CN114168444A - 一种基于监控大数据的动态运维报修模型 - Google Patents
一种基于监控大数据的动态运维报修模型 Download PDFInfo
- Publication number
- CN114168444A CN114168444A CN202111530596.2A CN202111530596A CN114168444A CN 114168444 A CN114168444 A CN 114168444A CN 202111530596 A CN202111530596 A CN 202111530596A CN 114168444 A CN114168444 A CN 114168444A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- data
- monitoring item
- item
- historical
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 185
- 238000012423 maintenance Methods 0.000 title claims abstract description 40
- 230000008439 repair process Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 238000009499 grossing Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 16
- 230000001932 seasonal effect Effects 0.000 claims description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F11/3447—Performance evaluation by modeling
-
- 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
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- 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
- G06F11/3495—Performance evaluation by tracing or monitoring for systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Debugging And Monitoring (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于监控大数据的动态运维报修模型，包括步骤：S1)获取监控项的历史监控数据，历史监控数据划分为训练集和测试集；S2)利用历史监控数据建立出监控项的Holt‑Winters模型；S3)根据监控项的Holt‑Winters模型预测未来数据，确定监控项的告警阈值区间；S4)基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常；若发生异常，则向***发送告警信息。本发明提供的基于监控大数据的动态运维报修模型，基于历史数据预测并动态调整阈值，解决了现有的运维***方案基于人工经验设置固定阈值、时效性差、难以根据实际情况动态调整告警阈值的问题。
Description
技术领域
本发明涉及***运维技术领域，特别是涉及一种基于监控大数据的动态运维报修模型。
背景技术
***运维注重保障***正常运行，包含运行和维护两层含义。随着各种硬件及软件的飞速发展，***结构越来越复杂，运维的难度也越来越大，对运维人员的要求越来越高。目前，***运维还严重依赖运维人员的经验，对于经验不足的运维人员，极易配置出错，出现漏报、误报，从而造成极大损失。
针对以上问题，需要一种基于监控大数据的动态运维报修模型。
发明内容
本发明的目的是提供一种基于监控大数据的动态运维报修模型，基于历史数据预测并动态调整阈值，解决了现有的运维***方案基于人工经验设置固定阈值、时效性差、难以根据实际情况动态调整告警阈值的问题。
为实现上述目的，本发明提供了如下方案：
一种基于监控大数据的动态运维报修模型，包括步骤：
S1)获取监控项的历史监控数据，所述历史监控数据划分为训练集和测试集；
S2)利用所述历史监控数据建立出监控项的Holt-Winters模型；
S3)根据所述监控项的Holt-Winters模型预测未来数据，确定监控项的告警阈值区间；
S4)基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常；若发生异常，则向***发送告警信息。
可选的，步骤S1)所述获取监控项的历史监控数据，所述历史监控数据划分为训练集数据和测试集数据，具体包括：
S101)确定所需的监控主机和所述监控主机的监控项，并获取所述监控项对应的键值与监控项ID；
S102)判断所述监控项对应历史数据类型，通过所述监控主机名称与键值查询Zabbix数据库中与数据类型对应的数据表，获取监控项历史数据；
S103)将获取的所述监控项历史数据划分为训练集和测试集，所述测试集为最近h小时的数据，剩余数据为所述训练集。
可选的，步骤S2)所述利用所述历史监控数据建立出监控项的Holt-Winters模型，具体包括：
S201)初始化水平平滑值L0、趋势平滑值P0和季节平滑值Sk，计算公式分别如下：
其中：T为季节长度；Y(i)为i时刻的监控项数据值；Y(T+i)为下一个季节中i时刻的监控项数据值；s为季节数，
n为监控项历史时间序列数据个数；
S202)使用训练集数据拟合监控项的Holt-Winters模型，设置水平平滑系数α，趋势平滑系数β和季节平滑系数γ初值，采用交叉验证法，以平均绝对百分比误差MAPE为指标得出最优平滑参数；
S203)输入最优平滑参数，生成监控项的最优Holt-Winters模型，固定模型参数并存储当前监控项的最优Holt-Winters模型。
