【技术实现步骤摘要】
本专利技术属于计算机领域，具体涉及一种基于低代码平台的智能日志异常诊断系统及方法。
技术介绍
1、随着现代企业越来越依赖软件应用程序来推动业务增长和提升效率，传统软件开发方法显得繁琐、耗时且成本高昂。这导致了对更灵活、更高效的开发方式的需求。传统开发方法通常需要大量的源代码编写，这需要雇佣高度技术熟练的开发人员，开发周期较长，难以适应快速变化的市场需求。此外，由于
的迅速发展，招聘和保留技术人才变得越来越具挑战性。这些因素共同促使了低代码平台的兴起。低代码平台为开发人员提供了可视化工具和预构建组件，使他们能够以更快的速度创建应用程序，而无需深厚的编程经验。这不仅加速了应用程序的开发和交付，还降低了开发成本。此外，低代码平台的出现也降低了技能门槛，使更多人能够参与应用程序开发，扩大了开发团队的规模。低代码平台的背景是数字化转型带来的需求，以及传统开发方法的瓶颈。它代表了一种更加现代和灵活的应用程序开发方式，有望继续影响未来的软件开发领域。
2、值得注意的是，在现代系统运维中，管理和维护大规模系统的日志数据是一项繁琐而关键的任务。手动分析日志数据不仅费时费力，还容易出错。因此，有必要引入自动化和智能化的解决方案，以提高效率、降低运维成本。当前系统日志管理领域现有问题：
3、手动数据采集：传统上，系统管理员需要手动配置和执行数据采集任务，从各个系统组件和设备中获取日志数据，这耗时耗力。
4、数据处理困难：非结构化日志数据需要复杂的处理和清洗，以便进行进一步的分析。
5、人工异常检测
6、模型优化复杂：在机器学习模型方面，需要深入的专业知识和大量的手动工作来进行模型训练和优化。
技术实现思路
1、本专利技术针对现有技术下的问题，第一方面，本专利技术提供了一种基于低代码平台的智能日志异常诊断系统，包括：数据采集与处理模块、特征提取和学习模块、异常检测与告警模块、用户反馈与优化模块和资源优化配置模块;
2、数据采集与处理模块用于采集日志数据并去除重复日志；
3、特征提取和学习模块用于对处理后的日志数据进行特征提取并输入模型进行训练，获得训练好的模型；
4、异常检测与告警模块用于配置异常判断算法，将已训练好的模型嵌入其中，以获取异常检测信息并在有异常访问模式时进行告警通知；
5、用户反馈与优化模块用于在用户收到告警通知后，接收用户反馈信息并记录；
6、优化模块和资源优化配置模块用于监控服务器的负载情况，合理分配计算资源，以确保分析性能。
7、进一步的，所述数据采集与处理模块包括自动化数据采集单元、日志数据预处理单元、数据清洗与过滤单元、日志数据存储单元；
8、自动化数据采集单元用于实现自动从不同的系统组件和设备中获取各类型的日志数据，用户可通过低代码平台的配置界面，定义数据源和采集规则；
9、日志数据预处理单元用于将非结构化数据转化为结构化数据，对于非结构化日志数据，低代码平台提供数据预处理组件，使用户能够轻松定义规则；
10、数据清洗与过滤单元用于去除无效的日志数据，确保分析的数据质量，利用低代码平台的数据清洗组件，用户定义数据清洗规则；
11、日志数据存储单元用于数据的存储与管理，处理后的日志数据会自动存储在数据库中，低代码平台提供数据库操作组件，用户配置数据存储的方式和周期。
12、进一步的，所述特征提取和学习模块包括特征提取算法单元、机器学习模型配置单元、模型训练和优化单元；
13、所述特征提取算法单元用于提取特征，用户选择特征提取组件，根据不同的日志数据类型，配置不同的特征提取算法；这些组件已经封装好，使用户不必了解算法的细节；
14、机器学习模型配置单元用于并将特征提取的结果作为输入，生成模型训练和评估的流程；在低代码平台上，用户使用可视化界面，选择机器学习模型，配置参数，并将特征提取的结果作为输入；平台会自动生成模型训练和评估的流程；
15、模型训练和优化单元用于进行模型训练和优化，通过低代码平台，用户自动化地进行模型训练和优化；平台会自动生成交叉验证、参数调整流程，使模型的训练变得简单。
16、进一步的，异常检测与告警模块包括异常判断算法配置单元、告警策略可视化单元和实时告警单元；
17、所述异常判断算法配置单元用于配置异常判断算法，用户通过低代码平台配置异常判断算法，将已训练好的模型嵌入其中；平台提供算法选择和参数配置的界面，简化了配置过程；
18、告警策略可视化单元用于可视化地配置告警策略，在平台上，用户可视化地配置告警策略，包括通知方式和接收人；
19、实时告警单元用于根据配置的告警策略，自动发出告警通知；当系统检测到异常情况，低代码平台会根据配置的告警策略，自动发出告警通知。通知内容包括异常描述、评分和可能原因。
20、进一步的，用户反馈与优化模块包括用户反馈交互单元和模型优化自动化单元；
21、所述用户反馈交互单元用于提供反馈信息，确认异常情况或提供额外信息，平台上，用户通过界面回复告警通知；用户的反馈信息被记录下来，并用于后续模型的优化；
22、模型优化自动化单元用于更新模型，提高判断准确性，利用低代码平台，模型优化的过程变得自动化；用户的反馈信息会自动更新模型，提高判断准确性。
23、进一步的，所述资源优化配置模块包括资源监控与配置单元和自动化资源调度单元；
24、资源监控与配置单元用于据监控数据，自动调整计算资源的分配，低代码平台集成资源监控工具，实时监控系统资源使用情况；
25、自动化资源调度单元用于自动调整分析和判断模块的计算资源分配，平台上的资源调度组件根据监控数据，自动调整分析和判断模块的计算资源分配，以保证性能表现。
26、第二方面，本专利技术提供了一种如第一方面所述的基于低代码平台的智能日志异常诊断系统的工作方法，包括：在低代码平台上，系统管理员配置数据源，定义规则，进行数据采集，定期从网站服务器获取访问日志数据；
27、使用特征提取组件，将访问日志中的关键词提取出来，并选择随机森林模型进行训练，进行特征提取；配置过程包括选择特征提取算法和模型参数；
28、配置异常检测组件，嵌入已训练好的模型，并设置告警策略。当有异常访问模式时，系统自动发出告警通知，包括异常描述、评分和可能原因；
29、用户收到告警后，通过平台界面提供反馈信息，确认异常情况或提供额外信息；反馈信息会自动记录，并用于模型优化；
30、平台监控服务器的负载情况，自动分配更多计算资源给异常检测模块，以确保分析性能。
31、与现有技术相比，本专利技术的优点和积极效果在于：
32、1、本专利技术的优点在于通过低代码平台实现了自动化的日志数据处理、特本文档来自技高网...
【技术保护点】
1.一种基于低代码平台的智能日志异常诊断系统，其特征在于，包括：数据采集与处理模块、特征提取和学习模块、异常检测与告警模块、用户反馈与优化模块和资源优化配置模块；
2.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，所述数据采集与处理模块包括自动化数据采集单元、日志数据预处理单元、数据清洗与过滤单元、日志数据存储单元；
3.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，所述特征提取和学习模块包括特征提取算法单元、机器学习模型配置单元、模型训练和优化单元；
4.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，异常检测与告警模块包括异常判断算法配置单元、告警策略可视化单元和实时告警单元；
5.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，用户反馈与优化模块包括用户反馈交互单元和模型优化自动化单元；
6.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，所述资源优化配置模块包括资源监控与配置单元和
7.一种如权利要求1-6任一项所述的基于低代码平台的智能日志异常诊断系统的工作方法，其特征在于，包括：在低代码平台上，系统管理员配置数据源，定义规则，进行数据采集，定期从网站服务器获取访问日志数据；
...【技术特征摘要】
1.一种基于低代码平台的智能日志异常诊断系统，其特征在于，包括：数据采集与处理模块、特征提取和学习模块、异常检测与告警模块、用户反馈与优化模块和资源优化配置模块；
2.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，所述数据采集与处理模块包括自动化数据采集单元、日志数据预处理单元、数据清洗与过滤单元、日志数据存储单元；
3.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统，其特征在于，所述特征提取和学习模块包括特征提取算法单元、机器学习模型配置单元、模型训练和优化单元；
4.根据权利要求1所述的一种基于低代码平台的智能日志异常诊断系统...
【专利技术属性】
技术研发人员：仵夺，魏子重，李锐，周祥龙，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。