CN117667570A - 一种统一监控数字化平台 - Google Patents
一种统一监控数字化平台 Download PDFInfo
- Publication number
- CN117667570A CN117667570A CN202311507426.1A CN202311507426A CN117667570A CN 117667570 A CN117667570 A CN 117667570A CN 202311507426 A CN202311507426 A CN 202311507426A CN 117667570 A CN117667570 A CN 117667570A
- Authority
- CN
- China
- Prior art keywords
- data
- application
- performance
- manager
- administrator
- 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 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000007726 management method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 19
- 238000013500 data storage Methods 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 14
- 238000013523 data management Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种统一监控数字化平台,属于数据监控技术领域,解决了现有技术在进行多应用数据的采集分析时,未对数据进行有效的加密处理,无法保障数据安全的问题;本发明将采集的若干应用的数据进行格式转换,并将转换数据加密分类存储,避免转换数据在传输或存储的过程中被篡改或损坏;通过性能指标分析对应应用的运行状态,当应用的运行状态出现异常时,生成预警并通知管理员对异常情况进行处理;通过对设定时间段的性能指标进行分析,预测应用的性能是否会出现不合格,在应用性能降低前对就对应用进行检查,确保应用的性能保持在合格状态;根据不同的等级管理不同范围的转换数据,并对管理员进行身份验证,确保登录管理账号的为管理员本人。
Description
技术领域
本发明属于数字化监控领域,具体是一种统一监控数字化平台。
背景技术
随着数字化技术的迅速发展,各种数字化平台和应用程序广泛运用于物联网、工业自动化以及健康医疗等领域;统一监控技术可以实时监控各种***和资源的状态和性能,当出现问题时,统一监控可以生成预警信号通知管理员;并且统一监控可以更好地处理分析数据,了解资源的使用情况,从而帮助优化资源分配和利用;统一监控技术通常会记录历史数据,有利于分析趋势和性能,为企业的决策和后续的选择提供了支持。
现有技术(公开号为CN115766417A的发明专利申请)公开了一种统一监控管理平台,该发明通过采集模块采集各个应用的日志,并进行格式转换处理;识别模块,识别异常日志信息及各***运行状态,获取异常应用和异常事件,并生成带有拓扑图和时间的告警事件;收发模块,接收告警事件,并对告警信息进行统计得到各应用***的运行指标数据,进行综合显示,该发明完善在应用监控、告警和异常定位与解决等方面的能力;然而,现有技术在进行多应用数据的采集分析时,并未对数据进行有效的加密处理,无法保障数据安全。
本发明提供了一种统一监控数字化平台,以解决以上技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一;为此,本发明提出了一种统一监控数字化平台,用于解决现有技术在进行多应用数据的采集分析时,并未对数据进行有效的加密处理,无法保障数据安全的技术问题。
为实现上述目的,本发明的第一方面提供了一种统一监控数字化平台,包括:中枢分析模块,以及与之相连的加密采集模块和终端处理模块;
加密采集模块:采集若干应用的特征数据,对若干特征数据进行格式转换得到转换数据;将转换数据加密后传输至中枢分析模块;其中,特征数据包括配置数据、日志数据或者用户数据;
中枢分析模块:包括数据分析单元,以及与数据分析单元相连的数据存储单元和数据管理单元;
数据存储单元:基于数据类型对转换数据进行分类存储;
数据分析单元:从转换数据中提取若干应用的日志数据,基于日志数据判断对应应用的运行状态是否正常;是,则持续对该应用进行监控;否,则生成预警信号,并将预警信号传输至终端处理模块;
数据管理单元:根据管理员的职位对管理员的管理账号进行等级划分;在查询修改数据时,完成身份验证之后管理员登录管理账号,根据管理账号的等级匹配设定范围的转换数据;
终端处理模块:基于预警信号调度管理员对异常情况进行处理,并记录反馈异常情况和处理方法。
优选的,所述基于日志数据判断对应应用的运行状态是否正常,包括:
从该应用的日志数据中提取性能指标,
判断该应用的性能指标是否均大于设定阈值;是,则预测对应应用的性能是否低于设定评估阈值;否,则生成预警信号,并将预警信号传输至终端处理模块;其中,性能指标包括CPU使用率、内存使用率或者网络带宽。
本发明通过分析应用日志数据中的性能指标,当任一性能指标小于设定阈值时,判定应用的运行状态出现了异常,生成预警信息通知管理员对异常情况进行处理,能够在应用的运行状态出现异常时,及时对异常情况进行处理,避免应用处于异常的运行状态导致应用的运行出现故障。
在另外一些优选的实施例中,还可以通过计算应用的评估系数判断应用的运行状态是否正常,具体包括以下步骤:
从应用的日志数据中提取性能指标,根据公式GCS=(SCS-DCS)/(YCS-DCS)计算得出归一化CPU使用率GCS;其中,SCS为实际CPU使用率;DCS为最低CPU使用率;YCS为最高CPU使用率;同理可以计算出归一化内存使用率GNS和归一化网络带宽GWD;其中,各性能指标的最低数值和最高数值均根据应用配置设定;
通过公式PX=(γ×GCS+δ×GNS+θ×GWD)计算得出应用的评估系数PX;其中,γ,δ,θ为大于0的权重系数;
判断评估系数PX是否大于设定评估阈值;是,则预测对应应用的性能是否低于设定评估阈值;否,则生成预警信息,并将预警信号传输至终端处理模块。
需要说明的是,本发明中应用性能指标的最高值为理想状态下应用的性能指标,在实际运行过程中应用的实际性能指标不可能达到最高值。
优选的,所述预测对应应用的性能是否低于设定评估阈值,包括:
获取设定时间段内对应应用的性能指标,将性能指标整合成指标特征序列;
调用性能预测模型,将指标特征序列输入性能预测模型获取预测标签;匹配对应的性能预测结果;其中,设定时间段根据经验设定,如设定时间段设置为30秒;性能预测模型基于人工智能模型构建;预测标签设置为1或者0,1表示预测该应用的性能合格,0表示预测该应用的性能不合格。
优选的,所述性能预测模型基于人工智能模型构建,包括:
获取标准训练数据,其中,标准训练数据包括与指标特征序列内容属性相一致的标准输入数据,以及与预测标签内容属性相一致的标准输出数据;
通过训练数据对构建的人工智能模型进行训练,获取性能预测模型;其中,人工智能网络包括BP神经网络模型或者RBF神经网络模型。
本发明通过将设定时间段的对应应用的性能指标整合成指标特征序列,调用性能预测模型预测应用的性能是否合格,当预测出应用的性能不合格时,能够及时对应用进行检查,排除导致应用性能不合格的隐患。
优选的,所述根据管理员的职位对管理员的管理账号进行等级划分,包括:
根据管理员的职位将管理员划分成初级管理员、中级管理员和高级管理员;
所述初级管理员用于查询或修改应用的配置数据以及应用的日志数据;
所述中级管理员用于查询修改应用的配置数据、应用的日志数据以及应用的用户信息;
所述高级管理员用于对初级管理员和中级管理员进行管理。
在另外一些优选的实施例中,还可以根据管理员的员工数据进行等级划分,具体包括以下步骤:
从管理员的员工数据提取在职年限ZX、职位标签ZB和工作评分GF;其中,工作评分是对该管理员日常工作的综合评分;
通过公式DPX=α×ZB+β×ZX×EXP(GF)计算管理员的等级评估系数DPX;将等级评估系数DPX与等级评估阈值进行比较,确定该管理员的等级;其中,α和β均为大于0的比例系数,职位标签ZB的取值包括1、1000或者10000。
优选的,所述进行身份验证之后管理员登录管理账号;管理员根据预警信号对应用的异常情况进行处理;其中,身份验证包括账号密码和指纹的双重验证。
本发明根据管理员的职位对管理员划分管理员的等级,能够确保每个管理等级的责任和职责明确,有利于各等级的管理员对应用进行不同的管理;并且管理员登录管理账号需要经过账号密码和指纹的双重认证,能够确保登录管理账号的为管理员本人,避免账号密码泄露导致未经允许的访客访问敏感信息。
优选的,所述中枢分析模块分别与数据采集模块、终端处理模块通信和/或电气连接;所述数据分析单元分别与数据存储单元、数据管理单元通信和/或电气连接。
与现有技术相比,本发明的有益效果是:本发明通过采集若干应用的特征数据,将若干应用的数据进行格式转换后得到转换数据,将转换数据加密后存储在数据存储单元,能够便于对格式不同的数据进行管理,有利于避免数据在传输和存储的过程中被篡改或损坏,并且能够防止数据的泄露;数据存储模块根据转换数据的类型对转换数据进行分类存储,能够便于对不同类型的数据进行查询修改,有利于提高工作效率;通过对应用的性能指标进行分析,当任一性能指标的数值小于设定阈值时,判定应用的运行状态出现了异常,生成预警信号并调度管理员对应用的异常情况进行处理,有利于及时排除应用的异常情况;通过设定时间段内应用的性能指标整合成指标特征序列,调用性能预测模型,将指标特征序列输入性能预测模型中获取预测标签,并匹配对应的预测结果,能够对应用的性能进行预测,当应用的性能没有达到标准时,及时对应用进行检查处理;根据管理员的职位对管理账号进行等级划分,根据管理账号的等级设定管理转换数据的范围;当查询修改转换数据时,管理员需要经过身份验证后登录管理账号,能够确保登录管理账号的是管理员本人,避免管理账号发生泄漏后未经授权的访问者登录管理账号访问应用的敏感信息,保障了应用的数据安全。
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,下面将对实施例或现有技术描述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为本发明的基本框架示意图;
图2为本发明的具体步骤示意图;
图3为本发明中管理员的权限设定示意图。
具体实施方式
下面将结合实施例对本发明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它实施例,都属于本发明保护的范围。
请参阅图1-图2,本发明第一方面实施例提供了一种统一监控数字化平台,包括:中枢分析模块,以及与之相连的加密采集模块和终端处理模块;
加密采集模块:采集若干应用的特征数据,对若干特征数据进行格式转换得到转换数据;将转换数据加密后传输至中枢分析模块;其中,特征数据包括配置数据、日志数据或者用户数据;
中枢分析模块:包括数据分析单元,以及与数据分析单元相连的数据存储单元和数据管理单元;数据存储单元:基于数据类型对转换数据进行分类存储;
数据分析单元:从转换数据中提取若干应用的日志数据,从该应用的日志数据中提取性能指标,判断该应用的性能指标是否均大于设定阈值;是,则预测对应应用的性能是否低于设定评估阈值;否,则生成预警信号,并将预警信号传输至终端处理模块;
预测对应应用的性能是否低于设定评估阈值,获取设定时间段对应应用性能指标,将性能指标整合成指标特征序列;调用性能预测模型,将指标特征序列输入性能预测模型获取预测标签;匹配对应的性能预测结果;其中,设定时间段根据经验设定,如设定时间段设置为30秒;性能预测模型基于人工智能模型构建;预测标签设置为1或者0,其中1表示预测该应用的性能合格,0表示预测该应用的性能不合格;
数据管理单元:根据管理员的职位将管理员划分成初级管理员、中级管理员和高级管理员;所述初级管理员用于查询或修改应用的配置数据以及应用的日志数据;所述中级管理员用于查询修改应用的配置数据、应用的日志数据以及应用的用户信息;所述高级管理员用于对初级管理员和中级管理员进行管理;在查询修改数据时,完成身份验证之后管理员登录管理账号,根据管理账号的等级匹配设定范围的转换数据;
终端处理模块:基于预警信号调度管理员对异常情况进行处理,并记录反馈异常情况和处理方法。
接下来举例说明本实施例的技术方案,本实施例提供了一种统一监控数字化平台包括以下步骤:
1.加密采集模块采集若干应用的特征数据,对若干特征数据进行格式转换得到转换数据;将转换数据加密后传输至中枢分析模块;其中,特征数据包括配置数据、日志数据或者用户数据;中枢分析模块包括数据分析单元,以及与数据分析单元相连的数据存储单元和数据管理单元;数据存储单元:基于数据类型对转换数据进行分类存储。
例如:现有某三种应用,对其三种应用进行统一监控,分别获取三种应用的转换数据包括配置数据,日志数据以及用户数据;对转换数据进行加密,并将加密后的转换数据传输至中枢分析模块;根据转换数据的类型将转换数据分别进行存储,应用的配置数据存储在数据存储单元的基本信息节点,该节点的数据不能进行修改;应用的日志数据存储在数据存储单元的运行状态节点,该节点的数据用于对应用的运行状态进行分析以及对应用的异常进行预测;应用的用户数据存储在敏感信息节点。
2.数据分析单元:从转换数据中提取若干应用的日志数据,从该应用的日志数据中提取性能指标,判断该应用的性能指标是否均大于设定阈值;是,则预测对应应用的性能是否低于设定评估阈值;否,则生成预警信号,并将预警信号传输至终端处理模块。
例如:现有某应用的转换数据,根据该应用的配置信息获取该应用的性能指标的设定阈值:CPU使用率为30%,内存使用率为4GB,网络带宽为30Mpbs;现有获取的两组数据如下:
第一组数据:CPU使用率为43%,内存使用率为6.7GB,网络带宽为44Mpbs;判断性能指标均大于设定阈值,则判定应用的运行状态正常;第二组数据:CPU使用率为17%,内存使用率为7%,网络带宽为35Mpbs;判断CPU使用率小于设定阈值,则判定应用的运行状态异常。
在另外一些优选的实施例中,还可以通过计算应用的评估系数判断应用的运行状态是否正常,具体包括以下步骤:
从应用的日志数据中提取性能指标,根据公式GCS=(SCS-DCS)/(YCS-DCS)计算得出归一化CPU使用率GCS;其中,SCS为实际CPU使用率;DCS为最低CPU使用率;YCS为最高CPU使用率;同理可以计算出归一化内存使用率GNS和归一化网络带宽GWD;其中,各性能指标的最低数值和最高数值均根据应用配置设定;
通过公式PX=(γ×GCS+δ×GNS+θ×GWD)计算得出应用的评估系数PX;其中,γ,δ,θ为大于0的权重系数;
判断评估系数PX是否大于设定评估阈值;是,则预测对应应用的性能是否低于设定评估阈值;否,则生成预警信息,并将预警信号传输至终端处理模块。
例如:现有某应用,根据该应用的配置信息获取应用的性能指标数据如下:CPU使用率为30%-70%,内存使用率为4GB-10GB,网络带宽为30Mpbs-50Mpbs,设定评估阈值为0.5,γ=0.5,δ=0.2,θ=0.3现有两组数据如下:
第一组数据:CPU使用率为50%,内存使用率为6GB,网络带宽为45Mpbs;根据公式计算得到归一化CPU使用率GCS=0.5,归一化内存使用率GNS=0.33,归一化网络带宽GWD=0.75,通过公式PX=(0.5×0.5+0.2×0.33+0.3×0.75)=0.541计算得出评估系数PX=0.541大于设定评估阈值;则判定应用的运行状态正常;
第二组数据如下:CPU使用率为50%,内存使用率为3GB,网络带宽为45Mpbs;根据公式计算得到归一化CPU使用率GCS=0.5,归一化内存使用率GNS=-0.33,归一化网络带宽GWD=0.75,通过公式PX=(0.5×0.5-0.2×0.17+0.3×0.75)=0.441计算得出评估系数PX=0.541小于设定评估阈值;则判定应用的运行状态出现异常。
3.预测对应应用的性能是否低于设定评估阈值,获取设定时间段对应应用性能指标,将性能指标整合成指标特征序列;调用性能预测模型,将指标特征序列输入性能预测模型获取预测标签;匹配对应的性能预测结果;其中,设定时间段根据经验设定,如设定时间段设置为30秒;性能预测模型基于人工智能模型构建;预测标签设置为1或者0,其中1表示预测该应用的性能合格,0表示预测该应用的性能不合格。
例如:现有某应用的转换数据,获取该应用在设定时间段T内的性能指标;CPU使用率S1,S2,…,Si;内存使用率N1,N2,…,Ni;网络带宽K1,K2,…,Ki;其中,i为正整数;将性能指标整合成指标特征序列如下:[(S1,S2,…,Si),(N1,N2,…,Ni),(K1,K2,…,Ki)],将指标特征序列输入性能预测模型获取预测标签为1,则预测应用的性能达到合格的标准。
4.数据管理单元根据管理员的职位将管理员划分成初级管理员、中级管理员和高级管理员;所述初级管理员用于查询或修改应用的配置数据以及应用的日志数据;所述中级管理员用于查询修改应用的配置数据、应用的日志数据以及应用的用户信息;所述高级管理员用于对初级管理员和中级管理员进行管理;在查询修改数据时,完成身份验证之后管理员登录管理账号,根据管理账号的等级匹配设定范围的转换数据;终端处理模块基于预警信号调度管理员对异常情况进行处理,并记录反馈异常情况和处理方法。
请参阅图3,在另外一些优选的实施例中,还可以根据管理员的员工数据进行等级划分,具体包括以下步骤:
从管理员的员工数据提取在职年限ZX、职位标签ZB和工作评分GF;其中,工作评分是对该管理员日常工作的综合评分;
通过公式DPX=α×ZB+β×ZX×EXP(GF)计算管理员的等级评估系数DPX;将等级评估系数DPX与等级评估阈值进行比较,确定该管理员的等级;其中,α和β均为大于0的比例系数,职位标签ZB的取值包括1、1000或者10000。
例如:现有三名员工评级管理员,年限的最大值为40,EXP(GF)最大值为10,其中,初级管理员的评估阈值为36-401,中级管理员的评估阈值为1080-1400,高级管理员的评估阈值为10180-10400,α和β均设置为1,现有三组数据如下:
第一组数据:员工的职位标签为1,年限为8,工作评分为EXP(GF)=9,则该员工的等级评估系数DPX=73,则将该员工评级为初级管理员;
第二组数据:员工的职位标签为1000,年限为9,工作评分为EXP(GF)=7,则该员工的等级评估系数DPX=1063,则该员工不能参与管理员等级评定;
第三组数据:员工的职位标签为10000,年限为22,工作评分为EXP(GF)=9,则该员工的等级评估系数DPX=10198,则将该员工评级为高级管理员。
上述公式中的部分数据是去除量纲取其数值计算,公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式;公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种统一监控数字化平台,包括:中枢分析模块,以及与之相连的加密采集模块和终端处理模块;其特征在于:
加密采集模块:采集若干应用的特征数据,对若干特征数据进行格式转换得到转换数据;将转换数据加密后传输至中枢分析模块;其中,特征数据包括配置数据、日志数据或者用户数据;
中枢分析模块:包括数据分析单元,以及与数据分析单元相连的数据存储单元和数据管理单元;
数据存储单元:基于数据类型对转换数据进行分类存储;
数据分析单元:从转换数据中提取若干应用的日志数据,基于日志数据判断对应应用的运行状态是否正常;是,则持续对该应用进行监控;否,则生成预警信号,并将预警信号传输至终端处理模块;
数据管理单元:根据管理员的职位对管理员的管理账号进行等级划分;在查询修改数据时,完成身份验证之后管理员登录管理账号,根据管理账号的等级匹配设定范围的转换数据;
终端处理模块:基于预警信号调度管理员对异常情况进行处理,并记录反馈异常情况和处理方法。
2.根据权利要求1所述的一种统一监控数字化平台,其特征在于,所述基于日志数据判断对应应用的运行状态是否正常,包括:
从该应用的日志数据中提取性能指标;
判断该应用的性能指标是否均大于设定阈值;是,则预测对应应用的性能是否低于设定评估阈值;否,则生成预警信号,并将预警信号传输至终端处理模块;其中,性能指标包括CPU使用率、内存使用率或者网络带宽。
3.根据权利要求2所述的一种统一监控数字化平台,其特征在于,所述预测对应应用的性能是否低于设定评估阈值,包括:
获取设定时间段对应应用性能指标,将性能指标整合成指标特征序列;
调用性能预测模型,将指标特征序列输入性能预测模型获取预测标签;基于预测标签匹配对应的性能预测结果;其中,设定时间段根据经验设定,性能预测模型基于人工智能模型构建;预测标签设置为1或者0,1表示预测该应用的性能合格,0表示预测该应用的性能不合格。
4.根据权利要求3所述的一种统一监控数字化平台,其特征在于,所述性能预测模型基于人工智能模型构建,包括:
获取标准训练数据,其中,标准训练数据包括与指标特征序列内容属性相一致的标准输入数据,以及与预测标签内容属性相一致的标准输出数据;
通过训练数据对构建的人工智能模型进行训练,获取性能预测模型;其中,人工智能网络包括BP神经网络模型或者RBF神经网络模型。
5.根据权利要求1所述的一种统一监控数字化平台,其特征在于,所述根据管理员的职位对管理员的管理账号进行等级划分,包括:
根据管理员的职位将管理员划分成初级管理员、中级管理员和高级管理员;
所述初级管理员用于查询或修改应用的配置数据以及应用的日志数据;
所述中级管理员用于查询修改应用的配置数据、应用的日志数据以及应用的用户信息;
所述高级管理员用于对初级管理员和中级管理员进行管理。
6.根据权利要求1所述的一种统一监控数字化平台,其特征在于,所述管理员进行身份验证登录管理账号;管理员根据预警信号对应用的异常情况进行处理;其中,身份验证包括账号密码和指纹的双重验证。
7.根据权利要求1所述的一种统一监控数字化平台,其特征在于,所述中枢分析模块分别与数据采集模块、终端处理模块通信和/或电气连接;所述数据分析单元分别与数据存储单元、数据管理单元通信和/或电气连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507426.1A CN117667570A (zh) | 2023-11-09 | 2023-11-09 | 一种统一监控数字化平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507426.1A CN117667570A (zh) | 2023-11-09 | 2023-11-09 | 一种统一监控数字化平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117667570A true CN117667570A (zh) | 2024-03-08 |
Family
ID=90069068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507426.1A Pending CN117667570A (zh) | 2023-11-09 | 2023-11-09 | 一种统一监控数字化平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117667570A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931828A (zh) * | 2024-03-25 | 2024-04-26 | 山东光合云谷大数据有限公司 | 一种一卡通数据智能管理*** |
-
2023
- 2023-11-09 CN CN202311507426.1A patent/CN117667570A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931828A (zh) * | 2024-03-25 | 2024-04-26 | 山东光合云谷大数据有限公司 | 一种一卡通数据智能管理*** |
CN117931828B (zh) * | 2024-03-25 | 2024-05-24 | 山东光合云谷大数据有限公司 | 一种一卡通数据智能管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN111815132A (zh) | 一种电力监控***网络安全管理信息发布方法及*** | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN104267346B (zh) | 一种发电机励磁***故障远程诊断方法 | |
CN117667570A (zh) | 一种统一监控数字化平台 | |
CN110162445A (zh) | 基于主机日志及性能指标的主机健康评价方法及装置 | |
CN115086089B (zh) | 一种用于网络安全评估预测的方法及*** | |
CN114358106A (zh) | ***异常检测方法、装置、计算机程序产品及电子设备 | |
CN110636066A (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN116366374B (zh) | 基于大数据的电网网络管理的安全评估方法、***及介质 | |
CN117172556A (zh) | 一种桥梁工程的施工风险预警方法与*** | |
CN117614978A (zh) | 一种用于数字化车间的信息安全通信管理*** | |
CN111339050B (zh) | 一种基于大数据平台集中安全审计的方法及*** | |
CN113992602B (zh) | 一种电缆监测数据上传方法、装置、设备以及存储介质 | |
CN108039971A (zh) | 一种告警方法及装置 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN116932523B (zh) | 一种整合和监管第三方环境检测机构的平台 | |
CN109559206A (zh) | 一种区域企业诚信评价方法、装置及终端设备 | |
CN116909712A (zh) | 基于机器学习的智能任务调度***及其方法 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN115809818A (zh) | 抽水蓄能电站辅助设备多维诊断评估方法及装置 | |
CN115187026A (zh) | 一种产业风险监控方法、***和可读存储介质 | |
CN114265891A (zh) | 基于多源数据融合的智慧车间***、方法及存储介质 | |
CN111651652B (zh) | 基于人工智能的情感倾向识别方法、装置、设备及介质 | |
CN109450934A (zh) | 终端接入数据异常检测方法及*** |
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 |