CN112134736A - 一种基于阻尼算法判定告警收敛恢复的方法 - Google Patents
一种基于阻尼算法判定告警收敛恢复的方法 Download PDFInfo
- Publication number
- CN112134736A CN112134736A CN202010976754.6A CN202010976754A CN112134736A CN 112134736 A CN112134736 A CN 112134736A CN 202010976754 A CN202010976754 A CN 202010976754A CN 112134736 A CN112134736 A CN 112134736A
- Authority
- CN
- China
- Prior art keywords
- alarm
- damping
- value
- algorithm
- function
- 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.)
- Pending
Links
- 238000013016 damping Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011084 recovery Methods 0.000 title claims abstract description 36
- 238000011161 development Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 40
- 230000001960 triggered effect Effects 0.000 claims description 25
- 238000012423 maintenance Methods 0.000 claims description 16
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 239000010931 gold Substances 0.000 claims description 6
- 229910052737 gold Inorganic materials 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Entrepreneurship & Innovation (AREA)
- Signal Processing (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于阻尼算法判定告警收敛恢复的方法,包括:步骤1)通过机器学习学习网络业务发展的趋势得出告警预判;步骤2)将告警推送规则赋能算法,动态地调整告警触发及恢复规则。本方法,提供一种类似阻尼效果的具有弹性可伸缩特征的告警收敛算法。依据当前业务的发展规律加持算法计算分析,对于重复多发告警,给与及时合理的响应,既不会非常频繁又不会粗暴屏蔽。
Description
技术领域
本发明属于一种基于阻尼算法判定告警收敛恢复的方法,属于计算机通信领域。
背景技术
随着科学技术的高速发展,云计算大数据人工智能三大巨头产业迅速崛起,万物互联也已经逐渐走入寻常百姓家,网络规模空前扩大,海量数据扑面而来,运营商网络运维开始面临巨大的运维挑战。网络设备指数级增加,网络运维中会产生大量的告警,随着5G业务发展,可能导致告警量爆发式增长。海量告警将会对网络运维带来难点,一是会降低运维人员对告警信息的敏感性;二是重复告警过多,大量的分析消耗在重复告警去重上,不利于高效精准定因;三是当前传统运维多依据人工设定告警阈值,无法灵活灵敏地感知业务变化。
发明内容
本发明所要解决的技术问题是针对以上问题,本专利提出了一种合理压缩告警的方法,利用算法根据业务变化灵活调整告警触发和恢复的规则,可以适当地减少冗余告警的发生又不会粗暴的阻断重复告警,能够灵敏地感知业务变化,助力多快好省的端到端运维。
本发明解决上述技术问题所采取的技术方案如下:
一种基于阻尼算法判定告警收敛恢复的方法,包括:
步骤1)通过机器学习学习网络业务发展的趋势得出告警预判;
步骤2)将告警推送规则赋能算法,动态地调整告警触发及恢复规则。
优选的是,步骤1)中,具体包括:
从各专业网管获得各个专业的黄金网络性能指标数据,包括:
从分组网专业获得附着用户数、附着成功率的性能指标;
从主机***获得DNS请求量、DNS请求成功量、AAA在线用户数的性能指标;
从承载网获得承载B网二干流量的性能指标;
从IT支撑云网管获得云平台出口流量、防火墙session数的关键的黄金性能指标数据;
将从数据入口汇聚而来的网络性能数据拉入大数据集群做数据处理,加持AI算法得出预测值。
优选的是,步骤2)中,具体包括:
根据网络性能数据预测结果再结合业务运行情况,自动学习历史规律,灵活动态地优化调整网络性能指标的告警阈值,最后将告警推送规则加持阻尼算法;
按照阻尼算法灵活推送告警,将网络性能侧的告警及时传递给一线运维人员。
优选的是,步骤2)中,具体包括:
本技术方案使用,底数为1/e的对数函数,利用其平稳下滑的特性,对告警触发产生阻尼效果
结合y=x+1;x=y’,上一时刻y的值;
具体如下:
函数1:y=log1/e x(当y>0.8,只要没有告警产生就会触发该函数进行收敛);
函数2:y=y′+1(y′上一时刻y值)(当y<2.4,只要发生告警就会触发)
横轴:代表数据采集周期的最小时间长度;
纵轴:即为y,代表阻尼系数,阻尼系数越大表征告警越容易被抑制;
x=(1/e)y;
算法中使用两个阈值和一个阻尼周期。
根据权利要求3所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,所述阈值和阻尼周期为:
(4)阈值1:告警恢复阈值,其中,阈值1定义为0.8,当y值小于0.8的时候认为告警恢复;
(5)阈值2:阻尼系数最大值,其中,阈值2定义为2.4,当y值大于2.4的时候,如果再持续产生告警,则不再推送告警;
(6)最长阻尼周期:12个数据采集周期的时间长度。
优选的是,在没有达到阻尼系数最大值之前,每产生告警一次则会触发函数2一次,而不产生告警期间则触发函数1进行收敛,当y值收敛至小于0.8时则不再产生告警。
优选的是,步骤2)中,具体包括:
首次产生告警则触发函数2,此时阻尼系数+1,连续3次产生重复告警或者多次断续产生重复告警后,促使y值到达阻尼系数最大值2.4,此时进入阻尼模式:再次发生告警,y值会保持不变,如果不再发生告警就触发函数1开始收敛,但最长保持时间为12个数据采集周期,过了12个数据采集周期如果依然发生告警则将y置零重新计算;
如果过了12个数据采集周期后的下一个周期不再发生告警则触发函数1开始收敛,只要y值大于阈值2.4,告警不再发生,y都会继续收敛;当y值小于2.4,再次发生告警则会继续触发函数2,不发生告警时则会继续收敛;当y值收敛至小于阈值0.8时,则告警恢复,不再继续推送告警。
优先的是,辨别为重复告警的方式依赖于告警描述、网络性能指标的数据标签,设备名称、设备接口四个字段来唯一确认。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
下面结合附图对本发明进行详细的描述,以使得本发明的上述优点更加明确。其中,
图1是本发明基于阻尼算法判定告警收敛恢复的方法的示意图;
图2是本发明基于阻尼算法判定告警收敛恢复的方法的流程示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
传统网络运维中告警规则设置不灵活仅仅依靠人工设定,不能动态的发送重复告警,容易造成告警冗余或者告警缺失。目前重复告警要么采用不限制的静态机制,根据采集间隔不间断地推送重复告警,给维护人员带来判断挑战;或者实施一定的过滤,但过滤一般是采用是重复告警发送次数超过一定阈值以后就暂停告警发送,然后间隔一段固定的时间,比如3小时、6小时以后再发送告警,不够科学不够灵活。
传统网络运维中告警恢复手段简单,对于复杂情形判断不准确。对于告警恢复,目前也是通过人为的设定来判断,一般是在几个周期内不产生告警就认为故障恢复或者人工确认,不够灵活和准确。
本方法,提供一种类似阻尼效果的具有弹性可伸缩特征的告警收敛算法。依据当前业务的发展规律加持算法计算分析,对于重复多发告警,给与及时合理的响应,既不会非常频繁又不会粗暴屏蔽。
如图2所示,一种基于阻尼算法判定告警收敛恢复的方法,包括:
步骤1)通过机器学习学习网络业务发展的趋势得出告警预判;
步骤2)将告警推送规则赋能算法,动态地调整告警触发及恢复规则。
本方法,通过对网络告警的大量统计分析,能够敏捷地学习到告警发生的趋势,能够灵活地根据网络告警的发生的频率,触发告警的合理恢复,转换传统运维的静态阈值设置为机器学习得来的动态阈值变更,且本方法还提供了一种人工动态干预调整告警阈值的能力,更加专业更加灵活更加贴合端到端网络质量的挖掘分析。
数据处理实例解释:
数据入口:从各专业网管获得各个专业的黄金网络性能指标数据,例如本文从分组网专业获得“附着用户数”、“附着成功率”的性能指标,从主机***获得“DNS请求量”、“DNS请求成功量”、“AAA在线用户数”的性能指标,从承载网获得“承载B网二干流量”的性能指标,从IT支撑云网管获得“云平台出口流量”、“防火墙session数”等关键的黄金性能指标数据。
中间数据处理过程:将从数据入口汇聚而来的专业网络性能数据拉入大数据集群做数据处理,加持AI算法(本文采用的是三次指数平滑算法),得出预测值,根据真实值预测值结果再结合业务运行情况定义网络性能指标的动态告警阈值,最后将告警推送规则加持本发明提到的“阻尼算法”。
数据出口:按照阻尼算法灵活输出告警,例如本文采用对接微信机器人的方式,借助微信机器人实现告警推送,将网络性能侧的告警及时传递给一线运维人员。
本技术方案使用,底数为1/e的对数函数,利用其平稳下滑的特性,对告警触发产生阻尼效果。
结合y=x+1;x=y’,上一时刻y的值;
具体如下:
函数1:y=log1/e x(当y>0.8,只要没有告警产生就会触发该函数进行收敛);
函数2:y=y′+1(y′上一时刻y值)(当y<2.4,只要发生告警就会触发)
横轴:代表数据采集周期的最小时间长度;
纵轴:即为y,代表阻尼系数,阻尼系数越大表征告警越容易被抑制;
x=(1/e)y;
算法中使用两个阈值和一个阻尼周期:
(1)阈值1:告警恢复阈值,其中,阈值1定义为0.8,当y值小于0.8的时候认为告警恢复;
(2)阈值2:阻尼系数最大值,其中,阈值2定义为2.4,当y值大于2.4的时候,如果再持续产生告警,则不再推送告警;
(3)最长阻尼周期:12个数据采集周期的时间长度。
本方法按照:
在没有达到阻尼系数最大值之前,每产生告警一次则会触发函数2一次,而不产生告警期间则触发函数1进行收敛,当y值收敛至小于0.8时则不再产生告警。
首次产生告警则触发函数2,此时阻尼系数+1,连续3次产生重复告警或者多次断续产生重复告警后,促使y值到达阻尼系数最大值2.4,此时进入阻尼模式:再次发生告警,y值会保持不变,如果不再发生告警就触发函数1开始收敛,但最长保持时间为12个数据采集周期,过了12个数据采集周期如果依然发生告警则将y置零重新计算;
如果过了12个数据采集周期后的下一个周期不再发生告警则触发函数1开始收敛,只要y值大于阈值2.4,告警不再发生,y都会继续收敛;当y值小于2.4,再次发生告警则会继续触发函数2,不发生告警时则会继续收敛;当y值收敛至小于阈值0.8时,则告警恢复,不再继续推送告警。
辨别为重复告警的方式依赖于告警描述、网络性能指标的数据标签,设备名称、设备接口四个字段来唯一确认。
如图1所示展示了采集周期内告警产生的行为与阻尼系数及告警推送行为的变化关系。在第2个数据采集周期产生告警,即触发函数2,y值变为1,然后在第3个数据采集周期处于正常状态,此时触发函数1开始平滑收敛。在第4个数据采集周期又产生告警,由于当前y值小于最大阻尼阈值,所以会触发函数2。到第5个第6个数据采集周期处恢复正常,则均触发函数1,数值开始随对数函数收敛。第7个数据采集周期产生告警,再次触发函数2,此时y增大,且已经大于阻尼系数最大值,此时第7个数据采集周期以后的告警不再推送,告警被阻尼,即图中第8个数据周期,第9个数据周期虽然还有告警,但是y值保持不变(最大保持周期为12个数据采集周期;12个数据采集周期之后如果告警还在,则y清零重新计算。如果12个数据采集周期后的下一时刻告警恢复则会触发函数1,呈对数函数逐渐下滑,下滑到y值小于告警恢复阈值后,则告警恢复不再推送),到第10个数据周期时告警消失则触发函数1进行收敛,以此类推,如此到上图第13个数据采集周期时,y值开始小于告警恢复阈值,此时认为告警恢复,会触发告警恢复推送。
本方法不再是传统运维模式的人为设定告警阈值,而是由算法学习决定,让冗余告警得到合理的收敛,从而可以有效地降低重复告警的次数,让告警触发和恢复机制变得更加科学,既不会频繁的推送冗余告警也不会粗暴地屏蔽冗余告警;告警恢复依照算法计算结果,减少人工干预的成本同时让结果更加科学合理。
本方法,首先通过机器学习学习网络业务发展的趋势得出告警预判,然后将告警推送规则赋能算法,既能有效地预测业务发展趋势,灵活动态地调整告警触发及恢复规则,又能大量减少人工判别的成本;告警推送的规则不再依据人工静态设定,而是通过算法进行科学处理,既会减少冗余告警的高频率推送也会避免粗暴屏蔽造成的告警缺失。
本方法的优点:
(1)本方法可以合理地推送冗余告警,让告警收敛的方式不再是传统运维模式的人为设定,而是由算法计算决定,可以有效的降低重复告警的次数,既不会频繁的推送冗余告警也不会粗暴地屏蔽冗余告警;
(2)本方法通过算法的计算分析将告警恢复机制变得更加科学化,完全依照算法来恢复而不再是传统的通过人为设定,减少人工干预时间成本,让结果更加科学合理。
需要说明的是,对于上述方法实施例而言,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于阻尼算法判定告警收敛恢复的方法,包括:
步骤1)通过机器学习学习网络业务发展的趋势得出告警预判;
步骤2)将告警推送规则赋能算法,动态地调整告警触发及恢复规则。
2.根据权利要求1所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,步骤1)中,具体包括:
从各专业网管获得各个专业的黄金网络性能指标数据,包括:
从分组网专业获得附着用户数、附着成功率的性能指标;
从主机***获得DNS请求量、DNS请求成功量、AAA在线用户数的性能指标;
从承载网获得承载B网二干流量的性能指标;
从IT支撑云网管获得云平台出口流量、防火墙session数的关键的黄金性能指标数据;
将从数据入口汇聚而来的网络性能数据拉入大数据集群做数据处理,加持AI算法得出预测值。
3.根据权利要求2所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,步骤2)中,具体包括:
根据网络性能数据预测结果再结合业务运行情况,自动学习历史规律,灵活动态地优化调整网络性能指标的告警阈值,最后将告警推送规则加持阻尼算法;
按照阻尼算法灵活推送告警,将网络性能侧的告警及时传递给一线运维人员。
4.根据权利要求3所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,步骤2)中,具体包括:
本技术方案使用,底数为1/e的对数函数,利用其平稳下滑的特性,对告警触发产生阻尼效果
结合y=x+1;x=y’,上一时刻y的值;
具体如下:
函数1:y=log1/ex(当y>0.8,只要没有告警产生就会触发该函数进行收敛);
函数2:y=y′+1(y′上一时刻y值)(当y<2.4,只要发生告警就会触发)
横轴:代表数据采集周期的最小时间长度;
纵轴:即为y,代表阻尼系数,阻尼系数越大表征告警越容易被抑制;
x=(1/e)y;
算法中使用两个阈值和一个阻尼周期。
5.根据权利要求3所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,所述阈值和阻尼周期为:
(1)阈值1:告警恢复阈值,其中,阈值1定义为0.8,当y值小于0.8的时候认为告警恢复;
(2)阈值2:阻尼系数最大值,其中,阈值2定义为2.4,当y值大于2.4的时候,如果再持续产生告警,则不再推送告警;
(3)最长阻尼周期:12个数据采集周期的时间长度。
6.根据权利要求3所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,在没有达到阻尼系数最大值之前,每产生告警一次则会触发函数2一次,而不产生告警期间则触发函数1进行收敛,当y值收敛至小于0.8时则不再产生告警。
7.根据权利要求4所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,步骤2)中,具体包括:
首次产生告警则触发函数2,此时阻尼系数+1,连续3次产生重复告警或者多次断续产生重复告警后,促使y值到达阻尼系数最大值2.4,此时进入阻尼模式:再次发生告警,y值会保持不变,如果不再发生告警就触发函数1开始收敛,但最长保持时间为12个数据采集周期,过了12个数据采集周期如果依然发生告警则将y置零重新计算;
如果过了12个数据采集周期后的下一个周期不再发生告警则触发函数1开始收敛,只要y值大于阈值2.4,告警不再发生,y都会继续收敛;当y值小于2.4,再次发生告警则会继续触发函数2,不发生告警时则会继续收敛;当y值收敛至小于阈值0.8时,则告警恢复,不再继续推送告警。
8.根据权利要求7所述的基于阻尼算法判定告警收敛恢复的方法,其特征在于,辨别为重复告警的方式依赖于告警描述、网络性能指标的数据标签,设备名称、设备接口四个字段来唯一确认。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976754.6A CN112134736A (zh) | 2020-09-17 | 2020-09-17 | 一种基于阻尼算法判定告警收敛恢复的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010976754.6A CN112134736A (zh) | 2020-09-17 | 2020-09-17 | 一种基于阻尼算法判定告警收敛恢复的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112134736A true CN112134736A (zh) | 2020-12-25 |
Family
ID=73845921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010976754.6A Pending CN112134736A (zh) | 2020-09-17 | 2020-09-17 | 一种基于阻尼算法判定告警收敛恢复的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112134736A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205666A (zh) * | 2021-05-06 | 2021-08-03 | 广东鹰视能效科技有限公司 | 一种预警方法 |
CN113411337A (zh) * | 2021-06-21 | 2021-09-17 | 深圳天元云科技有限公司 | 一种基于分类的防火墙策略收敛方法、***、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873711A (zh) * | 2005-05-31 | 2006-12-06 | 华为技术有限公司 | 一种告警信息的处理方法 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、***、存储介质及计算机设备 |
-
2020
- 2020-09-17 CN CN202010976754.6A patent/CN112134736A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1873711A (zh) * | 2005-05-31 | 2006-12-06 | 华为技术有限公司 | 一种告警信息的处理方法 |
CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、***、存储介质及计算机设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205666A (zh) * | 2021-05-06 | 2021-08-03 | 广东鹰视能效科技有限公司 | 一种预警方法 |
CN113411337A (zh) * | 2021-06-21 | 2021-09-17 | 深圳天元云科技有限公司 | 一种基于分类的防火墙策略收敛方法、***、终端及存储介质 |
CN113411337B (zh) * | 2021-06-21 | 2023-04-18 | 深圳天元云科技有限公司 | 一种基于分类的防火墙策略收敛方法、***、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992398A (zh) | 一种业务***的监控方法和监控*** | |
CN112134736A (zh) | 一种基于阻尼算法判定告警收敛恢复的方法 | |
CN109948121A (zh) | 文章相似度挖掘方法、***、设备及存储介质 | |
WO2010112855A1 (en) | Network analysis system | |
CN110135603B (zh) | 一种基于改进熵权法的电力网络告警空间特征分析方法 | |
WO2013097151A1 (zh) | 一种资源调度方法及设备 | |
CN114780253B (zh) | 一种大数据智能分析*** | |
US20090043559A1 (en) | Hardware Verification Batch Computing Farm Simulator | |
CN112596975A (zh) | 对网络设备进行监控处理的方法、***、设备和存储介质 | |
KR20220166760A (ko) | 5g 분산 클라우드 시스템의 빅 데이터를 이용하여 장애를 관리하는 장치 및 방법 | |
CN114513470A (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
CN112100149A (zh) | 日志自动化分析*** | |
CN115033477B (zh) | 一种面向大规模微服务的性能异常主动检测和处理方法及*** | |
CN116566696B (zh) | 一种基于云计算的安全性评估***及方法 | |
CN111190790A (zh) | 一种基于峰值预测的云计算集群监控方法及*** | |
CN117370058A (zh) | 一种业务处理方法、装置、电子设备及计算机可读介质 | |
CN112486767A (zh) | 云资源的智能监控方法、***、服务器以及存储介质 | |
CN111694721A (zh) | 一种微服务的故障监测方法和装置 | |
CN106649034A (zh) | 一种可视化智能运维方法及平台 | |
CN114500075B (zh) | 用户异常行为检测方法、装置、电子设备及存储介质 | |
CN110602070A (zh) | 一种网络安全的自动配置管理***及方法 | |
CN115883392A (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN111241145A (zh) | 一种基于大数据的自愈规则挖掘方法及装置 | |
CN114661943A (zh) | 会议信息存储管理*** | |
CN115460124A (zh) | 跨机房传输链路优化的方法、装置、设备和存储介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201225 |