CN111338897A - 应用主机中异常节点的识别方法、监测设备和电子设备 - Google Patents
应用主机中异常节点的识别方法、监测设备和电子设备 Download PDFInfo
- Publication number
- CN111338897A CN111338897A CN202010110736.XA CN202010110736A CN111338897A CN 111338897 A CN111338897 A CN 111338897A CN 202010110736 A CN202010110736 A CN 202010110736A CN 111338897 A CN111338897 A CN 111338897A
- Authority
- CN
- China
- Prior art keywords
- application host
- clustering
- algorithm
- index data
- application
- 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.)
- Granted
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 104
- 238000000513 principal component analysis Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims description 27
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开提供了一种应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质，涉及计算机技术领域。该方法包括：根据应用主机的多个指标数据通过聚类算法将各个应用主机聚成两类；通过iForest算法计算每个应用主机的异常得分；通过集成学习算法从多个指标中选出N个指标；对选出的N个指标通过PCA降维算法提取M个主成分；根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点。该方法能够实现自动监测，减少了数据中噪音的干扰，提高了识别效率和准确率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质。
背景技术
基于人为经验按规则逐一排查主机的各个性能监控指标，找出可能异常的应用主机，确定异常主机范围再排查各个指标的差异性，最终找到异常主机。
需要人为排查应用下每个机器的各个指标是否有差异，监控指标众多难以比较，低效而且不易于找到真正的异常节点。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质，至少在一定程度上克服由于相关技术的限中低效且不易找到异常节点的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种1.一种应用主机中异常节点的识别方法，包括：获取各个应用主机的多个指标数据；根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；通过iForest算法计算每个应用主机的异常得分；通过集成学习算法从所述多个指标中选出N个指标；对选出的所述N个指标通过PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；根据各个应用主机的 M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；其中，N，M都为自然数，M<N。
在本公开一个实施例中，M等于2；在根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类后，所述方法还包括：将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分。
在本公开一个实施例中，所述根据所述多个指标数据通过聚类算法将各个应用主机聚成两类包括：根据所述多个指标数据通过K均值聚类算法将各个应用主机聚成两类。
在本公开一个实施例中，所述集成学习算法包括随机森林RF算法、 Bagging、GBDT、或XGBoost算法。
在本公开一个实施例中，N等于5，和/或所述基于密度的聚类算法为DBSCAN算法。
在本公开一个实施例中，M等于3；在根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类后，所述方法还包括：将聚类结果映射在三维散点图中，其中X轴坐标为第一主成分，Z 轴坐标是第二主成分，Y轴坐标为第三主成分。
根据本公开的另一方面，提供一种应用主机监测设备，包括：指标获取模块，用于获取各个应用主机的多个指标数据；第一聚类模块，用于根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；异常得分获取模块，用于通过iForest算法计算每个应用主机的异常得分；指标筛选模块，用于通过集成学习算法从所述多个指标中选出N个指标；降维处理模块，用于对选出的所述N个指标通过PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；第二聚类模块，用于根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；其中， N，M都为自然数，M<N。
在本公开一个实施例中，M等于2，所述设备还包括：散点图展示模块，用于将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分。
