Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 浪潮电子信息产业股份有限公司孙伟源获国家专利权

浪潮电子信息产业股份有限公司孙伟源获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉浪潮电子信息产业股份有限公司申请的专利故障处理方法,电子设备及存储介质获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN120498979B

龙图腾网通过国家知识产权局官网在2026-01-27发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202510983937.3,技术领域涉及:H04L41/069;该发明授权故障处理方法,电子设备及存储介质是由孙伟源;陈春风;王晓通设计研发完成,并于2025-07-17向国家知识产权局提交的专利申请。

故障处理方法,电子设备及存储介质在说明书摘要公布了:本申请公开了一种故障处理方法,电子设备及存储介质,涉及计算机技术领域,为了有效提高故障检出的准确率,本申请构建出具有真实标签的训练样本。利用训练样本对本地故障检测大模型进行训练。通过对训练后的本地故障检测大模型进行知识蒸馏从而获得轻量化的故障检测模型。云端服务器将故障检测模型发送给边缘服务器后,边缘服务器便可利用该故障检测模型对新采集的日志数据进行故障检测,从而更为精准地检出故障。

本发明授权故障处理方法,电子设备及存储介质在权利要求书中公布了:1.一种故障处理方法,其特征在于,应用于云端服务器,包括: 接收边缘服务器上报的故障日志数据;所述故障日志数据包括日志数据和故障检测结果,所述故障检测结果为所述边缘服务器利用最新的故障检测模型检测所述日志数据所得结果; 向运维终端发送与所述故障日志数据匹配的故障工单后,接收所述运维终端反馈的真实故障数据;其中,所述真实故障数据包括实际故障类型、修复措施、是否误报; 利用所述真实故障数据、所述日志数据和所述故障检测结果,构建具有真实标签的训练样本; 在满足训练条件的情况下,利用所述训练样本对本地故障检测大模型进行训练,并对训练后的本地故障检测大模型进行知识蒸馏以获得新的故障检测模型;所述训练样本包括漏报样本,该漏报样本用于在云端训练时提高该漏报样本所属故障类型的损失权重; 将新的故障检测模型发送给所述边缘服务器,以便所述边缘服务器利用最新的故障检测模型对新采集的日志数据进行故障检测; 其中,向运维终端发送与所述故障日志数据匹配的故障工单,包括: 利用最新的所述本地故障检测大模型对所述故障日志数据进行异常检测; 在检测到异常的情况下,生成与异常对应的故障工单;根据故障类型和设备类型,从预设模板库中匹配描述模板,从数据库查询该设备的历史维修记录,输出工单模板;其中,所述模板包括:故障描述、建议措施和关联技能标签; 获取运维人员的实时状态信息和技能信息;实时状态信息包括位置和负载,所述技能信息为已掌握技能种类; 结合所述实时状态信息和所述技能信息确定适配的目标运维人员; 将所述故障工单发送给与所述目标运维人员具有绑定关系的运维终端; 其中,利用所述训练样本对本地故障检测大模型进行训练,包括: Jensen-Shannon散度JSD: ,; 其中,:高低置信度样本分布的Jensen-Shannon散度,衡量两类样本概率分布的差异程度;为高置信度样本的故障类别概率分布,边缘模型对本地日志推理时,置信度分数超过动态阈值的样本,其故障类别的概率分布;:低置信度样本的故障类别概率分布,边缘模型置信度分数小于动态阈值的样本,其故障类别的概率分布;M:高低置信度分布的中间分布,和的算术平均分布; 分布相对于M的KL散度,衡量高置信度分布与中间分布的差异程度; 分布相对于M的KL散度,衡量低置信度分布与中间分布的差异程度; 为权重系数,对两项KL散度取平均,确保JSD的对称性; 当JSD超过阈值时,触发分布对齐; 损失函数增强,在基础上,增加分布对齐项:;其中:Ltotal为混合总损失值,Lhard为交叉熵损失,Lsoft为KL散度损失;为分布对齐损失值;为MMD损失的权重系数;损失的权重系数;最大均值差异,衡量高低置信度样本在特征空间的分布距离;为注意力余弦相似度,衡量模型对高低置信度样本的注意力聚焦一致性;MMD最大均值差异衡量高低置信度样本特征空间分布差异,计算如下: ;其中,Xhigh:高置信度样本集合,边缘模型置信度阈值的样本;Xlow:低置信度样本集合,边缘模型置信度≤阈值的样本;Nhigh、Nlow:样本数量,Nhigh=m,Nlow=n;核函数映射,将输入特征映射到再生核希尔伯特空间RKHS;:高置信样本在RKHS的均值嵌入;∶低置信样本在RKHS的均值嵌入;:希尔伯特空间范数,计算两个均值嵌入的距离; CosSim余弦相似度计算BERT-Large对高低置信度样本的注意力相似度;其中,:样本的注意力特征向量,从云端模型提取;向量点积,衡量方向相似性;范数,归一化因子,约束输出范围;权重系数λ=0.2,μ=0.1; 最终损失函数:。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人浪潮电子信息产业股份有限公司,其通讯地址为:250000 山东省济南市高新区草山岭南路801号9层东侧;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。