CN106383766A - 系统监控方法和装置 - Google Patents

系统监控方法和装置 Download PDF

Info

Publication number
CN106383766A
CN106383766A CN201610814685.2A CN201610814685A CN106383766A CN 106383766 A CN106383766 A CN 106383766A CN 201610814685 A CN201610814685 A CN 201610814685A CN 106383766 A CN106383766 A CN 106383766A
Authority
CN
China
Prior art keywords
data sequence
feature extraction
value
characteristic value
extraction algorithm
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
Application number
CN201610814685.2A
Other languages
English (en)
Other versions
CN106383766B (zh
Inventor
陈云
王博
王栋
曲显平
郭宣佑
孙永谦
万阳沙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201610814685.2A priority Critical patent/CN106383766B/zh
Publication of CN106383766A publication Critical patent/CN106383766A/zh
Priority to US15/428,986 priority patent/US11276004B2/en
Application granted granted Critical
Publication of CN106383766B publication Critical patent/CN106383766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/04—Processing captured monitoring data, e.g. for logfile generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/875—Monitoring of systems including the internet

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了系统监控方法和装置。所述方法的一具体实施方式包括：获取被监控系统的至少一个数据采集周期的历史状态指标数据序列；将所述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与所述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法；确定按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；根据所确定的最大值和最小值，确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；按照所述推荐特征提取算法和所述正常取值范围监控所述被监控系统。该实施方式减少了系统监控的运维成本。

Description

系统监控方法和装置
技术领域
本申请涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及系统监控方法和装置。
背景技术
近年来，时序数据预测以及特征提取得到越来越多的关注，国内外的互联网公司都开始利用特征提取技术对其运维及相关的时序数据进行监控，以便在第一时间发现异常事件，从而减少异常事件造成的损失。
然而，现有的时序数据预测以及特征提取主要是通过人为关注、人工设置特征提取算法及特征值的取值范围，当数据发生变化后，需要对特征提取算法及特征值的取值范围及时地进行人为调整，从而，存在着维护成本高以及依赖于维护人员的个人经验的问题。
发明内容
本申请的目的在于提出一种改进的系统监控方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请提供了一种系统监控方法，所述方法包括：获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列；将所述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与所述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，其中，所述特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系；确定按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；根据所确定的最大值和最小值，确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；按照所述推荐特征提取算法和所述正常取值范围监控所述被监控系统。
