CN114365505A - 用于数据中心监控的数据驱动事物图 - Google Patents
用于数据中心监控的数据驱动事物图 Download PDFInfo
- Publication number
- CN114365505A CN114365505A CN201980099754.8A CN201980099754A CN114365505A CN 114365505 A CN114365505 A CN 114365505A CN 201980099754 A CN201980099754 A CN 201980099754A CN 114365505 A CN114365505 A CN 114365505A
- Authority
- CN
- China
- Prior art keywords
- sensor
- event
- events
- identifying
- map
- 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
- 238000012544 monitoring process Methods 0.000 title description 19
- 238000000034 method Methods 0.000 claims abstract description 134
- 230000004044 response Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 18
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- 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
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Alarm Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
公开了用于基于过去事件构建并使用传感器事物图以关联传感器的技术。在一个实施例中,公开的方法包括检索由多个传感器收集的原始传感器数据;基于所述原始传感器数据识别多个事件;基于所述多个事件构建传感器图,该传感器图具有表示所述多个传感器的节点以及连接所述节点的一组边,所述一组边中的每条边与基于在所述多个事件中检测到的相关事件数计算的权重相关联;以及响应于与所述多个传感器中的传感器相关联的新事件查询所述传感器图,该查询包括识别连接到所述传感器图中的所述传感器的至少一个相关传感器。
Description
版权声明
本申请包括受版权保护的材料。因其出现在专利和商标局文件或记录中,版权所有者不反对任何人对专利披露的传真复制,但无论如何保留所有版权。
背景技术
所公开的实施例涉及传感器的管理,更具体地,涉及用于管理互联网数据中心(Internet data center,IDC)的传感器数据的技术。
现代IDC通常采用一个或多个监控***用来监控来自各种传感器的输出。这些传感器生成的数据包括大量原始时间序列数据。在当前***中,人类技术人员或自动化***需要了解这些数据背后的信息,尤其是当存在需要干预的实时条件时。例如,温度传感器读数的增加可能是由计算机房空气处理器(computer room air handler,CRAH)的风扇故障或放置在服务器架子上的重物的突然跌落引起的。
当前的***无法从此类传感器生成的大量原始数据中充分显现有用的信息。事实上,许多这样的***依赖于人类对事件的解释以及试错技术来解决异常的传感器读数。
发明内容
所公开的实施例解决了IDC中的这些和其他问题。所公开的实施例通过采用可以对传感器和事件建模的事物图(graph of things,GoT)来实现此类IDC的更安全以及更高效的操作。
在一个实施例中,公开了一种方法,包括检索由多个传感器收集的原始传感器数据;基于原始传感器数据识别多个事件;基于多个事件构建传感器图,传感器图具有表示多个传感器的节点以及连接节点的一组边,一组边中的每条边与基于在多个事件中检测到的相关事件数计算的权重相关联;以及相应于与多个传感器中的传感器相关联的新事件查询传感器图,该查询包括识别连接到传感器图中的传感器的至少一个相关传感器。
在另一个实施例中,一种用于有形地存储能够由计算机处理器执行的计算机程序指令的非易失性计算机可读存储介质,计算机程序指令定义以下步骤:检索由多个传感器收集的原始传感器数据;基于原始传感器数据识别多个事件;基于多个事件构建传感器图,传感器图具有表示多个传感器的节点以及连接节点的一组边,一组边中的每条边与基于在多个事件中检测到的相关事件数计算的权重相关联;以及响应于与多个传感器中的传感器相关联的新事件查询传感器图,该查询包括识别连接到传感器图中的传感器的至少一个相关传感器。
在另一个实施例中,公开了一种装置,包括:处理器;以及用于在其上有形地存储程序逻辑以供处理器执行的存储介质,存储的程序逻辑致使处理器执行以下操作:检索由多个传感器收集的原始传感器数据,基于原始传感器识别多个事件数据,基于多个事件构建传感器图,传感器图具有代表多个传感器的节点以及连接节点的一组边,一组边中的每条边与基于在多个事件中检测到的相关事件数计算的权重相关联,以及响应于与多个传感器中的传感器相关联的新事件查询传感器图以,该查询包括识别连接到传感器图中的传感器的至少一个相关传感器。
附图说明
本公开的前述以及其他对象、特征以及优点将从附图中所示的以下实施例描述中显而易见,其中参考字符在整个不同视图中指代相同的部分。附图不一定按比例绘制,而是强调说明本公开的原则。
图1是根据本公开的一些实施例用于生成以及分析GoT的***框图。
图2是根据本公开的一些实施例示出用于生成GoT的方法的流程图。
图3A到3F示出了事件图和根据本公开的一些实施例构建相同的方法。
图4示出了根据本公开的一些实施例的传感器事物图。
图5A是根据本公开的一些实施例示出用于确定是否发生峰值或下降事件的方法的流程图。
图5B是根据本公开的一些实施例示出用于确定是否发生均值偏移事件的方法的流程图。
图5C是根据本公开的一些实施例示出用于确定是否发生正或负趋势变化事件的方法的流程图。
图5D是根据本公开的一些实施例示出用于确定是否发生了方差变化事件的方法的流程图。
图6是根据本公开的一些实施例示出用于分析GoT的方法的流程图。
图7是根据本公开的一些实施例示出用于生成或分析GoT的设备硬件图。
具体实施方式
图1是根据本公开的一些实施例用于生成以及分析GoT的***框图。
在所示实施例中,***(100)包括多个传感器(102a、102b、102c、102n;统称为102)。传感器的示例包括诸如温度传感器、电压传感器、电流传感器、湿度传感器、气流传感器、湿度或水传感器、烟雾传感器、门传感器、视频监控设备、功耗/开关传感器,以及测量数据中心或采用***(100)的其他环境的现实世界属性的其他传感器的设备。或者,与前述相结合,传感器可以包括基于软件的传感组件,诸如,服务器负载监控传感器、日志文件监控传感器、入侵检测***、负载峰值检测软件以及用于监控由例如数据中心提供的服务的各种其他软件。
传感器(102)生成时间序列数据。也就是说,每个传感器在给定时间生成数据值并在一段时间内生成此类数据。时间序列数据的示例包括连续温度监视器(即温度传感器报告的周期性温度)以及在任何给定时间到服务器的入站连接数(例如,由服务器报告)。通常,任何可以表示为时间函数的数据都可以被认为是由传感器(102)生成的时间序列数据,并且所公开的实施例不限于特定的传感器或时间序列数据的类型或格式。
在所公开的实施例中,传感器(102)主要在IDC的上下文中进行描述,但是传感器(102)可以安装在任何类型的环境中。此外,对传感器(102)的数量、类型或位置没有限制。
