本發(fā)明涉及高校平臺，更具體地說，本發(fā)明涉及一種基于智能門戶平臺的辦公管理方法及系統(tǒng)。

背景技術：

1、教學管理系統(tǒng)是用于管理課程、教學資源、學生成績等教務管理工作的平臺，不僅供教務管理人員使用，也為教師提供了課程管理、成績錄入、教學資源共享等功能；教師可以在教學管理系統(tǒng)上進行辦公，包括課程管理、教學資源共享、學生管理、成績錄入與管理、課程評價、在線交流與討論、課程安排與日程管理等，教師們可以通過教學管理系統(tǒng)實現(xiàn)課程管理、教學資源共享、學生成績管理等一系列教學管理任務，從而提高教學效率和質量。

2、現(xiàn)有技術存在以下不足：

3、然而，當教學管理系統(tǒng)在運行的過程中，若出現(xiàn)故障但未及時感知并繼續(xù)運行可能會對教學和管理工作產生不利影響；例如：在成績錄入和管理方面，若出現(xiàn)故障可能對學生和教師的記錄造成混亂和不準確，導致學生的成績記錄不準確或遺漏，可能會影響學生的學業(yè)發(fā)展和評價。

4、為了解決上述缺陷，現(xiàn)提供一種技術方案。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術的上述缺陷，本發(fā)明的實施例提供一種基于智能門戶平臺的辦公管理方法及系統(tǒng)以解決上述背景技術中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種基于智能門戶平臺的辦公管理方法，包括如下步驟：

4、獲取教學管理系統(tǒng)在運行過程中，采集教學管理系統(tǒng)的運行狀態(tài)信息，包括數(shù)據(jù)清洗錯誤系信息、實時更新變化信息和攻擊強度信息，并對數(shù)據(jù)清洗錯誤系信息、實時更新變化信息和攻擊強度信息進行分析處理；

5、將教學管理系統(tǒng)在運行過程中經過分析處理后的數(shù)據(jù)清洗錯誤信息、實時更新變化信息和攻擊強度信息，建立綜合分析模型，生成異常系數(shù)，通過異常系數(shù)對教學管理系統(tǒng)的運行狀態(tài)進行評估；

6、將生成的異常系數(shù)與預先設定的異常系數(shù)參考閾值進行比對分析，判斷教學管理系統(tǒng)的運行的情況，并對存在異常的情況發(fā)出預警通知；

7、數(shù)據(jù)清洗錯誤信息包括數(shù)據(jù)清洗錯誤系數(shù)，實時更新變化信息包括更新延遲系數(shù)，攻擊強度信息包括攻擊強度系數(shù)，將數(shù)據(jù)清洗錯誤系數(shù)、更新延遲系數(shù)和攻擊強度系數(shù)分別標定為qx、wa和dz。

8、在一個優(yōu)選的實施方式中，數(shù)據(jù)清洗錯誤系數(shù)的獲取邏輯為：

9、獲取需要上傳學生的成績數(shù)據(jù)，并記為成績數(shù)據(jù)集x，x＝{cj}＝{c1、c2、…、cn}，式中，n表示成績數(shù)據(jù)集中數(shù)據(jù)的總個數(shù)；

10、計算數(shù)據(jù)的均值和標準差，依據(jù)的公式分別為：均值標準差其中xi是第i個數(shù)據(jù)點；

11、計算z-score值：對每個數(shù)據(jù)點xi計算其對應的z-score值，計算的表達式為：

12、設定異常閾值：根據(jù)z-score值的分布情況，可以選擇合適的異常閾值來判斷異常值；

13、識別異常值：通過比較計算得到的z-score值與異常閾值，識別出異常值，若zi大于設定的異常閾值，則將對應的數(shù)據(jù)點xi視為異常值；

14、計算成績數(shù)據(jù)集x中異常值的總個數(shù)，并標記為k，計算數(shù)據(jù)清洗錯誤系數(shù)，計算的表達式為：qx＝k/n。

15、在一個優(yōu)選的實施方式中，更新延遲系數(shù)的獲取邏輯為：

16、記錄數(shù)據(jù)更新時間：記錄每次數(shù)據(jù)更新操作的時間戳，即tc表示第c次數(shù)據(jù)更新的時間；

17、計算更新延遲：對于每次數(shù)據(jù)更新，計算其與最新數(shù)據(jù)的時間差，即δtc＝t最新-tc；其中，t最新是當前時間；

18、統(tǒng)計延遲時間：統(tǒng)計所有更新操作的延遲時間，得到一個延遲時間序列{δt1、δt2、…、δtd}，其中d是總更新次數(shù)；

19、定義更新延遲系數(shù)：根據(jù)延遲時間的統(tǒng)計結果，定義更新延遲系數(shù)；定義方式包括：計算所有延遲時間的平均值：

20、定義一個閾值τ，并獲取計算延遲時間平均值a與閾值τ的差值，得到更新延遲系數(shù)，表達式為：wa＝a-τ。

21、在一個優(yōu)選的實施方式中，攻擊強度系數(shù)的獲取邏輯為：

22、數(shù)據(jù)準備：準備用于訓練和測試的數(shù)據(jù)集，包括系統(tǒng)中的網絡流量數(shù)據(jù)或用戶行為數(shù)據(jù)；

23、構建孤立樹：從數(shù)據(jù)集中隨機選擇一個特征，從所選特征的最小值到最大值之間隨機選擇一個切割值，將數(shù)據(jù)集分成兩部分；重復上述過程，直到樹達到預定的高度或每個分支只有一個數(shù)據(jù)點；

24、構建孤立森林：通過構建多個孤立樹來構成孤立森林；

25、異常點檢測：對于每個數(shù)據(jù)點，計算其在每棵樹上的路徑長度；使用路徑長度來評估數(shù)據(jù)點的異常程度；

26、其中，孤立樹的路徑長度的表達式為：對于數(shù)據(jù)點x，其在一棵孤立樹中的路徑長度h(x)可以通過以下遞歸方式計算：h(x)＝hu(x)+c(m)，其中，ht(x)表示數(shù)據(jù)點x在當前樹u上的路徑長度，c(m)是根據(jù)數(shù)據(jù)集大小m估計出來的平均路徑長度；

27、異常程度通過異常分數(shù)進行計算；對所有數(shù)據(jù)點的路徑長度進行歸一化得到，對于數(shù)據(jù)點x，其異常分數(shù)s(x)計算方式如下：其中，e(h(x))表示數(shù)據(jù)點z在所有樹上路徑長度的平均值；

28、設置異常分數(shù)的閾值，并記為we，計算攻擊強度系數(shù)，表達式為：dz＝s(x)-we。

29、在一個優(yōu)選的實施方式中，異常系數(shù)的獲取邏輯為：將數(shù)據(jù)清洗錯誤系數(shù)qx、更新延遲系數(shù)wa和攻擊強度系數(shù)dz建立綜合分析模型，依據(jù)公式為：

30、

31、式中，pgh為異常系數(shù)，α、β、γ分別為數(shù)據(jù)清洗錯誤系數(shù)、更新延遲系數(shù)和攻擊強度系數(shù)的預設比例系數(shù)，且α、β、γ均大于0。

32、在一個優(yōu)選的實施方式中，將異常系數(shù)與預先設定的異常系數(shù)參考閾值進行對比，當異常系數(shù)小于預先設定的異常系數(shù)參考閾值，不發(fā)出預警；當異常系數(shù)不小于預先設定的異常系數(shù)參考閾值，發(fā)出預警。

33、一種基于智能門戶平臺的辦公管理系統(tǒng)，包括采集模塊、處理模塊、對比分析模塊、預警模塊，各模塊之間信號連接；

34、采集模塊：用于采集數(shù)據(jù)清洗錯誤信息、實時更新變化信息和攻擊強度信息，并將采集到的信息傳遞至處理模塊；

35、處理模塊：將接收到的數(shù)據(jù)清洗錯誤信息、實時更新變化信息和攻擊強度信息建立綜合分析模型，生成異常系數(shù)，并將生成的數(shù)據(jù)傳遞至對比分析模塊；

36、對比分析模塊：生成的異常系數(shù)與預先設定的異常系數(shù)參考閾值進行比對分析，判斷教學管理系統(tǒng)的運行的情況，并將判斷的結果傳遞至比對預警模塊；

37、預警模塊：當異常系數(shù)小于預先設定的異常系數(shù)參考閾值，不發(fā)出預警；當異常系數(shù)不小于預先設定的異常系數(shù)參考閾值，發(fā)出預警。

38、本發(fā)明的技術效果和優(yōu)點：

39、本發(fā)明通過采集數(shù)據(jù)清洗錯誤系數(shù)、更新延遲系數(shù)和攻擊強度系數(shù)，并建立異常系數(shù)，并將異常系數(shù)與預先設定的異常系數(shù)參考閾值進行對比，若異常系數(shù)小于預先設定的異常系數(shù)參考閾值，則表示表明教學管理系統(tǒng)的運行狀態(tài)出現(xiàn)問題的可能性越小，最終導致學生和教師的記錄造成混亂和不準確的可能性就越小，此時不生成報警信號，且不發(fā)出預警；若異常系數(shù)不小于預先設定的異常系數(shù)參考閾值，則表示表明教學管理系統(tǒng)的運行狀態(tài)出現(xiàn)問題的可能性越大，最終導致學生和教師的記錄造成混亂和不準確的可能性就越大，此時生成報警信號，且發(fā)出預警，及時地提醒教師和工作人員，教學管理系統(tǒng)的運行狀態(tài)已經出現(xiàn)問題，此時需要及時地維修，使得學生和教師的記錄不會造成混亂和不準確。