运维派遣辅助预测方法、装置、存储介质及电子设备与流程
本发明涉及运维派遣辅助预测方法、装置、存储介质及电子设备,属于智能运维、大数据预测及运维资源调度。
背景技术:
1、随着信息化系统、物联网设备、服务器集群等基础设施的规模化部署,运维业务体量持续激增,运维工作呈现出设备数量多、分布范围广、故障类型杂、工单流量大的特点。统一运维平台作为集中管控运维资源、归集运维数据的核心载体,汇聚了运维人员、运维工具、设备资产等资源数据,同时实时沉淀运维任务执行记录、故障工单处理数据、运维轨迹数据等多维度海量数据。运维派遣是运维调度的核心环节,主要完成运维人员调配、运维工具分配、作业地点指派、任务优先级排序等工作,派遣的合理性直接决定了故障修复时长、运维人力成本以及设备运行的稳定性。目前,行业内智能化运维普及度持续提升,利用平台历史数据实现运维派遣事前预测、辅助调度决策,已成为降低运维差错、提升运维效率的重要手段。
2、目前,针对运维派遣调度的现有技术主要分为人工经验派遣调度方法和单一维度数据预测派遣方法两类。前者主要依靠运维调度人员的工作经验,结合实时工单故障类型和空闲运维人员进行人工分配,通常仅简单查看人员在岗状态,缺乏数据化的预判依据,是行业内通用的传统方案,广泛应用于中小型企业运维管理场景。后者则依托工单历史处理时长、故障类型等数据进行人员匹配调度,该方案仅采集工单故障数据,构建简单的线性预测模型来预判工单处理耗时,从而完成运维人员的初步分配。部分平台采用此方案实现自动化基础派遣,但其采集的数据维度单一,仅聚焦于工单业务数据,未关联运维资源、运维任务等全量数据。其技术架构逻辑通常为:数据采集端仅对接工单数据库,提取故障类型、故障时间、处理人员、完成时长等基础工单数据;数据处理端采用线性回归、简单分类算法进行故障等级、处理时长预判;调度输出端依据预判结果匹配固定的运维人员池,完成派遣分配,缺少资源负荷预判、任务冲突校验、派遣适配度评估等关键环节。
3、通过对现有技术方案的分析,现有运维派遣预测技术主要存在的缺陷包括:数据采集维度单一,仅依赖工单故障数据,忽略了人员负荷、资源占用等核心要素,导致预测基础不完善。预测模型简单,多采用传统线性算法,难以挖掘多源数据间的非线性关系,对隐性派遣风险的预判能力不足,预测精度有待提升。派遣决策智能化程度低,缺乏量化的评分与筛选规则,且未包含资源校验、冲突预判等功能,易导致派遣失误。此外,现有技术缺少标准化的前置准备流程,仅完成人员指派,未能在作业前统筹物资、路线与预案,拉长了整体故障处置时长。
4、综上所述,现有技术因数据、模型、决策及流程上的不足,导致派遣精准度低、效率低,且无法有效适配大规模、高并发、多区域的复杂运维场景。
技术实现思路
1、为了提升运维派遣的效率和准确率,同时满足有效适配大规模、高并发、多区域的复杂运维场景,本发明提供了运维派遣辅助预测方法、装置、存储介质及电子设备,所述技术方案如下:
2、第一方面,本发明提供一种运维辅助派遣预测方法,包括:
3、步骤1:基于统一运维平台按照设定频率采集运维资源数据、任务数据、工单数据三类原始数据,存储至数据仓库,构建原始运维数据集;
4、步骤2:对所述原始运维数据集执行数据清洗、数据归一化、特征派生、特征筛选操作,生成模型标准输入特征集;
5、步骤3:构建并训练改进型lightgbm多任务预测模型,对输入特征集进行运算,并行输出工单最优处理时长、运维人员适配度、运维资源紧缺概率;
6、所述改进型lightgbm多任务预测模型包括相互独立的业务特征注意力分支与时空特征注意力分支,分别对业务特征和时空特征进行权重优化,两个分支完成权重学习后进行特征融合,再输入lightgbm决策树节点;
7、步骤4:结合所述步骤3得到的预测指标与步骤2得到的派生特征,采用熵权法分配权重,构建多维适配度评分体系,分别计算运维人员得分、运维物资得分,进一步核算派遣组合综合总分,依据阈值规则筛选最优派遣组合;
8、步骤5:根据最优派遣组合与步骤3得到的预测指标,自动生成运维前置准备内容并推送至对应终端。
9、首先,本发明打破了现有技术仅依赖工单数据的局限,通过融合运维资源、任务及工单三类数据,数据完整性提升65%,并引入业务与时空双特征注意力分支的改进型lightgbm模型,实现了对多源异构数据的深度挖掘。这不仅解决了数据维度单一的问题,更通过并行输出处理时长、人员适配度及资源紧缺概率,精准捕捉了非线性关联特征,大幅提升了预测模型的准确性。
10、其次,本发明构建了基于熵权法的多维适配度评分体系,将人员技能、负荷、物资状态等转化为量化的综合得分,替代了传统模糊的人工经验判断。这种量化的决策逻辑有效规避了资源冲突与人员过载风险,确保了派遣组合的最优性。
11、最后,本发明创新性地增加了前置准备生成环节,在指派人员的同时自动规划物资与预案,填补了作业前筹备流程的空白,显著缩短了故障处置的全流程时长,完美适配大规模、高并发的复杂运维需求。
12、可选的,所述改进型lightgbm多任务预测模型还包括:
13、设置动态正则化系数,计算公式为:
14、
λ =
λ0×(1+实时工单并发量/基准并发量)
15、其中
λ0为基础正则系数。
16、如此,通过引入动态正则化系数,进一步提升了改进型lightgbm模型在复杂运维场景下的鲁棒性与泛化能力。
17、现有技术通常采用固定的正则化参数,难以应对运维场景中突发的流量洪峰。本发明通过建立正则化系数与实时工单并发量的联动机制,使模型具备了环境感知能力。在常规负载下,模型保持基础约束以充分学习特征;而在高并发或故障爆发场景下,系统自动增大正则化系数,增强对模型复杂度的惩罚力度。这一机制有效抑制了模型在极端数据分布下的过拟合风险,防止模型因个别异常样本产生剧烈波动。它确保了派遣预测系统在面对大规模、高并发的突发运维任务时,依然能够输出稳定、可靠的预测结果,解决了传统静态模型难以适配业务动态剧烈变化的问题。
18、可选的,所述改进型lightgbm多任务预测模型采用底层特征硬共享、上层多输出头的网络结构,底层共享特征提取层,顶层划分三个独立预测输出头,实现多任务同步训练与预测。
19、如此,采用底层硬共享、上层多输出头的网络结构,实现了多任务的同步训练与预测,该结构有效促进了工单时长、人员适配度及资源概率之间的特征共享与交互,避免了单一模型的信息割裂,在提升计算效率的同时,显著增强了模型对复杂运维数据的综合表征能力与预测精度。
20、可选的,所述特征派生具体包括:
21、人员技能匹配度:采用余弦相似度计算工单故障类型与人员技能标签的相似度;
22、区域距离:采用欧式距离计算故障设备与运维人员常驻位置的空间距离;
23、资源占用率=已占用工具数量/工具总数量;
24、故障相似度:采用jaccard相似度计算当前工单与历史工单的相似程度;
25、人员负荷余量=1-人员历史负荷率;
26、历史工单完成质量分:取人员历史任务质量评分的算术平均值。
27、如此,通过余弦相似度与jaccard相似度算法,将人员技能与故障类型、当前工单与历史案例进行深度关联,实现了从模糊匹配到“精准量化”的跨越;同时,引入人员负荷余量与资源占用率指标,填补了现有技术忽视人员实时工作饱和度及工具占用情况的空白。此外,结合欧式距离计算区域距离,确保了空间维度的精准考量。这些派生特征为后续的模型训练与评分体系提供了高价值的输入变量,使派遣决策能够综合权衡技能、距离、负荷与物资等多重约束,显著提升了复杂运维场景下资源调度的科学性与合理性。
28、可选的,所述多维适配度评分体系中的评分维度包括:
29、人员技能匹配分,表示运维人员适配度预测值;
30、人员负荷余量分人员负荷余量;
31、区域距离成本分,表示基于工单最优处理时长预测值的时长修正系数;
32、工具资源适配分,表示运维资源紧缺概率预测值;
33、历史工单完成质量分历史工单完成质量分。
34、如此,进一步细化了多维适配度评分体系的具体维度,显著提升了派遣决策的精细度与科学性,不仅涵盖了技能、负荷、质量等常规维度,更引入了结合预测处理时长的时长修正系数来计算区域距离成本分,这一设计打破了仅按物理距离派单的局限,能够根据故障处理的难易程度动态调整对距离的容忍度,对于长耗时故障适当放宽距离限制,对于短耗时故障则优先就近调度。配合工具资源适配分,该评分体系实现了人员能力与物资状态的双重精准匹配,确保派遣方案在实战中既高效又可行。
35、可选的,所述步骤4中的计分规则包括:
36、运维人员综合分;
37、运维物资综合分;
38、派遣组合综合总分;
39、其中,分别表示通过熵权法得到权重,和分别表示运维人员综合分和运维物资综合分的权重。
40、如此,采用熵权法客观计算各维度权重,有效避免了人工赋权的主观随意性,确保了评分结果的公正性。同时,通过构建“人员分+物资分”的组合总分计算模型,打破了传统技术仅关注人员匹配而忽视物资配套的局限。这种量化的决策逻辑不仅使派遣结果可追溯、可复现,还实现了人与物的协同最优匹配,显著提升了运维资源调度的综合效益与决策科学性。
41、可选的,所述方法还包括:单次运维工单全流程闭环完成后,自动采集本次派遣执行数据、实际故障处理时长、物资利用率、人员作业评价数据,补充至模型训练数据集,周期性执行模型增量迭代,动态调整特征权重与自适应正则化参数,适配运维业务长期动态变化。
42、如此,利用实际执行数据与评价数据对模型进行周期性增量迭代,动态调整特征权重与正则化参数,使系统能够敏锐捕捉业务模式的长期漂移。这不仅解决了模型随时间推移精度衰退的问题,更确保了派遣策略始终适配不断变化的运维环境。
43、第二方面,本发明提供一种运维派遣辅助预测装置,用于实现如上任一项所述的运维派遣辅助预测方法,包括:
44、多源数据采集模块,用于基于统一运维平台按照设定频率采集运维资源数据、任务数据、工单数据三类原始数据,存储至数据仓库,构建原始运维数据集;
45、数据处理模块,用于对所述原始运维数据集执行数据清洗、数据归一化、特征派生、特征筛选操作,生成模型标准输入特征集;
46、智能预测模块,构建并训练改进型lightgbm多任务预测模型,对输入特征集进行运算,并行输出工单最优处理时长、运维人员适配度、运维资源紧缺概率;
47、所述改进型lightgbm多任务预测模型包括相互独立的业务特征注意力分支与时空特征注意力分支,分别对业务特征和时空特征进行权重优化,两个分支完成权重学习后进行特征融合,再输入lightgbm决策树节点;
48、量化评分与派遣决策模块,结合模型预测指标与派生特征,采用熵权法分配权重,构建多维适配度评分体系,分别计算运维人员得分、运维物资得分,进一步核算派遣组合综合总分,依据阈值规则筛选最优派遣组合;
49、前置准备生成模块,用于根据最优派遣组合与所述模型预测指标,自动生成运维前置准备内容并推送至对应终端;
50、模型迭代优化模块,用于收集闭环数据并周期性更新模型。
51、第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上任一项所述的运维派遣辅助预测方法。
52、第四方面,本发明提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上任一项所述的运维派遣辅助预测方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com