CN111641519B - 异常根因定位方法、装置及存储介质 - Google Patents
异常根因定位方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111641519B CN111641519B CN202010361299.9A CN202010361299A CN111641519B CN 111641519 B CN111641519 B CN 111641519B CN 202010361299 A CN202010361299 A CN 202010361299A CN 111641519 B CN111641519 B CN 111641519B
- Authority
- CN
- China
- Prior art keywords
- index
- candidate
- root cause
- alternative
- abnormal
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及数据处理领域,揭露了一种异常根因定位方法,该方法包括:接收到用户发出的携带备选实例集及指定指标的根因定位指令后,分别计算各备选实例与指定指标的第二相似度,综合分析第二相似度、异常时间点及调用链层级,基于分析结果生成异常根因列表反馈给用户。本发明还揭露了一种电子装置及计算机存储介质。利用本发明,可以提高异常根因定位的效率及准确性。另外,本发明还涉及人工智能中的神经网络技术。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种异常根因定位方法、电子装置及计算机可读存储介质。
背景技术
运维***监控一般分为异常检测与根因定位两个核心环节。异常检测从每一运维监控指标出发,针对某一指标发生的异常进行实时告警。根因定位,则是根据获取的多指标告警,定位异常根因。当由于某根因故障引发连锁告警时,可能涉及多个层级的多个告警实例,则需要进行异常根因定位。
现有技术中一般通过人工进行异常根因的检索及判断,然而,所耗时间长,且无法保证异常根因定位的准确度、客观度。
因此,亟需提供一种能快速准确进行异常根因定位的方法。
发明内容
鉴于以上内容,本发明提供一种异常根因定位方法、电子装置及计算机可读存储介质,其主要目的在于快速准确进行异常根因定位。
为实现上述目的,本发明提供一种异常根因定位方法,该方法包括:
接收用户通过客户端发出的根因定位指令,所述根因定位指令包括备选实例集及指定指标;
确定所述备选实例集中各备选实例对应的多个备选指标,获取所述指定指标的多条第一指标特征及所述多个备选指标的第二指标特征;
基于预设处理规则对所述指定指标的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征;
基于所述多个备选指标与所述指定指标生成所述备选实例集中各备选实例对应的多个备选指标对及多个备选指标特征对,分别将所述多个备选指标特征对输入预先生成的分析模型中,基于模型输出结果确定所述备选实例集中各备选实例对应的多个备选指标对的第一相似度;
基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度;
分别获取所述指定指标及所述各备选实例对应的多个备选指标中异常指标的异常时间点,从所述备选实例中过滤掉异常时间点晚于所述指定指标的异常时间点的备选实例,生成第一备选实例集;
基于预设的调用链层级数据从所述第一备选实例集中筛选出调用链层级满足预设条件的第一备选实例,生成第二备选实例集;及
按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,并将所述根因列表通过所述客户端反馈至所述用户。
此外,为实现上述目的,本发明还提供一种电子装置,该装置包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的异常根因定位程序,所述异常根因定位程序被所述处理器执行时可实现如上所述异常根因定位方法中的任意步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中包括异常根因定位程序,所述异常根因定位程序被处理器执行时,可实现如上所述异常根因定位方法中的任意步骤。
本发明提出的异常根因定位方法、电子装置及计算机可读存储介质,接收到用户发出的根因定位指令后,首先以一个指定指标(入口指标)作为比较基准,然后分别计算各备选实例与指定指标的第二相似度,最后通过第二相似度、异常时间点及调用链层级确定可能性较大的备选根因实例反馈给用户。通过采用多维指标特征作为特征数据,并且确定一个入口指标的综合特征,利用分析模型计算第一相似度,提高第一相似度计算的客观性,从而为准确识别异常根因奠定基础;在确定各备选实例的第二相似度过程中,剔除了相似度较低的备选实例,并基于异常时间点及调用链层级对备选实例进行两次筛选,缩小根因实例的范围,从而提高用户确定异常根因的效率。
附图说明
图1为本发明各个实施例一可选的应用环境示意图;
图2为本发明电子装置一可选的硬件架构的示意图;
图3为本发明异常根因定位方法一较佳实施例的流程图;
图4为图2中异常根因定位程序的程序模块示意图。
本发明目的的实现、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
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明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用以解释本发明,并不用于限定本发明。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。
需要说明的是,在本发明中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
参照图1所示,是本发明各个实施例一可选的应用环境示意图。
在本实施例中,本发明可应用于包括,但不仅限于,电子装置1、客户端2的应用环境中。
