WO2024140084A1 - 设备自维护的方法、装置、电子设备及存储介质 - Google Patents
设备自维护的方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- WO2024140084A1 WO2024140084A1 PCT/CN2023/136834 CN2023136834W WO2024140084A1 WO 2024140084 A1 WO2024140084 A1 WO 2024140084A1 CN 2023136834 W CN2023136834 W CN 2023136834W WO 2024140084 A1 WO2024140084 A1 WO 2024140084A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- performance parameter
- hidden danger
- time series
- sample
- danger identification
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012423 maintenance Methods 0.000 title claims abstract description 32
- 230000003287 optical effect Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000013024 troubleshooting Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 3
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
Definitions
- FIG3 shows an example of a normal sample performance parameter time series image provided by an embodiment of the present application
- FIG9 is a schematic structural diagram of another device for self-maintenance of equipment provided in an embodiment of the present application.
- FIG1 shows a flow chart of a method for device self-maintenance provided in an embodiment of the present application, which method can be performed by an electronic device, such as a terminal device or a server device.
- the method can be performed by software or hardware installed in a terminal device or a server device.
- the server includes but is not limited to: a single server, a server cluster, a cloud server or a cloud server cluster, etc.
- the method may include the following steps.
- Step S10 Obtain the performance parameter sequence of the device.
- the performance parameter sequence includes a preset number of performance parameter sets collected from the device according to a preset collection period, and each performance parameter set includes at least one performance parameter of the device.
- Step S112 for each normalized performance parameter set, weighting the normalized performance parameters corresponding to the normalized performance parameter set according to preset weights to obtain normalized weighted performance parameters corresponding to the normalized performance parameter set.
- the hidden danger identification results can be displayed to the user.
- the hidden danger identification results can be displayed to the user through logs, alarms or prompt windows on the equipment maintenance platform.
- the hidden danger identification model is trained in the following manner:
- the hidden danger identification training sample set includes multiple sample performance parameter time series images and the annotation results corresponding to each sample performance parameter time series image
- the sample performance parameter time series images include normal sample performance parameter time series images and hidden danger sample performance parameter time series images.
- the hidden danger identification training sample set may be obtained specifically through the following steps.
- each sample performance parameter sequence includes a preset number of sample performance parameter sets collected from the device or a device of the same type as the device according to a preset collection period, and each sample performance parameter set includes at least one sample performance parameter of the device or a device of the same type as the device.
- the multiple sample performance parameter sequences can be collected from multiple optical modules of the same type, the collection period is 5 minutes, and the preset number can be 36.
- the collection duration can be a longer period of time, such as a week, and from the collection data corresponding to the collection duration, a normal sample performance parameter sequence and a hidden danger sample performance parameter sequence can be obtained with a sliding window whose window size is the preset number (e.g., 36) of sample performance parameter sets.
- Each sample performance parameter sequence includes 36 sample performance parameter sets, and each sample performance parameter set includes the 5 performance parameters corresponding to the OTN optical module listed in step 10.
- each sample performance parameter set in the normal sample performance parameter sequence represents that the device is in a normal state, while the device is in an abnormal state at the moment corresponding to at least one sample performance parameter set in the hidden danger sample performance parameter sequence (for example, the device is in an abnormal state at the moment corresponding to the 36th sample performance parameter set in the 36 sample performance parameter sets).
- the above abnormal state can be a fault alarm of the device (for example, an OTN optical module fault alarm) or a communication fault alarm related to the device (for example, the optical fiber corresponding to the OTN optical module is disconnected).
- the corresponding sample performance parameter time series image can be obtained according to each sample performance parameter sequence according to the steps of Figure 2
- the normal sample performance parameter time series image can be obtained according to the normal sample performance parameter sequence
- the hidden danger sample performance parameter time series image can be obtained according to the hidden danger sample performance parameter sequence.
- the sample performance parameter time series image and the performance parameter time series image are of the same type, for example, both are line graphs.
- FIG. 3 shows an example of a normal sample performance parameter time series image provided in an embodiment of the present application
- FIG. 4 shows an example of a normal sample performance parameter time series image provided in an embodiment of the present application.
- the annotation result corresponding to each sample performance parameter time series image is obtained.
- Step 12 Train the preset neural network model according to the hidden danger identification training sample set to obtain a hidden danger identification model.
- the preset neural network model is a generative adversarial network (GAN).
- GAN generative adversarial network
- FIG5 shows a schematic diagram of the structure of a generative adversarial network GAN provided by an embodiment of the present application.
- the generative adversarial network GAN includes a generator G and a discriminator D.
- the hidden danger sample performance parameter time series image in the hidden danger identification training sample set is input to the generator G, and the output of the generator G and the normal sample performance parameter time series image are input to the discriminator D.
