告警派單方法及裝置與流程

文檔序號:19835748發布日期:2020-02-04 12:59
告警派單方法及裝置與流程
本發明涉及通信領域,尤其涉及一種告警派單方法及裝置。
背景技術
:目前,當目標網絡中的網元設備發生故障時,通常會觸發告警機制。針對網元設備發出的告警,運維人員會利用人工經驗制定的派單規則,判斷是否向發生故障的網元設備派發用于處理該故障的工單?,F有通過派單規則判斷是否進行派單處理的方法,過于依賴人工經驗,經常出現遺漏派單的情況。同時,對于網元設備可以自行恢復的故障,現有派單方法仍會對其派發工單,極大地浪費了網絡資源。技術實現要素:本發明實施例提供一種告警派單方法及裝置,能夠通過對多個故障中每個故障的故障特征以及多個故障中每個故障的處理結果進行分類訓練,確定用于預測是否對某個故障進行派單處理的預設模型。當獲取待識別故障的故障特征時,可以直接利用該預設模型,預測是否對待識別故障進行派單處理。提升了派單工作的效率,減少了派單過程中的資源浪費。第一方面,本發明提供一種告警派單方法,包括:獲取多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果;處理結果包括派單和不派單兩種結果;故障特征是根據故障引起的告警信息產生的。利用多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果對第一預設分類器進行訓練,生成第一預設模型;第一預設分類器為二元分類器。獲取待識別故障的故障特征。根據待識別故障的故障特征,利用第一預設模型,輸出第一預測結果;第一預測結果用于預測是否對待識別故障進行派單處理。第二方面,本發明實施例提供一種告警派單裝置,包括:獲取單元,用于獲取多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果;處理結果包括派單和不派單兩種結果;故障特征是根據故障引起的告警信息產生的。處理單元,用于利用多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果對第一預設分類器進行訓練,生成第一預設模型;第一預設分類器為二元分類器。獲取單元,還用于獲取待識別故障的故障特征。輸出單元,用于根據待識別故障的故障特征,利用第一預設模型,輸出第一預測結果;第一預測結果用于預測是否對待識別故障進行派單處理。第三方面,本發明實施例提供另一種告警派單裝置,包括:處理器、存儲器、總線和通信接口;存儲器用于存儲計算機執行指令,處理器與存儲器通過總線連接,當告警派單裝置運行時,處理器執行上述存儲器存儲的上述計算機執行指令,以使告警派單裝置執行如上述第一方面所提供的告警派單方法。第四方面,本發明實施例提供一種計算機存儲介質,包括指令,當其在告警派單裝置上運行時,使得告警派單裝置執行上述第一方面所提供的一種告警派單方法。第五方面,本發明實施例提供了一種包含指令的計算機程序產品,當所述計算機程序產品在計算機上運行時,使得所述計算機執行上述第一方面及其任意一種實現方式所述告警派單方法。本發明實施例所提供的告警派單方法及裝置,能夠通過對多個故障中每個故障的故障特征以及多個故障中每個故障的處理結果進行分類訓練,確定用于預測是否對某個故障進行派單處理的預設模型。當獲取待識別故障的故障特征時,可以直接利用該預設模型,預測是否對待識別故障進行派單處理。提升了派單工作的效率,減少了派單過程中的資源浪費。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案,下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹。圖1為本發明實施例提供的一種神經網絡模型的結構示意圖;圖2為本發明實施例提供的一種基于人工經驗的派單方法流程示意圖;圖3為本發明實施例提供的一種告警派單方法的流程示意圖之一;圖4為本發明實施例提供的一種告警派單方法的流程示意圖之二;圖5為本發明實施例提供的一種告警派單方法的流程示意圖之三;圖6為本發明實施例提供的一種告警派單方法的流程示意圖之四;圖7為本發明實施例提供的一種告警派單裝置的結構示意圖之一;圖8為本發明實施例提供的一種告警派單裝置的結構示意圖之二;圖9為本發明實施例提供的一種告警派單裝置的結構示意圖之三。