根据本公开的又一方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述应用主机中异常节点的识别方法。
根据本公开的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的应用主机中异常节点的识别方法。
本公开的实施例所提供的应用主机中异常节点的识别方法、监测设备、电子设备和计算机存储介质，根据聚类算法将应用主机聚成两类，通过iForest算法计算每个应用主机的异常得分，通过集成学习算法从多个指标中选出最重要的N个指标，然后通过PCA降维算法提取M个主成分，基于密度的聚类算法根据M个主成分对各个应用主机进行聚类，从而获得各个应用主机中的异常节点，能够实现自动监测，减少了数据中噪音的干扰，提高了识别效率。
进一步，通过二维或三维散点图的方式展示聚类结果，可以更直观、快捷地识别异常节点，便于监控人员的监控和处理，也进一步提高了效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例中一种可应用本公开实施例的视频数据处理方法或装置的示例性***结构的示意图；
图2示出本公开一个实施例中应用主机中异常节点的识别方法流程图；
图3示出本公开另一个实施例中应用主机中异常节点的识别方法流程图；
图4示出本公开又一个实施例中应用主机中异常节点的识别方法流程图；
图5示出本公开一个实施例中应用主机监测设备的结构图；
图6示出本公开另一个实施例中应用主机监测设备的结构图；
图7示出本公开实施例中的二维散点图的图示；
图8示出本公开实施例中应用于应用主机中异常节点的识别方法的计算机设备的结构框图；和
图9示出本公开一种计算机存储介质的示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
本公开提供的方案，通过对各个应用下主机的各个指标进行降维算法操作，提取Top N的异常指标维度，再进行聚类后得到多维散点图，并将异常节点的异常指标维表标识出来。为了便于理解，下面首先对本公开涉及到的几个名词进行解释。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
iForest(Isolation Forest，孤立森林)是一个基于集成学习 (Ensemble)的快速异常检测方法，具有线性时间复杂度和高精准度。 iForest适用与连续数据的异常检测，将异常定义为“容易被孤立的离群点”—可以理解为分布稀疏且离密度高的群体较远的点。用统计学来解释，在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因而可以认为落在这些区域里的数据是异常的。iForest属于非参数检验和无监督的方法，即不用定义数学模型也不需要有标记的训练。
集成学习(Ensemble Learning)集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。
集成学习的思路是在对新的实例进行分类的时候，把若干个单个分类器集成起来，通过对多个分类器的分类结果进行某种组合来决定最终的分类，以取得比单个分类器更好的性能。如果把单个分类器比作一个决策者的话，集成学习的方法就相当于多个决策者共同进行一项决策。
主成分分析(Principal Components Analysis，PCA)也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在统计学中，主成分分析是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标***中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析经常用减少数据集的维数，同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的，这样低阶成分往往能够保留住数据的最重要方面。
基于密度的聚类算法可以在有噪音的数据中发现各种形状和各种大小的簇。其核心思想就是先发现密度较高的点，然后把相近的高密度点逐步都连成一片，进而生成各种簇。算法实现上就是，对每个数据点为圆心，以eps为半径画个圈(称为邻域eps-neigbourhood)，然后数有多少个点在这个圈内，这个数就是该点密度值。然后可以选取一个密度阈值MinPts，如圈内点数小于MinPts的圆心点为低密度的点，而大于或等于MinPts的圆心点高密度的点(称为核心点Core point)。如果有一个高密度的点在另一个高密度的点的圈内，就把这两个点连接起来，这样可以把好多点不断地串联出来。之后，如果有低密度的点也在高密度的点的圈内，把它也连到最近的高密度点上，称之为边界点。这样所有能连到一起的点就成一了个簇，而不在任何高密度点的圈内的低密度点就是异常点。
基于密度的聚类是一种非常直观的聚类方法，即把临近的密度高的区域练成一片形成簇。该方法可以找到各种大小各种形状的簇，并且具有一定的抗噪音特性。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本公开实施例的视频数据处理方法或装置的示例性***架构100的示意图。
如图1所示，***架构100可以包括应用主机101、102、103中的一种或多种，网络104和监控设备105。网络104用以在应用主机101、102、 103和监控设备105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
应该理解，图1中的应用主机、网络和监控设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如监控设备105可以是多个服务器组成的服务器集群等。