- the generator and/or the discriminator are trained and optimized through the discrimination result of the discriminator D.
- the goal of the generator G is to generate real pictures (i.e., normal sample performance parameter time series images) as much as possible to deceive the discriminant model D.
- the goal of the discriminator D is to separate the pictures generated by G from the real pictures as much as possible. In this way, G and D constitute a dynamic "game process". Through this mutual game learning, GAN finally produces a better output.
- Generative adversarial network is a model that includes unsupervised learning. In this way, when there are insufficient performance parameter time series images of hidden danger samples, the performance parameter time series images of normal samples without hidden danger marks can be identified by learning to identify them, thereby discovering the essential laws of hidden dangers, reducing the cost and cycle of data collection, and improving the efficiency of data collection.
- the generative adversarial network can discover the essential laws of the probability distribution of hidden dangers, so its generalization ability is stronger than that of ordinary discriminative networks.
- the generative adversarial network (GAN) uses the back-propagation gradient descent method in the training process to improve the application efficiency of the hidden danger identification model.
- FIG6 shows another flow chart of the method for equipment self-maintenance provided in an embodiment of the present application.
- the hidden danger identification result includes a normal equipment result or a fault hidden danger result, and the method may further include the following steps:
- Step 14 When the hidden danger identification result is a fault hidden danger result, the service of the device is switched to the backup device of the device.
- the backup device may be a device that has a master-backup, load-sharing or cloud backup relationship with the device.
- the device's business is switched to the device's backup device.
- optical module B After optical module B detects a potential fault, the OTN electrical layer and optical layer services carried by optical module B are switched or rerouted first to avoid the impact of sudden failures of optical module B on the services.
- the fault when a potential fault of the equipment is detected, the fault can be actively isolated to avoid the impact of sudden faults on the business and improve the self-maintenance capability of the equipment.
- Step 15 In response to the user's troubleshooting operation on the device, the device service is restored.
- the device in response to a user's troubleshooting operation on a device, may determine that the device's communication is normal through service detection means such as handshakes, and then restore the device's service, i.e., switch the service originally switched to a backup device back to the device.
- service detection means such as handshakes
- the OTN optical module as an example, after the user replaces or repairs optical module B and performs commissioning and repair verification on optical module B, the OTN electrical layer and optical layer services originally carried by optical module B can be restored to the repaired optical module B.
- FIG7 shows a schematic structural diagram of a device for equipment self-maintenance provided in an embodiment of the present application.
- the device 100 includes: a first acquisition module 110 , a second acquisition module 120 , a determination module 130 and a display module 140 .
- the first acquisition module 110 acquires a performance parameter sequence of a device, where the performance parameter sequence includes a preset number of performance parameter sets collected from the device according to a preset collection period, and each performance parameter set includes at least one performance parameter of the device.
- the second acquisition module 120 acquires a time series image of the performance parameters of the device according to the performance parameter sequence.
- the determination module 130 inputs the performance parameter time series image into a pre-trained hidden danger identification model to obtain a hidden danger identification result corresponding to the performance parameter time series image.
- the display module 140 displays the hidden danger identification results.
- the second acquisition module 120 for each performance parameter set, normalizes the performance parameters corresponding to the performance parameter set to obtain a normalized performance parameter set; for each normalized performance parameter set, weights the normalized performance parameters corresponding to the normalized performance parameter set according to preset weights to obtain normalized weighted performance parameters corresponding to the normalized performance parameter set; and generates a performance parameter time series image based on the normalized weighted performance parameters corresponding to each performance parameter set in the performance parameter sequence.
- the device 100 provided in the embodiment of the present application can execute the various methods described in the foregoing method embodiments, and realize the functions and beneficial effects of the various methods described in the foregoing method embodiments, which will not be repeated here.
- FIG8 shows a schematic structural diagram of another device for equipment self-maintenance provided in an embodiment of the present application.
- the device 100 includes: a first acquisition module 110 , a second acquisition module 120 , a determination module 130 , a display module 140 and a training module 150 .
- the first acquisition module 110 acquires a performance parameter sequence of a device, where the performance parameter sequence includes a preset number of performance parameter sets collected from the device according to a preset collection period, and each performance parameter set includes at least one performance parameter of the device.
- the second acquisition module 120 acquires a time series image of the performance parameters of the device according to the performance parameter sequence.
- the determination module 130 inputs the performance parameter time series image into a pre-trained hidden danger identification model to obtain a hidden danger identification result corresponding to the performance parameter time series image.
- the display module 140 displays the hidden danger identification results.
