自动化运维平台进行出具挖掘注重哪些特性

网络运维是一个存储着大量隐性知识和方法的领域,除已被网络专家学者规范化的知识外,还存在着很多未知的或未被发现的知识和方法,很多企业的网络运维系统,没有对运维服务积存的数据进行归纳与深层次挖掘,无法发现网络故障信息背后隐藏的知识和方法,缺乏综合分析和辅助决策能力,未能在进一步提高网络服务质量中起积极的推动作用。运用数据挖掘技术并与运维系统相结合,能很好的满足需求。自动化运维平台进行出具挖掘注重哪些特性?

1、挖掘模型复杂性

在建立挖掘模型的过程中,数据挖掘的重点主要放在对数据信息进行归纳学习上,并充分考虑到因模型的复杂性所带来的计算量问题。因此,无论是单一维度的建模还是多维建模,数据挖掘技术都能够应对,也更适合解决复杂的数据分析业务。

2、数据变量的离散性

在实际的分析业务中,连续变量和离散变量的数据集往往是共同存在的。在数据挖掘中,很多方法都非常适合离散变量的分析,特别是那些基于规则的算法只能使用离散变量,这时候就需要对连续变量离散化。

3、数据量的大型性

用于数据挖掘的数据既可以从单一数据库中抽取,也可以来自多个异构数据库系统,并且从数据挖掘准确性的角度来说,数据量越大,数据质量越高,从数据中提炼出知识的准确性亦越高,因此数据仓库技术的运用以及数据挖掘算法的高效率及可扩展性就显得更加重要。

4、挖掘算法评价的有效性/p>

在数据挖掘技术中,针对不同的数据挖掘场景,会有多种挖掘算法可以实现挖掘目的,然而要评价哪一种算法更加优良是很困难的,甚至没有统一的评价标准可供参考。因此对于数据挖掘算法通常是以该算法对于数据的分析、归纳及学习是否高效作为评价标准。

自动化运维平台的系统的数据挖掘功能需求主要集中在对网络故障的诊断方面,通过数据挖掘中的关联规则、分类及聚类等技术,对网络告警及性能数据中大量的原始状态监测数据或历史告警积累信息进行挖掘,得到相应的一些规则,通过分析这些规则,从而得出各种网络故障与网络性能、网络告警信息之间的一些相互关系,找出导致网络故障发生的潜在的因素,提高网络故障的诊断精度及效率。