如图所示,传感器(102)的每个都连接到网络(118)。在一个实施例中,每个传感器(102)物理耦合到网络(118)并且网络(118)可以包括控制器局域网(controller areanetwork,CAN)总线、以太网或其他类型的数据通信介质。在其他实施例中,传感器(102)包括无线收发器,并且可以通过无线介质代替物理总线进行通信。此类通信网络的示例包括无线保真(Wireless Fidelity,Wi-Fi)、蜂窝或卫星网络。在一些实施例中,传感器(102)可以直接连接到***中的其他设备(例如,监控***116或预处理器104),并且可能不通过网络(118)进行通信。在一些实施例中,***(100)可以采用多个网络(以及直接连接的设备)。例如,采用负载监控的服务器可以通过以太网进行通信,而温度传感器可以通过Wi-Fi网络进行通信。所公开的实施例不限于已用的任何一种类型(或组合)的网络技术。
在所示实施例中,由传感器(102)生成的数据称为原始数据。传感器将此数据传输到形成事件提取阶段的初始阶段的预处理器(104)。此阶段被设计为将原始数据过滤为可操作的事件,并针对各种流程图进行更详细的描述。如图所示,事件提取阶段包括预处理器(104)、时间序列数据分析处理器(106)以及事件检测处理器(108)。在一些实施例中,每个处理器(104、106、108)包括专用硬件处理元件。在其他实施例中,事件提取阶段可以在一个或多个硬件设备上实现,并且处理器(104、106、108)可以作为在这些设备上运行的软件来实现。
在所示实施例中,预处理器(104)通过网络(118)从传感器(102)接收原始数据。如前所述,此原始数据包括数据值以及时间值。在所示实施例中,预处理器(104)清理并平滑接收到的数据。此操作的细节在图2的描述中提供,特别是在步骤204的描述中。
在清理并平滑传感器数据后,预处理器(104)将数据传输到时间序列数据分析处理器(106)。时间序列数据分析处理器(106)将清理并平滑的时间序列数据分解为趋势、季节性以及剩余分量。此操作的细节在图2的描述中提供,特别是在步骤206的描述中。
时间序列数据分析处理器(106)然后将分解的分量传输到事件检测处理器(108)。事件检测处理器(108)处理时间序列数据点的各个分量并识别由这些分量表示的可操作事件。事件检测处理器(108)的输出包括向量,该向量包括每个事件类型的值、传感器数据的时间以及传感器的身份。事件检测处理器(108)将此数据传输到事件存储器(110)。事件检测处理器(108)的操作细节在图2的描述中提供,特别是在步骤208,以及图5A、5B以及5C的描述中。
在所示实施例中,事件存储器(110)包括存储在事件提取阶段检测到的事件的存储设备(物理或逻辑)。在一个实施例中,事件存储器(110)包括关系数据库管理***(relational database management system,RDBMS)或其他类型的数据库。在一些实施例中,事件存储器(110)可以包括键值数据存储或其他不太密集的数据存储(例如,对象存储)。在一些实施例中,事件存储器(110)被配置为基于事件检测处理器(108)识别的时间按时间顺序存储事件。以这种方式,事件存储器(110)的操作类似于队列。
在图示的实施例中,示出了单独的绘图阶段。在绘图阶段,基于事件存储器(110)中存储的事件构建图并定期更新。在所示实施例中,图构建器(112)访问事件存储器(110)以检索事件。在一些实施例中,图构建器(112)主动查询事件存储器(110)。在其他实施例中,图构建器(112)订阅事件存储(106)并在事件被添加到事件存储器(110)时定期接收事件。
图构建器(112)还访问图存储器(114)。图存储器(114)可以包括图数据库或可以包括RDBMS。通常,图存储器(114)存储一组节点、一组边以及边的权重。在所示实施例中,节点包括传感器标识符、时间点以及事件类型。图构建器(112)基于在事件存储器(110)中接收到的事件更新存储在图存储器(114)中的数据。以这种方式,图构建器(112)负责更新由传感器(102)捕获并在事件提取阶段处理的事件图。图构建器(112)以及图存储器(114)的操作细节在图2的描述中提供,特别是在步骤212以及图3A到3F以及4的描述中。
如图所示,***(100)包括监控***(116)。在所示实施例中,监控***(116)从事件检测处理器(108)接收处理后的事件数据。或者,与前述相结合,监控***(116)还可以从传感器(102)接收原始数据。监控***(116)还通信耦合到图存储器(114)。在所示实施例中,监控***(116)可以包括硬件设备(或多个设备),其负责分析传感器数据并向设备的操作员提供可操作的情报。在其他实施例中,监控***(116)还可以相应于事件自动采取行动(例如,在检测到温度升高时向消防部门发出警报)。
为了提供这种洞察力或采取这种行动,监控***(116)查询图存储器(114)以响应事件识别相关传感器并执行根本原因分析。监控***(116)的操作细节在图6的描述中提供。
图2是根据本公开的一些实施例示出生成GoT的方法的流程图。
在步骤202中,方法(200)接收传感器数据。如上所述,方法(200)可以通过网络或其他通信介质接收由一个或多个传感器生成的原始数据。
在步骤204中,方法(200)清理并平滑数据。
在一些实施例中,方法(200)对接收到的数据执行各种清理操作,诸如,过滤异常、去除异常传感器、平滑传感器数据中的短期波动以及其他操作。在一些实施例中,清理还可以包括插值缺失值和/或标准化值。在一些实施例中,方法(200)可以利用移动平均数平滑来平滑并清理数据。此类移动平均数法的示例包括加权移动平均数(weight movingaverage,WMA)、指数加权移动平均数(exponentially weighted moving average,EWMA)、自回归积分移动平均数(autoregressive integrated moving average,ARIMA)平滑等技术。除了(或代替)这些技术以及所公开的实施例之外使用的其他技术不意图限定用于清理并平滑来自传感器的数据的特定或单一技术。实际上,可以同时使用多种技术,并且基于生成的时间序列数据的类型以及关于传感器生成的数据的波动的观察,每个传感器的技术可能是唯一的。
在步骤206中,方法(200)将清理并平滑的数据分解为趋势、季节性以及剩余数据。
在所示实施例中,在步骤202中接收的时间序列数据可以受三个分量的影响:趋势、季节性以及剩余分量。简而言之,时间序列的季节性分量是指在固定时间间隔内重复的模式。趋势分量是指数据在较长时间内的整体变化。最后,剩余是指去除趋势以及季节性数据后的时间序列中剩余的残差数据。
在一个实施例中,时间序列可以由函数Y(t)表示,其中t表示经过的时间。在这个实施例中,Y(t)可以表示为一系列向量Y(t)=[y(1),y(2),…y(n)]。在一个实施例中,Y(t)的值因此可以分解为趋势(T)、季节性(S)以及剩余(R)函数的加性集合:Y(t)=T(t)+S(t)+R(t),其中t再次表示经过的时间。可以基于底层传感器选择加法或乘法模型。
在一个实施例中,方法(200)接收原始时间序列数据并首先检测趋势分量。在一个实施例中,方法(200)可以使用居中移动平均数算法来计算时间序列Y(t)的趋势T(t),但也可以使用其他算法(例如,傅里叶变换)。然后,方法(200)可以从时间序列Y(t)中移除趋势T(t)。然后,方法(200)可以分析基本的去趋势时间序列(Y(t)-T(t))以确定结果数据的周期。在确定周期后,方法(200)提取季节性分量S(t),其留下剩余或噪声分量R(t)。
在步骤208中,方法(200)从分解的数据中提取事件。
在一个实施例中,方法(200)存储预定义事件的列表。一般来说,事件包括一个或多个条件,这些条件利用基础分量(趋势、季节性、剩余)作为输入。也就是说,如果一个或多个分解的分量满足条件,则假定事件已经发生。所公开的实施例描述了事件的四个示例:峰值/下降、均值偏移、趋势变化以及方差偏移。然而,所公开的实施例不旨在仅限于这些事件,其他事件可以基于实现方法(200)的***的基础数据或需求来构建。
峰值/下降是指时间序列剩余分量的值快速增加或减少。如上所述,趋势是指时间序列的逐渐变化,而季节性是指周期性(和定期)波动。因此,时间序列中的峰值或下降通常可归因于时间序列的剩余分量。在图5A的描述中更全面地描述了峰值/下降的检测。
均值偏移事件是指时间序列数据的移动平均数的整体变化。在该实施例中,滑动窗口用于计算时间序列在给定时间t的平均值,并且该值用于确定是否发生均值偏移。在图5B的描述中更全面地描述了均值偏移的检测。
趋势变化事件是指时间序列的趋势分量反转的时间,从正(向上)到负(向下)或从负(向下)到正(向上)。在图5C的描述中更全面地描述了趋势变化的检测。
方差偏移事件是指基础时间序列数据的方差发生变化。在图5D的描述中更全面地描述了方差偏移的检测。
通常,可以从时间序列中提取其他特征,包括但不限于均值、方差、偏度、峰度、中值、众数、分位数等的波动。还可以包括信息量度,例如熵或自回归系数。所公开的实施例并不旨在仅限于在图5A到5D中提供的特定示例。
在所示实施例中,方法(200)生成表示检测到的事件的n项元组。因此,使用上面的三个示例,方法(200)将生成三项元组,表示事件是否存在于时间序列中。因此,在执行步骤208之后,方法(200)将时间序列中的事件表示为yj(ti)=[e1(t1),e2(t1),e3(t1),e4(t1)]j,其中e1、e2、e3以及e4(分别)表示存在峰值/下降、均值偏移、趋势变化或方差变化事件,表示处理结果(如图5A到5D中所述),j表示传感器,ti表示给定时间,以及yj表示传感器j的时间序列。
以上述方式,整个时间序列因此可以定义为Yj(t)=[yj(ti),j=1…k,i=1…m]=[[e1(ti),e2(ti),e3(ti)]j,j=1…k,i=1…m],其中k表示k个传感器,ti…tm表示从时间t1到tm的观察。
在步骤210中,方法(200)存储提取的事件。
如上所述,步骤208的输出包括数据包,该数据包包括指示每种类型事件的存在/不存在的数值、时间分量以及传感器标识符(称为事件数据结构)。这些分量存储在数据库中。在一些实施例中,事件数据结构可以存储在RDBMS或其他类型的存储介质中,以供将来访问。如上所述,在一些实施例中,事件数据结构可以存储在队列类型数据结构中。在其他实施例中,事件数据结构可以存储在支持发布/订阅(pub/sub)架构模式(例如,REDIS)的数据库中,从而可以通过下游处理设备订阅事件流。
在步骤212中,方法(200)基于提取的事件构建或更新图。
在所示实施例中,方法(200)可以首先构建表示事件存储在数据库中的事件图。在一些实施例中,该图将每个事件类型、传感器以及时间表示为图中的节点。在图中,给定的传感器节点连接到事件节点或时间节点,而事件节点以及时间节点仅连接到传感器节点(即,不连接到其他时间节点或事件节点)。在一些实施例中,方法(200)将该图存储在图数据库中。在其他实施例中,该图可以转换为关系形式并存储在RDBMS中。从一组事件构建图的示例在图3A到3F的描述中提供,其通过引用并入本文。在一些实施例中,事件图可以包括单独存储的图。在其他实施例中,事件图可以包括临时图(例如,仅存储在内存中)。在该实施例中,事件图用于引导下面以及图4描述中描述的(事物)传感器图。
从事件图中,方法(200)进一步合成传感器图(也称为事物传感器图或简称为GoT)。在此图中,节点仅包含传感器,并且节点之间的边基于事件图的连接性进行加权。在所示实施例中,传感器图是通过分析事件图来识别相关传感器而构建的。在一个实施例中,如果传感器在同一时间点经历事件,则它们是相关的。因此,作为一个示例,如果两个传感器同时经历峰值或下降,则这两个传感器是相关的。在一个实施例中,传感器图的边的权重表示两个传感器同时经历事件的时间点的数量。
图3A到3F示出了事件图以及和根据本公开的一些实施例构建相同的方法。
在所示实施例中,图3A到3F中的图可以使用使用历史传感器数据生成的一组事件来生成。或者,与前述相结合,可以使用从原始传感器数据的实时流中提取的实时事件来生成图。
在图3A中,第一事件被分析,包括在时间1发生的传感器1的峰值或下降,事件类型(峰值以及下降)、传感器ID(1)以及时间点(1)用作图(300a)中的节点并且传感器节点通过无向边连接到事件类型节点以及时间点节点。如图3A到3F所示,所有边都是无向的,为了简洁起见,这一点将不再重复。
在图3B中,同样在时间1,处理第二事件,其中传感器3检测到峰值或下降。作为响应,将传感器3的节点添加到图(300b)。重用时间1节点,传感器3节点通过边连接到时间1节点。此外,传感器3节点通过边连接到现有的峰值以及下降节点。在一些实施例中,可以添加新的、重复的峰值以及下降节点;但是,如图所示,事件节点(如时间节点)可能会被重复使用。
在图3C中,在时间2接收到第三事件。此事件包括由传感器2检测到的均值偏移类型事件。作为响应,将新分量添加到图(300c),该分量包括新的传感器2节点,该传感器2节点连接到新的时间2节点以及新的均值偏移节点。这在图3C中,图(300c)由两个单独的分量组成。
在图3D中,接收到发生在时间2的第***。由于已经创建了时间2节点,因此该节点被重复使用。但是,添加了传感器4节点以及对应于检测到的趋势变化事件的新趋势变化节点。如将更详细地讨论的那样,图3D中描绘的图(300d)开始示出传感器之间的相关性。
在图3E中,在时间3接收到第五事件。如图3D所示,将新的时间3节点添加到图(300e)。此外,传感器1节点连接到新的时间3节点。但是,由于传感器1节点已经连接到峰值以及下降节点,因此该连接被重复使用。如上所述,在一些实施例中,可以添加新的重复的峰值以及下降节点并将其连接到传感器1节点。或者,在一些实施例中,传感器1节点与峰值以及下降节点之间的边的权重可以增加一。
在图3F中,在时间3接收到第六个(也是最后一个)事件。类似于第五事件,图3F中的事件表示在传感器3检测到的峰值以及下降。在这种情况下,所有节点都存在(传感器3、时间3、峰值以及下降),因此在图(300f)中没有创建新节点。但是,如上所述,事件类型节点可能会再次重复。因此,在图3F中添加传感器3节点与时间3节点之间的新边,并且重新使用传感器3节点与峰值以及下降节点之间的边(或在一些实施例中,增加权重)。
如下图所示的图将描述的那样,可以使用图3F中的图生成传感器图。
图4示出了根据本公开的一些实施例的传感器事物图。在所示实施例中,传感器图(400)是基于图3F中所示的事件图(300f)生成的。如图4所示,传感器图(400)与事件图(300f)的不同之处在于传感器图(400)的所有节点都包括传感器节点。此外,传感器节点之间的边是无向的,并且仅包括数字权重。因此,在生成传感器图(400)时,会删除有关事件类型以及时间的数据。
在一个实施例中,事件图(300f)中的每个传感器节点都包括在传感器图(400)中。此外,每个节点可以连接到具有零权重的每个其他节点。或者,传感器图(400)中的每个节点可能最初是未连接的并且仅连接到本文所述的其他节点。
在所示实施例中,对于给定的传感器,图生成器(如图1中所述)分析事件图(300f)以确定给定传感器和另一个距离为2且经过时间节点的传感器之间的路径数量。为了实现这一点,图构建器可以选择传感器节点并识别连接的时间节点。然后,图构建器可以为每个时间节点识别连接到时间节点的任何传感器节点。然后对产生的传感器节点进行计数,并将计数用作给定传感器与另一传感器之间的权重。因此,在图(300f)中,传感器1通过两个时间节点连接到传感器3(反之亦然),因此在传感器图(400)中添加传感器1与传感器3之间的边,并将权重设置为2。此外,传感器2和4通过一个时间节点(时间2)相互连接。因此,在传感器图(400)中添加传感器2与4之间的边,并将权重设置为1。如图所示,所有其他边都设置为零权重或完全省略。
图5A是根据本公开的一些实施例示出用于确定是否发生峰值或下降事件的方法的流程图。
在步骤502a中,方法(500a)接收剩余分量R(t),其包括如上文所述计算的给定时间序列的剩余部分。
在步骤504中,方法(500a)将剩余分量与峰值阈值(Thspike)和下降阈值(Thaip)比较。在一个实施例中,这些阈值包括高于以及低于中心点的静态值。例如,Thspike可以设置为正值(例如,+5),而Thdip可以设置为负值(例如,-5)。这些阈值的具体值并非旨在限制。在一个实施例中,Thspike必须大于零并且Thdip必须小于零。
在步骤506a中,方法(500a)确定R(t)的值超过预配置的峰值阈值Thspike并将时间(t)标记为峰值。在一个实施例中,将时间标记为峰值包括将事件输出(例如,e1)值设置为一(1)。然后将该值传递给并与在图5B至5D中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤510a中,方法(500a)确定R(t)的值低于预配置的下降阈值Thdip,并将时间(t)标记为下降。在一个实施例中,将时间标记为下降包括将事件输出(例如,e1)值设置为负一(-1)。然后将该值传递给并与在图5B至5D中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤508a中,如果R(t)的值不大于Thspike并且不小于Thdip,则方法(500a)绕过峰值/下降事件检测并将事件输出(例如,e1)值设置为零(0)。因此,在所示实施例中,方法(500a)利用以下规则为表示为e1的事件生成输出值:
在一些实施例中,方法(500a)可以使用-1、0以及1以外的输出值。例如,方法(500a)可以将输出值设置为表示R(t)的值与相应阈值的距离。
在一个实施例中,使用(t)的经验公式确定两个阈值(Thspike以及Thdip),使得事件仅以小的概率(可以调整并且可以设置为1%)发生。这相当于尊重先验知识,即有趣的事件是罕见的。在大多数情况下,时间序列是“正常的”并且不包含太多信息。在一些实施例中,两个阈值(Thspike以及Thdip)具有大于(>)0的阈值(THabs)的最小绝对值,这可以代表人类专家的先验知识。在本实施例中,THspike设置如下:
THspike=max(THspike,THabs),THdip=(THdip,-THabs)
图5B是根据本公开的一些实施例示出用于确定是否发生均值偏移事件的方法的流程图。
在步骤502b中,方法(500b)为时间序列数据集定义滑动窗口。在一些实施例中,滑动窗口包括固定持续时间,在该持续时间中,剩余步骤分析时间序列数据。此窗口的具体持续时间不受限制,并且可以根据***的基础数据或需要进行设置。
在一个实施例中,方法(500b)从两个滑动窗口计算趋势分量T(t)的均值,并获取它们之间的差。在本实施例中,左侧窗口由较不近期的数据组成:
[T(t-L-R+1),T(t-L-R+2),…,T(t-R)],
并且右侧窗口包含最新数据:
[T(t-R+1),T(t-R+2),…,T(t)],
其中L和R分别是左以及右时间窗口的大小。
在该实施例中,μL(t)、μR(t)的值是分别通过计算左以及右时间窗口中T(t)的均值,并且差值Δμ(t)=μK(t)-μL(t)用作窗口(表示为a(t))上的平均传感器时间序列。
在步骤504b中,方法(500b)对出现在窗口内的时间序列数据点的值(即Y(t)的值)进行平均。在一些实施例中,该平均包括在上述窗口期间Y(t)的平均值。
在步骤506b中,方法(500b)将给定窗口(a(t))的计算平均值与均值增加阈值(Thincrease)以及均值减少阈值(Thdecrease)比较。在一个实施例中,这些阈值包括高于以及低于中心点的静态值。例如,Thincrease可以设置为正值(例如,+5),而Thdecrease可以设置为负值(例如,-5)。这些阈值的具体值并非旨在限制。但是,Thincrease的值应高于Thdecrease的值,以避免Thdecrease>a(t)>Thincrease的情况。
在步骤508b中,方法(500b)确定a(t)的值超过预配置的均值增加阈值Thincrease并将时间(t)标记为均值增加。在一个实施例中,将时间标记为均值增加包括将事件输出(例如,e2)值设置为一(1)。然后将该值传递给并与在图5A、5C以及5D中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤512b中,方法(500b)确定a(t)的值低于预先配置的均值减少阈值Thdecrease,并将时间(t)标记为滑动窗口的均值减少。在一个实施例中,将时间标记为均值减少包括将事件输出(例如,e2)值设置为负一(-1)。然后将该值传递给并与在图5A、5C以及5D中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤510b中,如果a(t)的值不大于Thincrease并且不小于Thdecrease,则方法(500b)绕过平均增加/减少事件检测并将事件输出(例如,e2)值设置为零(0)。因此,在所示实施例中,方法(500b)利用以下规则生成事件的输出值,如e2所示:
在一些实施例中,方法(500b)可以使用-1、0以及1以外的输出值。例如,方法(500b)可以将输出值设置为表示a(t)的值与相应阈值的距离。
图5C是根据本公开的一些实施例示出用于确定是否发生正或负趋势变化事件的方法的流程图。
在步骤502c中,方法(500c)接收趋势分量T(t),其包括如上文所述计算的给定时间序列的趋势部分。
在步骤504c中,方法(500c)计算当前趋势值(T(t))与先前趋势值(T(t-1))之间的时间差,然后计算ΔT(t)=T(t)-T(t-1)的指数移动平均,其表示为D(t)。
在步骤506c中,方法(500c)将趋势分量与正趋势阈值(Thpositive)以及负趋势阈值(Thnegative)比较。在一个实施例中,这些阈值包括高于以及低于中心点的静态值。例如,Thpositive可以设置为正值(例如,+5),而Thnegative可以设置为负值(例如,-5)。这些阈值的具体值并非旨在限制。但是,Thpositive的值应高于Thnegative的值,以避免出现Thnegative>D(t)>Thpositive的情况。
在步骤508c中,方法(500c)确定D(t)的值超过预配置的正趋势阈值Thpositive并将时间(t)标记为正值。在一个实施例中,将时间标记为正包括将事件输出(例如,e3)值设置为一(1)。然后将该值传递给并与在图5A、5B以及5D中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤512c中,方法(500c)确定D(t)的值低于预先配置的负趋势阈值Thnegative,并将时间(t)标记为负值。在一个实施例中,将时间标记为负趋势事件包括将事件输出(例如,e3)值设置为负一(-1)。然后将该值传递给并与在图5A、5B以及5D中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤510c中,如果D(t)的值不大于Thpositive并且不小于Thnegative,则方法(500c)绕过正/负趋势事件检测并将事件输出(例如,e3)值设置为零(0)。因此,在所示实施例中,方法(500c)利用以下规则生成事件的输出值,如e3所示:
在一些实施例中,方法(500c)可以使用-1、0以及1以外的输出值。例如,方法(500c)可以将输出值设置为表示D(t)的值与相应阈值的距离。
图5D是根据本公开的一些实施例示出用于确定是否发生了方差变化事件的方法的流程图。
在步骤502d中,方法(500d)分别接收时间序列数据的左以及右滑动窗口剩余分量R(t)的计算标准偏差σL(t)以及σR(t)。左以及右滑动窗口可以如前所述计算,在此不再赘述。
在步骤504d中,方法(500c)计算右以及左标准差之间随时间的标准差差,表示为Δσ(t)。
在步骤506d中,方法(500d)将标准偏差差与正方差阈值(Thpositive)以及负方差阈值(Thnegative)比较。在一个实施例中,这些阈值包括高于和低于中心点的静态值。例如,Thpositive可以设置为正值(例如,+5),而Thnegative可以设置为负值(例如,-5)。这些阈值的具体值并非旨在限制。但是,Thpositive的值应高于Thnegative的值,以避免出现出现Thnegative>Δσ(t)>Thpositive的情况。
在步骤508d中,方法(500d)确定Δσ(t)的值超过预配置的正方差阈值Thpositive,并将时间(t)标记为正。在一个实施例中,将时间标记为正包括将事件输出(例如,e4)值设置为一(1)。然后将该值传递给并与在图5A至5C中生成的其他输出相结合,如在图2的步骤208的描述中更全面地描述。
在步骤512d中,方法(500d)确定Δσ(t)的值低于预先配置的负方差阈值Thnegative,并将时间(t)标记为负数。在一个实施例中,将时间标记为负方差事件包括将事件输出(例如,e4)值设置为负一(一1)。然后将该值传递给并与在图5A至5C中生成的其他输出相结合,如图5A至5C所示,如在图2的步骤208的描述中更全面地描述。
在步骤510d中,如果Δσ(t)的值不大于Thpositive并且不小于Thnegative,则方法(500d)绕过正/负方差事件检测并将事件输出(例如,e4)值设置为零(0)。因此,在所示实施例中,方法(500d)利用以下规则生成事件的输出值,如e4所示:
在一些实施例中,方法(500d)可以使用-1、0以及1以外的输出值。例如,方法(500d)可以将输出值设置为表示Δσ(t)的值与相应阈值的距离。
图6是根据本公开的一些实施例示出用于分析GoT的方法的流程图。
在步骤602中,方法(600)监控传感器数据。在一些实施例中,方法(600)监控通过通信总线访问的原始传感器数据输出,如图1的描述中所述。
在步骤604中,方法(600)确定是否发生事件。
在一个实施例中,方法(600)通过利用图2、5A、5B以及5C中描述的过程来确定事件是否发生。在一些实施例中,这些事件可以同时添加到事件存储(如图2中所述)并由方法(600)处理。在所示实施例中,在步骤604中检测的事件包括传感器标识符(i),其表示与事件关联的传感器。在一些实施例中,步骤602以及604可以是可选的。在该实施例中,方法(600)直接从图1中描绘的事件提取阶段接收预处理的事件。
如果方法(600)未检测到事件(例如,未检测到峰值/下降、均值偏移、趋势变化或方差偏移),则方法(600)继续监控***的事件。或者,如果方法(600)检测到事件,则方法(600)进行到步骤608。
在步骤606中,方法(600)从步骤606中检测到的事件中检索传感器标识符(i)。在一些实施例中,传感器标识符可以包括全球唯一标识符、互联网协议(Internet Protocol,IP)地址或其他唯一标识信息。
在所示实施例中,方法(600)使用传感器标识符来查询存储传感器图的图存储。即,方法(600)使用传感器标识符作为查询键以从图存储器中检索关于已识别传感器的数据。在一个实施例中,方法(600)从传感器图中请求与传感器标识符关联的节点的第一级连接列表。
在步骤608中,方法(600)确定上述查询是否返回空集;也就是说,如果与传感器标识符关联的节点没有任何第一级连接。如图4所示,第一级连接是指图中另一连接到与传感器标识符关联的节点的节点具有距离为1。
在步骤610中,如果传感器不具有任何第一级连接,则方法(600)标记事件以进一步分析。在此场景中,方法(600)无法识别与在步骤606中提取的传感器标识符相关的任何传感器。因此,当事件发生时(如在步骤604中识别的),它不能使用传感器图关联并且需要例如监控***的操作员的进一步干预。
在步骤612中,如果方法(600)确定存在一个或多个第一级连接,则方法(600)从传感器图中检索第一级连接。在一些实施例中,可以组合步骤610以及612。在所示实施例中,第一级连接包括一组与其他传感器关联的节点。这些节点中的每一个可能包括先前为相应传感器记录的一个或多个事件(以及这些事件的时间)。在一些实施例中,可以为每个事件包括进一步的分析或细节。
在步骤614中,方法(600)分析识别的传感器节点以确定是否为第一级连接列表中的任何传感器记录了相同类型的事件。在一些实施例中,方法(600)将步骤614中的分析限制为并发事件。在其他实施例中,方法(600)可以将分析限制在从步骤604中检测到的当前事件的预定义时间内发生的事件。或者,与前述相结合,方法(600)可以分析每个传感器的时间序列数据的趋势的形状,以确定该趋势是否与传感器标识符所识别的传感器的趋势相似。
在步骤616中,方法(600)将一组相关传感器设置为等于在步骤614中识别的具有相同或相似事件或趋势的那些传感器。在所示实施例中,方法(600)存储与相关传感器关联的标识符,然后标记相关传感器以进一步分析(之前结合步骤610进行了描述)。
在步骤618、620以及622中,方法(600)继续分析在步骤606中识别的传感器的第二级连接。如本文所用,第二级连接是指传感器图中与步骤606中识别的传感器的距离为2的节点。步骤618、620以及622与步骤608、612以及614类似,这些步骤的细节在此不再赘述。
通常,步骤608、612以及614(以及618、620以及622)可以针对在步骤606中识别的传感器的任何级别连接执行。也就是说,除了分析第一和第二级连接(如图所示)之外,方法(600)还可以分析距离为三个或更多的节点。在一些实施例中,可以通过方法(600)预先配置要分析的级别数。在其他实施例中,方法(600)可以继续搜索每个级别,直到找到至少一个相关的传感器节点。
在所示实施例中,方法(600)在识别给定级别中的至少一个相关传感器后停止。在其他实施例中,即使在给定级别找到相关传感器时,方法(600)也可以继续分析其他级别。在本实施例和其他实施例中,方法(600)可以基于相关传感器与在步骤606中识别的传感器的距离对相关传感器进行排名。例如,相关的第一级传感器(步骤614)的排名可能高于相关的第二级传感器(步骤622)。
图7是根据本公开的一些实施例示出用于生成或分析GoT的设备硬件图。
设备(700)可以包括比图1中所示的组件更多或更少的组件。然而,所示组件足以公开用于实施本公开的示例性实施例。设备(700)可以表示,例如,上面讨论的与图1相关的设备。
如图7所示,设备(700)包括通过总线(724)与大容量存储器(730)通信的处理单元(CPU)(702)。设备(700)还包括一个或多个网络接口(750)、音频接口(752)、显示器(754)、键盘(756)、照明器(758)、输入/输出接口(760),以及相机或其他光学、热或电磁传感器(762)。如本领域技术人员所理解的,设备(700)可以包括一个照相机/传感器(762)或多个照相机/传感器(762)。
设备(700)可以可选地与基站(未显示)通信,或直接与另一个计算设备通信。网络接口(750)包括用于将设备(700)耦合到一个或多个网络的电路,并且构造用于与一个或多个通信协议和技术一起使用。网络接口(750)有时称为收发器、收发设备或网络接口卡(network interface card,NIC)。
音频接口(752)被布置成产生并且接收音频信号,诸如人声的声音。例如,音频接口(752)可以耦合到扬声器以及麦克风(未显示)以实现与其他人的远程通信并为某些操作生成音频确认。显示器(754)可以是液晶显示器(liquid crystal display,LCD)、气体等离子体、发光二极管(light emitting diode,LED)或与计算设备一起使用的任何其他类型的显示器。显示器(754)还可以包括布置成接收来自对象的输入的触敏屏幕,诸如来自人手的触笔或手指。
键盘(756)可以包括布置成接收来自用户的输入的任何输入设备。例如,键盘(756)可以包括按钮数字盘或键盘。键盘(756)还可以包括与选择和发送图像相关的命令按钮。照明器(758)可以提供状态指示并提供光。照明器(758)可以在特定时间段内或响应事件保持激活状态。例如,当照明器(758)处于活动状态时,它可以使键盘(756)上的按钮背光并在设备通电时保持点亮。此外,当执行特定动作(例如拨打另一个设备)时,照明器(758)可以以各种模式对这些按钮进行背光照明。照明器(758)还可以使位于设备的透明或半透明外壳内的光源响应动作而发光。
设备(700)还包括用于与外部设备通信的输入/输出接口(760)。输入/输出接口(760)可以使用一种或多种通信技术,例如USB、红外、蓝牙TM等。
大容量存储器(730)包括RAM(732)、ROM(724)以及其他存储装置。大容量存储器(730)示出了计算机存储介质的另一个示例,用于存储信息,诸如计算机可读指令、数据结构、程序模块或其他数据。大容量存储器(730)存储用于控制设备(700)的低级操作的基本输入/输出***(basic input/output system“BIOS”)(740)。大容量存储器还可以存储用于控制设备(700)操作的操作***。值得赞赏的是,此组件可能包括通用操作***,诸如UNIX或LINUXTM版本,或专用客户端通信操作***,诸如Windows ClientTM,或塞班操作***。操作***可以包括,Java虚拟机模块或与其接口,该模块能够通过Java应用程序控制硬件组件以及操作***操作。
RAM(732)存储并执行一个或多个应用程序(734)。在一些实施例中,这些应用程序包括配置为执行与前述图相关的一个或多个操作的软件。在一些实施例中,设备(700)进一步包括用于在RAM(732)中执行之前存储应用程序(34)的持久性存储(例如,硬盘、固态驱动器等)存储。
就本公开的而言,模块是软件、硬件或固件(或它们的组合)***、过程或功能或其组件,其执行或促进本文描述的过程、特征以及功能(有或没有人机交互或增强)。模块可以包括子模块。模块的软件组件可以存储在计算机可读介质上以供处理器执行。模块可以集成到一个或多个服务器,或者由一个或多个服务器加载并执行。一个或多个模块可以组合成引擎或应用程序。
本领域技术人员将认识到本公开的方法以及***可以以多种方式实施,因此不受前述示例性实施例和示例的限制。换句话说,由单个或多个组件、硬件以及软件或固件的各种组合以及单独的功能执行的功能元素可以分布在客户端级别或服务器级别或两者的软件应用程序之间。在这方面,本文描述的不同实施例的任何数量的特征可以组合成单个或多个实施例,并且具有少于或多于本文描述的所有特征的替代实施例是可能的。
功能也可以全部或部分分布在多个组件中,以现在已知或将要已知的方式。因此,无数的软件/硬件/固件组合在实现这里描述的功能、特征、接口以及偏好方面是可能的。此外,本公开的范围涵盖执行所描述的特征和功能和接口的常规已知方式,以及可能对本文描述的硬件或软件或固件组件进行的那些变化和修改,这些变化和修改可以被本领域技术人员理解。
此外,本公开中作为流程图呈现并描述的方法的实施例以示例的方式提供,以提供对技术的更完整的理解。所公开的方法不限于此处呈现的操作以及逻辑流程。考虑到替代实施例,其中各种操作的顺序被改变,并且被描述为更大操作的一部分的子操作被独立地执行。
尽管出于本公开的目的描述了各实施例,但不应认为此类实施例将本公开的教导限制在这些实施例中。可以对上述元素和操作进行各种更改和修改,以获得在本公开中描述的***和过程范围内的结果。
Claims (23)
1.一种方法,其特征在于,包括:
检索由多个传感器收集的原始传感器数据;
基于所述原始传感器数据识别多个事件;以及
基于所述多个事件构建传感器图,所述传感器图具有表示所述多个传感器的节点以及连接所述节点的一组边,所述一组边中的每条边与基于在所述多个事件中检测到的相关事件数计算的权重相关联。
2.权利要求1的方法,其特征在于,进一步包括:
响应于与所述多个传感器中的传感器相关联的新事件查询所述传感器图,所述查询包括识别连接到所述传感器图中的所述传感器的至少一个相关传感器。
3.权利要求1的方法,其特征在于,所述识别多个事件,包括:
将所述原始传感器数据分解为趋势、季节性以及剩余分量;以及
基于趋势、季节性以及剩余分量中的一个或多个来识别所述多个事件。
4.权利要求3的方法,其特征在于,所述多个事件中的每个事件包括从由峰值或下降事件、均值偏移事件、方差偏移或趋势变化事件组成的组中选择的事件。
5.权利要求4的方法,其特征在于,所述识别多个事件包括通过将所述剩余分量与峰值阈值以及下降阈值比较来识别峰值或下降事件。
6.权利要求4的方法,其特征在于,所述识别多个事件包括通过以下方式识别均值偏移事件:
在滑动时间窗口内平均所述原始传感器数据;以及
将所述平均与均值增加以及均值减少阈值比较。
7.权利要求4的方法,其特征在于,所述识别多个事件包括通过将所述趋势分量与正趋势或负趋势阈值比较来识别趋势变化事件。
8.权利要求1的方法,其特征在于,所述构建传感器图包括:
基于所述多个事件构建事件图,所述事件图将事件类型、时间以及传感器标识符存储为节点;以及
基于所述事件图构建所述传感器图。
9.权利要求1的方法,其特征在于,所述查询所述传感器图包括:
为第二传感器检测第二事件;
为所述第二传感器在所述传感器图中识别第一级连接传感器;以及
使用所述第一级连接传感器作为所述相关传感器。
10.一种用于有形地存储能够由计算机处理器执行的计算机程序指令的非易失性计算机可读存储介质,其特征在于,所述计算机程序指令定义以下步骤:
检索由多个传感器收集的原始传感器数据;
基于所述原始传感器数据识别多个事件;以及
基于所述多个事件构建传感器图,所述传感器图具有表示所述多个传感器的节点以及连接节点的一组边,所述一组边中的每条边与基于在所述多个事件中检测到的相关事件数计算的权重相关联。
11.权利要求10的非易失性计算机可读存储介质,其特征在于,所述指令进一步定义响应于与所述多个传感器中的传感器相关联的新事件查询所述传感器图的所述步骤,所述查询包括识别连接到所述传感器图中的所述传感器的至少一个相关传感器。
12.权利要求10的非易失性计算机可读存储介质,其特征在于,所述识别多个事件,包括:
将所述原始传感器数据分解为趋势、季节性以及剩余分量;以及
基于趋势、季节性以及剩余分量中的一个或多个来识别所述多个事件。
13.权利要求11的非易失性计算机可读存储介质,其特征在于,所述多个事件中的每个事件包括从由峰值或下降事件、均值偏移事件、方差偏移或趋势变化事件组成的组中选择的事件。
14.权利要求12的非易失性计算机可读存储介质,其特征在于,所述识别多个事件包括通过将所述剩余分量与峰值阈值以及下降阈值比较来识别峰值或下降事件。
15.权利要求12的非易失性计算机可读存储介质,其特征在于,所述识别多个事件包括通过以下方式识别均值偏移事件:
在滑动时间窗口内平均所述原始传感器数据;以及
将所述平均与均值增加以及均值减少阈值比较。
16.权利要求12的非易失性计算机可读存储介质,其特征在于,所述识别多个事件包括通过将所述趋势分量与正趋势或负趋势阈值比较来识别趋势变化事件。
17.权利要求10的非易失性计算机可读存储介质,其特征在于,所述构建传感器图包括:
基于所述多个事件构建事件图,所述事件图将事件类型、时间以及传感器标识符存储为节点;以及
基于所述事件图构建所述传感器图。
18.权利要求10的非易失性计算机可读存储介质,其特征在于,所述查询传感器图包括:
为第二传感器检测第二事件;
为第二传感器在所述传感器图中识别第一级连接传感器;以及
使用所述第一级连接传感器作为所述相关传感器。
19.一种装置,其特征在于,包括:
处理器;以及
存储介质,用于在其上有形地存储程序逻辑以供处理器执行,存储的程序逻辑致使所述处理器执行以下操作:
检索由多个传感器收集的原始传感器数据,
基于所述原始传感器数据识别多个事件,以及
基于所述多个事件构建传感器图,所述传感器图具有表示所述多个传感器的节点以及连接所述节点的一组边,所述一组边中的每条边与基于在多个事件中检测到的相关事件数计算的权重相关联。
20.权利要求19的装置,其特征在于,所述操作进一步包括响应于与所述多个传感器中的传感器相关联的新事件查询所述传感器图,所述查询包括识别连接到所述传感器图中的所述传感器的至少一个相关传感器。
21.权利要求19的装置,其特征在于,所述识别多个事件,包括:
将所述原始传感器数据分解为趋势、季节性以及剩余分量;以及
基于趋势、季节性以及剩余分量中的一个或多个来识别多个事件。
22.权利要求19的装置,其特征在于,所述构建传感器图包括:
基于所述多个事件构建事件图,所述事件图将事件类型、时间以及传感器标识符存储为节点;以及
基于所述事件图构建所述传感器图。
23.权利要求19的装置,其特征在于,查询传感器图包括:
为第二传感器检测第二事件;
为第二传感器在所述传感器图中识别第一级连接传感器;以及
使用所述第一级连接传感器作为相关传感器。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/116370 WO2021087896A1 (en) | 2019-11-07 | 2019-11-07 | Data-driven graph of things for data center monitoring copyright notice |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114365505A true CN114365505A (zh) | 2022-04-15 |
Family
ID=75848677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980099754.8A Pending CN114365505A (zh) | 2019-11-07 | 2019-11-07 | 用于数据中心监控的数据驱动事物图 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114365505A (zh) |
WO (1) | WO2021087896A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350508A (zh) * | 2023-10-31 | 2024-01-05 | 深圳市黑云精密工业有限公司 | 基于生产产线采集器实时采集数据的生产工单分配*** |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101808289A (zh) * | 2010-04-07 | 2010-08-18 | 上海交通大学 | 基于移动汇聚节点的无线传感器网络的数据收集方法 |
CN103561420A (zh) * | 2013-11-07 | 2014-02-05 | 东南大学 | 基于数据快照图的异常检测方法 |
EP2725552A1 (en) * | 2012-10-29 | 2014-04-30 | ATS Group (IP Holdings) Limited | System and method for selecting sensors in surveillance applications |
WO2014145092A2 (en) * | 2013-03-15 | 2014-09-18 | Akuda Labs Llc | Hierarchical, parallel models for extracting in real time high-value information from data streams and system and method for creation of same |
EP2919124A1 (en) * | 2014-03-12 | 2015-09-16 | Haltian Oy | Relevance determination of sensor event |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN106254130A (zh) * | 2016-08-25 | 2016-12-21 | 华青融天(北京)技术股份有限公司 | 一种数据处理方法及装置 |
CN106560824A (zh) * | 2015-09-30 | 2017-04-12 | 中兴通讯股份有限公司 | 事件检测方法、装置和*** |
US20170178011A1 (en) * | 2015-12-21 | 2017-06-22 | Intel Corporation | User pattern recognition and prediction system for wearables |
CN107438836A (zh) * | 2015-04-02 | 2017-12-05 | 微软技术许可有限责任公司 | 用于历史/实时/重播的数据的复杂事件处理器 |
CN107544450A (zh) * | 2017-10-11 | 2018-01-05 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及*** |
US20180123864A1 (en) * | 2016-11-02 | 2018-05-03 | Servicenow, Inc. | Network Event Grouping |
CN108173670A (zh) * | 2016-12-07 | 2018-06-15 | 华为技术有限公司 | 检测网络的方法和装置 |
CN108829794A (zh) * | 2018-06-04 | 2018-11-16 | 北京交通大学 | 基于区间图的告警分析方法 |
CN109361728A (zh) * | 2018-08-30 | 2019-02-19 | 中国科学院上海微***与信息技术研究所 | 一种基于多源传感数据关联度的分级事件报告***及方法 |
US20190098032A1 (en) * | 2017-09-25 | 2019-03-28 | Splunk Inc. | Systems and methods for detecting network security threat event patterns |
CN109600378A (zh) * | 2018-12-14 | 2019-04-09 | 中国人民解放军战略支援部队信息工程大学 | 无中心节点的异构传感器网络异常事件检测方法 |
CN109791585A (zh) * | 2016-09-19 | 2019-05-21 | 西门子股份公司 | 关键基础设施取证 |
CN110059238A (zh) * | 2019-04-19 | 2019-07-26 | 上海应用技术大学 | 突发事件传感器网络构建方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100974888B1 (ko) * | 2007-11-26 | 2010-08-11 | 한국전자통신연구원 | 비정상 트래픽 탐지 장치 및 방법 |
WO2019160433A1 (en) * | 2018-02-15 | 2019-08-22 | Siemens Aktiengesellschaft | Method and device for processing transient events in a distribution network |
-
2019
- 2019-11-07 CN CN201980099754.8A patent/CN114365505A/zh active Pending
- 2019-11-07 WO PCT/CN2019/116370 patent/WO2021087896A1/en active Application Filing
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101808289A (zh) * | 2010-04-07 | 2010-08-18 | 上海交通大学 | 基于移动汇聚节点的无线传感器网络的数据收集方法 |
EP2725552A1 (en) * | 2012-10-29 | 2014-04-30 | ATS Group (IP Holdings) Limited | System and method for selecting sensors in surveillance applications |
WO2014145092A2 (en) * | 2013-03-15 | 2014-09-18 | Akuda Labs Llc | Hierarchical, parallel models for extracting in real time high-value information from data streams and system and method for creation of same |
CN103561420A (zh) * | 2013-11-07 | 2014-02-05 | 东南大学 | 基于数据快照图的异常检测方法 |
EP2919124A1 (en) * | 2014-03-12 | 2015-09-16 | Haltian Oy | Relevance determination of sensor event |
CN107438836A (zh) * | 2015-04-02 | 2017-12-05 | 微软技术许可有限责任公司 | 用于历史/实时/重播的数据的复杂事件处理器 |
CN106560824A (zh) * | 2015-09-30 | 2017-04-12 | 中兴通讯股份有限公司 | 事件检测方法、装置和*** |
US20170178011A1 (en) * | 2015-12-21 | 2017-06-22 | Intel Corporation | User pattern recognition and prediction system for wearables |
CN105764162A (zh) * | 2016-05-10 | 2016-07-13 | 江苏大学 | 一种基于多属性关联的无线传感器网络异常事件检测方法 |
CN106254130A (zh) * | 2016-08-25 | 2016-12-21 | 华青融天(北京)技术股份有限公司 | 一种数据处理方法及装置 |
CN109791585A (zh) * | 2016-09-19 | 2019-05-21 | 西门子股份公司 | 关键基础设施取证 |
US20180123864A1 (en) * | 2016-11-02 | 2018-05-03 | Servicenow, Inc. | Network Event Grouping |
CN108173670A (zh) * | 2016-12-07 | 2018-06-15 | 华为技术有限公司 | 检测网络的方法和装置 |
US20190098032A1 (en) * | 2017-09-25 | 2019-03-28 | Splunk Inc. | Systems and methods for detecting network security threat event patterns |
CN107544450A (zh) * | 2017-10-11 | 2018-01-05 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及*** |
CN108829794A (zh) * | 2018-06-04 | 2018-11-16 | 北京交通大学 | 基于区间图的告警分析方法 |
CN109361728A (zh) * | 2018-08-30 | 2019-02-19 | 中国科学院上海微***与信息技术研究所 | 一种基于多源传感数据关联度的分级事件报告***及方法 |
CN109600378A (zh) * | 2018-12-14 | 2019-04-09 | 中国人民解放军战略支援部队信息工程大学 | 无中心节点的异构传感器网络异常事件检测方法 |
CN110059238A (zh) * | 2019-04-19 | 2019-07-26 | 上海应用技术大学 | 突发事件传感器网络构建方法 |
Non-Patent Citations (2)
Title |
---|
张婷婷;周鸣争;许金生;朱程;: "无线传感器网络中基于语义路由的事件查询算法", 仪器仪表学报, no. 06, 15 June 2008 (2008-06-15) * |
张浩: "无线传感器网络数据融合算法综述", 软件, 15 December 2017 (2017-12-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350508A (zh) * | 2023-10-31 | 2024-01-05 | 深圳市黑云精密工业有限公司 | 基于生产产线采集器实时采集数据的生产工单分配*** |
Also Published As
Publication number | Publication date |
---|---|
WO2021087896A1 (en) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11991194B2 (en) | Cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion | |
CN110851338B (zh) | 异常检测方法、电子设备及存储介质 | |
US10476749B2 (en) | Graph-based fusing of heterogeneous alerts | |
CN108173670B (zh) | 检测网络的方法和装置 | |
US20220027556A1 (en) | Mapper component for a neuro-linguistic behavior recognition system | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
US20150269050A1 (en) | Unsupervised anomaly detection for arbitrary time series | |
CN107943677B (zh) | 应用性能监控方法、装置、可读存储介质及电子设备 | |
US20200193092A1 (en) | Perceptual associative memory for a neuro-linguistic behavior recognition system | |
JP6689995B2 (ja) | コンピュータシステムの監視装置および方法 | |
CN111310139B (zh) | 行为数据识别方法、装置及存储介质 | |
US20240070388A1 (en) | Lexical analyzer for a neuro-linguistic behavior recognition system | |
JP5933463B2 (ja) | ログ生起異常検知装置及び方法 | |
CN111338913B (zh) | 分析设备相关数据以生成和/或抑制设备相关警报 | |
EP3430767A1 (en) | Method and device for real-time network event processing | |
US12013880B2 (en) | Dynamic resolution estimation for a detector | |
JP5862403B2 (ja) | 障害重要度処理サーバ装置、ネットワーク管理システム、障害重要度推定方法およびプログラム | |
CN114610561A (zh) | ***监测方法、装置、电子设备及计算机可读存储介质 | |
CN114365505A (zh) | 用于数据中心监控的数据驱动事物图 | |
KR20190078685A (ko) | 점진적 군집화를 이용한 센서 데이터의 이상 패턴 감지 방법 | |
JPWO2017037801A1 (ja) | 監視システムおよび監視方法 | |
CN114553682A (zh) | 实时告警方法、***、计算机设备及存储介质 | |
CN116662127A (zh) | 一种设备告警信息分类并预警的方法、***、设备和介质 | |
JP7339321B2 (ja) | 機械学習モデル更新方法、コンピュータプログラムおよび管理装置 | |
WO2020261621A1 (ja) | 監視システム、監視方法及びプログラム |
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 |