基于历史动态分析的ITSM平台优化方法及系统

技术领域

本发明涉及数据处理技术领域，特别涉及基于历史动态分析的ITSM平台优化方法及系统。

背景技术

目前ITSM平台已广泛应用于企业的管理和支持组织的信息技术服务和流程。然而，随着组织不断发展和变化，IT服务需求也会发生变化，需要不断优化和改进ITSM流程和方法。现有的ITSM平台优化存在流程僵化适应性差、维护更新周期长、优化更新成本高的技术问题。

发明内容

本申请的目的在于提供基于历史动态分析的ITSM平台优化方法及系统。用以解决现有技术中流程僵化适应性差、维护更新周期长、优化更新成本高的技术问题。

鉴于以上技术问题，本申请提供了基于历史动态分析的ITSM平台优化方法及系统。

第一方面，本申请提供了基于历史动态分析的ITSM平台优化方法，其中，所述方法包括：

感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；基于数据属性分类器对所述平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；获得平台性能评价指标，所述平台性能评价指标包括服务响应时间、任务完成率、吞吐量、平台可靠性以及平台故障率；依据所述平台性能评价指标对所述特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；基于所述平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；获取工作流优化处理逻辑库，基于所述平台目标优化性能信息与所述工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；基于所述工作流优化逻辑参数对所述ITSM平台进行运行性能监控优化。

第二方面，本申请还提供了基于历史动态分析的ITSM平台优化系统，其中，所述系统包括：

流程提取模块，所述流程提取模块用于感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；分类标记模块，所述分类标记模块用于基于数据属性分类器对所述平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；性能参数提取模块，所述性能参数提取模块用于获得平台性能评价指标，所述平台性能评价指标包括服务响应时间、任务完成率、吞吐量、平台可靠性以及平台故障率；性能评价模块，所述性能评价模块用于依据所述平台性能评价指标对所述特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；优化目标获取模块，所述优化目标获取模块用于基于所述平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；逻辑参数匹配模块，所述逻辑参数匹配模块用于获取工作流优化处理逻辑库，基于所述平台目标优化性能信息与所述工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；运行优化模块，所述运行优化模块用于基于所述工作流优化逻辑参数对所述ITSM平台进行运行性能监控优化。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；基于数据属性分类器对平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；获得平台性能评价指标，平台性能评价指标包括服务响应时间、任务完成率、吞吐量、平台可靠性以及平台故障率；依据平台性能评价指标对特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；基于平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；获取工作流优化处理逻辑库，基于平台目标优化性能信息与工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；基于工作流优化逻辑参数对ITSM平台进行运行性能监控优化。进而达成历史分析适应性强、动态分析更新及时、优化更新成本低的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚阐明本申请的技术手段，进而可依照说明书的内容予以实施，并且为了让本申请的上述及其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

本发明的实施例及后述简单说明结合图示予以说明，附图说明如下：

图1为本申请基于历史动态分析的ITSM平台优化方法的流程示意图；

图2为本申请基于历史动态分析的ITSM平台优化方法中获得特征节点工作流数据信息的流程示意图；

图3为本申请基于历史动态分析的ITSM平台优化系统的结构示意图。

附图标记说明：流程提取模块11、分类标记模块12、性能参数提取模块13、性能评价模块14、优化目标获取模块15、逻辑参数匹配模块16、运行优化模块17。

具体实施方式

本申请通过提供基于历史动态分析的ITSM平台优化方法和系统，解决了现有技术面临的流程僵化适应性差、维护更新周期长、优化更新成本高的技术问题。

本技术实施例中的方案，为解决上述问题，所采用的整体思路如下：

首先，感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；接着，基于数据属性分类器对平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；而后，获得平台性能评价指标；然后，依据平台性能评价指标对特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；进而，基于平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；然后，获取工作流优化处理逻辑库，基于平台目标优化性能信息与工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；最后，基于工作流优化逻辑参数对ITSM平台进行运行性能监控优化。进而达成历史分析适应性强、动态分析更新及时、优化更新成本低的技术效果。

为更好理解上述技术方案，下面将结合说明书附图和具体的实施方式来对上述技术方案进行详细的说明，需要说明的是，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

实施例一

如图1所示，本申请提供了基于历史动态分析的ITSM平台优化方法，所述方法包括：

S100：感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；

可选的，首先，确定ITSM平台的历史运行数据感知采集路径，示例性的，采集路径包括ITSM平台内置的数据日志、数据库、监控系统、审计日志等；接着，建立连接到这些数据源的途径，以便能够访问历史数据。包括编写脚本、使用API或设定数据端口与数据源进行交互；而后，基于脚本或使用ETL（Extract, Transform, Load）工具，从数据源中提取历史运行数据。其中，历史运行数据包括工作流事件、服务请求记录、故障报告、变更记录等。然后，进行数据清洗和预处理，以去除噪声、处理缺失值和规范数据格式。确保数据的质量和一致性。包括数据去重、数据校验等；进而，将清洗和预处理后的数据存储在适当的数据存储系统中，例如数据仓库、数据库或数据湖。便于后续的调用分析与处理。

S200：基于数据属性分类器对所述平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；

对平台工作流数据信息通过数据属性分类器进行特征标记，获得特征节点工作流数据信息是指按照目标ITSM平台的节点特征，对获取到的平台工作流数据进行分类标记。不同场景及不同目标ITSM平台的流程、节点、结构等特征不尽相同，基于目标ITSM平台的特征，获取特征信息，分类以获取数据进行数据属性分类器的训练，得以实现分类准确、分类效率高、适应性强的技术效果，同时便于提高本申请的一种优化方法的可推广性。

进一步的，如图2所示，所述获得特征节点工作流数据信息，步骤S200包括：

S210：获取数据属性因素信息，所述数据属性因素信息包括数据类型、生成周期、数据等级以及敏感度；

S220：对所述数据属性因素信息依次进行属性提取、特征值赋予，得到数据属性特征值集合；

S230：将所述数据属性特征值集合作为知识节点进行训练，构建数据属性分类器；

S240：基于所述数据属性分类器对所述平台工作流数据信息进行特征分类，确定数据属性特征节点信息；

S250：将所述平台工作流数据信息按照所述数据属性特征节点信息进行聚类特征标记，得到所述特征节点工作流数据信息

数据属性因素信息的指平台工作流数据信息的基础数据信息，用于体现平台工作流数据的基础属性。示例性的，包括数据类型、生成周期、数据等级以及敏感度。

可选的，对数据属性因素信息进行属性提取及特征值赋予，得到数据属性特征值集合是一个特征提取和数值标记的过程，用于获取带有特征及特征值标记的数据属性特征值集合，以实现数据属性分类器的构建和训练。

数据属性分类器是一种用于根据数据属性特征值对平台工作流数据信息进行分类获取特征节点的处理分析组件。可选的，数据属性分类器的构建基础包括：决策树、随机森林、神经网络等。

可选的，数据属性分类器基于卷积神经网络构建，其中，分类器输入为数据属性特征值，输出为数据属性特征节点信息。示例性的，首先，为多个数据节点建立正确的类别标签，获取节点标签对照表；接着，数据属性特征值集合按比例分为训练组、验证组与测试组，训练组用于训练神经网络，验证组用于调整超参数和监测模型性能，测试组用于最终评估模型；然后，构建神经网络模型，选择神经网络架构，包括层数、神经元数量、激活函数等。其中，层数根据数据属性特征值集合确定，激活函数包括sigmoid，Tanh，ReLU，Leaky ReLU，PReLU，ELU等；而后，使用训练组对神经网络模型进行训练。在每个训练迭代中，模型更新权重以最小化损失函数，以使其能够更好地分类数据节点。当训练结束后，使用验证集来检测模型性能。根据验证集的结果，调整超参数，包括学习率、批处理大小、正则化等。最后，使用测试集来最终评估模型的性能。性能指标包括准确性、精确度、召回率、F1分数等，若模型性能满足预设要求，则将模型存储为数据属性分类器。

进一步的，得到数据属性特征值集合，步骤S220还包括：

S221：依次对所述数据属性因素信息进行属性提取，获得数据知识属性根节点集合；

S222：对所述数据知识属性根节点集合分别进行特征抽取，得到数据属性知识实体集合；

S223：基于所述数据属性知识实体集合进行内容填充，生成数据知识实体内容信息；

S224：获取特征值编码规则，依据所述特征值编码规则对所述数据知识实体内容信息分别进行属性特征值赋予，得到所述数据属性特征值集合。

可选的，数据属性因素信息包括数据类型、生成周期、数据等级以及敏感度。上述数据类型、生成周期、数据等级以及敏感度共同构成数据的根节点集合，根节点表示了平台工作流数据信息的分类尺度。

可选的，各个根节点下又包括多个知识实体，为对应根节点的具体分类展开，每个知识实体对应一种分类类别。其中，数据类型根节点的多个知识实体包括请求数据、流程数据、业务运营数据以及性能数据等，分别对应ITSM系统中多个节点环节。生成周期根节点的多个知识实体包括实时、每日、每周、每月或根据事件触发等，用于衡量数据的时间尺度，将数据分为周期性数据或临时性数据。数据等级根节点的多个知识实体包括公开、内部、机密等，用于指示数据的重要性和保密性。敏感度根节点的多个知识实体包括个人身份信息、财务数据、权限数据、密匙数据等用于，确定数据项包含的敏感信息类别。

可选的，对数据属性知识实体集合进行内容填充，生成数据知识实体内容信息，示例性的，数据类型的知识实体填充内容包括：图像数据、文字数据、视频数据、音频数据等。

特征值编码是指通过一定的特征值编码规则，将多个数据知识实体内容信息转化为一串便于进行传输与识别序列数码。可选的，特征值编码方式包括：ANSI、Unicode、UTF-8、UTF-16等。基于特征值编码规则，得以实现数据属性特征到数据属性特征值的转化，便于属性分类器的理解和判断，得以对平台工作流数据信息实现基于数据特征的特征节点聚类分析及特征节点标记。

进一步的，获取特征值编码规则，步骤S224还包括：

S2241：将所述数据知识属性根节点集合、所述数据属性知识实体集合、所述数据知识实体内容信息，确定编码类型体系；

S2242：基于所述编码类型体系进行编码层级划分，获得属性编码层级次序信息；

S2243：依据所述属性编码层级次序信息设置编码标识准则，所述编码标识准则包括编码标识位数和编码标识符号；

S2244：基于所述属性编码层级次序信息和所述编码标识准则，组成所述特征值编码规则。

可选的，编码类型体系包括多个层级的编码标签对照表。示例性的，若数据等级是“公开”、“内部”或“机密”，可以将其编码为数字或符号（例如1、2、3）。对于生成周期，将其编码为适当的代码，如“D”代表每日、“W”代表每周，“M”代表每月等。对于数据类型，可以使用简短的代码，如“T”代表文本、“N”代表数字等。对于敏感度，也可以使用代码，如“H”代表高敏感度、“M”代表中等敏感度、“L”代表低敏感度。

可选的，编码层级划分是指对于编码类型体系依据对应的特征分类层级进行序列划分，生成属性编码层级次序信息。示例性的，按照数据知识属性根节点集合、所述数据属性知识实体集合、所述数据知识实体内容信息次序依次进行编码组合，层级由大到小。

编码标识位数是指各编码在编码标识结果中对应的位置范围，示例性的，在编码表示结果中，1-8位为数据知识属性根节点编码，分别对应数据等级、生成周期、数据类型、敏感度。其中，每一根节点对应2位字符。通过特征值编码规则，实现了数据集多特征属性信息的数值化。

S300：获得平台性能评价指标，所述平台性能评价指标包括服务响应时间、任务完成率、吞吐量、平台可靠性以及平台故障率；

可选的，平台性能评价指标是指用于对目标ITSM平台进行现状性能评价的多个维度，包括服务响应时间、任务完成率、吞吐量、平台可靠性以及平台故障率等。其中，服务的响应时间使用性能监控工具或应用性能管理系统来监测。这些工具可以跟踪请求到达系统并获得响应的时间。通过记录和分析响应时间，计算平均响应时间、百分位响应时间等性能指标。任务完成率可根据监测系统中任务的状态和进展来计算任务完成率。吞吐量表示系统每单位时间内能够处理的请求或事务数量。通过监测每秒处理的请求数量或事务数量计算获取。平台的可靠性和故障率可根据故障记录或平台监控日志获取。具体的，评价指标包括系统的可用性、平均无故障时间（MTBF）和平均修复时间（MTTR）等。

可选的，平台性能评价指标通过交互性能监控系统和日志记录获取。

S400：依据所述平台性能评价指标对所述特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；

可选的，平台性能动态评价放射图基于平台性能评价指标构建，用于可视化的对目标ITSM平台现状性能进行体现。平台性能动态评价放射图的获取包括：数据收集、数据标准化、计算平分、绘制放射图、分配得分、生成图表等。

进一步的，生成平台性能动态评价放射图，步骤S400还包括：

S410：基于所述平台性能评价指标，设置平台运行性能阈值标准；

S420：依据所述平台运行性能阈值标准对所述特征节点工作流数据信息分别进行运行性能评价，生成平台运行性能评分矩阵；

S430：基于所述平台性能评价指标，构建基准平台评分放射图，其中，所述基准平台评分放射图的坐标轴与所述平台性能评价指标一一对应；

S440：将所述平台运行性能评分矩阵中的元素值投影至所述基准平台评分放射图中，生成所述平台性能动态评价放射图。

可选的，平台运行性能阈值标准的设置方法包括：基于目标ITSM平台需求，由专业技术人员确定，其中，目标ITSM平台需求包括各项性能评价指标的KPI；基于行业内的最佳实践和标准确定；基于历史数据分析确定，示例性的，若需求为目标ITSM平台的可用率为99%，则对目标ITSM平台的历史数据进行排序，将平台吞吐量后1%位的数值作为平台吞吐量性能阈值。

可选的，平台运行性能阈值标准包括多个阈值，对应平台性能的多个等级。示例性的包括临界阈值和警戒阈值。临界阈值表示严重性能问题，需要立即采取行动。警戒阈值表示性能处于较高风险状态，需要进行监控和可能的优化。

可选的，定期评估性能阈值的有效性。并根据业务需求和系统改进，进行阈值的更新和调整。

可选的，特征节点工作流数据信息的运行性能评价结果表现为性能评分矩阵，其中，矩阵横向为性能评分的数值维度、矩阵纵向为平台性能评价指标。通过生成性能评分矩阵，实现了性能评价数据的有序结构化表达。同时便于对平台性能动态评价放射图进行投影生成。

可选的，基准平台评分放射图，包括多个坐标轴，其中，多个坐标轴与多个平台性能评价指标一一对应。多个性能指标值表示为基准平台评分放射图中多个成比例的峰。

可选的，将平台运行性能评分矩阵中的元素值投影至基准平台评分放射图中，对不同指标的数据进行标准化，以确保在基准平台评分放射图尺度上，使不同指标的值可比较，进而实现对于目标ITSM网络性能优劣偏向的表述。

S500：基于所述平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；

可选的，优化目标包括需要进行优化的指标类型及优化等级信息，其中，需要优化的指标类型根据动态评价放射图的图像高度确定，根据性能放射图的分析，确定需要优化的具体性能指标类型。示例性的，若服务响应时间远高于阈值，那么服务响应时间可能是一个需要优化的指标。

可选的，为每个需要优化的指标类型分配一个优化等级。优化等级可根据目标ITSM网络的用户需求确定。示例性的，优化等级可以分为几个级别，如高、中、低，或使用数字等级。这有助于确定哪些指标需要优先考虑，哪些可以稍后处理。

可选的，目标优化性能信息包括优化目标，优化优先度等。示例性的，对于服务响应时间，优化目标为将平均响应时间降低到特定的阈值以下。其中，上述阈值根据用户需求或基于同行业较优水平确定。

S600：获取工作流优化处理逻辑库，基于所述平台目标优化性能信息与所述工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；

可选的，工作流优化处理逻辑库是基于工作流特征与历史工作流优化记录构建的，包括多个工作流优化处理逻辑和对应的优化结果的数据集合。进一步的，工作流优化处理逻辑库包括工作流程配置、参数设置、处理算法等。

进一步的，获得工作流优化逻辑参数，步骤S600还包括：

S610：基于所述平台目标优化性能信息与所述工作流优化处理逻辑库进行匹配，得到工作流关联逻辑组件信息；

S620：对所述工作流关联逻辑组件信息进行拆分提取，获取工作流逻辑架构组件参数；

S630：基于所述工作流逻辑架构组件参数，确定逻辑架构组件取值阈值；

S640：利用遗传算法在所述逻辑架构组件取值阈值内进行全局寻优，确定所述工作流优化逻辑参数。

其中，工作流关联逻辑组件是指与平台目标优化性能信息相关联的多个工作流组件。示例性的，对于采购管理工作流，相关的组件包括：采购需求获取组件、采购需求核算组件、采购需求审批组件、采购需求批复组件、采购预算授权组件等。

可选的，拆分提取工作流关联逻辑组件信息，获得工作流逻辑架构组件参数，用于深入了解工作流程的各个组成部分以及它们之间的关系，从而更好地进行性能优化。其中，工作流逻辑架构组件参数包括组件的配置参数、输入数据要求、输出数据生成等。

可选的，对提取的参数信息文档化，以建立工作流逻辑架构组件参数清单。这可以采用表格、文档或数据结构的形式。

可选的，基于工作流逻辑架构组件参数，确定逻辑架构组件取值阈值，首先，建立每个逻辑组件的参数与相关的性能指标的关联关系。确定哪些参数可能对性能有重要影响，这些参数需要特别关注；接着，基于逻辑组件的参数与相关的性能指标的关联关系，确定性能指标的取值阈值。其中，取值阈值基于工作流优化处理逻辑库中多个匹配逻辑的取值范围确定。

进一步的，利用遗传算法在所述逻辑架构组件取值阈值内进行全局寻优，步骤S640还包括：

S641：从所述逻辑架构组件取值阈值中随机获得N个组件控制参数，利用遗传算法对所述N个组件控制参数进行计算，获得N个预测运行性能曲线；

S642：根据所述平台运行性能阈值标准，确定目标平台运行性能曲线；

S643：将所述N个预测运行性能曲线和目标平台运行性能曲线进行相似度降序排列，反向匹配得到所述工作流优化逻辑参数。

可选的，利用遗传算法对所述N个组件控制参数进行计算，获得N个预测运行性能曲线。首先，将工作流性能的评估指标作为适应度函数。适应度函数应该能够量化工作流的性能，以便遗传算法能够根据该函数的值来进行优化。接着，将工作流逻辑架构组件参数编码成适合遗传算法处理的形式，如二进制编码、实数编码等。而后，初始化种群，随机生成一组初始个体，每个个体对应一个参数配置。接着，根据适应度函数，计算每个个体的适应度值。然后，根据适应度值选择一部分个体作为父代，用于产生后代。对父代个体进行交叉操作，生成新的个体（子代）。对子代个体进行变异操作，引入一定程度的随机性。进而，合并父代和子代得到新的种群。根据适应度值选择一部分个体作为下一代的父代。根据预设的停止准则（如获得N个预测运行性能曲线），判断是否停止优化。最后，返回获得N个预测运行性能曲线。

可选的，N个预测运行性能曲线和目标平台运行性能曲线的相似度度量方法包括余弦相似度、欧氏距离等。进而，将相似度得分按降序排列，以便最相似的配置排在前面。选择相似度得分最高的配置（即排在列表的顶部），将其对应的工作流优化逻辑参数作为最佳配置，这个配置的优化结果最接近于目标平台运行性能曲线。

S700：基于所述工作流优化逻辑参数对所述ITSM平台进行运行性能监控优化。

可选的，采取工作流优化逻辑参数进行ITSM平台的性能监控优化，首先，使用已确定的工作流优化逻辑参数，对ITSM平台的配置进行相应更改，包括修改工作流程的配置、参数设置、资源分配等。接着，启动性能监控机制，跟踪ITSM平台的实际性能。包括监测服务响应时间、任务完成率、吞吐量、平台可靠性和故障率等性能指标。进而，将性能数据，与预先设定的性能目标和阈值进行比较。评估ITSM平台的性能表现，与之前设定的性能目标和阈值进行比较。确定是否满足性能要求。

可选的，若性能未达到预期，分析未达到预期的原因。包括性能瓶颈、资源不足、配置错误等。并基于问题识别，采取适当的优化措施。包括进一步调整工作流优化逻辑参数、增加资源、改进配置等。并重新测试ITSM平台的性能，继续监控性能数据。确保优化措施的有效性。

可选的，对ITSM平台持续进行性能监控和维护，以确保ITSM平台持续满足性能需求。

综上所述，本发明所提供的基于历史动态分析的ITSM平台优化方法具有如下技术效果：

通过感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；接着，基于数据属性分类器对平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；而后，获得平台性能评价指标；然后，依据平台性能评价指标对特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；进而，基于平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；然后，获取工作流优化处理逻辑库，基于平台目标优化性能信息与工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；最后，基于工作流优化逻辑参数对ITSM平台进行运行性能监控优化。进而达成历史分析适应性强、动态分析更新及时、优化更新成本低的技术效果。

实施例二

基于与所述实施例中基于历史动态分析的ITSM平台优化方法同样的构思，如图3所示，本申请还提供了基于历史动态分析的ITSM平台优化系统，所述系统包括：

流程提取模块11，用于感知采集ITSM平台的历史运行数据，获取平台工作流数据信息；

分类标记模块12，用于基于数据属性分类器对所述平台工作流数据信息进行特征标记，获得特征节点工作流数据信息；

性能参数提取模块13，用于获得平台性能评价指标，所述平台性能评价指标包括服务响应时间、任务完成率、吞吐量、平台可靠性以及平台故障率；

性能评价模块14，用于依据所述平台性能评价指标对所述特征节点工作流数据信息进行动态评价，生成平台性能动态评价放射图；

优化目标获取模块15，用于基于所述平台性能动态评价放射图进行优化目标分析，确定平台目标优化性能信息；

逻辑参数匹配模块16，用于获取工作流优化处理逻辑库，基于所述平台目标优化性能信息与所述工作流优化处理逻辑库进行匹配寻优，获得工作流优化逻辑参数；

运行优化模块17，用于基于所述工作流优化逻辑参数对所述ITSM平台进行运行性能监控优化。

进一步的，分类标记模块12还包括：

属性因素信息单元，用于获取数据属性因素信息，所述数据属性因素信息包括数据类型、生成周期、数据等级以及敏感度；

特征赋值单元，用于对所述数据属性因素信息依次进行属性提取、特征值赋予，得到数据属性特征值集合；

分类器获取单元，用于将所述数据属性特征值集合作为知识节点进行训练，构建数据属性分类器；

特征分类单元，用于基于所述数据属性分类器对所述平台工作流数据信息进行特征分类，确定数据属性特征节点信息；

聚类分析单元，用于将所述平台工作流数据信息按照所述数据属性特征节点信息进行聚类特征标记，得到所述特征节点工作流数据信息。

进一步的，所述特征赋值单元还用包括：

属性提取单元，用于依次对所述数据属性因素信息进行属性提取，获得数据知识属性根节点集合；

特征抽取单元，用于对所述数据知识属性根节点集合分别进行特征抽取，得到数据属性知识实体集合；

内容填充单元，用于基于所述数据属性知识实体集合进行内容填充，生成数据知识实体内容信息；

特征赋值单元，用于获取特征值编码规则，依据所述特征值编码规则对所述数据知识实体内容信息分别进行属性特征值赋予，得到所述数据属性特征值集合。

进一步的，所述特征赋值单元还包括：

编码体系确定单元，用于将所述数据知识属性根节点集合、所述数据属性知识实体集合、所述数据知识实体内容信息，确定编码类型体系；

编码层级划分单元，用于基于所述编码类型体系进行编码层级划分，获得属性编码层级次序信息；

规则设置单元，用于依据所述属性编码层级次序信息设置编码标识准则，所述编码标识准则包括编码标识位数和编码标识符号；

规则组合单元，用于基于所述属性编码层级次序信息和所述编码标识准则，组成所述特征值编码规则。

进一步的，性能评价模块14还包括：

阈值生成单元，用于基于所述平台性能评价指标，设置平台运行性能阈值标准；

矩阵评分单元，用于依据所述平台运行性能阈值标准对所述特征节点工作流数据信息分别进行运行性能评价，生成平台运行性能评分矩阵；

放射图搭建单元，用于基于所述平台性能评价指标，构建基准平台评分放射图，其中，所述基准平台评分放射图的坐标轴与所述平台性能评价指标一一对应；

放射图投影单元，用于将所述平台运行性能评分矩阵中的元素值投影至所述基准平台评分放射图中，生成所述平台性能动态评价放射图。

进一步的，逻辑参数匹配模块16还包括：

组件匹配单元，用于基于所述平台目标优化性能信息与所述工作流优化处理逻辑库进行匹配，得到工作流关联逻辑组件信息；

参数提取单元，用于对所述工作流关联逻辑组件信息进行拆分提取，获取工作流逻辑架构组件参数；

阈值设定单元，用于基于所述工作流逻辑架构组件参数，确定逻辑架构组件取值阈值；

参数寻优单元，用于利用遗传算法在所述逻辑架构组件取值阈值内进行全局寻优，确定所述工作流优化逻辑参数。

进一步的，参数寻优单元还包括：

性能预测单元，用于从所述逻辑架构组件取值阈值中随机获得N个组件控制参数，利用遗传算法对所述N个组件控制参数进行计算，获得N个预测运行性能曲线；

运行曲线获取单元，用于根据所述平台运行性能阈值标准，确定目标平台运行性能曲线；

匹配排序单元，用于将所述N个预测运行性能曲线和目标平台运行性能曲线进行相似度降序排列，反向匹配得到所述工作流优化逻辑参数。

应当理解的是，本说明书中所提及的实施例重点在其与其他实施例的不同，前述实施例一中的具体实施例，同样适用于实施例二所述的基于历史动态分析的ITSM平台优化系统，为了说明书的简洁，在此不做进一步的展开。

应当理解的是，本申请所公开的实施例及上述说明，可以使得本领域的技术人员运用本申请实现本申请。同时本申请不被限制于上述所提到的这部分实施例，对本申请提到的实施例进行显而易见的修改、变种，也属于本申请原理范围之内。