基于大数据网格的电信IT系统智能运维体系

doi:10.11959/j.issn.1000-0801.2018167

电信科学 ›› 2018, Vol. 34 ›› Issue (6): 153-161.doi: 10.11959/j.issn.1000-0801.2018167

基于大数据网格的电信IT系统智能运维体系

郭云峰,蔡珩,戈磊

中国电信股份有限公司上海分公司，上海 200041

修回日期:2018-04-26 出版日期:2018-06-01 发布日期:2018-07-03
作者简介:郭云峰（1973-），男，中国电信股份有限公司上海分公司企业信息化部副总经理、工程师，主要研究方向为大数据技术以及应用等。|蔡珩（1973-），女，中国电信股份有限公司上海分公司工程师、IT运维主管，主要研究方向为 IT 智慧运营、利用大数据技术提升系统运维的智能化。|戈磊（1973-），男，中国电信股份有限公司上海分公司企业信息化部高级项目经理，主要研究方向为云计算、开源架构、大数据分析、Devops运营、流程生命周期管控等。

Telecom intelligent operation system based on big data grid

Yunfeng GUO,Heng CAI,Lei GE

Shanghai Branch of China Telecom Co.,Ltd.,Shanghai 200041,China

Revised:2018-04-26 Online:2018-06-01 Published:2018-07-03

摘要/Abstract

摘要：

提出利用电信大数据平台的优势，创新地利用人工智能的自学习运维模式，通过采集并分析IT系统的海量日志数据主动感知各个 IT 系统节点的运行状态，通过智能图计算和网格星云图直观展示各个 IT 系统节点的影响力、健康度以及依赖关系，利用Keras深度学习框架实现节点故障智能预测，构建电信IT系统大数据网格智能运维体系。

关键词: 大数据, 网格, 智能运维, 智能图计算, 网格星云图, 故障预测

Abstract:

Based on the advantages of telecom big data platform,the self-learning operation mode of artificial intelligence was utilized innovatively.The operational status of each IT system nodes were actively perceived by collecting and analyzing the massive log data of IT system.The influence,health and dependence of each IT system nodes were visualized by intelligent graph calculation and grid nebulae graph.The intelligent prediction of node failure was realized by Keras deep learning framework,and the big data grid intelligent operation system of telecom IT system was built.

Key words: big data, grid, intelligent operation, intelligent graph calculation, grid nebulae graph, failure prediction

中图分类号:

TP391.1

郭云峰,蔡珩,戈磊. 基于大数据网格的电信IT系统智能运维体系[J]. 电信科学, 2018, 34(6): 153-161.

Yunfeng GUO,Heng CAI,Lei GE. Telecom intelligent operation system based on big data grid[J]. Telecommunications Science, 2018, 34(6): 153-161.

图/表 9

图1

图2

图3

图4

图5

图6

图7

表1

图8

参考文献 8

[1]	马世龙, 乌尼日其其格, 李小平 . 大数据与深度学习综述[J]. 智能系统学报, 2016,11(6): 728-742.
	MA S L , WUNIRI Q Q G , LI X P . Deep learning with big data:state of the art and development[J]. CAAI Transactions on Intelligent Systems, 2016,11(6): 728-742.
[2]	任浩, 屈剑锋, 柴毅 ,等. 深度学习在故障诊断领域中的研究现状与挑战[J]. 控制与决策, 2017(8): 1345-1358.
	REN H , QU J F , CHAI Y ,et al. Research status and challenges of deep learning in fault diagnosis[J]. Control and Decision, 2017(8):1345-1358.2017(8): 1345-1358.
[3]	张清辰 . 面向大数据特征学习的深度计算模型研究[D]. 大连:大连理工大学, 2015.
	ZHANG Q C . Research on deep computing model for big data feature learning[D]. Dalian:Dalian University of Technology, 2015.
[4]	郭丽丽, 丁世飞 . 深度学习研究进展[J]. 计算机科学, 2015(5).
	GUO L L , DING S F . Deep learning research progress[J]. Computer Science, 2015(5).
[5]	GOODFELLOW I , BENGIO Y , COURVILLE A . Deep learning[M]. Cambridge: MIT PressPress, 2016.
[6]	MOOLENBROEK D C V , APPUSWAMY R , TANENBAUM A S . Integrated system and process crash recovery in the loris storage stack[C]// 2012 IEEE 7th International Conference on Networking,Architecture and Storage(NAS),June 28-30,2012,Xiamen,China. Piscataway:IEEE Press, 2012: 1-10.
[7]	MOHAMED E E , ABDEL-WAHAB H , SALAMA I . Multicast address management in the internet:a study of the port blocking problem[R]. 1999.
[8]	NEWMAN M , BARABáSI A L , WATTS D J . The structure and dynamics of networks[M]. Princeton: Princeton University PressPress, 2006.

时间	准确率	精确度	召回率	调和平均值
2017-08-10	99.70%	100.00%	84.70%	92.35%
2017-08-11	99.28%	96.87%	82.63%	89.75%
2017-08-12	99.39%	91.66%	85.90%	88.78%
2017-08-14	99.54%	100.00%	84.10%	92.05%
2017-08-16	99.31%	89.40%	85.10%	87.25%
2017-08-18	99.53%	88.40%	83.80%	86.10%
2017-08-19	99.75%	94.44%	85.60%	90.02%
2017-08-20	99.88%	100.00%	83.78%	91.89%

[1]	韩璐, 陈威宇, 张斐, 何建锋, 苏怀振. 差异化需求下的非关系型分布式报送信息大数据分类方法[J]. 电信科学, 2023, 39(6): 114-121.
[2]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[3]	孙玉娣. 基于电信大数据的5G网络海量用户复访行为预测模型[J]. 电信科学, 2023, 39(2): 157-162.
[4]	张海龙, 李博, 贾娜娟. 基于Dijkstra算法的电力光通信网络智能运维设备脱网故障区段定位方法[J]. 电信科学, 2023, 39(1): 92-99.
[5]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[6]	赵东明. 电信运营商知识图谱技术体系研究及应用实践[J]. 电信科学, 2022, 38(8): 151-162.
[7]	黄更生, 黄宇红, 郭漫雪, 郑健平, 葛欣. DT时代面向数据服务的新型基础设施架构[J]. 电信科学, 2022, 38(7): 138-145.
[8]	李攀攀, 谢正霞, 乐光学, 刘鑫. 基于深度学习的无线通信接收方法研究进展与趋势[J]. 电信科学, 2022, 38(2): 1-17.
[9]	张叶江, 陈捷, 胡坚, 杨晓康, 陆赟, 梁腾. 一种提升城区网格道路5G覆盖率的新方法[J]. 电信科学, 2022, 38(12): 94-102.
[10]	赵海波, 相志军, 肖林松. 基于异构数据的电力短期负荷大数据预测方案[J]. 电信科学, 2022, 38(12): 103-111.
[11]	程瑞营, 张攀, 肖雨, 乔宇杰, 张安奕. 基于时序数据的云网协同平台人工智能运维体系[J]. 电信科学, 2022, 38(11): 24-35.
[12]	韩赛, 张冬月, 王泽林, 王光全, 李奥, 方遒铿, 马红兵. 跨专业承载网络智能运维研究与应用[J]. 电信科学, 2022, 38(11): 113-122.
[13]	王速, 卢华, 汪硕, 蔡磊, 黄韬. 智能运维中KPI异常检测的研究进展[J]. 电信科学, 2021, 37(5): 42-51.
[14]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.
[15]	朱明英, 华竹轩, 史萌. 基于数字化转型的电信综合网格管理的研究和实践[J]. 电信科学, 2021, 37(11): 128-134.

基于大数据网格的电信IT系统智能运维体系

Telecom intelligent operation system based on big data grid

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 8

相关文章 15

Metrics

推荐阅读 0