CN114172708A - 网络流量异常的识别方法 - Google Patents
网络流量异常的识别方法 Download PDFInfo
- Publication number
- CN114172708A CN114172708A CN202111439790.XA CN202111439790A CN114172708A CN 114172708 A CN114172708 A CN 114172708A CN 202111439790 A CN202111439790 A CN 202111439790A CN 114172708 A CN114172708 A CN 114172708A
- Authority
- CN
- China
- Prior art keywords
- flow data
- flow
- data
- range
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开的实施例提供了网络流量异常的识别方法、装置、设备和计算机可读存储介质。所述方法包括获取流量数据;对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;基于修正后的流量范围判断所述流量数据是否异常。以此方式,提高了预测数据的准确率。
Description
技术领域
本公开的实施例一般涉及网络流量异常识别领域,并且更具体地,涉及网络流量异常的识别方法、装置、设备和计算机可读存储介质。
背景技术
对于企业来说,保证线上业务的稳定运行是运维的核心问题。在企业生产网络中,因为服务器网络连通问题、运营商网络故障、遇到ddos攻击、及服务器被爬虫拉取大量数据等情况,均可导致流量异常,如何快速发现流量异常情况并及时处理是每个企业都关心的问题。
发明内容
根据本公开的实施例,提供了一种网络流量异常的识别方案。
在本公开的第一方面,提供了一种网络流量异常的识别方法。该方法包括:
获取流量数据;
对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;
基于修正后的流量范围判断所述流量数据是否异常。
进一步地,所述获取流量数据包括:
基于预设的采集频率,通过snmp协议采集所述流量数据。
进一步地,对所述流量数据进行降噪包括:
通过鲁邦回归算法,对所述流量数据进行降噪。
进一步地,
通过优化的KNN算法对降噪后的流量数据进行分类。
进一步地,
通过交叉验证的方式,确定所述优化KNN算法中的K值。
进一步地,所述历史范围环比增长率通过如下方式进行获取:
获取历史流量数据,确定所述历史流量数据的合理流量范围;
基于所述历史流量数据的合理流量范围,计算所述历史流量数据的增长率。
进一步地,还包括:
若所述流量数据异常,则向相关人员发送告警信息。
在本公开的第二方面,提供了一种网络流量异常的识别装置。该装置包括:
获取模块,用于获取流量数据;
处理模块,用于对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;
判断模块,用于基于修正后的流量范围判断所述流量数据是否异常。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本申请实施例提供的网络流量异常的识别方法,通过获取流量数据;对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;基于修正后的流量范围判断所述流量数据是否异常,实现了网络流量异常的快速、准确识别。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的网络流量异常的识别方法的流程图;
图2示出了根据本公开的实施例的数据分布对比示意图;
图3示出了根据本公开的实施例的数据变化规律示意图;
图4示出了根据本公开的实施例的流量数据范围示意图;
图5示出了根据本公开的实施例的网络流量异常的识别装置的方框图;
图6示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的网络流量异常的识别方法的流程图,包括:
S110,获取流量数据;
在一些实施例中,基于预设的采集频率,通过如snmp等协议采集所述流量数据;所述采集频率可根据实际应用场景进行设置,如60/次。
相对于现有的采集形式,通过设置采集频率的形式,采集所述流量数据,可节省大量的能源消耗。
S120,对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正。
在一些实施例中,需对采集到的数据进行降噪处理,去除数据毛刺,以便提高后期进行异常识别时的数据准确性。
具体地,可采用鲁班回归算法对采集到的流量数据进行降噪处理,和一般回归分析方法相比,鲁棒回归(Robust Regression)不容易受离群值(outlier)的影响;
其中,所述离群值为统计上异常、极端的数值(不符合普遍分布的数值);
线性回归要求x和y之间呈大致的线性相关,而且自变量x之间不能线性相关;
Ridge回归在LR(逻辑回归)的基础上加了L2 norm,相当于针对参数的一个高斯先验;
Lasso在LR的基础上加了L1 norm,相当于针对参数的一个拉普拉斯先验;
上述回归模型均为参数模型。当数据生成分布符合假设时,上述模型能拟合现有数据,拥有良好的泛化能力。但是,如图2所示(离群值O1、O2,相对于普遍分布G1、G2),若数据生成分布不符合假设,存在大量离群值,即出现“数据生成分布不符合假设”情况,或不符合数据在某个序列或空间中的变化规律,参考图3,则上述模型的表现则不能满足需求(过拟合或欠拟合);
因此,在本公开中采用优化的鲁邦回归算法,对所述流量数据进行降噪。本公开的优化的鲁棒回归算法包括:Theil-Sen回归、Huber回归、RANSAC,基于所述Theil-Sen回归、Huber回归、RANSAC,推断所述流量数据生成分布的过程,对所述流量数据进行降噪。
在一些实施例中,可采用优化的KNN算法对降噪后的流量数据进行分类;
具体地,KNN算法的关键在于k值和点距的计算,区别于现有技术中通过曼哈顿距离计算点距的方法,在本公开中通过如下公式进行点距的计算:
其中,所述x1、x2、xn、y1、y2、yn,表示点的坐标;
进一步地,采用交叉验证的方式计算所述K值,即,将样本数据按照一定比例(预先设定),拆分出训练用的数据和验证用的数据(训练集、验证集),如6:4;首先从训练集中选取一个较小的K值,不断增加所述K值,然后计算所述训练集和验证集合的方差,确定最终的K值。
本公开的优化的KNN算法,训练速度快、对异常值不敏感、具有更好地预测效果。
S130,基于修正后的流量范围判断所述流量数据是否异常。
在一些实施例中,获取历史流量数据,确定所述历史流量数据的合理流量范围;
其中,所述历史流量数据,通常为相对于流量数据(获取流量数据的时间段)环比7周的数据,通过如步骤S120所述的方法对所述历史流量数据进行降噪后,选取和所述流量数据相同时间段(每天)的数据进行分类,确定历史流量数据的合理流量范围。
根据时间顺序,计算所述历史流量数据的合理流量范围环比增长率,基于所述环比增长率对所述合理流量范围进行修正。
参考图4,基于修正后的流量范围判断所述流量数据是否异常,即,分别采用实时连续数据趋势分析,历史基线数据比对的方式判断所述流量数据是否异常。图4中,上下曲线分布表示所述数据流量在合理范围内的最大、最小范围,中间曲线表示所述流量数据(正常)。
进一步地,还包括:
若所述流量数据异常,则向相关人员发送告警信息;所述告警信息包括流量异常值、时间等相关信息。例如,通过邮件、微信等方式通知运维人员等。
根据本公开的实施例,实现了以下技术效果:
本发明基于优化的KNN(邻近算法)对当前业务流量的前后一段时间范围进行分类计算,识别当前流量数据的合理范围,并通过对环比7周历史数据分别进行KNN识别计算及增长计算,并通过历史数据分类分析出合理的数据增长比例,再通过历史数据降噪处理,来修正数据,提高预测数据的准确率。同时,可以通过邮件,微信方式将异常数据通知运维人员,减少了运维成本,提高了业务稳定性及安全性,减少了业务故障的发生。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图5示出了根据本公开的实施例的网络流量异常的识别装置400的方框图。如图5所示,装置500包括:
获取模块510,用于获取流量数据;
处理模块520,用于对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;
判断模块530,用于基于修正后的流量范围判断所述流量数据是否异常。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM603中,还可以存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理单元601执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由CPU 601执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,CPU 601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)等等。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种网络流量异常的识别方法,其特征在于,包括:
获取流量数据;
对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;
基于修正后的流量范围判断所述流量数据是否异常。
2.根据权利要求1所述的方法,其特征在于,所述获取流量数据包括:
基于预设的采集频率,通过snmp协议采集所述流量数据。
3.根据权利要求2所述的方法,其特征在于,对所述流量数据进行降噪包括:
通过优化的鲁邦回归算法,对所述流量数据进行降噪。
4.根据权利要求3所述的方法,其特征在于,
通过优化的KNN算法对降噪后的流量数据进行分类。
5.根据权利要求4所述的方法,其特征在于,
通过交叉验证的方式,确定所述优化KNN算法中的K值。
6.根据权利要求5所述的方法,其特征在于,所述历史范围环比增长率通过如下方式进行获取:
获取历史流量数据,确定所述历史流量数据的合理流量范围;
基于所述历史流量数据的合理流量范围,计算所述历史流量数据的增长率。
7.根据权利要求6所述的方法,其特征在于,还包括:
若所述流量数据异常,则向相关人员发送告警信息。
8.一种网络流量异常智能识别装置,其特征在于,包括:
获取模块,用于获取流量数据;
处理模块,用于对所述流量数据进行降噪、分类处理,确定流量数据的合理流量范围;基于历史范围环比增长率对所述合理流量范围进行修正;
判断模块,用于基于修正后的流量范围判断所述流量数据是否异常。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439790.XA CN114172708A (zh) | 2021-11-30 | 2021-11-30 | 网络流量异常的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111439790.XA CN114172708A (zh) | 2021-11-30 | 2021-11-30 | 网络流量异常的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114172708A true CN114172708A (zh) | 2022-03-11 |
Family
ID=80481643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111439790.XA Pending CN114172708A (zh) | 2021-11-30 | 2021-11-30 | 网络流量异常的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114172708A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115334560A (zh) * | 2022-08-19 | 2022-11-11 | 中国联合网络通信集团有限公司 | 基站异常的监测方法、装置、设备及计算机可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049291A (zh) * | 2015-08-20 | 2015-11-11 | 广东睿江科技有限公司 | 一种检测网络流量异常的方法 |
CN108924127A (zh) * | 2018-06-29 | 2018-11-30 | 新华三信息安全技术有限公司 | 一种流量基线的生成方法和装置 |
CN110225055A (zh) * | 2019-06-22 | 2019-09-10 | 福州大学 | 一种基于knn半监督学习模型的网络流量异常检测方法与*** |
CN111132208A (zh) * | 2018-10-30 | 2020-05-08 | 上海华为技术有限公司 | 一种容量预测方法以及容量预测装置 |
CN112433928A (zh) * | 2020-12-03 | 2021-03-02 | 中国建设银行股份有限公司 | 一种存储设备的故障预测方法、装置、设备及存储介质 |
CN112436968A (zh) * | 2020-11-23 | 2021-03-02 | 恒安嘉新(北京)科技股份公司 | 一种网络流量的监测方法、装置、设备及存储介质 |
CN112637021A (zh) * | 2020-12-31 | 2021-04-09 | 中国建设银行股份有限公司 | 一种基于线性回归算法的动态流量监控方法和装置 |
CN112788022A (zh) * | 2020-12-31 | 2021-05-11 | 山石网科通信技术股份有限公司 | 流量异常检测方法、装置、存储介质及处理器 |
CN113645215A (zh) * | 2021-08-03 | 2021-11-12 | 恒安嘉新(北京)科技股份公司 | 异常网络流量数据的检测方法、装置、设备及存储介质 |
-
2021
- 2021-11-30 CN CN202111439790.XA patent/CN114172708A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049291A (zh) * | 2015-08-20 | 2015-11-11 | 广东睿江科技有限公司 | 一种检测网络流量异常的方法 |
CN108924127A (zh) * | 2018-06-29 | 2018-11-30 | 新华三信息安全技术有限公司 | 一种流量基线的生成方法和装置 |
CN111132208A (zh) * | 2018-10-30 | 2020-05-08 | 上海华为技术有限公司 | 一种容量预测方法以及容量预测装置 |
CN110225055A (zh) * | 2019-06-22 | 2019-09-10 | 福州大学 | 一种基于knn半监督学习模型的网络流量异常检测方法与*** |
CN112436968A (zh) * | 2020-11-23 | 2021-03-02 | 恒安嘉新(北京)科技股份公司 | 一种网络流量的监测方法、装置、设备及存储介质 |
CN112433928A (zh) * | 2020-12-03 | 2021-03-02 | 中国建设银行股份有限公司 | 一种存储设备的故障预测方法、装置、设备及存储介质 |
CN112637021A (zh) * | 2020-12-31 | 2021-04-09 | 中国建设银行股份有限公司 | 一种基于线性回归算法的动态流量监控方法和装置 |
CN112788022A (zh) * | 2020-12-31 | 2021-05-11 | 山石网科通信技术股份有限公司 | 流量异常检测方法、装置、存储介质及处理器 |
CN113645215A (zh) * | 2021-08-03 | 2021-11-12 | 恒安嘉新(北京)科技股份公司 | 异常网络流量数据的检测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘胜等: "《智能预报技术及其在船舶工程中应用》", 30 November 2015, pages: 77 * |
徐云峰等: "《弱点挖掘》", 31 January 2014, pages: 174 * |
郑娅峰: "《人工智能视域下机器学习在教育研究中的应用》", 31 January 2020, pages: 64 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115334560A (zh) * | 2022-08-19 | 2022-11-11 | 中国联合网络通信集团有限公司 | 基站异常的监测方法、装置、设备及计算机可读存储介质 |
CN115334560B (zh) * | 2022-08-19 | 2024-05-07 | 中国联合网络通信集团有限公司 | 基站异常的监测方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4878085B2 (ja) | 製造工程のための管理方法 | |
JP6141235B2 (ja) | 時系列データにおける異常を検出する方法 | |
CN111641519A (zh) | 异常根因定位方法、装置及存储介质 | |
CN110083507B (zh) | 关键性能指标分类方法及装置 | |
CN114430365B (zh) | 故障根因分析方法、装置、电子设备和存储介质 | |
CN115794578A (zh) | 一种电力***的数据管理方法、装置、设备及介质 | |
CN115664038B (zh) | 一种用于电气安全管理的智能配电运维监控*** | |
CN114172708A (zh) | 网络流量异常的识别方法 | |
WO2019240019A1 (ja) | 異常解析装置、製造システム、異常解析方法及びプログラム | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
CN117095247B (zh) | 基于数控加工的加工姿态运行优化方法、***及介质 | |
CN117687884A (zh) | 一种电网调度自动化主站运维操作票智能优化方法及*** | |
CN114693052A (zh) | 风险预测模型的训练方法、装置、计算设备和介质 | |
CN114765574A (zh) | 一种网络异常定界定位方法及装置 | |
CN116755974A (zh) | 云计算平台运维方法、装置、电子设备及存储介质 | |
CN110795308A (zh) | 一种服务器检验方法、装置、设备及存储介质 | |
CN114219967A (zh) | 一种生产数据处理的方法、装置、设备及存储介质 | |
CN114881112A (zh) | 一种***异常检测方法、装置、设备及介质 | |
CN113536042A (zh) | 一种时间序列异常检测方法、装置及设备 | |
CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
CN114356737A (zh) | 模型监测方法、设备、存储介质及计算机程序产品 | |
CN113297195A (zh) | 一种时间序列异常检测方法、装置及设备 | |
CN113052938A (zh) | 一种构建锅炉能效曲线的方法及装置 | |
CN110166767A (zh) | 一种结合车机闲散资源的图像质量调节方法及装置 | |
CN117609740B (zh) | 基于工业大模型智能预测维护*** |
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 |