CN104636874A - 检测业务异常的方法及设备 - Google Patents
检测业务异常的方法及设备 Download PDFInfo
- Publication number
- CN104636874A CN104636874A CN201510075582.4A CN201510075582A CN104636874A CN 104636874 A CN104636874 A CN 104636874A CN 201510075582 A CN201510075582 A CN 201510075582A CN 104636874 A CN104636874 A CN 104636874A
- Authority
- CN
- China
- Prior art keywords
- business datum
- moment
- value
- prediction
- change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Abstract
本发明的实施例公开了一种检测业务异常的方法和设备。该方法包括:基于历史数据,确定业务数据的预测模型;根据所述业务数据的预测模型,确定每一时刻的业务数据范围;以及在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
Description
技术领域
本发明的实施例涉及业务检测领域,具体涉及一种检测业务异常的方法及设备。
背景技术
目前,各个公司均会实时监控其自身的业务量,并判断其中业务是否存在异常状况。例如,互联网公司可以监控某业务的在线人数、提交订单数、实现成交数等。在一些情况下所监控的业务可能偏离其正常的状态。
目前的业务异常检测方法通常需要通过人工方式来设置阈值,如果实际业务量超出该阈值,则该监控系统将确定该业务存在异常。然而,由于目前的业务异常检测始终采用固定的人工阈值,因此难以敏感地、准确地检测业务是否存在异常。
发明内容
本发明的实施例旨在提供一种检测业务异常的方法及设备,能够解决相关技术中的方法难以敏感地、准确地检测到业务存在异常的问题。
根据本发明的一个方面,提供了一种检测业务异常的方法,包括:基于历史数据,确定业务数据的预测模型;根据所述业务数据的预测模型,确定每一时刻的业务数据范围;以及在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
在一个实施例中,该方法还包括:利用业务数据的采样值对所述业务数据的预测模型进行更新。
在一个实施例中,基于历史数据,确定业务数据的预测模型包括:基于需求,确定特定时间段的历史数据在全部历史数据中的权重。
在一个实施例中,确定每一时刻的业务数据范围包括:预测每一时刻的业务数据的值;以及根据每一时刻的业务数据的采样值以及所述预测的业务数据的值,来确定每一时刻的业务数据的变化量。
在一个实施例中,预测每一时刻的业务数据的值包括:预测在每一时刻的业务数据的去周期平滑值、所述业务数据的变化的趋势值以及所述业务数据的波动值。
在一个实施例中,将所述预测的每一时刻的业务数据的值确定为以下值的和:上一时刻的去周期平滑值;上一时刻的变化的趋势值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在一个实施例中,预测每一时刻的业务数据范围还包括:将所述业务数据范围的上限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的和;以及将所述业务数据范围的下限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的差。
在一个实施例中,基于以下的值来确定每一时刻的业务数据的去周期平滑值:所述每一时刻的业务数据的采样值;上一时刻的业务数据的变化的趋势值;上一时刻的业务数据的去周期平滑值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在一个实施例中,基于以下的值来确定每一时刻的业务数据的变化的趋势值:所述每一时刻的业务数据的去周期平滑值;上一时刻的业务数据的去周期平滑值;以及上一时刻的业务数据的变化的趋势值。
在一个实施例中,基于以下的值来确定每一时刻的业务数据的波动值:所述每一时刻的业务数据的采样值;所述每一时刻的业务数据的去周期平滑值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在另一方面,本发明的实施例还提供一种检测业务异常的设备,该设备包括:第一确定装置,被配置为基于历史数据,确定业务数据的预测模型;第二确定装置,被配置为根据所述业务数据的预测模型,确定每一时刻的业务数据范围;以及识别装置,被配置为在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
在一个实施例中,该设备还包括:更新装置,被配置为利用业务数据的采样值对所述业务数据的预测模型进行更新。
在一个实施例中,所述第一确定装置还被配置为:基于需求,确定特定时间段的历史数据在全部历史数据中的权重。
在一个实施例中,所述第二确定装置还包括:预测模块,被配置为预测每一时刻的业务数据的值;以及确定模块,被配置为根据每一时刻的业务数据的采样值以及所述预测的业务数据的值,来确定每一时刻的业务数据的变化量。
在一个实施例中,所述预测模块还被配置为:预测在每一时刻的业务数据的去周期平滑值、所述业务数据的变化的趋势值以及所述业务数据的波动值。
在一个实施例中,所述预测模块被配置为将所述预测的每一时刻的业务数据的值确定为以下值的和:上一时刻的去周期平滑值;上一时刻的变化的趋势值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在一个实施例中,所述第二确定装置还被配置为:将所述业务数据范围的上限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的和;以及将所述业务数据范围的下限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的差。
在一个实施例中,所述预测模块被配置为基于以下的值来确定每一时刻的业务数据的去周期平滑值:所述每一时刻的业务数据的采样值;上一时刻的业务数据的变化的趋势值;上一时刻的业务数据的去周期平滑值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在一个实施例中,所述预测模块被配置为基于以下的值来确定每一时刻的业务数据的变化的趋势值:所述每一时刻的业务数据的去周期平滑值;上一时刻的业务数据的去周期平滑值;以及上一时刻的业务数据的变化的趋势值。
在一个实施例中,所述预测模块被配置为基于以下的值来确定每一时刻的业务数据的波动值:所述每一时刻的业务数据的采样值;所述每一时刻的业务数据的去周期平滑值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是图示了根据本发明的实施例的基于时间序列的业务异常检测方法的流程图;
图2a是图示了根据图1的业务异常监控方法的无业务异常情况下的曲线示意图;
图2b是图示了根据图1的业务异常监控方法的有业务异常情况下的曲线示意图;以及
图3是图示了根据本发明的实施例的基于时间序列的业务异常检测设备的结构框图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是图示了根据本发明的实施例的基于时间序列的业务异常检测方法的流程图,其中包括如下的步骤S101至步骤S103。
如图1所示,在步骤S101,基于历史数据,确定业务数据的预测模型。在步骤S102,根据所述业务数据的预测模型,确定每一时刻的业务数据范围。并且在步骤S103,在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
并且方法100还包括利用业务数据的采样值对所述业务数据的预测模型进行更新。业务数据实际值即在线系统实时测量或采样到的业务数据值,该测量和采样方法可以是本领域已知的任何适合的方式,因此在此不再赘述。
在一个实施例中,在步骤S101中基于历史数据确定业务数据预测模型可以离线进行。
在步骤S102中,可以利用在线系统加载步骤S101中所确定的业务数据的预测模型,并且根据所述业务数据的预测模型,确定每一时刻的业务数据范围。
确定每一时刻的业务数据范围,即确定该时刻的实际业务量所允许波动的范围,该范围能够根据历史数据以及业务数据的采样值来相应变化,从而能够良好适应业务量在高峰、平峰和低谷等各种时段的波动。
在步骤S103中,在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。在实际应用中,例如以“0”表示正常,“1”表示异常,或反之亦然。
在一个实施例中,业务数据预测模型如下所示:
其中以采样间隔以分钟为例,yt表示t时刻(例如第t分钟)的业务数据的采样值,表示t时刻的业务数据预测的值,at表示在t时刻的业务数据的去周期平滑值,bt表示在t时刻的业务数据的变化的趋势值,ct表示在t时刻的业务数据的波动值,α、β以及γ为可调参数,m表示周期样本量,例如以天为周期。
其中α、β以及γ可基于需求确定特定时间段的历史数据在全部的历史数据中的权重来分别计算得出。例如,在一个示例中,以n分钟内的采样值对指数平滑公式影响的权重较大来计算α,以p分钟内的采样值对业务数据的趋势计算公式的影响较大来计算β,以q分钟内的采样值对业务数据的波动值的计算公式的影响较大来计算γ。根据不同的应用,n、p和q可以为相同或不同。
本实施中采用的时间序列平滑法就是根据预测对象的时间序列,寻找其随时间变化的规律,建立时间序列平滑模型以推断未来时刻的业务数据的预测方法。其基本原理是:除一些不规则的变动外,业务数据存在着某种随时间推移而变动的规律。也就是说,通过历史数据,能找到一条合适的函数曲线反映这种未来时刻的业务数据对历史数据的延伸。因此可以用时间为自变量,时间序列观察值为因变量,建立时间序列平滑模型。时间序列平滑模型可以消除过程中的极端值,以较平滑的中间值作为预测下一时刻的业务数据的依据。如在式1中at反映的是业务数据的采样值去周期值后的平滑值。
bt表示在t时间的业务数据的变化的趋势值,即反映业务数据的长期变化趋势,例如业务数据相对于一周时间的变化值。ct表示在t时间的业务数据的波动值,该值主要体现在周期内的波动,如早高峰、晚高峰等情况,ct-m例如表示一天之前的业务数据在不同时刻的波动值(m取一天为周期)。
在该实施例中,在预测t时刻的业务数据的值时,需要预测在每一时刻的业务数据的去周期平滑值at、业务数据的变化的趋势值bt以及所述业务数据的波动值ct。
如式1所示,在t+1时刻的所预测的业务数据的值为t时刻的去周期平滑值at、t时刻的变化的趋势值bt以及相对于t+1时刻之前一个固定时段(即模型所选取的周期样本量,例如一天)所对应的时刻的波动值ct+1-m的和。
如式1所示,t时刻的去周期平滑值at可以基于t时刻的业务数据实际值yt、t-1时刻的业务数据的变化的趋势值at-1、t-1时刻的业务数据的去周期平滑值bt-1以及t-m时刻所对应的波动值ct-m进行计算。t时刻的业务数据的变化的趋势值bt可以基于t时刻以及t-1时刻的业务数据的去周期平滑值at以及t-1时刻的业务数据的变化的趋势值bt进行计算。t时刻的业务数据的波动值ct可以基于t时刻的业务数据实际值yt、t时刻的业务数据的去周期平滑值at以及t-m时刻的波动值ct-m进行计算。
通过式1可以看出对业务数据的预测值的计算采用迭代算法,其可以不断利用变量的旧值递推新值,因此可以对模型进行不断更新,实现准确的实时预测。
在一个实施例中,预测每一时刻的所述业务数据范围采用如下的计算公式:
其中dt表示t时刻的业务数据的变化量。在t时刻业务数据范围的上限确定为t时刻的所预测的业务数据值与t时刻的所述业务数据的变化量的和,即并且将业务数据范围的下限确定为t时刻的所预测的业务数据值与t时刻的所述业务数据的变化量的差,即在式2中的系数γ与式1中的相同,并且系数3以正态分布原则选定,同样在其他实施例中可选用不同的系数。
图2a是图示了根据图1的业务异常监控方法的无业务异常情况下的曲线示意图;图2b是图示了根据图1的业务异常监控方法的有业务异常情况下的曲线示意图。
图2a及2b中,波形21指示业务数据的采样值,波形22指示业务数据的预测值,波形23表示业务数据范围的上限,波形24表示业务数据范围的下限,以及波形25指示对业务数据的评价(即指示业务数据是否异常)。波形25可以通过获得。
如图2b所示,在业务数据的实际值超出业务数据范围的上限或下限时,波形25突变,指示出现业务数据异常。
图3是图示了根据本发明的实施例的基于时间序列的业务异常检测设备300的结构框图。该设备300包括第一确定装置301,被配置为基于历史数据,确定业务数据的预测模型;第二确定装置302,被配置为根据所述业务数据的预测模型,确定每一时刻的业务数据范围;以及识别装置303,被配置为在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
在一个实施例中,设备300还包括:更新装置,被配置为利用业务数据的采样值对所述业务数据的预测模型进行更新。
在一个实施例中,第一确定装置301还被配置为:基于需求,确定特定时间段的历史数据在全部历史数据中的权重。
在一个实施例中,第二确定装置302还包括:预测模块,被配置为预测每一时刻的业务数据的值;以及确定模块,被配置为根据每一时刻的业务数据的采样值以及所述预测的业务数据的值,来确定每一时刻的业务数据的变化量。
在一个实施例中,预测模块还被配置为预测在每一时刻的业务数据的去周期平滑值、所述业务数据的变化的趋势值以及所述业务数据的波动值。
在一个实施例中,预测模块被配置为将所述预测的每一时刻的业务数据的值确定为以下值的和:上一时刻的去周期平滑值;上一时刻的变化的趋势值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在一个实施例中,第二确定装置还被配置为:将所述业务数据范围的上限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的和;以及将所述业务数据范围的下限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的差。
在一个实施例中,预测模块被配置为基于以下的值来确定每一时刻的业务数据的去周期平滑值:所述每一时刻的业务数据的采样值;上一时刻的业务数据的变化的趋势值;上一时刻的业务数据的去周期平滑值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
在一个实施例中,预测模块被配置为基于以下的值来确定每一时刻的业务数据的变化的趋势值:所述每一时刻的业务数据的去周期平滑值;上一时刻的业务数据的去周期平滑值;以及上一时刻的业务数据的变化的趋势值。
在一个实施例中,预测模块被配置为基于以下的值来确定每一时刻的业务数据的波动值:所述每一时刻的业务数据的采样值;所述每一时刻的业务数据的去周期平滑值;以及与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
综上所述,根据本发明上述实施例,根据历史数据以及业务数据的实际值来确定每一时刻的业务数据所允许波动的范围,因此该范围能够根据历史数据以及实际数据值来相应变化,从而能够良好适应业务数据在不同变化周期、以及在同一周期中的高峰、平峰和低谷时的波动。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (20)
1.一种检测业务异常的方法,包括:
基于历史数据,确定业务数据的预测模型;
根据所述业务数据的预测模型,确定每一时刻的业务数据范围;以及
在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
2.根据权利要求1所述的方法,还包括:
利用业务数据的采样值对所述业务数据的预测模型进行更新。
3.根据权利要求1或2所述的方法,其中基于历史数据,确定业务数据的预测模型包括:
基于需求,确定特定时间段的历史数据在全部历史数据中的权重。
4.根据权利要求1或2所述的方法,其中所述确定每一时刻的业务数据范围包括:
预测每一时刻的业务数据的值;以及
根据每一时刻的业务数据的采样值以及所述预测的业务数据的值,来确定每一时刻的业务数据的变化量。
5.根据权利要求4所述的方法,其中预测每一时刻的业务数据的值包括:
预测在每一时刻的业务数据的去周期平滑值、所述业务数据的变化的趋势值以及所述业务数据的波动值。
6.根据权利要求5所述的方法,其中将所述预测的每一时刻的业务数据的值确定为以下值的和:
上一时刻的去周期平滑值;
上一时刻的变化的趋势值;以及
与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
7.根据权利要求4所述的方法,其中预测每一时刻的业务数据范围还包括:
将所述业务数据范围的上限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的和;以及
将所述业务数据范围的下限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的差。
8.根据权利要求4所述的方法,其中基于以下的值来确定每一时刻的业务数据的去周期平滑值:
所述每一时刻的业务数据的采样值;
上一时刻的业务数据的变化的趋势值;
上一时刻的业务数据的去周期平滑值;以及
与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
9.根据权利要求4所述的方法,其中基于以下的值来确定每一时刻的业务数据的变化的趋势值:
所述每一时刻的业务数据的去周期平滑值;
上一时刻的业务数据的去周期平滑值;以及
上一时刻的业务数据的变化的趋势值。
10.根据权利要求4所述的方法,其中基于以下的值来确定每一时刻的业务数据的波动值:
所述每一时刻的业务数据的采样值;
所述每一时刻的业务数据的去周期平滑值;以及
与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
11.一种检测业务异常的设备,包括:
第一确定装置,被配置为基于历史数据,确定业务数据的预测模型;
第二确定装置,被配置为根据所述业务数据的预测模型,确定每一时刻的业务数据范围;以及
识别装置,被配置为在任一时刻的业务数据的采样值超出所述时刻的业务数据范围时,将所述时刻的业务数据识别为业务异常数据。
12.根据权利要求11所述的设备,还包括:
更新装置,被配置为利用业务数据的采样值对所述业务数据的预测模型进行更新。
13.根据权利要求11或12所述的设备,其中所述第一确定装置还被配置为:
基于需求,确定特定时间段的历史数据在全部历史数据中的权重。
14.根据权利要求11或12所述的设备,其中所述第二确定装置还包括:
预测模块,被配置为预测每一时刻的业务数据的值;以及
确定模块,被配置为根据每一时刻的业务数据的采样值以及所述预测的业务数据的值,来确定每一时刻的业务数据的变化量。
15.根据权利要求14所述的设备,其中所述预测模块还被配置为:
预测在每一时刻的业务数据的去周期平滑值、所述业务数据的变化的趋势值以及所述业务数据的波动值。
16.根据权利要求15所述的设备,其中所述预测模块被配置为将所述预测的每一时刻的业务数据的值确定为以下值的和:
上一时刻的去周期平滑值;
上一时刻的变化的趋势值;以及
与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
17.根据权利要求14所述的设备,其中所述第二确定装置还被配置为:
将所述业务数据范围的上限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的和;以及
将所述业务数据范围的下限确定为所述预测的每一时刻的业务数据值与所述时刻的业务数据的变化量的差。
18.根据权利要求14所述的设备,其中所述预测模块被配置为基于以下的值来确定每一时刻的业务数据的去周期平滑值:
所述每一时刻的业务数据的采样值;
上一时刻的业务数据的变化的趋势值;
上一时刻的业务数据的去周期平滑值;以及
与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
19.根据权利要求14所述的设备,其中所述预测模块被配置为基于以下的值来确定每一时刻的业务数据的变化的趋势值:
所述每一时刻的业务数据的去周期平滑值;
上一时刻的业务数据的去周期平滑值;以及
上一时刻的业务数据的变化的趋势值。
20.根据权利要求14所述的设备,其中所述预测模块被配置为基于以下的值来确定每一时刻的业务数据的波动值:
所述每一时刻的业务数据的采样值;
所述每一时刻的业务数据的去周期平滑值;以及
与在所述每一时刻之前的一个固定时段相对应的时刻的波动值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075582.4A CN104636874B (zh) | 2015-02-12 | 2015-02-12 | 检测业务异常的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075582.4A CN104636874B (zh) | 2015-02-12 | 2015-02-12 | 检测业务异常的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636874A true CN104636874A (zh) | 2015-05-20 |
CN104636874B CN104636874B (zh) | 2019-04-16 |
Family
ID=53215593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510075582.4A Active CN104636874B (zh) | 2015-02-12 | 2015-02-12 | 检测业务异常的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636874B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106656837A (zh) * | 2016-10-14 | 2017-05-10 | 东软集团股份有限公司 | 网络拥塞问题的定位方法以及装置 |
CN106649414A (zh) * | 2015-11-04 | 2017-05-10 | 阿里巴巴集团控股有限公司 | 一种数据仓库数据异常的预检测方法和设备 |
CN107070692A (zh) * | 2017-01-16 | 2017-08-18 | 中国联合网络通信有限公司广东省分公司 | 一种基于大数据分析的云平台监控服务系统及方法 |
CN108701279A (zh) * | 2016-03-03 | 2018-10-23 | 北京嘀嘀无限科技发展有限公司 | 用于确定未来运输服务时间点的预测分布的系统和方法 |
CN108712284A (zh) * | 2018-05-18 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种故障业务的定位方法、装置、及业务服务器 |
CN109242519A (zh) * | 2018-09-25 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种异常行为识别方法、装置和设备 |
CN110163417A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务量的预测方法、装置及设备 |
CN110619406A (zh) * | 2018-06-19 | 2019-12-27 | 中移信息技术有限公司 | 一种确定业务异常的方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101902366A (zh) * | 2009-05-27 | 2010-12-01 | 北京启明星辰信息技术股份有限公司 | 一种业务行为异常检测方法和系统 |
CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
CN102891761A (zh) * | 2011-07-18 | 2013-01-23 | 中兴通讯股份有限公司 | 设备性能预测处理方法及装置 |
CN103532776A (zh) * | 2013-09-30 | 2014-01-22 | 广东电网公司电力调度控制中心 | 业务流量检测方法及系统 |
CN103678514A (zh) * | 2013-11-26 | 2014-03-26 | 安徽科大讯飞信息科技股份有限公司 | 一种业务趋势预测方法及系统 |
US20140325649A1 (en) * | 2013-04-29 | 2014-10-30 | Telefonaktiebolaget L M Ericsson (Publ) | Method and system to dynamically detect traffic anomalies in a network |
CN104317681A (zh) * | 2014-09-02 | 2015-01-28 | 上海交通大学 | 针对计算机系统的行为异常自动检测方法及检测系统 |
-
2015
- 2015-02-12 CN CN201510075582.4A patent/CN104636874B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101902366A (zh) * | 2009-05-27 | 2010-12-01 | 北京启明星辰信息技术股份有限公司 | 一种业务行为异常检测方法和系统 |
CN102111307A (zh) * | 2009-12-29 | 2011-06-29 | 亿阳信通股份有限公司 | 网络风险监控方法和装置 |
CN102891761A (zh) * | 2011-07-18 | 2013-01-23 | 中兴通讯股份有限公司 | 设备性能预测处理方法及装置 |
US20140325649A1 (en) * | 2013-04-29 | 2014-10-30 | Telefonaktiebolaget L M Ericsson (Publ) | Method and system to dynamically detect traffic anomalies in a network |
CN103532776A (zh) * | 2013-09-30 | 2014-01-22 | 广东电网公司电力调度控制中心 | 业务流量检测方法及系统 |
CN103678514A (zh) * | 2013-11-26 | 2014-03-26 | 安徽科大讯飞信息科技股份有限公司 | 一种业务趋势预测方法及系统 |
CN104317681A (zh) * | 2014-09-02 | 2015-01-28 | 上海交通大学 | 针对计算机系统的行为异常自动检测方法及检测系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649414A (zh) * | 2015-11-04 | 2017-05-10 | 阿里巴巴集团控股有限公司 | 一种数据仓库数据异常的预检测方法和设备 |
CN106649414B (zh) * | 2015-11-04 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 一种数据仓库数据异常的预检测方法和设备 |
CN108701279A (zh) * | 2016-03-03 | 2018-10-23 | 北京嘀嘀无限科技发展有限公司 | 用于确定未来运输服务时间点的预测分布的系统和方法 |
CN108701279B (zh) * | 2016-03-03 | 2022-04-05 | 北京嘀嘀无限科技发展有限公司 | 用于确定未来运输服务时间点的预测分布的系统和方法 |
CN106656837A (zh) * | 2016-10-14 | 2017-05-10 | 东软集团股份有限公司 | 网络拥塞问题的定位方法以及装置 |
CN107070692A (zh) * | 2017-01-16 | 2017-08-18 | 中国联合网络通信有限公司广东省分公司 | 一种基于大数据分析的云平台监控服务系统及方法 |
CN108712284A (zh) * | 2018-05-18 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种故障业务的定位方法、装置、及业务服务器 |
CN108712284B (zh) * | 2018-05-18 | 2020-11-24 | 创新先进技术有限公司 | 一种故障业务的定位方法、装置、及业务服务器 |
CN110619406A (zh) * | 2018-06-19 | 2019-12-27 | 中移信息技术有限公司 | 一种确定业务异常的方法及装置 |
CN109242519A (zh) * | 2018-09-25 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种异常行为识别方法、装置和设备 |
CN110163417A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务量的预测方法、装置及设备 |
CN110163417B (zh) * | 2019-04-26 | 2023-09-01 | 创新先进技术有限公司 | 一种业务量的预测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104636874B (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636874A (zh) | 检测业务异常的方法及设备 | |
US10261485B2 (en) | Systems and methods for detecting changes in energy usage in a building | |
US9390388B2 (en) | Systems and methods for measuring and verifying energy usage in a building | |
CN108647891A (zh) | 数据异常归因分析方法及装置 | |
Aytac et al. | Characterization of demand for short life-cycle technology products | |
CN107301570B (zh) | 业务量预测方法、异常业务量检测方法、装置和电子设备 | |
US6937966B1 (en) | System and method for on-line adaptive prediction using dynamic management of multiple sub-models | |
CN102508774A (zh) | 基于新环境因子函数的软件可靠性增长模型的建模方法 | |
CN109716090B (zh) | 一种用于估计配水管网的子网边界处的水流量的改进系统 | |
CN107591001B (zh) | 基于在线标定的快速路交通流数据填补方法及系统 | |
KR101697006B1 (ko) | 용수 공급 방법 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN106295850A (zh) | 一种基于历史量测的不良数据辨识方法及系统 | |
CN103489034A (zh) | 预测与诊断在线海流监测数据的方法和装置 | |
Alferes et al. | Efficient automated quality assessment: Dealing with faulty on-line water quality sensors | |
JP2004062440A (ja) | 予測モデルシステム | |
JP2006092058A (ja) | 流量予測装置 | |
Kizilöz | Prediction model for the leakage rate in a water distribution system | |
CN114254833A (zh) | 基于多元线性回归和气象数据的水库水位预测及调度方法 | |
Barron | A fluid EOQ model with Markovian environment | |
JP2005237187A (ja) | 配電系統負荷想定方法及び装置 | |
CN115392591A (zh) | 任务处理方法、装置、设备及存储介质 | |
CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
JP4407420B2 (ja) | 配水量予測装置 | |
CN111966966A (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |