CN121301126A - 基于ai大模型与it资产数据的资产管理方法及系统 - Google Patents

Abstract

本发明涉及资产管理技术领域，具体涉及一种基于AI大模型与IT资产数据的资产管理方法及系统，所述基于AI大模型与IT资产数据的资产管理系统包括数据特征统一化处理模块、AI大模型集成与训练模块和资产管理模块，从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出管理工单，解决了目前资产管理全面性差的问题。

Description

基于AI大模型与IT资产数据的资产管理方法及系统

技术领域

本发明涉及资产管理技术领域，尤其涉及一种基于AI大模型与IT资产数据的资产管理方法及系统。

背景技术

传统的IT资产管理方法主要依赖于关系型数据库和手动流程，例如通过资产清单表格或简单的监控工具来记录硬件和软件资产的基本信息，如设备型号、采购日期、维护记录等。这些方法通常基于规则引擎或静态查询，能够实现基本的资产跟踪和报表生成。然而，随着IT环境的复杂化，资产数据量激增，且数据来源多样化（如云资源、物联网设备、应用程序日志），传统方法暴露出诸多局限性：首先，数据更新依赖人工输入，易导致信息滞后或错误；其次，缺乏智能分析能力，无法从历史数据中挖掘潜在规律，例如预测资产故障或优化资源配置；最后，数据格式不统一，不同系统的资产属性命名混乱，如“设备类型”可能被记为“asset_type”或“device_category”，导致整合困难。尽管一些先进系统引入了机器学习模型进行异常检测，但这些模型往往针对特定场景设计，泛化能力差，且无法处理非结构化数据（如资产描述文本或日志文件），限制了资产管理的全面性。

发明内容

本发明的目的在于提供一种基于AI大模型与IT资产数据的资产管理方法及系统，解决了目前资产管理全面性差的问题。

为实现上述目的，第一方面，本发明提供了一种基于AI大模型与IT资产数据的资产管理方法，包括以下步骤：

从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；

将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；

基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

其中，从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中，包括：

在首次连接数据源时，探测当前所述数据源的数据类型，生成对应的源数据特征描述清单；

采用全量采集和增量采集混合模式对当前所述数据源的所有数据进行采集，并将采集得到的原始数据进行封装，并得到的初始资产数据发布到总线上；

对其中的结构化数据映射转换，并写入资产数据特征集中；

对其中的非结构化数据进行数据增强后，写入资产数据特征集中。

其中，对其中的结构化数据映射转换为标准特征集，并写入资产数据特征集中，包括：

将所述初始资产数据中的结构化数据与设定的语义映射规则库进行匹配，根据匹配到的规则提取原始数据进行清除和格式转换；

对得到的标准资产数据记录中的同一资产的多条记录按照权重高低和时间戳的先后进行排序，选择排在第一的记录写入到资产数据特征集中。

其中，对其中的非结构化数据进行数据增强后，写入资产数据特征集中，包括：

将所述初始资产数据中的非结构化数据转换为文本语义向量；

基于配置规则从所述标准资产数据记录中提取关联关系，构建资产关联图谱，并计算出对应的图谱衍生特征；

将所述图谱衍生特征加入到所述标准资产数据记录中，并写入资产数据特征集中。

其中，将所述资产数据特征集输入到调整后的AI大模型中进行分析之前，所述方法还包括：

利用构建的IT领域语料库对AI大模型进行继续预训练，基于历史资产数据特征集及其对应的真实事件标签构造多任务训练样本；

结合混合损失函数以及微调策略对所述AI大模型进行调整。

其中，将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表，包括：

将当前的所述标准资产数据记录以及对应的自然语言模板转换为输入提示；

将所述输入提示输入到调整后的AI大模型中，将输出结果结合所述资产关联图谱生成管理建议列表。

其中，基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单，包括：

将所述管理建议列表中的多种概率值与对应的预设的阈值进行比较，若任一个概率值大于对应的阈值，则对特征异常偏离程度进行计算；

根据计算出的特征偏离度的范围对预警信号进行梯度增强，并关联资产关联图谱生成关联预警；

调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

其中，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单，包括：

调用调整后的AI大模型，结合触发预警的异常特征和所述资产关联图谱生成结构化的资产预警信息；

对所述资产预警信息进行相似度聚合和特征偏离度重复验证；

结合历史性能度量值时序数据、业务预测指标和当前配置信息，利用调整后的AI大模型输出预测需求值，并结合当前所述资产预警信息生成管理工单。

第二方面，本发明提供一种基于AI大模型与IT资产数据的资产管理系统，应用于如第一方面提供的一种基于AI大模型与IT资产数据的资产管理方法，所述基于AI大模型与IT资产数据的资产管理系统包括数据特征统一化处理模块、AI大模型集成与训练模块和资产管理模块，

所述数据特征统一化处理模块，用于从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；

所述AI大模型集成与训练模块，用于将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；

所述资产管理模块，用于基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

本发明的一种基于AI大模型与IT资产数据的资产管理方法及系统，所述基于AI大模型与IT资产数据的资产管理系统包括数据特征统一化处理模块、AI大模型集成与训练模块和资产管理模块，从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单，解决了目前资产管理全面性差的问题。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本发明第一实施例的一种基于AI大模型与IT资产数据的资产管理方法的步骤示意图。

图2是本发明提供的一种基于AI大模型与IT资产数据的资产管理方法的流程示意图。

图3是本发明提供的一种基于AI大模型与IT资产数据的资产管理方法的完整的流程示意图。

图4是本发明第二实施例的一种基于AI大模型与IT资产数据的资产管理系统的结构示意图。

图5是本发明的电子设备的结构原理图。

图中：101-数据特征统一化处理模块、102-AI大模型集成与训练模块、103-资产管理模块。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在......时”或“当......时”或“响应于确定”。

本申请第一实施例为：

请参阅图1-图3，本发明提供一种基于AI大模型与IT资产数据的资产管理方法，包括以下步骤：

S101、从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中。

具体的，采用“智能适配器+统一数据总线”的架构，取代传统的手动配置或单一接口采集方式。该架构具备自我描述能力，能动态适应新数据源和数据结构变化。智能适配器层是直接与具体数据源对接的软件组件。每个类型的源（如vCenter、AWS、K8s、网络设备SNMP、本地CMDB）都有对应的专用智能适配器。适配器在首次连接数据源时，会自动探测该源的数据模型（例如，通过调用云的API描述接口或读取数据库Schema），生成一份源数据特征描述清单。该清单记录了源端所有可用的字段及其原始名称、数据类型（如整型、字符串）和样例数据。适配器支持两种模式。首次采集为全量采集，获取所有资产快照。后续运行以增量采集为主，通过监听事件日志（如CloudTrail）、轮询变更时间戳或识别序列号变化，只获取发生变化的数据，极大降低网络和系统负载。无论源数据格式如何，适配器在采集后，将原始数据封装成统一的初始资产数据对象。该对象包含两部分：

元数据区：存放源数据特征描述清单、采集时间戳、数据源标识等管理信息。

负载数据区：存放从源端获取的原始资产信息（JSON、键值对或文本块）。

统一数据总线层是一个高可用、高吞吐量的消息传递通道（如基于Apache Kafka或Pulsar实现）。所有智能适配器将封装好的初始资产数据对象发布到总线上。总线实现了采集与后续处理的解耦。处理单元可以按需订阅感兴趣的数据，实现了系统的可扩展性和灵活性。总线还负责数据的初步排序和缓存，确保数据不丢失。

读取初始资产数据对象中的源数据特征描述清单，并与预定义的语义映射规则库进行匹配。规则库的核心是定义了从成千上万种可能的源字段到我们统一标准字段（即资产数据特征集，如资产标识符、资产类型、状态指标等）的映射逻辑。对于资产类型这类关键特征，规则库不仅包含简单的字符串匹配，还包含基于自然语言处理的同义词和上下文匹配。例如，源字段名为“hostname”或“serverName”都能被正确映射到标准特征资产标识符下的“主机名”属性。对于性能度量值（如内存大小），规则库能识别不同单位（如“GB", "GiB", "MB”）并自动转换为标准单位（如“GB”）。根据匹配到的规则，引擎将负载数据区的原始值提取出来，进行清洗（如去除非法字符）、格式转换，并填充到标准资产数据记录的对应字段中。

由于同一资产可能被多个源采集，如一台云主机既被云平台监控，又被部署在其上的代理监控，导致数据记录冲突。因此，需要为每个数据源预定义一个数据源可信度权重。当发现描述同一资产的多条记录时，对于同一特征（如IP地址），选取来自高权重源的数值作为主值；对于状态类特征，如状态指标中的“运行中”或“已关机”，优先采用时间戳最新的记录。最后输出是唯一的、消除冲突后的标准资产数据记录。

经过上述处理后的所有标准资产数据记录，按照统一的资产数据特征集进行组织，被写入一个中央化的标准化资产数据仓库（如数据湖或大型数据库）。这个仓库即为后续AI模型训练和推理的单一可信数据源。

从标准化资产数据记录中提取的非结构化文本字段，如资产描述、故障日志、变更记录等。使用一个轻量化的文本嵌入模型（如Sentence-BERT），将这些文本转换为文本语义向量。该向量数值化地表示了文本的深层语义，对这些文本语义向量进行聚类分析，可以自动发现和生成新的、有价值的标签。例如，从大量的维护记录中，聚类出“疑似磁盘老化”、“网络连接波动”等隐含的资产健康标签，并将其作为新的特征加入资产数据特征集。

基于配置规则（如“运行在”、“连接至”）从标准化资产数据记录中提取关联关系。例如，从“虚拟机运行在物理主机上”和“应用部署在虚拟机中”的关系，构建出一个“物理机-虚拟机-应用”的资产关联图谱。

图谱衍生特征计算：基于图算法，为每个资产节点计算出一系列图谱衍生特征，例如：关联资产数量：该资产直接关联的其他资产数量；拓扑重要性评分：使用PageRank等算法计算该资产在整个图谱中的中心性。一个负载均衡器的重要性评分会远高于一台普通的后端服务器。这些图谱衍生特征被作为新的、重要的维度加入到该资产的标准资产数据记录中。

经过对其中的非结构化数据进行数据增强后，标准化资产数据记录得到了极大丰富，除了原始的标准特征外，还包含了文本语义向量、资产健康标签、图谱衍生特征和时序模式特征。这个增强后的、多维度的资产数据特征集将作为AI模型推理引擎最理想的输入，使其能够进行更深入、更准确的分析和预测。

S102、将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表。

具体的，在进行分析之前，需要先调整AI大模型，具体的调整过程为：

选取一个在大规模通用语料和代码上预训练的大型语言模型，如LLaMA、ChatGLM等作为基础预训练模型。该模型已具备强大的语言理解和逻辑推理能力。然后使用从公开IT文档、技术手册、故障报告等构成的IT领域语料库对模型进行轻量级的继续预训练，让模型的底层参数初步适应IT领域的术语和语境，为后续微调提供一个更优的起点，此过程产生的模型称为IT领域适应基模型。

基于历史资产数据特征集及其对应的真实事件标签，如是否发生故障、维护工单类型、资源利用率等级等，构造多任务训练样本。每个样本包含：

输入序列：将一条标准资产数据记录中的所有特征（包括基础特征和增强特征）按照预定义的模板转化为自然语言描述。例如：资产标识符为SVR-001，资产类型为虚拟机，CPU使用率85%，内存健康度评分0.7，关联资产数量为5，最近日志语义向量指示存在IO延迟警告。

多任务目标：为模型同时设定多个学习目标，如：

故障预测任务：下一周期是否故障（二分类）。

生命周期阶段分类任务：处于引入、稳定、衰退等哪个阶段（多分类）。

资源需求回归任务：预测下月CPU需求峰值（回归）。

利用损失函数针对上述多个任务进行加权求和，确保模型不会忽视任何一项任务。

渐进式微调策略为：

阶段一（特征适配）：仅微调模型最后几层的参数，让模型先学会理解资产数据特征集的输入格式和基本模式。

阶段二（知识融合）：解冻更多中间层参数，进行深度微调，使模型将IT资产管理的领域知识深度融合到其内部表示中。

阶段三（指令精炼）：使用包含具体管理指令（如“请评估该资产风险”）的对话式数据进一步微调，使模型学会按照要求生成结构化的输出，而不仅仅是分类或回归。此阶段最终产出领域自适应AI大模型。

当AI大模型调整完成后，利用调整后的AI大模型对实时流入的标准资产数据记录进行分析，并生成可操作、可解释的智能化管理建议。

当新的标准资产数据记录进入标准化资产数据仓库后，推理调度器会将其作为推理任务放入队列。将该条记录按照与微调阶段相同的自然语言模板转化为模型输入提示，例如：请分析以下资产状态：[资产特征列表]。请判断其故障风险、生命周期阶段并给出管理建议。

将构造好的输入提示输入到调整后的AI大模型，模型被要求必须分步骤输出其推理过程，然后再给出最终结论。例如：

步骤一：分析特征 - CPU使用率持续超过80%已达一周，且日志中有内存分配错误。

步骤二：风险评估 - 高负载叠加潜在内存问题，导致故障概率升高至“高”级别。

步骤三：生命周期判断 - 该资产已连续运行3年，性能呈下降趋势，处于“衰退期”。

步骤四：生成初步建议 - 建议立即进行健康检查，并规划迁移或替换。

此过程将模型内部的“黑箱”计算转化为可追溯的、符合人类逻辑的思维链条，极大提升了结果的可信度和可解释性。

然后查询企业的策略库，如预算周期、维护窗口，确保建议是可行的。例如，模型建议“立即更换”，但若当前非采购期，引擎可能将其修正为“申请紧急采购”或“启用临时备用机”。结合资产关联图谱，自动补充建议的影响范围。例如，在建议“重启服务器”旁附加提示：“此举将影响依赖它的A、B两个应用，建议在业务低峰期执行。”

最终生成标准化的智能化管理建议，包含以下字段：目标资产标识符、问题描述、风险等级（如P0/P1/P2）、具体行动建议（可操作的任务描述）、建议依据（引用的关键特征和推理步骤）和预期影响与依赖，对于复杂情况，模型可能生成2-3个备选建议，如“扩容”、“迁移”或“优化应用”，并附上每个方案的预估成本、实施难度和风险，供管理者决策参考。

为了使领域自适应AI大模型能够随着IT环境的变化和新数据的产生而持续进化，避免模型性能随时间衰减，构建一个基于在线学习和反馈驱动的闭环优化系统，详细技术方案：

反馈回路建立

显式反馈采集：在管理界面上，为每一条生成的智能化管理建议设置反馈按钮（如“采纳”、“有效”、“无效”），并允许管理员填写无效的原因。

隐式反馈验证：系统自动追踪建议的后续结果。例如，如果一条高故障风险的预警发出后，资产确实发生了故障，则验证了预警的正确性；如果预警后资产平安度过了风险期，则可能意味着预警是误报或维护动作起了作用，该系统会尝试关联维护记录进行学习。

增量数据池与管理

所有新产生的标准资产数据记录、对应的模型推理结果、以及显性和隐性反馈，共同构成增量学习数据池。

创新数据价值评估：并非所有新数据都同等重要。系统会评估每个数据样本的“信息价值”：

不确定性采样：优先选择模型预测置信度低的样本。

差异性采样：优先选择与现有训练数据分布差异大的样本，可能代表新型故障或资产。

高价值样本被优先放入增量学习数据池。

安全高效的在线微调

触发机制：当增量学习数据池积累到一定规模，或监控到模型在近期数据上的预测准确率持续下降时，触发在线微调流程。

弹性权重巩固（Elastic Weight Consolidation, EWC）技术：在进行在线微调时，EWC算法会计算模型中每个参数对于已学到的旧知识的重要性。在更新参数时，对重要的参数施加约束，防止它们发生剧烈变化，从而有效缓解灾难性遗忘问题——即模型在学习新知识时不忘记旧知识。

影子模式与A/B测试：新微调出的模型版本不会立即替换线上版本，而是先在“影子模式”下运行一段时间，将其预测结果与线上版本对比，并通过小流量的A/B测试验证其效果，确认性能提升后方才全面上线，确保系统稳定性。

模型版本管理与回滚

对每个版本的领域自适应AI大模型进行归档管理，并记录其性能指标。如果新版本出现问题，可以快速回滚到稳定版本。

通过这套自适应学习机制，整个资产管理方法从一个静态的系统转变为一个能够随企业IT环境共同成长、越来越聪明的“活”的系统，实现了真正的智能化和可持续化。

S103、基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

具体的，输入实时或准实时的标准资产数据记录，包含所有基础特征和增强特征。通过以下维度综合判定是否触发预警：

模型预测概率阈值：调整后的AI大模型输出的故障概率、性能恶化概率等。当概率超过设定的动态阈值（如故障概率>0.8）时，作为主要触发条件。

特征异常偏离度：计算当前资产的特征值与同类资产正常基线或自身历史基线的统计偏离度（如Z-Score）。当多个关键特征（如CPU使用率、内存错误计数）同时出现显著偏离时，成梯度式的递增增强预警信号。

关联图谱传导效应：分析资产关联图谱。如果某个重要资产（如核心交换机）触发预警，系统会评估其关联资产（其下游服务器）的"风险传导可能性"，并考虑提前生成低级别的关联预警。

其中，预警概率阈值并非固定不变。系统会根据该类型资产的历史预警准确率进行动态调整。例如，如果某类资产（如老旧型号硬盘）的误报率较高，系统会自动调高针对该类资产的预警触发概率阈值，以降低噪音。

触发预警后，系统调用调整后的AI大模型，结合触发此次预警的关键特征组合和链式推理过程，生成结构化的资产预警信息。该信息包含：预警唯一标识符、目标资产标识符、预警类型（如"性能瓶颈"、"潜在故障"、"安全风险"、"配置漂移"）、预警级别（如"紧急"、"重要"、"警告"、"提示"）、核心问题描述（用简洁的自然语言描述，如"数据库服务器DB-01的磁盘IO延迟持续高于正常基线3个标准差，且趋势仍在上升"）、关键证据特征（列出导致预警的最重要的几个特征及其数值）和预计影响时间窗（基于时序预测，给出问题可能爆发的时间范围）；其中，预警级别由算法动态计算，而非预设。计算公式综合考虑：模型预测概率值、资产拓扑重要性评分、受影响业务关键性等级。例如，一个预测概率为0.7的核心数据库服务器，其预警级别可能高于一个预测概率为0.9的测试环境服务器。

还为每条资产预警信息维护一个状态机，如"活跃"、"已确认"、"已解决"、"误报"、"自动关闭"。为避免"预警风暴"，系统设置自动收敛规则：

相似预警聚合：基于资产标识符、预警类型和特征相似度，将短时间内产生的多个相似预警聚合为一条，并标注频次。

特征偏离度重复验证：如果一条预警在活跃期内，对特征偏离程度进行再次验证，若其对应的关键证据特征显示问题正在自动缓解（如CPU使用率已恢复正常），系统会自动降低其预警级别，或在确认稳定后自动关闭，并记录原因。

结合资产的历史性能度量值时序数据、业务预测指标（如用户增长）、当前配置信息，输入到调整后的AI大模型中的回归任务模块负责预测未来特定周期（如下月、下季度）的资源需求峰值，如CPU核心数、内存大小、存储IOPS。模型通过分析趋势，识别出即将成为瓶颈的资源类型及其严重程度。例如，应用APP-X在未来两个月内内存需求将超过当前分配值的150%。

预先设置了多种建议策略模板，如"垂直扩容"（升级现有服务器）、"水平扩容"（增加服务器实例）、"负载迁移"（迁移至其他资源池）、"资源回收"（回收闲置资源）。同时考虑多个往往相互冲突的目标：

目标1：性能目标- 确保应用性能SLA（服务等级协议）。

目标2：成本目标- 最小化资源采购或云服务费用。

目标3：稳定性目标- 最小化因变更导致的业务中断风险。

对于识别出的瓶颈，模拟不同建议策略的执行效果。例如，对于需要扩容的虚拟机，它会同时模拟"垂直扩容至8核16G"和"水平扩容为2台4核8G实例"两种方案，并预估每种方案对性能、成本和稳定性的影响。

同时结合当前所述资产预警信息，输出一组帕累托最优分配建议集合。例如：

方案A（成本优先）：进行资源调优，预计节省20%成本，性能有5%下降风险。

方案B（性能优先）：立即扩容，性能100%保障，成本增加30%。

方案C（平衡型）：下个季度再扩容，期间进行负载优化，成本不变，性能有10%下降风险。

持续学习历史的维护工单、变更记录及其执行结果（成功/失败），形成方案知识库。将每个历史方案解构为一系列方案要素，并构建它们之间的关系。要素包括：问题类型、资产类型、操作动作（如重启、替换、配置修改）、所需工具、预计耗时、负责人角色、检查点等。这些要素相互关联，形成方案要素图谱。

结合资产预警信息和所述分配建议集合，将当前问题（包括资产类型、预警类型、关键特征）与方案知识库中的历史案例进行相似度匹配，找出最相似的N个成功案例。匹配的过程是从匹配到的多个案例中，提取出通用的、有效的方案要素，然后，结合当前资产的特定上下文（如其独特的软件配置、网络环境），对这些要素进行智能适配和重新组合，生成一个全新的、高度定制化的智能化管理工单方案。例如：针对Web服务器CPU过高预警，匹配到案例A（优化代码）和案例B（增加缓存）。系统生成的方案可能是：首先，参照案例A检查近期代码变更；其次，参照案例B建议为静态资源增加CDN缓存；同时，根据该服务器运行容器化的特点，增加'检查容器资源限制'的步骤。

最终的智能化管理工单方案包含：

工单标题（清晰描述问题与行动）；

执行摘要（给管理者看的简要说明）；

详细操作步骤（分步骤、可执行的操作指令）；

回滚计划（如果操作失败如何恢复）；

成功标准（如何验证操作已成功）；

推荐执行时间窗（基于业务影响分析）。

在可能的情况下，系统会尝试在沙箱环境中模拟执行方案的关键步骤，以验证其可行性，提前发现潜在问题。还可以对生成的管理工单的执行效果进行采集和反馈，对AI大模型进行训练和优化更新。

通过上述方案，系统输出的不再是简单的警报或笼统的建议，而是融合了数据分析、优化算法和历史智慧的、近乎专家级的详细行动计划，极大地提升了IT管理的全面性和决策质量。

本申请第二实施例为：

请参阅图4，本发明提供一种基于AI大模型与IT资产数据的资产管理系统，应用于如第一实施例提供的一种基于AI大模型与IT资产数据的资产管理方法，所述基于AI大模型与IT资产数据的资产管理系统包括数据特征统一化处理模块101、AI大模型集成与训练模块102和资产管理模块103，

所述数据特征统一化处理模块101，用于从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；

所述AI大模型集成与训练模块102，用于将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；

所述资产管理模块103，用于基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于AI大模型与IT资产数据的资产管理方法。如图5所示，为本发明实施例提供的一种基于AI大模型与IT资产数据的资产管理系统所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的基于AI大模型与IT资产数据的资产管理方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。

Claims (9)

1.一种基于AI大模型与IT资产数据的资产管理方法，其特征在于，包括以下步骤：

从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；

将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；

基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

2.如权利要求1所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中，包括：

在首次连接数据源时，探测当前所述数据源的数据类型，生成对应的源数据特征描述清单；

采用全量采集和增量采集混合模式对当前所述数据源的所有数据进行采集，并将采集得到的原始数据进行封装，并得到的初始资产数据发布到总线上；

对其中的结构化数据映射转换，并写入资产数据特征集中；

对其中的非结构化数据进行数据增强后，写入资产数据特征集中。

3.如权利要求2所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，对其中的结构化数据映射转换为标准特征集，并写入资产数据特征集中，包括：

将所述初始资产数据中的结构化数据与设定的语义映射规则库进行匹配，根据匹配到的规则提取原始数据进行清除和格式转换；

对得到的标准资产数据记录中的同一资产的多条记录按照权重高低和时间戳的先后进行排序，选择排在第一的记录写入到资产数据特征集中。

4.如权利要求3所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，对其中的非结构化数据进行数据增强后，写入资产数据特征集中，包括：

将所述初始资产数据中的非结构化数据转换为文本语义向量；

基于配置规则从所述标准资产数据记录中提取关联关系，构建资产关联图谱，并计算出对应的图谱衍生特征；

将所述图谱衍生特征加入到所述标准资产数据记录中，并写入资产数据特征集中。

5.如权利要求1所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，将所述资产数据特征集输入到调整后的AI大模型中进行分析之前，所述方法还包括：

利用构建的IT领域语料库对AI大模型进行继续预训练，基于历史资产数据特征集及其对应的真实事件标签构造多任务训练样本；

结合混合损失函数以及微调策略对所述AI大模型进行调整。

6.如权利要求4所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表，包括：

将当前的所述标准资产数据记录以及对应的自然语言模板转换为输入提示；

将所述输入提示输入到调整后的AI大模型中，将输出结果结合所述资产关联图谱生成管理建议列表。

7.如权利要求1所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单，包括：

将所述管理建议列表中的多种概率值与对应的预设的阈值进行比较，若任一个概率值大于对应的阈值，则对特征异常偏离程度进行计算；

根据计算出的特征偏离度的范围对预警信号进行梯度增强，并关联资产关联图谱生成关联预警；

调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。

8.如权利要求7所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单，包括：

调用调整后的AI大模型，结合触发预警的异常特征和所述资产关联图谱生成结构化的资产预警信息；

对所述资产预警信息进行相似度聚合和特征偏离度重复验证；

结合历史性能度量值时序数据、业务预测指标和当前配置信息，利用调整后的AI大模型输出预测需求值，并结合当前所述资产预警信息生成管理工单。

9.一种基于AI大模型与IT资产数据的资产管理系统，应用于如权利要求1所述的基于AI大模型与IT资产数据的资产管理方法，其特征在于，

所述基于AI大模型与IT资产数据的资产管理系统包括数据特征统一化处理模块、AI大模型集成与训练模块和资产管理模块，

所述数据特征统一化处理模块，用于从多个IT资产数据源中采集原始数据，对其中的结构化数据映射转换，并对其中的非结构化数据进行数据增强后，写入资产数据特征集中；

所述AI大模型集成与训练模块，用于将所述资产数据特征集输入到调整后的AI大模型中进行分析，生成管理建议列表；

所述资产管理模块，用于基于所述管理建议列表进行多维度预警判定，根据判定结果触发的预警信号，调用调整后的AI大模型生成结构化的资产预警信息，并输出资产管理工单。