(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111552044.1 (22)申请日 2021.12.17 (66)本国优先权数据 202011505896.0 2020.12.18 CN (71)申请人 青岛特来电新能源科技有限公司 地址 266100 山东省青岛市崂山区松岭路 336号10层10 01室 申请人 青岛特来电大 数据有限公司 (72)发明人 刘桂海　黄伟　魏亮　周国庆　 李东　 (74)专利代理 机构 北京市立康律师事务所 11805 代理人 梁挥　孟超 (51)Int.Cl. G06F 11/34(2006.01)G06F 16/35(2019.01) G06N 20/00(2019.01) (54)发明名称 系统风险评估方法及 装置、 充电设备运维检 测方法 (57)摘要 本申请公开了一种系统风险评估方法及装 置、 充电设备运维检测方法， 所述系统风险评估 方法包括： 获取目标系统在目标时间内的系统变 更数据； 系统变更数据包括系统预 警信息以及系 统变更对应的装置名称； 基于系统变更数据， 利 用自然语言处理技术确定出与 目标系统变更对 应的预警信息； 获取目标系统在目标时间内的时 间序列数据， 并基于时间序列数据， 利用机器学 习算法得到目标系统对应的监控指标的变化趋 势； 基于预警信息和变化趋势对目标系统进行系 统风险评估。 本申请， 通过基于自然语言处理得 到的系统变更的预警信息， 和基于机器学习得到 的监控指标趋势异常， 对系统变更的风险进行评 估， 提高了微服务架构下对系统变更风险评估的 准确性。 权利要求书3页 说明书15页 附图7页 CN 114185760 A 2022.03.15 CN 114185760 A 1.一种系统风险评估方法， 应用于微 服务架构下的系统风险评估， 其特 征在于， 包括： 获取目标系统在目标时间内的系统变更数据； 所述系统变更数据包括系统预警信 息以 及系统变更对应的装置名称； 基于所述系统变更数据， 利用自然语言处理技术确定出与所述目标系统变更对应的预 警信息； 获取所述目标系统在所述目标时间内的时间序列数据， 并基于所述时间序列数据， 利 用机器学习算法得到所述目标系统对应的监控指标的变化趋势； 基于所述预警信息和所述变化趋势对所述目标系统进行系统风险评估。 2.根据权利要求1所述的系统风险评估方法， 其特征在于， 所述基于所述系统变更数 据， 利用自然语言处 理技术确定出与所述目标系统变更对应的预警信息， 包括： 对所述系统预警信 息进行语料预处理， 并从处理后的系统预警信 息中提取出第 一组关 键词； 对所述装置名称进行语料预处理， 并从处理后的变更装置名称中提取出第二组关键 词； 计算所述第 一组关键词与 所述第二组关键词中关键词的相似度， 基于所述相似度确定 出与所述目标系统变更对应的预警信息 。 3.根据权利要求1所述的系统风险评估方法， 其特征在于， 所述目标时间包括所述目标 系统的系统变更时间， 和变更后预设时长内的时间。 4.根据权利要求1所述的系统风险评估方法， 其特征在于， 所述基于所述时间序列数 据， 利用机器学习算法得到所述目标系统对应的监控指标的变化趋势， 包括： 根据预设分类标准对所述时间序列数据进行分类， 得到相应的目标类型数据； 所述目 标类型数据包括 易变型数据、 周期型 数据和稳定型 数据； 利用与所述目标类型数据对应的预设检测算法， 对所述目标类型数据进行异常检测， 得到所述目标类型数据对应的监控指标的变化趋势， 以得到所述目标系统对应的监控指标 的变化趋势。 5.根据权利要求4所述的系统风险评估方法， 其特征在于， 所述利用与 所述目标类型数 据对应的预设检测算法， 对所述 目标类型数据进行异常检测， 得到所述 目标类型数据对应 的监控指标的变化趋势， 包括： 基于Turkey检测对所述 易变型数据进行异常检测， 得到易变型监控指标的变化趋势； 基于同环比算法对所述周期型 数据进行异常检测， 得到周期型监控指标的变化趋势； 基于时间序列ARIMA算法对所述稳定型数据进行异常检测， 得到稳定型监控指标的变 化趋势。 6.根据权利要求4所述的系统风险评估方法， 其特征在于， 所述根据预设分类标准对所 述时间序列数据进行分类， 得到相应的目标类型 数据， 包括： 基于窗口数据相似性对所述 时间序列数据进行周期性检测， 并根据第 一预设阈值进行 分类得到所述 易变型数据和非易变型 数据； 基于STL算法对所述非易变型数据进行稳定性检测， 并根据第二预设阈值进行分类得 到所述周期性数据和所述稳定型 数据。 7.根据权利要求1至6任一项所述的系统风险评估方法， 其特征在于， 所述基于所述预权　利　要　求　书 1/3 页 2 CN 114185760 A 2警信息和所述变化趋势对所述目标系统进行系统风险评估， 包括： 基于所述预警信 息、 所述变化趋势和所述监控指标的指标等级对所述目标系统进行系 统风险评估， 得到所述目标系统的风险等级； 基于所述 风险等级生成相应的评估报告； 其中， 所述指标等级包括核心业 务级指标、 技 术级指标和系统资源级指标。 8.一种充电设备运维检测方法， 其特 征在于， 所述方法包括： 获取目标系统在目标时间内的系统变更数据； 所述目标系统包括充电设备系统； 所述 系统变更数据包括所述充电设备运维数据， 所述充电设备运 维数据包括系统预警信息以及 系统变更对应的装置名称； 基于所述系统变更数据， 利用自然语言处理技术确定出与所述目标系统变更对应的预 警信息； 获取所述目标系统在所述目标时间内的时间序列数据， 并基于所述时间序列数据， 利 用机器学习算法得到所述目标系统对应的监控指标的变化趋势； 基于所述预警信息和所述变化趋势对所述目标系统进行系统风险评估。 9.根据权利要求8所述的方法， 其特征在于， 所述获取所述目标系统在所述目标时间内 的时间序列数据， 并基于所述时间序列数据， 利用机器学习算法得到所述 目标系统对应的 监控指标的变化趋势， 包括： 获取充电设备运维检测过程中所述目标时间内的时间序列数据； 将所述时间序列数据通过周期性检测， 确定周期性特 征值； 在所述周期性特征值小于第 一预设阈值的情况下， 判定所述 时间序列 数据属于易变型 数据； 在所述周期性特征值大于等于所述第 一预设阈值的情况下， 进一步对所述 时间序列 数 据进行稳定性检测， 确定稳定性特 征值； 在所述稳定性特征值大于第 二预设阈值的情况下， 判定所述 时间序列 数据属于稳定型 数据； 在所述稳定性特征值小于等于所述第 二预设阈值的情况下， 判定所述 时间序列数据属 于周期型 数据； 根据所述时间序列数据所属目标类型数据， 对所述时间序列数据进行异常检测， 以得 到所述目标类型数据对应的监控指标的变化趋势， 以得到所述目标系统对应的监控指标的 变化趋势； 所述目标类型 数据包括 易变型数据、 周期型 数据和稳定型 数据。 10.根据权利要求9所述的方法， 其特 征在于， 所述将所述时间序列数据通过周期性检测， 包括： 给定所述时间序列数据的参 考周期T； 以所述参考周期T为分割点， 对所述时间序列数据进行分割， 将所述 时间序列数据分割 为n/T个子时间序列单 元， 其中n 为所述时间序列数据的长度； 对每一个所述子时间序列 单元两两比较计算相似度系数， 将所述相似度系统确定为所 述周期性特 征值； 所述进一 步对所述时间序列数据进行 稳定性检测， 包括：权　利　要　求　书 2/3 页 3 CN 114185760 A 3