基于时序挖掘的信息系统诊断平台设计与实现
发布时间：2022-11-07 19:20
近年来,随着社会生产方式和信息化水平的不断发展,信息系统运维开始逐渐受到人们的关注。在人工智能广泛应用的背景下,考虑如何采用大数据技术提升运维领域的智能化水平、减轻运维压力,已经成为当下需要突破的首要难题。本文设计并实现了一种基于时序挖掘的信息系统诊断平台,首先通过对复杂业务指标数据进行时序分析和异常挖掘,主动发现信息系统潜在故障;其次构建信息系统运行状态评估体系,实现对信息系统“健康状态”的实时监测;最后结合改进的预测算法完成对系统整体态势的预测,及早发现信息系统异常运行的征兆和规律。综合该过程提出的“诊断-评估-预测”三阶段运维方案,本文的主要研究内容如下:1.研究基于统一时序分析框架的异常检测算法。在传统时序监控的基础上,本文构建了离线大规模时序数据批量处理、建模与在线实时流数据计算、异常检测相融合的统一时序分析框架,大幅提升了实际业务系统中异常检测的命中率,为后续信息系统状态评估和趋势预测提供了有效的数据支撑。2.研究基于时序分析优化的系统健康状态评估模型。综合比较不同系统层次结构下传统评估方法的应用区别,本文基于模糊矩阵细化指标影响权重,并通过时序挖掘技术对核心判断矩阵构建过...
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 时间序列分析
1.2.2 异常检测
1.2.3 信息系统运维
1.3 研究内容
1.4 结构安排
第二章 相关技术和基础理论
2.1 系统状态评估方法
2.2 时序分析基础理论
2.2.1 时序数据预处理
2.2.2 异常模式挖掘
2.2.3 时序指标预测
2.3 本章小结
第三章 系统运维诊断与态势预测关键算法研究与实现
3.1 总体算法框架
3.2 基于统一时序挖掘框架的异常检测算法
3.2.1 传统时序异常检测模型及存在的问题
3.2.2 异常检测算法设计
3.2.3 异常检测算法实现与测试
3.3 基于时序分析优化的系统健康状态评估模型
3.3.1 传统AHP应用介绍及主要问题
3.3.2 系统健康状态评估模型设计
3.3.3 系统健康状态评估模型实现与测试
3.4 基于混合神经网络的系统态势预测模型
3.4.1 传统ARIMA时序预测介绍
3.4.2 Tre Net混合神经网络架构
3.4.3 系统态势预测模型设计
3.4.4 系统态势预测模型实现与测试
3.5 本章小结
第四章 基于时序挖掘的信息系统诊断平台设计与实现
4.1 需求分析
4.2 系统设计与实现
4.2.1 总体设计
4.2.2 数据库设计与实现
4.2.3 功能模块设计与实现
4.3 本章小结
第五章 系统测试与结果分析
5.1 测试环境
5.2 系统功能测试
5.3 本章小结
第六章 总结与展望
6.1 论文总结
6.2 未来工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]概率后缀树在移动用户轨迹异常检测中的应用[J]. 周湛. 移动通信. 2018(08)
[2]基于频繁模式发现的时间序列异常检测方法[J]. 李海林,邬先利. 计算机应用. 2018(11)
[3]基于层级实时记忆算法的时间序列异常检测算法[J]. 曾惟如,吴佳,闫飞. 电子学报. 2018(02)
[4]基于异常因子的时间序列异常模式检测[J]. 刘雪梅,王亚茹. 计算机技术与发展. 2018(03)
[5]基于AHP、ARIMA算法的电力信息系统负载预测研究与应用[J]. 王旭,陈潇一. 电网与清洁能源. 2017(08)
[6]天津测震台网应用系统负载分析与磁盘容量预测技术[J]. 孙路强,刘磊,许贺,柳艳丽. 网络安全技术与应用. 2017(07)
[7]基于相似性分析的时间序列异常检测方法[J]. 孙焱,林意. 山东农业大学学报(自然科学版). 2017(02)
[8]基于动态弯曲的时间序列异步相关性分析[J]. 李海林. 计算机应用研究. 2014(07)
[9]基于扩展符号聚集近似的水文时间序列异常挖掘[J]. 刘千,朱跃龙,张鹏程. 计算机应用研究. 2012(12)
[10]基于相关性分析的时间序列异常检测方法[J]. 曹文平,熊启军,罗颖,赵永标. 信息系统工程. 2012(10)
硕士论文
[1]电网信息系统运行状态评价系统设计与应用[D]. 陈亚军.华北电力大学 2016
本文编号：3704257
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 时间序列分析
1.2.2 异常检测
1.2.3 信息系统运维
1.3 研究内容
1.4 结构安排
第二章 相关技术和基础理论
2.1 系统状态评估方法
2.2 时序分析基础理论
2.2.1 时序数据预处理
2.2.2 异常模式挖掘
2.2.3 时序指标预测
2.3 本章小结
第三章 系统运维诊断与态势预测关键算法研究与实现
3.1 总体算法框架
3.2 基于统一时序挖掘框架的异常检测算法
3.2.1 传统时序异常检测模型及存在的问题
3.2.2 异常检测算法设计
3.2.3 异常检测算法实现与测试
3.3 基于时序分析优化的系统健康状态评估模型
3.3.1 传统AHP应用介绍及主要问题
3.3.2 系统健康状态评估模型设计
3.3.3 系统健康状态评估模型实现与测试
3.4 基于混合神经网络的系统态势预测模型
3.4.1 传统ARIMA时序预测介绍
3.4.2 Tre Net混合神经网络架构
3.4.3 系统态势预测模型设计
3.4.4 系统态势预测模型实现与测试
3.5 本章小结
第四章 基于时序挖掘的信息系统诊断平台设计与实现
4.1 需求分析
4.2 系统设计与实现
4.2.1 总体设计
4.2.2 数据库设计与实现
4.2.3 功能模块设计与实现
4.3 本章小结
第五章 系统测试与结果分析
5.1 测试环境
5.2 系统功能测试
5.3 本章小结
第六章 总结与展望
6.1 论文总结
6.2 未来工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
【参考文献】：
期刊论文
[1]概率后缀树在移动用户轨迹异常检测中的应用[J]. 周湛. 移动通信. 2018(08)
[2]基于频繁模式发现的时间序列异常检测方法[J]. 李海林,邬先利. 计算机应用. 2018(11)
[3]基于层级实时记忆算法的时间序列异常检测算法[J]. 曾惟如,吴佳,闫飞. 电子学报. 2018(02)
[4]基于异常因子的时间序列异常模式检测[J]. 刘雪梅,王亚茹. 计算机技术与发展. 2018(03)
[5]基于AHP、ARIMA算法的电力信息系统负载预测研究与应用[J]. 王旭,陈潇一. 电网与清洁能源. 2017(08)
[6]天津测震台网应用系统负载分析与磁盘容量预测技术[J]. 孙路强,刘磊,许贺,柳艳丽. 网络安全技术与应用. 2017(07)
[7]基于相似性分析的时间序列异常检测方法[J]. 孙焱,林意. 山东农业大学学报(自然科学版). 2017(02)
[8]基于动态弯曲的时间序列异步相关性分析[J]. 李海林. 计算机应用研究. 2014(07)
[9]基于扩展符号聚集近似的水文时间序列异常挖掘[J]. 刘千,朱跃龙,张鹏程. 计算机应用研究. 2012(12)
[10]基于相关性分析的时间序列异常检测方法[J]. 曹文平,熊启军,罗颖,赵永标. 信息系统工程. 2012(10)
硕士论文
[1]电网信息系统运行状态评价系统设计与应用[D]. 陈亚军.华北电力大学 2016
本文编号：3704257
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3704257.html
