978 lines
82 KiB
JSON
978 lines
82 KiB
JSON
{
|
||
"query": "什么是rag系统",
|
||
"answer": "RAG系统是一个集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，主要应用于云原生时代的技术栈和业务状态的观测。RAG系统的功能或特点主要包括：\n\n1. **数据采集**：RAG系统能够收集整个软件技术栈和业务状态的数据。\n2. **洞察分析**：通过深入分析收集的数据，帮助用户理解系统的运行状况和性能瓶颈。\n3. **智能告警**：当系统出现异常或性能下降时，RAG系统能够自动触发告警，提醒运维团队及时介入处理。\n\nRAG系统的基本定义是在云计算和微服务架构背景下，为了提高系统监控和故障诊断的效率，提供的一种智能可观测性解决方案。它致力于帮助用户清晰地观测到系统状态的变化，快速定位问题根源，并采取有效的应对措施。\n\nRAG系统在实际应用场景中得到了广泛应用，具体案例包括：\n\n- **金融行业**：例如在某商业银行中，部署了基于AI的实时风险评估系统，该系统能够实时监测信贷业务数据，包括借款人交易记录、行为特征等，通过机器学习算法自动识别异常交易模式和潜在风险信号，显著提高了风险识别准确率和响应速度，减少了坏账率。\n \n- **银行业务**：通过引入RAG系统，银行能够实时监控信贷业务，自动预警潜在风险，从而有效控制信贷风险，提升业务安全性。\n\n- **技术支持**：在技术支持领域，RAG系统能够帮助开发者和运维团队清晰地观测到软件技术栈的状态变化，通过智能告警及时发现并解决问题，提高开发效率和产品质量。\n\n- **公共数据管理**：政府机构在制定数据管理和运营政策时，如东营市和青岛市发布的公共数据授权运营暂行管理办法，以及山东省人大常委会发布的促进大数据发展应用条例，都涉及到对数据资源的管理和优化，这间接体现了RAG系统在数据管理和分析方面的重要性。\n\n- **技术创新**：企业如蚂蚁集团和云杉网络分别推出了HoloInsight和DeepFlow，这些产品基于eBPF技术实现了零插桩、全覆盖的指标追踪、日志采集，并通过智能标签技术实现了高效存取和全关联，这些都是RAG系统在技术创新和应用上的体现。\n\n综上所述，RAG系统在金融、银行、技术支持、公共数据管理和技术创新等领域都有广泛的应用，其核心价值在于提供了一种高效、智能的方式来监控和管理复杂的系统环境，帮助企业或组织提升运营效率和风险管理能力。",
|
||
"query_complexity": {
|
||
"is_complex": true,
|
||
"complexity_level": "complex",
|
||
"confidence": 0.95,
|
||
"reason": "这是一个复杂查询，因为用户询问的是关于RAG系统的定义，这可能涉及到多个方面，包括R（Retrieval）、A（Augmentation）和G（Generation）在自然语言处理和信息检索领域的具体应用和实现方式。为了全面解答这个问题，可能需要生成多个子查询来覆盖这些方面的细节。"
|
||
},
|
||
"is_complex_query": true,
|
||
"iterations": 1,
|
||
"total_passages": 47,
|
||
"sub_queries": [
|
||
"什么是RAG系统？",
|
||
"RAG系统有什么功能或特点？",
|
||
"RAG系统的基本定义是什么？",
|
||
"RAG系统在哪些实际应用场景中有被应用？"
|
||
],
|
||
"decomposed_sub_queries": [
|
||
"什么是RAG系统？",
|
||
"RAG系统有什么功能或特点？"
|
||
],
|
||
"sufficiency_check": {
|
||
"is_sufficient": true,
|
||
"confidence": 0.9,
|
||
"reason": "事件信息和段落信息包含了回答查询所需的关键内容，包括RAG系统的定义、特点、功能以及实际应用案例。",
|
||
"iteration": 1
|
||
},
|
||
"is_sufficient": true,
|
||
"supporting_facts": [
|
||
[
|
||
"Fact_1",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。"
|
||
],
|
||
[
|
||
"Fact_2",
|
||
"青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。"
|
||
],
|
||
[
|
||
"Fact_3",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态"
|
||
],
|
||
[
|
||
"Fact_4",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取"
|
||
],
|
||
[
|
||
"Fact_5",
|
||
"按计划部署"
|
||
],
|
||
[
|
||
"Fact_6",
|
||
"1998年，组建信产部。"
|
||
],
|
||
[
|
||
"Fact_7",
|
||
"贵州省人民政府办公厅于2023年6月发布《贵州省政务数据资源管理办法》。"
|
||
],
|
||
[
|
||
"Fact_8",
|
||
"1994年，邮电部实行邮电分营。"
|
||
],
|
||
[
|
||
"Fact_9",
|
||
"2022年5月，黑龙江省人大常委会发布《黑龙江省促进大数据发展应用条例》。"
|
||
],
|
||
[
|
||
"Fact_10",
|
||
"2008年，组建工信部。"
|
||
]
|
||
],
|
||
"supporting_events": [],
|
||
"debug_info": {
|
||
"total_time": 0,
|
||
"retrieval_calls": 2,
|
||
"llm_calls": 7,
|
||
"token_usage": {
|
||
"has_llm": true,
|
||
"has_generator": true,
|
||
"last_call": {
|
||
"prompt_tokens": 5471,
|
||
"completion_tokens": 517,
|
||
"total_tokens": 5988
|
||
},
|
||
"total_usage": {
|
||
"prompt_tokens": 149796,
|
||
"completion_tokens": 8336,
|
||
"total_tokens": 158132,
|
||
"call_count": 54
|
||
},
|
||
"model_name": "qwen2-7b-instruct",
|
||
"has_last_usage": true,
|
||
"has_total_usage": true
|
||
}
|
||
},
|
||
"all_documents": [
|
||
{
|
||
"page_content": "东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"metadata": {
|
||
"node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"graph_node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"node_type": "event",
|
||
"ppr_score": 1.3924205044200936e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"metadata": {
|
||
