CN110647446B - 一种日志故障关联与预测方法、装置、设备及存储介质 - Google Patents

一种日志故障关联与预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110647446B
CN110647446B CN201810669273.3A CN201810669273A CN110647446B CN 110647446 B CN110647446 B CN 110647446B CN 201810669273 A CN201810669273 A CN 201810669273A CN 110647446 B CN110647446 B CN 110647446B
Authority
CN
China
Prior art keywords
log
event
probability
training
events
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
Application number
CN201810669273.3A
Other languages
English (en)
Other versions
CN110647446A (zh
Inventor
戴新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN201810669273.3A priority Critical patent/CN110647446B/zh
Publication of CN110647446A publication Critical patent/CN110647446A/zh
Application granted granted Critical
Publication of CN110647446B publication Critical patent/CN110647446B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本文公开了一种日志故障关联与预测方法、装置、设备及存储介质，属于通信技术领域，该方法包括：获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间；通过帕累托分析，将高频事件作为***扰动舍弃，加速了数据处理与训练；通过贝叶斯运算，能够以概率的方式给出日志故障的关联关系，变人工判断为由机器给出不平衡概率分布，协助运维人员决策，降低了劳动强度，提高了工作效率。

Description

一种日志故障关联与预测方法、装置、设备及存储介质
技术领域
本文涉及通信技术领域，尤其涉及一种日志故障关联与预测方法、装置、设备及存储介质。
背景技术
在日常的***运维过程中，无论是IT***还是CT***，遇到问题时往往需要运维人员、研发人员根据日志来定位问题，随着***越来越复杂，往往一个问题需要多个子***的人来定位，效率低，人力成本开销巨大，研发往往需要加班来定位、解决问题，结果造成三个不满意：客户不满意(嫌解决问题太慢)、研发不满意(嫌加班太多)、领导不满意(部门整体效率不高)。
发明内容
本文在于提供一种日志故障关联与预测方法、装置、设备及存储介质,通过帕累托分析，将高频事件作为***扰动舍弃，加速了数据处理与训练；通过贝叶斯运算，能够以概率的方式给出日志故障的关联关系，变人工判断为由机器给出不平衡概率分布，协助运维人员决策，降低了劳动强度，提高了工作效率。
本文解决上述技术问题所采用的技术方案如下：
根据本文的一个方面，提供的一种日志故障关联与预测方法，包括：
获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；
通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；
根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间。
可选地，所述获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本包括：
获取历史业务日志，根据业务日志的规范、特征对所述历史业务日志进行分类；
对所述历史业务日志进行帕累托分析，得出每一类业务日志发生的次数，并按次数进行正序排列；
根据预设的分位值，过滤高频业务日志，得到训练日志样本。
可选地，所述高频业务日志为***扰动信息。
可选地，所述关联事件包括日志事件和关联故障事件。
可选地，所述通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型包括：
通过预设的时间窗过滤所述训练日志样本，得到关联故障事件的先验概率、关联故障事件发生前对应的时间窗内出现对应日志事件的概率，以及关联故障事件发生的概率；
通过贝叶斯公式计算得到关联故障事件的后验概率，并计算日志事件到关联故障事件的间隔时间；
设置置信度阈值，将所有日志事件的后验概率与所述置信度阈值作比较，筛选出后验概率大于所述置信度阈值的日志事件，将所述日志事件及对应的间隔时间存入规则库，形成关联事件的预测模型。
可选地，所述时间窗的时长为5分钟、15分钟或半小时。
可选地，所述根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间之后还包括：
获取关联故障事件实时出现的概率及时间，并更新所述预测模型。
根据本文的另一个方面，提供的一种日志故障关联与预测装置，包括：
帕累托分析模块，用于获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；
贝叶斯运算模块，用于通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；
预测模块，用于根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间。
根据本文的再一个方面，提供的一种电子设备，包括存储器、处理器和至少一个被存储在所述存储器中并被配置为由所述处理器执行的应用程序，所述应用程序被配置为用于执行以上所述的日志故障关联与预测方法。
根据本文的再一个方面，提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上所述的日志故障关联与预测方法。
本发明实施例的一种日志故障关联与预测方法、装置、设备及存储介质，该方法包括：获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间；通过帕累托分析，将高频事件作为***扰动舍弃，加速了数据处理与训练；通过贝叶斯运算，能够以概率的方式给出日志故障的关联关系，变人工判断为由机器给出不平衡概率分布，协助运维人员决策，降低了劳动强度，提高了工作效率。
附图说明
图1为本发明实施例一提供的一种日志故障关联与预测方法流程图；
图2为图1中步骤S10的一种方法流程图；
图3为图1中步骤S20的一种方法流程图；
图4为本发明实施例一提供的另一种日志故障关联与预测方法流程图；
图5为本发明实施例二提供的一种日志故障关联与预测装置示范性结构框图。
本文目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本文所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本文进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本文，并不用于限定本文。
实施例一
如图1所示，在本实施例中，一种日志故障关联与预测方法，包括：
S10、获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；
S20、通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；
S30、根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间。
在本实施例中，通过帕累托分析，将高频事件作为***扰动舍弃，加速了数据处理与训练；通过贝叶斯运算，能够以概率的方式给出日志故障的关联关系，变人工判断为由机器给出不平衡概率分布，协助运维人员决策，降低了劳动强度，提高了工作效率。
在本实施例中，帕累托分析法，也称ABC分类法(Activity BasedClassification)，全称应为ABC分类库存控制法，又称“80对20规则”。具体到本实施例中，可以对日志样本进行帕累托分析，得出每一类日志发生的次数，并按次数进行正序排列，然后根据设定的分位，将排名后20％的日志种类舍弃，根据帕累托法则，这意味着可以少处理80％以上的日志。
在本实施例中，贝叶斯推断作为人工智能领域常用的一种方法，能够通过概率的方式给出日志故障关联关系，无需专业人员分析后定义规则，只需要标注故障种类与故障发生的时间，在不确定性条件下(小数据集)具有显著优势(并非所有情况下都可以得到大数据集用于训练)。
在本实施例中，考虑到各种日志事件在软件生命周期的不同阶段分布的不均衡性(软件在安装部署态和在运行态，以及在试运行和平稳运行阶段的日志事件的概率分布肯定是不一样的)，为了确保预测模型(规则库)的时效性，在步骤S10中，引入大时间窗的概念，根据配置以15天、30天、60天作为大时间窗，即训练数据集，从最近的15天、30天、60天的历史日志中获取。
在本实施例中，获取历史业务日志时，首先对历史日志信息进行故障类型和故障时间标注，以便于进行贝叶斯运算。
如图2所示，在本实施例中，所述步骤S10包括：
S11、获取历史业务日志，根据业务日志的规范、特征对所述历史业务日志进行分类；
S12、对所述历史业务日志进行帕累托分析，得出每一类业务日志发生的次数，并按次数进行正序排列；
S13、根据预设的分位值，过滤高频业务日志，得到训练日志样本。
在本实施例中，所述分位值为80％，按照次数正序排列，也即从少到多的顺序排列，位于排名后20％的日志种类，表示为次数较多，频率较高，这些业务为***扰动，且根据帕累托分析法，这类业务占总业务量的80％，这意味着将80％以上的日志数据排除在训练集以外，大大减轻了分析引擎的负荷，加快了规则的生成。
在本实施例中，所述高频业务日志为***扰动信息。
在本实施例中，所述关联事件包括日志事件和关联故障事件。
如图3所示，在本实施例中，所述步骤S20包括：
S21、通过预设的时间窗过滤所述训练日志样本，得到关联故障事件的先验概率、关联故障事件发生前对应的时间窗内出现对应日志事件的概率，以及关联故障事件发生的概率；
S22、通过贝叶斯公式计算得到关联故障事件的后验概率，并计算日志事件到关联故障事件的间隔时间；
S23、设置置信度阈值，将所有日志事件的后验概率与所述置信度阈值作比较，筛选出后验概率大于所述置信度阈值的日志事件，将所述日志事件及对应的间隔时间存入规则库，形成关联事件的预测模型。
在本实施例中，所述时间窗为小时间窗，其时长为5分钟、15分钟或半小时。通过设定的时间窗(5分钟、15分钟或者半小时)去过滤整个样本周期，得到先验概率P(A),关联故障事件发生前对应的时间窗内出现对应日志事件的概率P(B),关联故障事件发生的概率P(A|B),然后通过贝叶斯公式得到后验概率P(B|A),并且计算事件A到故障B的平均间隔时间。根据设定的置信度阈值(比如：80％)筛选所以日志事件的P(B|A)大于该下限的日志事件，同时和间隔时间一起存入规则库。
在本实施例中，当某一类故障关联日志出现以后，报相应信息：“XXX时间出现XXX日志，XX％概率会在XX时长以后出现XXX故障。”
如图4所示，在本实施例中，所述步骤S30之后还包括：
S40、获取关联故障事件实时出现的概率及时间，并更新所述预测模型。以保证预测模型的时效性。
实施例二
如图5所示，一种日志故障关联与预测装置，包括：
帕累托分析模块10，用于获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；
贝叶斯运算模块20，用于通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；
预测模块30，用于根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间。
在本实施例中，通过帕累托分析，将高频事件作为***扰动舍弃，加速了数据处理与训练；通过贝叶斯运算，能够以概率的方式给出日志故障的关联关系，变人工判断为由机器给出不平衡概率分布，协助运维人员决策，降低了劳动强度，提高了工作效率。
在本实施例中，帕累托分析法，也称ABC分类法(Activity BasedClassification)，全称应为ABC分类库存控制法，又称“80对20规则”。具体到本实施例中，可以对日志样本进行帕累托分析，得出每一类日志发生的次数，并按次数进行正序排列，然后根据设定的分位，将排名后20％的日志种类舍弃，根据帕累托法则，这意味着可以少处理80％以上的日志。
在本实施例中，贝叶斯推断作为人工智能领域常用的一种方法，能够通过概率的方式给出日志故障关联关系，无需专业人员分析后定义规则，只需要标注故障种类与故障发生的时间，在不确定性条件下(小数据集)具有显著优势(并非所有情况下都可以得到大数据集用于训练)。
在本实施例中，考虑到各种日志事件在软件生命周期的不同阶段分布的不均衡性(软件在安装部署态和在运行态，以及在试运行和平稳运行阶段的日志事件的概率分布肯定是不一样的)，为了确保预测模型(规则库)的时效性，引入大时间窗的概念，根据配置以15天、30天、60天作为大时间窗，即训练数据集，从最近的15天、30天、60天的历史日志中获取。
在本实施例中，获取历史业务日志时，首先对历史日志信息进行故障类型和故障时间标注，以便于进行贝叶斯运算。
在本实施例中，当某一类故障关联日志出现以后，报相应信息：“XXX时间出现XXX日志，XX％概率会在XX时长以后出现XXX故障。”
实施例三
在本实施例中，一种电子设备，包括存储器、处理器和至少一个被存储在所述存储器中并被配置为由所述处理器执行的应用程序，所述应用程序被配置为用于执行实施例一所述的日志故障关联与预测方法。
实施例四
本发明实施例提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述日志故障关联与预测方法实施例中任一所述的方法实施例。
需要说明的是，上述装置、设备实和存储介质实施例与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，且方法实施例中的技术特征在装置实施例中均对应适用，这里不再赘述。
本发明实施例的一种日志故障关联与预测方法、装置、设备及存储介质，该方法包括：获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型；根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间；通过帕累托分析，将高频事件作为***扰动舍弃，加速了数据处理与训练；通过贝叶斯运算，能够以概率的方式给出日志故障的关联关系，变人工判断为由机器给出不平衡概率分布，协助运维人员决策，降低了劳动强度，提高了工作效率。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (8)

1.一种日志故障关联与预测方法，包括：
获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；
通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型，所述关联事件包括日志事件和关联故障事件；
根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间；
其中，所述通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型包括：
通过预设的时间窗过滤所述训练日志样本，得到关联故障事件的先验概率、关联故障事件发生前对应的时间窗内出现对应日志事件的概率，以及关联故障事件发生的概率；
通过贝叶斯公式计算得到关联故障事件的后验概率，并计算日志事件到关联故障事件的间隔时间；
设置置信度阈值，将所有日志事件的后验概率与所述置信度阈值作比较，筛选出后验概率大于所述置信度阈值的日志事件，将所述日志事件及对应的间隔时间存入规则库，形成关联事件的预测模型。
2.根据权利要求1所述的一种日志故障关联与预测方法，其特征在于，所述获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本包括：
获取历史业务日志，根据业务日志的规范、特征对所述历史业务日志进行分类；
对所述历史业务日志进行帕累托分析，得出每一类业务日志发生的次数，并按次数进行正序排列；
根据预设的分位值，过滤高频业务日志，得到训练日志样本。
3.根据权利要求2所述的一种日志故障关联与预测方法，其特征在于，所述高频业务日志为***扰动信息。
4.根据权利要求1所述的一种日志故障关联与预测方法，其特征在于，所述时间窗的时长为5分钟、15分钟或半小时。
5.根据权利要求1所述的一种日志故障关联与预测方法，其特征在于，所述根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间之后还包括：
获取关联故障事件实时出现的概率及时间，并更新所述预测模型。
6.一种日志故障关联与预测装置，包括：
帕累托分析模块，用于获取历史业务日志，对所述历史业务日志进行帕累托分析，获得训练日志样本；
贝叶斯运算模块，用于通过预设的时间窗对所述训练日志样本进行贝叶斯运算，得到关联事件的预测模型，所述关联事件包括日志事件和关联故障事件；
预测模块，用于根据所述预测模型对实时业务日志进行处理，并预测关联故障事件出现的概率及时间；
其中，所述贝叶斯运算模块具体用于：
通过预设的时间窗过滤所述训练日志样本，得到关联故障事件的先验概率、关联故障事件发生前对应的时间窗内出现对应日志事件的概率，以及关联故障事件发生的概率；
通过贝叶斯公式计算得到关联故障事件的后验概率，并计算日志事件到关联故障事件的间隔时间；
设置置信度阈值，将所有日志事件的后验概率与所述置信度阈值作比较，筛选出后验概率大于所述置信度阈值的日志事件，将所述日志事件及对应的间隔时间存入规则库，形成关联事件的预测模型。
7.一种电子设备，包括存储器、处理器和至少一个被存储在所述存储器中并被配置为由所述处理器执行的应用程序，其特征在于，所述应用程序被配置为用于执行权利要求1－5任一项所述的日志故障关联与预测方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5任一所述的日志故障关联与预测方法。
CN201810669273.3A 2018-06-26 2018-06-26 一种日志故障关联与预测方法、装置、设备及存储介质 Active CN110647446B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810669273.3A CN110647446B (zh) 2018-06-26 2018-06-26 一种日志故障关联与预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810669273.3A CN110647446B (zh) 2018-06-26 2018-06-26 一种日志故障关联与预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN110647446A CN110647446A (zh) 2020-01-03
CN110647446B true CN110647446B (zh) 2023-02-21

Family

ID=69008660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810669273.3A Active CN110647446B (zh) 2018-06-26 2018-06-26 一种日志故障关联与预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110647446B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111338836B (zh) * 2020-02-24 2023-09-01 北京奇艺世纪科技有限公司 处理故障数据的方法、装置、计算机设备和存储介质
CN111488265A (zh) * 2020-04-27 2020-08-04 北京奇艺世纪科技有限公司 故障预测方法、装置、设备及可读存储介质
CN111858263B (zh) * 2020-06-12 2022-08-02 苏州浪潮智能科技有限公司 一种基于日志分析的故障预测方法、***及装置
CN111711541A (zh) * 2020-06-18 2020-09-25 中国银行股份有限公司 一种故障预测方法及装置
CN111722720B (zh) * 2020-06-22 2022-10-14 芯盟科技有限公司 人机交互方法、装置及终端
US11533217B2 (en) 2020-07-31 2022-12-20 Hewlett Packard Enterprise Development Lp Systems and methods for predictive assurance
CN112199226B (zh) * 2020-10-14 2022-12-27 北京紫光展锐通信技术有限公司 问题确定方法及相关产品
CN112308126A (zh) * 2020-10-27 2021-02-02 深圳前海微众银行股份有限公司 故障识别模型训练方法、故障识别方法、装置及电子设备
CN112711665B (zh) * 2021-01-18 2022-04-15 武汉大学 一种基于密度加权集成规则的日志异常检测方法
CN113806178B (zh) * 2021-09-22 2024-06-28 中国建设银行股份有限公司 一种集群节点故障检测方法及装置
CN113780682B (zh) * 2021-09-29 2023-07-18 北京航空航天大学 基于故障标志物的轨道交通***业务故障预测方法
CN117473225A (zh) * 2023-10-17 2024-01-30 杭州智顺科技有限公司 日志数据治理方法、装置、电子设备及可读存储介质
CN117170998B (zh) * 2023-11-03 2024-03-01 凌雄技术(深圳)有限公司 一种智能化设备生命周期管理***
CN117240700B (zh) * 2023-11-10 2024-02-06 浙江九州未来信息科技有限公司 一种基于贝叶斯分类器的网络故障诊断方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014043623A1 (en) * 2012-09-17 2014-03-20 Siemens Corporation Log-based predictive maintenance
WO2016188175A1 (zh) * 2015-10-14 2016-12-01 中兴通讯股份有限公司 一种硬件故障分析***和方法
CN107239388A (zh) * 2017-05-27 2017-10-10 郑州云海信息技术有限公司 一种监测告警方法及***
CN108038049A (zh) * 2017-12-13 2018-05-15 西安电子科技大学 实时日志控制***及控制方法、云计算***及服务器
CN108170581A (zh) * 2017-12-27 2018-06-15 北京奇艺世纪科技有限公司 一种故障预警方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014043623A1 (en) * 2012-09-17 2014-03-20 Siemens Corporation Log-based predictive maintenance
WO2016188175A1 (zh) * 2015-10-14 2016-12-01 中兴通讯股份有限公司 一种硬件故障分析***和方法
CN107239388A (zh) * 2017-05-27 2017-10-10 郑州云海信息技术有限公司 一种监测告警方法及***
CN108038049A (zh) * 2017-12-13 2018-05-15 西安电子科技大学 实时日志控制***及控制方法、云计算***及服务器
CN108170581A (zh) * 2017-12-27 2018-06-15 北京奇艺世纪科技有限公司 一种故障预警方法、装置及电子设备

Also Published As

Publication number Publication date
CN110647446A (zh) 2020-01-03

Similar Documents

Publication Publication Date Title
CN110647446B (zh) 一种日志故障关联与预测方法、装置、设备及存储介质
CN110659173B (zh) 一种运维***及方法
US10069684B2 (en) Core network analytics system
US20150178634A1 (en) Method and apparatus for handling bugs
CN109951306B (zh) 告警的处理方法、装置、设备及介质
US11258659B2 (en) Management and control for IP and fixed networking
CN111756560A (zh) 一种数据处理方法、装置及存储介质
US20230034061A1 (en) Method for managing proper operation of base station and system applying the method
US20210226853A1 (en) Automated network monitoring and control
CN115086139B (zh) 通信网络告警故障处理优先级调整方法及装置
EP3391589B1 (en) Autonomic method for managing a computing system
US11252066B2 (en) Automated network monitoring and control
CN114268567A (zh) 异常终端的识别方法、分析装置及设备、存储介质
CN116029695A (zh) 轨道交通巡检工单处理方法、装置、电子设备及存储介质
EP3836599B1 (en) Method for detecting permanent failures in mobile telecommunication networks
CN111368859B (zh) 一种投诉预警处理方法及装置
CN114095337A (zh) Kpi异常检测方法、装置、计算设备及计算机存储介质
CN112860527A (zh) 应用服务器的故障监测方法及装置
US11329868B2 (en) Automated network monitoring and control
US20240250882A1 (en) Method and apparatus for predictive maintenance
CN111858266A (zh) 一种存储集群告警预测方法和装置
CN115204424A (zh) 云原生***的智能运维方法、装置、设备及存储介质
CN115766390A (zh) 一种基于电流数据自动分类的报警方法及报警***
CN113762765A (zh) 指标分析方法、***、电子设备及存储介质
CN117792864A (zh) 一种告警处理方法、装置、存储介质及电子装置

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
GR01 Patent grant
GR01 Patent grant