【技术实现步骤摘要】
本专利技术属于运维管理，具体涉及一种运维数据的风险评估方法及系统。
技术介绍
1、设备在长期使用过程中，为保证其能安全、稳定运行，需要进行间断或不间断的运维管理，即采集相应的运维数据进行分析、评估，以判断设备是否存在安全风险、性能瓶颈或故障隐患，进而进行针对性的维护。传统的设备运维数据监测评估方式，采用的是简单的经验值区间比对判定的方式，这种一刀切的评估方式对于运维数据的风险检测评估效果较差、可靠性较低，不能为运维人员提供有效的决策支持。随着设备运维复杂性的增加，传统的运维数据监测评估方式已经无法满足日益严格的运维管理要求。
技术实现思路
1、本专利技术的目的是提供一种运维数据的风险评估方法及系统，用以解决现有技术中存在的上述问题。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、第一方面，提供一种运维数据的风险评估方法，包括：
4、获取目标设备在当前时间段内的初始运维数据集，并对初始运维数据进行数据清洗，得到待检运维数据集，所述待检运维数据集中包含若干数据类型的运维数据时间序列；
5、从待检运维数据集中提取目标数据类型对应的运维数据时间序列作为目标运维数据时间序列，所述目标运维数据时间序列中包含若干个时间点以及各时间点对应的运维数据；
6、将目标运维数据时间序列中的各运维数据按照对应时间点的顺序进行顺次组合，得到运维数据序列；
7、对运维数据序列进行数据序列特征提取，得到对应的数据序列特征向量；>
8、基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况；
9、在判定运维数据序列存在异常情况时，确定运维数据序列中的各异常运维数据，并确定各异常运维数据对应的数据异常值，将所有数据异常值中的最大值作为参考异常值；
10、根据参考异常值以及目标数据类型对应的风险评估规则确定风险等级，根据风险等级生成对应的运维预警信息，并将运维预警信息与目标运维数据时间序列关联输出。
11、在一个可能的设计中，所述从待检运维数据集中提取目标数据类型对应的运维数据时间序列作为目标运维数据时间序列，包括：
12、获取目标数据类型对应的数据类型编号；
13、将目标数据类型对应的数据类型编号代入预置的字符转换表中进行匹配查找，确定该数据类型编号对应的字符，所述字符转换表中包含若干数据类型编号及各数据类型编号关联对应的字符；
14、从待检运维数据集中提取标记有所述字符的运维数据时间序列作为目标运维数据时间序列。
15、在一个可能的设计中，所述对运维数据序列进行数据序列特征提取，得到对应的数据序列特征向量，包括：
16、将长度为n的运维数据序列s＝{s1，s2，···，sn}代入预置的向量转换式中进行计算，得到m维的数据序列特征向量x＝{x1，x2，···，xm}，所述向量转换式为
17、
18、其中，xi为维度i对应的数据序列特征向量分量，sj为序号j对应的运维数据，xi∈{x1，x2，···，xm}，sj∈{s1，s2，···，sn}，表征向下取整算子。
19、在一个可能的设计中，所述基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况，包括：
20、将数据序列特征向量输入预置的运维数据异常检测模型中进行异常检测，得到运维数据序列的异常检测结果，所述运维数据异常检测模型采用经过训练的人工神经网络模型；
21、在异常检测结果为异常标签时，判定运维数据序列存在异常情况，在异常检测结果为非异常标签时，判定运维数据序列不存在异常情况。
22、在一个可能的设计中，所述基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况，包括：
23、获取参照序列特征向量，所述参照序列特征向量与数据序列特征向量维度数量相同；
24、将数据序列特征向量与参照序列特征向量代入预置的向量距离算式中进行计算，得到数据序列特征向量与参照序列特征向量之间的向量距离，所述向量距离算式为
25、
26、其中，d(x，y)表征向量距离，i表征向量维度，xi表征数据序列特征向量的i维分量，yi表征参照序列特征向量的i维分量，m表征数据序列特征向量与参照序列特征向量的维度数量，α为设定的第一系数，β为设定的第二系数；
27、在向量距离超过设定的距离阈值时，判定运维数据序列存在异常情况，否则，判定运维数据序列不存在异常情况。
28、在一个可能的设计中，所述确定运维数据序列中的各异常运维数据，包括：
29、遍历运维数据序列，将运维数据序列中的任一运维数据作为待测运维数据；