具體實施方式下面將結合附圖對本申請提供的告警派單方法及裝置進行詳細的描述。本申請的說明書以及附圖中的術語“第一”和“第二”等是用于區別不同的對象,而不是用于描述對象的特定順序。此外,本申請的描述中所提到的術語“包括”和“具有”以及他們的任何變形,意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統、產品或設備沒有限定于已列出的步驟或單元,而是可選地還包括其他沒有列出的步驟或單元,或可選地還包括對于這些過程、方法、產品或設備固有的其他步驟或單元。需要說明的是,本申請實施例中,“示例性的”或者“例如”等詞用于表示作例子、例證或說明。本申請實施例中被描述為“示例性的”或者“例如”的任何實施例或設計方案不應被解釋為比其他實施例或設計方案更優選或更具優勢。確切而言,使用“示例性的”或者“例如”等詞旨在以具體方式呈現相關概念。本申請中所述“和/或”,包括用兩種方法中的任意一種或者同時使用兩種方法。在本申請的描述中,除非另有說明,“多個”的含義是指兩個或兩個以上。以下對本申請涉及的技術術語進行介紹:神經網絡模型,神經網絡是由大量的、簡單的神經元廣泛地互相連接而形成的復雜網絡系統,它反映了人腦功能的許多基本特征,是一個高度復雜的非線性動力學習系統,適合處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。示例性的,如圖1所示,神經網絡模型10包括輸入層101、隱含層102、隱含層103、輸出層104。其中,輸入層101用于接收來自神經網絡模型10外部的信息。神經網絡模型10外部的信息包括q維告警特征向量。具體的,首先對多個告警信息中每個告警信息對應的告警名稱確定唯一的告警編號,q種告警名稱對應q個告警編號。然后獲取目標故障工單,并利用目標故障工單確定與目標故障相關的至少一個告警信息。最后,根據確定的告警編號為至少一個告警信息構造q維告警特征向量。輸入層101用于輸入q維告警特征向量。輸出層104用于輸出神經網絡模型10的計算結果。具體的,輸出層104用于輸出派單或不派單的處理結果。隱含層102和隱含層103用于解決線性不可分問題。具體的,不同的告警特征從不同的層面劃分可能會出現不同的劃分結果。因此,通過劃分多個隱含層,來表明告警特征與處理結果的對應關系。由于告警特征與處理結果的對應關系過于復雜,本發明實施例僅提供了隱含層102及隱含層103這兩個隱含層。但在實際的操作過程中,神經網絡模型中的隱含層不止兩個,隱含層的個數以及每個隱含層中神經元的個數與所要解決的問題有關,在此不做具體限定。通過在隱含層中設定目標激活函數和目標優化器使得神經網絡模型達到收斂,并分析神經網絡模型的測試結果。其中,目標激活函數包括,sigmoid函數、relu(rectifiedlinearunit,線性整流函數)、softmax函數。目標優化器包括,sgd(steepestdescentmethod,最速下降法)優化器、rms(rootmeansquare,均方根)prop優化器、adagrad優化器、adadelta優化器、adam優化器。本發明的發明原理:在現有技術中,運維人員通常利用人工經驗總結出的派單規則,對網絡中產生的告警進行是否派單的處理?,F有告警派單的方法,如圖2所示,包括步驟s201-s205:s201、目標網絡發生故障,網元設備產生告警信息。s202、目標網絡將網元設備產生的告警信息發送至網管系統。s204、網管系統將網元設備產生的告警信息發送至故障派單系統。在步驟s204之前,現有的告警派單方法還包括s203、根據人工經驗將目標派單規則錄入故障派單系統。s205、故障派單系統根據網元設備產生的告警信息向運維人員發送是否進行派單的處理結果。顯然,現有告警派單的方法過于依賴人工經驗。同時,經常會出現遺漏派單或冗余派單的情況,即應該派發工單的告警沒有派發,無需派發工單的告警仍然派發了工單,降低了工作效率的同時浪費了網絡資源。