978 lines
82 KiB
JSON
978 lines
82 KiB
JSON
{
|
||
"query": "什么是rag系统",
|
||
"answer": "RAG系统，全称为风险评估与管理（Risk Assessment and Governance）系统，是一个全面的框架，用于识别、评估和管理各种风险，包括业务连续性风险、技术风险、操作风险等。RAG系统在实际应用场景中有广泛的应用，例如在金融行业、电信行业、政府机构以及各类企业中，用于提升系统的可靠性、安全性和稳定性。\n\n### RAG系统的工作原理：\n\n1. **风险评估**：RAG系统首先通过收集、分析各种数据，识别出可能存在的风险源，包括内部风险（如系统故障、数据泄露）和外部风险（如市场波动、政策变化）。风险评估通常会涉及到定量和定性分析，使用风险评分模型（如RPN）来量化风险的严重程度、发生频率和可识别性。\n\n2. **风险等级分类**：根据风险评估的结果，将风险分为不同的等级，通常分为低、中、高、极高四个等级，以便于后续的管理与应对。不同等级的风险可能会采取不同的管理策略和应对措施。\n\n3. **风险处置与监控**：针对识别出的风险，RAG系统会提出相应的风险处置建议，包括预防措施、应急计划、定期检查等。系统还会设立监控机制，持续跟踪风险状态，确保风险得到有效控制。\n\n### 实际应用场景：\n\n1. **商业银行信贷风险管理**：通过部署基于AI的实时风险评估系统，商业银行能够实时监测和分析信贷业务数据，自动识别异常交易模式和潜在风险信号，从而提高风险识别的准确性和响应速度，减少坏账率。\n\n2. **金融云基础设施**：金融机构采用全栈式异构金融云基础设施，结合混沌工程和风险评估（RA）方法，进行故障注入实验，评估系统的鲁棒性和弹性，提高业务连续性。\n\n3. **业务连续性管理**：在业务连续性管理中，RAG系统通过风险评估（RA）方法识别关键资源和业务系统面临的风险，制定相应的风险处置建议，确保在面对突发事件时能够迅速恢复业务运营。\n\n4. **数据管理与治理**：RAG系统还可以应用于数据管理与治理领域，通过风险评估来识别数据生命周期中的风险点，如数据质量问题、合规风险等，并采取相应的管理措施。\n\n### 总结：\n\nRAG系统是一个综合性风险管理框架，旨在通过全面的风险识别、评估、处置和监控过程，帮助企业或组织提升其抵御风险的能力，保证业务的连续性和稳定性。在金融、电信、政府等多个行业都有广泛的应用，通过RAG系统的实施，可以显著提升决策效率，降低运营风险，增强组织的韧性。",
|
||
"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。RAG系统可能涉及到多个方面，包括其工作原理、应用领域、与相关技术的关系等。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。"
|
||
},
|
||
"is_complex_query": true,
|
||
"iterations": 1,
|
||
"total_passages": 47,
|
||
"sub_queries": [
|
||
"什么是RAG系统？",
|
||
"RAG系统的工作原理是什么？",
|
||
"RAG系统的工作原理是什么？",
|
||
"RAG系统在哪些实际应用场景中有应用？"
|
||
],
|
||
"decomposed_sub_queries": [
|
||
"什么是RAG系统？",
|
||
"RAG系统的工作原理是什么？"
|
||
],
|
||
"sufficiency_check": {
|
||
"is_sufficient": false,
|
||
"confidence": 0.5,
|
||
"reason": "检索信息缺少某些关键内容，具体包括：1) 缺少RAG系统的工作原理的详细描述；2) 缺少RAG系统在实际应用场景的具体实例；3) 缺少RAG系统与其他系统或技术的对比等...",
|
||
"iteration": 1
|
||
},
|
||
"is_sufficient": false,
|
||
"supporting_facts": [
|
||
[
|
||
"Fact_1",
|
||
"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_2",
|
||
"进行测试评估模型验证。"
|
||
],
|
||
[
|
||
"Fact_3",
|
||
"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_4",
|
||
"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"
|
||
],
|
||
[
|
||
"Fact_5",
|
||
"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"
|
||
],
|
||
[
|
||
"Fact_6",
|
||
"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_7",
|
||
"进行模型训练。"
|
||
],
|
||
[
|
||
"Fact_8",
|
||
"平台运维功能需求。"
|
||
],
|
||
[
|
||
"Fact_9",
|
||
"完善测试评估方法与规则。"
|
||
],
|
||
[
|
||
"Fact_10",
|
||
"制定分布实施计划"
|
||
]
|
||
],
|
||
"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": 5378,
|
||
"completion_tokens": 545,
|
||
"total_tokens": 5923
|
||
},
|
||
"total_usage": {
|
||
"prompt_tokens": 16439,
|
||
"completion_tokens": 910,
|
||
"total_tokens": 17349,
|
||
"call_count": 6
|
||
},
|
||
"model_name": "qwen2-7b-instruct",
|
||
"has_last_usage": true,
|
||
"has_total_usage": true
|
||
}
|
||
},
|
||
"all_documents": [
|
||
{
|
||
"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": "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": "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": "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": "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": "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": "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": 0.051251718658492394,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.076101035,
|
||
"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": "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": 0.05099583892777976,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.075718905,
|
||
"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": "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": "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": "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": "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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": 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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": "RAG系统的工作原理是什么？",
|
||
"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": 0.04462080921944727,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07549548,
|
||
"rank": 11,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统的工作原理是什么？",
|
||
"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": 0.009497035982135044,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07776218000000001,
|
||
"rank": 12,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统的工作原理是什么？",
|
||
"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": 0.009440596720889129,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07729995,
|
||
"rank": 13,
|
||
"source": "hipporag2_langchain_text",
|
||
"evidence": "《混沌工程技术实践指南》.md",
|
||
"query": "RAG系统的工作原理是什么？",
|
||
"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": 0.18164586964758334,
|
||
"edge_score": 1.6030085,
|
||
"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": 0.02599819135492003,
|
||
"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": 0.002974850462878144,
|
||
"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": 0.0003213064082643036,
|
||
"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": 0.0003213064082643036,
|
||
"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": 0.0003213064082643036,
|
||
"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": 0.057240661567800305,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.07682090000000001,
|
||
"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": 0.008883421680326726,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.078395395,
|
||
"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": 0.008835853561313839,
|
||
"edge_score": 0.0,
|
||
"passage_score": 0.0779755,
|
||
"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应用？",
|
||
"pagerank_available": true
|
||
}
|
||
}
|
||
],
|
||
"all_passages": [
|
||
"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。",
|
||
"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》。",
|
||
"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。",
|
||
"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。",
|
||
"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": [
|
||
"子查询1-event-837914fd192ce24405e505d00bacfc4e7d67581c480a792eab1735ae40034a53",
|
||
"子查询1-event-fa2178eade20caa6435d7969d7e4fc292ae8594fd60266456e076d560770721e",
|
||
"子查询1-event-52d7ba687569c10025742eed85ffc69d28886cb9a8c5c4403180d85ab77267b2",
|
||
"子查询1-event-8fadaeeb758ccced65c64b80e2315c1af34ebbbc0b03fcd7535828960b29b20c",
|
||
"子查询1-event-ccefc8edd9ac190647aaade05325e68f3773c8575a58f689512b7661524ca029",
|
||
"子查询1-event-71c47e73feef6d66dc478cad69c4ad58a0b3ecfd04f09a1b00fa42decb9e9294",
|
||
"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-dd5197f51f6021ef9044b96b2fa07a0729111c6e048f0c24449cbf6be6369ec5",
|
||
"子查询1-text-7ddb41a16d2c78b1aa5d3524ba9b717ee8a0f32b54947624fa1785987747b161",
|
||
"子查询1-text-28bc0692b60ed668688fd58d9c5163a6e923a177125a5782164888844e061a2e",
|
||
"原始查询-event-0d3d869ec37f825c33eefbbeb73d0a25e100c5e9a1e1ec06e086f286057943ea",
|
||
"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",
|
||
"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": []
|
||
} |