30、计算待测运维数据与运维数据序列中其余各运维数据的差值绝对值，并确定其中大于设定差值阈值的差值绝对值的数量p；
31、若数量p大于或等于设定数量，则判定待测运维数据为异常运维数据。
32、在一个可能的设计中，所述确定各异常运维数据对应的数据异常值，包括：
33、计算运维数据序列中除去各异常运维数据外剩余运维数据的平均值；
34、将异常运维数据与平均值的差值绝对值作为对应异常运维数据的数据异常值。
35、在一个可能的设计中，所述根据参考异常值以及目标数据类型对应的风险评估规则确定风险等级，包括：
36、将参考异常值代入目标数据类型对应的风险等级评估表中进行匹配，确定对应的风险等级，所述风险等级评估表中包含若干风险等级以及各风险等级关联对应的参考异常值区间。
37、第二方面，提供一种运维数据的风险评估系统，包括数据获取单元、序列提取单元、数据组合单元、特征提取单元、异常分析单元、异常确定单元和风险评估单元，其中：
38、数据获取单元，用于获取目标设备在当前时间段内的初始运维数据集，并对初始运维数据进行数据清洗，得到待检运维数据集，所述待检运维数据集中包含若干数据类型的运维数据时间序列；
39、序列提取单元，用于从待检运维数据集中提取目标数据类型对应的运维数据时间序列作为目标运维数据时间序列，所述目标运维数据时间序列中包含若干个时间点以及各时间点对应的运维数据；
40、数据组合单元，用于将目标运维数据时间序列中的各运维数据按照对应时间点的顺序进行顺次组合，得到运维数据序列；
41、特征提取单元，用于对运维数据序列进行数据序列特征提取，得到对应的数据序列特征向量；
42、异常分析单元，用于基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况；
43、异常确定单元，用于在判定运维数据序列存在异常情况时，确定运维数据序列中的各异常运维数据，并确定各异常运维数据对应的数据异常值，将所有数据异常值中的最大值作为参考异常值；
本文档来自技高网...
【技术保护点】
1.一种运维数据的风险评估方法，其特征在于，包括：
2.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述从待检运维数据集中提取目标数据类型对应的运维数据时间序列作为目标运维数据时间序列，包括：
3.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述对运维数据序列进行数据序列特征提取，得到对应的数据序列特征向量，包括：
4.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况，包括：
5.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况，包括：
6.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述确定运维数据序列中的各异常运维数据，包括：
7.根据权利要求6所述的一种运维数据的风险评估方法，其特征在于，所述确定各异常运维数据对应的数据异常值，包括：
8.根据权利要求1所
9.一种运维数据的风险评估系统，其特征在于，包括数据获取单元、序列提取单元、数据组合单元、特征提取单元、异常分析单元、异常确定单元和风险评估单元，其中：
10.一种运维数据的风险评估系统，其特征在于，包括：
...【技术特征摘要】
1.一种运维数据的风险评估方法，其特征在于，包括：
2.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述从待检运维数据集中提取目标数据类型对应的运维数据时间序列作为目标运维数据时间序列，包括：
3.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述对运维数据序列进行数据序列特征提取，得到对应的数据序列特征向量，包括：
4.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述基于数据序列特征向量对运维数据序列进行异常分析，判断运维数据序列是否存在异常情况，包括：
5.根据权利要求1所述的一种运维数据的风险评估方法，其特征在于，所述基于数据序列特征向量对运维数据序列进行异常分析，...
【专利技术属性】
技术研发人员：吴翔，
申请(专利权)人：奇墨科技广州有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。