CN116149885B - 一种泛it服务风险预测方法及*** - Google Patents

一种泛it服务风险预测方法及*** Download PDF

Info

Publication number
CN116149885B
CN116149885B CN202310424113.3A CN202310424113A CN116149885B CN 116149885 B CN116149885 B CN 116149885B CN 202310424113 A CN202310424113 A CN 202310424113A CN 116149885 B CN116149885 B CN 116149885B
Authority
CN
China
Prior art keywords
service
ubiquitin
risk
data
flood
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
CN202310424113.3A
Other languages
English (en)
Other versions
CN116149885A (zh
Inventor
曹宏屹
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.)
Beijing Shenzhou Bangbang Technical Service Co ltd
Original Assignee
Beijing Shenzhou Bangbang Technical Service 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 Beijing Shenzhou Bangbang Technical Service Co ltd filed Critical Beijing Shenzhou Bangbang Technical Service Co ltd
Priority to CN202310424113.3A priority Critical patent/CN116149885B/zh
Publication of CN116149885A publication Critical patent/CN116149885A/zh
Application granted granted Critical
Publication of CN116149885B publication Critical patent/CN116149885B/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
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及泛IT服务与知识图谱交叉技术领域，尤其涉及一种泛IT服务风险预测方法及***。其中，本发明提供了一种泛IT服务风险预测方法，包括如下步骤：收集泛IT服务数据，并利用所述泛IT服务数据构建泛IT服务知识图谱；通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息；利用泛IT服务数据关联信息，构建泛IT服务风险预测模型；根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险。本发明所提供的泛IT服务风险预测方法可以帮助企业和服务提供商提高IT服务质量和稳定性，减少潜在的风险和损失，进而提高企业或服务提供商的竞争力和盈利能力。

Description

一种泛IT服务风险预测方法及***
技术领域
本发明涉及泛IT服务与知识图谱交叉技术领域，尤其涉及一种泛IT服务风险预测方法及***。
背景技术
当今社会，IT服务已经成为了各行各业的重要组成部分，IT服务的稳定性和可靠性直接影响着企业的运行效率和业务发展。然而，由于IT服务的复杂性和不确定性，IT服务提供商在服务过程中面临着各种各样的风险，例如硬件设备故障、网络安全问题、人为疏忽等等。这些风险往往会导致服务中断、数据丢失、业务受阻等问题，进而对企业的正常运转和发展产生严重影响。目前，企业在管理泛IT服务风险时，往往面临以下问题：数据源复杂、数据关联困难、预测模型建立困难、时效性低。因此，为了提高企业的IT服务质量和稳定性，预测泛IT服务的风险就显得尤为重要。
随着技术的不断发展，知识图谱技术作为一种全新的知识表示和计算方法，受到了越来越广泛的关注。知识图谱技术基于语义网络理论，利用大量的结构化和半结构化数据构建知识图谱，并利用图数据库进行存储和查询。知识图谱能够实现跨领域、跨数据源的知识管理和分析，可以帮助用户深入挖掘数据背后的知识和关联性，从而帮助企业和政府等领域解决各种问题。当前，亟需一种将知识图谱技术应用到泛IT服务风险预测中的泛IT服务风险预测方法，以实现IT服务中各种风险的识别和管理，进而提高IT服务的质量和效率，减少潜在的风险和损失。
发明内容
针对现有技术的不足，第一方面，本发明提供了一种泛IT服务风险预测方法，旨在将知识图谱技术应用到泛IT服务风险预测中的泛IT服务风险预测方法，以实现IT服务中各种风险的识别和管理，进而提高IT服务的质量和效率，减少潜在的风险和损失。所述泛IT服务风险预测方法，包括如下步骤：收集泛IT服务数据，并利用所述泛IT服务数据构建泛IT服务知识图谱；通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息；利用泛IT服务数据关联信息，构建泛IT服务风险预测模型；根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险。本发明所提供的泛IT服务风险预测方法，通过知识图谱技术建立泛IT服务知识图谱以获得泛IT服务数据关联信息，更加全面地理解和分析泛IT服务中的各种关联数据，识别潜在的风险因素；同时通过泛IT服务风险预测模型的构建和运用，更加精准地预测IT服务中可能出现的各种风险，及时采取预防和措施，避免服务中断和损失发生。本发明所提供的泛IT服务风险预测方法可以帮助企业和服务提供商提高IT服务质量和稳定性，减少潜在的风险和损失，进而提高企业或服务提供商的竞争力和盈利能力。
可选地，所述泛IT服务风险预测方法，还包括如下步骤：制定泛IT服务风险管理策略；利用所述泛IT服务风险管理策略，应对所述泛IT服务风险预测模型预测出的泛IT服务风险。
可选地，所述利用所述泛IT服务数据构建泛IT服务知识图谱，包括如下步骤：预处理所述泛IT服务数据；对预处理后的泛IT服务数据进行实体识别和抽取；利用识实体识别和抽取结果，构建泛IT服务知识图谱；优化所述泛IT服务知识图谱。
可选地，所述的通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息，包括如下步骤：确定待分析的泛IT服务数据类型；通过所述泛IT服务知识图谱，获得所述泛IT服务数据类型对应的实体和关系；利用所述实体和关系，获得所述泛IT服务数据类型的泛IT服务数据关联信息。
可选地，所述的利用泛IT服务数据关联信息，构建泛IT服务风险预测模型，包括如下步骤：确定泛IT服务风险类型； 结合泛IT服务风险类型对应的泛IT服务数据关联信息，搭建泛IT服务风险预测模型。
进一步可选地，所述泛IT服务风险预测模型，包括如下公式：
Figure SMS_1
，
其中，
Figure SMS_5
表示待输入的泛IT服务数据类型的数据值，/>
Figure SMS_8
表示泛IT服务数据类型的数据值/>
Figure SMS_11
对应的泛IT服务风险类型的预测值，/>
Figure SMS_3
,/>
Figure SMS_7
表示泛IT服务数据类型的历史数据序列，/>
Figure SMS_10
表示第/>
Figure SMS_13
个泛IT服务数据类型的历史数据，/>
Figure SMS_2
，
Figure SMS_6
表示历史数据序列中的数据数量，/>
Figure SMS_9
表示历史数据序列的变化参数，/>
Figure SMS_12
表示待输入的泛IT服务数据类型的数据值与历史数据序列中第/>
Figure SMS_4
个数据值中间的时差。
可选地，所述根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险，包括如下步骤：收集当前待分析的泛IT服务数据类型的状态信息；将所述状态信息进行格式转化；将格式转化后的状态信息输入所述泛IT服务风险预测模型，获得待分析的泛IT服务数据类型的风险预测结果。
可选地，所述的制定泛IT服务风险管理策略，包括如下步骤：通过对预测出的风险进行分类和评估；根据风险评估结果，制定相应的风险管理策略；将风险管理策略与实际业务需求进行整合，确保所述实际业务的正常运转。
进一步可选地，通过对预测出的风险进行分类和评估，还包括利用风险分类模型对预测出的风险进行分类和评估，所述风险分类模型满足如下公式：
Figure SMS_14
，
其中，
Figure SMS_21
表示泛IT服务数据类型的数据值/>
Figure SMS_20
对应的风险等级，当/>
Figure SMS_25
时，风险等级为低；/>
Figure SMS_22
，风险等级为中；/>
Figure SMS_23
，风险等级为较强，/>
Figure SMS_26
时，风险等级为强；/>
Figure SMS_30
表示泛IT服务数据类型的数据值/>
Figure SMS_17
对应的泛IT服务风险类型的预测值，
Figure SMS_27
,/>
Figure SMS_15
表示泛IT服务数据类型的历史数据序列，/>
Figure SMS_28
表示第/>
Figure SMS_18
个泛IT服务数据类型的历史数据，/>
Figure SMS_24
，/>
Figure SMS_16
表示历史数据序列中的数据数量；/>
Figure SMS_29
表示泛IT服务数据类型的历史数据序列中的最大历史数据，/>
Figure SMS_19
表示泛IT服务数据类型的历史数据序列中的最大历史数据中最小历史数据。
进一步可选地，泛IT服务数据的数据源包括服务数据源、日志数据源、监控数据源和客户反馈数据源；其中，所述服务数据源包括服务级别协议和服务级别目标；所述日志数据源包括IT服务提供商记录的日志；所述监控数据源包括IT服务提供商利用监控工具收集到的IT***的运行状况数据；所述客户反馈数据源包括客户对IT服务提供商的反馈数据。本发明的泛IT服务数据是通过多种数据源结合获得的，通过不同维度的风险信息，包括服务问题、***异常、客户反馈等，从而更加全面地了解泛IT服务的风险情况，进一步为泛IT服务风险管理提供全面、准确、及时的信息支持，有助于提高风险管理的效率和服务质量。
为更好执行上述泛IT服务风险预测方法，第二方面，本发明还提供了一种泛IT服务风险预测***。所述泛IT服务风险预测***包括一个或多个处理器；一个或多个输入设备，一个或多个输出设备和存储器，所述处理器、所述输入设备、所述输出设备和所述存储器通过总线连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明第一方面提供的泛IT服务风险预测方法。本发明所提供的泛IT服务风险预测***，结构紧凑，性能稳定，能够高效且准确地实施泛IT服务风险预测方法。
附图说明
图1为本发明实施例所提供的泛IT服务风险预测方法流程图；
图2为本实施例中构建的泛IT服务知识图谱；
图3为本发明实施例所提供的泛IT服务风险预测方法补充流程图；
图4为本发明实施例所提供的泛IT服务风险预测***结构图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
在一个可选的实施例中，请参见图1，图1为本发明实施例所提供的泛IT服务风险预测方法流程图。如图1所示，所述泛IT服务风险预测方法，包括如下步骤：
S01、收集泛IT服务数据，并利用所述泛IT服务数据构建泛IT服务知识图谱。
应当理解，泛IT服务风险则是指在企业使用外部IT服务提供商（如云计算、软件即服务等）时，面临的各种风险，主要包括服务中断、数据安全性、合规性等问题，这些风险通常需要在企业和服务提供商之间进行协商和管理。因此，泛IT服务风险管理需要考虑到服务提供商的角度，并建立更加紧密的合作关系来共同解决风险问题。为使得泛IT服务知识图谱所蕴含的数据关联信息更丰富，当收集泛IT服务数据时，需要从多个数据源中获取。将多个数据源包含的不同方面的信息集成到一个泛IT服务数据知识图谱中，不仅可以更好理解泛IT服务的全貌，还有助于泛IT服务风险的评估。更好可以帮助我们更好地。
进一步地，所述多个数据源包括服务数据源、日志数据源、监控数据源和客户反馈数据源。其中，服务数据源包括服务级别协议和服务级别目标，服务级别协议和服务级别目标是指服务提供商和客户之间的合同，这其中规定了服务提供商的服务级别承诺，同时也包括了服务的可用性、性能和响应时间等指标。日志数据源包括IT服务提供商记录的各种各样的日志，例如网络流量、服务器日志、应用程序日志、数据库日志等等。日志数据源中的数据记录了IT***中的事件和活动，侧面体现了***的运行状况。监控数据源是IT服务提供商利用各种监控工具收集到的IT***的运行状况数据，这些监控工具收集的数据包括服务器负载、网络带宽使用、应用程序性能等指标。客户反馈数据源包括客户对IT服务提供商的反馈数据，进一步地，这些数据包括客户对IT服务的满意度和需求，以及IT***中的一些问题。
知识图谱技术基于语义网络理论，利用大量的结构化和半结构化数据构建知识图谱，并利用图数据库进行存储和查询。在一个可选的实施例中，步骤S01所述的利用所述泛IT服务数据构建泛IT服务知识图谱，包括如下步骤：
S011、预处理所述泛IT服务数据。步骤S011中将收集到的泛IT服务数据进行清洗、去重、格式转换等预处理，以便后续处理。
S012、对预处理后的泛IT服务数据进行实体识别和抽取。步骤S012中通过实体识别和抽取，获得了预处理后的泛IT服务数据中的实体和实体间的关系。进一步地，实体识别和抽取可以使用自然语言处理技术，对预处理后的泛IT服务文本数据进行实体识别和关系抽取。
S013、利用识实体识别和抽取结果，构建泛IT服务知识图谱。步骤S013将从预处理后的泛IT服务数据中抽取出的实体和实体间的关系存储到泛IT服务知识图谱数据库中，构建对应的泛IT服务知识图谱。进一步地，泛IT服务知识图谱的构建可以使用开源的知识图谱构建工具，将实体和实体间的关系存储为节点和边，并建立对应的索引，进而获得泛IT服务知识图谱。其中，源的知识图谱构建工具包括Neo4j、OrientDB等图谱构建工具。
S014、优化所述泛IT服务知识图谱。具体地，步骤S014通过去除重复节点、合并相似节点、增加节点和关系属性等方式，对构建好的泛IT服务知识图谱进行优化，以提高泛IT服务知识图谱的效率和准确性。
在本实施例中，收集到的泛IT服务数据，通过步骤S011至步骤S014，构建出了一个泛IT服务知识图谱。最终构建出的泛IT服务知识图谱是一个大规模的、结构化的数据图，其中实体、属性和关系被存储为节点和边，还可以通过图数据库进行快速的查询和分析。
在又一个可选的实施例中，请参见图2，图2为本实施例中构建的泛IT服务知识图谱。如图2所示，在本实施例所提供的泛IT服务知识图谱中，实体包含IT服务、应用程序、网络设备、虚拟机、主机以及存储设备；实体间关系包括IT服务与应用程序之间的部署关系、应用程序与主机之间的部署关系、虚拟机与主机之间的部署关系、主机与存储设备之间的连接关系；同时，不同实体还有各自对应的属性，具体地，图2中包括IT服务的运行状态、应用程序的版本号以及主机的操作***；不同实体之间的关系也具有特定的属性，具体地，图2中主机与存储设备之间的连接关系中包括了传输速率和带宽信息。在本实施例所提供的泛IT服务知识图谱中，以IT服务为中心，并与应用程序、网络设备、虚拟机、主机和存储设备等实体之间通过不同的关系相互连接，形成了一张复杂的关系网络。通过泛IT服务知识图谱，有助于深入挖掘泛IT服务中不同实体之间的关联性，进而发现泛IT服务中可能存在的潜在风险，并进行风险预测和管理。
S02、通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息。
步骤S02中所述的IT服务数据关联信息是待分析的泛IT服务数据类型相关的数据及关联信息。进一步地，所述泛IT服务数据关联信息包含待分析的泛IT服务数据类型的实体以及该实体与其余实体之间的相互作用和依赖关系。这些相互作用和依赖关系有助于后续泛IT服务风险预测模型的构建，以便泛IT服务风险预测模型可以更加准确地预测风险。与此同时，还有助于风险的检查，例如，如果当某个服务出现了故障，可以快速检测检查与该服务相关的其他服务，从而减少风险。
在一个可选的实施例中，步骤S02所述的通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息，包括如下步骤：S021、确定待分析的泛IT服务数据类型。其中，所述的泛IT服务数据类型包括网络流量、日志数据、***性能数据等数据类型。S022、通过所述泛IT服务知识图谱，获得所述泛IT服务数据类型对应的实体和关系。S023利用所述实体和关系，获得所述泛IT服务数据类型的泛IT服务数据关联信息。
在本实施例中，步骤S021中确定的待分析的泛IT服务数据类型为网络流量数据；因此，步骤S022中通过所述泛IT服务知识图谱，获得了网络流量数据对应的实体和关系，其中，实体包括服务器、交换机以及路由器，关系包括连接和流量；步骤S023根据这些实体和关系，再次通过查询泛IT服务知识图谱获得了对应的泛IT服务数据关联信息，所述泛IT服务数据关联信息包括某个服务器和交换机之间的连接信息、某段时间内某个服务器的流量数据等。
S03、利用泛IT服务数据关联信息，构建泛IT服务风险预测模型。
应当理解，在步骤S03中，需要结合步骤2中获取的泛IT服务数据关联信息来构建泛IT服务风险预测模型。泛IT服务风险预测模型的准确性和预测效果取决于所选指标的合理性、数据的质量以及算法的优劣。因此，在实际应用中需要根据实时更新的数据，对泛IT服务风险预测模型中的指标、数据和算法进行不断的优化和调整。
在一个可选的实施例中，步骤S03所述的利用泛IT服务数据关联信息，构建泛IT服务风险预测模型，包括如下步骤：
S031、确定泛IT服务风险类型。在泛IT服务中，可能存在多种风险类型，例如性能问题、数据问题、***问题等。需要先确定需要预测的泛IT服务风险类型，以便于构建相应的预测模型。因此，首先要确定泛IT服务风险类型，进一步地，所述泛IT服务风险类型包括性能风险、数据风险以及***风险。所述泛IT服务风险类型可以通过领域专家、历史数据分析等方法来确定。
S032、结合泛IT服务风险类型对应的泛IT服务数据关联信息，搭建泛IT服务风险预测模型。根据需要预测的泛IT服务风险类型、泛IT服务数据类型以及实际数据情况，选择合适的机器学习算法进行建模。例如，对于某些泛IT服务风险类型，可以使用监督学习算法（如决策树、支持向量机、神经网络等）进行建模；对于某些泛IT服务风险类型，可以使用无监督学习算法（如聚类分析、异常检测等）进行建模。
进一步地，步骤S031中泛IT服务风险类型的选择，涉及到具体的业务场景和数据情况，无法一概而论。而步骤S032中对应的泛IT服务风险预测模型的构建，一般而言，监督学习算法适用于有明确标注的数据，例如已经被标记为正常和异常的泛IT服务数据，可以使用分类算法（如决策树、支持向量机、神经网络等）来建立风险预测模型；而对于没有明确标注的数据，可以使用无监督学习算法（如聚类分析、异常检测等）来进行建模，通过对泛IT服务数据进行聚类或异常检测，发现数据中的规律和异常点，进而识别潜在的风险。
在一个可选的实施例中，步骤S032中所述泛IT服务风险预测模型，包括如下公式：
Figure SMS_31
，
其中，
Figure SMS_33
表示待输入的泛IT服务数据类型的数据值，进一步地，/>
Figure SMS_39
是通过泛IT服务数据类型对应的泛IT服务数据关联信息获取的，/>
Figure SMS_42
表示泛IT服务数据类型的数据值/>
Figure SMS_34
对应的泛IT服务风险类型的预测值，/>
Figure SMS_37
值越大表示输入的泛IT服务数据类型对应的泛IT服务风险程度越高，/>
Figure SMS_40
,/>
Figure SMS_44
表示泛IT服务数据类型的历史数据序列，
Figure SMS_32
表示第/>
Figure SMS_38
个泛IT服务数据类型的历史数据，/>
Figure SMS_43
，/>
Figure SMS_45
表示历史数据序列中的数据数量，/>
Figure SMS_35
表示历史数据序列的变化参数，/>
Figure SMS_36
表示待输入的泛IT服务数据类型的数据值与历史数据序列中第/>
Figure SMS_41
个数据值中间的时差。本实例所提供的泛IT服务风险预测模型赖待输入的泛IT服务数据类型的数据值和历史数据序列中的数据进行风险预测，不仅容易实现，而且泛化能力好，实时性强，适用范围广。
S04、根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险。
应当理解，步骤S04在根据泛IT服务当前状态进行风险预测的步骤中，需要获取当前泛IT服务的状态信息，如性能指标、日志信息、使用情况等，并将这些信息转化为述泛IT服务风险预测模型所需要的数值化特征向量。然后，将这些特征向量输入到对应的泛IT服务风险预测模型中，得到对应的风险预测结果。具体来说，可以使用监督学习算法中的分类模型或回归模型来完成预测任务。分类模型适用于离散的风险类型预测，如高风险、中风险、低风险等；回归模型适用于连续的风险值预测，如风险得分、风险等级等。在模型训练时，可以使用历史数据集进行训练，通过调整模型参数、选择合适的特征工程方法等方式来优化模型性能，提高泛IT服务风险预测的准确性和可靠性。
在一个可选的实施例中，步骤S04所述的根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险，包括如下步骤：
S041、收集当前待分析的泛IT服务数据类型的状态信息。
应当理解，步骤S041中所述的待分析的泛IT服务数据类型与步骤S021所述的泛IT服务数据类型是一致的。具体地，泛IT服务数据类型可以包括 CPU 使用率、内存使用率、网络带宽、磁盘空间使用率等等；而需要收集待分析的泛IT服务数据类型的状态信息，包括但不限于：当前泛IT服务数据类型的数值、时间戳、数据类型等。收集的方式可以根据具体情况而定，例如通过传感器、API接口、手动输入等方式获取。在实际操作中，可以使用Python编程语言中的相关库（如requests、sensors）进行数据采集。例如，假设需要分析某个公司的服务器CPU负载情况，那么可以通过API接口获取当前CPU负载数据，并将其作为待分析的泛IT服务数据类型的状态信息。
S042、将所述状态信息进行格式转化。
即步骤S042将所述状态信息转化为泛IT服务风险预测模型的输入格式，以符合泛IT服务风险预测模型的输入格式。具体的格式转化方法可以根据所选用的泛IT服务风险预测模型而定。例如，如果所选用的模型需要输入的是一维向量，则需要将状态信息中的各个参数转化为一个一维向量。在实际操作中，可以使用Python编程语言中的相关库（如numpy）进行格式转化。
S043、将格式转化后的状态信息输入所述泛IT服务风险预测模型，获得待分析的泛IT服务数据类型的风险预测结果。
在步骤S043中，将步骤S042中格式转化后的状态信息输入所选用的泛IT服务风险预测模型中，获得待分析的泛IT服务数据类型的风险预测结果。进一步地，在实际操作中，可以使用Python编程语言中的相关库（如sklearn）进行模型的调用。
本发明所提供的泛IT服务风险预测方法，通过知识图谱技术建立泛IT服务知识图谱以获得泛IT服务数据关联信息，更加全面地理解和分析泛IT服务中的各种关联数据，识别潜在的风险因素；同时通过泛IT服务风险预测模型的构建和运用，更加精准地预测IT服务中可能出现的各种风险，及时采取预防和措施，避免服务中断和损失发生。本发明所提供的泛IT服务风险预测方法可以帮助企业和服务提供商提高IT服务质量和稳定性，减少潜在的风险和损失，进而提高企业或服务提供商的竞争力和盈利能力。
为进一步减轻或避免风险对企业造成的影响，在又一个可选的实施例中，请参见图3，图3为本发明实施例所提供的泛IT服务风险预测方法补充流程图。基于图1的泛IT服务风险预测方法流程图，图2所示的泛IT服务风险预测方法，还包括如下步骤：
S05、制定泛IT服务风险管理策略。
步骤S05中首先对预测出的风险进行分类和评估，确定其影响程度和发生概率。然后，需要制定相应的风险管理策略，包括风险预防、风险缓解、风险转移和风险接受等方面。最后，需要将风险管理策略与实际业务需求进行整合，确保实施的风险管理措施能够在最大程度上保障业务的正常运转。进一步地，步骤S05所述的制定泛IT服务风险管理策略，包括如下步骤：
S051、通过对预测出的风险进行分类和评估。即通过对预测出的风险进行分类和评估，可以确定哪些风险对业务影响最大，以及这些风险的发生概率。在又一个可选的实施例中，基于上述实施例所提供的泛IT服务风险预测模型：
Figure SMS_46
，其中，/>
Figure SMS_47
表示泛IT服务数据类型的数据值/>
Figure SMS_48
对应的泛IT服务风险类型的预测值，且/>
Figure SMS_49
值越大表示输入的泛IT服务数据类型对应的泛IT服务风险程度越高。因此，步骤S051通过/>
Figure SMS_50
的大小进行风险分类和评估，具体地，步骤S051所述的通过对预测出的风险进行分类和评估，还包括利用风险分类模型对预测出的风险进行分类和评估，所述风险分类模型满足如下公式：
Figure SMS_53
，其中，/>
Figure SMS_55
表示泛IT服务数据类型的数据值/>
Figure SMS_59
对应的风险等级，当/>
Figure SMS_52
时，风险等级为低；/>
Figure SMS_56
，风险等级为中；/>
Figure SMS_58
，风险等级为较强，/>
Figure SMS_61
时，风险等级为强；/>
Figure SMS_51
表示泛IT服务数据类型的数据值/>
Figure SMS_54
对应的泛IT服务风险类型的预测值；/>
Figure SMS_57
表示泛IT服务数据类型的历史数据序列中的最大历史数据，/>
Figure SMS_60
表示泛IT服务数据类型的历史数据序列中的最大历史数据中最小历史数据。
S052、根据风险评估结果，制定相应的风险管理策略。具体措施可以包括，加强数据备份和恢复、增强网络安全防护、定期更新硬件设备、加强员工培训等。
S053、将风险管理策略与实际业务需求进行整合，确保所述实际业务的正常运转。这包括在制定风险管理策略时考虑业务需求、风险防范措施对业务的影响等。
S06、利用所述泛IT服务风险管理策略，应对所述泛IT服务风险预测模型预测出的泛IT服务风险。
应当理解，根据制定好的风险管理策略来应对预测出的泛IT服务风险，这一步骤非常重要。因为只有实际应用和有效实施了相应的风险管理策略，才能有效地降低和避免IT服务风险。进一步地，步骤S06所述的利用所述泛IT服务风险管理策略，应对所述泛IT服务风险预测模型预测出的泛IT服务风险，包括如下步骤：
S061、根据制定好的风险管理策略，实施相应的措施，确保风险得到有效控制和管理。
S062、需要定期对泛IT服务的风险进行监控和评估，及时发现风险变化，并采取相应措施。
在本实施例中，通过制定泛IT服务风险管理策略，企业可以对风险进行合理规避或者减轻，从而保证泛IT服务的安全性和稳定性。同时，根据制定的泛IT服务风险管理策略，针对预测出的风险进行及时应对，降低风险发生的可能性和对企业的影响。
为更好执行上述泛IT服务风险预测方法，在一个可选的实施例中，请参见图4，图4为本发明实施例所提供的泛IT服务风险预测***结构图。如图4所示，本发明所提供的泛IT服务风险预测***包括一个或多个处理器；一个或多个输入设备，一个或多个输出设备和存储器，所述处理器、所述输入设备、所述输出设备和所述存储器通过总线连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本发明所提供的泛IT服务风险预测方法。本发明所提供的泛IT服务风险预测***，结构紧凑，性能稳定，能够高效且准确地实施泛IT服务风险预测方法。
在又一个可选的实施例中，所述处理器401可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。上述通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。输入设备402可以用于输入采集的泛IT服务数据。输出设备403可以将通过本发明的方法预测的泛IT服务风险的相关信息进行显示。该存储器404可以包括只读存储器和随机存取存储器，并向处理器401提供指令和数据。存储器404的一部分还可以包括非易失性随机存取存储器。例如，存储器404还可以储设备类型的信息。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (8)

1.一种泛IT服务风险预测方法，其特征在于，所述泛IT服务风险预测方法，包括如下步骤：
收集泛IT服务数据，并利用所述泛IT服务数据构建泛IT服务知识图谱；
通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息；
利用泛IT服务数据关联信息，构建泛IT服务风险预测模型；
根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险；
所述的利用泛IT服务数据关联信息，构建泛IT服务风险预测模型，包括如下步骤：
确定泛IT服务风险类型；
结合泛IT服务风险类型对应的泛IT服务数据关联信息，搭建泛IT服务风险预测模型，所述泛IT服务风险预测模型，包括如下公式：
Figure QLYQS_1
，
其中，x表示待输入的泛IT服务数据类型的数据值，
Figure QLYQS_2
表示泛IT服务数据类型的数据值x对应的泛IT服务风险类型的预测值，/>
Figure QLYQS_3
,/>
Figure QLYQS_4
表示泛IT服务数据类型的历史数据序列，/>
Figure QLYQS_5
表示第i个泛IT服务数据类型的历史数据，/>
Figure QLYQS_6
，N表示历史数据序列中的数据数量，/>
Figure QLYQS_7
表示历史数据序列的变化参数，/>
Figure QLYQS_8
表示待输入的泛IT服务数据类型的数据值与历史数据序列中第N个数据值中间的时差。
2.根据权利要求1所述的泛IT服务风险预测方法，其特征在于，所述泛IT服务风险预测方法，还包括如下步骤：
制定泛IT服务风险管理策略；
利用所述泛IT服务风险管理策略，应对所述泛IT服务风险预测模型预测出的泛IT服务风险。
3.根据权利要求1所述的泛IT服务风险预测方法，其特征在于，所述利用所述泛IT服务数据构建泛IT服务知识图谱，包括如下步骤：
预处理所述泛IT服务数据；
对预处理后的泛IT服务数据进行实体识别和抽取；
利用识实体识别和抽取结果，构建泛IT服务知识图谱；
优化所述泛IT服务知识图谱。
4.根据权利要求1所述的泛IT服务风险预测方法，其特征在于，所述的通过所述泛IT服务知识图谱，获得泛IT服务数据关联信息，包括如下步骤：
确定待分析的泛IT服务数据类型；
通过所述泛IT服务知识图谱，获得所述泛IT服务数据类型对应的实体和关系；
利用所述实体和关系，获得所述泛IT服务数据类型的泛IT服务数据关联信息。
5.根据权利要求4所述的泛IT服务风险预测方法，其特征在于，所述根据泛IT服务当前状态，通过所述泛IT服务风险预测模型预测泛IT服务风险，包括如下步骤：
收集当前待分析的泛IT服务数据类型的状态信息；
将所述状态信息进行格式转化；
将格式转化后的状态信息输入所述泛IT服务风险预测模型，获得待分析的泛IT服务数据类型的风险预测结果。
6.根据权利要求2所述的泛IT服务风险预测方法，其特征在于，所述的制定泛IT服务风险管理策略，包括如下步骤：
通过对预测出的风险进行分类和评估；
根据风险评估结果，制定相应的风险管理策略；
将风险管理策略与实际业务需求进行整合，确保所述实际业务的正常运转。
7.根据权利要求1-6任一所述的泛IT服务风险预测方法，其特征在于，所述泛IT服务数据的数据源包括服务数据源、日志数据源、监控数据源和客户反馈数据源；
其中，所述服务数据源包括服务级别协议和服务级别目标；
所述日志数据源包括IT服务提供商记录的日志；
所述监控数据源包括IT服务提供商利用监控工具收集到的IT***的运行状况数据；
所述客户反馈数据源包括客户对IT服务提供商的反馈数据。
8.一种泛IT服务风险预测***，其特征在于，所述泛IT服务风险预测***包括一个或多个处理器；一个或多个输入设备，一个或多个输出设备和存储器，所述处理器、所述输入设备、所述输出设备和所述存储器通过总线连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行权利要求1-7任一所述的泛IT服务风险预测方法。
CN202310424113.3A 2023-04-20 2023-04-20 一种泛it服务风险预测方法及*** Active CN116149885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310424113.3A CN116149885B (zh) 2023-04-20 2023-04-20 一种泛it服务风险预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310424113.3A CN116149885B (zh) 2023-04-20 2023-04-20 一种泛it服务风险预测方法及***

Publications (2)

Publication Number Publication Date
CN116149885A CN116149885A (zh) 2023-05-23
CN116149885B true CN116149885B (zh) 2023-06-20

Family

ID=86362186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310424113.3A Active CN116149885B (zh) 2023-04-20 2023-04-20 一种泛it服务风险预测方法及***

Country Status (1)

Country Link
CN (1) CN116149885B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537796A (zh) * 2021-07-22 2021-10-22 大路网络科技有限公司 一种企业风险评估方法、装置及设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10540599B2 (en) * 2016-04-07 2020-01-21 Fujitsu Limited Behavior prediction
CN108596439A (zh) * 2018-03-29 2018-09-28 北京中兴通网络科技股份有限公司 一种基于知识图谱的企业风险预测方法及***
CN110717816A (zh) * 2019-07-15 2020-01-21 上海氪信信息技术有限公司 一种基于人工智能技术的全域金融风险知识图谱构建方法
CN110889556B (zh) * 2019-11-28 2022-08-12 福建亿榕信息技术有限公司 一种企业经营风险特征数据信息提取方法和提取***
CN112365171B (zh) * 2020-11-16 2024-02-09 广州杰赛科技股份有限公司 基于知识图谱的风险预测方法、装置、设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537796A (zh) * 2021-07-22 2021-10-22 大路网络科技有限公司 一种企业风险评估方法、装置及设备

Also Published As

Publication number Publication date
CN116149885A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN109961204B (zh) 一种微服务架构下业务质量分析方法和***
US11558272B2 (en) Methods and systems for predicting time of server failure using server logs and time-series data
US9942103B2 (en) Predicting service delivery metrics using system performance data
US10581667B2 (en) Method and network node for localizing a fault causing performance degradation of a service
Ortet Lopes et al. Towards effective detection of recent DDoS attacks: A deep learning approach
JP7038143B2 (ja) データ・オブジェクトの削除可能性を見積もる方法
US11449798B2 (en) Automated problem detection for machine learning models
CN116680459B (zh) 基于ai技术的外贸内容数据处理***
CN116438553A (zh) Paas云环境中操作符的成功的概率预测的机器学习模型
KR102472800B1 (ko) 인공지능 기반 기업 등급 평가 방법, 장치 및 시스템
CN111797942A (zh) 用户信息的分类方法及装置、计算机设备、存储介质
CN116149885B (zh) 一种泛it服务风险预测方法及***
US20230396637A1 (en) Adaptive system for network and security management
CN113571198B (zh) 转化率预测方法、装置、设备及存储介质
Kalander RiskLoc: localization of multi-dimensional root causes by weighted risk
Mijumbi et al. MAYOR: machine learning and analytics for automated operations and recovery
CN117527622B (zh) 网络交换机的数据处理方法及***
CN117978545B (zh) 基于大模型的网络安全风险评估方法、***、设备及介质
US12045843B2 (en) Systems and methods for tracking data shared with third parties using artificial intelligence-machine learning
US20230316282A1 (en) Systems and methods for generating a probationary automated-decisioning workflow in a machine learning-task oriented digital threat or digital abuse mitigation system
Abdelkhalki et al. Incident prediction through logging management and machine learning
US20220114603A1 (en) Systems and methods for tracking data shared with third parties using artificial intelligence-machine learning
US20240073229A1 (en) Real time behavioral alert processing in computing environments
Zaydi et al. A Machine Learning Based Secure Change Management
CN118332500A (zh) 一种服务于云上服务资产探测的多源数据智能融合方法

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