CN112508208A - 运维优化方法、***、计算机设备和存储介质 - Google Patents
运维优化方法、***、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112508208A CN112508208A CN202011451112.0A CN202011451112A CN112508208A CN 112508208 A CN112508208 A CN 112508208A CN 202011451112 A CN202011451112 A CN 202011451112A CN 112508208 A CN112508208 A CN 112508208A
- Authority
- CN
- China
- Prior art keywords
- optimization
- clusters
- maintenance
- influence factors
- data
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 89
- 238000012423 maintenance Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 20
- 239000002699 waste material Substances 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000006872 improvement Effects 0.000 abstract description 17
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 125000002950 monocyclic group Chemical group 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种运维优化方法、***、计算机设备和存储介质。所述运维优化方法包括：获取工作流程中的工作数据；基于所述工作数据获取影响因子；对所述影响因子进行预处理，得到量级范围统一的影响因子；通过K‑均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇；对所述预定个数的簇进行分析，获取其中的最优簇；以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向；基于所述优化方向进行运维优化。本公开提供的运维优化方法基于工作流程中的工作数据获取影响因子，并将聚类后的影响因子中的最优簇作为改进基准，可以分析出其他簇的改进方向，为优化运维质量指出优化方向，从而实现有效的运维优化。
Description
技术领域
本发明涉及计算机应用技术领域，更为具体而言，涉及一种运维优化方法、***、计算机设备和存储介质。
背景技术
在日常参数运维评估中，大部分金融企业往往依靠运维人员的主观经验实现参数变更评估，其存在如下问题：
1)缺乏客观性
在对各个分行(银行企业的二级机构，通常属于省级)的参数运维流程数据进行分析时，主观的选择影响因子，主观的对各个因子赋予权重，再利用普通相加减的方法对各分行进行打分，最后利用分数的高低来对各分行进行排序。这种方法带有主观性色彩，评估结果无法令人信服。
2)缺乏对参数运维评估结果的细致分析
对所有分行采取统一的分析方法，没有对评估结果异常的样本进行分析，之前的分析方法所起到的效果就只能达到评估各个分行的效果，并不能依据分析的结果来优化分行的参数运维。
可见，当前的运维评估方法缺乏客观性，导致评估结果很难使各方信服，也无法实现有效的运维优化。
发明内容
为解决上述现有技术存在的问题或部分问题，本发明实施方式提供了一种运维优化方法、***、计算机设备和存储介质，基于工作流程中的工作数据获取影响因子，并将聚类后的影响因子中的最优簇作为改进基准，可以分析出其他簇的改进方向，为优化运维质量指出优化方向，从而实现有效的运维优化。
根据本发明的第一方面，本发明实施方式提供了一种运维优化方法，其包括：获取工作流程中的工作数据；基于所述工作数据获取影响因子；对所述影响因子进行预处理，得到量级范围统一的影响因子；通过K-均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇；对所述预定个数的簇进行分析，获取其中的最优簇；以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向；基于所述优化方向进行运维优化。
本发明上述实施方式基于工作数据获取影响因子，并将聚类后的影响因子中的最优簇作为改进基准，可以分析出其他簇的改进方向，为优化运维质量指出优化方向，从而实现有效的运维优化。
在本发明的一些实施方式中，所述运维优化方法还包括：基于所述预定个数的簇、所述优化方向生成分析评估报告。
本发明上述实施方式通过将分析结果形成参数运维质量的分析评估报告，能够按层次、类别分别展示各行的参数运维情况，这样既能展示详细的数据分析结果，又能重点突出异常内容，并能够针对异常内容提出优化运维意见。
在本发明的一些实施方式中，基于所述工作数据获取影响因子包括：对所述工作数据进行结构化存储；根据数据属性对所述结构化存储的工作数据进行分类；从所述分类后的工作数据中抽取影响因子。
本发明上述实施方式基于工作流程中的工作数据抽取影响因子，使得挖掘信息的数据内容丰富而全面，避免影响因子的主观选择。
在本发明的一些实施方式中，所述影响因子包括：废单数、退单数、发布失败数、未关单数、未补单数、发生应急处置的事件、产生生产的事件、各单位处理时间、各单位滞留时间，处理效率。
根据本发明的第二方面，本发明实施方式提供了一种运维优化***，其包括：工作数据获取模块，用于获取工作流程中的工作数据；影响因子获取模块，用于基于所述工作数据获取影响因子；预处理模块，用于对所述影响因子进行预处理，得到量级范围统一的影响因子；分类模块，用于通过K-均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇；优化模块，用于对所述预定个数的簇进行分析，获取其中的最优簇；所述优化模块还用于以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向，并基于所述优化方向进行运维优化。
本发明上述实施方式基于工作数据获取影响因子，并将聚类后的影响因子中的最优簇作为改进基准，可以分析出其他簇的改进方向，为优化运维质量指出优化方向，从而实现有效的运维优化。
在本发明的一些实施方式中，所述运维优化***还包括：报告生成模块，用于基于所述预定个数的簇、所述优化方向生成分析评估报告。
本发明上述实施方式通过将分析结果形成参数运维质量的分析评估报告，能够按层次、类别分别展示各行的参数运维情况，这样既能展示详细的数据分析结果，又能重点突出异常内容，并能够针对异常内容提出优化运维意见。
在本发明的一些实施方式中，基于所述工作数据获取影响因子包括：对所述工作数据进行结构化存储；根据数据属性对所述结构化存储的工作数据进行分类；从所述分类后的工作数据中抽取影响因子。
本发明上述实施方式基于工作流程中的工作数据抽取影响因子，使得挖掘信息的数据内容丰富而全面，避免影响因子的主观选择。
在本发明的一些实施方式中，所述影响因子包括：废单数、退单数、发布失败数、未关单数、未补单数、发生应急处置的事件、产生生产的事件、各单位处理时间、各单位滞留时间，处理效率。
根据本发明的第三方面，本发明实施方式提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令被处理器执行时，使得计算机执行如下操作：所述操作包括如上任意一种实施方式所述运维优化方法所包含的步骤。
根据本发明的第四方面，本发明实施方式提供一种包括存储器和处理器的计算机设备，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时能够实现如上任意一种实施方式所述的运维优化方法。
由上述可知，本发明实施方式提供的运维优化方法、***、存储介质和计算机设备，基于工作流程中丰富而全面的工作数据获取影响因子，并对影响因子进行聚类分析，将最优簇作为改进基准，可以分析出其他簇的改进方向，为优化运维质量指出优化方向，从而实现有效的运维优化。
附图说明
图1是根据本发明一种实施方式的运维优化方法的流程示意图；
图2是根据本发明一种实施方式的运维优化***的架构图。
具体实施方式
以下结合附图和具体实施方式对本发明的各个方面进行详细阐述。其中，众所周知的模块、单元及其相互之间的连接、链接、通信或操作没有示出或未作详细说明。并且，所描述的特征、架构或功能可在一个或一个以上实施方式中以任何方式组合。本领域技术人员应当理解，下述的各种实施方式只用于举例说明，而非用于限制本发明的保护范围。还可以容易理解，本文所述和附图所示的各实施方式中的模块或单元或处理方式可以按各种不同配置进行组合和设计。
图1是根据本发明一种实施方式的运维优化方法的流程示意图。
如图1所示，在本发明的一种实施方式中，所述方法可包括：步骤S11、步骤S12、步骤S13、步骤S14、步骤S15、步骤S16和步骤S17，下面对上述步骤进行具体的描述。
在步骤S11中，获取工作流程中的工作数据。在可选的实施方式中，可以利用大数据平台，采集工作流程中的工作数据。由此，可以依赖于大数据平台的支持获取丰富全面的工作数据，从而基于工作数据挖掘潜藏的信息。
在步骤S12中，基于所述工作数据获取影响因子。在可选的实施方式中，基于所述工作数据获取影响因子可以具体包括下述步骤：对所述工作数据进行结构化存储；根据数据属性对所述结构化存储的工作数据进行分类；从所述分类后的工作数据中抽取影响因子。能够从数据本身出发，客观的获取影响参数运维效果的影响因子，避免了主观选择影响因子导致的分析结果不够真实可靠的问题。
可选的，所述影响因子可以包括但不限于下述几种：废单数、退单数、发布失败数、未关单数、未补单数、发生应急处置的事件、产生生产的事件、各单位处理时间、各单位滞留时间，处理效率。其中，所述废单数、退单数包含了各个分行的废单数、退单数。
在步骤S13中，对所述影响因子进行预处理，得到量级范围统一的影响因子。
在步骤S14中，通过K-均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇。其中，在K-均值聚类算法中设定的K值为需要得到的簇的个数。通过应用无监督学习方法——K-means聚类算法(即，K-均值聚类算法)进行聚类分析，能够从数据本身出发，挖掘出数据本身的潜藏信息，将表现相似的样本(即，预处理后的影响因子)化成一个簇，有效地减少了工作量。
在步骤S15中，对所述预定个数的簇进行分析，获取其中的最优簇。
在步骤S16中，以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向。
在步骤S17中，基于所述优化方向进行运维优化。
采用本发明实施方式的上述方法，基于工作流程中丰富而全面的工作数据获取影响因子，并对影响因子进行聚类分析，将最优簇作为改进基准，可以分析出其他簇的改进方向，为优化运维质量指出优化方向，从而实现有效的运维优化。
在可选的实施方式中，基于所述预定个数的簇、所述优化方向生成分析评估报告。通过将分析结果形成参数运维质量的分析评估报告，能够按层次、类别分别展示各行的参数运维情况，这样既能展示详细的数据分析结果，又能重点突出异常内容，并能够针对异常内容提出优化运维意见。
本发明根据上述运维优化方法提供一种基于工作数据进行运维评估和优化的示例，以实现客观而有效的运维优化：
首先，分析工作流程的整体生命流程，利用大数据平台采集工作数据，并将工作数据结构化存储；对工作数据进行数据分类，区分为业务过程数据、业务结果数据、操作痕迹数据、***参数、统计分析数据等等；基于各分类数据，依照模型分析目标抽取影响因子。其中，影响因子不限于下述几种：各分行废单数、各分行退单数、发布失败数、未关单数、未补单数、发生应急处置事件、产生生产事件、各单位处理时间、各单位滞留时间，处理效率。
其次，对影响因子进行预处理。预处理可以包括但不限于计算下述几种指标：
退单率＝退单数/提单总数(提出修改申请单的总数)
废单率＝废单数/提单总数
废单环比＝(这个季度的废单数-上个季度废单数)/上个季度的废单数
退单环比＝(这个季度的退单数-上个季度退单数)/上个季度的退单数
有效处理时间：从申请到结束所经历的时间差
处理效率＝正常完成的申请单数/所有的申请单数
其中，对各行退单率和废单率进行标准化可以剔除不同单位对数据分析的影响、将影响因子的量级压缩至统一范围内，避免由于指标水平相差较大对模型的准确性产生影响。
再次，通过K-means聚类算法对经过预处理的影响因子进行聚类分析。其中，K是预设变量表示分的类数，具体算法步骤为：
输入：样本集D＝{x1,…,xm}，以及聚类簇数k。其中，x1,…,xm为经过预处理的影响因子。
算法过程：
输出：簇划分C＝{C1,…,Ck}
由此，可以根据预处理后的影响因子得到k组簇。
最后，通过专家分析获取k组簇中表现最优的簇作为最优簇，并以该最优簇为基准获取k组簇中其他簇的优化方向，并根据所述k组簇、基于影响因子性质得到的每个簇的定性解释、分析结果以及专家给出的优化建议生成分析评估报告。可选的，可以仅对k组簇中表现较差的部分簇给出优化方向/优化建议。
采用本发明的上述示例，可以基于数据化后的数据来对参数运维效果进行评估，所使用的数据内容更加丰富全面。并且，通过对聚类后的数据进行精细化的分析，以表现最好的簇为改进基准，将表现较差的簇与标准进行比对，可以分析出表现较差的簇的改进方向，为优化运维质量指出方向。此外，通过将所有分析结果形成参数运维质量的分析评估报告，能够按层次、类别分别展示各行的参数运维情况，既可以展示详细的数据分析结果，又能重点突出异常内容，并能够针对异常内容提出优化运维意见，进而实现有效的运维优化。
此外，本发明根据上述运维优化示例提供一种基于K-means聚类算法的分析示例：
假设存在10个分行样本：Y＝(y1,y2…,y10)，yi＝(xi1,xi2,xi3,xi4,xi5)[{i∈Z|1≤i≤10}]其中i表示样本数，其中xij(其中{j∈Z|1≤j≤5}表示影响因子的个数)表示寻找到的强相关因子(强相关因子是指对参数运维效果起重要影响的影响因子)，具体的分析方法如下：
第一步：利用聚类算法进行分析，得到下列的分析结果(即，三个簇)
y1,y3,y5
y2,y4,y6
y7,y8,y9,y10
第二步：对聚类结果进行分析
影响因子的表现显示了***的运维效率，经过专家分析后确定第一个簇的表现最优(y1,y3,y5)，第二个簇的结果表现最差(y2,y4,y6)。
第三步：优化算法
计算均值：
维度比较：
对上述公式进行详细分解：
对各个维度的影响因子分别进行比较，各个维度越大就越需要改进。
图2是根据本发明一种实施方式的运维优化***的架构图。
如图2所示，所述运维优化***包括：
工作数据获取模块210，用于获取工作流程中的工作数据。在可选的实施方式中，可以利用大数据平台，采集工作流程中的工作数据。由此，可以依赖于大数据平台的支持获取丰富全面的工作数据，从而基于工作数据挖掘潜藏的信息。
影响因子获取模块220，用于基于所述工作数据获取影响因子。在可选的实施方式中，基于所述工作数据获取影响因子可以具体包括下述步骤：对所述工作数据进行结构化存储；根据数据属性对所述结构化存储的工作数据进行分类；从所述分类后的工作数据中抽取影响因子。能够从数据本身出发，客观的获取影响参数运维效果的影响因子，避免了主观选择影响因子导致的分析结果不够真实可靠的问题。
可选的，所述影响因子可以包括但不限于下述几种：废单数、退单数、发布失败数、未关单数、未补单数、发生应急处置的事件、产生生产的事件、各单位处理时间、各单位滞留时间，处理效率。其中，所述废单数、退单数包含了各个分行的废单数、退单数。
预处理模块230，用于对所述影响因子进行预处理，得到量级范围统一的影响因子。
分类模块240，用于通过K-均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇。其中，在K-均值聚类算法中设定的K值为需要得到的簇的个数。通过应用无监督学习方法——K-means聚类算法(即，K-均值聚类算法)进行聚类分析，能够从数据本身出发，挖掘出数据本身的潜藏信息，将表现相似的样本(即，预处理后的影响因子)化成一个簇，有效地减少了工作量。
优化模块250，用于对所述预定个数的簇进行分析，获取其中的最优簇；以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向，并基于所述优化方向进行运维优化。
报告生成模块260，用于基于所述预定个数的簇、所述优化方向生成分析评估报告。
采用本发明实施方式的上述***，基于数据化后的数据来对参数运维效果进行评估，所使用的数据内容更加丰富全面。并且，通过对聚类后的数据进行精细化的分析，以表现最好的簇为改进基准，将表现较差的簇与标准进行比对，可以分析出表现较差的簇的改进方向，为优化运维质量指出方向。此外，通过将所有分析结果形成参数运维质量的分析评估报告，能够按层次、类别分别展示各行的参数运维情况，既可以展示详细的数据分析结果，又能重点突出异常内容，并能够针对异常内容提出优化运维意见，进而实现有效的运维优化。
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本发明可借助软件结合硬件平台的方式来实现。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施方式或者实施方式的某些部分所述的方法。
对应的，本发明实施方式还提供一种计算机可读存储介质，其上存储有计算机可读指令或程序，所述计算机可读指令或程序被处理器执行时，使得计算机执行如下操作：所述操作包括如上任意一种实施方式所述运维优化方法所包含的步骤，在此不再赘述。其中，所述存储介质可以包括：例如，光盘、硬盘、软盘、闪存、磁带等。
另外，本发明实施方式还提供一种包括存储器和处理器的计算机设备，所述存储器用于存储一条或多条计算机指令或程序，其中，所述一条或多条计算机指令或程序被所述处理器执行时能够实现如上任意一种实施方式所述的运维优化方法。所述计算机设备可以是，例如，服务器、台式计算机、笔记本计算机等。
最后应说明的是：以上实施方式仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施方式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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围。因此本发明的保护范围应以权利要求为准。
Claims (10)
1.一种运维优化方法，其特征在于，所述运维优化方法包括：
获取工作流程中的工作数据；
基于所述工作数据获取影响因子；
对所述影响因子进行预处理，得到量级范围统一的影响因子；
通过K-均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇；
对所述预定个数的簇进行分析，获取其中的最优簇；
以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向；
基于所述优化方向进行运维优化。
2.如权利要求1所述的运维优化方法，其特征在于，所述运维优化方法还包括：
基于所述预定个数的簇、所述优化方向生成分析评估报告。
3.如权利要求2所述的运维优化方法，其特征在于，基于所述工作数据获取影响因子包括：
对所述工作数据进行结构化存储；
根据数据属性对所述结构化存储的工作数据进行分类；
从所述分类后的工作数据中抽取影响因子。
4.如权利要求3所述的运维优化方法，其特征在于，所述影响因子包括：废单数、退单数、发布失败数、未关单数、未补单数、发生应急处置的事件、产生生产的事件、各单位处理时间、各单位滞留时间，处理效率。
5.一种运维优化***，其特征在于，所述运维优化***包括：
工作数据获取模块，用于获取工作流程中的工作数据；
影响因子获取模块，用于基于所述工作数据获取影响因子；
预处理模块，用于对所述影响因子进行预处理，得到量级范围统一的影响因子；
分类模块，用于通过K-均值聚类算法对所述预处理后的影响因子进行分类，获取预定个数的簇；
优化模块，用于对所述预定个数的簇进行分析，获取其中的最优簇；
所述优化模块还用于以所述最优簇为基准获取所述预定个数的簇中其他簇的优化方向，并基于所述优化方向进行运维优化。
6.如权利要求5所述的运维优化***，其特征在于，所述运维优化***还包括：
报告生成模块，用于基于所述预定个数的簇、所述优化方向生成分析评估报告。
7.如权利要求6所述的运维优化***，其特征在于，基于所述工作数据获取影响因子包括：
对所述工作数据进行结构化存储；
根据数据属性对所述结构化存储的工作数据进行分类；
从所述分类后的工作数据中抽取影响因子。
8.如权利要求7所述的运维优化***，其特征在于，所述影响因子包括：废单数、退单数、发布失败数、未关单数、未补单数、发生应急处置的事件、产生生产的事件、各单位处理时间、各单位滞留时间，处理效率。
9.一种计算机存储介质，所述计算机存储介质储存计算机软件指令，其特征在于，所述计算机软件指令由处理器执行以实现如权利要求1-4中任一项所述的运维优化方法。
10.一种计算机设备，其包括存储器和处理器；
其特征在于，所述存储器用于存储一条或多条计算机指令，所述处理器执行所述一条或多条计算机指令以实现如权利要求1-4中任一项所述的运维优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011451112.0A CN112508208A (zh) | 2020-12-10 | 2020-12-10 | 运维优化方法、***、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011451112.0A CN112508208A (zh) | 2020-12-10 | 2020-12-10 | 运维优化方法、***、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112508208A true CN112508208A (zh) | 2021-03-16 |
Family
ID=74971961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011451112.0A Pending CN112508208A (zh) | 2020-12-10 | 2020-12-10 | 运维优化方法、***、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508208A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180218038A1 (en) * | 2017-01-30 | 2018-08-02 | International Business Machines Corportation | Database optimization based on forecasting hardware statistics using data mining techniques |
| CN109241144A (zh) * | 2018-04-24 | 2019-01-18 | 中国银行股份有限公司 | 一种运维数据挖掘及合规检查方法与*** |
| CN110262919A (zh) * | 2019-06-17 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 异常数据分析方法、装置、设备与计算机可读存储介质 |
| CN110826887A (zh) * | 2019-10-29 | 2020-02-21 | 深圳供电局有限公司 | 一种基于大数据的智能运维管理***及方法 |
-
2020
- 2020-12-10 CN CN202011451112.0A patent/CN112508208A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180218038A1 (en) * | 2017-01-30 | 2018-08-02 | International Business Machines Corportation | Database optimization based on forecasting hardware statistics using data mining techniques |
| CN109241144A (zh) * | 2018-04-24 | 2019-01-18 | 中国银行股份有限公司 | 一种运维数据挖掘及合规检查方法与*** |
| CN110262919A (zh) * | 2019-06-17 | 2019-09-20 | 深圳前海微众银行股份有限公司 | 异常数据分析方法、装置、设备与计算机可读存储介质 |
| CN110826887A (zh) * | 2019-10-29 | 2020-02-21 | 深圳供电局有限公司 | 一种基于大数据的智能运维管理***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7937269B2 (en) | Systems and methods for providing real-time classification of continuous data streams | |
| EP3716165A1 (en) | Esg criteria-based enterprise evaluation device and operation method thereof | |
| CN110852856A (zh) | 一种基于动态网络表征的***虚开识别方法 | |
| CN112488507B (zh) | 一种基于聚类的专家分类画像方法、装置及存储介质 | |
| CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
| CN111782806A (zh) | 一种基于人工智能算法的相似上市企业检索分类方法及*** | |
| CN110689437A (zh) | 一种基于随机森林的通信施工项目财务风险预测方法 | |
| CN116644184B (zh) | 基于数据聚类的人力资源信息管理*** | |
| CN114491034B (zh) | 一种文本分类方法及智能设备 | |
| CN115719283A (zh) | 一种智能化会计管理*** | |
| CN110781303A (zh) | 一种短文本分类方法及*** | |
| CN113628024A (zh) | 基于大数据平台***的财务数据智能稽核***及方法 | |
| CN117851184A (zh) | 一种基于机器学习的告警分级***和方法 | |
| CN112465397A (zh) | 一种审计数据的分析方法和装置 | |
| CN112508208A (zh) | 运维优化方法、***、计算机设备和存储介质 | |
| CN116385151A (zh) | 基于大数据进行风险评级预测的方法及计算设备 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| CN114066173A (zh) | 资金流动行为分析方法及存储介质 | |
| Varun et al. | An efficient technique for feature selection to predict customer churn in telecom industry | |
| CN111951099A (zh) | 一种***发卡模型及其运用方法 | |
| CN1403984A (zh) | 用于帮助赢利组织评估和改善来自客户的利润的方法和*** | |
| CN111091297A (zh) | 一种项目投资前风险把控的方法及*** | |
| CN112836926B (zh) | 基于电力大数据的企业经营状况评估方法 | |
| CN116821489B (zh) | 一种股票筛选方法及*** | |
| CN117668222A (zh) | 一种对具有投诉倾向的用电客户判断方法 |
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 |