MLP关键技术

MLP (Machine Learning Processor)旨在通过机器学习和流式大数据分析,为IT和物联网营运赋能。MLP平台为客户提供“开箱即用”的机器学习大数据解决方案,或快速开发个性化解决方案;用户不需要为了集成不断变化的开源工具而进行大量的编码开发,告别开发周期漫长、成本昂贵的方式。MLP通过成熟的机器学习算法和灵活强大的产品设计,让客户能够掌控自己的运营环境。

MLP提供一站式操作平台,满足用户的运维情报和机器学习需求,例如:IT日志分析、金融交易链路分析、能源电网优化、欺诈监测、工厂机器设备预测性维护、信息安全、应用性能优化、异常监测、根因分析、网络流量监控等等。

数据采集

MLP采用多层次框架,从IT系统、工厂和其他物联网环境收集实时和历史数据,包括操作系统(Windows,Linux,AIX等)、数据库、应用程序、网络、安全、中间件、SYSLOG、SNMP、网络数据包镜像、netflow等的日志和事件数据。可以不安装代理进行远程采集。采集到的数据采用压缩传输以节省带宽,如有需要,可以对数据加密传输以确保安全性。

非结构化数据解析

MLP可以解析IT系统、工厂机器和物联网环境中复杂的非结构化和半结构化数据,对其进行清洗,从中提取重要字段。MLP还可以解析各种编码方案的编码数据;解析器的设计不需要写代码或编写RegEx脚本,普通支持人员就可以使用该系统开发数据解析器。

非结构化数据搜素引擎

MLP包含一个进行快速访问的全文搜索引擎,该引擎索引了大量的非结构化和半结构化数据;用户使用简单的查询语言就可进行搜索。基于界面的搜索帮助设计也增强了易用性;搜索还可以获得数据的基本分析。

拖拽式数据处理和建模

通过在界面上拖拽智能组件就可完成对实时流数据和历史数据的处理操作和分析,无需编码;这种无需编码拖拽式设计消除了编写自定义数据集成软件代码的必要,使得MLP可以快速准确地适应操作环境。机器学习算法、规则引擎、过滤器、转换和数据集成工具都可以作为的MLP的智能组件。

机器学习算法

MLP包含许多机器学习算法。无监督机器学习进行异常监测,能够快速发现异常行为、欺诈、故障、安全威胁和性能问题;有监督机器学习用于智能预测、趋势预测以及基础设备运维和机器的预测性维护。此外,MLP的拖拽式处理和建模环境让普通用户不用编码就能使用机器学习功能。

MLP是一个智能黑箱,用户不需要知道内部工作原理和算法,也不需对MLP进行编码;普通用户借助MLP就可以完成以前行业专家才能完成的工作。了解更多关于机器学习的信息,请点击这里

商业智能和可视化

MLP包含完全基于拖拽式设计的可视化设计器。设计器为开发交互式报告和可视化仪表板提供了50+种可选图表,能够满足用户不同应用场景的多样需求。报告的数据源于内置数据库、外部数据库和内置搜索引擎索引,数据库可以从数据建模工具中填充,提供完全集成的数据处理和可视化功能。此工具既可以用于制作展示大厅需要的可视化报告,也可以制作适用于具体工作人员的特定问题的详细报告。MLP可视报告系统高度灵活,能够根据用户的各种具体需求定制样式、布局、颜色等。

业务交易和应用流量解码

MLP有一种业务交易和应用流量传感器,它们对网络交换机上数据包流量进行监测;可用于检测银行和金融交易、应用程序、数据库和其他专有数据流量的事件链路。这种将数据包流量转换为事件的解码器可以使用纯图形化编程进行开发,而无需开发编写代码。这种方式的优点是可以从传感系统收集数据,而无需与该系统交互。例如,在银行交易应用、数据库、工业设备的CPU容量或RAM容量非常低的时候,就尽可能不要继续加载数据采集代理;MLP的传感器可以直接在网络交换机上获取数据,无需在交换机上安装任何代理,甚至无需向它们进行API查询。

网络拓扑映射器

MLP有一个网络映射器来直观地映射IT网络的拓扑结构,以获得对网络基础架构情况的全面掌握。它是高度交互式的,并与MLP的流式大数据分析系统集成。

数据集成

MLP提供多种方式从众多平台和系统接收和读取数据,同时也向他们发送和写入数据,例如Hadoop / HDFS,HIVE,Spark,Kafka,关系数据库,NoSQL数据库,JDBC,SOAP,XML,JSON,ES,文件系统,TCP / IP,HTTP,SNMP,SYSLOG,SMS,电子邮件等。实时数据整合是MLP的特长,并且大多数数据集成可以通过拖拽式编辑完成;个性化定制集成也可以轻松实现。

平台框架技术

MLP为其框架提供了许多辅助和支持技术,如:多租户、多部门、角色访问、细粒度权限、集群健康监控、性能监控、数据管理、数据归档、认证、授权、加密、压缩、自我安全、数据屏蔽、数据重复、审计日志等。

Copyright © 2018 苏州优圣美智能系统有限公司