应用主机101、102、103可以通过网络104与监控设备105交互，以接收或发送消息等。应用主机101、102、103可以是服务器，或者各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机、台式计算机、可穿戴设备、虚拟现实设备、智能家居等等。
下面，将结合附图及实施例对本示例实施方式中的应用主机中异常节点的识别方法的各个步骤进行更详细的说明。
图2示出本公开一个实施例中应用主机中异常节点的识别方法流程图。
如图2所示，步骤S21，获取各个应用主机的多个指标数据。指标数据例如包括CPU利用率、内存使用率、网络速度等多种数据。
步骤S22，根据多个指标数据通过聚类算法将各个应用主机聚成两类。可以采用K-MEANS(K均值)算法、K-MEDOIDS(K中心点)算法、 CLARANS(Clustering Large Applicationbased upon RANdomized Search，基于随机选择的聚类算法)算法等多种聚类算法。
步骤S23，通过iForest(Isolation Forest，孤立森林)算法计算每个应用主机的异常得分。
步骤S24，通过集成学习算法从多个指标中选出Top N个指标。集成学习算法例如包括RF(Random Forest，随机森林)算法、Bagging(Bootstrap aggregating，引导聚集算法)、GBDT(Gradient Boosting Decison Tree，梯度提升树)、或XGBoost(ExtremeGradient Boosting，极度梯度提升) 算法。N为自然数，N可以取值5、6、7或4。
步骤S25，对选出的N个指标通过PCA(Principal Component Analysis, 主成分分析)降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据，M为自然数，M<N。例如，M可以取值2、3或4。
步骤S26，根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点。基于密度的聚类算法可以包括DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)算法。
上述实施例中，根据聚类算法将应用主机聚成两类，通过iForest算法计算每个应用主机的异常得分，通过集成学习算法从多个指标中选出最重要的N个指标，然后通过PCA降维算法提取M个主成分，基于密度的聚类算法根据M个主成分对各个应用主机进行聚类，从而获得各个应用主机中的异常节点，能够实现自动监测，减少了数据中噪音的干扰，提高了识别效率和准确率。
在一个实施例中，在识别出异常主机后，根据异常主机的M维指标再回调主成分，其中对应系数大的指标即为异常指标，从而获得了异常节点的异常指标。
图3示出本公开另一个实施例中应用主机中异常节点的识别方法流程图。
图3中步骤S31～S34与图2中步骤S21～S24相似，为简洁起见在此不再详细描述。
步骤S35，对选出的N个指标通过PCA降维算法提取2个主成分，从而将各个应用主机的多个指标数据降为2维指标数据。
步骤S36，根据各个应用主机的2维指标数据通过基于密度的聚类算法对各个应用主机进行聚类。
步骤S37，将步骤S36中的聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分。
PCA降维算法的原理是把原始数据从原始的空间投影到主成分空间，然后再把投影拉回到原始的空间。第一主成分反映了正常值的方差，最后一个主成分反映了异常点的方差，如果只使用第一主成分来进行投影和重构，对于大多数的数据而言，重构之后的误差是小的；但是对于异常点而言，重构之后的误差依然相对大。该实施例中选取前两个主成分，前两个主成分的累积贡献率能够达到80％。主成分对应的特征向量中的元素值越大，对应的指标的系数也就越大，即为发生异常的主机主要区分于正常群体的指标，即为异常指标，异常指标个数随着实际数据特点进行调整。
在一个实施例中，对选出的N个指标通过PCA降维算法提取3个主成分，将各个应用主机的多个指标数据降为3维指标数据；根据各个应用主机的3维指标数据通过基于密度的聚类算法对各个应用主机进行聚类；将聚类结果映射在三维散点图中，其中X轴坐标为第一主成分，Z轴坐标是第二主成分，Y轴坐标为第三主成分。
图4示出本公开又一个实施例中应用主机中异常节点的识别方法流程图。
如图4所示，步骤S41，获取各个应用主机的多个指标数据。
步骤S42，根据多个指标数据通过K-MEANS聚类算法将各个应用主机聚成两类。基于聚类算法的结果可以得到各个应用主机的得分，根据得分给应用主机加初始标签。
步骤S43，通过iForest算法计算每个应用主机的异常得分。将得到的异常得分替换各个应用主机的初始标签。
步骤S44，通过随机森林算法从多个指标中选出Top N个指标，N为自然数。N可以取值5、6、7。
步骤S45，对选出的Top N个指标通过PCA降维算法提取2个主成分，从而将各个应用主机的多个指标数据降为2维指标数据。PCA降维算法的原理是把原始数据从原始的空间投影到主成分空间，然后再把投影拉回到原始的空间。第一主成分反映了正常值的方差，最后一个主成分反映了异常点的方差，如果只使用第一主成分来进行投影和重构，对于大多数的数据而言，重构之后的误差是小的；但是对于异常点而言，重构之后的误差依然相对大。在我们的场景下选取前两个主成分，依据是前两个主成分的累积贡献率能够达到80％。
步骤S46，根据各个应用主机的2维指标数据通过基于DBSCAN算法对各个应用主机进行聚类。DBSCAN聚类算法是利用基于密度的聚类的概念，要求聚类空间中的一定区域内所包含对象的数目不小于某一给定的阈值。该算法能够在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域链接，能有效处理异常数据。