可选的，步骤S3)所述根据所述监控项的Holt-Winters模型预测未来数据，确定监控项的告警阈值区间，具体包括：
S301)利用最优Holt-Winters模型计算固定时间区间内每一时刻的监控项预测数据；
S302)利用Brutlag算法创建每一时刻的监控项预测数据置信区间：
其中：m为比例因子；d预测偏差；yt为t时刻的预测值；
分别为t时刻的置信上界、置信下界；
其中：yt-T、
分别为t-T时刻监控项数据的预测值、实际值；
S303)将创建的置信区间设置为触发监控项的告警阈值区间。
可选的，在步骤S303)之后还包括：
S304)针对下一时间区间重新执行步骤S301)～S303)，获得下一时间区间内每一时刻的监控项告警阈值区间。
可选的，步骤S4)中所述基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常，具体包括：当实际监控数据的值处于阈值区间，则判定监控项未发生异常；当实际监控数据的值超出阈值区间，则判定监控项发生异常。
可选的，所述监控项包括Zabbix中的可用内存、CPU空闲时间、CPU用户利用率、空闲磁盘空间、空闲索引节点、传入网络工作流量eth0、进程数、每秒处理器负载、已使用磁盘空间。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于监控大数据的动态运维报修模型，首先从Zabbix监控平台获取监控指标历史数据，将每个监控指标历史数据划分为训练集与测试集；其次将训练集数据作为Holt-Winters模型的输入，初始化Holt-Winters的水平平滑值、趋势平滑值和季节平滑值，通过交叉验证，计算出最优的水平平滑系数、趋势平滑系数与季节平滑系数，建立最优Holt-Winters模型，将测试集输入所建立的模型，对模型的准确率进行评估；最后根据选定的最优Holt-Winters模型预测未来一定时段的数据，利用模型的预测值和算法动态确定监控指标的阈值区间，将超出阈值区间的数据判定为异常值，向***发送告警信息；本发明根据监控历史信息进行时间序列分析，建立历史信息模型，用于实现合理的监控告警阈值设定及阈值的动态更新，改善可视化运维***误报漏报的问题，减轻严重依赖运维人员的弊端；本发明提出的算法结合Zabbix监控获取的大量历史信息，基于Holt-Winters模型对时间序列进行分析，动态地确定并实时更新监控项阈值，针对异常情况向运维人员进行告警；总之，本发明解决了现有的运维***方案基于人工经验设置固定阈值、时效性差、难以根据实际情况动态调整告警阈值的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于监控大数据的动态运维报修模型的方法流程图。
具体实施方式
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实施例，而不是全部的实施例。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，都属于本发明保护的范围。
本发明的目的是提供一种基于监控大数据的动态运维报修模型，基于历史数据预测并动态调整阈值，解决了现有的运维***方案基于人工经验设置固定阈值、时效性差、难以根据实际情况动态调整告警阈值的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
指数平滑是一种经典的预测方法框架，该框架能够快速生成可靠的预测结果，并且适用于广泛的时间序列，基于这一巨大的优势，在工业应用中起到重要作用，因此也激发了一些十分成功的预测方法。基于这一框架，学者Holt和Winters将指数平滑方法进行了多次拓展，提出了Holt-Winters模型，用于在时间序列预测中进一步捕获季节因素，改善预测精度。Holt-Winters模型包括预测方程和三个平滑方程——水平平滑方程，趋势平滑方程，季节平滑方程，共同构成进行时间序列建模的模型。
Zabbix是一个高度成熟完善的网络监控解决方案，能够监控众多网络参数和服务器的健康度、完整性。Zabbix使用灵活的告警机制，允许用户为几乎任何事件配置基于邮件的告警，令用户可以快速响应服务器问题。它提供的ZabbixAPI为Zabbix提供编程接口，用于批量操作和第三方软件集成等，可以方便地获取监控历史信息。基础的Zabbix方案中，告警机制主要依靠人工设定的阈值或条件，适应性受限，对人工经验的依赖较强，而Zabbix编程接口的存在则为用户基于监控历史信息进行数据分析建模，构建自动化、智能化的告警方法提供了可能。
如图1所示，本发明实施例提供的基于监控大数据的动态运维报修模型，包括步骤：
S1)获取监控项的历史监控数据，所述历史监控数据划分为训练集和测试集；本实施例中共有历史数据10004条，其中训练集数据9884条，测试集数据120条；
S2)利用所述历史监控数据建立出监控项的Holt-Winters模型；
S3)根据所述监控项的Holt-Winters模型预测未来数据，确定监控项的告警阈值区间；
S4)基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常；若发生异常，则向***发送告警信息。
步骤S1)所述获取监控项的历史监控数据，所述历史监控数据划分为训练集数据和测试集数据，具体包括：
S101)确定所需的监控主机和所述监控主机的监控项，并获取所述监控项对应的键值与监控项ID；
S102)判断所述监控项对应历史数据类型，通过所述监控主机名称与键值查询Zabbix数据库中与数据类型对应的数据表，获取监控项历史数据；
S103)将获取的所述监控项历史数据划分为训练集和测试集，所述测试集为最近h小时的数据，剩余数据为所述训练集。
步骤S2)所述利用所述历史监控数据建立出监控项的Holt-Winters模型，具体包括：
S201)初始化水平平滑值L0、趋势平滑值P0和季节平滑值Sk，Holt-Winters算法开始第一轮预测时需要设定初始值，而初始值对时序序列初期影响较大，经过若干时间步长的迭代，初始值对预测的影响逐渐减小，选取初始值的一般方法如下：
其中：T为季节长度，这里T取值为180；Y(i)为i时刻的监控项数据值；Y(T+i)为下一个季节中i时刻的监控项数据值；s为季节数，
n为监控项历史时间序列数据个数，这里n取值为9884；
S202)使用训练集数据拟合监控项的Holt-Winters模型，设置水平平滑系数α，趋势平滑系数β和季节平滑系数γ初值为[0,0,0]，取值范围为(0，1)，采用十折交叉验证法，以平均绝对百分比误差MAPE为指标得出最优平滑参数，得到的MAPE指标值为2.66％，优化后的平滑系分别为α＝0.0148、β＝0.0007、γ＝0.2589；
S203)输入最优平滑参数，生成监控项的最优Holt-Winters模型，固定模型参数并存储当前监控项的最优Holt-Winters模型；将120条测试集数据输入该模型，输出预测值，并与其它方法模型的预测精度进行对比，见表1，结果表明：利用本模型计算MAPE指标值为2.54％，验证模型精度较高。
表1 Holt-Winters与其他方法模型的预测精度对比
步骤S3)所述根据所述监控项的Holt-Winters模型预测未来数据，确定监控项的告警阈值区间，具体包括：
S301)利用最优Holt-Winters模型计算固定时间区间内每一时刻的监控项预测数据；这里的固定时间区间为2小时，共计120条数据；
S302)利用Brutlag算法创建每一时刻的监控项预测数据置信区间：
其中：m为比例因子，这里m取值为1.96；d预测偏差；yt为t时刻的预测值；
分别为为t时刻的置信上界、置信下界；
其中：yt-T、
分别为t-T时刻监控项数据的预测值、实际值；
S303)将创建的置信区间
设置为触发监控项的告警阈值区间，以t＝9885为例，计算阈值区间为(68.46，76.89)。
可选的，在步骤S303)之后还包括：
S304)使用本轮预测对应的120条实际监控数据更新历史数据，替换历史数据中时间最早的120条数据，用于模型参数的下一轮更新，即针对下一时间区间重新执行步骤S301)～S303)，获得下一时间区间内每一时刻的监控项告警阈值区间。
步骤S4)中所述基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常，具体包括：当实际监控数据的值处于阈值区间，则判定监控项未发生异常；当实际监控数据的值超出阈值区间，则判定监控项发生异常。
所述监控项包括Zabbix中的可用内存、CPU空闲时间、CPU用户利用率、空闲磁盘空间、空闲索引节点、传入网络工作流量eth0、进程数、每秒处理器负载、已使用磁盘空间。
本发明提供的基于监控大数据的动态运维报修模型，首先从Zabbix监控平台获取监控指标历史数据，将每个监控指标历史数据划分为训练集与测试集；其次将训练集数据作为Holt-Winters模型的输入，初始化Holt-Winters的水平平滑值、趋势平滑值和季节平滑值，通过交叉验证，计算出最优的水平平滑系数、趋势平滑系数与季节平滑系数，建立最优Holt-Winters模型，将测试集输入所建立的模型，对模型的准确率进行评估；最后根据选定的最优Holt-Winters模型预测未来一定时段的数据，利用模型的预测值和算法动态确定监控指标的阈值区间，将超出阈值区间的数据判定为异常值，向***发送告警信息；本发明根据监控历史信息进行时间序列分析，建立历史信息模型，用于实现合理的监控告警阈值设定及阈值的动态更新，改善可视化运维***误报漏报的问题，减轻严重依赖运维人员的弊端；本发明提出的算法结合Zabbix监控获取的大量历史信息，基于Holt-Winters模型对时间序列进行分析，动态地确定并实时更新监控项阈值，针对异常情况向运维人员进行告警；总之，本发明解决了现有的运维***方案基于人工经验设置固定阈值、时效性差、难以根据实际情况动态调整告警阈值的问题。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于监控大数据的动态运维报修模型，其特征在于，包括步骤：
S1)获取监控项的历史监控数据，所述历史监控数据划分为训练集和测试集；
S2)利用所述历史监控数据建立出监控项的Holt-Winters模型；
S3)根据所述监控项的Holt-Winters模型预测未来数据，确定监控项的告警阈值区间；
S4)基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常；若发生异常，则向***发送告警信息。
2.根据权利要求1所述的基于监控大数据的动态运维报修模型，其特征在于，步骤S1)所述获取监控项的历史监控数据，所述历史监控数据划分为训练集数据和测试集数据，具体包括：
S101)确定所需的监控主机和所述监控主机的监控项，并获取所述监控项对应的键值与监控项ID；
S102)判断所述监控项对应历史数据类型，通过所述监控主机名称与键值查询Zabbix数据库中与数据类型对应的数据表，获取监控项历史数据；
S103)将获取的所述监控项历史数据划分为训练集和测试集，所述测试集为最近h小时的数据，剩余数据为所述训练集。
3.根据权利要求2所述的基于监控大数据的动态运维报修模型，其特征在于，步骤S2)所述利用所述历史监控数据建立出监控项的Holt-Winters模型，具体包括：
S201)初始化水平平滑值L0、趋势平滑值P0和季节平滑值Sk，计算公式分别如下：
其中：T为季节长度；Y(i)为i时刻的监控项数据值；Y(T+i)为下一个季节中i时刻的监控项数据值；s为季节数，
n为监控项历史时间序列数据个数；
S202)使用训练集数据拟合监控项的Holt-Winters模型，设置水平平滑系数α，趋势平滑系数β和季节平滑系数γ初值，采用交叉验证法，以平均绝对百分比误差MAPE为指标得出最优平滑参数；
S203)输入最优平滑参数，生成监控项的最优Holt-Winters模型，固定模型参数并存储当前监控项的最优Holt-Winters模型。
4.根据权利要求3所述的基于监控大数据的动态运维报修模型，其特征在于，步骤S3)所述根据所述监控项的Holt-Winters模型预测未来数据，确定监控项的告警阈值区间，具体包括：
S301)利用最优Holt-Winters模型计算固定时间区间内每一时刻的监控项预测数据；
S302)利用Brutlag算法创建每一时刻的监控项预测数据置信区间：
其中：m为比例因子；d预测偏差；yt为t时刻的预测值；
分别为t时刻的置信上界、置信下界；
其中：yt-T、
分别为t-T时刻监控项数据的预测值、实际值；
S303)将创建的置信区间设置为触发监控项的告警阈值区间。
5.根据权利要求4所述的基于监控大数据的动态运维报修模型，其特征在于，在步骤S303)之后还包括：
S304)针对下一时间区间重新执行步骤S301)～S303)，获得下一时间区间内每一时刻的监控项告警阈值区间。
6.根据权利要求4所述的基于监控大数据的动态运维报修模型，其特征在于，步骤S4)中所述基于监控项的告警阈值区间对实际监控数据进行阈值分析，判断监控项是否发生异常，具体包括：当实际监控数据的值处于阈值区间，则判定监控项未发生异常；当实际监控数据的值超出阈值区间，则判定监控项发生异常。
7.根据权利要求1-6中任一所述的基于监控大数据的动态运维报修模型，其特征在于，所述监控项包括Zabbix中的可用内存、CPU空闲时间、CPU用户利用率、空闲磁盘空间、空闲索引节点、传入网络工作流量eth0、进程数、每秒处理器负载、已使用磁盘空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111530596.2A CN114168444B (zh) | 2021-12-14 | 2021-12-14 | 一种基于监控大数据的动态运维报修方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111530596.2A CN114168444B (zh) | 2021-12-14 | 2021-12-14 | 一种基于监控大数据的动态运维报修方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114168444A true CN114168444A (zh) | 2022-03-11 |
| CN114168444B CN114168444B (zh) | 2024-06-04 |
Family
ID=80486601
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111530596.2A Active CN114168444B (zh) | 2021-12-14 | 2021-12-14 | 一种基于监控大数据的动态运维报修方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114168444B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114915542A (zh) * | 2022-04-28 | 2022-08-16 | 远景智能国际私人投资有限公司 | 数据异常的告警方法、装置、设备及存储介质 |
| CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测***及方法 |
| CN115311829A (zh) * | 2022-10-12 | 2022-11-08 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于海量数据的精准告警方法及*** |
| CN115358430A (zh) * | 2022-09-14 | 2022-11-18 | 哈尔滨菲桐匠心科技有限公司 | 一种基于大数据的运维信息管理***及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844543A (zh) * | 2016-04-07 | 2016-08-10 | 国网天津市电力公司 | 一种电力企业信息***自动化运维管理*** |
| CN109491289A (zh) * | 2018-11-15 | 2019-03-19 | 国家计算机网络与信息安全管理中心 | 一种用于数据中心动力环境监控的动态预警方法及装置 |
| CN110782045A (zh) * | 2019-10-17 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种运维告警***动态阈值的生成方法及装置 |
| CN111082998A (zh) * | 2019-12-30 | 2020-04-28 | 上海数熙科技有限公司 | 一种运维监控校园汇聚层的架构*** |
| CN112926749A (zh) * | 2020-12-30 | 2021-06-08 | 国网宁夏电力有限公司信息通信公司 | 一种智能电网信息设备监控***及方法 |
-
2021
- 2021-12-14 CN CN202111530596.2A patent/CN114168444B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844543A (zh) * | 2016-04-07 | 2016-08-10 | 国网天津市电力公司 | 一种电力企业信息***自动化运维管理*** |
| CN109491289A (zh) * | 2018-11-15 | 2019-03-19 | 国家计算机网络与信息安全管理中心 | 一种用于数据中心动力环境监控的动态预警方法及装置 |
| CN110782045A (zh) * | 2019-10-17 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种运维告警***动态阈值的生成方法及装置 |
| CN111082998A (zh) * | 2019-12-30 | 2020-04-28 | 上海数熙科技有限公司 | 一种运维监控校园汇聚层的架构*** |
| CN112926749A (zh) * | 2020-12-30 | 2021-06-08 | 国网宁夏电力有限公司信息通信公司 | 一种智能电网信息设备监控***及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 司占军;肖桐;: "校园网络舆情监控平台的设计与实现", 电子世界, no. 14, 30 July 2014 (2014-07-30) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114915542A (zh) * | 2022-04-28 | 2022-08-16 | 远景智能国际私人投资有限公司 | 数据异常的告警方法、装置、设备及存储介质 |
| CN115096359A (zh) * | 2022-06-17 | 2022-09-23 | 北京航空航天大学 | 一种金属屋面健康监测***及方法 |
| CN115358430A (zh) * | 2022-09-14 | 2022-11-18 | 哈尔滨菲桐匠心科技有限公司 | 一种基于大数据的运维信息管理***及方法 |
| CN115311829A (zh) * | 2022-10-12 | 2022-11-08 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于海量数据的精准告警方法及*** |
| CN115311829B (zh) * | 2022-10-12 | 2023-02-03 | 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) | 一种基于海量数据的精准告警方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114168444B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114168444A (zh) | 一种基于监控大数据的动态运维报修模型 | |
| CN110095744B (zh) | 一种电子式互感器误差预测方法 | |
| Girard et al. | Gaussian process priors with uncertain inputs application to multiple-step ahead time series forecasting | |
| CN108038040B (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
| CN106886481B (zh) | 一种***健康度静态分析预测方法及装置 | |
| CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
| CN112862012A (zh) | 一种基于lstm模型的运维***异常预警方法、装置及设备 | |
| CN111143102A (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
| US20240142063A1 (en) | Method for troubleshooting potential safety hazards of compressor in smart gas pipeline network and internet of things system thereof | |
| CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
| CN111624986A (zh) | 基于案例库的故障诊断方法和*** | |
| CN114997607A (zh) | 一种基于工程检测数据的异常评估预警方法及*** | |
| CN111176953A (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
| CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
| CN114338348A (zh) | 一种智能告警方法、装置、设备及可读存储介质 | |
| CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
| CN116684452A (zh) | 一种基于aigc大模型的知识中台构建方法及*** | |
| CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
| CN112836843A (zh) | 一种基站退服告警预测方法及装置 | |
| CN113486583B (zh) | 设备的健康评估方法、装置、计算机设备及计算机可读存储介质 | |
| CN112231127A (zh) | 电子装置及用于分析设备可靠度的方法 | |
| CN112070283A (zh) | 一种基于机器学习的服务器运行健康度预测方法及*** | |
| CN112101652B (zh) | 预测任务数量的方法、装置、可读存储介质和电子设备 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240509 Address after: Room B8110-1, Building 1, No. 43 Yanyang Road, Nankai District, Tianjin, 300000 Applicant after: Tianjin Zhuoyue xinzhongxin Longteng Technology Development Co.,Ltd. Country or region after: China Address before: No.9, 13th Street, economic and Technological Development Zone, Binhai New Area, Tianjin Applicant before: TIANJIN University OF SCIENCE AND TECHNOLOGY Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |