CN113032235B - 基于***指标与命令调用日志的运维措施推荐方法及*** - Google Patents

基于***指标与命令调用日志的运维措施推荐方法及*** Download PDF

Info

Publication number
CN113032235B
CN113032235B CN202110352140.5A CN202110352140A CN113032235B CN 113032235 B CN113032235 B CN 113032235B CN 202110352140 A CN202110352140 A CN 202110352140A CN 113032235 B CN113032235 B CN 113032235B
Authority
CN
China
Prior art keywords
instruction
maintenance
event
indexes
time
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
CN202110352140.5A
Other languages
English (en)
Other versions
CN113032235A (zh
Inventor
支凤麟
蔡晓华
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.)
Shanghai Netis Technologies Co ltd
Original Assignee
Shanghai Netis Technologies Co ltd
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 Shanghai Netis Technologies Co ltd filed Critical Shanghai Netis Technologies Co ltd
Priority to CN202110352140.5A priority Critical patent/CN113032235B/zh
Publication of CN113032235A publication Critical patent/CN113032235A/zh
Application granted granted Critical
Publication of CN113032235B publication Critical patent/CN113032235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于***指标与命令调用日志的运维措施推荐方法及***，涉及IT服务管理(ITSM)、IT运维管理(ITOM)、数据处理、日志分析、知识库、智能运维等技术领域，该方法包括：***状态和人工指令收集分割步骤：输入历史***指标以及人工指令，并将历史***指标和人工指令使用形式化描述为运维事件集合作为输出；***状态和指令向量化步骤：输入形式化描述的运维事件集合，并输出***状态的向量表示、人工指令的向量表示以及状态指令序列的向量表示；辅助运维步骤：输入当前***指标，以及用户输入的指令序列，输出运维措施推荐列表。本发明能够使知识库自动扩展，且能够大幅提高运维人员的工作效率，同时低运维人员的技术要求。

Description

基于***指标与命令调用日志的运维措施推荐方法及***
技术领域
本发明涉及IT服务管理(ITSM)、IT运维管理(ITOM)、数据处理、日志分析、知识库、智能运维等技术领域，具体地，涉及一种基于***指标与命令调用日志的运维措施推荐方法及***。
背景技术
IT服务管理(ITSM)和IT运维管理(ITOM)简单来说都涉及IT***中的故障发现和问题排除和解决等两个方面。而问题排除和解决，主要依赖某种形式的运维辅助***，这种***大部分以知识库形式存在。这种知识库普遍存在几个问题：1)通常由人工构建，所以构建相对繁琐；2)通常面对典型问题。
公开号为CN106100894A的发明专利，公开了一种高可靠的集群运维管理方法，具体包括：(1)高可靠集群管控命令的web接入与http形式的调度发布：搭建集群运维web管理平台，实现集群的远程管理和可视化管理,从接入层、调度层、中控层通过负载均衡技术，冗余容错，实现集群运维web管理的可靠性；(2)高可靠集群管控命令的传输与下发：数据传输过程中，使用AES、RC4算法分别对传输数据与AES密钥加密，加密后的数据base64编码后由ssh隧道传输，实现集群运维管理的数据可靠性。(3)高可靠集群管控命令的执行与反馈：搭建可扩展集群运维中央运维控制***，支持多种配置管理框架，支持用户自定义配置框架，实现集群运维管理的中控可靠性。
事实上，随着***的建设，会有新的问题层出不穷的发生，可能问题总体上未必完全相同但具备很多相似的方面，同时大问题的排除有时候是通过“逐点”克服小问题实现。另一方面，目前的根因分析和类似***通常更着眼于对***性能本身的分析，对人的历史排障过程关注不足，但事实上人的排长过程往往蕴含丰富的业务知识。如何持续地高效地完善这类运维知识库，并且有效的辅助完成运维工作，在企业的实际IT管理中有着巨大的需求和广阔的业务场景。
发明内容
针对现有技术中的缺陷，本发明提供一种基于***指标与命令调用日志的运维措施推荐方法及***。
根据本发明提供的一种基于***指标与命令调用日志的运维措施推荐方法及***，所述方案如下：
第一方面，提供了一种基于***指标与命令调用日志的运维措施推荐方法，所述方法包括：
***状态和人工指令收集分割步骤：输入历史***指标以及人工指令，并将历史***指标和人工指令使用形式化描述为运维事件集合作为输出；
***状态和指令向量化步骤：输入形式化描述的运维事件集合，并输出***状态的向量表示、人工指令的向量表示以及状态指令序列的向量表示；
辅助运维步骤：输入当前***指标，以及用户输入的指令序列，输出运维措施推荐列表。
优选的，所述***状态和人工指令收集分割步骤包括：
步骤S1.1：将历史***指标和人工指令使用形式化描述为<time,指标>和<time，指令>形式，根据时间排序为序列；
步骤S1.2：使用canopy聚类算法根据time维度聚类<time，指令>，形成簇集合{cluster1,cluster2，…，clustern}；
每个cluster中均为一个指令集合，设cluster中最早的指令时间为t，最晚为t-end，将(t-T,t-end)范围内的历史指标也纳入该cluster，形成运维事件集合，进行输出。
优选的，所述***状态和指令向量化步骤包括：
步骤S2.1：根据时间排序每个所述运维事件集合中的元素，得到1元事件列表；
对排序后的事件列表使用2元语法编码，形成2元事件列表；
步骤S2.2：构建skip-gram模型，以***状态和人工指令收集分割步骤中输出的序列为模型的输入进行训练，得到1元事件中每个***指标、指令序列对应的向量，得到2元事件序列中每个2元元素对应的向量，并输出。
优选的，所述辅助运维步骤包括：
步骤S3.1：设当前时刻为t，收集***在(t-T，t)中的***指标和指令序列，将这些***指标和指令序列的向量进行融合计算，计算结果记为Venv；其中T为经验值，用于表示时间窗口的大小；
将最近的N条指令序列的向量进行融合计算，将得到结果记为Vin，使用算法融合Venv和Vin，计算得到综合向量V＝w1*Venv+w2*Vin，其中w1+w2＝1；
步骤S3.2：计算历史上每一个运维事件集合中的指令序列和***指标的均值，获得集合{Vhis}，再计算综合向量V与集合{Vhis}的相似度，找到最相似的M个运维事件集合；
步骤S3.3：通过综合向量V与M个运维事件集合计算，得到运维措施推荐列表。
优选的，所述步骤S3.3具体包括：
步骤S3.3.1：将综合向量V与M个运维事件集合中出现过的指令序列进行相似度计算，获得相关指令序列集合Set-rel；
步骤S3.3.2：将从M个运维事件集合中找到当前指令序列之后最大概率出现的L个指令，获得后续指令集合Set-seq；
步骤S3.3.3：合并相关指令序列集合Set-rel与后续指令集合Set-seq得到推荐指令集合Set-rec，即运维措施推荐列表，并输出。
第二方面，提供了一种基于***指标与命令调用日志的运维措施推荐***，所述***包括：
***状态和人工指令收集分割模块：输入历史***指标以及人工指令，并将历史***指标和人工指令使用形式化描述为运维事件集合作为输出；
***状态和指令向量化模块：输入形式化描述的运维事件集合，并输出***状态的向量表示、人工指令的向量表示以及状态指令序列的向量表示；
辅助运维模块：输入当前***指标，以及用户输入的指令序列，输出运维措施推荐列表。
优选的，所述***状态和人工指令收集分割模块包括：
将历史***指标和人工指令使用形式化描述为<time,指标>和<time，指令>形式，根据时间排序为序列；
使用canopy聚类算法根据time维度聚类<time，指令>，形成簇集合{cluster1,cluster2，…，clustern}；
每个cluster中均为一个指令集合，设cluster中最早的指令时间为t，最晚为t-end，将(t-T,t-end)范围内的历史指标也纳入该cluster，形成运维事件集合，进行输出。
优选的，所述***状态和指令向量化模块包括：
根据时间排序每个所述运维事件集合中的元素，得到1元事件列表；
对排序后的事件列表使用2元语法编码，形成2元事件列表；
构建skip-gram模型，以***状态和人工指令收集分割模块中输出的序列为模型的输入进行训练，得到1元事件中每个***指标、指令序列对应的向量，得到2元事件序列中每个2元元素对应的向量，并输出。
优选的，所述辅助运维模块包括：
设当前时刻为t，收集***在(t-T，t)中的***指标和指令序列，将这些***指标和指令序列的向量进行融合计算，计算结果记为Venv；其中T为经验值，用于表示时间窗口的大小；
将最近的N条指令序列的向量进行融合计算，将得到结果记为Vin，使用算法融合Venv和Vin，计算得到综合向量V＝w1*Venv+w2*Vin，其中w1+w2＝1；
计算历史上每一个运维事件集合中的指令序列和***指标的均值，获得集合{Vhis}，再计算综合向量V与集合{Vhis}的相似度，找到最相似的M个运维事件集合；
通过综合向量V与M个运维事件集合计算，得到运维措施推荐列表。
优选的，所述由综合向量V与M个运维事件集合计算，得到运维措施推荐列表具体包括：
将综合向量V与M个运维事件集合中出现过的指令序列进行相似度计算，获得相关指令序列集合Set-rel；
将从M个运维事件集合中找到当前指令序列之后最大概率出现的L个指令，获得后续指令集合Set-seq；
合并相关指令序列集合Set-rel与后续指令集合Set-seq得到推荐指令集合Set-rec，即运维措施推荐列表，并输出。
与现有技术相比，本发明具有如下的有益效果：
1、本发明采用自动收集的方法，使得知识库不需要人工构建，能够自动扩展；
2、本发明采用向量化技术，知识库知识粒度细，且判断和推理深入结合到具体***，提高准确性和有效性；
3、运维推荐的辅助信息既包含知识库中的确定性推荐，又包含经过模型泛化得到的推广推荐，可以大幅提高运维人员的工作效率，同时大幅降低运维人员的技术要求。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的整体流程图；
图2为从日志得到运维指标/指令向量的示意图；
图3为运维辅助流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种基于***指标与命令调用日志的运维措施推荐方法，参照图1所示，首先，进行***状态和人工指令收集分割步骤：输入历史***指标以及人工指令，并将历史***指标和人工指令使用形式化描述为运维事件集合作为输出。本实施例中形式化描述的运维事件集合，每个元素形如{<时间点，***状态1>，<时间点，***状态2>，<时间点，人工指令1>，<时间点，人工指令2>…}。该步骤具体为：
将历史***指标和人工指令使用形式化描述为<time,指标>和<time，指令>形式，根据时间排序为序列。其次，使用canopy聚类算法根据time维度聚类<time，指令>，形成簇集合{cluster1,cluster2，…，clustern}；每个cluster中均为一个指令集合，设cluster中最早的指令时间为t，最晚为t-end，将(t-T,t-end)范围内的历史指标也纳入该cluster，形成“运维事件集合”，进行输出。
其次，参照图2所示，在***状态和指令向量化步骤中：输入形式化描述的运维事件集合，并输出***状态的向量表示、人工指令的向量表示以及状态指令序列的向量表示。该步骤具体为：
根据时间排序每个“运维事件集合”中的元素，得到1元事件列表；对排序后的事件列表使用2元语法(2-gram)编码，形成2元事件列表；此处可以依据需要使用n-gram的方法扩展，本例中使用2-gram。
构建skip-gram模型，以***状态和人工指令收集分割步骤中输出的序列为模型的输入进行训练，得到1元事件中每个***指标、指令序列对应的向量，得到2元事件序列中每个2元元素对应的向量，并输出。
最后，参照图3所示，在辅助运维步骤中：输入当前***指标，以及用户输入的指令序列，输出运维措施推荐列表。该步骤具体为：
设当前时刻为t，收集***在(t-T，t)中的***指标和指令序列，将这些***指标和指令序列的向量进行融合计算，可采用加权和、均值等，此处以平均值为例，计算结果记为Venv，其中T为经验值，用于表示时间窗口的大小。将最近的N条指令序列的向量进行融合计算，可采用时间权重衰减、均值等方法，此处以均值为例进行计算，结果记为Vin，使用算法融合Venv和Vin，此处以加权和为例，计算得到综合向量V＝w1*Venv+w2*Vin，其中w1+w2＝1。
计算历史上每一个运维事件集合中的指令序列和***指标的均值，获得集合{Vhis}，再计算综合向量V与集合{Vhis}的相似度，找到最相似的M个“运维事件集合”。
将综合向量V与M个运维事件集合中出现过的指令序列进行相似度计算，获得相关指令序列集合Set-rel；将从M个运维事件集合中找到当前指令序列之后最大概率出现的L个指令，获得后续指令集合Set-seq；最后，合并相关指令序列集合Set-rel与后续指令集合Set-seq得到推荐指令集合Set-rec，即运维措施推荐列表，并输出。
本发明实施例提供了一种基于***指标与命令调用日志的运维措施推荐方法，采用自动收集的方法，使得知识库不需要人工构建，能够自动扩展；采用向量化技术，知识库知识粒度细，且判断和推理深入结合到具体***，提高准确性和有效性；运维推荐的辅助信息既包含知识库中的确定性推荐，又包含经过模型泛化得到的推广推荐，可以大幅提高运维人员的工作效率，同时大幅降低运维人员的技术要求。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的***及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (8)

1.一种基于***指标与命令调用日志的运维措施推荐方法，其特征在于，包括：
***状态和人工指令收集分割步骤：输入历史***指标以及人工指令，并将历史***指标和人工指令使用形式化描述为运维事件集合作为输出；
***状态和指令向量化步骤：输入形式化描述的运维事件集合，并输出***状态的向量表示、人工指令的向量表示以及状态指令序列的向量表示；
辅助运维步骤：输入当前***指标，以及用户输入的指令序列，输出运维措施推荐列表；
所述***状态和人工指令收集分割步骤包括：
步骤S1.1：将历史***指标和人工指令使用形式化描述为<time,指标>和<time，指令>形式，根据时间排序为序列；
步骤S1.2：使用canopy聚类算法根据time维度聚类<time，指令>，形成簇集合{cluster1,cluster2，…，clustern}；
每个cluster中均为一个指令集合，设cluster中最早的指令时间为t，最晚为t-end，将(t-T,t-end)范围内的历史指标也纳入该cluster，形成运维事件集合，进行输出。
2.根据权利要求1所述的基于***指标与命令调用日志的运维措施推荐方法，其特征在于，所述***状态和指令向量化步骤包括：
步骤S2.1：根据时间排序每个所述运维事件集合中的元素，得到1元事件列表；
对排序后的事件列表使用2元语法编码，形成2元事件列表；
步骤S2.2：构建skip-gram模型，以***状态和人工指令收集分割步骤中输出的序列为模型的输入进行训练，得到1元事件中每个***指标、指令序列对应的向量，得到2元事件序列中每个2元元素对应的向量，并输出。
3.根据权利要求1所述的基于***指标与命令调用日志的运维措施推荐方法，其特征在于，所述辅助运维步骤包括：
步骤S3.1：设当前时刻为t，收集***在(t-T，t)中的***指标和指令序列，将这些***指标和指令序列的向量进行融合计算，计算结果记为Venv；其中T为经验值，用于表示时间窗口的大小；
将最近的N条指令序列的向量进行融合计算，将得到结果记为Vin，使用算法融合Venv和Vin，计算得到综合向量V＝w1*Venv+w2*Vin，其中w1+w2＝1；
步骤S3.2：计算历史上每一个运维事件集合中的指令序列和***指标的均值，获得集合{Vhis}，再计算综合向量V与集合{Vhis}的相似度，找到最相似的M个运维事件集合；
步骤S3.3：通过综合向量V与M个运维事件集合计算，得到运维措施推荐列表。
4.根据权利要求3所述的基于***指标与命令调用日志的运维措施推荐方法，其特征在于，所述步骤S3.3具体包括：
步骤S3.3.1：将综合向量V与M个运维事件集合中出现过的指令序列进行相似度计算，获得相关指令序列集合Set-rel；
步骤S3.3.2：将从M个运维事件集合中找到当前指令序列之后最大概率出现的L个指令，获得后续指令集合Set-seq；
步骤S3.3.3：合并相关指令序列集合Set-rel与后续指令集合Set-seq得到推荐指令集合Set-rec，即运维措施推荐列表，并输出。
5.一种基于***指标与命令调用日志的运维措施推荐***，其特征在于，包括：
***状态和人工指令收集分割模块：输入历史***指标以及人工指令，并将历史***指标和人工指令使用形式化描述为运维事件集合作为输出；
***状态和指令向量化模块：输入形式化描述的运维事件集合，并输出***状态的向量表示、人工指令的向量表示以及状态指令序列的向量表示；
辅助运维模块：输入当前***指标，以及用户输入的指令序列，输出运维措施推荐列表；
所述***状态和人工指令收集分割模块包括：
将历史***指标和人工指令使用形式化描述为<time,指标>和<time，指令>形式，根据时间排序为序列；
使用canopy聚类算法根据time维度聚类<time，指令>，形成簇集合{cluster1,cluster2，…，clustern}；
每个cluster中均为一个指令集合，设cluster中最早的指令时间为t，最晚为t-end，将(t-T,t-end)范围内的历史指标也纳入该cluster，形成运维事件集合，进行输出。
6.根据权利要求5所述的基于***指标与命令调用日志的运维措施推荐***，其特征在于，所述***状态和指令向量化模块包括：
根据时间排序每个所述运维事件集合中的元素，得到1元事件列表；
对排序后的事件列表使用2元语法编码，形成2元事件列表；
构建skip-gram模型，以***状态和人工指令收集分割模块中输出的序列为模型的输入进行训练，得到1元事件中每个***指标、指令序列对应的向量，得到2元事件序列中每个2元元素对应的向量，并输出。
7.根据权利要求5所述的基于***指标与命令调用日志的运维措施推荐***，其特征在于，所述辅助运维模块包括：
设当前时刻为t，收集***在(t-T，t)中的***指标和指令序列，将这些***指标和指令序列的向量进行融合计算，计算结果记为Venv；其中T为经验值，用于表示时间窗口的大小；
将最近的N条指令序列的向量进行融合计算，将得到结果记为Vin，使用算法融合Venv和Vin，计算得到综合向量V＝w1*Venv+w2*Vin，其中w1+w2＝1；
计算历史上每一个运维事件集合中的指令序列和***指标的均值，获得集合{Vhis}，再计算综合向量V与集合{Vhis}的相似度，找到最相似的M个运维事件集合；
通过综合向量V与M个运维事件集合计算，得到运维措施推荐列表。
8.根据权利要求7所述的基于***指标与命令调用日志的运维措施推荐***，其特征在于，所述由综合向量V与M个运维事件集合计算，得到运维措施推荐列表具体包括：
将综合向量V与M个运维事件集合中出现过的指令序列进行相似度计算，获得相关指令序列集合Set-rel；
将从M个运维事件集合中找到当前指令序列之后最大概率出现的L个指令，获得后续指令集合Set-seq；
合并相关指令序列集合Set-rel与后续指令集合Set-seq得到推荐指令集合Set-rec，即运维措施推荐列表，并输出。
CN202110352140.5A 2021-03-31 2021-03-31 基于***指标与命令调用日志的运维措施推荐方法及*** Active CN113032235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110352140.5A CN113032235B (zh) 2021-03-31 2021-03-31 基于***指标与命令调用日志的运维措施推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110352140.5A CN113032235B (zh) 2021-03-31 2021-03-31 基于***指标与命令调用日志的运维措施推荐方法及***

Publications (2)

Publication Number Publication Date
CN113032235A CN113032235A (zh) 2021-06-25
CN113032235B true CN113032235B (zh) 2022-11-04

Family

ID=76453221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110352140.5A Active CN113032235B (zh) 2021-03-31 2021-03-31 基于***指标与命令调用日志的运维措施推荐方法及***

Country Status (1)

Country Link
CN (1) CN113032235B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103840955A (zh) * 2012-11-22 2014-06-04 ***股份有限公司 分布式it***的运营维护***及运营维护管理方法
CN108847953A (zh) * 2018-04-25 2018-11-20 合肥智圣新创信息技术有限公司 一种运维服务***及方法
CN111310034A (zh) * 2020-01-23 2020-06-19 腾讯科技（深圳）有限公司 一种资源推荐方法及相关设备
CN111709527A (zh) * 2020-06-15 2020-09-25 北京优特捷信息技术有限公司 运维知识图谱库的建立方法、装置、设备及存储介质
CN112152830A (zh) * 2019-06-28 2020-12-29 中国电力科学研究院有限公司 一种智能的故障根因分析方法及***

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106383766B (zh) * 2016-09-09 2018-09-11 北京百度网讯科技有限公司 ***监控方法和装置
CN111506478A (zh) * 2020-04-17 2020-08-07 上海浩方信息技术有限公司 基于人工智能实现告警管理控制的方法
CN111506487B (zh) * 2020-06-28 2020-10-13 浙江鹏信信息科技股份有限公司 一种基于操作日志的故障修复手段的推荐方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103840955A (zh) * 2012-11-22 2014-06-04 ***股份有限公司 分布式it***的运营维护***及运营维护管理方法
CN108847953A (zh) * 2018-04-25 2018-11-20 合肥智圣新创信息技术有限公司 一种运维服务***及方法
CN112152830A (zh) * 2019-06-28 2020-12-29 中国电力科学研究院有限公司 一种智能的故障根因分析方法及***
CN111310034A (zh) * 2020-01-23 2020-06-19 腾讯科技（深圳）有限公司 一种资源推荐方法及相关设备
CN111709527A (zh) * 2020-06-15 2020-09-25 北京优特捷信息技术有限公司 运维知识图谱库的建立方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于机器学习的智能化自动化运维;陈立忠;《中国新通信》;20200720(第14期);全文 *

Also Published As

Publication number Publication date
CN113032235A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
Hu et al. A bi-objective robust model for emergency resource allocation under uncertainty
WO2019137206A1 (zh) 一种油气管道scada***
CN112580831B (zh) 一种基于知识图谱的电力通信网智能辅助运维方法及***
Falco City resilience through data analytics: A human-centric approach
CN113299120A (zh) 一种边云协同支撑的空中交通态势智能感知***
CN115529232A (zh) 汇聚分流设备的管控方法、装置及存储介质
CN108805304A (zh) 一种设备运维管理平台
Zhou et al. Robustness analysis of power system dynamic process and repair strategy
CN113032235B (zh) 基于***指标与命令调用日志的运维措施推荐方法及***
CN112613790A (zh) 应用于多站融合环境下的协同数据处理方法、设备及介质
Wang Multimedia data compression storage of sensor network based on improved Huffman coding algorithm in cloud
US11868869B1 (en) Non-intrusive load monitoring method and device based on temporal attention mechanism
CN104363129A (zh) 一种网络事件关联分析和动态预警方法
CN117041120A (zh) 一种分布式全链路服务监控***
JP5889096B2 (ja) 損害計算装置、損害計算方法及び損害計算プログラム
CN110675060A (zh) 基于大数据应用的能源供需分析预测平台
Yang et al. Optimal resource allocation to enhance power grid resilience against hurricanes
US11915180B2 (en) Systems and methods for identifying an officer at risk of an adverse event
CN113946464A (zh) 一种结合模型及经验的预训练和并行推演的告警降噪方法
CN107566193A (zh) 模糊故障Petri网及其网络故障诊断方法
CN114168409A (zh) 一种业务***运行状态监控预警方法与***
CN107797875A (zh) 一种大数据管理方法、终端以及设备
CN106408157A (zh) 一种建筑工程进度及造价管理***
CN111413583A (zh) 一种配电网区段定位的实时线性整数规划方法
CN104252661A (zh) 时间划分日历分段

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