第二方面，本申请提供了一种系统监控装置，所述装置包括：获取单元，配置用于获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列；匹配单元，配置用于将所述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与所述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，其中，所述特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系；第一确定单元，配置用于确定按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；第二确定单元，配置用于根据所确定的最大值和最小值，确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；监控单元，配置用于按照所述推荐特征提取算法和所述正常取值范围监控所述被监控系统。
本申请提供的系统监控方法和装置，通过获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列，然后将上述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与上述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，再确定按照上述推荐特征提取算法对上述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值，而后根据所确定的最大值和最小值，确定按照上述推荐特征提取算法对上述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围，最后按照上述推荐特征提取算法和上述正常取值范围监控上述被监控系统，从而有效利用了被监控系统的历史状态指标数据序列，减少了系统监控的运维成本，提高了系统监控的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的系统监控方法的一个实施例的流程图；
图3是根据本申请的系统监控方法的又一个实施例的流程图；
图4是根据本申请的系统监控装置的一个实施例的结构示意图；
图5是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
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申请。
图1示出了可以应用本申请的系统监控方法或系统监控装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有网络通信功能的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上运行的应用提供数据支持的后台数据服务器，还可以是统计网站收到用户上传、发布的消息数，或者采集后台数据服务器在运行过程中产生的日志数据的服务器。
需要说明的是，本申请实施例所提供的系统监控方法一般由服务器105执行，相应地，系统监控装置一般设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本申请的系统监控方法的一个实施例的流程200。所述的系统监控方法，包括以下步骤：
步骤201，获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列。
在本实施例中，系统监控方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列。状态指标数据序列是反应被监控系统的某方面的状态指标在不同时间点/时间段的数据。例如，状态指标数据可以是搜索引擎响应用户点击的数量，也可以是贴吧、微博等网站收到用户上传或发布的消息数，还可以是服务器在运行过程中产生的日志数据等等。不同的被监控系统具有不同的数据采集周期。作为示例，数据采集周期可以是一周，数据采集周期也可以是一天。由于不同被监控系统的性质不同，数据采集频率也是不同的。即，在每个数据采集周期内又包括至少一个数据采集时刻，每到一个数据采集时刻采集一次数据。作为示例，对于数据采集周期为一周，数据采集频率可以为7(即，每个数据采集周期采集7次数据)，则对应的数据采集时刻可以为每天的同一个时间点，例如每天的中午12点采集一次；对于数据采集周期为一天，数据采集频率可以为24(即，每个数据采集周期采集24次数据)，则对应的数据采集时刻可以为每小时的同一个时间点，例如，每个小时的整点采集一次，即，1点整采集一次，2点整采集一次，3点整采集一次，……，23点整采集一次，24点整采集一次。
在本实施例的一些可选的实现方式中，上述电子设备可以从被监控系统已经采集的状态指标数据序列中按照数据采集时间由新到旧的顺序选取预定数目个状态指标数据，作为历史状态指标数据序列。
步骤202，将历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法。
在本实施例中，上述电子设备得到历史状态指标数据序列后，会将历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，特征提取推荐模型会将历史状态指标数据序列按照预先训练好的对应关系，找到与历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法。这里，特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系。
在本实施例的一些可选的实现方式中，上述电子设备可以首先将历史状态指标数据序列导入特征提取推荐模型得到包含匹配度的特征提取算法，其中，匹配度用于表征根据历史状态指标数据序列确定特征提取算法的准确性，然后将匹配度最大的特征提取算法作为推荐特征提取算法。上述匹配度可以是各种形式的数值，例如可以是百分比形式的数值，也可以是0和1之间的小数的形式的数值，还可以是其他各种形式的数值。