因此,急需一種告警派單方法,可以系統地根據網元設備發出的告警信息確定是否向該網元設備派發工單?;谏鲜霭l明原理,本發明實施例提供一種告警派單方法。如圖3所示,該方法包括s301-s311:s301、獲取多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果。處理結果包括派單和不派單兩種結果。故障特征是根據故障引起的告警信息產生的。示例性的,如表1所示,故障a的故障特征為特征a,故障b的故障特征為特征b,故障c的故障特征為特征c、故障d的故障特征為特征d。故障a、故障c以及故障d對應的處理結果均為派單,而故障b對應的處理結果為不派單。故障故障特征處理結果故障a特征a派單故障b特征b不派單故障c特征c派單故障d特征d派單表1在本發明的一種實現方式中,s301獲取多個故障中每個故障的故障特征,具體包括步驟s301a-s301c:s301a、獲取預設時間內的多個告警信息。具體的,可以利用預設時間將不同的告警信息進行劃分。預設時間可以為30秒,也可以為1分鐘,在此不做具體限定。同時,間隔時間過大的告警信息無法代表同一故障的故障特征,因此本發明實施例通過預設時間劃分不同的告警信息,也是一種對第一預設模型中輸入樣本的初步篩選過程。示例性的,如表2所示,為選取的一部分的告警信息。其中,本發明實施例僅提供了告警信息中的告警信息編號、發生告警的目標設備編號,告警名稱,以及告警發生時間。本發明所公開的告警信息包括但不限于上述四類的信息,告警信息還包括告警等級、告警的結束時間、發生告警的端口速率,在此不做具體限定。告警信息編號目標設備編號告警名稱告警發生時間00101鏈路斷開2019/1/18:4700201isis鄰接改變2019/1/18:4700302los2019/1/18:4700402鏈路斷開2019/1/18:4700503物理端口down2019/1/18:4700602遠端故障告警2019/1/111:2400701物理端口down2019/1/116:35表2從表2中獲取預設時間內的多個告警信息,得到如表3所示的預設時間內的多個告警信息。其中,預設時間為告警時間為2019/1/18:47這一分鐘內產生的告警。告警信息編號目標設備編號告警名稱告警發生時間00101鏈路斷開2019/1/18:4700201isis鄰接改變2019/1/18:4700302los2019/1/18:4700402鏈路斷開2019/1/18:4700503物理端口down2019/1/18:47表3s301b、從多個告警信息中選擇目標故障引起的告警信息。目標故障為多個故障中的一個。具體的,預設時間內會出現多個告警信息,而這些多個告警信息可以為同一個故障的告警信息,也可以為不同故障的告警信息。因此,從多個告警信息中選擇目標故障引起的告警信息,進而通過目標故障引起的告警信息確定目標故障的告警特征。示例性的,如表4所示為選取的一部分故障工單的示例。其中,該故障工單包括工單編號、工單主題及故障類型。結合表3可以看出,雖然表3中的5個告警信息都是同一個時間點發生的,但005號告警信息很顯然與其他四個告警信息不是出自同一個故障。001號告警信息、002號告警信息、003號告警信息以及004號告警信息均是由目標設備01與目標設備02引起的,即均屬于工單編號為gz20190101-0163的故障,而005號告警信息是由目標設備03引起的,是屬于工單編號為gz20190101-0164的故障。因此,可以從工單編號為gz20190101-0163的故障中選擇001號告警信息、002號告警信息、003號告警信息以及004號告警信息,從工單編號為gz20190101-0164的故障中選擇005號告警信息。表4s301c、根據目標故障引起的告警信息確定目標故障的告警特征。具體的,目標故障為多個故障中的一個。通過確定目標故障的告警特征,進而確定多個故障中每個故障的故障特征。示例性的,如表3、表4所示,工單編號為gz20190101-0163的故障為目標故障,則根據001號告警信息、002號告警信息、003號告警信息以及004號告警信息確定工單編號為gz20190101-0163的故障的告警特征。s302、利用多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果對第一預設分類器進行訓練,生成第一預設模型。第一預設分類器為二元分類器。具體的,將多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果進行訓練,生成一個包含故障特征與處理結果的第一預設模型。進而,在獲取到一個待識別故障的故障特征時,可以根據待識別故障的故障特征,預測待識別故障對應的處理結果。示例性的,如圖4所示,第一預設模型的生成過程可以理解為一種數據驅動的過程。s401、獲取目標數據。其中,目標數據包括,多個故障中每個故障的告警信息以及多個故障中每個故障對應的處理結果。s402、對目標數據進行分析。s403、選擇目標模型。其中,目標模型包括神經網絡模型。s404、對目標模型進行設計。s405、初始化目標模型。s406、對目標模型進行預設函數設計。其中預設函數設計包括,目標函數設計、代價損耗函數設計。s407、對預設函數進行梯度計算或誤差反傳。s408、對預設函數中的參數進行更新。s409、判斷預設函數是否收斂或滿足預設條件。若否,則返回s407。若是,則執行s410。s410、輸出滿足預設條件的目標模型。示例性的,如圖5所示,為本發明實施例提供的一種告警派單方法的流程示意圖。其中,該方法包括:s501、從歷史告警信息中確定q維告警特征向量。具體的,可以對目標網絡中的不同告警信息做不同的編號處理,按照預設時間從歷史告警信息對應的多個故障中確定目標故障以及目標故障對應的告警信息。s502、將q維告警特征向量作為第一預設模型的輸入數據。s503、從歷史故障工單中確定不同故障對應的處理結果。s504、將不同故障對應的處理結果作為第一預設模型的標簽數據。具體的,將派單或不派單的處理結果作為第一預設模型的標簽數據。s505、將第一預設模型的輸入數據與第一預設模型的標簽數據結合生成第一數據集。s506、將第一數據集按照預設比例分為第一訓練集和第一測試集。具體的,預設比例包括1:8。s507、利用第一訓練集中的數據構造生成第一訓練模型。s508、利用第一訓練模型輸出第一訓練結果。其中,第一訓練結果用于表示在第一訓練集中,故障特征與處理結果的對應關系。s509、從第一測試集中獲取第一測試數據。s510利用第一測試數據對第一訓練模型進行測試,輸出第一測試結果。其中,第一測試結果包括第一訓練模型的準確率。s511,若第一測試結果滿足預設準確率,則輸出第一訓練模型。其中,第一測試結果滿足預設準確率的第一訓練模型為第一預設模型。s303、獲取待識別故障的故障特征。s304、根據待識別故障的故障特征,利用第一預設模型,輸出第一預測結果。第一預測結果用于預測是否對待識別故障進行派單處理。具體的,通過獲取待識別故障的故障特征,利用第一預設模型,可以輸出一個用于預測是否向待識別故障進行派單處理的第一預測結果,提高了告警處理的準確性,提升了派單工作的效率。示例性的,如圖6所示,本發明實施例公開的告警派單方法,對于實際操作的工作人員而言,相當于一個包含輸入、輸出但無需了解第一預設模型60內部的過程。即,只需向第一預設模型60內部輸入一些數據,第一預設模型60就會輸出關于結果的特征。具體步驟包括:s601、向第一預設模型60輸入待識別故障的故障特征。s602、第一預設模型60輸出第一預測結果。s310、若第一預測結果表示需要對待識別故障進行派單處理,則根據待識別故障的故障特征,利用第二預設模型,輸出第二預測結果。第二預測結果用于預測待識別故障的故障原因。其中,第二預設模型是利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練,生成的。第二預設分類器用于將m個故障分為n類故障,n類故障分別對應不同的故障原因。具體的,可以利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練,生成一個包含故障特征與故障原因的第二預設模型。之后,根據待識別故障的故障特征時,利用第二預設模型,預測待識別故障的故障原因。本發明實施例通過第二預設模型預測待識別故障的故障原因,進而根據待識別故障的故障原因為待識別故障分配對應的處理方式,以便對該故障進行修復。需要說明的是,本發明實施例在根據待識別故障的故障特征,利用第一預設模型輸出第一預測結果之后,利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練。該m個故障是隨機的,不受任何限制的。在本發明的一種實現方式中,m個故障也可以與第一預設模型相結合,即m個故障是經過第一預設模型處理后的故障。當m個故障是經過第一預設模型處理后的故障時,步驟s310若第一預測結果表示需要對待識別故障進行派單處理,則根據待識別故障的故障特征,利用第二預設模型,輸出第二預測結果之前,該方法還包括:s305、獲取x個故障的故障特征。s306、根據x個故障的故障特征,利用第一預設模型,判斷是否對x個故障中的每個故障進行派單處理,生成判斷結果。具體的,根據x個故障的故障特征,利用第一預設模型,生成判斷結果。該判斷結果用于表示是否對x個故障中的每個故障進行派單處理。s307、根據判斷結果,從x個故障中選擇需要進行派單處理的m個故障。具體的,x≥m。s308、獲取m個故障中每個故障的故障原因。示例性的,如表5所示為選取的又一部分故障工單的示例。其中,工單編號為gz20190101-0163的故障對應的故障原因為拆遷砸斷,工單編號為gz20190101-0164的故障對應的故障原因為拆遷砸斷,工單編號為gz20190105-0012的故障對應的故障原因為基站尾纖故障,工單編號為gz20190106-0147的故障對應的故障原因為基站尾纖故障,工單編號為gz20190108-0110的故障對應的故障原因為施工挖斷,工單編號為gz20190110-0128的故障對應的故障原因為施工挖斷。工單編號故障原因gz20190101-0163拆遷砸斷gz20190101-0164拆遷砸斷gz20190105-0012基站尾纖故障gz20190106-0147基站尾纖故障gz20190108-0110施工挖斷gz20190110-0128施工挖斷表5s309、利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練,生成第二預設模型。具體的,從x個故障中選擇需要進行派單處理的m個故障之后,利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練,生成一個包含故障特征與故障原因的第二預設模型。進而,在獲取到待識別故障的故障特征時,可以利用第二預設模型,預測待識別故障的故障原因。在本發明的一種實現方式中,在步驟s310若第一預測結果表示需要對待識別故障進行派單處理,則根據待識別故障的故障特征,利用第二預設模型,輸出第二預測結果之后,該方法還包括步驟s311:s311、根據待識別故障的故障原因,輸出目標處理方式。目標處理方式包括更換設備、光纜熔接。示例性的,如表6所示,為本發明實施例提供的一種故障原因與處理方式的對應關系。其中,故障原因為拆遷砸斷的處理方式為光纜熔接。故障原因為基站尾纖故障的處理方式為更換設備。具體的,包括更換尾纖。故障原因為施工挖斷的處理方式為光纜熔接。即,若待識別故障的故障原因為施工挖斷,則目標處理方式為光纜熔接。故障原因處理方式拆遷砸斷光纜熔接基站尾纖故障更換設備施工挖斷光纜熔接表6本申請提供了一種告警派單裝置,用于執行前述告警派單方法,如圖7所示,為本發明實施例提供的告警派單裝置70的一種可能的結構示意圖。其中,該裝置包括:獲取單元701,用于獲取多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果。處理結果包括派單和不派單兩種結果。故障特征是根據故障引起的告警信息產生的。處理單元702,用于利用多個故障中每個故障的故障特征以及多個故障中每個故障對應的處理結果對第一預設分類器進行訓練,生成第一預設模型。第一預設分類器為二元分類器。獲取單元701,還用于獲取待識別故障的故障特征。輸出單元703,用于根據待識別故障的故障特征,利用第一預設模型,輸出第一預測結果。第一預測結果用于預設是否對待識別故障進行派單處理??蛇x的,獲取單元701,具體用于獲取預設時間內的多個告警信息;處理單元702,具體用于從多個告警信息中選擇目標故障引起的告警信息。目標故障為多個故障中的一個。處理單元702,具體還用于根據目標故障引起的告警信息確定目標故障的告警特征??蛇x的,輸出單元703,還用于若第一預測結果表示需要對待識別故障進行派單處理,則根據待識別故障的故障特征,利用第二預設模型,輸出第二預測結果。第二預測結果用于預測待識別故障的故障原因。其中,第二預設模型是利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練,生成的。第二預設分類器用于將m個故障分為n類故障,n類故障分別對應不同的告警原因??蛇x的,獲取單元701,還用于在輸出單元703根據待識別故障的故障特征,利用第二預設模型,輸出第二預測結果之前,獲取x個故障的故障特征。處理單元702,還用于根據x個故障的故障特征,利用第一模型,判斷是否對x個故障中的每個故障進行派單處理,生成判斷結果。處理單元702,還用于根據判斷結果,從x個故障中選擇需要進行派單處理的m個故障。獲取單元701,還用于獲取m個故障中每個故障的故障原因。處理單元702,還用于利用m個故障中每個故障的故障特征以及m個故障中每個故障的故障原因對第二預設分類器進行訓練,生成第二預設模型??蛇x的,輸出單元703,還用于根據待識別故障的故障原因,輸出目標處理方式。目標處理方式包括更換設備、光纜熔接。本申請實施例可以根據上述方法示例對告警派單裝置進行功能模塊或者功能單元的劃分,例如,可以對應各個功能劃分各個功能模塊或者功能單元,也可以將兩個或兩個以上的功能集成在一個處理模塊中。上述集成的模塊既可以采用硬件的形式實現,也可以采用軟件功能模塊或者功能單元的形式實現。其中,本申請實施例中對模塊或者單元的劃分是示意性的,僅僅為一種邏輯功能劃分,實際實現時可以有另外的劃分方式。在采用集成的單元的情況下,圖8示出了上述實施例中所涉及的告警派單裝置的一種可能的結構示意圖。告警派單裝置80包括:處理模塊801、通信模塊802和存儲模塊803。處理模塊801用于對告警派單裝置80的動作進行控制管理,例如,處理模塊801用于支持告警派單裝置80執行圖3中的過程s301-s311。通信模塊802用于支持告警派單裝置80與其他實體的通信。存儲模塊803用于存儲告警派單裝置的程序代碼和數據。其中,處理模塊801可以是處理器或控制器,例如可以是中央處理器(centralprocessingunit,cpu),通用處理器,數字信號處理器(digitalsignalprocessor,dsp),專用集成電路(application-specificintegratedcircuit,asic),現場可編程門陣列(fieldprogrammablegatearray,fpga)或者其他可編程邏輯器件、晶體管邏輯器件、硬件部件或者其任意組合。其可以實現或執行結合本發明公開內容所描述的各種示例性的邏輯方框,模塊和電路。處理器也可以是實現計算功能的組合,例如包含一個或多個微處理器組合,dsp和微處理器的組合等等。通信模塊802可以是收發器、收發電路或通信接口等。存儲模塊803可以是存儲器。當處理模塊801為如圖9所示的處理器,通信模塊802為圖9的收發器,存儲模塊803為圖9的存儲器時,本發明實施例所涉及的告警派單裝置可以為如下的告警派單裝置90。參照圖9所示,該告警派單裝置90包括:處理器901、收發器902、存儲器903和總線904。其中,處理器901、收發器902、存儲器903通過總線904相互連接;總線904可以是外設部件互連標準(peripheralcomponentinterconnect,pci)總線或擴展工業標準結構(extendedindustrystandardarchitecture,eisa)總線等??偩€可以分為地址總線、數據總線、控制總線等。為便于表示,圖中僅用一條粗線表示,但并不表示僅有一根總線或一種類型的總線。處理器901可以是一個通用中央處理器(centralprocessingunit,cpu),微處理器,特定應用集成電路(application-specificintegratedcircuit,asic),或一個或多個用于控制本發明方案程序執行的集成電路。存儲器903可以是只讀存儲器(read-onlymemory,rom)或可存儲靜態信息和指令的其他類型的靜態存儲設備,隨機存取存儲器(randomaccessmemory,ram)或者可存儲信息和指令的其他類型的動態存儲設備,也可以是電可擦可編程只讀存儲器(electricallyerasableprogrammableread-onlymemory,eeprom)、只讀光盤(compactdiscread-onlymemory,cd-rom)或其他光盤存儲、光碟存儲(包括壓縮光碟、激光碟、光碟、數字通用光碟、藍光光碟等)、磁盤存儲介質或者其他磁存儲設備、或者能夠用于攜帶或存儲具有指令或數據結構形式的期望的程序代碼并能夠由計算機存取的任何其他介質,但不限于此。存儲器可以是獨立存在,通過總線與處理器相連接。存儲器也可以和處理器集成在一起。其中,存儲器903用于存儲執行本發明方案的應用程序代碼,并由處理器901來控制執行。收發器902用于接收外部設備輸入的內容,處理器901用于執行存儲器903中存儲的應用程序代碼,從而實現本發明實施例中提供的一種告警派單方法。應理解,在本發明的各種實施例中,上述各過程的序號的大小并不意味著執行順序的先后,各過程的執行順序應以其功能和內在邏輯確定,而不應對本發明實施例的實施過程構成任何限定。本領域普通技術人員可以意識到,結合本文中所公開的實施例描述的各示例的單元及算法步驟,能夠以電子硬件、或者計算機軟件和電子硬件的結合來實現。這些功能究竟以硬件還是軟件方式來執行,取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能,但是這種實現不應認為超出本發明的范圍。所屬領域的技術人員可以清楚地了解到,為描述的方便和簡潔,上述描述的系統、裝置和單元的具體工作過程,可以參考前述方法實施例中的對應過程,在此不再贅述。所述作為分離部件說明的單元可以是或者也可以不是物理上分開的,作為單元顯示的部件可以是或者也可以不是物理單元,即可以位于一個地方,或者也可以分布到多個網絡單元上??梢愿鶕嶋H的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。在上述實施例中,可以全部或部分地通過軟件、硬件、固件或者其任意組合來實現。當使用軟件程序實現時,可以全部或部分地以計算機程序產品的形式來實現。該計算機程序產品包括一個或多個計算機指令。在計算機上加載和執行計算機程序指令時,全部或部分地產生按照本發明實施例所述的流程或功能。所述計算機可以是通用計算機、專用計算機、計算機網絡、或者其他可編程裝置。所述計算機指令可以存儲在計算機可讀存儲介質中,或者從一個計算機可讀存儲介質向另一個計算機可讀存儲介質傳輸,例如,所述計算機指令可以從一個網站站點、計算機、服務器或者數據中心通過有線(例如同軸電纜、光纖、數字用戶終端線(digitalsubscriberline,dsl))或無線(例如紅外、無線、微波等)方式向另一個網站站點、計算機、服務器或數據中心進行傳輸。所述計算機可讀存儲介質可以是計算機能夠存取的任何可用介質或者是包含一個或多個可以用介質集成的服務器、數據中心等數據存儲設備。所述可用介質可以是磁性介質(例如,軟盤、硬盤、磁帶),光介質(例如,dvd)、或者半導體介質(例如固態硬盤(solidstatedisk,ssd))等。以上所述,僅為本發明的具體實施方式,但本發明的保護范圍并不局限于此,任何熟悉本
技術領域
的技術人員在本發明揭露的技術范圍內,可輕易想到變化或替換,都應涵蓋在本發明的保護范圍之內。因此,本發明的保護范圍應所述以權利要求的保護范圍為準。當前第1頁1 2 3 
再多了解一些
當前第1頁1 2 3 
網友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
快3高手投注技巧 幸运赛车是官方的吗 昨天股市大跌 浙江6+1基本走势图 设计赚钱网站 二门出灵码是什么数字 斗牛棋牌大厅 上海11选五规律技巧 街机捕鱼电玩城手机 最笨最赚钱的炒股方法 快乐双彩基本走势图表