金融信用風(fēng)險(xiǎn)評(píng)價(jià)中的數(shù)據(jù)挖掘技術(shù)綜述

陳安+陳寧+范超??

摘要：信用風(fēng)險(xiǎn)是金融風(fēng)險(xiǎn)管理中的一個(gè)熱點(diǎn)問(wèn)題，和國(guó)家的宏觀經(jīng)濟(jì)形式以及國(guó)際發(fā)展態(tài)勢(shì)有著密切的關(guān)聯(lián)。互聯(lián)網(wǎng)信貸等新興商業(yè)模式的出現(xiàn)和發(fā)展給金融科技帶來(lái)了巨大的影響，如何充分發(fā)揮金融數(shù)據(jù)的價(jià)值成為數(shù)據(jù)挖掘技術(shù)急需解決的問(wèn)題。以數(shù)據(jù)技術(shù)為核心的金融信用風(fēng)險(xiǎn)評(píng)價(jià)可以構(gòu)建更準(zhǔn)確、覆蓋面更廣的金融信用風(fēng)險(xiǎn)模型，將成為傳統(tǒng)信用評(píng)估體系的有力補(bǔ)充和發(fā)展趨勢(shì)。本文分析了金融信用風(fēng)險(xiǎn)評(píng)價(jià)所面臨的挑戰(zhàn)，闡述了數(shù)據(jù)挖掘在數(shù)據(jù)選擇、預(yù)處理、信用風(fēng)險(xiǎn)建模過(guò)程中的關(guān)鍵技術(shù)和應(yīng)用，并對(duì)金融信用風(fēng)險(xiǎn)評(píng)價(jià)未來(lái)的研究方向提出了一些思路。

關(guān)鍵詞： 金融風(fēng)險(xiǎn)管理； 信用風(fēng)險(xiǎn)評(píng)價(jià)； 數(shù)據(jù)挖掘； 大數(shù)據(jù)； 分類

中圖分類號(hào)： R730.58

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：2095-2163（2017）05-0055-05

Abstract：Credit risk is a hot issue in financial credit risk management， closely related to the state's macroeconomy and international development. The emergence and development of new business models have brought everincreasing impact on financial domain. Financial credit risk assessment based on data technique is able to build more accurate and universal credit risk models， and will become the powerful supplement and development tendency of traditional credit evaluation system in future. This paper analyzes the challenge to nowadays financial credit risk evaluation and illustrates the key data mining techniques in data preparation， preprocessing， and modeling when implementing a financial credit risk evaluation platform. Finally， the future research directions are discussed for financial credit risk assessment.

Keywords：financial risk management； credit risk assessment； data mining； big data； classification

0引言

信用風(fēng)險(xiǎn)是金融風(fēng)險(xiǎn)管理中的一個(gè)熱點(diǎn)問(wèn)題，是指借款者（或債務(wù)人）未能滿足合同要求而給貸款者（或債權(quán)人）帶來(lái)經(jīng)濟(jì)損失的風(fēng)險(xiǎn)。眾所周知，數(shù)據(jù)是對(duì)風(fēng)險(xiǎn)進(jìn)行有效、準(zhǔn)確量度的關(guān)鍵因素，特別是信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，金融風(fēng)險(xiǎn)管理對(duì)海量數(shù)據(jù)的依賴越來(lái)越大。大數(shù)據(jù)[1]是指“無(wú)法用現(xiàn)有的軟件工具提取、存儲(chǔ)、搜索、共享、分析和處理的海量的、復(fù)雜的數(shù)據(jù)集合”。對(duì)于金融企業(yè)來(lái)說(shuō)，大數(shù)據(jù)可以解決由信息不對(duì)稱帶來(lái)的營(yíng)銷、定價(jià)、欺詐、信用等問(wèn)題。與傳統(tǒng)的信用風(fēng)險(xiǎn)分析相比，大數(shù)據(jù)背景下的金融信用風(fēng)險(xiǎn)分析最根本的創(chuàng)新在于使用了大量的非金融數(shù)據(jù)進(jìn)行建模。在大數(shù)據(jù)背景下，金融數(shù)據(jù)挖掘的數(shù)據(jù)來(lái)源主要有2類，如表1所示。

1金融信用風(fēng)險(xiǎn)評(píng)價(jià)中的數(shù)據(jù)挖掘技術(shù)

一般來(lái)說(shuō)，金融信用風(fēng)險(xiǎn)分析可以表示為一個(gè)典型的分類問(wèn)題：給出一組金融數(shù)據(jù)以及描述這些數(shù)據(jù)的特征，構(gòu)建分類模型，然后用這個(gè)模型預(yù)測(cè)未來(lái)的信用情況。其中，破產(chǎn)預(yù)測(cè)是金融風(fēng)險(xiǎn)預(yù)測(cè)中的一個(gè)熱點(diǎn)，同時(shí)又是很重要的問(wèn)題。問(wèn)題中即將企業(yè)未來(lái)運(yùn)營(yíng)狀況劃分為2類：正?；蛘咂飘a(chǎn)。例如，中國(guó)商業(yè)銀行貸款分為正常、逾期、呆滯、呆賬四類，后3類合稱不良貸款，這樣銀行貸款風(fēng)險(xiǎn)問(wèn)題就可以轉(zhuǎn)簡(jiǎn)化為一個(gè)二分類問(wèn)題。國(guó)外對(duì)信用評(píng)價(jià)的研究始于上世紀(jì)40年代，早期主要代表人物及模型如表2所示。

1.1金融信用風(fēng)險(xiǎn)評(píng)價(jià)中的數(shù)據(jù)降維方法

由于金融數(shù)據(jù)中包含大量冗余并隱藏重要關(guān)系的相關(guān)性，在分類之前需要進(jìn)行降維，消除冗余，降低被處理數(shù)據(jù)的數(shù)量。對(duì)金融數(shù)據(jù)先進(jìn)行降維處理，再構(gòu)造分類模型，可以有效地提高分類的準(zhǔn)確度。數(shù)據(jù)降維是將樣本點(diǎn)從輸入空間通過(guò)線性或非線性變換映射到一個(gè)低維空間，從而獲得一個(gè)關(guān)于原數(shù)據(jù)集的緊致的低維表示，以達(dá)到特定的數(shù)據(jù)處理目的。圖1從不同的角度對(duì)降維算法進(jìn)行分類。首先，根據(jù)樣本是否包含類別標(biāo)識(shí)，降維方法可分為無(wú)監(jiān)督降維、有監(jiān)督降維、半監(jiān)督降維。其次，從維的產(chǎn)生策略上可分為特征選擇和特征構(gòu)造兩種方式。特征選擇從原始維度中選擇一些子集，主要有嵌入、封裝、過(guò)濾三種方法。特征構(gòu)造從原始維度中提取新的維度，又可分為線性學(xué)習(xí)和非線性學(xué)習(xí)兩種。非線性子空間學(xué)習(xí)克服了線性方法的局限性，可以有效地降低分類的泛化誤差，揭示嵌入在金融數(shù)據(jù)的隱含結(jié)構(gòu)，主要代表方法有多維變換、核映射、非負(fù)矩陣分解算法、流形學(xué)習(xí)等[11]。表3列舉了一些經(jīng)典的降維算法及其特點(diǎn)。

1.2基于啟發(fā)式優(yōu)化算法的金融信用風(fēng)險(xiǎn)評(píng)價(jià)

為了提高分類器的準(zhǔn)確度，經(jīng)常采用啟發(fā)式算法對(duì)分類器進(jìn)行優(yōu)化（包括特征優(yōu)化、模型拓?fù)浣Y(jié)構(gòu)優(yōu)化、參數(shù)優(yōu)化等），這樣構(gòu)造出來(lái)的分類器稱為混合分類器。最常用的啟發(fā)式優(yōu)化方法包括遺傳算法、模擬退火、群體智能等技術(shù)。

遺傳算法具有自組織、自適應(yīng)、自學(xué)習(xí)性、隱含的并行性、極強(qiáng)的容錯(cuò)能力等優(yōu)點(diǎn)，適用范圍非常廣，是解決各種組合優(yōu)化問(wèn)題的強(qiáng)有力的手段。Gordini利用遺傳算法對(duì)意大利制造行業(yè)3 100個(gè)中小型企業(yè)的經(jīng)營(yíng)狀況進(jìn)行預(yù)測(cè)，取得了比Logistic回歸分析和SVM模型更好的預(yù)測(cè)結(jié)果[13]。endprint

模擬退火根據(jù)熱力學(xué)的退火原理對(duì)局部搜索算法進(jìn)行擴(kuò)展，在搜索過(guò)程中以一定的概率接受不好的解，使搜索有機(jī)會(huì)跳出局部極值區(qū)域，從而有可能找到全局極值。Jiang將模擬退火算法與決策樹(shù)C4.5算法結(jié)合，構(gòu)造最優(yōu)決策規(guī)則，用于金融信用風(fēng)險(xiǎn)的評(píng)價(jià)[14]。

[JP2]群體智能算法模擬昆蟲(chóng)、獸群、鳥(niǎo)群等自然界的群集行為，通過(guò)種群的群體智慧進(jìn)行協(xié)同搜索，從而在解空間內(nèi)找到最優(yōu)解。群體智能算法具有穩(wěn)健性、自組織、分布性、簡(jiǎn)單性、可擴(kuò)充性等特點(diǎn)，特別適合解決大數(shù)據(jù)環(huán)境下的復(fù)雜的優(yōu)化問(wèn)題。目前，已經(jīng)提出并獲得較廣泛應(yīng)用的群體智能算法有蟻群算法、粒子群優(yōu)化算法、菌群優(yōu)化算法、蛙跳算法、人工蜂群算法等。近年來(lái)又出現(xiàn)了一些新興的仿生學(xué)優(yōu)化算法，包括螢火蟲(chóng)算法、布谷鳥(niǎo)算法、蝙蝠算法、磷蝦群算法等。這些群體智能優(yōu)化算法都可以與分類算法結(jié)合，改進(jìn)分類器的預(yù)測(cè)結(jié)果[15-17]。

1.3金融信用風(fēng)險(xiǎn)評(píng)價(jià)的集成分類建模

集成分類可以顯著地提高分類的準(zhǔn)確度，受到越來(lái)越多研究者的關(guān)注。在金融大數(shù)據(jù)背景下，數(shù)據(jù)的海量、分布、動(dòng)態(tài)的特點(diǎn)對(duì)集成分類提出了更高的要求。集成學(xué)習(xí)是指把若干單個(gè)分類器集成起來(lái)，通過(guò)綜合各分類器的結(jié)果決定最終的分類，以取得比單個(gè)分類器更好的預(yù)測(cè)性能。表4從成員分類器的構(gòu)造、組合、拓?fù)浣Y(jié)構(gòu)等幾個(gè)方面概括了金融信用風(fēng)險(xiǎn)評(píng)價(jià)中集成分類建模的主要方法[18]。

1.4代價(jià)不均衡和類不平衡下的金融信用風(fēng)險(xiǎn)分類

傳統(tǒng)分類的目標(biāo)是使總錯(cuò)誤率最小，本質(zhì)上是假設(shè)不同類上的誤判造成的代價(jià)相同。但在實(shí)際應(yīng)用中，誤判的類型不同，其代價(jià)通常差別很大，即誤判代價(jià)不均衡。對(duì)金融信用風(fēng)險(xiǎn)評(píng)估來(lái)說(shuō)，將破產(chǎn)的企業(yè)預(yù)測(cè)為運(yùn)行良好造成的代價(jià)遠(yuǎn)遠(yuǎn)大于將運(yùn)行良好的企業(yè)預(yù)測(cè)為破產(chǎn)造成的代價(jià)。因此，一個(gè)好的金融信用風(fēng)險(xiǎn)評(píng)價(jià)系統(tǒng)必須在預(yù)測(cè)模型的構(gòu)建與優(yōu)化中考慮成本偏好。代價(jià)敏感學(xué)習(xí)就是在分類學(xué)習(xí)中考慮到誤判代價(jià)，使總誤判代價(jià)最小。代價(jià)不均衡的分類可以在數(shù)據(jù)層次上解決，也可以在算法層次上解決。前者可以用于大多數(shù)分類器，不需要修改算法本身，包括重采樣、樣本加權(quán)、修改類標(biāo)記（例如，MetaCost 算法[22]，ACO算法[23]）、后處理等方法。后者針對(duì)特定的算法而設(shè)計(jì)，通過(guò)修改算法的學(xué)習(xí)策略來(lái)完成。圖2歸納了代價(jià)敏感分類的3種常用的解決方案

另一方面，當(dāng)數(shù)據(jù)中類別間的比例十分懸殊，即類分布不平衡時(shí)，就會(huì)使以總體均方誤差為衡量準(zhǔn)則的分類器傾向于輸出比例大的類別，造成對(duì)于樣本占少數(shù)的類別的錯(cuò)誤率很高。而在實(shí)際應(yīng)用中，樣本數(shù)很少的類往往更受到關(guān)注。例如，在企業(yè)破產(chǎn)預(yù)測(cè)中，破產(chǎn)企業(yè)往往在實(shí)際數(shù)據(jù)中的比例非常小，但又是這類研究特別關(guān)注的目標(biāo)。不平衡數(shù)據(jù)分類學(xué)習(xí)與代價(jià)敏感學(xué)習(xí)可以互相轉(zhuǎn)化，因此可在統(tǒng)一的框架下進(jìn)行。不平衡數(shù)據(jù)分類一般通過(guò)數(shù)據(jù)抽樣（對(duì)少數(shù)類過(guò)抽樣和對(duì)多數(shù)類欠抽樣）、閾值移動(dòng)（改變閾值使分類器的輸出偏向少數(shù)類）、樣本加權(quán)（提高少數(shù)類樣本的權(quán)值）、代價(jià)敏感算法（對(duì)稀有類元組設(shè)置更高的誤判代價(jià)）來(lái)解決[24-25]。

2大數(shù)據(jù)下金融信用風(fēng)險(xiǎn)評(píng)價(jià)的挑戰(zhàn)

隨著互聯(lián)網(wǎng)的普及和數(shù)據(jù)挖掘技術(shù)的深入，大數(shù)據(jù)分析在金融信用風(fēng)險(xiǎn)中將會(huì)起著越來(lái)越重要的作用。大數(shù)據(jù)征信依賴巨量的、相互性很高的非結(jié)構(gòu)化數(shù)據(jù)，而互聯(lián)網(wǎng)金融數(shù)據(jù)恰好可以作為大數(shù)據(jù)征信的數(shù)據(jù)來(lái)源，從而為互聯(lián)網(wǎng)金融產(chǎn)品提供風(fēng)險(xiǎn)控制評(píng)估。

首先，傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)適用于相對(duì)少量、結(jié)構(gòu)化數(shù)據(jù)的處理，而大數(shù)據(jù)提供的海量數(shù)據(jù)多數(shù)是非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)，對(duì)這類數(shù)據(jù)的集成和預(yù)處理是金融信用風(fēng)險(xiǎn)分析所面臨的首要問(wèn)題。

其次，傳統(tǒng)的降維方法大多建立在歐幾里德距離度量的基礎(chǔ)，沒(méi)有充分利用領(lǐng)域知識(shí)（例如數(shù)據(jù)類型、類標(biāo)識(shí)等），所以有必要研究更有效的非線性子空間學(xué)習(xí)方法，才能更好地反映金融信用風(fēng)險(xiǎn)數(shù)據(jù)的復(fù)雜結(jié)構(gòu)。

第三，在金融信用風(fēng)險(xiǎn)分析中，研究比較多的是二分問(wèn)題，例如企業(yè)破產(chǎn)預(yù)測(cè)、信用卡欺詐預(yù)測(cè)等。但也存在大量的多類別分類問(wèn)題，例如企業(yè)的信用等級(jí)評(píng)價(jià)。研究多類別分類和普適性代價(jià)敏感學(xué)習(xí)算法是未來(lái)大數(shù)據(jù)金融信用風(fēng)險(xiǎn)分析的重點(diǎn)方向之一。

第四，大數(shù)據(jù)背景下的金融數(shù)據(jù)集具有數(shù)據(jù)規(guī)模大、數(shù)據(jù)分布、異構(gòu)、動(dòng)態(tài)等特點(diǎn)，決定了集成分類是解決這類問(wèn)題的可行方案，如何對(duì)集成分類器進(jìn)行優(yōu)化是提高分類器性能的關(guān)鍵。在大數(shù)據(jù)背景下，研究用于金融信用風(fēng)險(xiǎn)評(píng)價(jià)的遷移算法將成為這個(gè)領(lǐng)域的一個(gè)熱點(diǎn)。

第五，傳統(tǒng)的信用風(fēng)險(xiǎn)評(píng)價(jià)多針對(duì)靜態(tài)數(shù)據(jù)，偏重于對(duì)企業(yè)的風(fēng)險(xiǎn)預(yù)測(cè)，很少涉及動(dòng)態(tài)的時(shí)間序列分析和可視化。研究信用風(fēng)險(xiǎn)的可視化方法可以從企業(yè)的時(shí)間序列中提取有價(jià)值的軌跡模式，勾勒出企業(yè)的風(fēng)險(xiǎn)信用軌跡，力求從使用者的角度提供更方便、更直觀、可理解的知識(shí)表示方法，協(xié)助專家觀察企業(yè)的發(fā)展，動(dòng)態(tài)評(píng)估企業(yè)的信用風(fēng)險(xiǎn)，向那些可能面臨破產(chǎn)危機(jī)的企業(yè)發(fā)出預(yù)警。

參考文獻(xiàn)：

郭平，王可，羅阿理，等. 大數(shù)據(jù)分析中的計(jì)算智能研究現(xiàn)狀與展望[J]. 軟件學(xué)報(bào)，2015，26（11）： 3010-3025.

[2] 鮑忠鐵. 大數(shù)據(jù)在金融之二：數(shù)據(jù)來(lái)源和應(yīng)用[EB/OL]. [2014-12-26]. http：//www.36dsj.com/archives/19463.

[3] DURAND D. Risk elements in consumer installment financing[M] . New York： National Bureau of Economic Research，1941.

[4] MYERSJ H， FORGY E W. The development of numerical credit evaluation systems[J]. Journal of the American Statistical Association， 1963 ， 58 （303） ：799-806.endprint

[5] WIGINTON J C. A note on the comparison of logic and discriminate models of consumer credit Behavior[J]. Journal of Financial & Quantitative Analysis， 1980， 15（3）： 757-770.

[6] FREED N， GLOVER F. A Linear programming approach to the discriminal problems[J]. Decision Sciences， 1981， 12： 68-74.

[7] BAJGIER S M， HILL A V. An experimental comparison of statistical and linear programming approaches to the discriminate problem[J]. Decision Science， 1982， 13（4）： 604-618.

[8] MAKOWSK P. Credit scoring branches out[J]. Credit world， 1985， 75： 30-37.

[9] HOLLANDJ H. Adaptation in natural and artificial systems[M]. MA， USA： MIT Press， 1992.

[10]CHATTERJEES，BARCUN S. A nonparametric approach to credit screening[J]. Journal of the American Statistical Associations， 1970，65（329）： 150-154.

[11]MAR-MOLINERO C， SERRANOCINCA C. Bank failure： A multidimensional scaling approach[J]. European Journal of Finance， 2001， 7（2）：165-183.

[12]RIBEIRO B， VIEIRA A， DUARTE J， et al. Learning manifolds for bankruptcy analysis[C]// Lecture Notes in Computer Science. Berlin/Heidelberg： Springer， 2008 ，5506： 723-730.

[13]GORDINI N. A genetic algorithm approach for SMEs bankruptcy prediction： Empirical evidence from Italy[J]. Expert Systems with Applications， 2014， 41（14）：6433-6445.

[14]JIANG Yi. Credit scoring model based on the decision tree and the simulated annealing algorithm[C]// CSIE 2009， 2009 WRI World Congress on Computer Science and Information Engineering. Los Angeles， California， USA：IEEE，2009：18-22.

[15][JP3]CHEN Ning， RIBEIRO B， VIEIRA A， et al. Extension of learning vector quantization to cost-sensitive learning[J]. International Journal of Computer Theory and Engineering， 2011， 3（3）： 352-359.[JP]

[16][JP3]YANG Zhongjin. Bankruptcy prediction using neural networks with structure optimization by particle swarm optimization and genetic algorithm[J]. Mathematics in Practice & Theory， 2015，45（23）：192-201.[JP]

[17]李凌霞， 郝春梅， 王紅麗. PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的金融風(fēng)險(xiǎn)預(yù)警研究[J]. 信息技術(shù)， 2014， 8：86-89.

[18]LOURENCO A， BUL S R， REBAGLIATI N， et al. Probabilistic consensus clustering using evidence accumulation[J]. Machine Learning， 2015， 98（1/2）： 331-357.

[19]SOLTAN A，MOHAMMADI M. A hybrid model using decision tree and neural network for credit scoring problem[J]. Management Science Letters， 2012， 2（5）： 1683-1688.

[20]ZHANG Liang， ZHANG Lingling，TENG Weili， et al. Based on information fusion technique with data mining in the application of finance earlywarning[J]. Procedia Computer Science， 2013， 17： 695-703.endprint

[21]WANG Gang， MA Jian. A hybrid ensemble approach for enterprise credit risk assessment based on support vector machine[J]. Expert Systems with Applications， 2012， 39（5）： 5325-5331.

[22]DOMINGOS P. Metacost： A general method for making classifiers costsensitive[C]//Proceedings of 5th ACM SIGKDD international conference on knowledge discovery and data mining. San Diego， CA， USA： ACM， 1999： 155-164.

[23]陳曉林，宋恩民，馬光志.一種基于ACO的代價(jià)敏感集成分類器[J]，華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2010， 38（10）：5-8.

[24]KIM M J， KANG D K， HONG B K. Geometric mean based boosting algorithm with oversampling to resolve data imbalance problem for bankruptcy prediction[J]. Expert Systems with Applications， 2015， 42（3）：1074-1082.

[25]ALEJO R， GARCA V， PACHECOSNCHEZ J J. An efficient oversampling approach based on mean square error backpropagation for dealing with the multiclass imbalance problem[J]. Neural Processing Letters， 2015， 42（3）：603-617.

wanhang_530_3524GX Dec2 11：10：15 IP ARP： 192.168.0.1 moved from 00：22：aa：d6：9b：34 to 00：e0：0f：37：9e：df

wanhang_530_3524GX Dec2 11：10：15 IP ARP： 192.168.0.1 moved from 00：e0：0f：37：9e：df to fc：fa：f7：b8：c7：60

根據(jù)對(duì)實(shí)際設(shè)備的調(diào)查，確認(rèn)該信息是用戶接入點(diǎn)設(shè)備的配置錯(cuò)誤產(chǎn)生的IP地址沖突，錯(cuò)誤信息造成該區(qū)域10臺(tái)交換機(jī)同時(shí)觸發(fā)告警。由于用戶接入點(diǎn)交換機(jī)一般會(huì)在工作時(shí)間開(kāi)機(jī)、休息時(shí)間關(guān)機(jī)，因而造成圖6和圖13的有規(guī)律的網(wǎng)絡(luò)振蕩。可見(jiàn)，該異常事件同時(shí)觸發(fā)了多個(gè)設(shè)備產(chǎn)生異常日志，對(duì)網(wǎng)絡(luò)運(yùn)行具有一定的危害性。

4結(jié)束語(yǔ)

網(wǎng)絡(luò)運(yùn)維工作是一項(xiàng)系統(tǒng)、長(zhǎng)期的工作。長(zhǎng)遠(yuǎn)來(lái)看，主動(dòng)式的網(wǎng)絡(luò)運(yùn)維工作必將成為發(fā)展趨勢(shì)，也一定能夠推動(dòng)運(yùn)維部門有效提高工作效率。在提高網(wǎng)絡(luò)可用性的同時(shí)，改善用戶體驗(yàn)。在從被動(dòng)運(yùn)維轉(zhuǎn)向主動(dòng)運(yùn)維的過(guò)程中，運(yùn)維部門需要從多方面改變或改進(jìn)已有的工作方式和工作方法，并在設(shè)計(jì)開(kāi)發(fā)中探索尋求找出更多更加良好的適用于企業(yè)自身特點(diǎn)的網(wǎng)絡(luò)運(yùn)維工作方法，使主動(dòng)運(yùn)維給企業(yè)帶來(lái)收益。

參考文獻(xiàn)：

廖敬新. 網(wǎng)絡(luò)運(yùn)維管理系統(tǒng)優(yōu)化與建議[J]. 信息與電腦（理論版），2016（8）：152-153.

[2] 王政. 基于ITIL理論視角S公司IT服務(wù)管理研究[D]. 昆明：云南師范大學(xué)，2014.

[3] 任凱，鄧武，俞琰， 基于大數(shù)據(jù)技術(shù)的網(wǎng)絡(luò)日志分析系統(tǒng)研究[J]. 現(xiàn)代電子技術(shù)，2016，39（2）：39-41，44.

[4] 畢建華，王穎. 大數(shù)據(jù)時(shí)代運(yùn)維管理面臨的調(diào)整[J]. 金融科技時(shí)代，2014（1）：85.

[5] 何映軍，何昱鋒，王林，等. 主動(dòng)式IT運(yùn)維服務(wù)模式運(yùn)用[J]. 民營(yíng)科技，2017（1）：35-36.

[6] 龔銀鋒. 網(wǎng)絡(luò)日志管理系統(tǒng)的技術(shù)研究與實(shí)現(xiàn)[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016（3）：26-28.

[7] 黃文，謝東青. 基于Syslog的網(wǎng)絡(luò)日志管理分析模型[J]. 湖南科技學(xué)院學(xué)報(bào)，2006，27（5）：164-167.

[8] GILL P， JAIN N， NAGAPPAN N. Understanding network failures in data centers： Measurement， analysis， and implications[C]//SIGCOMM'11. Toronto， Ontario， Canada：ACM， 2011：350-361.

[9] QIU Tongqing， GE Zihui， WANG Jia， et al. What happened in my network： Mining network events from router Syslogs[C]// ACM IMC.Melbourne， Australia： ACM， 2010：472-484.

[10]廖湘科，李?yuàn)檴?，董威，? 大規(guī)模軟件系統(tǒng)日志研究綜述[J]. 軟件學(xué)報(bào)，2016，27（8）：1934-1947.

[11]唐琳，李偉. 基于用戶體驗(yàn)的“主動(dòng)式”信息運(yùn)維管理實(shí)踐[J]. 電力信息化，2013，11（3）：89-93.endprint