CN117851184A - 一种基于机器学习的告警分级***和方法 - Google Patents

一种基于机器学习的告警分级***和方法 Download PDF

Info

Publication number
CN117851184A
CN117851184A CN202311722313.3A CN202311722313A CN117851184A CN 117851184 A CN117851184 A CN 117851184A CN 202311722313 A CN202311722313 A CN 202311722313A CN 117851184 A CN117851184 A CN 117851184A
Authority
CN
China
Prior art keywords
alarm
alert
classification
feature
data
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
Application number
CN202311722313.3A
Other languages
English (en)
Inventor
蔡圻钊
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.)
Tianyi Cloud Technology Co Ltd
Original Assignee
Tianyi Cloud Technology 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 Tianyi Cloud Technology Co Ltd filed Critical Tianyi Cloud Technology Co Ltd
Priority to CN202311722313.3A priority Critical patent/CN117851184A/zh
Publication of CN117851184A publication Critical patent/CN117851184A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明属于云计算运维监控领域，尤其是一种基于机器学习的告警分级***和方法，针对现有的在集中在对于告警日志做单一维度的处理，并未对告警涉及的业务维度进行纳入分析，难以体现其分级对业务价值的影响的问题，现提出如下方案，其包括特征与标签生成***和机器学习模型***，所述特征与标签生成系用于对告警对应的业务数据、实时影响数据潜在告警的业务特征，使得能够明确告警的处理最终是为业务服务，避免因为对线上业务导致影响业务服务造成经济损失和客户口碑的下降，业务数据分为静态数据和动态数据，可综合历史的知识先验数据和实时的影响范围、客户反馈，形成以业务价值为主导的数据模型。

Description

一种基于机器学习的告警分级***和方法
技术领域
本发明涉及云计算运维监控技术领域，尤其涉及一种基于机器学习的告警分级***和方法。
背景技术
在运维告警处理领域，大部分企业收到多个告警后，都是按运维人员主观判断进行先后处理，较少有量化或从先验数据知识维度进行判断。对于***规模小、架构简单且并发告警少的***，影响不大。对于如云计算服务***，存在客户量多、***复杂度高、并发访问量大，极易出现同时出现多个故障及告警，且因为功能之间耦合且涉及多方，较难综合判断修复排查优先级。仅靠主观判断极易出现因高优告警判断不准确导致带来更大的客户经济影响和口碑降低。
当前查询到的方案中：
1、《一种告警分级方案、装置、电子设备及存储介质》
(CN113722192A)描述一种基于获取预设告警数据序列，并加入待分级数据，通过时间序列分解方式得到余项的统计指标作为告警置信度判断分级的***。分级方式维度单一、且规则简单固化，难以适应纳入包括业务维度和历史经验数据。
2、告警分级方法、装置、设备及存储介质(CN115640192A)描述一种监控历史数据，采用训练的模型对历史数据进行关键特征提取后，进行告警分级的策略。该方法特征仅有日志数据，实际上无法对告警的业务影响面进行衡量，且权力范围仅限定使用预设catboost模型，保护方法和范围较小。
3、一种告警分级方法和装置(CN106161058B)描述一种获取告警信息及预置告警分级规则，根据规则确定是否长期告警或波动告警的***。该方法仅从大量告警中筛选分类是否重要两类告警，对于告警优先级排序并无涉及。
综上，当前技术集中在对于告警日志做单一维度的处理，并未对告警涉及的业务维度进行纳入分析，难以体现其分级对业务价值的影响。
而本发明对接口层面进行业务维度数据的纳入，并通过持续优化历史分级标签进行经验化的干预，形成先验知识训练样本，通过机器学习算法模型训练，形成持续迭代的告警分级***。
发明内容
本发明的目的是为了解决现有技术中存在集中在对于告警日志做单一维度的处理，并未对告警涉及的业务维度进行纳入分析，难以体现其分级对业务价值的影响缺点，而提出的一种基于机器学习的告警分级***和方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于机器学习的告警分级***和方法，包括特征与标签生成***和机器学习模型***，所述特征与标签生成系用于对告警对应的业务数据、实时影响数据潜在告警的业务特征，通过数据挖掘的方式进行分级判断，所述机器学习模型***用于通过机器学习的方法，对告警特征进行机器学习模型的训练，当有新的告警触发时，即可对告警进行计算得出其高优等级，并将目标告警进行排序，形成告警优先级处理序列，辅助进行告警按优先级进行修复。
优选的，所述特征与标签生成***包括静态告警先验知识库模块、实时告警特征采集模块、告警特征生成模块和历史告警综合分级模块；
所述静态告警先验知识库模块包括告警获取单元；所述告警获取单元用于以{接口+告警标识}为主键，进行特征收集和生成，针对业务人员经验，可获取对应告警的业务特征。
优选的，所述机器学习模型***包括告警机器学习模型模块、实时告警特征生成队列模块和告警分级输出模块。
优选的，所述告警获取单元还包括获取方法，所述获取方法包括如下步骤：
S1、告警优先程度对比：a{1～n}；
S2、涉及用户等级比对：b{1～m}；
S3、涉及影响用户服务模块重要等级比对：c{1～z}；
其中n、m、z根据不同公司、业务实际情况进行分级区分，1～3的指标主要包含对静态的业务数据收集的特征，不同公司有更多的业务维度特征可进行补充。
优选的，所述实时告警特征采集模块相对于上述静态数据，更偏向对当前接口的动态反馈数据特征进行统计，通过包括但不限于客户和运营人员收集到接口的影响时间、客户投诉量、投诉客户等级，所述实时告警特征采集模块包括采集方法，所述采集方法如下步骤：
S1、生成告警影响时间：t；
S2、生成客服投诉数量：n；
S3、生成投诉客户等级：v{1～10}(多个客户投诉取最大等级)。
优选的，所述告警特征生成模块将以上告警的静态和动态特征为单一值，可将其进行拼接形成一个向量特征，当已获取值a,b,c,t,n,v时，则将其值拼接成告警特征
由于不同特征项和尺度不统一，对所生成的向量进行归一化处理，形成最终的特征向量
优选的，所述历史告警综合分级模块用于为技术和业务人员一同参与，结合历史告警根据影响用户、影响范围、持续时间业务维度对告警进行分级打标，该打标更能体现出复盘后多方意见综合的结论和业务价值。
优选的，所述告警机器学习模型模块将历史特征数据Pt和历史分级标签数据匹配形成训练集，对相同分级数据进行分类中心计算，在相同分类内，有向量集时配置有如下公式：
上述公式对矩阵进行均值计算，再配置计算公式一：
最终得到L个分类中心集合再配置有公式二：
通过公式二每一个分类，对应的el就是该分类最终对应的分类中心。
优选的，所述实时告警特征生成队列模块对于新触发的告警信息，与告警历史静态先验知识库模块生成特征数据一样，对动态实时告警特征采集模块生成的数据，当新生成特征数据值为a1，b1、c1、t1、n1、v1时，配置公式一：
对于多个实时告警，则和组合成实时告警特征矩阵公式：
优选的，所述告警分级输出模块将告警逐个与L个分类中心进行距离计算；包括但不限于L1范数(曼哈顿距离)、L2范数(欧式距离)、切比雪夫距离；
以欧式距离为例，分别计算与/>的欧式距离
依此计算出d11～d1L，取其对应最小值；
最小值为d1f，则对应f的中心点为其最近邻的分类，其对应的分类级别，则为该告警的分级F1；
对当前所有告警按照分级等级进行顺序排序，相同分级则按触发时间排序，最终得到告警矩阵M'{m'1,m'2,…,m'k}k个告警对应的分类值；
至此，则告警处理人员可以结合M'对当前并发的告警队列依此进行处理。
有益效果
1、本发明中，通过特征与标签生成***，使得能够明确告警的处理最终是为业务服务，避免因为对线上业务导致影响业务服务造成经济损失和客户口碑的下降，业务数据分为静态数据和动态数据，可综合历史的知识先验数据和实时的影响范围、客户反馈，形成以业务价值为主导的数据模型，从而能更好地对告警队列进行基于业务地处理排序。
2、本发明中，通过机器学习模型***，基于告警处理需要更快速的响应和处理，故该***并不采用复杂的机器学习模型，而是采用快速的KNN紧邻分类算法，针对分级做快速距离计算从而快速分类，且由于分级一般不会特别多，故在并发告警时，能快速计算得出优先级排序，第一时间可对业务优先级高的告警进行告警问题排查和修复。
附图说明
图1为本发明提出的一种基于机器学习的告警分级***和方法的***框图。
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。
实施例一
参照图1，一种基于机器学习的告警分级***和方法，包括特征与标签生成***和机器学习模型***，所述特征与标签生成系用于对告警对应的业务数据、实时影响数据潜在告警的业务特征，通过数据挖掘的方式进行分级判断，所述机器学习模型***用于通过机器学习的方法，对告警特征进行机器学习模型的训练，当有新的告警触发时，即可对告警进行计算得出其高优等级，并将目标告警进行排序，形成告警优先级处理序列，辅助进行告警按优先级进行修复。
所述特征与标签生成***包括静态告警先验知识库模块、实时告警特征采集模块、告警特征生成模块和历史告警综合分级模块；
所述静态告警先验知识库模块包括告警获取单元；所述告警获取单元用于以{接口+告警标识}为主键，进行特征收集和生成，针对业务人员经验，可获取对应告警的业务特征。
所述机器学习模型***包括告警机器学习模型模块、实时告警特征生成队列模块和告警分级输出模块。
所述告警获取单元还包括获取方法，所述获取方法包括如下步骤：
S1、告警优先程度对比：a{1～n}；
S2、涉及用户等级比对：b{1～m}；
S3、涉及影响用户服务模块重要等级比对：c{1～z}；
其中n、m、z根据不同公司、业务实际情况进行分级区分，1～3的指标主要包含对静态的业务数据收集的特征，不同公司有更多的业务维度特征可进行补充。
所述实时告警特征采集模块相对于上述静态数据，更偏向对当前接口的动态反馈数据特征进行统计，通过包括但不限于客户和运营人员收集到接口的影响时间、客户投诉量、投诉客户等级，所述实时告警特征采集模块包括采集方法，所述采集方法如下步骤：
S1、生成告警影响时间：t；
S2、生成客服投诉数量：n；
S3、生成投诉客户等级：v{1～10}(多个客户投诉取最大等级)。
所述告警特征生成模块将以上告警的静态和动态特征为单一值，可将其进行拼接形成一个向量特征，当已获取值a,b,c,t,n,v时，则将其值拼接成告警特征
由于不同特征项和尺度不统一，对所生成的向量进行归一化处理，形成最终的特征向量
所述历史告警综合分级模块用于为技术和业务人员一同参与，结合历史告警根据影响用户、影响范围、持续时间业务维度对告警进行分级打标，该打标更能体现出复盘后多方意见综合的结论和业务价值。
所述告警机器学习模型模块将历史特征数据Pt和历史分级标签数据匹配形成训练集，对相同分级数据进行分类中心计算，在相同分类内，有向量集时配置有如下公式：
上述公式对矩阵进行均值计算，再配置计算公式一：
最终得到L个分类中心集合再配置有公式二：
通过公式二每一个分类，对应的el就是该分类最终对应的分类中心。
所述实时告警特征生成队列模块对于新触发的告警信息，与告警历史静态先验知识库模块生成特征数据一样，对动态实时告警特征采集模块生成的数据，当新生成特征数据值为a1，b1、c1、t1、n1、v1时，配置公式一：
对于多个实时告警，则和组合成实时告警特征矩阵公式：
所述告警分级输出模块将告警逐个与L个分类中心进行距离计算；包括但不限于L1范数(曼哈顿距离)、L2范数(欧式距离)、切比雪夫距离；
以欧式距离为例，分别计算与/>的欧式距离
依此计算出d11～d1L，取其对应最小值；
最小值为d1f，则对应f的中心点为其最近邻的分类，其对应的分类级别，则为该告警的分级F1；
对当前所有告警按照分级等级进行顺序排序，相同分级则按触发时间排序，最终得到告警矩阵M'{m'1,m'2,…,m'k}k个告警对应的分类值；
至此，则告警处理人员可以结合M'对当前并发的告警队列依此进行处理。
实施例二
在实施例一的基础上改进：实施例步骤如下：
步骤1：以{接口+告警标识}为主键，进行特征收集和生成，静态数据包括告警优先程度、涉及用户等级、涉及影响用户服务模块重要等级a,b，c，动态数据包括触发告警后的告警影响时间t、客服投诉数量n、投诉客户等级v(多个客户投诉取最大等级)；
步骤2：生成告警特征：将以上告警的静态和动态特征进行整合，形成最终的告警特征由于不同特征项和尺度不统一，对所生成的向量进行归一化处理，形成最终的特征向量/>
步骤3：针对历史告警的影响复盘，对历史告警进行分级打分，按照公司业务实际进行优先级分级，比如区分为10级，计算分类等级对应的特征中心，从而形成10个分类中心；
步骤4：对于新触发的告警，分别于10个分类中心进行欧式距离计算，并将新触发的分类归类为距离最近的分类中心对应的分类分级。
步骤5：针对当前并发的告警，进行如步骤4获取的分类进行按照等级优先级进行排序；
如等级相同则按照时间排序，先发生的告警排前，从而得到告警排序序列。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的告警分级***，其特征在于，包括特征与标签生成***和机器学习模型***，所述特征与标签生成系用于对告警对应的业务数据、实时影响数据潜在告警的业务特征，通过数据挖掘的方式进行分级判断，所述机器学习模型***用于通过机器学习的方法，对告警特征进行机器学习模型的训练，当有新的告警触发时，即可对告警进行计算得出其高优等级，并将目标告警进行排序，形成告警优先级处理序列，辅助进行告警按优先级进行修复。
2.根据权利要求1所述的一种基于机器学习的告警分级***，其特征在于，所述特征与标签生成***包括静态告警先验知识库模块、实时告警特征采集模块、告警特征生成模块和历史告警综合分级模块；
所述静态告警先验知识库模块包括告警获取单元；所述告警获取单元用于以{接口+告警标识}为主键，进行特征收集和生成，针对业务人员经验，可获取对应告警的业务特征。
3.根据权利要求1所述的一种基于机器学习的告警分级***，其特征在于，所述机器学习模型***包括告警机器学习模型模块、实时告警特征生成队列模块和告警分级输出模块。
4.根据权利要求1所述的一种基于机器学习的告警分级***，其特征在于，所述告警获取单元还包括获取方法，所述获取方法包括如下步骤：
S1、告警优先程度对比：a{1～n}；
S2、涉及用户等级比对：b{1～m}；
S3、涉及影响用户服务模块重要等级比对：c{1～z}；
其中n、m、z根据不同公司、业务实际情况进行分级区分，1～3的指标主要包含对静态的业务数据收集的特征。
5.根据权利要求1-4任意一项所述的一种基于机器学习的告警分级***的分级方法，其特征在于，所述实时告警特征采集模块相对于上述静态数据，更偏向对当前接口的动态反馈数据特征进行统计，通过包括但不限于客户和运营人员收集到接口的影响时间、客户投诉量、投诉客户等级，所述实时告警特征采集模块包括采集方法，所述采集方法如下步骤：
S1、生成告警影响时间：t；
S2、生成客服投诉数量：n；
S3、生成投诉客户等级：v{1～10}(多个客户投诉取最大等级)。
6.根据权利要求5所述的一种基于机器学习的告警分级***的分级方法，其特征在于，所述告警特征生成模块将以上告警的静态和动态特征为单一值，可将其进行拼接形成一个向量特征，当已获取值a,b,c,t,n,v时，则将其值拼接成告警特征
由于不同特征项和尺度不统一，对所生成的向量进行归一化处理，形成最终的特征向量
7.根据权利要求6所述的一种基于机器学习的告警分级***的分级方法，其特征在于，所述历史告警综合分级模块用于为技术和业务人员一同参与，结合历史告警根据影响用户、影响范围、持续时间业务维度对告警进行分级打标。
8.根据权利要求7所述的一种基于机器学习的告警分级***的分级方法，其特征在于，所述告警机器学习模型模块将历史特征数据Pt和历史分级标签数据匹配形成训练集，对相同分级数据进行分类中心计算，在相同分类内，有向量集时配置有如下公式：
上述公式对矩阵进行均值计算，再配置计算公式一：
最终得到L个分类中心集合再配置有公式二：
通过公式二每一个分类，对应的el分类最终对应的分类中心。
9.根据权利要求8所述的一种基于机器学习的告警分级***的分级方法，其特征在于，所述实时告警特征生成队列模块对于新触发的告警信息，与告警历史静态先验知识库模块生成特征数据一样，对动态实时告警特征采集模块生成的数据，当新生成特征数据值为a1，b1、c1、t1、n1、v1时，配置公式一：
对于多个实时告警，则和组合成实时告警特征矩阵公式：
10.根据权利要求9所述的一种基于机器学习的告警分级***的分级方法，其特征在于，所述告警分级输出模块将告警逐个与L个分类中心进行距离计算；包括但不限于L1范数、L2范数、切比雪夫距离；
以欧式距离为例，分别计算与/>的欧式距离
依此计算出d11～d1L，取其对应最小值；
最小值为d1f，则对应f的中心点为其最近邻的分类，其对应的分类级别，则为该告警的分级F1；
对当前所有告警按照分级等级进行顺序排序，相同分级则按触发时间排序，最终得到告警矩阵M'{m'1,m'2,…,m'k}k个告警对应的分类值；
至此，则告警处理人员可以结合M'对当前并发的告警队列依此进行处理。
CN202311722313.3A 2023-12-14 2023-12-14 一种基于机器学习的告警分级***和方法 Pending CN117851184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311722313.3A CN117851184A (zh) 2023-12-14 2023-12-14 一种基于机器学习的告警分级***和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311722313.3A CN117851184A (zh) 2023-12-14 2023-12-14 一种基于机器学习的告警分级***和方法

Publications (1)

Publication Number Publication Date
CN117851184A true CN117851184A (zh) 2024-04-09

Family

ID=90542694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311722313.3A Pending CN117851184A (zh) 2023-12-14 2023-12-14 一种基于机器学习的告警分级***和方法

Country Status (1)

Country Link
CN (1) CN117851184A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118093329A (zh) * 2024-04-28 2024-05-28 成都乐超人科技有限公司 基于事件驱动的微服务监控告警方法及***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118093329A (zh) * 2024-04-28 2024-05-28 成都乐超人科技有限公司 基于事件驱动的微服务监控告警方法及***
CN118093329B (zh) * 2024-04-28 2024-07-12 成都乐超人科技有限公司 基于事件驱动的微服务监控告警方法及***

Similar Documents

Publication Publication Date Title
WO2021184630A1 (zh) 基于知识图谱定位排污对象的方法及相关设备
CN107528832B (zh) 一种面向***日志的基线构建与未知异常行为检测方法
CN105653444B (zh) 基于互联网日志数据的软件缺陷故障识别方法和***
CN103745229A (zh) 一种基于svm的轨道交通故障诊断方法及***
CN117851184A (zh) 一种基于机器学习的告警分级***和方法
CN107886231B (zh) 客服的服务质量评价方法与***
CN108345670B (zh) 一种用于95598电力工单的服务热点发现方法
CN111652395A (zh) 一种高速铁路接触网设备健康评估方法
CN108470022A (zh) 一种基于运维管理的智能工单质检方法
CN108985467A (zh) 基于人工智能的二次设备精益化管控方法
CN114201374A (zh) 基于混合机器学习的运维时序数据异常检测方法及***
CN110570097A (zh) 基于大数据的业务人员风险识别方法、装置及存储介质
CN111796957A (zh) 基于应用日志的交易异常根因分析方法及***
CN116485020B (zh) 一种基于大数据的供应链风险识别预警方法、***及介质
CN115617784A (zh) 一种信息化配电的数据处理***及其处理方法
CN107742162B (zh) 一种基于配调监控信息的多维特征关联分析方法
CN116452212B (zh) 一种智能客服商品知识库信息管理方法及***
CN112465397A (zh) 一种审计数据的分析方法和装置
CN115658772A (zh) 一种无人机光伏巡检数据类资产管理方法及***
CN113393169B (zh) 基于大数据技术的金融行业交易***性能指标分析方法
CN112506930B (zh) 一种基于机器学习技术的数据洞察***
CN112732773A (zh) 一种继电保护缺陷数据的唯一性校核方法及***
CN113888318A (zh) 风险检测方法及***
CN111612302A (zh) 一种集团级数据管理方法和设备
CN114764867A (zh) 基于图像主特征提取的风机故障诊断***、方法及应用

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