- the training module 150 obtains a hidden danger identification training sample set, which includes a plurality of sample performance parameter time series images and the annotation results corresponding to each sample performance parameter time series image, and the sample performance parameter time series images include normal sample performance parameter time series images and hidden danger sample performance parameter time series images; the preset neural network model is trained according to the hidden danger identification training sample set to obtain a hidden danger identification model.
- the training module 150 collects multiple sample performance parameter sequences from the device or a device of the same type as the device, each sample performance parameter sequence includes a preset number of sample performance parameter sets collected from the device or a device of the same type as the device according to a preset collection period, and each sample performance parameter set includes at least one sample performance parameter of the device or a device of the same type as the device; obtains a corresponding sample performance parameter time series image based on each sample performance parameter sequence, and the sample performance parameter time series image is of the same type as the performance parameter time series image; and obtains a labeling result corresponding to each sample performance parameter time series image in response to a user's annotation operation.
- the device 100 provided in the embodiment of the present application can execute the various methods described in the foregoing method embodiments, and realize the functions and beneficial effects of the various methods described in the foregoing method embodiments, which will not be repeated here.
- the device 100 includes: a first acquisition module 110 , a second acquisition module 120 , a determination module 130 , a display module 140 and a processing module 160 .
- the second acquisition module 120 acquires a time series image of the performance parameters of the device according to the performance parameter sequence.
- the device 100 provided in the embodiment of the present application can execute the various methods described in the foregoing method embodiments, and realize the functions and beneficial effects of the various methods described in the foregoing method embodiments, which will not be repeated here.
- the memory is used to store the program.
- the program may include a program code, and the program code includes a computer operation instruction.
- the memory may include a memory and a non-volatile memory, and provides instructions and data to the processor.
- the electronic device 1000 can also execute the methods described in the foregoing method embodiments, and realize the functions and beneficial effects of the methods described in the foregoing method embodiments, which will not be described in detail here.
- the electronic device 1000 of the present application does not exclude other implementation methods, such as logic devices or a combination of software and hardware, etc., that is to say, the execution subject of the following processing flow is not limited to each logic unit, but can also be hardware or logic devices.
- a typical implementation device is a computer.
- the computer may be, for example, a personal computer, a laptop computer, a cellular phone, a camera phone, a smart phone, a personal digital assistant, a media player, a navigation device, an email device, a game console, a tablet computer, a wearable device, or a combination of any of these devices.
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
- Facsimiles In General (AREA)
Abstract
本申请实施例提供了设备自维护的方法、装置、电子设备及存储介质，涉及通信领域，该方法包括：获取所述设备的性能参数序列，所述性能参数序列包括按照预设的采集周期从所述设备采集的预设数量个性能参数集，每一个所述性能参数集包括所述设备的至少一个性能参数；根据所述性能参数序列获取所述设备的性能参数时间序列图像；将所述性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果；展示所述隐患识别结果。
Description
交叉引用
本申请要求在2022年12月29日提交中国专利局、申请号为202211728138.4、名称为“设备自维护的方法、装置、电子设备及存储介质”的中国专利申请的优先权，该申请的全部内容通过引用结合在本申请中。
本申请涉及通信技术领域，尤其涉及设备自维护的方法、装置、电子设备及存储介质。
随着通信技术的发展，通信设备向智能化发展已成为必然，对通信设备自维护提出了更高的要求，其中自动隐患识别与修复是通信设备自维护的重要部分。以光传输网络(Optical Transmission Network，OTN)为例，自智光网络技术的出现与发展，为光网络智能化目标的实现，提供了一种主要手段，自智光网络AN技术源于国际电信业管理论坛TM Forum于2019年提出的“Autonomous Networks”自智网络理念，目前AN理念已在行业达成共识。
对于通信设备可能存在的设备故障隐患通常通过分析通信设备的性能指标进行识别，但受通信设备的型号、批次、质量、使用寿命、运行稳定性等多种因素的影响，性能参数变化复杂、与通信设备运行状态的映射关系规律性差，识别设备故障隐患难度大。另外缺乏算法技术高效识别对应的设备故障隐患，识别设备故障隐患的效率较低。
发明内容
本申请实施例的目的是提供一种设备自维护的方法、装置、电子设备及存储介质，能够通过人工智能技术得到设备的隐患识别结果，提升设备故障隐患的识别效率和准确性。
为解决上述技术问题，本申请实施例是通过以下各方面实现的。
第一方面，本申请实施例提供了一种设备自维护的方法，包括：获取所述设备的性能参数序列，所述性能参数序列包括按照预设的采集周期从所述设备采集的预设数量个性能参数集，每一个所述性能参数集包括所述设备的至少一个性能参数；根据所述性能参数序列获取所述设备的性能参数时间序列图像；将所述性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果；展示所述隐患识别结果。
第二方面，本申请实施例提供了一种设备自维护的装置，包括：第一获取模块，获取所述设备的性能参数序列，所述性能参数序列包括按照预设的采集周期从所述设备采集的预设数量个性能参数集，每一个所述性能参数集包括所述设备的至少一个性能参数；第二获取模块，根据所述性能参数序列获取所述设备的性能参数时间序列图像；确定模块，将所述性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果；展示模块，展示所述隐患识别结果。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现执行第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现第一方面所述的方法的步骤。
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本申请实施例提供的设备自维护的方法的一种流程示意图；
图2示出本申请实施例提供的设备自维护的方法的另一种流程示意图；
图3示出本申请实施例提供的一种正常样本性能参数时间序列图像的示例；
图4示出本申请实施例提供的一种隐患样本性能参数时间序列图像的示例；
图5示出本申请实施例提供的一种生成对抗网络(Generative Adversial Network，GAN)的结构示意图；
图6示出本申请实施例提供的设备自维护的方法的又一种流程示意图；
图7示出本申请实施例提供的一种设备自维护的装置的结构示意图；
图8示出本申请实施例提供的另一种设备自维护的装置的结构示意图；
图9示出本申请实施例提供的又一种设备自维护的装置的结构示意图；
图10为执行本申请实施例提供的设备自维护的方法的电子设备的硬件结构示意图。
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1示出本申请实施例提供的设备自维护的方法的一种流程示意图，该方法可以由电子设备执行，例如终端设备或服务端设备。换言之，所述方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。如图1所示，该方法可以包括以下步骤。
步骤S10：获取设备的性能参数序列。
其中，性能参数序列包括按照预设的采集周期从设备采集的预设数量个性能参数集，每一个性能参数集包括设备的至少一个性能参数。
其中，此处的设备可以是通信设备中的设备单元，例如OTN网络中的光模块，也可以是某一种通信设备例如OTN设备，还可以是以负荷分担、主备用或云化方式共同具有某种通信功能的多个通信设备的组合，本公开对此不作限制。