其中,所述电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备,其中,服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。所述客户端2可以是移动电话、智能电话、台式计算机、笔记本电脑、PAD(平板电脑)等等的终端设备。所述电子装置1及客户端2通过网络(图中未标识)进行数据传输。其中,网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobile communication,GSM)、宽带码分多址(Wideband CodeDivision Multiple Access,WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
所述客户端2中均安装并运行有与所述电子装置1对应的客户端应用程序。所述客户端应用程序用于响应客户端用户的操作,在所述客户端应用程序与所述电子装置1之间创建连接,以使所述客户端应用程序能够与所述电子装置1进行数据传输和交互。
在本实施例中,当所述电子装置1内安装并运行有异常根因定位程序10且所述异常根因定位程序10运行时,所述电子装置1接收用户通过客户端2发出的根因定位指令及备选实例集,分别计算备选实例集与指定指标的相似度,并基于相似度、异常时间点及调用链层级等对备选实例进行过滤筛选得到根因实例,生成根因列表并通过客户端2反馈给用户。
本发明还提出一种电子装置。
参照图2所示,为本发明电子装置1一可选的硬件架构的示意图。
在本实施例中,所述电子装置1可包括,但不仅限于,可通过***总线相互通信连接的存储器11、处理器12及网络接口13。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元,例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备,例如该电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。
存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据,例如,异常根因定位程序10等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如,异常根因定位程序10等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该电子装置1与其他电子设备之间建立通信连接,例如,客户端(图中未标识)。电子装置1的组件11-13通过通信总线相互通信。
图2仅示出了具有组件11-13的电子装置1,本领域技术人员可以理解的是,图2示出的结构并不构成对电子装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
可选地,该电子装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。
可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。其中,显示器也可以称为显示屏或显示单元,用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图2所示的电子装置1实施例中,作为一种计算机存储介质的存储器11中存储异常根因定位程序10的程序代码,处理器12执行异常根因定位程序10的程序代码时,实现如下步骤:
接收步骤,接收用户通过客户端发出的根因定位指令,所述根因定位指令包括备选实例集及指定指标;
其中,上述备选实例集中包括多个层级(例如,硬件层、服务层、应用层等)的告警实例,每个实例下包括多维监控指标,不同的实例之间存在调用关系。当***出现大量告警实例时,用户(***运维人员)通过客户端发出携带备选实例集的根因定位指令,电子装置1接收到根因定位指令后,从备选实例集中定位异常根因。
第一特征生成步骤,确定所述备选实例集中各备选实例对应的多个备选指标,获取所述指定指标的多条第一指标特征及所述多个备选指标的第二指标特征;
上述指定指标为多个应用层告警实例对应的相同指标,例如,访问耗时。指定指标可以根据实际情况调整为其他指标,指定指标用于确定被比较指标,即入口指标。
上述第一指标特征为多维特征,包括:多个应用的指定指标对应的采集值特征、同比增幅特征、异常标注特征等。获取所述指定指标在预设时间内(例如,前1小时内)的历史数据,确定预设序列长度(例如,60,即1小时)的采集值序列、同比增幅序列、异常标注序列,基于以上特征生成一个特征矩阵,作为第一指标特征。若以该3类特征为例,则特征维度为3*60,其中,3为特征维度,60为序列长度(即1小时)。以上为示例,具体序列粒度、长度等可做调整。
其中,异常标注是针对每个时刻采集值的,每一时刻均有对应的异常标注用于表示对应时刻异常检测结果,其中,1表示异常,0表示正常。采集值序列即每一时刻原始采集值,同比增幅序列则是每一时刻采集值与历史多天同时刻的比值。在其他实施例中,除了以上3类特征,所述指定指标的第一指标特征还可以包括其他时序特征。
上述备选实例集中包括多个备选实例i,每个备选实例对应多个待比较的下属监测指标,即多个备选指标Mik。上述备选指标的第二指标特征为多维特征,包括:各备选指标对应的采集值特征、同比增幅特征、异常标注特征等。第一指标特征指的是入口指标特征,第二指标特征指的是备选指标特征,但是两者特征工程计算方法必须相同。
第二特征生成步骤,基于预设处理规则对所述指定指标的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征;
以“访问耗时”这一指定指标为例,在确定多个应用中该指定指标对应的第一指标特征后,为了便于供其他备选指标进行比对分析,首先需要将多条第一指标特征聚合成一条综合指标特征。在本实施例中,所述基于预设处理规则对所述指定指标对应的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征,包括:
对所述多条第一指标特征中的第一预设类型特征在同一时刻的指标数据进行归一化处理;
对归一化处理后的所述第一预设类型特征在同一时刻的指标数据求均值,将所述均值作为所述第一预设类型特征在该时刻对应的综合指标数据;
取所述第一指标特征中的第二预设类型特征在同一时刻的指标数据中的最大值作为所述第二预设类型特征在该时刻对应的综合指标数据;及
基于所述第一预设类型特征对应的综合指标数据及所述第二预设类型特征对应的综合指标数据生成所述第一指标特征对应的综合指标特征。
上述第一预设类型特征包括:采集值及同比增幅。通过对采集值、及同比增幅进行归一化处理,将指定指标的采集值及同比增幅处理成一定范围内的数据。
上述第二预设类型特征包括异常标注。需要说明的是,每一指标的告警标注无法进行均值聚合,因此进行最大值聚合即可,即,如果某一指标某时刻存在异常告警,则在该时刻综合指标特征即被标注为异常“1”。
计算步骤,基于所述多个备选指标与所述指定指标生成所述备选实例集中各备选实例对应的多个备选指标对及多个备选指标特征对,分别将所述多个备选指标特征对输入预先生成的分析模型中,基于模型输出结果确定所述备选实例集中各备选实例对应的多个备选指标对的第一相似度;
在本实施例中,所述分析模型为卷积神经网络,用于计算备选指标对的第一相似度,即各备选指标与指定指标的相似度。
以指定指标A为例,指标A对应的综合指标特征为PA,备选实例i对应的多个备选指标分别为Mik,各备选指标Mik对应的第二指标特征分别为PMik,备选指标对为A-Mik,备选指标特征对为PA-PMik,i∈[1,n],k∈[1,m],i、k、n、m均为正整数,n为备选实例的数量,m为各备选实例对应的备选指标的数量。
分别将n对备选指标特征对PA-PMik输入分析模型后,模型输出的是所有备选指标对应的二分类的概率值,将其作为各备选指标对应的第一相似度SMik。
分析步骤,基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度;
其中,第二相似度为各备选实例与指定指标的综合相似度。
在本实施例中,所述基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度,包括:
获取所述备选实例对应的多个备选指标对的第一相似度;
当所述备选实例对应的多个备选指标对的第一相似度最大值大于或等于第一预设阈值时,将所述第一相似度最大值作为所述备选实例与所述指定指标的第二相似度;及
当所述备选实例对应的所述多个备选指标中所述第一相似度最大值小于第一预设阈值时,判断所述备选实例与所述指定指标不相似。
一般情况下,第二相似度SMik大于0.5即可认为备选实例与所述指定指标相似。在本实施例中,为了缩小实例的范围,可将第一预设阈值设置为0.65,通过过滤掉第一相似度小于0.65的备选指标,从而排除第二相似度小于0.65的实例。
例如,一备选实例B对应5个备选指标,若其中2个备选指标的第一相似度小于0.65,则取另外3个备选指标中第一相似度最高值作为备选实例B与指定指标(入口指标)A的第二相似度。若5个备选指标的第一相似度均小于0.65,过滤掉备选实例B下的5个备选指标,备选实例B与指定指标不存在相似度。
第一筛选步骤,分别获取所述指定指标及所述各备选实例对应的多个备选指标中异常指标的异常时间点,从所述备选实例中过滤掉异常时间点晚于所述指定指标的异常时间点的备选实例,生成第一备选实例集;
其中,指定指标的异常时间点即为首次告警时间,通过综合指标特征中的第二预设类型的特征确定,例如,以第一个“1”(出现异常)的时间点作为指定指标的异常时间点。
可以理解的是,每一备选实例包括多个备选指标,而每个备选指标均可能存在告警。如果某一实例的所有备选指标的告警时间均晚于综合指标的告警时间,则该备选实例无法作为根因,如果某一实例的部分备选指标的告警时间早于综合指标的告警时间,则该部分备选指标可能作为异常根因。
第二筛选步骤,基于预设的调用链层级数据从所述第一备选实例集中筛选出调用链层级满足预设条件的第一备选实例,生成第二备选实例集;
其中,所述预设的调用链层级数据为预先确定并保存的,其包括各实例之间的调用关系。例如,调用链层级数据包括:实例1调用实例2,实例3调用实例4,…。
在本实施例中,所述预设条件为所述第一备选实例集中不存在调用链层级低于当前第一备选实例的备选实例。
在基于告警时刻对备选实例进行初步过滤后,需进一步排除下游存在同样存在高相似度实例的实例。假设下游会影响上游(上游调用下游数据),如果下游存在告警,则上游告警属于受影响的情况,下游才是异常根源,通过判断第一备选实例集中每一个第一备选实例是否还存在高相似度下游实例(即该实例是否还调用了其他的高相似度实例),如果存在则将该上游实例排除。最终保留的将是位于调用链下游的高相似度实例。
以第一备选实例集包括备选实例1、备选实例2、备选实例3、备选实例4为例,需根据调用链层级数据从第一备选实例集中过滤掉存在与之对应的下一层级实例的第一备选实例,即,备选实例1及备选实例3,保留备选实例2及备选实例4。
定位步骤,按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,并将所述根因列表通过所述客户端反馈至所述用户。
通过将根因列表反馈至所述用户,以供用户基于所述根因列表确定异常根因。
在其他实施例中,当第二备选实例的数量超过预设实例数量阈值(例如,5)时,仅取第二备选实例集中排序靠前的5个备选实例生成根因列表。
本发明提供一种异常根因定位方法。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
参照图3所示,为本发明异常根因定位方法一较佳实施例的流程图。
在本发明异常根因定位方法一较佳实施例中,所述异常根因定位方法包括:步骤S1-步骤S8。
步骤S1,接收用户通过客户端发出的根因定位指令,所述根因定位指令包括备选实例集及指定指标。
以下以电子装置作为执行主体对本发明各实施例进行说明。
其中,上述备选实例集中包括多个层级(例如,硬件层、服务层、应用层等)的告警实例,每个实例下包括多维监控指标,不同的实例之间存在调用关系。当***出现大量告警实例时,用户(***运维人员)通过客户端发出携带备选实例集的根因定位指令,电子装置接收到根因定位指令后,从备选实例集中定位异常根因。
