CN112187550B - 基于密度峰值多属性聚类的网络日志分析方法 - Google Patents

基于密度峰值多属性聚类的网络日志分析方法 Download PDF

Info

Publication number
CN112187550B
CN112187550B CN202011114354.0A CN202011114354A CN112187550B CN 112187550 B CN112187550 B CN 112187550B CN 202011114354 A CN202011114354 A CN 202011114354A CN 112187550 B CN112187550 B CN 112187550B
Authority
CN
China
Prior art keywords
user
clustering
data
weblog
content
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
CN202011114354.0A
Other languages
English (en)
Other versions
CN112187550A (zh
Inventor
刘世华
张�浩
吴刚
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.)
Hubei Central China Technology Development Of Electric Power Co ltd
Wuhan Tianzhiran Intellectual Property Operation Co ltd
Original Assignee
Wenzhou Polytechnic
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 Wenzhou Polytechnic filed Critical Wenzhou Polytechnic
Priority to CN202011114354.0A priority Critical patent/CN112187550B/zh
Publication of CN112187550A publication Critical patent/CN112187550A/zh
Application granted granted Critical
Publication of CN112187550B publication Critical patent/CN112187550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/069—Management of faults, events, alarms or notifications using logs of notifications; Post-processing of notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • H04L41/14—Network analysis or design
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种基于密度峰值多属性聚类的网络日志分析方法，包括如下步骤：步骤一，将网络日志数据输入到分布模型内，通过分布模型输出网络日志数据分布图；步骤二，针对离散点状分布的网络日志数据采用密度峰值聚类算法进行聚类，得到聚类结果；步骤三，对步骤二中获得的聚类结果进行分析，输出分析结果；其中，步骤一中的分布模型内具有若干个选择权项，通过选择不同的选择权项，使得网络日志数据在分布模型输出不同样式的网络日志数据分布图。本发明的基于密度峰值多属性聚类的网络日志分析方法，通过分布模型的设置，便可有效的实现将网络日志数据根据选择权项进行分别聚类。

Description

基于密度峰值多属性聚类的网络日志分析方法
技术领域
本发明涉及一种网络日志分析方法，更具体的说是涉及一种基于密度峰值多属性聚类的网络日志分析方法。
背景技术
网络日志是用户单位在连接服务器的过程中，对于用户在使用互联网的过程中的相关选择情况都有详细的记录，因此通过对于网络日志内容进行分析可以有效的了解到每个用户连接服务器时的大致需求。
然而由于网络日志是实时记录的因此其内所存在的数据量便十分的大，而现有技术中对于网络日志进行分析的方式主要是参数分析的方式，然而现有的分析方式主要是通过对数据进行聚类，然后根据聚类结果分析出用户在访问服务器的时候的喜好以及用户行为习惯，以此实现在用户访问服务器时提供给用户有用的访问信息，一方面可以降低用户的反感度，另一方面可以增加用户的粘性，然而现有聚类方法主要采用根据数值规律进行聚类，因而需要人为的去设定聚类数值，如此便会增加人的工作量，并且现有的数据量属性繁多，因此在聚类的过程中，便需要人去设定过多的聚类参数，以此实现对数据进行分属性聚类，如此使得人的工作量较大。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种能够降低人的工作量的基于密度峰值多属性聚类的网络日志分析方法。
为实现上述目的，本发明提供了如下技术方案：一种基于密度峰值多属性聚类的网络日志分析方法，包括如下步骤：
步骤一，将网络日志数据输入到分布模型内，通过分布模型输出网络日志数据分布图；
步骤二，针对离散点状分布的网络日志数据采用密度峰值聚类算法进行聚类，得到聚类结果；
步骤三，对步骤二中获得的聚类结果进行分析，输出分析结果；
其中，步骤一中的分布模型内具有若干个选择权项，通过选择不同的选择权项，使得网络日志数据在分布模型输出不同样式的网络日志数据分布图。
作为本发明的进一步改进，所述步骤一中分布模型的选择权项包括用户内容权项、用户点击权项和用户访问时间权项，所述步骤一的分布模型进行如下步骤：
步骤一一，输入网络日志数据前，先让工作人员选择选择权项，在选择完成以后进行后续步骤；
步骤一二，当工作人员选择用户内容权项时，以服务器所能够提供的站点内容作为竖轴，以用户查看站点内容的时间作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；
步骤一三，当工作人员选择用户点击权项时，以用户访问服务器总体时间作为竖轴，以用户点击次数作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；
步骤一四，当工作人员选择用户访问时间权项时，以用户访问服务器的单次时间为竖轴，以用户点击次数作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点。
作为本发明的进一步改进，所述步骤三中对步骤二中获得聚类结果进行分析的步骤如下：
步骤三一，对聚类结果中的各个簇进行标记，同时计算各个簇内的数据点的数量；
步骤三二，提取出步骤三一中数据点数量最多的簇，提取出该簇内数据点的站点内容和用户访问时间，以作为分析结果输出。
作为本发明的进一步改进，所述步骤三中输出分析结果后还具有执行步骤：
步骤四，接收到分析结果后，将工作人员选择用户内容权项的分析结果、选择用户点击权项以及选择用户访问时间权项相互整合成用户喜好结果；
步骤五，将用户喜好结果融合到网络提供内容数据内，同时计算各个数据点的局部密度；
步骤六，将用户喜好结果对应的数据点作为聚类中心，采用密度峰值聚类算法对网络提供内容数据点进行聚类；
步骤七，将步骤六中的聚类结果进行分类，划分为用户喜欢簇和用户不喜欢簇。作为本发明的进一步改进，所述步骤四中的整合步骤具体包括如下：
步骤四一，分别提取用户内容权项时聚类结果中数量最大的簇、用户点击权项时聚类结果中数量最大的簇和用户访问时间权项时数量最大的簇；
步骤四二，计算用户内容权项的簇中用户内容的中位数作为用户喜好内容，计算用户点击权项的簇中用户点击的中位数作为用户喜好中的用户点击习惯，计算用户访问时间的簇中用户访问时间的中位数作为用户喜好中的用户访问时限；
步骤四三，将步骤四二中获得的用户喜好内容、用户点击习惯和用户访问时限构成一个三维数据点代表用户喜好结果；
步骤四四，根据步骤四三获得的三维数据点搭建三维坐标轴，将网络提供内容数据输入该三维坐标轴内，作为聚类数据集。
本发明的有益效果，通过步骤一的设置，便可利用分布模型内的选择权项实现在网络日志数据输入到分布模型内的时候，进行类型筛选，而通过步骤二和步骤三的设置，便可利用密度峰值聚类算法对类型筛选后的网络日志数据进行聚类，如此在工作人员便只需要选择选择权项即可，并不需要额外的设置参数，因而便可大大的降低工作人员的工作量。
具体实施方式
下面将所给出的实施例对本发明做进一步的详述。
本实施例的一种基于密度峰值多属性聚类的网络日志分析方法，包括如下步骤：
步骤一，将网络日志数据输入到分布模型内，通过分布模型输出网络日志数据分布图；
步骤二，针对离散点状分布的网络日志数据采用密度峰值聚类算法进行聚类，得到聚类结果；
步骤三，对步骤二中获得的聚类结果进行分析，输出分析结果；
其中，步骤一中的分布模型内具有若干个选择权项，通过选择不同的选择权项，使得网络日志数据在分布模型输出不同样式的网络日志数据分布图，在使用本实施例的方法分析网络日志的过程中，便可有效的利用步骤一中的分布模型将网络日志数据进行类型预处理，构建出网络日志数据分布图，该网络日志数据分布图会根据工作人员选择的选择权项进行分布，会依据权项的选择在分布图上分布出密度与选择权项相关的数据点，因此采用密度峰值聚类算法，便可有效的对这些数据点进行聚类，通过聚类体现出当前数据分布的具体情况。
作为改进的一种具体实施方式，所述步骤一中分布模型的选择权项包括用户内容权项、用户点击权项和用户访问时间权项，所述步骤一的分布模型进行如下步骤：
步骤一一，输入网络日志数据前，先让工作人员选择选择权项，在选择完成以后进行后续步骤；
步骤一二，当工作人员选择用户内容权项时，以服务器所能够提供的站点内容作为竖轴，以用户查看站点内容的时间作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；
步骤一三，当工作人员选择用户点击权项时，以用户访问服务器总体时间作为竖轴，以用户点击次数作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；
步骤一四，当工作人员选择用户访问时间权项时，以用户访问服务器的单次时间为竖轴，以用户点击次数作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点，通过上述步骤的设置，便可实现分布模型出具的分布图分别为用户内容、用户点击和用户访问时间数据图，因此通过密度峰值聚类算法便可自动化的聚类分析出用户喜好的内容、用户点击的习惯和用户访问的时间长短，以此来为后续用户习惯分析做出铺垫，使得服务器能够提供足够合适的内容和访问时间以及点击需求，有效的提升用户访问体验。
作为改进的一种具体实施方式，所述步骤三中对步骤二中获得聚类结果进行分析的步骤如下：
步骤三一，对聚类结果中的各个簇进行标记，同时计算各个簇内的数据点的数量；
步骤三二，提取出步骤三一中数据点数量最多的簇，提取出该簇内数据点的站点内容和用户访问时间，以作为分析结果输出，通过上述步骤的设置，便可有效的实现对于聚类结果进行分析，获得相对应的分析结果。
作为改进的一种具体实施方式，所述步骤三中输出分析结果后还具有执行步骤：
步骤四，接收到分析结果后，将工作人员选择用户内容权项的分析结果、选择用户点击权项以及选择用户访问时间权项相互整合成用户喜好结果；
步骤五，将用户喜好结果融合到网络提供内容数据内，同时计算各个数据点的局部密度；
步骤六，将用户喜好结果对应的数据点作为聚类中心，采用密度峰值聚类算法对网络提供内容数据点进行聚类；
步骤七，将步骤六中的聚类结果进行分类，划分为用户喜欢簇和用户不喜欢簇，通过上述步骤的设置，便可采用密度峰值聚类算法对网络提供内容数据点进行聚类，便可自动化的获取到与用户喜好相近的内容，不需要工作人员额外的去进行选择参数，工作人员的工作量不会很多。
作为改进的一种具体实施方式，所述步骤四中的整合步骤具体包括如下：
步骤四一，分别提取用户内容权项时聚类结果中数量最大的簇、用户点击权项时聚类结果中数量最大的簇和用户访问时间权项时数量最大的簇；
步骤四二，计算用户内容权项的簇中用户内容的中位数作为用户喜好内容，计算用户点击权项的簇中用户点击的中位数作为用户喜好中的用户点击习惯，计算用户访问时间的簇中用户访问时间的中位数作为用户喜好中的用户访问时限；
步骤四三，将步骤四二中获得的用户喜好内容、用户点击习惯和用户访问时限构成一个三维数据点代表用户喜好结果；
步骤四四，根据步骤四三获得的三维数据点搭建三维坐标轴，将网络提供内容数据输入该三维坐标轴内，作为聚类数据集，通过上述步骤的设置，便可有效的实现对聚类结果进行整合，整合成用户喜好结果，并且将网络提供内容数据作为数据集供后续聚类分析了。
综上所述，本实施例的分析方法，通过步骤一至步骤三的设置，便可有效的实现对于网络日志数据进行聚类了，而工作人员仅需要选择选择权项即可，如此工作人员的工作量很少。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于密度峰值多属性聚类的网络日志分析方法，其特征在于：包括如下步骤：
步骤一，将网络日志数据输入到分布模型内，通过分布模型输出网络日志数据分布图；
步骤二，针对离散点状分布的网络日志数据采用密度峰值聚类算法进行聚类，得到聚类结果；
步骤三，对步骤二中获得的聚类结果进行分析，输出分析结果；
其中，步骤一中的分布模型内具有若干个选择权项，通过选择不同的选择权项，使得网络日志数据在分布模型输出不同样式的网络日志数据分布图；所述步骤一中分布模型的选择权项包括用户内容权项、用户点击权项和用户访问时间权项，所述步骤一的分布模型进行如下步骤：
步骤一一，输入网络日志数据前，先让工作人员选择选择权项，在选择完成以后进行后续步骤；
步骤一二，当工作人员选择用户内容权项时，以服务器所能够提供的站点内容作为竖轴，以用户查看站点内容的时间作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；
步骤一三，当工作人员选择用户点击权项时，以用户访问服务器总体时间作为竖轴，以用户点击次数作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；
步骤一四，当工作人员选择用户访问时间权项时，以用户访问服务器的单次时间为竖轴，以用户点击次数作为横轴，将网络日志数据输入到该坐标轴内，使得网络日志数据在坐标轴上形成离散的多个数据点；所述步骤三中对步骤二中获得聚类结果进行分析的步骤如下：
步骤三一，对聚类结果中的各个簇进行标记，同时计算各个簇内的数据点的数量；
步骤三二，提取出步骤三一中数据点数量最多的簇，提取出该簇内数据点的站点内容和用户访问时间，以作为分析结果输出。
2.根据权利要求1所述的基于密度峰值多属性聚类的网络日志分析方法，其特征在于：所述步骤三中输出分析结果后还具有执行步骤：
步骤四，接收到分析结果后，将工作人员选择用户内容权项的分析结果、选择用户点击权项以及选择用户访问时间权项相互整合成用户喜好结果；
步骤五，将用户喜好结果融合到现有的网络提供内容数据内，同时计算各个数据点的局部密度；
步骤六，将用户喜好结果对应的数据点作为聚类中心，采用密度峰值聚类算法对网络提供内容数据点进行聚类；
步骤七，将步骤六中的聚类结果进行分类，划分为用户喜欢簇和用户不喜欢簇。
3.根据权利要求2所述的基于密度峰值多属性聚类的网络日志分析方法，其特征在于：所述步骤四中的整合步骤具体包括如下：
步骤四一，分别提取用户内容权项时聚类结果中数量最大的簇、用户点击权项时聚类结果中数量最大的簇和用户访问时间权项时数量最大的簇；
步骤四二，计算用户内容权项的簇中用户内容的中位数作为用户喜好内容，计算用户点击权项的簇中用户点击的中位数作为用户喜好中的用户点击习惯，计算用户访问时间的簇中用户访问时间的中位数作为用户喜好中的用户访问时限；
步骤四三，将步骤四二中获得的用户喜好内容、用户点击习惯和用户访问时限构成一个三维数据点代表用户喜好结果；
步骤四四，根据步骤四三获得的三维数据点搭建三维坐标轴，将网络提供内容数据输入该三维坐标轴内，作为聚类数据集。
CN202011114354.0A 2020-10-16 2020-10-16 基于密度峰值多属性聚类的网络日志分析方法 Active CN112187550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011114354.0A CN112187550B (zh) 2020-10-16 2020-10-16 基于密度峰值多属性聚类的网络日志分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011114354.0A CN112187550B (zh) 2020-10-16 2020-10-16 基于密度峰值多属性聚类的网络日志分析方法

Publications (2)

Publication Number Publication Date
CN112187550A CN112187550A (zh) 2021-01-05
CN112187550B true CN112187550B (zh) 2022-09-30

Family

ID=73950814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011114354.0A Active CN112187550B (zh) 2020-10-16 2020-10-16 基于密度峰值多属性聚类的网络日志分析方法

Country Status (1)

Country Link
CN (1) CN112187550B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299044A (zh) * 2018-07-20 2019-02-01 浙江工业大学 一种基于公司内部日志的安全可视化分析***
CN110276374A (zh) * 2019-05-10 2019-09-24 浙江工业大学 自动确定聚类中心的用户行为日志密度峰值聚类方法
CN110489464A (zh) * 2019-07-02 2019-11-22 北京邮电大学 探索式图融合可视化方法和装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103138986B (zh) * 2013-01-09 2016-08-03 天津大学 一种基于可视分析的网站异常访问行为的检测方法
CN103714138A (zh) * 2013-12-20 2014-04-09 南京理工大学 一种基于密度聚类的区域数据可视化方法
CN106251026A (zh) * 2016-08-16 2016-12-21 南京信息工程大学 基于pdbscan算法的雷电临近趋势预报方法
CN108123834A (zh) * 2017-12-18 2018-06-05 佛山市米良仓科技有限公司 基于大数据平台的日志分析***
CN108897674A (zh) * 2018-07-12 2018-11-27 郑州云海信息技术有限公司 一种日志分析方法与装置
CN109255384A (zh) * 2018-09-12 2019-01-22 湖州市特种设备检测研究院 一种基于密度峰值聚类算法的交通流模式识别方法
CN109271424A (zh) * 2018-09-29 2019-01-25 海南大学 一种基于密度的参数自适应聚类方法
CN109471785A (zh) * 2018-11-15 2019-03-15 郑州云海信息技术有限公司 一种日志分析方法与装置
CN110263230B (zh) * 2019-04-25 2021-04-06 北京科技大学 一种基于密度聚类的数据清洗方法及装置
CN110309383B (zh) * 2019-06-17 2021-07-13 武汉科技大学 基于改进的dbscan算法的船舶轨迹聚类分析方法
CN111044986B (zh) * 2019-12-25 2022-05-10 成都纳雷科技有限公司 一种用于雷达目标检测的密度聚类方法及装置
CN111401460B (zh) * 2020-03-24 2023-04-25 南京师范大学镇江创新发展研究院 一种基于限值学习的异常电量数据辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109299044A (zh) * 2018-07-20 2019-02-01 浙江工业大学 一种基于公司内部日志的安全可视化分析***
CN110276374A (zh) * 2019-05-10 2019-09-24 浙江工业大学 自动确定聚类中心的用户行为日志密度峰值聚类方法
CN110489464A (zh) * 2019-07-02 2019-11-22 北京邮电大学 探索式图融合可视化方法和装置

Also Published As

Publication number Publication date
CN112187550A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
KR101130524B1 (ko) 목표 변수를 위한 데이터 전망 자동 생성
CN110292775B (zh) 获取差异数据的方法及装置
CN1241135C (zh) 用于排序分类属性以更好地可视化多维数据的***和方法
CN110162593A (zh) 一种搜索结果处理、相似度模型训练方法及装置
CN106156350A (zh) 一种可视化大数据分析方法及***
CN107437124A (zh) 一种基于大数据分析的运营商投诉与故障关联分析方法
CN110399420A (zh) 一种可配置化Excel格式的导出方法、电子设备和介质
CN106844664B (zh) 一种基于摘要的时间序列数据索引构建方法
CN105260171B (zh) 一种虚拟道具的生成方法及装置
JPH1055367A (ja) データ利用システム
CN106709017A (zh) 一种基于大数据的辅助决策方法
CN108647729B (zh) 一种用户画像获取方法
CN110737805B (zh) 图模型数据的处理方法、装置和终端设备
CN104820684A (zh) 一种基于空间位置的快速联机分析处理方法
CN110942280A (zh) 一种设计师协同参与的交互方法
CN105912740A (zh) 一种基于云计算的cae分布式协同工作方法
CN116993555A (zh) 国土空间规划重点区域识别的分区方法、***及存储介质
Wen et al. Constructing a three-dimensional resource database of plants using measured in situ morphological data
CN112187550B (zh) 基于密度峰值多属性聚类的网络日志分析方法
CN111949658A (zh) 一种面向数据立方体的可操作图形透视表构建方法
TWI684147B (zh) 雲端自助分析平台與其分析方法
CN115774946A (zh) 基于slp的三维设施规划与物流分析方法、***及应用
US7313559B2 (en) System and method for analytically modeling data organized according to a referenced attribute
CN103077218B (zh) 一种用于确定查询请求中查询序列的需求信息的方法与设备
CN112819527B (zh) 一种用户分群处理方法及装置

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
TR01 Transfer of patent right

Effective date of registration: 20231212

Address after: No. 546, Luoyu Road, Hongshan District, Wuhan, Hubei Province, 430000

Patentee after: HUBEI CENTRAL CHINA TECHNOLOGY DEVELOPMENT OF ELECTRIC POWER Co.,Ltd.

Address before: 430000, Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Wuhan Donghu New Technology Development Zone, Wuhan, Hubei Province (Wuhan Area of Free Trade Zone)

Patentee before: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd.

Effective date of registration: 20231212

Address after: 430000, Room 05, 27th Floor, Building 1, Phase 3, Guannan Fuxing Pharmaceutical Park, No. 58 Guanggu Avenue, Wuhan Donghu New Technology Development Zone, Wuhan, Hubei Province (Wuhan Area of Free Trade Zone)

Patentee after: Wuhan Tianzhiran Intellectual Property Operation Co.,Ltd.

Address before: 325000 Wenzhou City National University Science Park incubator, No. 38 Dongfang South Road, Ouhai District, Wenzhou, Zhejiang

Patentee before: WENZHOU VOCATIONAL & TECHNICAL College

TR01 Transfer of patent right