CN113268370B - 一种根因告警分析方法、***、设备及存储介质 - Google Patents
一种根因告警分析方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN113268370B CN113268370B CN202110513431.8A CN202110513431A CN113268370B CN 113268370 B CN113268370 B CN 113268370B CN 202110513431 A CN202110513431 A CN 202110513431A CN 113268370 B CN113268370 B CN 113268370B
- Authority
- CN
- China
- Prior art keywords
- alarm
- root cause
- node
- alarms
- edge
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种根因告警分析方法、***、设备及存储介质,包括:对告警数据进行预处理,基于SR‑ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图;根据所述告警关系图及告警自身特征,利用根因告警识别模型SGC‑RAI进行根因告警的识别,推荐识别出来的根因告警,该方法、***、设备及存储介质能够高效识别根因告警,且运维成本低。
Description
技术领域
本发明属于告警分析领域,涉及一种根因告警分析方法、***、设备及存储介质。
背景技术
数以万计的告警日志,构成了告警洪流。在这些告警里,有一些告警经常发生,且不断重复上报,有一些告警之间有着复杂的关联关系。如果不对告警进行处理,压缩,直接告警日志推送给管理人员,那每次告警的处理效率将十分低下,且处理效果与管理人员的经验成正相关。因此网络告警分析的最主要的任务是使用算法大幅度减少呈现给管理中心运维人员的告警量,只对根因告警进行推送。在过往的根因分析研究中,大量的工作都是通过研究告警的关联和因果关系,然后基于此进行告警的压缩,根因定位,告警预测。这方面的方法主要分为告警相关性分析和根因分析两个类别。告警相关性分析主要通过数据挖掘相关的算法实现,主要有聚类,频繁项挖掘,时序关系挖掘等算法。告警根因分析有很多不同的方法,其中在应用中比较常用的是基于规则的根因分析***。此类***中的规则是专家经验的结晶,具有少而精的特点。但是在网络***日益复杂化的背景下,这类方法在规则的制定,维护,更新方面都需要花费很大成本。随着大数据技术和数据挖掘技术的发展,一些学者提出了“智能运维”的概念,将机器学习算法应用到根因及故障分析的任务中,提高了根因定位的精度,有效降低了运维成本。此类方法是未来的主要发展趋势,然而目前阶段并没有给出具体操作过程。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种根因告警分析方法、***、设备及存储介质,该方法、***、设备及存储介质能够高效识别根因告警,且运维成本低。
为达到上述目的,本发明所述的根因告警分析方法包括:
对告警数据进行预处理,利用SR-ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图;
根据所述告警关系图,利用根因告警识别模型SGC-RAI进行根因告警的识别,推荐识别出来的根因告警。
还包括:对告警关系图中双向边进行进一步判定及对图上的每一对关系根据置信度及提升度赋予权值。
对告警数据进行预处理的过程为:对告警数据进行去重、排序、按网元及时间窗分组。
根据所述告警关系图及告警特征,利用根因告警识别模型SGC-RAI 进行根因告警分析的具体操作过程为:
对于一组待分析根因告警的告警序列,对告警的文本特征进行向量化得到每个告警自身的特征,根据告警关系图提取告警的关系特征,利用告警的自身特征及关系特征对根因告警识别模型SGC-RAI进行有监督训练,然后利用训练后的根因告警识别模型SGC-RAI进行根因告警的识别。
对告警组进行去重,再将所有告警的文本信息作为语料库训练GloVe模型及TF-IDF模型,其中,对于一条告警日志,将告警名称的分词输入到训练后的GloVe模型中,得告警名称分词的词向量特征,然后使用训练后的TF-IDF模型对所述词向量特征进行加权,得告警自身的特征,根据告警关系图得告警的关联信息。
根因告警识别模型SGC-RAI包括两层空域图卷积层、池化层及全连接层,其中,利用两层空域图卷积层聚合局部信息,利用池化层使用 element-wise最大池化操作提取全部故障信息,并将故障信息注入到告警中,得到告警新的表示,最后通过共享的全连接层将告警的特征转化为一个值,并使用Softmax归一化得到告警的根因分数,取根因分数最大的告警为根因告警。
两层空域图卷积层的操作过程(受关系图卷积启发)为:
其中,v为告警序列中的告警,k为第k层。为第k层的输出,/>为获取的邻域信息,/>为可学习的线性变换。N1(v)和N2(v) 分别代表节点v的两类邻居组成的集合。N1)v)中的节点与节点v有边相连,且边的方向由节点v指向邻居节点,N2(v)中的节点与节点v有边相连,且边的方向由邻居节点指向节点v。w(v,u)表示告警关联图中节点v 到邻居节点u的边的对应先验权重,w(u,v)表示告警关联图中邻居节点u 到节点v的边的对应先验权重。
聚合全局信息的操作为:
其中,G为整个告警序列构成的关联图:
根因告警预测计算为:
一种根因告警分析***,包括:
挖掘模块,用于对告警数据进行预处理,利用SR-ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图;
识别模块,用于根据所述告警关系图及告警本身的文本特征,利用根因告警识别模型SGC-RAI进行根因告警的识别,推荐识别出来的根因告警。一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述根因告警分析方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述根因告警分析方法的步骤。
本发明具有以下有益效果:
本发明所述的根因告警分析方法、***、设备及存储介质在具体操作时,基于增长可信度及SR-ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图,避免遗漏具有价值的告警关联信息,提高识别的准确性,然后利用根因告警识别模型SGC-RAI进行根因告警的识别,有效降低对专家经验的依赖,降低运维成本,同时提高识别的效率,经试验,本发明中训练集和测试集的准确率都很高,同时,本发明的microF1和macroF1均高于现有技术,即,当故障的分布不均衡时,本发明在识别不同种类根因方面能力更强,可广泛应用于电信领域的告警压缩及根因定位的任务中。
附图说明
图1为SR-ASM算法中模式增长的判断逻辑图;
图2为本发明中告警相关性挖掘的流程图;
图3为本发明中根因告警识别的框架图;
图4为本发明中根因告警识别模型的示意图;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,不是全部的实施例,而并非要限制本发明公开的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要的混淆本发明公开的概念。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,都应当属于本发明保护的范围。
本发明所述的根因告警分析方法包括以下步骤:
1)基于序列模式挖掘发现告警之间的关联;
基于SR-ASM算法对告警数据进行挖掘,得告警序列,再将告警序列转换为告警关系图,并对所述告警关系图中的双向边的方向进行进一步判定,及对每一对关系根据置信度及提升度赋予权值;
具体的,考虑到不同告警的发生频率差异较大,仅依靠支持度指标对告警数据进行挖掘,容易遗漏有价值的告警关联信息,因此本发明对传统的频繁序列模式挖掘算法PrefixSpan进行修改,提出增长可信度概念及告警序列挖掘算法SR-ASM挖掘告警数据中有价值的告警序列,其中,SR-ASM算法以告警序列数据库作为输入,以有价值的告警序列作为输出。
2)基于图网络进行根因告警的识别。
根据所述告警关系图,利用根因告警识别模型SGC-RAI进行根因告警分析。
具体的,本发明利用图神经网络的方法来提取告警的特征,判别根因告警。本发明应用空域图卷积以及池化的思想,提出根因告警识别模型SGC-RAI,其中,SGC-RAI模型能够使每个告警聚合局部和全局的信息,从而得到更具区分性的特征,最后将特征经变换及归一化处理,得根因分数,本发明采用有监督的训练方法,取得非常高的根因告警识别率。
参考图1,SR-ASM的核心细节,SR-ASM为基于PrefixSpan提出的算法,同样采用前缀模式增长的方法来挖掘所有有价值的告警序列,在前缀增长时,本发明提出增长可信度GR的概念,其中,给定前缀α,在前缀α的基础上结合项目b构成的新序列s,以构成有价值的前缀的可信程度,得:
原始PrefixSpan算法仅仅通过支持度来进行模式增长的判断,如果达到最小支持度要求,则前缀继续增长,在前缀增长时,本发明兼顾了支持度和增长可信度,提出如图1所述的前缀增长判断逻辑,本发明将支持度及增长可信度GR一起用于模式继续增长的判断,两种指标满足其一模式即可继续增长。
SR-ASM算法思想
与PrefixSpan算法类似,SR-ASM通过递归的方法不断进行前缀的增长,具体的,首先从1-前缀(k=1)开始挖掘,对于每一个1-前缀,进行投影,得所有后缀组成的数据库,统计该数据库中每一项b的支持度;
当b的支持度≥最小支持度,则将前缀继续增长为(k+1)-前缀,然后进行递归挖掘;
当b的支持度<最小支持度,则计算增长可信度GR,若GR≥min_GR,则将前缀继续增长为(k+1)-前缀,然后进行递归挖掘,否则,则停止增长。
以此类推,一直递归到投影后的数据库为空或者达到序列长度约束为止。
程序初始时,前缀为空,在SR-ASM算法中需要被特殊处理,本发明设定支持度下界t,最初数据库中项的支持度达到t时,则为1-前缀。
图2为本发明采用的告警相关性挖掘流程,具体过程为:
1a)构建告警序列数据库:
对海量及离散的告警记录进行分组、排序、去重及并序列化,其中,该环节的输入为原始告警日志记录,输出为构建好的告警序列数据库S。
2a)挖掘有价值告警序列:
以数据库S作为输入,执行SR-ASM算法,得有价值的告警序列及其支持度。
3a)生成告警关系网络:
将步骤2a)得到的告警序列采用网络图的形式表示告警之间的关系,以告警作为网络图上的节点,序列作为网络图上的一条路径。如果构成的图上存在双向边,且一个方向的支持度为另一个方向的支持度的二倍以上,则删除支持度较低的一边,否则两条边都删除。
再计算每一条边的权重,其中,告警A至告警B对应边的权重 Edge(A→B)weight为:
参考图3,当需要判断一组告警序列中的根因告警时,则以两类特征作为识别模型的输入,其中,所述两类特征分别为告警的文本特征及告警之间的关联特征,识别模型的输出为根因告警。由于告警日志是文本的形式,本发明采用自然语言处理任务中文本向量化的思路。采用 GloVe模型和TF-IDF模型结合的方法来表示告警,以告警日志作为语料库来训练GloVe模型及TF-IDF模型,向量长度为50,一个告警的特征的向量表示为:
参考图4,根因告警识别模型SGC-RAI以一组告警的特征X∈RN*D及其关系矩阵A∈RN*N作为输入,N表示序列中告警的数量,D表示告警特征的维度。根因告警识别模型SGC-RAI从左到右分为3部分,首先使用2层空域图卷积来聚合局部信息,然后使用element-wise最大池化操作来提取全部故障信息,并将故障信息注入到告警中,再次更新节点信息,最后通过共享的全连接层及归一化操作将告警特征转化为根因分数。
本发明中的卷积操作(受关系图卷积启发)为:
其中,v为告警序列中的告警,k为第k层。为第k层的输出,/>为获取的邻域信息,/>为可学习的线性变换。N1(v)和N2(v) 分别代表节点v的两类邻居组成的集合。N1(v)中的节点与节点v有边相连,且边的方向由节点v指向邻居节点,N2(v)中的节点与节点v有边相连,且边的方向由邻居节点指向节点v。w(v,u)表示告警关联图中节点v 到邻居节点u的边的对应先验权重,w(u,v)表示告警关联图中邻居节点u 到节点v的边的对应先验权重。
聚合全局信息的操作为:
其中,G为整个告警序列构成的关联图:
根因告警预测计算为:
一种根因告警分析***,包括:
挖掘模块,用于对告警数据进行预处理,利用提出的SR-ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图;
识别模块,用于根据所述告警关系图及告警本身的文本特征,利用提出的根因告警识别模型SGC-RAI进行根因告警的识别,推荐识别出来的根因告警。一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述根因告警分析方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述根因告警分析方法的步骤。
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。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图1个流程或多个流程和/或方框图1 个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图1个流程或多个流程和/或方框图1个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图1个流程或多个流程和/或方框图1个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种根因告警分析方法,其特征在于,包括:
对告警数据进行预处理,利用SR-ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图;
根据所述告警关系图及告警本身特征,利用根因告警识别模型SGC-RAI进行根因告警的识别,推荐识别出来的根因告警;
根因告警识别模型SGC-RAI包括两层空域图卷积层、池化层及全连接层,其中,利用两层空域图卷积层聚合局部信息,利用池化层使用element-wise最大池化操作提取全局故障信息,并将故障信息注入到告警中,得告警新的表示,最后通过共享的全连接层将告警的特征转化为数值,并使用Softmax归一化得到告警的根因分数,取根因分数最大的告警为根因告警;
两层空域图卷积层的操作过程为:
其中,v为告警序列中的告警,k为第k层,为第k层的输出,/>为获取的邻域信息,为可学习的线性变换,N1(v)和N2(v)分别代表节点v的两类邻居组成的集合,N1(v)中的节点与节点v有边相连,且边的方向由节点v指向邻居节点,N2(v)中的节点与节点v有边相连,且边的方向由邻居节点指向节点v,w(v,u)表示告警关联图中节点v到邻居节点u的边的对应先验权重,w(u,v)表示告警关联图中邻居节点u到节点v的边的对应先验权重,聚合全局信息的操作为:
其中,G为整个告警序列构成的关联图:
根因告警预测计算为:
2.根据权利要求1所述的根因告警分析方法,其特征在于,还包括:对告警关系图中双向边的方向进行判定,并对告警关系图上的每一对关系根据置信度及提升度赋予权值。
3.根据权利要求1所述的根因告警分析方法,其特征在于,对告警数据进行预处理的过程为:对告警数据进行去重、排序、按网元及时间窗分组。
4.根据权利要求1所述的根因告警分析方法,其特征在于,根据所述告警关系图及告警本身特征,利用根因告警识别模型SGC-RAI进行根因告警分析的具体操作过程为:
对于一组待分析根因告警的告警序列,对告警的文本特征进行向量化,得告警本身特征,根据告警关系图提取告警的关系特征,利用告警本身特征及关系特征对根因告警识别模型SGC-RAI进行有监督的训练,其中,标签为根因告警,然后利用训练后的根因告警识别模型SGC-RAI进行根因告警的识别。
5.根据权利要求1所述的根因告警分析方法,其特征在于,对告警组进行去重,再将所有告警的文本信息作为语料库训练GloVe模型及TF-IDF模型,其中,对于一条告警日志,将告警名称的分词输入到训练后的GloVe模型中,得告警名称分词的词向量特征,然后使用训练后的TF-IDF模型对所述词向量特征进行加权,得告警自身的特征,根据告警关系图得告警的关联信息。
6.一种根因告警分析***,其特征在于,包括:
挖掘模块,用于对告警数据进行预处理,利用SR-ASM算法对告警数据进行挖掘,得告警序列,将告警序列转换为告警关系图;
识别模块,用于根据所述告警关系图及告警本身特征,利用根因告警识别模型SGC-RAI进行根因告警的识别,推荐识别出来的根因告警;
根因告警识别模型SGC-RAI包括两层空域图卷积层、池化层及全连接层,其中,利用两层空域图卷积层聚合局部信息,利用池化层使用element-wise最大池化操作提取全局故障信息,并将故障信息注入到告警中,得告警新的表示,最后通过共享的全连接层将告警的特征转化为数值,并使用Softmax归一化得到告警的根因分数,取根因分数最大的告警为根因告警;
两层空域图卷积层的操作过程为:
其中,v为告警序列中的告警,k为第k层,为第k层的输出,/>为获取的邻域信息,为可学习的线性变换,N1(v)和N2(v)分别代表节点v的两类邻居组成的集合,N1(v)中的节点与节点v有边相连,且边的方向由节点v指向邻居节点,N2(v)中的节点与节点v有边相连,且边的方向由邻居节点指向节点v,w(v,u)表示告警关联图中节点v到邻居节点u的边的对应先验权重,w(u,v)表示告警关联图中邻居节点u到节点v的边的对应先验权重,聚合全局信息的操作为:
其中,G为整个告警序列构成的关联图:
根因告警预测计算为:
7.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述根因告警分析方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述根因告警分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513431.8A CN113268370B (zh) | 2021-05-11 | 2021-05-11 | 一种根因告警分析方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110513431.8A CN113268370B (zh) | 2021-05-11 | 2021-05-11 | 一种根因告警分析方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268370A CN113268370A (zh) | 2021-08-17 |
CN113268370B true CN113268370B (zh) | 2023-05-23 |
Family
ID=77230486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110513431.8A Active CN113268370B (zh) | 2021-05-11 | 2021-05-11 | 一种根因告警分析方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268370B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022153B (zh) * | 2022-06-07 | 2024-04-23 | 中国工商银行股份有限公司 | 故障根因分析方法、装置、设备和存储介质 |
CN115150255B (zh) * | 2022-07-12 | 2024-05-31 | 北京云集智造科技有限公司 | 一种自适应的基于知识图谱的应用故障自动根因定位方法 |
CN116233311B (zh) * | 2023-05-08 | 2023-07-14 | 天津金城银行股份有限公司 | 自动化外呼测试方法、装置、计算机设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814967A (zh) * | 2020-09-11 | 2020-10-23 | 鹏城实验室 | 神经网络模型的推理运算量计算方法、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6393386B1 (en) * | 1998-03-26 | 2002-05-21 | Visual Networks Technologies, Inc. | Dynamic modeling of complex networks and prediction of impacts of faults therein |
CN110609759B (zh) * | 2018-06-15 | 2021-09-14 | 华为技术有限公司 | 一种故障根因分析的方法及装置 |
CN111897673B (zh) * | 2020-07-31 | 2022-10-21 | 平安科技(深圳)有限公司 | 运维故障根因识别方法、装置、计算机设备和存储介质 |
CN112181758B (zh) * | 2020-08-19 | 2023-07-28 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112182387B (zh) * | 2020-09-29 | 2023-08-25 | 中国人民大学 | 一种时间信息增强的个性化搜索方法 |
CN112312443A (zh) * | 2020-10-13 | 2021-02-02 | 西安电子科技大学 | 海量告警数据处理方法、***、介质、计算机设备及应用 |
CN112367678A (zh) * | 2020-10-15 | 2021-02-12 | 深圳力维智联技术有限公司 | 一种微基站监控方法及装置、存储介质 |
-
2021
- 2021-05-11 CN CN202110513431.8A patent/CN113268370B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814967A (zh) * | 2020-09-11 | 2020-10-23 | 鹏城实验室 | 神经网络模型的推理运算量计算方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113268370A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113268370B (zh) | 一种根因告警分析方法、***、设备及存储介质 | |
WO2021103492A1 (zh) | 一种企业经营风险预测方法和*** | |
WO2023065545A1 (zh) | 风险预测方法、装置、设备及存储介质 | |
CN110597735A (zh) | 一种面向开源软件缺陷特征深度学习的软件缺陷预测方法 | |
CN110633366B (zh) | 一种短文本分类方法、装置和存储介质 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN114816497B (zh) | 基于bert预训练模型的链接生成方法 | |
CN112100397A (zh) | 基于双向门控循环单元的电力预案知识图谱构建方法及*** | |
CN113779272A (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN116126569A (zh) | 智能运维方法及装置 | |
CN116561264A (zh) | 一种基于知识图谱的智能问答***的构建方法 | |
CN116467461A (zh) | 应用于配电网的数据处理方法、装置、设备及介质 | |
CN117010373A (zh) | 一种电力设备资产管理数据所属类别和组的推荐方法 | |
CN111159328A (zh) | 情报知识融合***及方法 | |
CN116578336A (zh) | 一种基于抄袭者-检测器对抗的软件克隆检测方法 | |
CN115544112A (zh) | 一种基于大数据人工智能的双创成果高价值专利筛选方法 | |
CN115841105A (zh) | 一种基于事件类型层级关系的事件抽取方法、***及介质 | |
CN114036319A (zh) | 一种电力知识抽取方法、***、装置及存储介质 | |
Yang | RETRACTED ARTICLE: Financial Information Extraction Using the Improved Hidden Markov Model and Deep Learning | |
Lv et al. | CEP rule extraction framework based on evolutionary algorithm | |
CN117668259B (zh) | 基于知识图谱的内外规数据联动分析方法及装置 | |
CN116431757B (zh) | 基于主动学习的文本关系抽取方法、电子设备及存储介质 | |
Zhang et al. | Predicting Relations in SG-CIM Model Based on Graph Structure and Semantic Information | |
Chen et al. | Research on the construction method of fault association knowledge graph for power grid operation based on multivariate heterogeneous data fusion | |
Guo et al. | Simulation Research on Artificial Intelligence Design Decision Model Based on Deep Convolution Neural Network |
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 |