基于增强现实的智能运维技术研究与应用
这是一篇关于移动增强现实,智能运维,远程协助的论文, 主要内容为变电站电力设备日益增长的运行与维护工作需求,当前运维工作的技术手段和管理方法难以满足其持续发展,变电站设备种类和数量繁多,在设备调试、维修和紧急情况处理时,现场运维人员可能无法独自完成,作业质量和效果无法及时检查确认,沟通和决策效率有待提高,且运维人员现场无法直接获取设备关联的运维信息。种种因素制约变电站的安全稳定运行,因此,迫切需求一套变电站智能运维系统辅助现场运维,提高现场运维作业效率与质量。本文在Android操作系统下设计并实现了基于移动增强现实的智能运维系统。将增强现实技术应用于变电站设备运维中,通过数据管理、设备识别、设备信息全息展示、集成管理和远程协助5个模块的设计与开发,实现增强现实技术在站内运维中的应用。基于增强现实以及识别技术,将辅助信息实时传送至现场操作人员智能终端显示;通过智能运维系统实现运维现场与远程专家的实时对话,从而指导、辅助现场运维决策,提高效率。基于增强现实技术的智能运维系统采用 B/S架构,借助于spring+springMVC+mybatis框架整合开发,采用Mysq1数据库,利用JSP实现页面的交互,建立由AR智能终端(智能手机、PDA、增强现实眼镜)和后台服务组成的系统,分析变电站设备全息信息的增强显示实现以及远程协助的应用,通过增强现实技术在变电站的开关柜检修远程协助、运维培训以及变电站验收中的应用验证系统的实用性和可操作性。系统集成信息模型、视频采集模块、图像特征点检测模块、特征点匹配模块、虚实融合显示模块实现了变电站全息信息的增强现实和远程协助功能,目前本系统正在测试运行,初步效果良好。
IoT中智能运维平台的设计与实现
这是一篇关于物联网,智能运维,微服务,数据一致性,异常检测的论文, 主要内容为随着物联网技术的高速发展和逐渐普及,需要对物联网产业提供必要的运维服务,以维持物联网系统的正常功能。同时物联网设备在系统中作为服务基础和核心部分,承担着功能实现和设备入网等重要功能,一旦出现故障将对系统整体造成巨大影响,因此物联网设备适合成为物联网系统运维服务的切入点和落地方向。但物联网设备种类繁多,存在信息敏感、业务复杂、位置偏僻等不同问题,人工运维成本高,不适用于传统的硬件运维模式。因此设计并实现一种全新的物联网设备运维产品解决上述问题,为整个物联网系统提供运维服务,成为物联网发展过程中极具意义的方向。论文对物联网设备的运维需求和运维现状进行了确认分析,对智能运维与物联网系统进行结合的落地方向和系统的架构创新进行了研究。之后以微服务思想对整体系统进行了设计与实现,形成微服务的架构模式。通过微服务的架构模式,提供了平台化服务,形成了低耦合的结构,满足了便捷性和扩展性的需求。针对可用性的需求,对微服务系统中分布式场景下的数据一致性问题进行了研究,对现有的分布式事务解决方案进行了改进,提出并实现了对应的解决方案。最终实现了系统一致性和可用性之间的平衡,满足了系统可用性的要求。论文对智能运维功能进行了研究与实现。分别对箱线图、时间序列异常检测算法和孤立森林等算法进行研究与实现,在对三种算法的特点进行测试评估之后,设计实现了分级智能检测机制,以应对不同情况下的异常检测需求。在检测到异常之后,使用决策树算法根据异常数据进行故障诊断。实现了系统的运维智能化。在研究实现之后,论文对物联网智能运维平台的功能和性能进行了测试。验证了本文通过代码工程和智能算法,实现了物联网智能运维平台,满足了对物联网系统提供实时智能运维服务的需求。
微服务化云平台智能运维系统的的设计与实现