"node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"graph_node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"node_type": "event",
|
||
"ppr_score": 1.0564743243185571e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"metadata": {
|
||
"node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"graph_node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"node_type": "event",
|
||
"ppr_score": 9.10248791126777e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"metadata": {
|
||
"node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"graph_node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"node_type": "event",
|
||
"ppr_score": 7.678002157579536e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "按计划部署",
|
||
"metadata": {
|
||
"node_id": "597cef3ac2af04dbf4532f5f5a2bc5bfa762a06ab0f90626fddac7f0aaeecdb3",
|
||
"graph_node_id": "597cef3ac2af04dbf4532f5f5a2bc5bfa762a06ab0f90626fddac7f0aaeecdb3",
|
||
"node_type": "event",
|
||
"ppr_score": 5.833311202196603e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['7e6068f850e4a480cb84c8e397497cddc83e55dc19995b00d3dac9e347c33f8e']",
|
||
"evidence": "PPT_吴倩琳-2023云和软件安全大会-零信任分论坛-零信任成熟度.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "1998年，组建信产部。",
|
||
"metadata": {
|
||
"node_id": "006db96629b2e82ec2fc7a652f775df4173c1c31dfde02e96a72a55f3be91d91",
|
||
"graph_node_id": "006db96629b2e82ec2fc7a652f775df4173c1c31dfde02e96a72a55f3be91d91",
|
||
"node_type": "event",
|
||
"ppr_score": 5.813227407106867e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['05575614c0a56ca752a2c4a4f94512b223eb0672171d3ab6c797bcc7e9dc9e33']",
|
||
"evidence": "PPT_ICPMM-行业云平台运营管理能力成熟度标准解读.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "贵州省人民政府办公厅于2023年6月发布《贵州省政务数据资源管理办法》。",
|
||
"metadata": {
|
||
"node_id": "71324bbe38be7dc2f579536f22143c3d8f0deadec318e634492f597d7d0badfd",
|
||
"graph_node_id": "71324bbe38be7dc2f579536f22143c3d8f0deadec318e634492f597d7d0badfd",
|
||
"node_type": "event",
|
||
"ppr_score": 5.355534664475652e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "1994年，邮电部实行邮电分营。",
|
||
"metadata": {
|
||
"node_id": "a4bfec0430a945b451f4d2a4d56638ad0d75304d4f47c9441f745cf3b1a268b1",
|
||
"graph_node_id": "a4bfec0430a945b451f4d2a4d56638ad0d75304d4f47c9441f745cf3b1a268b1",
|
||
"node_type": "event",
|
||
"ppr_score": 4.82914480107628e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['05575614c0a56ca752a2c4a4f94512b223eb0672171d3ab6c797bcc7e9dc9e33']",
|
||
"evidence": "PPT_ICPMM-行业云平台运营管理能力成熟度标准解读.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "2022年5月，黑龙江省人大常委会发布《黑龙江省促进大数据发展应用条例》。",
|
||
"metadata": {
|
||
"node_id": "0f5d8bb9a91217c45c257bc473f63cb729fe03b41c4573d523459fa2af6dc7bd",
|
||
"graph_node_id": "0f5d8bb9a91217c45c257bc473f63cb729fe03b41c4573d523459fa2af6dc7bd",
|
||
"node_type": "event",
|
||
"ppr_score": 4.714749078577141e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['fa5dd0b6f3b57d07d08ba0730a4540c59b6d99d05153b35f1f3cd5227ea07907']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "2008年，组建工信部。",
|
||
"metadata": {
|
||
"node_id": "4c975a923b633c445c92b3b66acf1719602314d1ef6cf8dedd1aab5f28c3ce04",
|
||
"graph_node_id": "4c975a923b633c445c92b3b66acf1719602314d1ef6cf8dedd1aab5f28c3ce04",
|
||
"node_type": "event",
|
||
"ppr_score": 4.668835571500824e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['05575614c0a56ca752a2c4a4f94512b223eb0672171d3ab6c797bcc7e9dc9e33']",
|
||
"evidence": "PPT_ICPMM-行业云平台运营管理能力成熟度标准解读.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "jpg) 包括：DNS服务器、负载均衡器、交换机等 该平台具有以下几个特点： （1）适配全栈式异构金融云基础设施 完成了跨平台及“一体多芯”式的混编架构中故障注入体系的建 设，提供云上资源自助、自动构建、自动发布、自动运维、快速扩容、 多环境一致等场景，实现流程自动化，使开发人员能够更多地专注在 业务功能的实现和创新上，大幅提高了应用的交付效率，提升了业务 产品推出效率和竞争力。（2）引入“一隔离，两最小化”，实现权限隔离和管控 通过 RBAC 实现不同应用系统间沙箱容器的混沌故障隔离；引入 k8s Operator 机制，根据演练需求为沙箱容器进行权限控制，实现 权限最小化，同时通过集群调度限制混沌环境的范围，实现爆炸半径 最小化。分布式系统及微服务架构下，实现更细粒度的权限控制，有 效避免了不同应用系统同时实施混沌工程造成“环境污染”的风险， 同时也保障了不同应用系统间故障注入的原子能力。 (3) 混淆工具链与异构环境相融合 将四类主流混沌工具引入到异构金融云环境中，全栈式适配底层 复杂基础设施，解决了工具集合的离线部署、内核及版本不兼容、混 淀工具与多种操作系统及容器云运行时适配等疑难问题。同时将混沌 工具链融合在异构环境中，提供更多样化的故障类型，能够针对不同 的故障类型，推荐使用适配的注入工具，使故障注入更加精准化。",
|
||
"metadata": {
|
||
"node_id": "5f593c4a4c8b89a95644375ee4952d1a4acc08146262cb3a56d5376db5ee1713",
|
||
"node_type": "text",
|
||
"ppr_score": 0.04457818584077626,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.073382085,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"metadata": {
|
||
"node_id": "dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"node_type": "text",
|
||
"ppr_score": 0.009524592072190247,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.076328665,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"metadata": {
|
||
"node_id": "7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"node_type": "text",
|
||
"ppr_score": 0.009397276321833462,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07530827500000001,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "什么是rag系统",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行测试评估模型验证。",
|
||
"metadata": {
|
||
"node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"graph_node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"node_type": "event",
|
||
"ppr_score": 6.400781511681461e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"metadata": {
|
||
"node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"graph_node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"node_type": "event",
|
||
"ppr_score": 4.1870812039794013e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"metadata": {
|
||
"node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"graph_node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"node_type": "event",
|
||
"ppr_score": 3.7074606527733825e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行模型训练。",
|
||
"metadata": {
|
||
"node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"graph_node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "平台运维功能需求。",
|
||
"metadata": {
|
||
"node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"graph_node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "完善测试评估方法与规则。",
|
||
"metadata": {
|
||
"node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"graph_node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "制定分布实施计划",
|
||
"metadata": {
|
||
"node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"graph_node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"node_type": "event",
|
||
"ppr_score": 2.887736961847779e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['7e6068f850e4a480cb84c8e397497cddc83e55dc19995b00d3dac9e347c33f8e']",
|
||
"evidence": "PPT_吴倩琳-2023云和软件安全大会-零信任分论坛-零信任成熟度.md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。混沌工程前利用BCM 中的RA 方法进行自检的价值：建立对业 务运行环境的整体认识，了解业务连续运行所面临的各类潜在风险因 素，识别影响业务大范围中断的关键风险场景；分析各业务系统运行 所面临的首要风险场景，识别风险发生的可能性，并定性描述可能造 成的损失；根据风险评估结果，对关键风险场景提出风险管控措施， 对于处置后仍在不可接受范围内的残余风险提出进一步处置策略，可 围绕评估出的关键风险场景，在专项预案编制过程中有针对性的进行 应急处置流程设计，同时可以作为混沌工程实验的重点。 ### 3.FTA 故障树是一种特殊的倒立树状的逻辑因果关系图。故障树分析（Fault Tree Analysis, FTA）是以一个不希望发生的产品故障事件或灾害性危险事件即顶事件作为分析的对象，通过由上向下的严格按层次 的故障因果逻辑分析，逐层找出故障事件的必要而充分的直接原因，画出故障树，最终找出导致顶事件发生的所有可能原因和原因组合，在有基础数据时可计算出顶事件发生的概率和底事件重要度。  1961 年, FTA 由美国贝尔电话研究室的华特先生首先提出的。",
|
||
"metadata": {
|
||
"node_id": "28bc0692b60ed668688fd58d9c5163a6e923a177125a5782164888844e061a2e",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05063678893756968,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07518748,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "什么是RAG系统？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"metadata": {
|
||
"node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"graph_node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"node_type": "event",
|
||
"ppr_score": 1.078856637985766e-06,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行测试评估模型验证。",
|
||
"metadata": {
|
||
"node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"graph_node_id": "fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"node_type": "event",
|
||
"ppr_score": 6.400781511681461e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"metadata": {
|
||
"node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"graph_node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"node_type": "event",
|
||
"ppr_score": 4.3418035922489897e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"metadata": {
|
||
"node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"graph_node_id": "8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"node_type": "event",
|
||
"ppr_score": 4.1870812039794013e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"metadata": {
|
||
"node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"graph_node_id": "ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"node_type": "event",
|
||
"ppr_score": 3.7074606527733825e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"metadata": {
|
||
"node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"graph_node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"node_type": "event",
|
||
"ppr_score": 3.694064809279057e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "进行模型训练。",
|
||
"metadata": {
|
||
"node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"graph_node_id": "df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "平台运维功能需求。",
|
||
"metadata": {
|
||
"node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"graph_node_id": "3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "完善测试评估方法与规则。",
|
||
"metadata": {
|
||
"node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"graph_node_id": "4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"node_type": "event",
|
||
"ppr_score": 3.2003907558407303e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['4fd368909a072e07e3ec76006abdb20ce37ec52f4d0e3ebf69ea1474d3b6862f']",
|
||
"evidence": "PPT_20240326下午-医疗健康行业大模型评价体系研究及测试评估工具研发（E部门-工程技术课题）(1).md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "制定分布实施计划",
|
||
"metadata": {
|
||
"node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"graph_node_id": "e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"node_type": "event",
|
||
"ppr_score": 2.887736961847779e-07,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['7e6068f850e4a480cb84c8e397497cddc83e55dc19995b00d3dac9e347c33f8e']",
|
||
"evidence": "PPT_吴倩琳-2023云和软件安全大会-零信任分论坛-零信任成熟度.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"metadata": {
|
||
"node_id": "dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05120817771503004,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07746997,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"metadata": {
|
||
"node_id": "7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"node_type": "text",
|
||
"ppr_score": 0.05110609375219564,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.077313305,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。混沌工程前利用BCM 中的RA 方法进行自检的价值：建立对业 务运行环境的整体认识，了解业务连续运行所面临的各类潜在风险因 素，识别影响业务大范围中断的关键风险场景；分析各业务系统运行 所面临的首要风险场景，识别风险发生的可能性，并定性描述可能造 成的损失；根据风险评估结果，对关键风险场景提出风险管控措施， 对于处置后仍在不可接受范围内的残余风险提出进一步处置策略，可 围绕评估出的关键风险场景，在专项预案编制过程中有针对性的进行 应急处置流程设计，同时可以作为混沌工程实验的重点。 ### 3.FTA 故障树是一种特殊的倒立树状的逻辑因果关系图。故障树分析（Fault Tree Analysis, FTA）是以一个不希望发生的产品故障事件或灾害性危险事件即顶事件作为分析的对象，通过由上向下的严格按层次 的故障因果逻辑分析，逐层找出故障事件的必要而充分的直接原因，画出故障树，最终找出导致顶事件发生的所有可能原因和原因组合，在有基础数据时可计算出顶事件发生的概率和底事件重要度。  1961 年, FTA 由美国贝尔电话研究室的华特先生首先提出的。",
|
||
"metadata": {
|
||
"node_id": "28bc0692b60ed668688fd58d9c5163a6e923a177125a5782164888844e061a2e",
|
||
"node_type": "text",
|
||
"ppr_score": 0.050517337625506545,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07642435,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统的基本定义是什么？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统。",
|
||
"metadata": {
|
||
"node_id": "3333f6f4339f890fb7018a03ec5c2b6441b0115bd264d9da3cd4eea8c19c9acf",
|
||
"graph_node_id": "3333f6f4339f890fb7018a03ec5c2b6441b0115bd264d9da3cd4eea8c19c9acf",
|
||
"node_type": "event",
|
||
"ppr_score": 0.18174414841981423,
|
||
"edge_score": 1.6049186,
|
||
"passage_score": 0.0,
|
||
"rank": 1,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "该系统能够实时监测和分析信贷业务数据，包括借款人的交易记录、行为特征、社交数据等多维度信息。",
|
||
"metadata": {
|
||
"node_id": "a7881a242d2f4d76b1c41f8e9db6dc969de3d1fd7635baf8c6e2db769ef80ef5",
|
||
"graph_node_id": "a7881a242d2f4d76b1c41f8e9db6dc969de3d1fd7635baf8c6e2db769ef80ef5",
|
||
"node_type": "event",
|
||
"ppr_score": 0.02602056356918189,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 2,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['5bd501b303a0f90a8e08f07b0c8fc9cd5fe27db39b3da0bd1c5f4e322840d95b']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "通过机器学习算法，该系统能够自动识别异常交易模式和潜在风险信号，并实时预警。",
|
||
"metadata": {
|
||
"node_id": "f3f7c1897df142c8715f150c8f7d5aae111b30c6ec1f4705e4f4deadebfc2baa",
|
||
"graph_node_id": "f3f7c1897df142c8715f150c8f7d5aae111b30c6ec1f4705e4f4deadebfc2baa",
|
||
"node_type": "event",
|
||
"ppr_score": 0.002975639546018392,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 3,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['5bd501b303a0f90a8e08f07b0c8fc9cd5fe27db39b3da0bd1c5f4e322840d95b']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "自部署该系统以来，该商业银行的信贷业务风险识别准确率提高了约30%。",
|
||
"metadata": {
|
||
"node_id": "ae2ce63358251033c32471ba5aeec5c6e4f0802d1041e58669654dc38cbdd950",
|
||
"graph_node_id": "ae2ce63358251033c32471ba5aeec5c6e4f0802d1041e58669654dc38cbdd950",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0003215740140595089,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 4,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "潜在风险预警的响应时间缩短了50%以上。",
|
||
"metadata": {
|
||
"node_id": "05e62ac29726c4d815cc9e65b47d29cf492bbb9f09c9d42251cefa2a6c40b972",
|
||
"graph_node_id": "05e62ac29726c4d815cc9e65b47d29cf492bbb9f09c9d42251cefa2a6c40b972",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0003215740140595089,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 5,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "该系统帮助银行减少了约20%的坏账率。",
|
||
"metadata": {
|
||
"node_id": "291a5c89e63142c63838b5fad1ff16e788a3438d97d83916980cb27b16a5be04",
|
||
"graph_node_id": "291a5c89e63142c63838b5fad1ff16e788a3438d97d83916980cb27b16a5be04",
|
||
"node_type": "event",
|
||
"ppr_score": 0.0003215740140595089,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 6,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716']",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"metadata": {
|
||
"node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"graph_node_id": "71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"node_type": "event",
|
||
"ppr_score": 1.3924205044200936e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 7,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"metadata": {
|
||
"node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"graph_node_id": "0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"node_type": "event",
|
||
"ppr_score": 1.0564743243185571e-08,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 8,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['8b1e94cfe88e0fe9aa73611eca98b04567db8253ed068692a2deb64af2c5107e']",
|
||
"evidence": "88-《公共数据授权运营发展洞察（2023）》定稿印刷0102.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"metadata": {
|
||
"node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"graph_node_id": "837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"node_type": "event",
|
||
"ppr_score": 9.10248791126777e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 9,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"metadata": {
|
||
"node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"graph_node_id": "52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"node_type": "event",
|
||
"ppr_score": 7.678002157579536e-09,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0,
|
||
"rank": 10,
|
||
"source": "hipporag2_langchain_event",
|
||
"source_text_id": "['833310a7d4dc0e345e4e7cde890f7d84f2cf03a07c5e53671fce351e8f941781']",
|
||
"evidence": "可观测性技术发展研究报告.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统，该系统能够实时监测和分析信贷业务 数据，包括借款人的交易记录、行为特征、社交数据等多维度 信息。通过机器学习算法，该系统能够自动识别异常交易模式 和潜在风险信号，并实时预警。自部署该系统以来，该商业银 行的信贷业务风险识别准确率提高了约30%，潜在风险预警的 响应时间缩短了50%以上。同时，该系统帮助银行减少了约20% 的坏账率。 # 人工智能在信贷风险管理的前沿实践 # 1.数据挖掘与特征工程 在信贷风险管理中，数据挖掘和特征工程是构建有效风险 评估模型的基础。AI 技术能够从海量数据中识别出与信贷风险 高度相关的特征，这些特征可能包括客户的交易行为、社交媒 体活动、甚至是地理位置信息。通过机器学习算法，如随机森 林和梯度提升机（GBM），可以从这些特征中学习到复杂的风险 模式，从而提高风险评估的准确性。 # 2.深度学习与模式识别 深度学习技术，尤其是卷积神经网络（CNN）和循环神经网 络（RNN），在处理非结构化数据方面展现出了强大的能力。在 信贷风险管理中，这些技术可以用于分析客户的文本信息，如 贷款申请书和信用报告，以识别潜在的风险信号。此外，深度 学习模型能够通过自我学习不断优化，以适应金融市场的变 化。 # 3.实时风险监控与预警系统 AI 技术能够实现对信贷业务数据的实时监控，通过设置预 警阈值和触发条件，及时发现并识别出异常行为或潜在风险 点。",
|
||
"metadata": {
|
||
"node_id": "453be1f1f2a512023387e3867063c67f0e2f0100905e57ffc8c3be7a36338716",
|
||
"node_type": "text",
|
||
"ppr_score": 0.057276631585796954,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.076838745,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "【原创文章】浅谈人工智能驱动下的信贷风险管理20241212V1.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"metadata": {
|
||
"node_id": "dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"node_type": "text",
|
||
"ppr_score": 0.008864113282719266,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07827586,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
},
|
||
{
|
||
"page_content": "数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"metadata": {
|
||
"node_id": "7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"node_type": "text",
|
||
"ppr_score": 0.00881063936889585,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07780354,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统在哪些实际应用场景中有被应用？",
|
||
"pagerank_available": true
|
||
}
|
||
}
|
||
],
|
||
"all_passages": [
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"按计划部署",
|
||
"1998年，组建信产部。",
|
||
"贵州省人民政府办公厅于2023年6月发布《贵州省政务数据资源管理办法》。",
|
||
"1994年，邮电部实行邮电分营。",
|
||
"2022年5月，黑龙江省人大常委会发布《黑龙江省促进大数据发展应用条例》。",
|
||
"2008年，组建工信部。",
|
||
"jpg) 包括：DNS服务器、负载均衡器、交换机等 该平台具有以下几个特点： （1）适配全栈式异构金融云基础设施 完成了跨平台及“一体多芯”式的混编架构中故障注入体系的建 设，提供云上资源自助、自动构建、自动发布、自动运维、快速扩容、 多环境一致等场景，实现流程自动化，使开发人员能够更多地专注在 业务功能的实现和创新上，大幅提高了应用的交付效率，提升了业务 产品推出效率和竞争力。（2）引入“一隔离，两最小化”，实现权限隔离和管控 通过 RBAC 实现不同应用系统间沙箱容器的混沌故障隔离；引入 k8s Operator 机制，根据演练需求为沙箱容器进行权限控制，实现 权限最小化，同时通过集群调度限制混沌环境的范围，实现爆炸半径 最小化。分布式系统及微服务架构下，实现更细粒度的权限控制，有 效避免了不同应用系统同时实施混沌工程造成“环境污染”的风险， 同时也保障了不同应用系统间故障注入的原子能力。 (3) 混淆工具链与异构环境相融合 将四类主流混沌工具引入到异构金融云环境中，全栈式适配底层 复杂基础设施，解决了工具集合的离线部署、内核及版本不兼容、混 淀工具与多种操作系统及容器云运行时适配等疑难问题。同时将混沌 工具链融合在异构环境中，提供更多样化的故障类型，能够针对不同 的故障类型，推荐使用适配的注入工具，使故障注入更加精准化。",
|
||
"故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"进行测试评估模型验证。",
|
||
"滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"进行模型训练。",
|
||
"平台运维功能需求。",
|
||
"完善测试评估方法与规则。",
|
||
"制定分布实施计划",
|
||
"评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。混沌工程前利用BCM 中的RA 方法进行自检的价值：建立对业 务运行环境的整体认识，了解业务连续运行所面临的各类潜在风险因 素，识别影响业务大范围中断的关键风险场景；分析各业务系统运行 所面临的首要风险场景，识别风险发生的可能性，并定性描述可能造 成的损失；根据风险评估结果，对关键风险场景提出风险管控措施， 对于处置后仍在不可接受范围内的残余风险提出进一步处置策略，可 围绕评估出的关键风险场景，在专项预案编制过程中有针对性的进行 应急处置流程设计，同时可以作为混沌工程实验的重点。 ### 3.FTA 故障树是一种特殊的倒立树状的逻辑因果关系图。故障树分析（Fault Tree Analysis, FTA）是以一个不希望发生的产品故障事件或灾害性危险事件即顶事件作为分析的对象，通过由上向下的严格按层次 的故障因果逻辑分析，逐层找出故障事件的必要而充分的直接原因，画出故障树，最终找出导致顶事件发生的所有可能原因和原因组合，在有基础数据时可计算出顶事件发生的概率和底事件重要度。  1961 年, FTA 由美国贝尔电话研究室的华特先生首先提出的。",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"进行测试评估模型验证。",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"滴滴推出了夜莺Nightingale，该系统采用All-in-One的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，融入了顶级互联网公司可观测性最佳实践，沉淀了众多社区专家经验，开箱即用",
|
||
"Analysys 发布了 DolphinScheduler，一个支持复杂任务调度和依赖管理的分布式任务调度系统，提供了可观测性的监控和告警功能，帮助用户实现任务的可靠执行和故障排查",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"进行模型训练。",
|
||
"平台运维功能需求。",
|
||
"完善测试评估方法与规则。",
|
||
"制定分布实施计划",
|
||
"故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。",
|
||
"评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。混沌工程前利用BCM 中的RA 方法进行自检的价值：建立对业 务运行环境的整体认识，了解业务连续运行所面临的各类潜在风险因 素，识别影响业务大范围中断的关键风险场景；分析各业务系统运行 所面临的首要风险场景，识别风险发生的可能性，并定性描述可能造 成的损失；根据风险评估结果，对关键风险场景提出风险管控措施， 对于处置后仍在不可接受范围内的残余风险提出进一步处置策略，可 围绕评估出的关键风险场景，在专项预案编制过程中有针对性的进行 应急处置流程设计，同时可以作为混沌工程实验的重点。 ### 3.FTA 故障树是一种特殊的倒立树状的逻辑因果关系图。故障树分析（Fault Tree Analysis, FTA）是以一个不希望发生的产品故障事件或灾害性危险事件即顶事件作为分析的对象，通过由上向下的严格按层次 的故障因果逻辑分析，逐层找出故障事件的必要而充分的直接原因，画出故障树，最终找出导致顶事件发生的所有可能原因和原因组合，在有基础数据时可计算出顶事件发生的概率和底事件重要度。  1961 年, FTA 由美国贝尔电话研究室的华特先生首先提出的。",
|
||
"在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统。",
|
||
"该系统能够实时监测和分析信贷业务数据，包括借款人的交易记录、行为特征、社交数据等多维度信息。",
|
||
"通过机器学习算法，该系统能够自动识别异常交易模式和潜在风险信号，并实时预警。",
|
||
"自部署该系统以来，该商业银行的信贷业务风险识别准确率提高了约30%。",
|
||
"潜在风险预警的响应时间缩短了50%以上。",
|
||
"该系统帮助银行减少了约20%的坏账率。",
|
||
"东营市人民政府办公室于2023年5月发布《东营市公共数据授权运营暂行管理办法（征求意见稿）》。",
|
||
"青岛市大数据发展管理局于2023年6月发布《青岛市公共数据运营试点管理暂行办法》。",
|
||
"蚂蚁集团推出了 HoloInsight，作为云原生时代的轻量化、全功能的智能可观测性技术平台。HoloInsight作为集数据采集、洞察分析、智能告警的一站式可观测综合解决方案，可帮助用户清晰观测整个软件技术栈与业务的状态",
|
||
"云杉网络发布了 DeepFlow，该产品基于eBPF实现了零插桩（Zero Code）、全覆盖（FullStack）的指标、追踪、日志采集，并通过智能标签技术实现了所有观测数据的全关联(Universal Tagging)和高效存取",
|
||
"在某商业银行的实践中，部署了一套基于 AI 的实时风险评估系统，该系统能够实时监测和分析信贷业务 数据，包括借款人的交易记录、行为特征、社交数据等多维度 信息。通过机器学习算法，该系统能够自动识别异常交易模式 和潜在风险信号，并实时预警。自部署该系统以来，该商业银 行的信贷业务风险识别准确率提高了约30%，潜在风险预警的 响应时间缩短了50%以上。同时，该系统帮助银行减少了约20% 的坏账率。 # 人工智能在信贷风险管理的前沿实践 # 1.数据挖掘与特征工程 在信贷风险管理中，数据挖掘和特征工程是构建有效风险 评估模型的基础。AI 技术能够从海量数据中识别出与信贷风险 高度相关的特征，这些特征可能包括客户的交易行为、社交媒 体活动、甚至是地理位置信息。通过机器学习算法，如随机森 林和梯度提升机（GBM），可以从这些特征中学习到复杂的风险 模式，从而提高风险评估的准确性。 # 2.深度学习与模式识别 深度学习技术，尤其是卷积神经网络（CNN）和循环神经网 络（RNN），在处理非结构化数据方面展现出了强大的能力。在 信贷风险管理中，这些技术可以用于分析客户的文本信息，如 贷款申请书和信用报告，以识别潜在的风险信号。此外，深度 学习模型能够通过自我学习不断优化，以适应金融市场的变 化。 # 3.实时风险监控与预警系统 AI 技术能够实现对信贷业务数据的实时监控，通过设置预 警阈值和触发条件，及时发现并识别出异常行为或潜在风险 点。",
|
||
"故障场景随机能力。故障场景随机能力 RA_FS（Random Ability of Fault Scenario），用于衡量应用对特定故障场景的时间随机能力的支持程度，从任意时间随机到不支持随机能力分为 4 个等级，如果系统不涉及该故障场景，则不计算得分，计算公式详情如下: RA_FS = { 100: 任意时间随机； 60: 交易日特定时间随机； 30: 非交易日随机； 0: 不支持； NA: 不涉及； } 部署单元双随机成熟度。部署单元双随机成熟度 DRD_DU( Dual Random Degree of Deployment Unit )：用于衡量系统下特定部署单元 的双随机能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ D U } = \\frac { 1 } { n } \\Sigma _ { i = 1 } ^ { n } W _ { i } * \\mathrm { D R A \\_ F S P } _ { i } } nd{array} $$ 注：$W_{i}$为部署单元第i个故障场景的权重。 系统双随机成熟度。系统双随机成熟度 DRD_AS（Dual Random Degree of Application System）用于衡量应用系统整体的双随机能力， 评估应用系统的整体风险防控能力，计算公式详情如下： $$ \\begin{array} { r } { \\mathrm { D R D \\_ A S } = \\frac { 1 } { m } \\Sigma _ { i = 1 } ^ { m } W _ { i } * \\mathrm { D R D \\_ D U } _ { i } } nd{array} $$ 注： $W_{i}$ 为第 $\\mathrm{i}$ 个部署单元在整个应用系统中所占的权重。 评估双随机能力。针对每个故障场景组织业务各个角色一起评估 时间随机能力等级，如果不能支持任意时间随机，则需要业务进行改 进，待改进完毕之后，进入检验环节。 检验双随机能力。对于双随机场景矩阵中每个故障场景的评估结论，需要通过故障演练进行检验，确保评估结论与实际效果一致，如果检验结论与实际效果有偏差，则需要进行业务改进和重新评估。 例行检验能力。双随机能力检验通过之后，需要配置定期例行检 验任务，确保双随机能力持续有效。",
|
||
"数字越大， 表明风险越大，越值得优先重视和积极改善。RPN 的数值由三个参数 相乘得到，分别是严重度(Severity)、发生频率/可能性(Occurrence/ Probability )、识别难易程度(Detection)。在评估后，要综合考虑，严 重度和发生度矩阵，严重度和可识别度矩阵，发生频率和可识别度矩 阵。还需评估风险和故障对系统的可用性、数据丢失、财务成本和业 务中断有什么影响。 确定应用程序响应和恢复程序。对于每种故障模式，确定应用程 序将如何响应和恢复。考虑在成本与应用程序复杂程度之间作出折衷。 评估后，企业应优先考虑高等级故障并定义缓解措施，并不断更新和 审查。 ### 2.BCM RA 风险评估是业务连续性管理工作中的重要环节，是对各方面风险 进行辨识和分析的过程，是对威胁、资源、脆弱性及三者相互作用的 结果进行评估。评估关键资源所面临的风险及风险等级，并针对高风 险等级事项提出风险处置建议。 在进行混沌工程前可以利用RA风险评估方法对资源和业务系统 进行风险分析，利用风险评估模型提早识别出威胁和脆弱性，计量出 风险分值之后，按照分值从高到底排序，在混沌工程开展时，风险分 值比较高的资源和业务系统作为重点实验对象。"
|
||
],
|
||
"passage_sources": [
|
||
"原始查询-event-71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"原始查询-event-0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"原始查询-event-837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"原始查询-event-52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"原始查询-event-597cef3ac2af04dbf4532f5f5a2bc5bfa762a06ab0f90626fddac7f0aaeecdb3",
|
||
"原始查询-event-006db96629b2e82ec2fc7a652f775df4173c1c31dfde02e96a72a55f3be91d91",
|
||
"原始查询-event-71324bbe38be7dc2f579536f22143c3d8f0deadec318e634492f597d7d0badfd",
|
||
"原始查询-event-a4bfec0430a945b451f4d2a4d56638ad0d75304d4f47c9441f745cf3b1a268b1",
|
||
"原始查询-event-0f5d8bb9a91217c45c257bc473f63cb729fe03b41c4573d523459fa2af6dc7bd",
|
||
"原始查询-event-4c975a923b633c445c92b3b66acf1719602314d1ef6cf8dedd1aab5f28c3ce04",
|
||
"原始查询-text-5f593c4a4c8b89a95644375ee4952d1a4acc08146262cb3a56d5376db5ee1713",
|
||
"原始查询-text-dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"原始查询-text-7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"子查询1-event-fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"子查询1-event-8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"子查询1-event-ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"子查询1-event-df605b303a0d8bb54f4aeac641c0dcf0c128e34c544e0193d9c8bfa9e7719d9f",
|
||
"子查询1-event-3bf8041501694e4cb799bdd944dc7cdb9d70423f7339d81cb2bfee76e1de7052",
|
||
"子查询1-event-4f7f0c1c613764a8dccb6df4fb8a4cdd531c5145f8f981b32a705780630a9e76",
|
||
"子查询1-event-e37fe0b847647fbfb6116faa77736c145ab7584878ae380318c88685999901cc",
|
||
"子查询1-text-28bc0692b60ed668688fd58d9c5163a6e923a177125a5782164888844e061a2e",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询1-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown",
|
||
"子查询2-unknown"
|
||
],
|
||
"retrieval_path": "unknown",
|
||
"initial_retrieval_details": {},
|
||
"current_sub_queries": []
|
||
} |