以避免问题扩大化，保障船舶建造质量。比如在船舶结构焊接任务中，如果通过异常检测及时发现焊接参数异常，就能及时调整焊接工艺，避免出现焊接缺陷，提高船舶结构的安全性。

多维度跟踪模型的引入，将服务节点拓扑图、负载均衡路径及异常标记序列进行融合，生成链路跟踪特征矩阵，从多个角度对服务调用链路进行全面跟踪和分析。通过特征对齐模块和矩阵生成模块的协同工作，能够提取到丰富的特征信息，为后续的链路优化提供更准确的数据支持。

最后，基于链路跟踪特征矩阵，利用自适应跟踪网络构建算法生成服务调用链路。该优化策略能够根据实时情况动态调整服务调用链路，提高系统的稳定性和可靠性。在船舶建造过程中，面对不断变化的需求和环境，标准化的服务调用链路可以确保各个环节之间的协同工作更加顺畅，降低系统出错的概率，提高船舶建造的整体效率和质量，同时也有助于降低建造成本，增强船舶建造企业在市场中的竞争力。

附图说明

图1为本发明所述基于大数据的生产排程可视化方法的工作原理图；

图2为动态知识图谱构建生成服务节点拓扑图的工作原理图；

图3为任务执行结果异常检测处理的流程图。

具体实施方式

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，都属于本发明保护的范围。

请参阅图1-图3，本发明提供一种技术方案：本发明涉及一种智能化的船舶总装建造数据服务调用链路跟踪方法，具体实现方案如下：

在船舶总装建造过程中，通过各种传感器、监控系统以及相关软件记录，收集设备状态参数、服务调用日志及任务执行结果，形成船舶总装建造全生命周期数据集。例如，设备状态参数可以包括设备的运行温度、转速、压力等实时数据；服务调用日志记录每次服务调用的时间、调用方、被调用方等信息；任务执行结果则反映各个建造任务的完成情况，如是否完成、完成时间、完成质量等数据。

基于获取的设备状态参数，运用动态知识图谱构建算法生成服务节点拓扑图。此拓扑图包含设备关联关系及服务调用路径权重，它展示了船舶总装建造过程中各设备之间的协同作业关系以及服务调用路径的重要程度。

依据服务调用日志，利用服务路径优化算法生成负载均衡路径。同时，通过算法识别并剔除冗余调用节点，提高服务调用的效率和性能，降低系统资源的浪费。

对任务执行结果进行异常检测处理，及时发现任务执行过程中的异常情况，并将检测结果生成服务调用异常标记序列，以便后续对异常情况进行分析和处理。

将服务节点拓扑图、负载均衡路径及异常标记序列输入多维度跟踪模型，该模型对这些数据进行处理和融合，生成链路跟踪特征矩阵，为后续生成优化策略提供数据支持。

基于链路跟踪特征矩阵，运用自适应跟踪网络构建算法生成服务调用链路。

下面通过具体实施例对本发明的技术方案进行进一步详细说明：

实施例1：

本实施例着重阐述了关于通过动态知识图谱构建算法生成服务节点拓扑图的具体实现过程。在船舶总装建造过程中，各类设备数量众多且关系复杂。以某大型船舶建造项目为例，涉及到动力设备、焊接设备、吊装设备等多种不同类型的设备。获取这些设备的状态参数后，首先进行实体关系建模。假设设备A、B、C等为不同的设备实体，通过对设备状态参数的分析，发现设备A在运行时的温度变化会影响设备B的工作效率，这就表明设备A和设备B之间存在协同作业特征，将这种关系进行提取和记录。

基于图嵌入算法将设备实体映射为低维向量。这里使用的图嵌入算法可以是DeepWalk算法。设设备实体集合为，其中表示第个设备实体。通过DeepWalk算法，将每个设备实体映射为低维向量，使得在低维空间中能够保留设备实体之间的关系特征，生成初始知识图谱。

接着采用层次聚类算法对设备实体进行分组。设距离度量函数为，它表示设备实体和之间的距离。通过层次聚类算法，根据距离度量函数将设备实体逐步合并成不同的组。计算组间连接强度，假设组和之间的连接强度为，它可以通过计算两个组中设备实体之间的连接数量或者连接权重的总和来确定。

最后，将低维向量、组间连接强度及服务调用路径权重（其中表示从设备到设备的服务调用路径权重）编码为服务节点拓扑图。这样，就能够清晰地展示设备之间的关联关系以及服务调用路径的权重信息，为后续的分析和优化提供重要依据。

实施例2：

在船舶总装建造场景下，服务调用日志记录着大量复杂的数据，这些数据对于生成负载均衡路径至关重要。开始时，要对服务调用日志进行标准化清洗。在实际的船舶建造过程中，由于网络波动、系统瞬时故障等因素，会产生许多无效的调用记录。比如，在某段时间内，由于网络的短暂中断，导致部分服务调用请求未能成功发送至目标服务端，却在日志中留下了调用记录，但这些记录没有对应的服务响应数据，这类记录即为无效记录。在清洗时，通过检查日志记录中的响应字段，若响应字段为空且调用时间小于正常响应时间的最小值，就可判定该记录无效并将其剔除。

完成清洗后，基于动态负载均衡算法识别高频服务节点。假设服务节点集合为，其中代表第个服务节点。通过对清洗后的服务调用日志进行统计分析，记录每个服务节点的调用次数。设定一个高频阈值，这个阈值可以根据过往的建造项目数据以及当前项目的实际情况来确定，例如在过往类似项目中，某个服务节点在单位时间内调用次数超过100次时会出现性能瓶颈，结合当前项目规模和复杂度，将高频阈值设定为120次/小时。当某个服务节点的调用次数大于时，该节点就被识别为高频服务节点。

接着计算节点间的响应时间偏差。设节点和之间的响应时间分别为和，响应时间偏差通过公式来计算。这里的响应时间是指从服务请求发送到接收到服务响应的时间间隔，可从服务调用日志中精确获取。预设一个稳定性阈值，例如根据系统性能要求和过往经验，将设定为50毫秒。当时，意味着这两个节点之间的负载不均衡，需要调整服务调用路径以实现负载均衡。例如，若节点和的响应时间偏差大于稳定性阈值，就可以考虑将部分原本发往的请求分配到，或者对的服务资源进行扩展。

最后，通过分布式哈希表对冗余调用节点进行动态剔除。分布式哈希表（DHT）是一种分布式存储系统，它将数据存储在多个节点上，通过哈希函数来确定数据的存储位置。在本实施例中，当某个调用节点在一段时间内的调用频率极低，且经过评估发现其对整个服务调用链路的功能贡献较小时，可判定该节点为冗余调用节点。利用分布式哈希表的特性，根据节点的唯一标识，通过哈希函数计算出该节点在哈希表中的位置，然后将其从哈希表中删除，从而实现对冗余调用节点的动态剔除，并及时更新负载均衡路径，保障服务调用链路始终保持高效运行状态。

实施例3：

在船舶总装建造任务执行过程中，任务执行结果是一个随时间变化的序列数据，对其进行准确的异常检测处理意义重大。首先，对任务执行结果进行时序分段。假设任务执行结果序列为，以固定时间间隔为分段依据。在船舶焊接任务中，以10分钟为一个固定时间间隔，将整个焊接任务执行过程划分为多个时间段。在每个时间段内，提取任务完成度指标。

完成任务完成度指标提取后，采用孤立森林算法检测异常分段。孤立森林算法通过构建二叉树来隔离数据点。设数据点集合为，这里的代表每个时间段的任务完成度指标数据点。对于每个数据点，计算其在孤立森林中的路径长度。在孤立森林中，路径长度越短，说明该数据点越偏离正常数据分布，也就越可能是异常点。设定一个路径长度阈值，这个阈值可以通过对历史正常任务完成度数据进行统计分析得到，例如通过对大量正常焊接任务时间段的完成度数据构建孤立森林模型，计算出正常数据点路径长度的平均值和标准差，将平均值减去两倍标准差作为路径长度阈值。当时，将该数据点对应的时间段标记为异常，生成初步异常标记。

由于初步异常标记可能存在误检情况，需要基于动态阈值调整算法对其进行校正。假设动态阈值调整因子为，这个因子可以根据任务执行的实时情况以及历史数据的变化趋势来动态调整。例如，当发现近期任务完成度数据波动较大时，适当增大的值，使阈值更加严格；当数据相对稳定时，减小的值。根据公式动态调整路径长度阈值为，然后重新评估初步异常标记，剔除误检标记。

最后，将校正后的异常标记按时序顺序编码为异常标记序列。例如，经过校正后，在时间段和检测到异常，则异常标记序列可以表示为，其中1表示异常，0表示正常。这样的异常标记序列为后续对船舶总装建造任务的异常情况进行深入分析和及时处理提供了清晰、准确的数据基础，有助于保障整个建造任务的顺利进行。

实施例4：

本实施例深入探讨了多维度跟踪模型的具体实现。在船舶总装建造数据处理过程中，对于服务节点拓扑图中的设备关联关系进行归一化处理。设设备关联关系矩阵为，其中表示设备和设备之间的关联关系值（）。通过归一化公式，将归一化到区间，得到第一对齐向量。

将负载均衡路径中的调用优先级进行离散化映射。假设调用优先级取值范围为，将其离散化为到之间的值。例如，优先级为1映射为0，优先级为5映射为1，优先级为3映射为0.5等，生成第二对齐向量。

对异常标记序列进行窗口滑动统计，提取异常频率特征。设异常标记序列为，窗口大小为。在每个窗口内统计异常标记为1的数量，异常频率，得到第三对齐向量。

通过张量分解算法将第一对齐向量、第二对齐向量及第三对齐向量融合为链路跟踪特征矩阵。设第一对齐向量为，第二对齐向量为，第三对齐向量为，通过张量分解算法，得到链路跟踪特征矩阵。

实施例5：

本实施例详细介绍了动态知识图谱构建算法的更新方法、分布式哈希表的参数调整方法以及自适应跟踪网络构建算法。在船舶总装建造过程中，设备状态参数随时间不断变化。基于滑动时间窗口划分设备状态参数，设滑动时间窗口大小为。在每个时间窗口内，提取设备状态参数的实体关系变化量。例如，在某一时刻，新安装了一台设备D，它与设备A、B建立了新的协同作业关系，这就是实体关系变化量。

通过增量学习算法更新知识图谱中的设备关联关系及路径权重。设增量学习算法为，知识图谱为，设备关联关系为，路径权重为。根据实体关系变化量，通过更新知识图谱，其中和分别表示设备关联关系和路径权重的变化量。根据更新后的知识图谱动态调整服务节点拓扑图的结构，确保拓扑图能够实时反映设备之间的关系变化。

对于分布式哈希表的参数调整，根据服务调用日志的数量设定初始哈希分片数量。设服务调用日志数量为，初始哈希分片数量为，可以通过公式（这里仅为示例公式，实际可根据经验或测试确定更合适的公式）确定初始哈希分片数量。

通过一致性哈希算法动态调整分片分布，减少节点扩容时的数据迁移量。设一致性哈希算法为，哈希环为，当有新节点加入或现有节点需要扩容时，通过动态调整哈希环，实现分片的合理分布。

基于分片负载监控结果优化哈希函数参数，提升冗余节点剔除效率。设分片负载为（表示分片编号），哈希函数为，通过监控，根据优化算法调整哈希函数参数，提高冗余节点剔除的准确性和效率。

在自适应跟踪网络构建算法中，根据服务调用模块初始化节点属性，并基于稳定性权重生成边权张量。设服务调用模块集合为，每个服务调用模块对应一个节点，节点属性为。稳定性权重为（表示从节点到节点的稳定性权重），生成边权张量。

将链路跟踪特征矩阵作为节点输入，边权张量由调用优先级及稳定性权重组成。通过策略优化算法迭代更新各节点的路径选择策略，优化边权张量。设策略优化算法为，经过多次迭代，其中表示链路跟踪特征矩阵等输入数据。

根据优化后的边权张量生成覆盖所有节点的最优服务调用链路，实现对船舶总装建造数据服务调用链路的优化，提高整个建造过程的效率和可靠性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，包括：

获取船舶总装建造全生命周期数据集，所述数据集包括设备状态参数、服务调用日志及任务执行结果；

基于所述设备状态参数，通过动态知识图谱构建算法生成服务节点拓扑图，所述拓扑图包含设备关联关系及服务调用路径权重；

根据所述服务调用日志，通过服务路径优化算法生成负载均衡路径，并剔除冗余调用节点；

对所述任务执行结果进行异常检测处理，生成服务调用异常标记序列；

将所述服务节点拓扑图、负载均衡路径及异常标记序列输入多维度跟踪模型，生成链路跟踪特征矩阵，包括：

对所述服务节点拓扑图中的设备关联关系进行归一化处理，得到第一对齐向量；将所述负载均衡路径中的调用优先级进行离散化映射，生成第二对齐向量；对所述异常标记序列进行窗口滑动统计，提取异常频率特征，得到第三对齐向量；

通过张量分解算法将第一对齐向量、第二对齐向量及第三对齐向量融合为链路跟踪特征矩阵；

基于所述链路跟踪特征矩阵，通过自适应跟踪网络构建算法生成服务调用链路；所述自适应跟踪网络的节点表示服务调用模块，边表示调用优先级及稳定性权重；

所述自适应跟踪网络构建算法包括：

根据服务调用模块初始化节点属性，将所述链路跟踪特征矩阵作为节点输入，边权张量由调用优先级及稳定性权重组成；

通过策略优化算法迭代更新各节点的路径选择策略，优化边权张量；

根据优化后的边权张量生成覆盖所有节点的最优服务调用链路。

2.根据权利要求1所述的智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，所述通过动态知识图谱构建算法生成服务节点拓扑图，包括：

对所述设备状态参数进行实体关系建模，提取设备间的协同作业特征；

基于图嵌入算法将设备实体映射为低维向量，生成初始知识图谱；

采用层次聚类算法对设备实体进行分组，计算组间连接强度；

将所述低维向量、组间连接强度及服务调用路径权重编码为服务节点拓扑图。

3.根据权利要求1所述的智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，所述通过服务路径优化算法生成负载均衡路径，包括：

对所述服务调用日志进行标准化清洗，剔除无效调用记录；

基于动态负载均衡算法识别高频服务节点，并计算节点间的响应时间偏差，根据响应时间偏差与预设的稳定性阈值生成负载均衡路径；

通过分布式哈希表对冗余调用节点进行动态剔除，更新负载均衡路径。

4.根据权利要求1所述的智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，所述异常检测处理包括：

对所述任务执行结果进行时序分段，提取各阶段的任务完成度指标；

采用孤立森林算法检测异常分段，生成初步异常标记，基于动态阈值调整算法对初步异常标记进行校正，剔除误检标记；

将校正后的异常标记按时序顺序编码为异常标记序列。

5.根据权利要求2所述的智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，所述动态知识图谱构建算法的更新方法包括：

基于滑动时间窗口划分设备状态参数，提取窗口内的实体关系变化量；

通过增量学习算法更新知识图谱中的设备关联关系及路径权重，根据更新后的知识图谱动态调整服务节点拓扑图的结构。

6.根据权利要求3所述的智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，所述分布式哈希表的参数调整方法包括：

根据服务调用日志的数量设定初始哈希分片数量；

通过一致性哈希算法动态调整分片分布，减少节点扩容时的数据迁移量；

基于分片负载监控结果优化哈希函数参数，提升冗余节点剔除效率。

7.一种智能化的船舶总装建造数据服务调用链路跟踪系统，用于实现如权利要求1-6任一项所述的智能化的船舶总装建造数据服务调用链路跟踪方法，其特征在于，包括：

全生命周期数据获取模块：用于获取船舶总装建造全生命周期数据集，所述数据集包括设备状态参数、服务调用日志及任务执行结果；

知识图谱构建模块：配置为基于所述设备状态参数，通过动态知识图谱构建算法生成服务节点拓扑图；

路径优化模块：用于根据所述服务调用日志，通过服务路径优化算法生成负载均衡路径；

异常检测模块：将所述任务执行结果进行异常检测处理，生成服务调用异常标记序列；

多维度跟踪模块：将所述服务节点拓扑图、负载均衡路径及异常标记序列输入多维度跟踪模型，生成链路跟踪特征矩阵；

链路生成模块：用于基于所述链路跟踪特征矩阵，通过自适应跟踪网络构建算法生成服务调用链路。