近年來,隨著社會生產(chǎn)方式和信息化水平的不斷發(fā)展,信息系統(tǒng)運(yùn)維開始逐漸受到人們的關(guān)注。在人工智能廣泛應(yīng)用的背景下,考慮如何采用大數(shù)據(jù)技術(shù)提升運(yùn)維領(lǐng)域的智能化水平、減輕運(yùn)維壓力,已經(jīng)成為當(dāng)下需要突破的首要難題。本文設(shè)計并實現(xiàn)了一種基于時序挖掘的信息系統(tǒng)診斷平臺,首先通過對復(fù)雜業(yè)務(wù)指標(biāo)數(shù)據(jù)進(jìn)行時序分析和異常挖掘,主動發(fā)現(xiàn)信息系統(tǒng)潛在故障;其次構(gòu)建信息系統(tǒng)運(yùn)行狀態(tài)評估體系,實現(xiàn)對信息系統(tǒng)“健康狀態(tài)”的實時監(jiān)測;最后結(jié)合改進(jìn)的預(yù)測算法完成對系統(tǒng)整體態(tài)勢的預(yù)測,及早發(fā)現(xiàn)信息系統(tǒng)異常運(yùn)行的征兆和規(guī)律。綜合該過程提出的“診斷-評估-預(yù)測”三階段運(yùn)維方案,本文的主要研究內(nèi)容如下:1.研究基于統(tǒng)一時序分析框架的異常檢測算法。在傳統(tǒng)時序監(jiān)控的基礎(chǔ)上,本文構(gòu)建了離線大規(guī)模時序數(shù)據(jù)批量處理、建模與在線實時流數(shù)據(jù)計算、異常檢測相融合的統(tǒng)一時序分析框架,大幅提升了實際業(yè)務(wù)系統(tǒng)中異常檢測的命中率,為后續(xù)信息系統(tǒng)狀態(tài)評估和趨勢預(yù)測提供了有效的數(shù)據(jù)支撐。2.研究基于時序分析優(yōu)化的系統(tǒng)健康狀態(tài)評估模型。綜合比較不同系統(tǒng)層次結(jié)構(gòu)下傳統(tǒng)評估方法的應(yīng)用區(qū)別,本文基于模糊矩陣細(xì)化指標(biāo)影響權(quán)重,并通過時序挖掘技術(shù)對核心判斷矩陣構(gòu)建過... 

【文章頁數(shù)】：81 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 時間序列分析
        1.2.2 異常檢測
        1.2.3 信息系統(tǒng)運(yùn)維
    1.3 研究內(nèi)容
    1.4 結(jié)構(gòu)安排
第二章 相關(guān)技術(shù)和基礎(chǔ)理論
    2.1 系統(tǒng)狀態(tài)評估方法
    2.2 時序分析基礎(chǔ)理論
        2.2.1 時序數(shù)據(jù)預(yù)處理
        2.2.2 異常模式挖掘
        2.2.3 時序指標(biāo)預(yù)測
    2.3 本章小結(jié)
第三章 系統(tǒng)運(yùn)維診斷與態(tài)勢預(yù)測關(guān)鍵算法研究與實現(xiàn)
    3.1 總體算法框架
    3.2 基于統(tǒng)一時序挖掘框架的異常檢測算法
        3.2.1 傳統(tǒng)時序異常檢測模型及存在的問題
        3.2.2 異常檢測算法設(shè)計
        3.2.3 異常檢測算法實現(xiàn)與測試
    3.3 基于時序分析優(yōu)化的系統(tǒng)健康狀態(tài)評估模型
        3.3.1 傳統(tǒng)AHP應(yīng)用介紹及主要問題
        3.3.2 系統(tǒng)健康狀態(tài)評估模型設(shè)計
        3.3.3 系統(tǒng)健康狀態(tài)評估模型實現(xiàn)與測試
    3.4 基于混合神經(jīng)網(wǎng)絡(luò)的系統(tǒng)態(tài)勢預(yù)測模型
        3.4.1 傳統(tǒng)ARIMA時序預(yù)測介紹
        3.4.2 Tre Net混合神經(jīng)網(wǎng)絡(luò)架構(gòu)
        3.4.3 系統(tǒng)態(tài)勢預(yù)測模型設(shè)計
        3.4.4 系統(tǒng)態(tài)勢預(yù)測模型實現(xiàn)與測試
    3.5 本章小結(jié)
第四章 基于時序挖掘的信息系統(tǒng)診斷平臺設(shè)計與實現(xiàn)
    4.1 需求分析
    4.2 系統(tǒng)設(shè)計與實現(xiàn)
        4.2.1 總體設(shè)計
        4.2.2 數(shù)據(jù)庫設(shè)計與實現(xiàn)
        4.2.3 功能模塊設(shè)計與實現(xiàn)
    4.3 本章小結(jié)
第五章 系統(tǒng)測試與結(jié)果分析
    5.1 測試環(huán)境
    5.2 系統(tǒng)功能測試
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 未來工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]概率后綴樹在移動用戶軌跡異常檢測中的應(yīng)用[J]. 周湛.  移動通信. 2018(08)
[2]基于頻繁模式發(fā)現(xiàn)的時間序列異常檢測方法[J]. 李海林,鄔先利.  計算機(jī)應(yīng)用. 2018(11)
[3]基于層級實時記憶算法的時間序列異常檢測算法[J]. 曾惟如,吳佳,閆飛.  電子學(xué)報. 2018(02)
[4]基于異常因子的時間序列異常模式檢測[J]. 劉雪梅,王亞茹.  計算機(jī)技術(shù)與發(fā)展. 2018(03)
[5]基于AHP、ARIMA算法的電力信息系統(tǒng)負(fù)載預(yù)測研究與應(yīng)用[J]. 王旭,陳瀟一.  電網(wǎng)與清潔能源. 2017(08)
[6]天津測震臺網(wǎng)應(yīng)用系統(tǒng)負(fù)載分析與磁盤容量預(yù)測技術(shù)[J]. 孫路強(qiáng),劉磊,許賀,柳艷麗.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(07)
[7]基于相似性分析的時間序列異常檢測方法[J]. 孫焱,林意.  山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[8]基于動態(tài)彎曲的時間序列異步相關(guān)性分析[J]. 李海林.  計算機(jī)應(yīng)用研究. 2014(07)
[9]基于擴(kuò)展符號聚集近似的水文時間序列異常挖掘[J]. 劉千,朱躍龍,張鵬程.  計算機(jī)應(yīng)用研究. 2012(12)
[10]基于相關(guān)性分析的時間序列異常檢測方法[J]. 曹文平,熊啟軍,羅穎,趙永標(biāo).  信息系統(tǒng)工程. 2012(10)

碩士論文
[1]電網(wǎng)信息系統(tǒng)運(yùn)行狀態(tài)評價系統(tǒng)設(shè)計與應(yīng)用[D]. 陳亞軍.華北電力大學(xué) 2016



本文編號：3704257