示例地，该预设的采集周期可以为5分钟，预设数量可以为36个，即采集时长可以为3个小时。在每个采样时刻对应一个性能参数集，性能参数集可以包括设备的至少一个性能参数，以OTN网络中的光模块为示例，性能参数可以包括输入光功率(Input Optical Power，IOP)，输出光功率(Output Optical Power，OOP)，偏置电流(Bias Current，BC)，温度偏移量(Temperature Offset，TO)以及工作电压(Working Voltage，WV)。
根据每个性能参数的意义不同，上述性能参数可以通过设备的维护平台获取(例如一些性能参数通过设备的维护平台的性能统计指标获取)，或者也可以通过设备直接获取(例如一些性能参数通过与设备交互进行获取或者设备按照预设周期主动上报)。
步骤S11：根据性能参数序列获取设备的性能参数时间序列图像。
图2示出本申请实施例提供的设备自维护的方法的另一种流程示意图，如图2所示，步骤S11可以包括如下步骤：
步骤S111：针对每一个性能参数集，将该性能参数集对应的性能参数分别进行归一化处理得到归一化性能参数集。
可以采取预设的归一化方法对性能参数进行归一化，例如可以采取如下的公式一进行线性归一化。
其中，x′是归一化后的性能参数，x为待归一化的性能参数，X_min和X_max分别为归一化参数，可以分别是预设的性能参数最小值和性能参数最大值。
需要说明的是，性能参数对于最终设备故障隐患识别的影响不同，归一化的方法可以不同，以使得归一化后的性能参数的数值变化对于设备故障隐患识别的影响可以加权处理。例如性能参数1越大表征设备故障隐患的可能性大，而性能参数2越小表征设备故障隐患的可能性大，则性能参数1可以采用上述的公式一进行归一化，而性能参数2可以采用如下的公式二进行归一化，这样可以使得归一化后的性能参数都在越大的情况下，表征设备故障隐患的可能性大。
其中，x′是归一化后的性能参数，x为待归一化的性能参数，X_min和X_max分别为归一化参数，可以分别是预设的性能参数最小值和性能参数最大值。
步骤S112：针对每一个归一化性能参数集，对该归一化性能参数集对应的归一化性能参数按照预设的权重加权得到该归一化性能参数集对应的归一化加权性能参数。
示例地，可以通过如下的公式三得到每一个归一化性能参数集的归一化加权性能参数。
其中，x′i为第i个归一化性能参数集对应的归一化加权性能参数，ωj为第j个归一化性能参数的预设权重，n为归一化性能参数集中归一化性能参数的个数，以OTN光模块为例，n可以为5，x′i,j为第i个归一化性能参数集中第j个归一化性能参数。
步骤S113：根据性能参数序列中每一个性能参数集分别对应的归一化加权性能参数生成性能参数时间序列图像。
示例地，性能参数时间序列图像可以是折线图，柱状图或条形图中的任意一个。
步骤S12：将性能参数时间序列图像输入预先训练好的隐患识别模型，得到性能参数时间序列图像对应的隐患识别结果。
在一些可能的实现方式中，隐患识别模型可以是训练好的GAN模型。在另一可能的实现方式中，隐患识别模型也可以卷积神经网络，例如循环卷积神经网络(Region-based Convolutional Neural Network，RCNN)，卷积神经网络的模型较为复杂，而对识别性能参数时间序列图像进行二分类识别的设备隐患识别，GAN与卷积神经网络相比更简单高效。
该GAN模型的判别网络的训练目标是识别性能参数时间序列图像是正常样本性能参数时间序列图像还是隐患样本性能参数时间序列图像，正常样本性能参数时间序列图像表征隐患识别结果为设备正常结果，而隐患样本性能参数时间序列图像表征隐患识别结果为故障隐患结果，需要对设备进行处理。
步骤13：展示隐患识别结果。
在得到性能参数时间序列图像对应的隐患识别结果之后，可以向用户展示该隐患识别结果，在一些可能的实现方式中，可以在设备的维护平台上通过日志、告警或者提示窗口等方式向用户展示该隐患识别结果。
采用上述的方案，能够通过人工智能技术得到设备的隐患识别结果，提升设备故障隐患的识别效率和准确性。
在一些实施例中，隐患识别模型通过以下方式训练得到：
步骤11、获取隐患识别训练样本集。
其中，隐患识别训练样本集包括多个样本性能参数时间序列图像和每一个样本性能参数时间序列图像分别对应的标注结果，样本性能参数时间序列图像包括正常样本性能参数时间序列图像和隐患样本性能参数时间序列图像。
在一些可能的实现方式中，具体可以通过如下的步骤获取隐患识别训练样本集。
从设备或者设备的同类设备采集多个样本性能参数序列，每一个样本性能参数序列包括按照预设的采集周期从设备或者设备的同类设备采集的预设数量个样本性能参数集，每一个样本性能参数集包括设备或者设备的同类设备的至少一个样本性能参数。
仍以OTN光模块为例，可以从多个同类型的光模块中采集该多个样本性能参数序列，采集周期为5分钟，预设数量可以为36个。在一些可能的时间方式中，采集时长可以为一段较长的时间，例如一个星期，从采集时长对应的采集数据里，可以以窗口大小为该预设数量(例如36个)样本性能参数集的滑窗获取正常样本性能参数序列和隐患样本性能参数序列。每一个样本性能参数序列包括36个样本性能参数集，每个样本性能参数集包括步骤10列出的OTN光模块对应的5个性能参数。
其中，正常样本性能参数序列的每个样本性能参数集均表征设备为正常状态，而隐患样本性能参数序列中至少一个样本性能参数集对应的时刻该设备为异常状态(例如36个样本性能参数集中第36个样本性能参数集对应的时刻设备为异常状态)，上述异常状态可以是设备的故障告警(例如OTN光模块故障告警)或者该设备相关的通信故障告警(例如OTN光模块对应的光纤中断)。
根据每一个样本性能参数序列获取对应的样本性能参数时间序列图像。
在一些可能的实现方式中，可以根据图2的步骤根据每一个样本性能参数序列获取对应的样本性能参数时间序列图像，可以根据正常样本性能参数序列获取正常样本性能参数时间序列图像，可以根据隐患样本性能参数序列获取隐患样本性能参数时间序列图像。
其中，样本性能参数时间序列图像与性能参数时间序列图像的类型相同，例如均为折线图。
图3示出本申请实施例提供的一种正常样本性能参数时间序列图像的示例，图4示出本申请实施例提供的一种正常样本性能参数时间序列图像的示例。
响应于用户的批注操作获取每一个样本性能参数时间序列图像对应的标注结果。
在一些可能的实现方式中，为提高标注效率，可以仅对隐患样本性能参数时间序列图像进行识别。
步骤12、根据隐患识别训练样本集对预设神经网络模型进行训练，得到隐患识别模型。
在一些可能的实现方式中，预设神经网络模型为生成对抗网络GAN。
图5示出本申请实施例提供的一种生成对抗网络GAN的结构示意图。如图5所示，该生成对抗网络GAN包括生成器G和判别器D，将隐患识别训练样本集中的隐患样本性能参数时间序列图像输入给生成器G，将生成器G的输出和正常样本性能参数时间序列图像输入给判别器D，通过判别器D的判别结果对生成器和\或判别器进行训练优化，在训练过程中，生成器G的目标就是尽量生成真实的图片(即正常样本性能参数时间序列图像)去欺骗判别模型D。而判别器D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”，通过这种互相博弈学习，GAN最终产生较好的输出。
生成对抗网络GAN是一种包含无监督学习的模型。这样可以在隐患样本性能参数时间序列图像不足的情况下，通过学习鉴别不带有隐患标记的正常样本性能参数时间序列图像，判别出有故障隐患的性能参数时间序列图像，从而发现故障隐患的本质规律，降低数据采集的成本、周期，提高数据采集的效率，另外，生成对抗网络GAN可以发现故障隐患概率分布的本质规律，因此泛化能力比普通的判别式网络更强。另外，生成对抗网络GAN在训练过程中采用反向传播梯度下降法，提高了隐患识别模型应用效率。
采用上述的方案，能够通过人工智能技术得到设备的隐患识别结果，提升设备故障隐患的识别效率和准确性。
图6示出本申请实施例提供的设备自维护的方法的又一种流程示意图。如图6所示，隐患识别结果包括设备正常结果或故障隐患结果，该方法还可以包括以下步骤：
步骤14：在隐患识别结果为故障隐患结果的情况下，将设备的业务切换到设备的备用设备。
该备用设备可以是与该设备存在主备用、负荷分担或云备份关系的设备，在该设备的性能参数时间序列图像的隐患识别结果为故障隐患结果的情况下，将设备的业务切换到设备的备用设备。
以OTN光模块为例，在光模块B检测到故障隐患之后，先倒换或者重路由光模块B承载的OTN电层和光层业务，避免光模块B出现突发故障对业务造成的影响。
采用上述的方案，在检测到设备存在故障隐患的情况下，可以主动将故障进行隔离，避免突发故障对业务造成的影响，提升设备自维护的能力。
步骤15：响应于用户对设备的故障隐患排除操作，恢复设备的业务。
在一些可能的实现方式中，响应于用户对设备的故障隐患排除操作，设备可以通过握手等业务检测手段确定设备的通信正常之后，可以恢复设备的业务，即将原先切换到备用设备的业务切换回该设备。
仍以OTN光模块为例，在用户更换或者修复光模块B，并进行光模块B的调测与修复验证处理之后，可以将原先由光模块B承载的OTN电层和光层业务回复到修复后的光模块B上去。
采用上述的方案，在检测到设备故障隐患排除的情况下，可以解除故障隔离，进一步提升设备自维护的能力。
图7示出本申请实施例提供的一种设备自维护的装置的结构示意图，该装置100包括：第一获取模块110、第二获取模块120、确定模块130和展示模块140。
第一获取模块110，获取设备的性能参数序列，性能参数序列包括按照预设的采集周期从设备采集的预设数量个性能参数集，每一个性能参数集包括设备的至少一个性能参数。
第二获取模块120，根据性能参数序列获取设备的性能参数时间序列图像。
确定模块130，将性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果。
展示模块140，展示隐患识别结果。
在一些可能的实现方式中，第二获取模块120，针对每一个性能参数集，将该性能参数集对应的性能参数分别进行归一化处理得到归一化性能参数集；针对每一个归一化性能参数集，对该归一化性能参数集对应的归一化性能参数按照预设的权重加权得到该归一化性能参数集对应的归一化加权性能参数；根据性能参数序列中每一个性能参数集分别对应的所述归一化加权性能参数生成性能参数时间序列图像。
本申请实施例提供的该装置100，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
图8示出本申请实施例提供的另一种设备自维护的装置的结构示意图，该装置100包括：第一获取模块110、第二获取模块120、确定模块130、展示模块140以及训练模块150。
第一获取模块110，获取设备的性能参数序列，性能参数序列包括按照预设的采集周期从设备采集的预设数量个性能参数集，每一个性能参数集包括设备的至少一个性能参数。
第二获取模块120，根据性能参数序列获取设备的性能参数时间序列图像。
确定模块130，将性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果。
展示模块140，展示隐患识别结果。
训练模块150，获取隐患识别训练样本集，隐患识别训练样本集包括多个样本性能参数时间序列图像和每一个样本性能参数时间序列图像分别对应的标注结果，样本性能参数时间序列图像包括正常样本性能参数时间序列图像和隐患样本性能参数时间序列图像；根据隐患识别训练样本集对预设神经网络模型进行训练，得到隐患识别模型。
在一些可能的实现方式中，训练模块150，从设备或者设备的同类设备采集多个样本性能参数序列，每一个样本性能参数序列包括按照预设的采集周期从设备或者设备的同类设备采集的预设数量个样本性能参数集，每一个样本性能参数集包括设备或者设备的同类设备的至少一个样本性能参数；根据每一个样本性能参数序列获取对应的样本性能参数时间序列图像，样本性能参数时间序列图像与性能参数时间序列图像的类型相同；响应于用户的批注操作获取每一个样本性能参数时间序列图像对应的标注结果。
本申请实施例提供的该装置100，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
图9示出本申请实施例提供的又一种设备自维护的装置的结构示意图，该装置100包括：第一获取模块110、第二获取模块120、确定模块130、展示模块140以及处理模块160。
第一获取模块110，获取设备的性能参数序列，性能参数序列包括按照预设的采集周期从设备采集的预设数量个性能参数集，每一个性能参数集包括设备的至少一个性能参数。
第二获取模块120，根据性能参数序列获取设备的性能参数时间序列图像。
确定模块130，将性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果。
展示模块140，展示隐患识别结果。
处理模块160，在隐患识别结果为所述故障隐患结果的情况下，将设备的业务切换到设备的备用设备；响应于用户对设备的故障隐患排除操作，恢复设备的业务。
本申请实施例提供的该装置100，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
图10示出执行本申请实施例提供的电子设备1000的硬件结构示意图，参考该图，在硬件层面，电子设备1000包括处理器，可选地，包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备1000还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，该图中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成定位目标用户的装置。处理器，执行存储器所存放的程序，并具体用于执行：图1-6所示实施例揭示的方法并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
上述如本申请图1-6所示实施例揭示的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备1000还可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
当然，除了软件实现方式之外，本申请的电子设备1000并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行图1-6所示实施例揭示的方法并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
其中，所述的计算机可读存储介质包括只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，实现以下流程：图1-6所示实施例揭示的方法并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
总之，以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-change RAM，PRAM)、静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
- 一种设备自维护的方法，所述方法包括：获取所述设备的性能参数序列，所述性能参数序列包括按照预设的采集周期从所述设备采集的预设数量个性能参数集，每一个所述性能参数集包括所述设备的至少一个性能参数；根据所述性能参数序列获取所述设备的性能参数时间序列图像；将所述性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果；展示所述隐患识别结果。
- 根据权利要求1所述的方法，其中，所述根据所述性能参数序列获取所述设备的性能参数时间序列图像，包括：针对每一个所述性能参数集，将该性能参数集对应的性能参数分别进行归一化处理得到归一化性能参数集；针对每一个所述归一化性能参数集，对该归一化性能参数集对应的归一化性能参数按照预设的权重加权得到该归一化性能参数集对应的归一化加权性能参数；根据所述性能参数序列中每一个所述性能参数集分别对应的所述归一化加权性能参数生成所述性能参数时间序列图像。
- 根据权利要求1所述的方法，其中，所述隐患识别模型通过以下方式训练得到：获取隐患识别训练样本集，所述隐患识别训练样本集包括多个样本性能参数时间序列图像和每一个所述样本性能参数时间序列图像分别对应的标注结果，所述样本性能参数时间序列图像包括正常样本性能参数时间序列图像和隐患样本性能参数时间序列图像；根据隐患识别训练样本集对预设神经网络模型进行训练，得到所述隐患识别模型。
- 根据权利要求3所述的方法，其中，所述获取隐患识别训练样本集包括：从所述设备或者所述设备的同类设备采集多个样本性能参数序列，每一个样本性能参数序列包括按照预设的采集周期从所述设备或者所述设备的同类设备采集的预设数量个样本性能参数集，每一个所述样本性能参数集包括所述设备或者所述设备的同类设备的至少一个样本性能参数；根据每一个所述样本性能参数序列获取对应的样本性能参数时间序列图像，所述样本性能参数时间序列图像与性能参数时间序列图像的类型相同；响应于用户的批注操作获取每一个所述样本性能参数时间序列图像对应的标注结果。
- 根据权利要求3所述的方法，所述预设神经网络模型为生成对抗网络GAN。
- 根据权利要求1至5中任一项所述的方法，其中，所述隐患识别结果包括设备正常结果或故障隐患结果，所述方法还包括：在所述隐患识别结果为所述故障隐患结果的情况下，将所述设备的业务切换到所述设备的备用设备；响应于用户对所述设备的故障隐患排除操作，恢复所述设备的业务。
- 根据权利要求1至5中任一项所述的方法，其中，所述方法应用于OTN光模块自维护，所述性能参数集包括以下性能参数：输入光功率、输出光功率、偏置电流、温度偏移量以及工作电压。
- 一种设备自维护的装置，包括：第一获取模块，获取所述设备的性能参数序列，所述性能参数序列包括按照预设的采集周期从所述设备采集的预设数量个性能参数集，每一个所述性能参数集包括所述设备的至少一个性能参数；第二获取模块，根据所述性能参数序列获取所述设备的性能参数时间序列图像；确定模块，将所述性能参数时间序列图像输入预先训练好的隐患识别模型，得到所述性能参数时间序列图像对应的隐患识别结果；展示模块，展示所述隐患识别结果。
- 一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行权利要求1-7任一项所述的设备自维护的方法的步骤。
- 一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行权利要求1-7任一项所述的设备自维护的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211728138.4 | 2022-12-29 | ||
| CN202211728138.4A CN118279633A (zh) | 2022-12-29 | 2022-12-29 | 设备自维护的方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2024140084A1 true WO2024140084A1 (zh) | 2024-07-04 |
Family
ID=91643344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2023/136834 WO2024140084A1 (zh) | 2022-12-29 | 2023-12-06 | 设备自维护的方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118279633A (zh) |
| WO (1) | WO2024140084A1 (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161810A1 (en) * | 2008-12-19 | 2010-06-24 | Sun Microsystems, Inc. | Generating a training data set for a pattern-recognition model for electronic prognostication for a computer system |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
| CN111291673A (zh) * | 2020-02-04 | 2020-06-16 | 贵州省人民医院 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
| WO2021051945A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技（深圳）有限公司 | 服务器性能监控方法、装置、计算机设备及存储介质 |
| CN113364519A (zh) * | 2021-06-09 | 2021-09-07 | 聊城大学 | 一种光性能监测方法、装置、电子设备以及存储介质 |
-
2022
- 2022-12-29 CN CN202211728138.4A patent/CN118279633A/zh active Pending
-
2023
- 2023-12-06 WO PCT/CN2023/136834 patent/WO2024140084A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161810A1 (en) * | 2008-12-19 | 2010-06-24 | Sun Microsystems, Inc. | Generating a training data set for a pattern-recognition model for electronic prognostication for a computer system |
| CN106059661A (zh) * | 2015-12-25 | 2016-10-26 | 国家电网公司 | 一种基于时序分析的光传输网络趋势预测方法 |
| WO2021051945A1 (zh) * | 2019-09-18 | 2021-03-25 | 平安科技（深圳）有限公司 | 服务器性能监控方法、装置、计算机设备及存储介质 |
| CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技（深圳）有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
| CN111291673A (zh) * | 2020-02-04 | 2020-06-16 | 贵州省人民医院 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
| CN113364519A (zh) * | 2021-06-09 | 2021-09-07 | 聊城大学 | 一种光性能监测方法、装置、电子设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118279633A (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10585774B2 (en) | Detection of misbehaving components for large scale distributed systems | |
| CN109587008B (zh) | 检测异常流量数据的方法、装置及存储介质 | |
| CN104885099A (zh) | 使用推升式决策树桩和联合特征选择及剔选算法来对移动设备行为进行高效分类的方法和系统 | |
| US20210117779A1 (en) | Method, device, and computer program product for error evaluation | |
| CN108243191A (zh) | 风险行为识别方法、存储介质、设备及系统 | |
| CN112087334A (zh) | 告警根因分析方法、电子设备和存储介质 | |
| CN111126623B (zh) | 一种模型更新方法、装置及设备 | |
| CN108647106A (zh) | 应用异常处理方法、存储介质及计算机设备 | |
| CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
| US20230370486A1 (en) | Systems and methods for dynamic vulnerability scoring | |
| US20240118984A1 (en) | Prediction method and apparatus for faulty gpu, electronic device and storage medium | |
| WO2024140084A1 (zh) | 设备自维护的方法、装置、电子设备及存储介质 | |
| WO2024113909A1 (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 | |
| CN110929285B (zh) | 一种隐私数据的处理方法及装置 | |
| CN117319258A (zh) | EdgeX的节点异常检测方法、装置、设备及存储介质 | |
| CN115185724A (zh) | 故障处理方法、装置、电子设备以及存储介质 | |
| CN111385342B (zh) | 一种物联网行业识别方法、装置、电子设备及存储介质 | |
| CN113132149B (zh) | 网络数据分级方法、装置及网管服务器、存储介质 | |
| JP7524492B1 (ja) | 通信管理装置および通信管理方法 | |
| CN118316190B (zh) | 基于物联网的电力系统监测系统 | |
| US11526606B1 (en) | Configuring machine learning model thresholds in models using imbalanced data sets | |
| CN112512072B (zh) | VoLTE网络故障预测方法及设备 | |
| Vinh et al. | An Efficient Lightweight Anomaly Detection for 5G Core Network | |
| Jayaweera et al. | An Approach to Examine and Recognize Anomalies on Cloud Computing Platforms with Machine Learning Concepts | |
| CN117807598A (zh) | 一种恶意软件的检测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 23910014 Country of ref document: EP Kind code of ref document: A1 |