步骤S2,确定所述备选实例集中各备选实例对应的多个备选指标,获取所述指定指标的多条第一指标特征及所述多个备选指标的第二指标特征。
上述指定指标为多个应用层告警实例对应的相同指标,例如,访问耗时。指定指标可以根据实际情况调整为其他指标,指定指标用于确定被比较指标,即入口指标。
上述第一指标特征为多维特征,包括:多个应用的指定指标对应的采集值特征、同比增幅特征、异常标注特征等。获取所述指定指标在预设时间内(例如,前1小时内)的历史数据,确定预设序列长度(例如,60,即1小时)的采集值序列、同比增幅序列、异常标注序列,基于以上特征生成一个特征矩阵,作为第一指标特征。若以该3类特征为例,则特征维度为3*60,其中,3为特征维度,60为序列长度(即1小时)。以上为示例,具体序列粒度、长度等可做调整。
其中,异常标注是针对每个时刻采集值的,每一时刻均有对应的异常标注用于表示对应时刻异常检测结果,其中,1表示异常,0表示正常。采集值序列即每一时刻原始采集值,同比增幅序列则是每一时刻采集值与历史多天同时刻的比值。在其他实施例中,除了以上3类特征,所述指定指标的第一指标特征还可以包括其他时序特征。
上述备选实例集中包括多个备选实例i,每个备选实例对应多个待比较的下属监测指标,即多个备选指标Mik。上述备选指标的第二指标特征为多维特征,包括:各备选指标对应的采集值特征、同比增幅特征、异常标注特征等。第一指标特征指的是入口指标特征,第二指标特征指的是备选指标特征,但是两者特征工程计算方法必须相同。
步骤S3,基于预设处理规则对所述指定指标的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征。
以“访问耗时”这一指定指标为例,在确定多个应用中该指定指标对应的第一指标特征后,为了便于供其他备选指标进行比对分析,首先需要将多条第一指标特征聚合成一条综合指标特征。在本实施例中,所述基于预设处理规则对所述指定指标对应的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征,包括:
对所述多条第一指标特征中的第一预设类型特征在同一时刻的指标数据进行归一化处理;
对归一化处理后的所述第一预设类型特征在同一时刻的指标数据求均值,将所述均值作为所述第一预设类型特征在该时刻对应的综合指标数据;
取所述第一指标特征中的第二预设类型特征在同一时刻的指标数据中的最大值作为所述第二预设类型特征在该时刻对应的综合指标数据;及
基于所述第一预设类型特征对应的综合指标数据及所述第二预设类型特征对应的综合指标数据生成所述第一指标特征对应的综合指标特征。
上述第一预设类型特征包括:采集值及同比增幅。通过对采集值、及同比增幅进行归一化处理,将指定指标的采集值及同比增幅处理成一定范围内的数据。
上述第二预设类型特征包括异常标注。需要说明的是,每一指标的告警标注无法进行均值聚合,因此进行最大值聚合即可,即,如果某一指标某时刻存在异常告警,则在该时刻综合指标特征即被标注为异常“1”。
步骤S4,基于所述多个备选指标与所述指定指标生成所述备选实例集中各备选实例对应的多个备选指标对及多个备选指标特征对,分别将所述多个备选指标特征对输入预先生成的分析模型中,基于模型输出结果确定所述备选实例集中各备选实例对应的多个备选指标对的第一相似度。
在本实施例中,所述分析模型为卷积神经网络,用于计算备选指标对的第一相似度,即各备选指标与指定指标的相似度。
以指定指标A为例,指标A对应的综合指标特征为PA,备选实例i对应的多个备选指标分别为Mik,各备选指标Mik对应的第二指标特征分别为PMik,备选指标对为A-Mik,备选指标特征对为PA-PMik,i∈[1,n],k∈[1,m],i、k、n、m均为正整数,n为备选实例的数量,m为各备选实例对应的备选指标的数量。
分别将n对备选指标特征对PA-PMik输入分析模型后,模型输出的是所有备选指标对应的二分类的概率值,将其作为各备选指标对应的第一相似度SMik。
步骤S5,基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度。
其中,第二相似度为各备选实例与指定指标的综合相似度。
在本实施例中,所述基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度,包括:
获取所述备选实例对应的多个备选指标对的第一相似度;
当所述备选实例对应的多个备选指标对的第一相似度最大值大于或等于第一预设阈值时,将所述第一相似度最大值作为所述备选实例与所述指定指标的第二相似度;及
当所述备选实例对应的所述多个备选指标中所述第一相似度最大值小于第一预设阈值时,判断所述备选实例与所述指定指标不相似。
一般情况下,第二相似度SMik大于0.5即可认为备选实例与所述指定指标相似。在本实施例中,为了缩小实例的范围,可将第一预设阈值设置为0.65,通过过滤掉第一相似度小于0.65的备选指标,从而排除第二相似度小于0.65的实例。
例如,一备选实例B对应5个备选指标,若其中2个备选指标的第一相似度小于0.65,则取另外3个备选指标中第一相似度最高值作为备选实例B与指定指标(入口指标)A的第二相似度。若5个备选指标的第一相似度均小于0.65,过滤掉备选实例B下的5个备选指标,备选实例B与指定指标不存在相似度。
步骤S6,分别获取所述指定指标及所述各备选实例对应的多个备选指标中异常指标的异常时间点,从所述备选实例中过滤掉异常时间点晚于所述指定指标的异常时间点的备选实例,生成第一备选实例集。
其中,指定指标的异常时间点即为首次告警时间,通过综合指标特征中的第二预设类型的特征确定,例如,以第一个“1”(出现异常)的时间点作为指定指标的异常时间点。
可以理解的是,每一备选实例包括多个备选指标,而每个备选指标均可能存在告警。如果某一实例的所有备选指标的告警时间均晚于综合指标的告警时间,则该备选实例无法作为根因,如果某一实例的部分备选指标的告警时间早于综合指标的告警时间,则该部分备选指标可能作为异常根因。
步骤S7,基于预设的调用链层级数据从所述第一备选实例集中筛选出调用链层级满足预设条件的第一备选实例,生成第二备选实例集。
其中,所述预设的调用链层级数据为预先确定并保存的,其包括各实例之间的调用关系。例如,调用链层级数据包括:实例1调用实例2,实例3调用实例4,…。
在本实施例中,所述预设条件为调用链层级处于最低层级,或者,第一备选实例集中不存在调用链层级低于当前第一备选实例的备选实例。
在基于告警时刻对备选实例进行初步过滤后,需进一步排除下游存在同样存在高相似度实例的实例。假设下游会影响上游(上游调用下游数据),如果下游存在告警,则上游告警属于受影响的情况,下游才是异常根源,通过判断第一备选实例集中每一个第一备选实例是否还存在高相似度下游实例(即该实例是否还调用了其他的高相似度实例),如果存在则将该上游实例排除。最终保留的将是位于调用链下游的高相似度实例。
以第一备选实例集包括备选实例1、备选实例2、备选实例3、备选实例4为例,需根据调用链层级数据从第一备选实例集中过滤掉存在与之对应的下一层级实例的第一备选实例,即,备选实例1及备选实例3,保留备选实例2及备选实例4。
步骤S8,按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,并将所述根因列表通过所述客户端反馈至所述用户。
通过将根因列表反馈至所述用户,以供用户基于所述根因列表确定异常根因。
在其他实施例中,当第二备选实例的数量超过预设实例数量阈值(例如,5)时,仅取第二备选实例集中排序靠前的5个备选实例生成根因列表。
上述实施例提出的异常根因定位方法,首先以一个指定指标(入口指标)作为比较基准,然后分别计算各备选实例与指定指标的第二相似度,最后通过第二相似度、异常时间点及调用链层级确定可能性较大的备选根因实例反馈给用户。通过采用多维指标特征作为特征数据,并且确定一个入口指标的综合特征,利用分析模型计算第一相似度,提高第一相似度计算的客观性,从而为准确识别异常根因奠定基础;在确定各备选实例的第二相似度过程中,剔除了相似度较低的备选实例,并基于异常时间点及调用链层级对备选实例进行两次筛选,缩小根因实例的范围,从而提高用户确定异常根因的效率。
在其他实施例中,所述根因列表中包括根因实例及所述根因实例对应的根因指标,所述按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,包括:
将所述第二备选实例集的第二备选实例作为根因实例;
分别从所述根因实例的多个备选指标中筛选出异常时间点早于所述指定指标、且第一相似度大于或等于第二预设阈值的备选指标作为所述根因实例的根因指标;及
基于所述根因实例及所述根因指标生成所述根因列表。
在本实施例中,第二预设阈值大于或等于第一预设阈值。为了让用户能更直观的了解异常情况,在输出根因实例的同时,选择与指定指标的第一相似度较大且异常时间点早于指定指标的首次异常时间点的备选指标作为根因指标,可进一步缩小异常根因的范围,提高异常根因定位的效率。
在其他实施例中,所述分析模型为两个相同结构的卷积神经网络(ConvolutionalNeural Networks,CNN)模型,包括多层卷积层及全连接层,并在常规卷积层基础上构建了注意力机制等结构。
在单一的卷积神经网络整体架构中,隐含层的卷积层和池化层是实现特征提取的核心,此外还包括全连接层等输出部分结构。
其中,卷积层,用于提取特征。在卷积层中通过average pooling进行平滑与降维;在本实施例中,采用的是一维卷积核,卷积核长度以3至5为佳,卷积核长度,即指每一隐变量计算所能覆盖邻近序列的长度,卷积核长度越大则覆盖序列长度越大。过大的卷积核长度会弱化每一时刻突变等信息,因此实际操作中需要多次实验尝试。本方案通过卷积运算,可以使相应特征增强,并且能够降低噪音。全连接层,用于利用卷积层提取的特征进行相似度计算。
在本实施例中,所述分析模型通过以下步骤训练得到:
样本准备步骤:获取所有预设指标在第一预设时间内(例如,2-3小时)的历史数据,生成历史采集序列,根据所述历史数据中的异常标签生成异常标注序列,并根据所述历史数据计算其对应的衍生指标序列(例如,同比增幅序列等),将预设指标的以上多个维度的指标序列作为样本数据中的自变量;将人为为预设指标标注的关联标签作为因变量,基于所述自变量及因变量生成样本数据;
样本划分步骤:将所述样本数据划分为训练集和验证集;
模型训练步骤:利用所述训练集的样本数据对预先构建的分析模型进行训练,利用所述验证集的样本数据对所述分析模型进行验证;
模型生成步骤:当所述分析模型满足预设条件(例如,模型准确率超过预设准确率阈值)时,结束训练。
例如,一个样本包括自变量X和因变量Y:
自变量X:
{Oa1、Oa2、Oa3、…、Oan}—a指标历史采集序列
{0、0、1、…、1}--a指标异常标注序列
{Pa1、Pa2、Pa3、…、Pan}—a指标同比增幅序列
…
{Ob1、Ob2、Ob3、…、Obn}—b指标历史采集序列
{0、0、1、…、1}--b指标异常标注序列
{Pb1、Pb2、Pb3、…、Pbn}—b指标同比增幅序列
…
因变量Y:
0/1(关联为1,不关联为0)
模型中所涉及的所有隐层变量(包括卷积层隐变量与注意力机制隐变量等)均是需要优化的参数对象。
在本实施例中,以交叉熵为损失函数,以梯度下降优化的衍生算法(ADAM算法)进行优化。
在模型训练过程中,为了提高模型训练效果,通过采用ADAM算法进行优化,使模型其收敛速度更快,学习效果更为有效,而且可以纠正其他优化技术中存在的问题,如学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大等问题。每轮迭代中,从原始训练集无放回抽样获得一个batch,随后根据batch计算梯度并更新参数θ(θ便是模型中的待更新参数)。
在其他实施例中,为了进一步提高模型的准确性,每隔预设时间间隔(例如,1个月),对分析模型进行更新训练。
可选地,在其他的实施例中,异常根因定位程序10还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器12所执行,以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
例如,参照图4所示,为图2中异常根因定位程序10的程序模块示意图。
在所述异常根因定位程序10一实施例中,异常根因定位程序10包括:模块110-180,其中:
接收模块110,用于接收用户通过客户端发出的根因定位指令,所述根因定位指令包括备选实例集及指定指标;
第一特征模块120,用于确定所述备选实例集中各备选实例对应的多个备选指标,获取所述指定指标的多条第一指标特征及所述多个备选指标的第二指标特征;
第二特征模块130,用于基于预设处理规则对所述指定指标的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征;
计算模块140,用于基于所述多个备选指标与所述指定指标生成所述备选实例集中各备选实例对应的多个备选指标对及多个备选指标特征对,分别将所述多个备选指标特征对输入预先生成的分析模型中,基于模型输出结果确定所述备选实例集中各备选实例对应的多个备选指标对的第一相似度;
分析模块150,用于基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度;
第一筛选模块160,用于分别获取所述指定指标及所述各备选实例对应的多个备选指标中异常指标的异常时间点,从所述备选实例中过滤掉异常时间点晚于所述指定指标的异常时间点的备选实例,生成第一备选实例集;
第二筛选模块170,用于基于预设的调用链层级数据从所述第一备选实例集中筛选出调用链层级满足预设条件的第一备选实例,生成第二备选实例集;及
定位模块180,用于按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,并将所述根因列表通过所述客户端反馈至所述用户。
所述模块110-180所实现的功能或操作步骤均与上文类似,此处不再详述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质中包括异常根因定位程序10,所述异常根因定位程序10被处理器执行时实现所述异常根因定位方法的任意步骤。本发明计算机可读存储介质的具体实施方式与上述方法实施例大致相同,在此不再赘述。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
需要说明的是,在本文中,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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种异常根因定位方法,适用于电子装置,其特征在于,该方法包括:
接收用户通过客户端发出的根因定位指令,所述根因定位指令包括备选实例集及指定指标;
确定所述备选实例集中各备选实例对应的多个备选指标,获取所述指定指标的多条第一指标特征及所述多个备选指标的第二指标特征;
基于预设处理规则对所述指定指标的多条第一指标特征进行数据处理,生成所述指定指标对应的综合指标特征,包括:对所述多条第一指标特征中的第一预设类型特征在同一时刻的指标数据进行归一化处理;对归一化处理后的所述第一预设类型特征在同一时刻的指标数据求均值,将所述均值作为所述第一预设类型特征在该时刻对应的综合指标数据;取所述第一指标特征中的第二预设类型特征在同一时刻的指标数据中的最大值作为所述第二预设类型特征在该时刻对应的综合指标数据;及,基于所述第一预设类型特征对应的综合指标数据及所述第二预设类型特征对应的综合指标数据生成所述第一指标特征对应的综合指标特征;
基于所述多个备选指标与所述指定指标生成所述备选实例集中各备选实例对应的多个备选指标对“指定指标-备选指标”及多个备选指标特征对“综合指标特征-第二指标特征”,分别将所述多个备选指标特征对“综合指标特征-第二指标特征”输入预先生成的分析模型中,基于模型输出结果确定所述备选实例集中各备选实例对应的多个备选指标对“指定指标-备选指标”的第一相似度;
基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对“指定指标-备选指标”的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度;
分别获取所述指定指标及所述各备选实例对应的多个备选指标中异常指标的异常时间点,从所述备选实例中过滤掉异常时间点晚于所述指定指标的异常时间点的备选实例,生成第一备选实例集;
基于预设的调用链层级数据从所述第一备选实例集中筛选出调用链层级满足预设条件的第一备选实例,生成第二备选实例集;及
按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,并将所述根因列表通过所述客户端反馈至所述用户。
2.根据权利要求1所述的异常根因定位方法,其特征在于,所述第一预设类型特征包括:采集值及同比增幅,所述第二预设类型特征包括异常标注。
3.根据权利要求1所述的异常根因定位方法,其特征在于,所述基于预设分析规则对所述备选实例集中各备选实例对应的多个备选指标对“指定指标-备选指标”的第一相似度进行分析,得到所述备选实例集中各备选实例与所述指定指标的第二相似度,包括:
获取所述备选实例对应的多个备选指标对“指定指标-备选指标”的第一相似度;
当所述备选实例对应的多个备选指标对“指定指标-备选指标”的第一相似度最大值大于或等于第一预设阈值时,将所述第一相似度最大值作为所述备选实例与所述指定指标的第二相似度;及
当所述备选实例对应的所述多个备选指标中所述第一相似度最大值小于第一预设阈值时,判断所述备选实例与所述指定指标不相似。
4.根据权利要求1至3中任意一项所述的异常根因定位方法,其特征在于,所述预设条件包括:所述第一备选实例集中不存在调用链层级低于当前第一备选实例的备选实例。
5.根据权利要求4所述的异常根因定位方法,其特征在于,所述根因列表中包括根因实例及所述根因实例对应的根因指标,所述按照所述第二相似度从大到小的顺序对所述第二备选实例进行排序,生成根因列表,包括:
将所述第二备选实例集的第二备选实例作为根因实例;
分别从所述根因实例的多个备选指标中筛选出异常时间点早于所述指定指标、且第一相似度大于或等于第二预设阈值的备选指标作为所述根因实例的根因指标;及
基于所述根因实例及所述根因指标生成所述根因列表。
6.根据权利要求1所述的异常根因定位方法,其特征在于,所述分析模型为基于注意力机制的两个相同结构的卷积神经网络模型。
7.根据权利要求6所述的异常根因定位方法,其特征在于,所述分析模型通过以下步骤训练得到:
获取预设指标在预设时间内的历史数据,生成所述预设指标的历史采集序列、异常标注序列及衍生指标序列;
将所述预设指标的历史采集序列、异常标注序列及衍生指标序列作为样本数据中的自变量,将人为为所述预设指标标注的关联标签作为因变量,基于所述自变量及因变量生成样本数据;
将所述样本数据划分为训练集和验证集,利用所述训练集对预先构建的分析模型进行训练,利用所述验证集对所述分析模型进行验证;及
当所述分析模型满足指定条件时,结束训练。
8.一种电子装置,其特征在于,该装置包括存储器及处理器,所述存储器中存储有可在所述处理器上运行的异常根因定位程序,所述异常根因定位程序被所述处理器执行时可实现如权利要求1至7中任意一项所述的异常根因定位方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括异常根因定位程序,所述异常根因定位程序被处理器执行时,可实现如权利要求1至7中任意一项所述的异常根因定位方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361299.9A CN111641519B (zh) | 2020-04-30 | 2020-04-30 | 异常根因定位方法、装置及存储介质 |
PCT/CN2020/098980 WO2021217855A1 (zh) | 2020-04-30 | 2020-06-29 | 异常根因定位方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361299.9A CN111641519B (zh) | 2020-04-30 | 2020-04-30 | 异常根因定位方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111641519A CN111641519A (zh) | 2020-09-08 |
CN111641519B true CN111641519B (zh) | 2022-10-11 |
Family
ID=72331931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361299.9A Active CN111641519B (zh) | 2020-04-30 | 2020-04-30 | 异常根因定位方法、装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111641519B (zh) |
WO (1) | WO2021217855A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112612929A (zh) * | 2020-12-29 | 2021-04-06 | 珠海金山网络游戏科技有限公司 | 数据处理方法及装置 |
CN112949983B (zh) * | 2021-01-29 | 2024-06-04 | 北京达佳互联信息技术有限公司 | 一种根因确定方法及装置 |
CN112990766B (zh) * | 2021-04-16 | 2023-10-20 | 成都数之联科技股份有限公司 | 一种产品搬送路径中不良根因设备的确定方法、***、装置及介质 |
CN113746798B (zh) * | 2021-07-14 | 2022-05-06 | 清华大学 | 基于多维度分析的云网络共享资源异常根因定位方法 |
CN114325232B (zh) * | 2021-12-28 | 2023-07-25 | 微梦创科网络科技(中国)有限公司 | 一种故障定位方法和装置 |
CN114022051A (zh) * | 2021-12-31 | 2022-02-08 | 阿里云计算有限公司 | 一种指标波动分析方法,存储介质和电子设备 |
CN114500315A (zh) * | 2021-12-31 | 2022-05-13 | 深圳云天励飞技术股份有限公司 | 设备状态监控方法、装置、计算机设备及存储介质 |
CN114024837B (zh) * | 2022-01-06 | 2022-04-05 | 杭州乘云数字技术有限公司 | 一种微服务***的故障根因定位方法 |
CN114978877B (zh) * | 2022-05-13 | 2024-04-05 | 京东科技信息技术有限公司 | 一种异常处理方法、装置、电子设备及计算机可读介质 |
CN115174355B (zh) * | 2022-07-26 | 2024-01-19 | 杭州东方通信软件技术有限公司 | 故障根因定位模型的生成方法,故障根因定位方法和装置 |
CN117560264A (zh) * | 2022-08-03 | 2024-02-13 | 中兴通讯股份有限公司 | 故障检测方法、装置、电子设备及可读存储介质 |
CN116820826B (zh) * | 2023-08-28 | 2023-11-24 | 北京必示科技有限公司 | 一种基于调用链的根因定位方法、装置、设备及存储介质 |
CN117560275B (zh) * | 2023-12-29 | 2024-03-12 | 安徽思高智能科技有限公司 | 基于图神经网络模型的微服务***根因定位方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017190339A1 (zh) * | 2016-05-06 | 2017-11-09 | 华为技术有限公司 | 故障处理方法及装置 |
WO2017219855A1 (zh) * | 2016-06-24 | 2017-12-28 | 中兴通讯股份有限公司 | 根因定位方法及装置 |
WO2018010176A1 (zh) * | 2016-07-15 | 2018-01-18 | 华为技术有限公司 | 获取故障信息的方法及设备 |
CN110309009A (zh) * | 2019-05-21 | 2019-10-08 | 北京云集智造科技有限公司 | 基于情境的运维故障根因定位方法、装置、设备及介质 |
CN110647447A (zh) * | 2019-08-01 | 2020-01-03 | 百度时代网络技术(北京)有限公司 | 用于分布式***的异常实例检测方法、装置、设备和介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11529084B2 (en) * | 2015-09-08 | 2022-12-20 | Dan Qun Fang | Cardiovascular detection system and method |
US11039757B2 (en) * | 2016-11-22 | 2021-06-22 | Cedars-Sinai Medical Center | Method and system for cardiac motion corrected MR exam using deformable registration |
CN108470282A (zh) * | 2018-03-26 | 2018-08-31 | 国家电网公司客户服务中心 | 客户服务中心投诉工单智能分类方法 |
-
2020
- 2020-04-30 CN CN202010361299.9A patent/CN111641519B/zh active Active
- 2020-06-29 WO PCT/CN2020/098980 patent/WO2021217855A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017190339A1 (zh) * | 2016-05-06 | 2017-11-09 | 华为技术有限公司 | 故障处理方法及装置 |
WO2017219855A1 (zh) * | 2016-06-24 | 2017-12-28 | 中兴通讯股份有限公司 | 根因定位方法及装置 |
WO2018010176A1 (zh) * | 2016-07-15 | 2018-01-18 | 华为技术有限公司 | 获取故障信息的方法及设备 |
CN110309009A (zh) * | 2019-05-21 | 2019-10-08 | 北京云集智造科技有限公司 | 基于情境的运维故障根因定位方法、装置、设备及介质 |
CN110647447A (zh) * | 2019-08-01 | 2020-01-03 | 百度时代网络技术(北京)有限公司 | 用于分布式***的异常实例检测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111641519A (zh) | 2020-09-08 |
WO2021217855A1 (zh) | 2021-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111641519B (zh) | 异常根因定位方法、装置及存储介质 | |
CN111459778B (zh) | 运维***异常指标检测模型优化方法、装置及存储介质 | |
CN111475804B (zh) | 一种告警预测方法及*** | |
CN111625413A (zh) | 指标异常分析方法、装置及存储介质 | |
CN110928718A (zh) | 一种基于关联分析的异常处理方法、***、终端及介质 | |
CN111555921B (zh) | 告警根因的定位方法、装置、计算机设备和存储介质 | |
CN113191509A (zh) | 基于维修人员画像的智能派单方法、设备、介质及产品 | |
CN111314173A (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN112994960B (zh) | 业务数据异常检测方法、装置及计算设备 | |
CN115577701A (zh) | 针对大数据安全的风险行为识别方法、装置、设备及介质 | |
CN111767193A (zh) | 一种服务器数据异常检测方法、装置、存储介质及设备 | |
CN117576823B (zh) | 一种排队叫号***终端 | |
CN117193088B (zh) | 一种工业设备监控方法、装置以及服务器 | |
CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
CN112181792A (zh) | 一种时序数据异常标注的方法、***及相关组件 | |
CN111784042A (zh) | 一种用电节点安全风险预测方法、装置及存储介质 | |
CN116843395A (zh) | 一种业务***的告警分级方法、装置、设备及存储介质 | |
CN115760486A (zh) | 临建规模评估方法、装置、设备和可读存储介质 | |
CN114420307A (zh) | 基于人工智能的公共卫生事件登记方法、装置及电子设备 | |
CN113535458A (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN112613723A (zh) | 风险告警方法、***、设备及介质 | |
CN110909813A (zh) | 一种基于边缘算法的商业体异常用电检测方法 | |
CN117523503B (zh) | 基于厚膜电路板的制备设备安全监控方法及*** | |
CN117555501B (zh) | 基于边缘计算的云打印机运维数据处理方法以及相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030727 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |