CN106294076B - 一种服务器关联故障预测方法及其*** - Google Patents
一种服务器关联故障预测方法及其*** Download PDFInfo
- Publication number
- CN106294076B CN106294076B CN201610719771.5A CN201610719771A CN106294076B CN 106294076 B CN106294076 B CN 106294076B CN 201610719771 A CN201610719771 A CN 201610719771A CN 106294076 B CN106294076 B CN 106294076B
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- frequent item
- item set
- type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007257 malfunction Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 239000012141 concentrate Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种服务器关联故障预测方法，包括在服务器发生故障后，确定故障的类型；从预先根据Apriori算法得到的关联故障集中获取与故障相关联的故障，作为后续预测故障；供工作人员根据后续预测故障采取相应的补偿操作。本发明能够当服务器出现故障后，根据关联故障集中故障类型的关联性，预测后续可能出现的故障类型，使工作人员能够提早做出一定的补偿操作，及时避免后续故障的发生以及在后续故障发生后尽可能减少对服务器的影响，提高了服务器的RAS性能。本发明还公开了一种服务器关联故障预测***，也具有上述优点，在此不再赘述。
Description
技术领域
本发明涉及服务器故障管理技术领域，特别是涉及一种服务器关联故障预测方法及其***。
背景技术
随着计算机技术飞速发展，高性能的服务器***越来越成为经济社会发展的需要，并且对服务器的安全性的要求也随之提高，而安全性主要体现在RAS性能上。RAS性能指的是机器的可靠性(Reliability)、可用性(Availability)和可服务性(Serviceability)。RAS能力主要看几个方面：System级别的RAS特性、CPU RAS特性、内存RAS特性、I/O RAS特性等。
这些不同级别的RAS特性都要求当服务器发生故障时，能够对故障进行快速诊断，继而执行修复操作，使之尽可能少的影响服务器的稳定运行，但是，由于不同故障之间可能存在关联，即一个故障可能引发另一个故障的产生，而目前的服务器只能在故障发生后才察觉并进行处理，对后续引发的故障的诊断及处理往往不够及时，容易影响服务器的RAS性能。
因此，如何提供一种能够提高服务器的RAS性能的服务器关联故障预测方法及其***是本领域技术人员目前需要解决的问题。
发明内容
本发明的目的是提供一种服务器关联故障预测方法及其***，能够当服务器出现故障后，预测后续可能出现的故障类型，使工作人员提早做出一定的补偿操作，提高服务器的RAS性能。
为解决上述技术问题，本发明提供了一种服务器关联故障预测方法，包括：
在所述服务器发生故障后，确定所述故障的类型；
从预先根据Apriori算法得到的关联故障集中获取与所述故障相关联的故障，作为后续预测故障；供工作人员根据所述后续预测故障采取相应的补偿操作。
优选地，所述关联故障集的获取过程具体为：
步骤s201：收集所述服务器的故障信息，得到故障信息数据库，将所述故障信息数据库作为第一数据库；其中，每条所述故障信息包括故障类型以及故障发生的时间；
步骤s202：遍历所述第一数据库，查找发生次数大于依据所述Apriori算法设定的最小支持度阈值的故障类型，从所述第一数据库内提取出所述故障类型对应的全部故障信息组成第一频繁项集；
步骤s203：遍历所述第一频繁项集，得到每种故障类型的发生时间区间；
步骤s204：确定有关联的故障类型组合，其中，每个所述故障类型组合内包括两个发生时间区间有交集的故障类型；
步骤s205：确定所述第一频繁项集内各个所述故障类型组合对应的两种故障类型的故障同时发生的次数；其中，若两种故障类型的故障的发生时间差值小于预设时间差值，则判定所述两种故障类型的故障同时发生；
步骤s206：选取同时发生次数大于所述最小支持度阈值的故障类型组合，确定所述第一频繁项集内各个所述故障类型组合中的两种故障类型分别发生的次数；
步骤s207：将各个所述故障类型组合的同时发生次数分别与自身包含的两种故障类型分别发生的次数作比，将得到的两个比较结果作为所述故障类型组合的一组置信度；
步骤s208：判断各组所述置信度内的两个比较结果是否均大于依据所述Apriori算法设定的最小置信度阈值，如果是，所述置信度对应的故障类型组合中的两种故障类型具有关联性；
步骤s209：从所述第一频繁项集内选取具有关联性的各种故障类型对应的故障信息组成第二频繁项集，所述第二频繁项集即为所述关联故障集。
优选地，所述步骤s209中得到所述第二频繁项集之后还包括：
将所述第二频繁项集确定为所述第一数据库，按照预设规则更新所述最小支持度阈值、所述最小置信度阈值以及所述预设时间差值，重复所述步骤s202，直至得到的第二频繁项集满足结束条件，则将此时得到的第二频繁项集作为所述关联故障集。
优选地，所述结束条件具体为：
得到的第二频繁项集内的故障类型数量小于预设数量阈值。
优选地，所述结束条件具体为：
得到第二频繁项集时采用的一组最小支持度阈值、最小置信度阈值以及预设时间差值的大小满足预设关联阈值组。
为解决上述技术问题，本发明还提供了一种服务器关联故障预测***，包括：
故障确定模块，用于在所述服务器发生故障后，确定所述故障的类型；
后续故障预测模块，用于从预先根据Apriori算法得到的关联故障集中获取与所述故障相关联的故障，作为后续预测故障；供工作人员根据所述后续预测故障采取相应的补偿操作。
本发明提供了一种服务器关联故障预测方法，该方法预先Apriori算法得到一个关联故障集，当服务器出现故障后，能够根据关联故障集中故障类型的关联性，预测后续可能出现的故障类型，从而使工作人员能够提早做出一定的补偿操作，及时避免后续故障的发生以及在后续故障发生后尽可能减少对服务器的影响，提高了服务器的RAS性能。本发明还提供了一种服务器关联故障预测***，也具有上述优点，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例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为本发明提供的一种服务器关联故障预测方法的过程的流程图；
图2为本发明提供的一种关联故障集的获取过程的流程图；
图3为本发明提供的一种服务器关联故障预测***的结构示意图。
具体实施方式
本发明的核心是提供一种服务器关联故障预测方法及其***，能够当服务器出现故障后，预测后续可能出现的故障类型，使工作人员提早做出一定的补偿操作，提高服务器的RAS性能。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明提供了一种服务器关联故障预测方法，参见图1所示，图1为本发明提供的一种服务器关联故障预测方法的过程的流程图；该方法包括：
步骤s101：在服务器发生故障后，确定故障的类型；
步骤s102：从预先根据Apriori算法得到的关联故障集中获取与故障相关联的故障，作为后续预测故障；供工作人员根据后续预测故障采取相应的补偿操作。
其中，Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。上述关联故障集中包括的是具有关联关系的故障类型，且根据上述关联故障集能够体现出各个故障类型之间的关联程度，故根据关联故障集能够预测发生某一类型的故障之后可能发生的故障。
参见图2所示，图2为本发明提供的一种关联故障集的获取过程的流程图；具体的，关联故障集的获取过程具体为：
步骤s201：收集服务器的故障信息，得到故障信息数据库，将故障信息数据库作为第一数据库；其中，每条故障信息包括故障类型以及故障发生的时间；
步骤s202：遍历第一数据库，查找发生次数大于依据Apriori算法设定的最小支持度阈值的故障类型，从第一数据库内提取出故障类型对应的全部故障信息组成第一频繁项集；
例如，最小支持度阈值为1，则将第一数据库内发生次数大于1次的故障类型对应的故障信息提取出来组成第一频繁项集。
步骤s203：遍历第一频繁项集，得到每种故障类型的发生时间区间；
步骤s204：确定有关联的故障类型组合，其中，每个故障类型组合内包括两个发生时间区间有交集的故障类型；
其中，这里的发生时间区间指的是该故障类型的最早发生时间与最晚发生时间的区间。
步骤s205：确定第一频繁项集内各个故障类型组合对应的两种故障类型的故障同时发生的次数；其中，若两种故障类型的故障的发生时间差值小于预设时间差值，则判定两种故障类型的故障同时发生；
步骤s206：选取同时发生次数大于最小支持度阈值的故障类型组合，确定第一频繁项集内各个故障类型组合中的两种故障类型分别发生的次数；
步骤s207：将各个故障类型组合的同时发生次数分别与自身包含的两种故障类型分别发生的次数作比，将得到的两个比较结果作为故障类型组合的一组置信度；
步骤s208：判断各组置信度内的两个比较结果是否均大于依据Apriori算法设定的最小置信度阈值，如果是，置信度对应的故障类型组合中的两种故障类型具有关联性；
例如，A类型发生了4次，B类型发生了2次，AB类型同时发生了3次，则A类型对应的置信度为P(AB)/P(A)＝3/4，B类型对应的置信度为P(AB)/P(B)＝3/2。假设最小置信度阈值为70％，则AB类型对应的置信度均大于最小置信度阈值，表明A类型和B类型具有关联性。
步骤s209：从第一频繁项集内选取具有关联性的各种故障类型对应的故障信息组成第二频繁项集，第二频繁项集即为关联故障集。
作为优选地，步骤s209中得到第二频繁项集之后还包括：
步骤s210：将第二频繁项集确定为第一数据库，按照预设规则更新最小支持度阈值、最小置信度阈值以及预设时间差值，重复步骤s202，直至得到的第二频繁项集满足结束条件，则将此时得到的第二频繁项集作为关联故障集。
可以理解的是，实际应用中故障类型的数量很多，仅进行一次上述步骤s202-步骤s209的操作得到结果不足以精确的表明故障关联关系，故需要不断调整最小支持度阈值、最小置信度阈值以及预设时间差值的数值，并重复进行上述操作，直至得到的结果足够精确为止。可以理解的是，为了提高每次循环操作的准确性，预设规则内最小支持度阈值和最小置信度阈值的大小应逐渐提高，预设时间差值应逐渐减小，例如第一次循环操作中最小支持度阈值为1，最小置信度阈值为70％，预设时间差值为1s；第二次循环操作中最小支持度阈值为3，最小置信度阈值为80％，预设时间差值为30s。当然，本发明不限定各次循环操作中最小支持度阈值、最小置信度阈值以及预设时间差值的具体数值，工作人员可根据实际情况自行设定。
作为优选地，这里的结束条件具体为：
得到的第二频繁项集内的故障类型数量小于预设数量阈值。
可以理解的是，当第二频繁项集中的故障类型数量足够小时，能够从一定程度上反映此时的关联性预测的准确度已经比较精确。
作为优选地，在另一种实施例中，这里的结束条件具体为：
得到第二频繁项集时采用的一组最小支持度阈值、最小置信度阈值以及预设时间差值的大小满足预设关联阈值组。
可以理解的是，由上述分析可知，最小支持度阈值、最小置信度阈值以及预设时间差值的数值随着循环次数的增加而不断调整，故当最小支持度阈值和最小置信度阈值的数值足够大且预设时间差值足够小时，得到的第二频繁项集中各种故障类型的关联性的准确度即会比较高，即最小支持度阈值、最小置信度阈值以及预设时间差值的数值能够从侧面反映得到的第二频繁项集的关联准确度，故可以据此判断是否应结束循环操作。
当然，以上两种结束条件仅为优选实施例，工作人员可选择任一种条件，或采用其他结束条件，本发明对此不作限定。
本发明提供了一种服务器关联故障预测方法，该方法预先Apriori算法得到一个关联故障集，当服务器出现故障后，能够根据关联故障集中故障类型的关联性，预测后续可能出现的故障类型，从而使工作人员能够提早做出一定的补偿操作，及时避免后续故障的发生以及在后续故障发生后尽可能减少对服务器的影响，提高了服务器的RAS性能。
本发明还提供了一种服务器关联故障预测***，参见图3所示，图3为本发明提供的一种服务器关联故障预测***的结构示意图。该***包括：
故障确定模块11，用于在服务器发生故障后，确定故障的类型；
后续故障预测模块12，用于从预先根据Apriori算法得到的关联故障集中获取与故障相关联的故障，作为后续预测故障；供工作人员根据后续预测故障采取相应的补偿操作。
本发明提供了一种服务器关联故障预测***，该***预先Apriori算法得到一个关联故障集，当服务器出现故障后，能够根据关联故障集中故障类型的关联性，预测后续可能出现的故障类型，从而使工作人员能够提早做出一定的补偿操作，及时避免后续故障的发生以及在后续故障发生后尽可能减少对服务器的影响，提高了服务器的RAS性能。
需要说明的是，在本说明书中，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。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、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种服务器关联故障预测方法，其特征在于，包括：
在所述服务器发生故障后，确定所述故障的类型；
从预先根据Apriori算法得到的关联故障集中获取与所述故障相关联的故障，作为后续预测故障；供工作人员根据所述后续预测故障采取相应的补偿操作；
所述关联故障集的获取过程具体为：
步骤s201：收集所述服务器的故障信息，得到故障信息数据库，将所述故障信息数据库作为第一数据库；其中，每条所述故障信息包括故障类型以及故障发生的时间；
步骤s202：遍历所述第一数据库，查找发生次数大于依据所述Apriori算法设定的最小支持度阈值的故障类型，从所述第一数据库内提取出所述故障类型对应的全部故障信息组成第一频繁项集；
步骤s203：遍历所述第一频繁项集，得到每种故障类型的发生时间区间；
步骤s204：确定有关联的故障类型组合，其中，每个所述故障类型组合内包括两个发生时间区间有交集的故障类型；
步骤s205：确定所述第一频繁项集内各个所述故障类型组合对应的两种故障类型的故障同时发生的次数；其中，若两种故障类型的故障的发生时间差值小于预设时间差值，则判定所述两种故障类型的故障同时发生；
步骤s206：选取同时发生次数大于所述最小支持度阈值的故障类型组合，确定所述第一频繁项集内各个所述故障类型组合中的两种故障类型分别发生的次数；
步骤s207：将各个所述故障类型组合的同时发生次数分别与自身包含的两种故障类型分别发生的次数作比，将得到的两个比较结果作为所述故障类型组合的一组置信度；
步骤s208：判断各组所述置信度内的两个比较结果是否均大于依据所述Apriori算法设定的最小置信度阈值，如果是，所述置信度对应的故障类型组合中的两种故障类型具有关联性；
步骤s209：从所述第一频繁项集内选取具有关联性的各种故障类型对应的故障信息组成第二频繁项集，所述第二频繁项集即为所述关联故障集。
2.根据权利要求1所述的方法，其特征在于，所述步骤s209中得到所述第二频繁项集之后还包括：
将所述第二频繁项集确定为所述第一数据库，按照预设规则更新所述最小支持度阈值、所述最小置信度阈值以及所述预设时间差值，重复所述步骤s202，直至得到的第二频繁项集满足结束条件，则将此时得到的第二频繁项集作为所述关联故障集。
3.根据权利要求2所述的方法，其特征在于，所述结束条件具体为：
得到的第二频繁项集内的故障类型数量小于预设数量阈值。
4.根据权利要求2所述的方法，其特征在于，所述结束条件具体为：
得到第二频繁项集时采用的一组最小支持度阈值、最小置信度阈值以及预设时间差值的大小满足预设关联阈值组。
5.一种服务器关联故障预测***，其特征在于，包括：
故障确定模块，用于在所述服务器发生故障后，确定所述故障的类型；
后续故障预测模块，用于从预先根据Apriori算法得到的关联故障集中获取与所述故障相关联的故障，作为后续预测故障；供工作人员根据所述后续预测故障采取相应的补偿操作；
所述关联故障集关联故障集的获取过程具体为：收集所述服务器的故障信息，得到故障信息数据库，将所述故障信息数据库作为第一数据库；其中，每条所述故障信息包括故障类型以及故障发生的时间；遍历所述第一数据库，查找发生次数大于依据所述Apriori算法设定的最小支持度阈值的故障类型，从所述第一数据库内提取出所述故障类型对应的全部故障信息组成第一频繁项集；遍历所述第一频繁项集，得到每种故障类型的发生时间区间；确定有关联的故障类型组合，其中，每个所述故障类型组合内包括两个发生时间区间有交集的故障类型；确定所述第一频繁项集内各个所述故障类型组合对应的两种故障类型的故障同时发生的次数；其中，若两种故障类型的故障的发生时间差值小于预设时间差值，则判定所述两种故障类型的故障同时发生；选取同时发生次数大于所述最小支持度阈值的故障类型组合，确定所述第一频繁项集内各个所述故障类型组合中的两种故障类型分别发生的次数；将各个所述故障类型组合的同时发生次数分别与自身包含的两种故障类型分别发生的次数作比，将得到的两个比较结果作为所述故障类型组合的一组置信度；判断各组所述置信度内的两个比较结果是否均大于依据所述Apriori算法设定的最小置信度阈值，如果是，所述置信度对应的故障类型组合中的两种故障类型具有关联性；从所述第一频繁项集内选取具有关联性的各种故障类型对应的故障信息组成第二频繁项集，所述第二频繁项集即为所述关联故障集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610719771.5A CN106294076B (zh) | 2016-08-24 | 2016-08-24 | 一种服务器关联故障预测方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610719771.5A CN106294076B (zh) | 2016-08-24 | 2016-08-24 | 一种服务器关联故障预测方法及其*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106294076A CN106294076A (zh) | 2017-01-04 |
| CN106294076B true CN106294076B (zh) | 2019-03-15 |
Family
ID=57616329
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610719771.5A Active CN106294076B (zh) | 2016-08-24 | 2016-08-24 | 一种服务器关联故障预测方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106294076B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106844582A (zh) * | 2017-01-10 | 2017-06-13 | 北京市地铁运营有限公司地铁运营技术研发中心 | 一种地铁列车故障应急处理***及方法 |
| CN108362957B (zh) * | 2017-12-19 | 2020-09-11 | 东软集团股份有限公司 | 设备故障诊断方法、装置、储存介质和电子设备 |
| JP6880241B2 (ja) * | 2018-01-15 | 2021-06-02 | 三菱電機株式会社 | 障害検知装置、監視制御システム、および障害検知方法 |
| CN109814526B (zh) * | 2018-12-29 | 2021-06-08 | 卡斯柯信号有限公司 | 面向轨旁安全信号***的维护诊断方法 |
| CN110474799B (zh) * | 2019-07-31 | 2022-03-25 | 中国联合网络通信集团有限公司 | 故障定位方法及装置 |
| CN110502398B (zh) * | 2019-08-21 | 2022-03-29 | 吉林吉大通信设计院股份有限公司 | 一种基于人工智能的交换机故障预测***及方法 |
| CN111143134B (zh) * | 2019-12-30 | 2024-06-04 | 深圳Tcl新技术有限公司 | 故障处理方法、设备及计算机存储介质 |
| CN112801426B (zh) * | 2021-04-06 | 2021-06-22 | 浙江浙能技术研究院有限公司 | 一种基于关联参数挖掘的工业过程故障融合预测方法 |
| CN113515560A (zh) * | 2021-07-19 | 2021-10-19 | 彩虹无线（北京）新技术有限公司 | 车辆故障的分析方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010198410A (ja) * | 2009-02-26 | 2010-09-09 | Nec Computertechno Ltd | サーバ故障予測システム |
| CN102006198A (zh) * | 2010-12-16 | 2011-04-06 | 中国电子科技集团公司第三十研究所 | 一种网络故障关联规则获取方法及装置 |
| CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
| CN104463706A (zh) * | 2014-12-10 | 2015-03-25 | 深圳供电局有限公司 | 一种用于电网检测电压暂降事件原因的方法和*** |
| CN104734871A (zh) * | 2013-12-20 | 2015-06-24 | 中兴通讯股份有限公司 | 一种实现故障定位的方法及装置 |
| CN105224616A (zh) * | 2015-09-18 | 2016-01-06 | 浪潮软件股份有限公司 | 一种基于时间序列的apriori算法改进方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3981349B2 (ja) * | 2003-10-09 | 2007-09-26 | 株式会社森精機製作所 | 遠隔操作システム |
-
2016
- 2016-08-24 CN CN201610719771.5A patent/CN106294076B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010198410A (ja) * | 2009-02-26 | 2010-09-09 | Nec Computertechno Ltd | サーバ故障予測システム |
| CN102006198A (zh) * | 2010-12-16 | 2011-04-06 | 中国电子科技集团公司第三十研究所 | 一种网络故障关联规则获取方法及装置 |
| CN104734871A (zh) * | 2013-12-20 | 2015-06-24 | 中兴通讯股份有限公司 | 一种实现故障定位的方法及装置 |
| CN103871003A (zh) * | 2014-03-31 | 2014-06-18 | 国家电网公司 | 一种应用历史故障数据的配电网故障诊断方法 |
| CN104463706A (zh) * | 2014-12-10 | 2015-03-25 | 深圳供电局有限公司 | 一种用于电网检测电压暂降事件原因的方法和*** |
| CN105224616A (zh) * | 2015-09-18 | 2016-01-06 | 浪潮软件股份有限公司 | 一种基于时间序列的apriori算法改进方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于时序关联规则的设备故障预测方法研究";甘超等;《机床与液压》;20140630;第42卷(第11期);第167-171页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106294076A (zh) | 2017-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106294076B (zh) | 一种服务器关联故障预测方法及其*** | |
| US11176015B2 (en) | Log message analysis and machine-learning based systems and methods for predicting computer software process failures | |
| US10803137B2 (en) | Method and apparatus for grouping web page labels in a web browser | |
| US8806330B2 (en) | Automatic detection of item lists within a web page | |
| US11012289B2 (en) | Reinforced machine learning tool for anomaly detection | |
| CN102915314A (zh) | 一种纠错对自动生成方法及*** | |
| CN102314452B (zh) | 一种通过输入法平台进行导航的方法及*** | |
| US7836048B2 (en) | Socially-derived relevance in search engine results | |
| CN102959542A (zh) | 用于管理视频内容的方法和装置 | |
| CN102722498A (zh) | 搜索引擎及其实现方法 | |
| JP5521807B2 (ja) | 障害原因推定装置、障害原因推定プログラム及び障害原因推定方法 | |
| US20200272674A1 (en) | Method and apparatus for recommending entity, electronic device and computer readable medium | |
| KR101638535B1 (ko) | 사용자 검색어 연관 이슈패턴 검출 방법, 이를 수행하는 이슈패턴 검출 서버 및 이를 저장하는 기록매체 | |
| EP2805266A1 (en) | Grouping search results into a profile page | |
| CN105824949A (zh) | 一种评论添加方法及装置 | |
| CN110457595A (zh) | 突发事件报警方法、装置、***、电子设备及存储介质 | |
| CN101706812A (zh) | 一种文档的检索方法和装置 | |
| CN105447005A (zh) | 一种对象推送方法及装置 | |
| CN113360350A (zh) | 定位网络设备根因告警的方法、装置、设备和存储介质 | |
| CN115204889A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
| CN110580337A (zh) | 一种基于实体相似度计算的专业实体消歧实现方法 | |
| US20110113006A1 (en) | Business process control apparatus, businesses process control method and business process control program | |
| CN104156458A (zh) | 一种信息的提取方法及装置 | |
| CN111666417A (zh) | 生成同义词的方法、装置、电子设备以及可读存储介质 | |
| CN111078988A (zh) | 一种电力服务信息热点检索方法、装置和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |