国产精品无码一区二区三级,免费无码又爽又刺激网站,女人18一级毛片免费观看,久青草国产在线观看,91网在线,大桥未久亚洲一区二区,国产午睡沙发系列大全,免费无码又爽又刺激高潮的视频免费

      基于分布式監(jiān)測(cè)和多源信息融合的5G-R網(wǎng)絡(luò)態(tài)勢(shì)感知方法

      文檔序號(hào):42327272發(fā)布日期:2025-07-01 19:47閱讀:60來源:國(guó)知局

      本發(fā)明涉及5g-r網(wǎng)絡(luò)檢測(cè)監(jiān)測(cè),具體而言,涉及基于分布式監(jiān)測(cè)和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢(shì)感知方法。


      背景技術(shù):

      1、隨著5g網(wǎng)絡(luò)的快速發(fā)展和5g-r(鐵路5g專用移動(dòng)通信)技術(shù)的逐步部署,網(wǎng)絡(luò)的規(guī)模和復(fù)雜性日益增加。5g-r網(wǎng)絡(luò)作為未來智能鐵路通信基礎(chǔ)設(shè)施的重要組成部分,承載著行車安全數(shù)據(jù)傳輸、低延遲通信及海量設(shè)備連接的關(guān)鍵任務(wù),廣泛應(yīng)用于高速鐵路、重載鐵路、普速鐵路,尤其要滿足在鐵路復(fù)雜場(chǎng)景中支持高速列車通信、列車運(yùn)行控制和車地協(xié)同等高可靠性需求。因此,確保5g-r網(wǎng)絡(luò)的穩(wěn)定性、可靠性和高效性已成為亟待解決的技術(shù)難題。

      2、傳統(tǒng)的網(wǎng)絡(luò)監(jiān)測(cè)系統(tǒng)主要依賴集中式監(jiān)控和單一數(shù)據(jù)源的方式,通過網(wǎng)絡(luò)管理中心(omc)或網(wǎng)管工具(如snmp、syslog協(xié)議)對(duì)網(wǎng)絡(luò)的基本狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控。盡管這種方法能夠在小型網(wǎng)絡(luò)中滿足基本需求,但在應(yīng)對(duì)大規(guī)模、動(dòng)態(tài)變化的5g-r網(wǎng)絡(luò)時(shí)面臨諸多挑戰(zhàn):

      3、數(shù)據(jù)來源有限:傳統(tǒng)系統(tǒng)多依賴低密度數(shù)據(jù)源,如單一設(shè)備日志或性能指標(biāo),難以覆蓋5g-r網(wǎng)絡(luò)的全網(wǎng)運(yùn)行狀態(tài),尤其在跨鐵路局、跨區(qū)域場(chǎng)景下數(shù)據(jù)采集不完整。

      4、實(shí)時(shí)性不足:集中式監(jiān)控導(dǎo)致數(shù)據(jù)傳輸和處理延遲,難以滿足5g-r網(wǎng)絡(luò)低延遲(<1ms)和高實(shí)時(shí)性的要求,例如高速列車通信對(duì)信號(hào)質(zhì)量的即時(shí)感知。

      5、復(fù)雜性管理困難:5g-r網(wǎng)絡(luò)涉及核心網(wǎng)、無(wú)線網(wǎng)、專用設(shè)備和接口監(jiān)測(cè)等多維度數(shù)據(jù)源,其異構(gòu)性和高動(dòng)態(tài)性(如網(wǎng)絡(luò)切片、業(yè)務(wù)流量波動(dòng))增加了監(jiān)測(cè)難度,傳統(tǒng)方法難以實(shí)現(xiàn)多源數(shù)據(jù)的全面融合和智能分析。

      6、故障定位效率低:現(xiàn)有系統(tǒng)多圍繞單一方面開展監(jiān)測(cè),缺乏跨區(qū)域、多模塊協(xié)同決策和全網(wǎng)態(tài)勢(shì)感知的能力,導(dǎo)致故障根因診斷耗時(shí)長(zhǎng)、準(zhǔn)確率低。

      7、近年來,我國(guó)在鐵路專網(wǎng)檢測(cè)監(jiān)測(cè)技術(shù)領(lǐng)域取得了多項(xiàng)技術(shù)突破,例如在鐵路基礎(chǔ)設(shè)施全生命周期監(jiān)測(cè)和網(wǎng)絡(luò)安全威脅感知方面取得進(jìn)展。然而,對(duì)于5g-r網(wǎng)絡(luò)的監(jiān)測(cè),特別是多源數(shù)據(jù)采集與分析,仍需在分布式監(jiān)測(cè)、數(shù)據(jù)融合和智能分析的重大關(guān)鍵技術(shù)上實(shí)現(xiàn)突破,以滿足鐵路專用網(wǎng)絡(luò)的高效、穩(wěn)定運(yùn)行需求。

      8、現(xiàn)有技術(shù)中,已公開的專利和研究為網(wǎng)絡(luò)監(jiān)測(cè)提供了部分解決方案,但仍存在以下不足:

      9、如公開號(hào)cn111641653a的中國(guó)專利提出了一種基于云平臺(tái)的網(wǎng)絡(luò)安全威脅態(tài)勢(shì)感知系統(tǒng),其功能層包括數(shù)據(jù)采集層、態(tài)勢(shì)分析層、態(tài)勢(shì)評(píng)估層和態(tài)勢(shì)展示層。數(shù)據(jù)采集層通過syslog協(xié)議、snmp協(xié)議及網(wǎng)絡(luò)安全管理工具,采集網(wǎng)絡(luò)基礎(chǔ)數(shù)據(jù),并采用特征融合方法評(píng)估安全態(tài)勢(shì)。然而,該系統(tǒng)針對(duì)傳統(tǒng)計(jì)算機(jī)網(wǎng)絡(luò)設(shè)計(jì),與5g-r網(wǎng)絡(luò)的特性(如低延遲、高并發(fā)、海量設(shè)備連接)差異較大,且在數(shù)據(jù)采集對(duì)象(僅限安全日志)和方法上與本發(fā)明不同,無(wú)法滿足5g-r網(wǎng)絡(luò)多源異構(gòu)數(shù)據(jù)的實(shí)時(shí)監(jiān)測(cè)需求。

      10、再有公開號(hào)cn113159475a的中國(guó)專利提供了一種基礎(chǔ)設(shè)施全生命周期監(jiān)測(cè)平臺(tái),包含狀態(tài)感知系統(tǒng)、網(wǎng)絡(luò)傳輸系統(tǒng)和數(shù)據(jù)分析系統(tǒng),聚焦高原高寒環(huán)境下鐵路基礎(chǔ)設(shè)施(如橋梁、隧道)多源數(shù)據(jù)的狀態(tài)評(píng)估。雖涉及鐵路場(chǎng)景,但其主要關(guān)注物理基礎(chǔ)設(shè)施狀態(tài),未涉及5g-r專用網(wǎng)絡(luò)的監(jiān)測(cè)和網(wǎng)絡(luò)設(shè)備的動(dòng)態(tài)檢測(cè),缺乏分布式監(jiān)測(cè)和多源信息融合的能力。

      11、再有公開號(hào)cn116896462a的專利提出了一種基于網(wǎng)絡(luò)安全管理的智慧礦山網(wǎng)絡(luò)態(tài)勢(shì)感知系統(tǒng),通過接收網(wǎng)絡(luò)設(shè)備生成的安全日志(如syslog、netflow),利用關(guān)聯(lián)分析(如apriori、fp-growth算法)和圖數(shù)據(jù)庫(kù)挖掘數(shù)據(jù)關(guān)聯(lián),識(shí)別網(wǎng)絡(luò)攻擊相關(guān)數(shù)據(jù)。盡管該系統(tǒng)在數(shù)據(jù)關(guān)聯(lián)和分析方面有一定創(chuàng)新,但其應(yīng)用場(chǎng)景局限于智慧礦山網(wǎng)絡(luò),與5g-r網(wǎng)絡(luò)的鐵路專用需求(如車地協(xié)同、低延遲通信)不匹配,且未解決分布式監(jiān)測(cè)和全網(wǎng)態(tài)勢(shì)感知的難題。

      12、此外,當(dāng)前5g-r網(wǎng)絡(luò)監(jiān)測(cè)工作多聚焦單一方面,如網(wǎng)絡(luò)性能或安全威脅,未形成跨路局、多源數(shù)據(jù)融合、多模塊協(xié)同決策及多層次網(wǎng)絡(luò)感知的整體方案。現(xiàn)有技術(shù)在以下方面仍存在局限:

      13、多源數(shù)據(jù)融合不足:難以整合來自核心網(wǎng)、無(wú)線網(wǎng)、接口監(jiān)測(cè)、檢測(cè)設(shè)備及gis等多維度異構(gòu)數(shù)據(jù),導(dǎo)致態(tài)勢(shì)感知不全面。

      14、智能分析能力有限:缺乏基于人工智能(如機(jī)器學(xué)習(xí)、深度學(xué)習(xí))和高級(jí)統(tǒng)計(jì)模型(如時(shí)序點(diǎn)過程、霍克斯理論)的智能分析,難以實(shí)現(xiàn)精準(zhǔn)的異常檢測(cè)、趨勢(shì)預(yù)測(cè)和故障根因診斷。

      15、可視化支持薄弱:現(xiàn)有系統(tǒng)多以報(bào)表或簡(jiǎn)單圖表展示數(shù)據(jù),缺乏多維度、可視化的態(tài)勢(shì)感知能力,難以滿足鐵路運(yùn)維人員對(duì)實(shí)時(shí)、交互式監(jiān)控的需求。

      16、針對(duì)上述挑戰(zhàn)和現(xiàn)有技術(shù)的不足,本發(fā)明提出了基于分布式監(jiān)測(cè)和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢(shì)感知方法。


      技術(shù)實(shí)現(xiàn)思路

      1、本發(fā)明的目的在于解決上述背景技術(shù)中提出的相應(yīng)技術(shù)問題,提供了基于分布式監(jiān)測(cè)和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢(shì)感知方法。

      2、本發(fā)明的目的通過以下方案實(shí)現(xiàn):

      3、本發(fā)明的方案一方面提供了基于分布式監(jiān)測(cè)和多源信息融合的5g-r網(wǎng)絡(luò)態(tài)勢(shì)感知方法,包括以下步驟:

      4、(1)分布式數(shù)據(jù)采集:通過分布式采集設(shè)備從多個(gè)異構(gòu)數(shù)據(jù)源獲取5g-r網(wǎng)絡(luò)的運(yùn)行狀態(tài)信息,所述數(shù)據(jù)源包括網(wǎng)絡(luò)設(shè)備配置數(shù)據(jù)、告警數(shù)據(jù)、性能數(shù)據(jù)、接口監(jiān)測(cè)數(shù)據(jù)、檢測(cè)數(shù)據(jù)及輔助數(shù)據(jù);

      5、(2)數(shù)據(jù)處理:對(duì)采集的多源數(shù)據(jù)進(jìn)行集中處理,包括數(shù)據(jù)清理、數(shù)據(jù)計(jì)算、數(shù)據(jù)關(guān)聯(lián)和數(shù)據(jù)重構(gòu),利用數(shù)據(jù)挖掘技術(shù)提取關(guān)鍵特征、趨勢(shì)及模式;

      6、(3)數(shù)據(jù)共享:通過統(tǒng)一存儲(chǔ)、管理和分發(fā)多源數(shù)據(jù),實(shí)現(xiàn)跨區(qū)域和跨系統(tǒng)的數(shù)據(jù)無(wú)縫銜接,支持實(shí)時(shí)與歷史數(shù)據(jù)的協(xié)同分析;

      7、(4)智能分析:基于人工智能技術(shù)對(duì)處理后的數(shù)據(jù)進(jìn)行異常檢測(cè)、模式識(shí)別和趨勢(shì)預(yù)測(cè);

      8、(5)可視化態(tài)勢(shì)感知:基于智能分析結(jié)果,通過可視化技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)告警、網(wǎng)絡(luò)運(yùn)用質(zhì)量、網(wǎng)絡(luò)運(yùn)維和資源管理的多維度態(tài)勢(shì)感知。

      9、進(jìn)一步的,所述步驟(1)中的分布式數(shù)據(jù)采集包括使用終端數(shù)據(jù)采集設(shè)備、網(wǎng)絡(luò)數(shù)據(jù)采集設(shè)備、接口監(jiān)測(cè)設(shè)備、檢測(cè)設(shè)備及輔助采集設(shè)備,其中:

      10、所述接口監(jiān)測(cè)設(shè)備采集北向接口監(jiān)測(cè)數(shù)據(jù)、全網(wǎng)信令和業(yè)務(wù)流量監(jiān)測(cè)數(shù)據(jù);

      11、所述檢測(cè)設(shè)備包括動(dòng)態(tài)檢測(cè)設(shè)備和靜態(tài)檢測(cè)工具,分別采集路測(cè)數(shù)據(jù)和第三方靜態(tài)檢測(cè)數(shù)據(jù)。

      12、進(jìn)一步的,所述步驟(2)中的數(shù)據(jù)處理包括:

      13、數(shù)據(jù)清理:通過去噪和格式轉(zhuǎn)換處理多源數(shù)據(jù);

      14、數(shù)據(jù)關(guān)聯(lián):采用皮爾遜相關(guān)系數(shù)算法計(jì)算告警數(shù)據(jù)與性能數(shù)據(jù)之間的線性關(guān)系,公式為:,其中,r示皮爾遜相關(guān)系數(shù),用于衡量?jī)山M數(shù)據(jù)之間的線性相關(guān)性;和分別表示兩組數(shù)據(jù)中的第個(gè)觀測(cè)值;和分別為和的均值;為數(shù)據(jù)樣本總數(shù);

      15、數(shù)據(jù)挖掘:使用fp-growth算法挖掘頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則,步驟包括構(gòu)建fp樹并遞歸挖掘頻繁模式。

      16、進(jìn)一步的,所述步驟(4)中的智能分析包括故障根因診斷,具體方法為:

      17、采用貝葉斯離散度分析評(píng)估故障事件相關(guān)性,計(jì)算條件概率:

      18、;

      19、其中,表示在事件b發(fā)生條件下事件a的條件概率;表示在事件a發(fā)生條件下事件b的似然概率;和分別為事件a和b的先驗(yàn)概率;

      20、使用時(shí)序點(diǎn)過程(tpp)分析故障時(shí)間序列,強(qiáng)度函數(shù)為:

      21、;

      22、其中,表示時(shí)刻t的事件發(fā)生強(qiáng)度;為基線事件發(fā)生率,表示無(wú)觸發(fā)時(shí)的基礎(chǔ)強(qiáng)度;為觸發(fā)函數(shù),描述前一次事件對(duì)當(dāng)前時(shí)刻t的影響;n為歷史事件總數(shù),為第i個(gè)歷史事件的時(shí)間;

      23、基于霍克斯理論識(shí)別故障傳播路徑,觸發(fā)函數(shù)為:

      24、;

      25、其中,表示觸發(fā)強(qiáng)度參數(shù),用于衡量事件觸發(fā)的影響大??;表示衰減速率參數(shù),用于描述觸發(fā)影響隨時(shí)間衰減的速度;表示當(dāng)前時(shí)間t與歷史事件時(shí)間的時(shí)間差;

      26、使用邏輯回歸圖神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)故障概率,邏輯回歸公式為:

      27、;

      28、其中,表示給定輸入特征 x條件下故障發(fā)生的概率;為截距項(xiàng)(偏置項(xiàng)),為回歸系數(shù),反映特征x對(duì)故障概率的影響;x為輸入特征變量。

      29、進(jìn)一步的,所述步驟(5)中的網(wǎng)絡(luò)告警態(tài)勢(shì)感知包括告警分析,具體方法為:通過皮爾遜算法和fp-growth算法分析告警關(guān)聯(lián)性;

      30、采用時(shí)序分析檢測(cè)周期性異常,使用s-arima模型預(yù)測(cè)告警趨勢(shì),公式為:

      31、;

      32、其中,表示時(shí)間序列在時(shí)刻t的值;c為常數(shù)項(xiàng);為自回歸參數(shù),表示過去p個(gè)時(shí)間步的滯后值對(duì)當(dāng)前值的影響;為移動(dòng)平均參數(shù),表示過去q個(gè)時(shí)間步的白噪聲對(duì)當(dāng)前值的影響;為時(shí)刻 t的白噪聲誤差項(xiàng);

      33、利用kl散度(kullback-leibler散度)評(píng)估數(shù)據(jù)分布差異,公式為:

      34、;

      35、其中,表示概率分布p相對(duì)于的kl散度,用于衡量?jī)煞植贾g的信息差異;和分別為兩個(gè)概率分布在事件x上的概率密度。

      36、進(jìn)一步的,所述步驟(5)中的網(wǎng)絡(luò)運(yùn)用質(zhì)量感知包括質(zhì)差分析,具體方法為:

      37、使用高斯混合模型(gmm)進(jìn)行質(zhì)差指標(biāo)門限自學(xué)習(xí),概率密度函數(shù)為:

      38、;

      39、其中,表示觀測(cè)值 x的概率密度;k為高斯分量數(shù);為第k個(gè)高斯分量的混合權(quán)重,滿足為第k個(gè)高斯分量的概率密度函數(shù),其中為均值向量,為協(xié)方差矩陣;

      40、采用決策樹算法定界質(zhì)差問題,基于信息熵計(jì)算分裂特征:

      41、;

      42、信息增益公式為:

      43、;

      44、其中,表示數(shù)據(jù)集s的信息熵;為類別i的概率;表示特征a帶來的信息增益;為特征a取值v的子集,和分別為子集和總集的樣本數(shù)。

      45、進(jìn)一步的,所述步驟(5)中的網(wǎng)絡(luò)運(yùn)維態(tài)勢(shì)感知包括預(yù)測(cè)性維護(hù)和業(yè)務(wù)撥測(cè)驗(yàn)證,具體方法為:

      46、使用回歸分析預(yù)測(cè)故障趨勢(shì),線性回歸模型為:

      47、;

      48、其中,y為預(yù)測(cè)的故障趨勢(shì)值;為截距(偏置項(xiàng));為回歸系數(shù),反映自變量x對(duì)因變量y的影響;x為輸入特征變量,如設(shè)備運(yùn)行時(shí)間或性能指標(biāo);為隨機(jī)誤差項(xiàng);

      49、采用神經(jīng)網(wǎng)絡(luò)挖掘非線性故障模式,激活函數(shù)為:

      50、;

      51、其中,為sigmoid激活函數(shù)的輸出,x為輸入值,用于將輸入映射到[0,1]區(qū)間;

      52、業(yè)務(wù)撥測(cè)驗(yàn)證使用boxplot檢測(cè)異常值,四分位距公式為:

      53、;

      54、異常范圍為,其中,為四分位距;和分別為數(shù)據(jù)的第一四分位數(shù)和第三四分位數(shù);

      55、使用n-sigma方法識(shí)別波動(dòng),標(biāo)準(zhǔn)化得分公式為:

      56、;

      57、其中,z為標(biāo)準(zhǔn)化得分;x為觀測(cè)值;為均值;為標(biāo)準(zhǔn)差;

      58、采用iforest算法檢測(cè)異常,異常得分公式為:

      59、;

      60、其中,為樣本 x的異常得分;為樣本 x在孤立森林中所有樹的平均路徑長(zhǎng)度;為樣本數(shù)對(duì)應(yīng)的平均路徑長(zhǎng)度常數(shù),為樣本總數(shù)。

      61、進(jìn)一步的,所述步驟(5)中的資源管理態(tài)勢(shì)感知包括動(dòng)態(tài)資源可視化,具體方法為:

      62、通過后臺(tái)算法計(jì)算網(wǎng)絡(luò)切片指標(biāo),利用n-sigma方法檢測(cè)異常波動(dòng),公式同上;

      63、基于gis數(shù)據(jù)生成網(wǎng)絡(luò)拓?fù)淇梢暬?,使用信息熵評(píng)估數(shù)據(jù)分布:

      64、;

      65、其中,表示隨機(jī)變量 x的信息熵;為事件的概率;為可能事件總數(shù)。

      66、進(jìn)一步的,所述步驟(4)中的智能分析還包括異常檢測(cè),具體方法為:

      67、采用iforest算法識(shí)別異常模式,異常得分公式同上;

      68、使用boxplot方法檢測(cè)性能指標(biāo)離群點(diǎn),公式同上;

      69、利用kl散度評(píng)估異常分布差異,公式同上。

      70、本發(fā)明還提供了一種5g-r網(wǎng)絡(luò)態(tài)勢(shì)感知系統(tǒng),包括:

      71、分布式數(shù)據(jù)采集設(shè)備,用于采集多源數(shù)據(jù);

      72、數(shù)據(jù)共享與處理平臺(tái),用于數(shù)據(jù)預(yù)處理和共享;

      73、智能分析模塊,集成皮爾遜算法、fp-growth、貝葉斯分析、時(shí)序點(diǎn)過程(tpp)、霍克斯理論、邏輯回歸圖神經(jīng)網(wǎng)絡(luò)、高斯混合模型(gmm)、決策樹、s-arima、boxplot、n-sigma、iforest、回歸分析、神經(jīng)網(wǎng)絡(luò)及kl散度技術(shù),執(zhí)行異常檢測(cè)與預(yù)測(cè);

      74、態(tài)勢(shì)感知模塊,提供網(wǎng)絡(luò)告警、質(zhì)量、運(yùn)維和資源管理的可視化展示;

      75、用戶接口層,支持實(shí)時(shí)監(jiān)控與決策。

      76、與現(xiàn)有技術(shù)相比,本發(fā)明具備以下有益效果:

      77、1、本發(fā)明通過分布式監(jiān)測(cè)技術(shù)在5g-r網(wǎng)絡(luò)的多個(gè)節(jié)點(diǎn)(如核心網(wǎng)、無(wú)線網(wǎng)、基站、接口設(shè)備)部署監(jiān)測(cè)設(shè)備,實(shí)時(shí)采集多源異構(gòu)數(shù)據(jù),包括網(wǎng)絡(luò)設(shè)備配置數(shù)據(jù)、告警數(shù)據(jù)、性能數(shù)據(jù)、接口監(jiān)測(cè)數(shù)據(jù)、檢測(cè)數(shù)據(jù)及gis數(shù)據(jù),確保全網(wǎng)覆蓋和低延遲數(shù)據(jù)獲取。結(jié)合多源信息融合技術(shù)(如皮爾遜相關(guān)系數(shù)、fp-growth算法),整合核心網(wǎng)、無(wú)線網(wǎng)和專用設(shè)備的多維度數(shù)據(jù),克服傳統(tǒng)集中式監(jiān)測(cè)數(shù)據(jù)來源有限、實(shí)時(shí)性不足的缺點(diǎn),實(shí)現(xiàn)對(duì)5g-r網(wǎng)絡(luò)運(yùn)行狀態(tài)的全面感知和快速響應(yīng),滿足鐵路場(chǎng)景中低延遲(<1ms)和高可靠性的需求;

      78、2、本發(fā)明利用人工智能和高級(jí)統(tǒng)計(jì)模型(如貝葉斯離散度分析、時(shí)序點(diǎn)過程、霍克斯理論、邏輯回歸圖神經(jīng)網(wǎng)絡(luò)、高斯混合模型、s-arima、iforest等)對(duì)多源數(shù)據(jù)進(jìn)行智能分析,實(shí)現(xiàn)異常檢測(cè)、模式識(shí)別、趨勢(shì)預(yù)測(cè)和故障根因診斷。例如,通過和識(shí)別故障傳播路徑,結(jié)合評(píng)估故障相關(guān)性,顯著提升故障定位的準(zhǔn)確率和效率。相比現(xiàn)有技術(shù),本發(fā)明克服了單一數(shù)據(jù)源分析的局限,能夠預(yù)測(cè)潛在故障(如設(shè)備負(fù)載異常、業(yè)務(wù)質(zhì)量下降),為預(yù)測(cè)性維護(hù)和網(wǎng)絡(luò)優(yōu)化提供強(qiáng)有力的支持;

      79、3、本發(fā)明通過可視化技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)告警、運(yùn)用質(zhì)量、運(yùn)維和資源管理的多維度展示,利用kl散度(如)和信息熵(如)評(píng)估數(shù)據(jù)分大結(jié)合ch數(shù)據(jù)生成網(wǎng)絡(luò)打撲圖若日鐘歐三維人目對(duì)空時(shí)。交后一世收驚的需求阿如其tdamber布,結(jié)合gis數(shù)據(jù)生成網(wǎng)絡(luò)拓?fù)鋱D,滿足鐵路運(yùn)維人員對(duì)實(shí)時(shí)、交互式監(jiān)控的需求。例如,基于boxplot和n-sigma(如)檢測(cè)性能異常,通過大屏展示告警統(tǒng)計(jì)和資源利用率,顯著提升運(yùn)維效率和決策支持能力,克服現(xiàn)有技術(shù)可視化支持薄弱的不足。

      當(dāng)前第1頁(yè)1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
      1
      主站蜘蛛池模板: 日韩av在线不卡一区二区三区| av资源在线看免费观看| 大肥婆老熟女一区二区精品| 亚洲一区二区精品久久蜜桃| 蜜桃一区二区三区在线看| 亚洲精选视频一区二区三区 | 宁陵县| 亚洲无码图| 国产精品一区二区久久精品蜜臀| 泸水县| 玩弄放荡人妻一区二区三区| 91热视频在线观看| 一区二区三区四区四色av| 天水市| 欧美洲精品亚洲精品中文字幕| 威远县| 在线观看av片永久免费| 国产精品亚洲美女av网站| 亚洲妇女av一区二区| 国产精品99久久免费观看 | 国产人成视频免费在线观看| 上虞市| 狠狠狠狠狠综合视频| 国产精品久久久久免费看| 精美亚洲一区二区三区| 91尤物在线看| 无码高潮少妇毛多水多水免费| 青青草综合影院在线观看| 精品久久日产国产一区| 日韩久久无码免费看A| 国产中文久久精品| 国内精品人人妻少妇视频| 亚洲一区二区女优av| 欧美日韩国产高清| 亚洲国产精品久久久性色av| 左云县| 91精品在线免费| 四虎成人精品国产永久免费| 国产成年无码aⅴ片在线观看| 亚洲综合综合在线| 国产乱人伦AⅤ在线麻豆A|