步骤S47，将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分，从而观展示异常节点的异常指标维表。将第一主成分映射到二维散点图的横坐标轴，横坐标轴对应的值为筛选出的重要的指标在第一主成分中的线性表达式所计算的值，第二主成分映射到二维散点图的纵坐标轴，纵坐标轴对应的值为筛选出的重要的指标在第二主成分中的线性表达式所计算的值。
上述实施例中，先通过PCA降维提取前两个主成分，即将应用主机多指标数据降成二维，通过DBSCAN聚类算法根据密度对主机进行聚类，将聚类结果映射在二维散点图中。横坐标轴为第一主成分，纵坐标轴为第二主成分，将通过基于密度的DBSCAN聚类算法的聚类结果映射到二维散点图中，主机个数多的哪一类标注为0类，偏离大多数群体的那一类标注为-1类。图7示出本公开实施例中的二维散点图的图示。
图5示出本公开一个实施例中应用主机监测设备的结构图。如图5所示，该应用主机监测设备包括：指标获取模块51，用于获取各个应用主机的多个指标数据；第一聚类模块52，用于根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；异常得分获取模块53，用于通过 iForest算法计算每个应用主机的异常得分；指标筛选模块54，用于通过集成学习算法从所述多个指标中选出N个指标；降维处理模块55，用于对选出的所述N个指标通过PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；第二聚类模块56，用于根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；其中，N，M都为自然数，M<N。
图6示出本公开另一个实施例中应用主机监测设备的结构图。如图6 所示，该设备包括指标获取模块61，用于获取各个应用主机的多个指标数据；第一聚类模块62，用于根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；异常得分获取模块63，用于通过iForest算法计算每个应用主机的异常得分；指标筛选模块64，用于通过集成学习算法从所述多个指标中选出N个指标；降维处理模块65，用于对选出的所述N 个指标通过PCA降维算法提取2个主成分，从而将各个应用主机的所述多个指标数据降为2维指标数据；第二聚类模块66，用于根据各个应用主机的2维指标数据通过基于密度的聚类算法对各个应用主机进行聚类；散点图展示模块67，用于将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分，从而获得各个应用主机中的异常节点。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。
下面参照图8来描述根据本发明的这种实施方式的电子设备800。图 8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备 800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同***组件(包括存储单元820和处理单元810) 的总线830。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图2中所示的S21，获取各个应用主机的多个指标数据；S22，根据多个指标数据通过聚类算法将各个应用主机聚成两类；S23，通过iForest算法计算每个应用主机的异常得分；S24，通过集成学习算法从多个指标中选出N个指标；S25，对选出的N个指标通过PCA；降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据，M为自然数，M<N；S26，根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备 600交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、 RAID***、磁带驱动器以及数据备份存储***等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是 CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器 (RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是 CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。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公开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，本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种应用主机中异常节点的识别方法，其特征在于，包括：
获取各个应用主机的多个指标数据；
根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；
通过孤立森林iForest算法计算每个应用主机的异常得分；
通过集成学习算法从所述多个指标中选出N个指标；
对选出的所述N个指标通过主成分分析PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；
根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；
其中，N，M都为自然数，M<N。
2.根据权利要求1所述的应用主机中异常节点的识别方法，其特征在于，M等于2；
在根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类后，所述方法还包括：
将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分。
3.根据权利要求1或2所述的应用主机中异常节点的识别方法，其特征在于，所述根据所述多个指标数据通过聚类算法将各个应用主机聚成两类包括：
根据所述多个指标数据通过K均值聚类算法将各个应用主机聚成两类。
4.根据权利要求3所述的应用主机中异常节点的识别方法，其特征在于，所述集成学习算法包括随机森林RF算法、引导聚集算法Bagging、梯度提升树GBDT、或极度梯度提升XGBoost算法。
5.根据权利要求1或2所述的应用主机中异常节点的识别方法，其特征在于，N等于5，和/或所述基于密度的聚类算法为DBSCAN算法。
6.根据权利要求1所述的应用主机中异常节点的识别方法，其特征在于，M等于3；
在根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类后，所述方法还包括：
将聚类结果映射在三维散点图中，其中X轴坐标为第一主成分，Z轴坐标是第二主成分，Y轴坐标为第三主成分。
7.一种应用主机监测设备，其特征在于，包括：
指标获取模块，用于获取各个应用主机的多个指标数据；
第一聚类模块，用于根据所述多个指标数据通过聚类算法将各个应用主机聚成两类；
异常得分获取模块，用于通过孤立森林iForest算法计算每个应用主机的异常得分；
指标筛选模块，用于通过集成学习算法从所述多个指标中选出N个指标；
降维处理模块，用于对选出的所述N个指标通过PCA降维算法提取M个主成分，从而将各个应用主机的所述多个指标数据降为M维指标数据；
第二聚类模块，用于根据各个应用主机的M维指标数据通过基于密度的聚类算法对各个应用主机进行聚类，从而获得各个应用主机中的异常节点；
其中，N，M都为自然数，M<N。
8.根据权利要求7所述的应用主机监测设备，其特征在于，M等于2，所述设备还包括：
散点图展示模块，用于将聚类结果映射在二维散点图中，其中横坐标为第一主成分，纵坐标是第二主成分。
9.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～6中任意一项所述应用主机中异常节点的识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任意一项所述的应用主机中异常节点的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110736.XA CN111338897B (zh) | 2020-02-24 | 2020-02-24 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010110736.XA CN111338897B (zh) | 2020-02-24 | 2020-02-24 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111338897A true CN111338897A (zh) | 2020-06-26 |
| CN111338897B CN111338897B (zh) | 2024-07-19 |
Family
ID=71183685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010110736.XA Active CN111338897B (zh) | 2020-02-24 | 2020-02-24 | 应用主机中异常节点的识别方法、监测设备和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111338897B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859069A (zh) * | 2020-07-15 | 2020-10-30 | 北京市燃气集团有限责任公司 | 一种网络恶意爬虫识别方法、***、终端及存储介质 |
| CN112836926A (zh) * | 2020-12-27 | 2021-05-25 | 四川大学 | 基于电力大数据的企业经营状况评估方法 |
| CN113762717A (zh) * | 2021-08-03 | 2021-12-07 | 国能国华(北京)电力研究院有限公司 | 设备运行状态监控方法、装置、电子设备、存储介质 |
| CN113822379A (zh) * | 2021-11-22 | 2021-12-21 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
| CN115438035A (zh) * | 2022-10-27 | 2022-12-06 | 江西师范大学 | 一种基于kpca和混合相似度的数据异常处理方法 |
| CN117113235A (zh) * | 2023-10-20 | 2023-11-24 | 深圳市互盟科技股份有限公司 | 一种云计算数据中心能耗优化方法及*** |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070282777A1 (en) * | 2006-05-30 | 2007-12-06 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
| CN106951776A (zh) * | 2017-01-18 | 2017-07-14 | 中国船舶重工集团公司第七0九研究所 | 一种主机异常检测方法和*** |
| CN107977301A (zh) * | 2017-11-21 | 2018-05-01 | 东软集团股份有限公司 | 设备异常的检测方法、装置、存储介质及电子设备 |
| CN108512827A (zh) * | 2018-02-09 | 2018-09-07 | 世纪龙信息网络有限责任公司 | 异常登录的识别和监督学习模型的建立方法、装置 |
| CN109978070A (zh) * | 2019-04-03 | 2019-07-05 | 北京市天元网络技术股份有限公司 | 一种改进的K-means异常值检测方法以及装置 |
| CN110046665A (zh) * | 2019-04-17 | 2019-07-23 | 成都信息工程大学 | 基于孤立森林二分类异常点检测方法、信息数据处理终端 |
| CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
| CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
| CN110390358A (zh) * | 2019-07-23 | 2019-10-29 | 杨勇 | 一种基于特征聚类的深度学习方法 |
| CN110505179A (zh) * | 2018-05-17 | 2019-11-26 | 中国科学院声学研究所 | 一种网络异常流量的检测方法及*** |
| CN110533314A (zh) * | 2019-08-23 | 2019-12-03 | 西安交通大学 | 一种基于概率密度分布的风电场异常机组识别方法 |
-
2020
- 2020-02-24 CN CN202010110736.XA patent/CN111338897B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070282777A1 (en) * | 2006-05-30 | 2007-12-06 | Honeywell International Inc. | Automatic fault classification for model-based process monitoring |
| CN106951776A (zh) * | 2017-01-18 | 2017-07-14 | 中国船舶重工集团公司第七0九研究所 | 一种主机异常检测方法和*** |
| CN107977301A (zh) * | 2017-11-21 | 2018-05-01 | 东软集团股份有限公司 | 设备异常的检测方法、装置、存储介质及电子设备 |
| CN108512827A (zh) * | 2018-02-09 | 2018-09-07 | 世纪龙信息网络有限责任公司 | 异常登录的识别和监督学习模型的建立方法、装置 |
| CN110505179A (zh) * | 2018-05-17 | 2019-11-26 | 中国科学院声学研究所 | 一种网络异常流量的检测方法及*** |
| CN109978070A (zh) * | 2019-04-03 | 2019-07-05 | 北京市天元网络技术股份有限公司 | 一种改进的K-means异常值检测方法以及装置 |
| CN110046665A (zh) * | 2019-04-17 | 2019-07-23 | 成都信息工程大学 | 基于孤立森林二分类异常点检测方法、信息数据处理终端 |
| CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
| CN110059775A (zh) * | 2019-05-22 | 2019-07-26 | 湃方科技(北京)有限责任公司 | 旋转型机械设备异常检测方法及装置 |
| CN110390358A (zh) * | 2019-07-23 | 2019-10-29 | 杨勇 | 一种基于特征聚类的深度学习方法 |
| CN110533314A (zh) * | 2019-08-23 | 2019-12-03 | 西安交通大学 | 一种基于概率密度分布的风电场异常机组识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 叶枫，江永省: "基于聚类融合欠采样的不平衡分类方法", vol. 37, no. 1, pages 292 - 297 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111859069A (zh) * | 2020-07-15 | 2020-10-30 | 北京市燃气集团有限责任公司 | 一种网络恶意爬虫识别方法、***、终端及存储介质 |
| CN111859069B (zh) * | 2020-07-15 | 2021-10-15 | 北京市燃气集团有限责任公司 | 一种网络恶意爬虫识别方法、***、终端及存储介质 |
| CN112836926A (zh) * | 2020-12-27 | 2021-05-25 | 四川大学 | 基于电力大数据的企业经营状况评估方法 |
| CN112836926B (zh) * | 2020-12-27 | 2022-03-11 | 四川大学 | 基于电力大数据的企业经营状况评估方法 |
| CN113762717A (zh) * | 2021-08-03 | 2021-12-07 | 国能国华(北京)电力研究院有限公司 | 设备运行状态监控方法、装置、电子设备、存储介质 |
| CN113822379A (zh) * | 2021-11-22 | 2021-12-21 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
| CN113822379B (zh) * | 2021-11-22 | 2022-02-22 | 成都数联云算科技有限公司 | 工艺制程异常分析方法、装置、电子设备及存储介质 |
| CN115438035A (zh) * | 2022-10-27 | 2022-12-06 | 江西师范大学 | 一种基于kpca和混合相似度的数据异常处理方法 |
| CN117113235A (zh) * | 2023-10-20 | 2023-11-24 | 深圳市互盟科技股份有限公司 | 一种云计算数据中心能耗优化方法及*** |
| CN117113235B (zh) * | 2023-10-20 | 2024-01-26 | 深圳市互盟科技股份有限公司 | 一种云计算数据中心能耗优化方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111338897B (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111338897B (zh) | 应用主机中异常节点的识别方法、监测设备和电子设备 | |
| Varma et al. | Snuba: Automating weak supervision to label training data | |
| Ciaburro | MATLAB for machine learning | |
| US20200104409A1 (en) | Method and system for extracting information from graphs | |
| CN104657350A (zh) | 融合隐式语义特征的短文本哈希学习方法 | |
| CN110795568A (zh) | 基于用户信息知识图谱的风险评估方法、装置和电子设备 | |
| KR20210023452A (ko) | 속성 단위 리뷰 분석 장치 및 방법 | |
| US20210157819A1 (en) | Determining a collection of data visualizations | |
| CN115244587A (zh) | 高效基础事实注释 | |
| US12032605B2 (en) | Searchable data structure for electronic documents | |
| Norris | Machine Learning with the Raspberry Pi | |
| CN109657056B (zh) | 目标样本获取方法、装置、存储介质及电子设备 | |
| Concolato et al. | Data science: A new paradigm in the age of big-data science and analytics | |
| CN110708285A (zh) | 流量监控方法、装置、介质及电子设备 | |
| Tanha | A multiclass boosting algorithm to labeled and unlabeled data | |
| Azizi et al. | Graph-based generative representation learning of semantically and behaviorally augmented floorplans | |
| Alymani et al. | Graph machine learning classification using architectural 3D topological models | |
| CN110389932B (zh) | 电力文件自动分类方法及装置 | |
| CN111581969A (zh) | 医疗术语向量表示方法、装置、存储介质及电子设备 | |
| Nematzadeh et al. | Ensemble-based genetic algorithm explainer with automized image segmentation: A case study on melanoma detection dataset | |
| US20240028831A1 (en) | Apparatus and a method for detecting associations among datasets of different types | |
| CN113822283A (zh) | 文本内容处理方法、装置、计算机设备及存储介质 | |
| Luna | Pattern mining: Current status and emerging topics | |
| US11532174B2 (en) | Product baseline information extraction | |
| US20230162518A1 (en) | Systems for Generating Indications of Relationships between Electronic Documents |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: Jingdong Digital Technology Holding Co.,Ltd. Address after: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant after: Jingdong Digital Technology Holding Co.,Ltd. Address before: Room 221, 2 / F, block C, 18 Kechuang 11th Street, Daxing District, Beijing, 100176 Applicant before: JINGDONG DIGITAL TECHNOLOGY HOLDINGS Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant |