一种基于上下文模型的运维知识推送方法及装置制造方法及图纸

本发明专利技术公开一种基于上下文模型的运维知识推送方法及装置，该装置用于实现本方法，本发明专利技术还公开了一种基于边缘计算的运维通信系统，是本方法实现的硬件支撑系统。本方法包括构建知识库上下文模型；对采集模块采集的当前运维工单信息构建当前运维上下文模型；从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性，获取具有最大相似性的知识上下文模型；将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。本发明专利技术使现场的运维人员在运维查找、运维执行过程中全面掌握运维设备的相关知识，即提升了运维人员工作的安全性，又提高了运维工作的效率。

A Method and Device of Operational and Maintenance Knowledge Pushing Based on Context Model

【技术实现步骤摘要】
一种基于上下文模型的运维知识推送方法及装置
本专利技术涉及涉及电力通信网络的运维领域，特别涉及一种基于上下文模型的运维知识推送方法及装置，还涉及到一种基于边缘计算的运维通信系统，特别是一种基于AR的基于边缘计算的运维通信系统。
技术介绍
为了保障电力通信网络中所有设备能够高效、稳定地工作，提供安全、高效的现场运维成为了关键。然而，电力通信网络的运维环境往往是复杂的，网络的数据分析仍然需要基于传统的经验观察，网络的非智能部件(如设备和线路等资源)的现场运维往往需要大量人员参与，这导致现场运维工作的质量依赖于运维人员的个人经验和现场情况。目前也公开了一些方法来解决通信网络现场运维中运维人员技术有限、经验不足的问题，比如申请号为201510045205.6的专利《一种网络设备的远程维护方法、终端及系统》，该专利技术提供一种网络设备的远程维护方法、终端及系统，能使维护人员无需到故障点即可对网络设备进行管理和维护。所述系统包括：网络设备、网络管理服务器、终端，终端与网络设备建立蓝牙连接，终端与网络管理服务器建立socket连接；网络管理服务器，用于接收维护命令，并将维护命令发送给终端；终端，用于接收维护命令，并将维护命令转换为蓝牙格式的维护命令发送给网络设备；网络设备，用于接收并执行维护命令，将执行结果发送给终端；终端，还用于接收执行结果，并将执行结果转换为移动通信数据发送给网络管理服务器；网络管理服务器，还用于接收移动通信数据。该方案能使运维人员无需到故障点即可对网络设备进行管理和维护，但这种方法受通信线路的限制，无法对所有的现场设备进行排查。又如申请号为201510045205.6的专利《移动通信网络故障分析定位辅助系统》，该专利技术公开了一种移动通信网络故障分析定位辅助系统，包括案例库模块，用于存储用户提交的新增案例及相应的故障排查任务单到案例库，触发生成提示消息；新增案例探测器模块，用于对新增案例的监测，完成新增案例相应提示消息的转发和删除；案例归整索引模块，用于根据提示消息到案例库获取新增的故障排查任务单相应的基本信息和完整内容，根据基本信息和完整内容分别生成故障分类索引和解决方案全文索引，并存入故障解决方案经验库；故障解决方案经验库模块，用于将案例索引存入故障解决方案经验库，提供故障定位的数据源。在故障维护需求产生时，可利用该专利技术系统方便地搜索匹配相关故障解决方案，减少故障分析时间，提升解决问题效率。该方案可利用该专利技术系统方便地搜索匹配相关故障解决方案，但该系统的故障定位依赖于运维人员主动上传故障报告，步骤较为繁琐。再如专利号为201410440152.3的专利《一种基于图像传输的配变终端远程调试系统及其调试方法》，该专利技术涉及一种基于图像传输的配变终端远程调试系统，包括后台服务器和配变终端，后台服务器通过移动通信网络和/或以太网与配变终端通信；后台服务器由其上加载服务端调试软件的工作站PC机、主机、第一GSM模块和以太网接口模块组成；配变终端由其上加载配变端调试软件的主控CPU、第二GSM模块、嵌入式以太网模块、人机交互模块和数据采集模块组成。该专利技术还公开了一种基于图像传输的配变终端远程调试系统的调试方法。通过后台服务器即可对配变终端内的参数、数据进行设置和检查，从而实现远程调试。当运维人员到达现场，后台服务器还可以远程操控配变终端的液晶显示屏菜单，与运维人员互动，减轻现场运维工作量。该方案能够远程协助现场人员进行快速调试，但该方案传输的图像仅是设备显示屏显示的内容，适用范围有限。
技术实现思路
本专利技术为克服上述现有技术所述的至少一种缺陷(不足)，提供一种基于上下文模型的运维知识推送方法及装置。本专利技术旨在至少在一定程度上解决上述技术问题。本专利技术的首要目的是提供一种全面掌握现场知识的前提下，实时分析和快速响应运维需求的技术方案。为了达到上述技术效果，本专利技术的技术方案如下：一种基于上下文模型的运维知识推送方法，包括如下步骤：S10以知识库中的每个运维任务为根节点，以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点，以运维内容中对象的具体应用场景为该非叶节点的叶节点，构建知识上下文模型，由数个运维任务的知识上下文模型生成知识库上下文模型；S20采集模块采集当前运维工单信息，以每个运维工单为根节点，以运维工单上下文具有依赖关系的对象为该根节点的非叶节点，以运维工单中对象的具体应用场景为该非叶节点的叶节点，构建当前运维上下文模型；S30从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性，获取具有最大相似性的知识上下文模型；S40将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。优选地，所述S30具体包括如下步骤：S301识别当前运维上下文模型属性，属性至少包括文本和图像；S302根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性，由其下级节点相似性的值加权得到非叶节点之间的相似性，由其下级非叶节点的相似性加权得到根节点之间的相似性；S303比较相同属性的根节点之间的相似性，计算与当前运维上下文模型具有最大相似性的知识上下文模型。优选地，所述S302中根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性的方法为：若当前运维上下文模型属性为文本，则匹配选择文本类知识上下文模型计算其叶节点相似性，文本类型的叶节点相似性的计算公式：其中在公式(1)中u叶表示当前运维上下文模型的叶节点，v叶表示知识上下文模型的叶节点，表示u叶的均值，表示v叶的均值，假设u叶和v叶其属性值个数均为n，u叶的属性值为(u1,u2,...,ui,...,un)，v叶的属性值为(v1,v2,...,vi,...,vn)；若当前运维上下文模型属性为图像，则匹配选择图像类知识上下文模型计算其叶节点相似性，图像类型的叶节点相似性的计算公式：其中在公式(2)中u叶代表当前运维上下文模型的叶节点，v叶代表知识上下文模型的叶节点，假设u叶和v叶其属性值个数均为n，p(i)代表当前运维上下文模型第i个属性值的图像直方图数据，q(i)代表知识上下文模型第i个属性值的图像直方图数据。优选地，所述S302中由其下级节点相似性的值加权得到非叶节点之间的相似性，由其下级非叶节点的相似性加权得到根节点之间的相似性的加权相似性的计算公式：其中在公式(3)中u非叶代表当前运维上下文模型的非叶节点，v非叶代表知识上下文模型的非叶节点，uj是u非叶的第j个子属性，vj是v非叶的第j个子属性，u非叶和v非叶的子属性的个数均为h，Lj是uj和vj的权重，Simil(uj,vj)是第j个子属性对应的相似性。优选地，所述S303的具体方法为：假设知识库中共有g个知识上下文模型,u为当前运维上下文模型的根属性，vf为知识库上下文模型的第f个知识上下文模型的根属性，与当前运维上下文模型具有最大相似性的知识上下文模型的计算方法为：优选地，每个所述知识上下文模型为多维度上下文模型，多维上下文模型至少包括三个维度，所述三个维度是以每个运维任务为根节点，分别以与每个运维任务具有上下文依赖性的用户、设备或任务为第一层非叶节点展开的三个维度的上下文模型。本专利技术还公开了一种基本文档来自技高网...

【技术保护点】
1.一种基于上下文模型的运维知识推送方法，其特征在于，包括如下步骤：S10以知识库中的每个运维任务为根节点，以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点，以运维内容中对象的具体应用场景为该非叶节点的叶节点，构建知识上下文模型，由数个运维任务的知识上下文模型生成知识库上下文模型；S20采集模块采集当前运维工单信息，以每个运维工单为根节点，以运维工单上下文具有依赖关系的对象为该根节点的非叶节点，以运维工单中对象的具体应用场景为该非叶节点的叶节点，构建当前运维上下文模型；S30从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性，获取具有最大相似性的知识上下文模型；S40将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。

【技术特征摘要】
1.一种基于上下文模型的运维知识推送方法，其特征在于，包括如下步骤：S10以知识库中的每个运维任务为根节点，以该运维任务知识内容中上下文具有依赖关系的对象为该根节点的非叶节点，以运维内容中对象的具体应用场景为该非叶节点的叶节点，构建知识上下文模型，由数个运维任务的知识上下文模型生成知识库上下文模型；S20采集模块采集当前运维工单信息，以每个运维工单为根节点，以运维工单上下文具有依赖关系的对象为该根节点的非叶节点，以运维工单中对象的具体应用场景为该非叶节点的叶节点，构建当前运维上下文模型；S30从叶节点自底向上递归计算当前运维上下文模型与知识库上下文模型的相似性，获取具有最大相似性的知识上下文模型；S40将具有最大相似性的知识上下文模型中相应的运维任务知识内容推送至采集模块。2.如权利要求1所述的基于上下文模型的运维知识推送方法，其特征在于，所述S30具体包括如下步骤：S301识别当前运维上下文模型属性，属性至少包括文本和图像；S302根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性，由其下级节点相似性的值加权得到非叶节点之间的相似性，由其下级非叶节点的相似性加权得到根节点之间的相似性；S303比较相同属性的根节点之间的相似性，计算与当前运维上下文模型具有最大相似性的知识上下文模型。3.如权利要求2所述的基于上下文模型的运维知识推送方法，其特征在于，所述S302中根据当前运维上下文模型属性匹配选择相应属性的知识上下文模型计算两模型的叶节点之间的相似性的方法为：若当前运维上下文模型属性为文本，则匹配选择文本类知识上下文模型计算其叶节点相似性，文本类型的叶节点相似性的计算公式：其中在公式(1)中u叶表示当前运维上下文模型的叶节点，v叶表示知识上下文模型的叶节点，表示u叶的均值，表示v叶的均值，假设u叶和v叶其属性值个数均为n，u叶的属性值为(u1,u2,...,ui,...,un)，v叶的属性值为(v1,v2,...,vi,...,vn)；若当前运维上下文模型属性为图像，则匹配选择图像类知识上下文模型计算其叶节点相似性，图像类型的叶节点相似性的计算公式：其中在公式(2)中u叶代表当前运维上下文模型的叶节点，v叶代表知识上下文模型的叶节点，假设u叶和v叶其属性值个数均为n，p(i)代表当前运维上下文模型第i个属性值的图像直方图数据，q(i)代表知识上下文模型第i个属性值的图像直方图数据。4.如权利要求2所述的基于上下文模型的运维知识推送方法，其特征在于，所述S302中由其下级节点相似性的值加权得到非叶节点之间的相似性，由其下级非叶节点的相似性加权得到根节点之间的相似性的加权相似性的计算公式：其中在公式(3)中u非叶代表当前运维上下文模型的非叶节点，v非叶代表知识上下文模型的非叶节点，uj是u非叶的第j个子属性，vj是v非叶的第j个子属性，u非叶和v非叶的子属性的个数均为h，Lj是uj和vj的权重，Simil(uj,vj)是第j个子属性对应的相似性。5.如权利要求4所述的基于上下文模型的运维知识推送方法，其特征在于，所述S303的具体方法为：假设知识库中共有g个知识上下文模...

【专利技术属性】
技术研发人员：李瑞德，高国华，彭志荣，陈嘉俊，张欣，杨玺，梁英杰，廖振朝，汤铭华，李伟雄，童捷，张天乙，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司江门供电局，
类型：发明
国别省市：广东,44