这是一篇关于微服务,云平台,异常检测,智能运维,预训练的论文, 主要内容为随着云计算技术的高速发展,云平台被越来越多的企业所采用的,作为其信息系统的基础架构。随着微服务技术的发展,越来越多的云平台开始采用微服务架构,以提高平台功能的灵活性和扩充性。然而微服务化云平台中组件的增加导致了平台运维复杂度的提升。因此针对微服务化云平台引入人工智能运维(AIOps)成为了云平台技术演进和应用拓展的热点。本课题设计并实现了一个针对微服务化云平台的智能运维系统。该系统包含六个主要功能:状态数据采集通过状态监控服务收集服务器以及服务的运行状态信息;服务状态管理对服务器上部署的各项服务进行管理控制;异常检测包含阈值异常检测以及模型异常检测服务;分析服务通过状态数据以及异常检测结果分析评估云平台各功能的运行状态;告警通知通过分析异常检测结果,向管理员以多种途径发送通知;监控可视化为管理员提供了可交互的图形化运维系统界面。本课题提出了一种基于预训练模型,将多维时序分类问题迁移至图像领域的异常检测方法 StI-AD(Sequence to Image Anomaly Detection),实现了一种基于视觉领域预训练模型的多维数据异常检测方法。该方法首先提出了一种基于格拉姆角场法,将多维时序数据转换为二维三通道RGB图像的方法。借助云平台状态数据在以天为单位的尺度上存在周期性波动的特点,将收集到的状态数据以天为单位转换为RGB图像。其次,该方法基于ResNet-50的底层结构,并作出适当修改,使用生成的图像对基于ImageNet的预训练模型进行微调训练。此方法相较于基于Resnet-34、EfficientNet-v2、vgg-19等预训练模型的方法,缩减了模型更新所需要重新训练的瓶颈期时长,还借用极坐标保持数据对时间的依赖性,通过将时序数据转换成极坐标,可以体现出坐标的时域关联性。经过一系列实验表明,本方法在不同环境下的云平台中具有有效性,与上述其他模型结构相比有一定程度的性能提升。
面向智能运维的故障检测与根因定位技术研究
这是一篇关于智能运维,微服务,故障检测,根因定位的论文, 主要内容为现代IT系统的规模不断增大,并逐渐从传统的静态系统发展成动态的、混合的系统,人工运维逐渐力不从心。这催生了人工智能在IT运维领域的应用即智能运维(AIOps)的出现,它通过各种IT运维工具和设备收集数据,经过分析,实现自动的问题发现和处理。另一方面,微服务架构将单个应用程序划分为一组以独立的进程运行、使用轻量级协议进行通信的服务节点,提高了系统的抽象性、模块性,但其庞大的服务节点数量、动态的调用链和故障的传播特性也带来了运维方面的挑战,如何快速、准确的检测出微服务系统出现的故障并定位到故障的根因已成为研究热点。本研究基于智能运维的理念和方法,提出了应用于微服务系统的一种智能故障检测方法Trace VAE和一种智能根因定位方法Model Coder,并将二者组合为故障检测和定位一体化方法Trace Model。在故障检测方面,针对微服务系统的高度复杂性,定义部署图和服务依赖图实现了对微服务系统的形式化表示;针对微服务系统响应时间异常判定易受调用链干扰的问题,基于最大分支原则从服务依赖图中提取链路,并根据链路划分请求类,在请求类内部进行异常检测从而消除了调用链的影响;针对某些故障异常幅度低,易造成误判的问题,使用变分自动编码器将请求响应时间数据映射为重构概率,以增加正常数据和异常数据之间的差别,从而提高异常判断精度。在根因定位方面,针对微服务系统动态性强的问题,基于实时生成的异常服务依赖图进行根因定位;针对故障根节点的多种表现形式,定义了显式和隐式节点,提高了对故障特征的表达能力;针对故障的多节点特性,基于节点特征组对节点特征进行归纳,实现了多节点层次节点特征分析;针对故障类型多样的问题,使用编码的方法形式化表示节点特征,实现了故障特征的形式化比较和分析。在真实微服务系统监控数据集上进行的实验表明,本研究提出的方法平均根因定位时间为110s,Model Coder的根因定位精度为93%,Trace VAE能提升故障检测精度,从而将Trace Model的根因定位精度进一步提升至97%,相比于现有的方法提高了12%。
基于增强现实的智能运维技术研究与应用
这是一篇关于移动增强现实,智能运维,远程协助的论文, 主要内容为变电站电力设备日益增长的运行与维护工作需求,当前运维工作的技术手段和管理方法难以满足其持续发展,变电站设备种类和数量繁多,在设备调试、维修和紧急情况处理时,现场运维人员可能无法独自完成,作业质量和效果无法及时检查确认,沟通和决策效率有待提高,且运维人员现场无法直接获取设备关联的运维信息。种种因素制约变电站的安全稳定运行,因此,迫切需求一套变电站智能运维系统辅助现场运维,提高现场运维作业效率与质量。本文在Android操作系统下设计并实现了基于移动增强现实的智能运维系统。将增强现实技术应用于变电站设备运维中,通过数据管理、设备识别、设备信息全息展示、集成管理和远程协助5个模块的设计与开发,实现增强现实技术在站内运维中的应用。基于增强现实以及识别技术,将辅助信息实时传送至现场操作人员智能终端显示;通过智能运维系统实现运维现场与远程专家的实时对话,从而指导、辅助现场运维决策,提高效率。基于增强现实技术的智能运维系统采用 B/S架构,借助于spring+springMVC+mybatis框架整合开发,采用Mysq1数据库,利用JSP实现页面的交互,建立由AR智能终端(智能手机、PDA、增强现实眼镜)和后台服务组成的系统,分析变电站设备全息信息的增强显示实现以及远程协助的应用,通过增强现实技术在变电站的开关柜检修远程协助、运维培训以及变电站验收中的应用验证系统的实用性和可操作性。系统集成信息模型、视频采集模块、图像特征点检测模块、特征点匹配模块、虚实融合显示模块实现了变电站全息信息的增强现实和远程协助功能,目前本系统正在测试运行,初步效果良好。
基于统计学习的KPI指标异常值检测和根本原因分析
这是一篇关于智能运维,异常检测,根因定位,统计学的论文, 主要内容为随着人工智能、大数据等新技术的迭代与飞速发展,数据规模与网络复杂度日益呈现爆炸式增长。由于各类网站和应用的增多,为了维持更新服务器的性能与质量,企业不断增加服务器数量和规模,这也就导致了IT系统越来越复杂化。针对当前运维的缺陷,需要有一种更高效、智能的运维技术。它可以大幅度提升运维效率和质量,包括监控的便捷部署、系统故障的及时发现与报警、根因定位、以及故障处理的智能决策。本文旨在通过搭建一套微服务架构的故障演练系统,利用Sock-shop、Kebernetes、Chaos Mesh等平台模拟生成微服务架构中会遇到的各类故障和异常情况,之后对微服务架构中的服务级和服务级的各项指标进行采集生成数据集。通过该数据集可以对关键图谱、机器学习、神经网络、非参数检验等技术算法进行支持。随后本文利用统计学的Score检验、机器学习算法、核密度估计算法与深度学习的USAD算法对带有标签的时序数据集进行检验,最终得到结论:相比基于统计检验和机器学习的异常检测算法而言,核密度估计的F1-score整体最高,各指标均能够达到0.9以上。同时,深度学习的USAD的F1-score也能达到较为理想的效果,且不需要频繁调参,只需要一组合理的正常数据即可,故认为USAD深度学习方法在这些算法中是最具有优势的异常检测算法,由于该方法需要正常数据用于对抗训练,这就更体现出了部署微服务架构以获得理想数据的重要性。在根因定位中,本论文所实现的微服务架构应用的故障演练平台可以完全支持Micro RCA算法的开发与调试。本文实现的故障演练系统可定制化地生成微服务架构海量指标的故障数据集,并支持多种主流异常检测与根因定位算法的开发与验证。同时该系统和思想可适用在各种基于微服务架构KPI指标的异常检测与根因定位算法的部署中,可为算法的开发提供模拟数据的支持与增强,提高算法的可学习性与准确性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/45957.html