步骤203，确定按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值。
在本实施例中，上述电子设备可以在步骤202中确定了推荐特征提取算法后，确定按照步骤202中确定的推荐特征提取算法对步骤201中获取的历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值。
在本实施例的一些可选的实现方式中，上述电子设备可以首先按照步骤202中确定的推荐特征提取算法对步骤201中获取的历史状态指标数据序列进行特征提取从而得到特征值；然后，将所得到的特征值中的最大值和最小值分别作为按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值。
步骤204，根据所确定的最大值和最小值，确定按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围。
在本实施例中，上述电子设备可以在确定了按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值之后，采用各种方式，根据所确定的最大值和最小值，确定按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围。
在本实施例的一些可选的实现方式中，上述电子设备可以直接将所确定的最大值和最小值分别作为按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围对应的最大值和最小值。
步骤205，按照推荐特征提取算法和正常取值范围监控被监控系统。
在本实施例中，上述电子设备可以在确定了推荐特征提取算法，以及按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围后，按照推荐特征提取算法和正常取值范围监控被监控系统。
在本实施例的一些可选的实现方式中，本步骤可以如下进行：首先，周期性地采集被监控系统的状态指标数据，生成状态指标数据序列作为被监控状态指标数据序列；然后，按照推荐特征提取算法对被监控状态指标数据序列进行特征提取从而得到被监控状态指标数据序列的特征值；最后，如果被监控状态指标数据序列的特征值不在正常取值范围内，则确定被监控系统异常，如果被监控状态指标数据序列的特征值在正常取值范围内，则确定被监控系统正常。
在本实施例的一些可选的实现方式中，上述方法还可以包括建立特征提取推荐模型的步骤，上述建立特征提取推荐模型的步骤可以包括：利用机器学习方法，基于人工标注的被监控系统的状态指标数据序列和与被监控系统的状态指标数据序列对应的特征提取算法，训练得到特征提取推荐模型。这里，机器学习方法可以包括但不限于：决策树模型、人工神经网络、支持向量机等等。需要说明的是，上述各种机器学习的方法是目前广泛研究和应用的公知技术，在此不再赘述。
进一步参考图3，其示出了系统监控方法的又一个实施例的流程300。该系统监控方法的流程300，包括以下步骤：
步骤301，获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列。
步骤302，将历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法。
上述步骤301-步骤302的操作与图2所示的实施例中的步骤201-步骤202的操作基本相同，在此不再赘述。
步骤303，按照推荐特征提取算法对历史状态指标数据序列进行特征提取从而得到历史状态指标数据序列的特征值。
在本实施例中，不同的推荐特征提取算法具有不同的特征值，针对推荐特征提取算法不同，特征值的计算方法不同。
在本实施例的一些可选的实现方式中，推荐特征提取算法可以为同比特征提取算法，按照同比特征提取算法对历史状态指标数据序列进行特征提取从而得到历史状态指标数据序列的特征值可以包括：首先，计算历史状态指标数据序列中从第二个数据采集周期开始每个数据采集周期的状态指标数据与该采集周期的前一个采集周期的状态指标数据的比值；然后，将计算所得到的比值作为按照同比特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值。
作为示例，对于被监控系统为某网站，状态指标为该网站的点击量，数据采集周期为一天，数据采集频率为24，即每小时采集一次数据，数据采集时刻为每小时的整点，即凌晨1点采集凌晨0点到凌晨1点之间的点击量，凌晨2点采集凌晨1点到凌晨2点之间的点击量，……，上午12点采集上午11点到上午12点之间的点击量，……，晚上12点(即凌晨0点)采集晚上11点到晚上12点之间的点击量。此时，如果获取到的是7个采集周期(即，7天)的历史状态指标数据序列，即得到的是7*24个点击量的历史状态指标数据序列，按照同比特征提取算法对该历史状态指标数据序列进行特征提取可以包括：从第二天开始计算每天的24个数据采集时刻的总点击量与前一天的24个数据采集时刻的总点击量的比值，从而得到6个比值，并将这6个比值作为6个特征值；按照同比特征提取算法对该历史状态指标数据序列进行特征提取还可以包括：将每天的数据采集时刻按照忙时(比如，早9点到晚10点之间的每个整点为忙时数据采集时刻)和闲时(比如晚11点到早8点之间的每个整点为闲时数据采集时刻)进行分类，从第二天开始计算每天的忙时内所采集的点击量之和与前一天的忙时内所采集的点击量之和的比值，从而得到6个忙时比值作为与忙时对应的6个特征值，再从第二天开始计算每天的闲时内所采集的点击量之和与前一天的闲时内所采集的点击量之和的比值，从而再得到6个闲时比值作为与闲时对应的6个特征值。同比特征提取算法适合被监控系统的状态指标数据具有比较明显的周期性特征的情况。
在本实施例的一些可选的实现方式中，推荐特征提取算法也可以为环比特征提取算法，按照环比特征提取算法对历史状态指标数据序列进行特征提取可以包括：首先，计算历史状态指标数据序列中从第二数据采集时刻开始每个数据采集时刻的状态指标数据与上一数据采集时刻的状态指标数据的比值；然后，将计算所得到的比值作为按照环比特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值。
作为示例，对于被监控系统为某网站，状态指标为该网站的点击量，数据采集周期为一天，数据采集频率为24，即每小时采集一次数据，采集时刻为每小时的整点，即凌晨1点采集凌晨0点到凌晨1点之间的点击量，凌晨2点采集凌晨1点到凌晨2点之间的点击量，……，上午12点采集上午11点到上午12点之间的点击量，……，晚上12点(即凌晨0点)采集晚上11点到晚上12点之间的点击量。此时，如果获取到的是3个采集周期(即，3天)的历史状态指标数据序列，即得到的是3*24个点击量的历史状态指标数据序列，按照环比特征提取算法对该历史状态指标数据序列进行特征提取可以包括：计算每天24个数据采集时刻中每个采集时刻的点击量与上一采集时刻的点击量的比值，从而得到(3*24-1)个比值，并将这(3*24-1)个比值作为(3*24-1)个特征值。环比特征提取算法适合被监控系统的状态指标数据序列不具有比较明显的周期性特征的情况。
在本实施例的一些可选的实现方式中，推荐特征提取算法还可以为恒定阈值特征提取算法，按照恒定阈值特征提取算法对历史状态指标数据序列进行特征提取可以包括：将历史状态指标数据序列中每个状态指标数据作为按照恒定阈值特征提取算法对状态指标数据序列进行特征提取所得到的特征值。
作为示例，对于被监控系统为某网站，状态指标为该网站的点击量，数据采集周期为一天，数据采集频率为24，即每小时采集一次数据，采集时刻为每小时的整点，即凌晨1点采集凌晨0点到凌晨1点之间的点击量，凌晨2点采集凌晨1点到凌晨2点之间的点击量，……，上午12点采集上午11点到上午12点之间的点击量，……，晚上12点(即凌晨0点)采集晚上11点到晚上12点之间的点击量。此时，如果获取到的是2个采集周期(即，2天)的历史状态指标数据序列，即得到的是2*24个点击量的状态指标数据序列，直接将这2*24个点击量的数据作为2*24个特征值。
步骤304，获取被监控系统按照推荐特征提取算法进行特征提取的预设最大值异常点比例和预设最小值异常点比例。
在本实施例中，预设最大值异常点比例和预设最小值异常点比例均为大于等于0且小于1的数值。预设最大值异常点比例表示的是根据历史经验得出：对被监控系统的状态指标数据序列按照推荐特征提取算法进行特征提取所得到的特征值中按照从大到小的顺序有预设最大值异常点比例的特征值是异常的，需要舍弃不用的；预设最小值异常点比例表示的是根据历史经验得出：对被监控系统的状态指标数据序列按照推荐特征提取算法进行特征提取所得到的特征值中按照从小到大的顺序有预设最小值异常点比例的特征值是异常的，需要舍弃不用的。这里的预设最大异常点比例和预设最小值异常点比例可以是由被监控系统的运维人员根据经验预先设定的。
步骤305，获取所得到的特征值的数量，作为第一数目。
在本实施例中，上述电子设备可以获取步骤303中所得到的历史状态指标数据序列的特征值的数量，作为第一数目。
步骤306，计算第一数目与预设最小值异常点比例的积并取整，作为第二数目。
在本实施例中，可以计算第一数目与预设最小值异常点比例的积并取整，作为第二数目。这里的第二数目表示的是历史状态指标数据序列的特征值中按照从小到大的顺序有多少个特征值是异常的，需要舍弃不用的。
步骤307，计算第一数目与预设最大值异常点比例的积并取整，作为第三数目；
在本实施例中，可以计算第一数目与预设最大值异常点比例的积并取整，作为第三数目。这里的第三数目表示的是历史状态指标数据序列的特征值中按照从大到小的顺序有多少个特征值是异常的，需要舍弃不用的。
步骤308，计算第一数目与第三数目的差作为第四数目。
在本实施例中，可以计算第一数目与第三数目的差作为第四数目。
步骤309，将所得到的特征值按照从小到大的顺序排序。
在本实施例中，可以将步骤303中所得到的历史状态指标数据序列的各个特征值按照从小到大的顺序排序。
步骤310，从所得到的特征值中选取排序的顺序为第第二数目加1的特征值作为按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最小值。
在本实施例中，可以在步骤309中对所得到的特征值按照从小到大的顺序排序后，从所得到的特征值中选取排序的顺序为第第二数目加1的特征值作为按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最小值。因为排序的顺序小于等于第第二数目的特征值均为异常特征值。
步骤311，从所得到的特征值中选取排序的顺序为第第四数目减1的特征值作为按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最大值。
在本实施例中，可以从所得到的特征值中选取排序的顺序为第第四数目减1的特征值作为按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最大值。因为排序的顺序大于等于第第四数目的特征值均为异常特征值。
步骤312，将所确定的最小值乘以预定缩小倍数所得的积作为取值范围最小值。
在本实施例中，可以将步骤310中所确定的最小值乘以预定缩小倍数所得的积作为取值范围最小值，这里，预定缩小倍数为大于0且小于1的数值。预定缩小倍数可以是被监控系统的运维人员根据经验提前设定的。
步骤313，将所确定的最大值乘以预定扩大倍数所得的积作为取值范围最大值。
在本实施例中，可以将步骤311中所确定的最大值乘以预定扩大倍数所得的积作为取值范围最大值，这里，预定扩大倍数为大于1的数值。预定扩大倍数可以是被监控系统的运维人员根据经验提前设定的。
步骤314，确定按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围为大于等于取值范围最小值且小于等于取值范围最大值。
在本实施例中，可以确定按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围为大于等于步骤312中得到的取值范围最小值且小于等于步骤313中确定的取值范围最大值。
步骤315，按照推荐特征提取算法和正常取值范围监控被监控系统。
在本实施例中，步骤315的操作与图2所示的实施例中的步骤205的操作基本相同，在此不再赘述。
从图3中可以看出，与图2对应的实施例相比，本实施例中的系统监控的方法的流程300突出了确定按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值的步骤303-311以及确定按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围的步骤312-314。由此，本实施例描述的方案可以去除按照推荐特征提取算法对历史状态指标数据序列进行特征提取所得到的特征值中的异常特征值，并拓宽了按照推荐特征提取算法对被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围，从而提高了被监控系统的监控准确度。
继续参考图4，作为对上述各图所示方法的实现，本申请提供了一种系统监控装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的系统监控装置400包括：获取单元401、匹配单元402、第一确定单元403、第二确定单元404和监控单元405。其中，获取单元401，配置用于获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列；匹配单元402，配置用于将上述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与上述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，其中，上述特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系；第一确定单元403，配置用于确定按照上述推荐特征提取算法对上述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；第二确定单元404，配置用于根据所确定的最大值和最小值，确定按照上述推荐特征提取算法对上述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；监控单元405，配置用于按照上述推荐特征提取算法和上述正常取值范围监控上述被监控系统。
在本实施例中，系统监控装置400的获取单元401、匹配单元402、第一确定单元403、第二确定单元404和监控单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述系统监控装置400还可以包括：特征提取推荐模型建立单元406，配置用于利用机器学习方法，基于人工标注的上述被监控系统的状态指标数据序列和与上述被监控系统的状态指标数据序列对应的特征提取算法，训练得到特征提取推荐模型。
在本实施例的一些可选的实现方式中，上述匹配单元402可以包括：导入模块4021，配置用于将上述历史状态指标数据序列导入上述特征提取推荐模型得到包含匹配度的特征提取算法，上述匹配度用于表征根据上述历史状态指标数据序列确定特征提取算法的准确性；确定模块4022，配置用于将匹配度最大的特征提取算法作为推荐特征提取算法。
在本实施例的一些可选的实现方式中，上述第一确定单元403可以包括：第一特征提取模块4031，配置用于按照上述推荐特征提取算法对上述历史状态指标数据序列进行特征提取从而得到上述历史状态指标数据序列的特征值；第一获取模块4032，配置用于获取上述被监控系统按照上述推荐特征提取算法进行特征提取的预设最大值异常点比例和预设最小值异常点比例，上述预设最大值异常点比例和上述预设最小值异常点比例为大于等于0且小于1的数值；第二获取模块4033，配置用于获取所得到的特征值的数量，作为第一数目；第一计算模块4034，配置用于计算上述第一数目与上述预设最小值异常点比例的积并取整，作为第二数目；第二计算模块4035，配置用于计算上述第一数目与上述预设最大值异常点比例的积并取整，作为第三数目；第三计算模块4036，配置用于计算上述第一数目与上述第三数目的差作为第四数目；排序模块4037，配置用于将所得到的特征值按照从小到大的顺序排序；第一选取模块4038，配置用于从所得到的特征值中选取排序的顺序为第上述第二数目加1的特征值作为按照上述推荐特征提取算法对上述历史状态指标数据序列进行特征提取所得到的特征值的最小值；第二选取模块4039，配置用于从所得到的特征值中选取排序的顺序为第上述第四数目减1的特征值作为按照上述推荐特征提取算法对上述历史状态指标数据序列进行特征提取所得到的特征值的最大值。
在本实施例的一些可选的实现方式中，上述第二确定单元404可以包括：取值范围最小值计算模块4041，配置用于将所确定的最小值乘以预定缩小倍数所得的积作为取值范围最小值，上述预定缩小倍数为大于0且小于1的数值；取值范围最大值计算模块4042，配置用于将所确定的最大值乘以预定扩大倍数所得的积作为取值范围最大值，上述预定扩大倍数为大于1的数值；取值范围确定模块4043，配置用于确定按照上述推荐特征提取算法对上述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围为大于等于上述取值范围最小值且小于等于上述取值范围最大值。
在本实施例的一些可选的实现方式中，上述监控单元405可以包括：采集模块4051，配置用于周期性地采集被监控系统的状态指标数据，生成状态指标数据序列作为被监控状态指标数据序列；第二特征提取模块4052，配置用于按照上述推荐特征提取算法对上述被监控状态指标数据序列进行特征提取从而得到上述被监控状态指标数据序列的特征值；异常确定模块4053，配置用于如果上述被监控状态指标数据序列的特征值不在上述正常取值范围内，则确定上述被监控系统异常。
在本实施例的一些可选的实现方式中，上述监控单元405还可以包括：正常确定模块4054，配置用于如果上述被监控状态指标数据序列的特征值在上述正常取值范围内，则确定上述被监控系统正常。
下面参考图5，其示出了适于用来实现本申请实施例的服务器的计算机系统500的结构示意图。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、匹配单元、第一确定单元、第二确定单元和监控单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取状态指标数据序列的单元”。
作为另一方面，本申请还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质；也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当所述一个或者多个程序被一个设备执行时，使得所述设备：获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列；将上述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与上述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，其中，上述特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系；确定按照上述推荐特征提取算法对上述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；根据所确定的最大值和最小值，确定按照上述推荐特征提取算法对上述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；按照上述推荐特征提取算法和上述正常取值范围监控上述被监控系统。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种系统监控方法，其特征在于，所述方法包括：
获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列；
将所述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与所述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，其中，所述特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系；
确定按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；
根据所确定的最大值和最小值，确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；
按照所述推荐特征提取算法和所述正常取值范围监控所述被监控系统。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括建立特征提取推荐模型的步骤，所述建立特征提取推荐模型的步骤包括：
利用机器学习方法，基于人工标注的所述被监控系统的状态指标数据序列和与所述被监控系统的状态指标数据序列对应的特征提取算法，训练得到特征提取推荐模型。
3.根据权利要求1所述的方法，其特征在于，所述将所述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与所述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，包括：
将所述历史状态指标数据序列导入所述特征提取推荐模型得到包含匹配度的特征提取算法，所述匹配度用于表征根据所述历史状态指标数据序列确定特征提取算法的准确性；
将匹配度最大的特征提取算法作为推荐特征提取算法。
4.根据权利要求1所述的方法，其特征在于，所述确定按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值，包括：
按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取从而得到所述历史状态指标数据序列的特征值；
获取所述被监控系统按照所述推荐特征提取算法进行特征提取的预设最大值异常点比例和预设最小值异常点比例，所述预设最大值异常点比例和所述预设最小值异常点比例为大于等于0且小于1的数值；
获取所得到的特征值的数量，作为第一数目；
计算所述第一数目与所述预设最小值异常点比例的积并取整，作为第二数目；
计算所述第一数目与所述预设最大值异常点比例的积并取整，作为第三数目；
计算所述第一数目与所述第三数目的差作为第四数目；
将所得到的特征值按照从小到大的顺序排序；
从所得到的特征值中选取排序的顺序为第所述第二数目加1的特征值作为按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最小值；
从所得到的特征值中选取排序的顺序为第所述第四数目减1的特征值作为按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值。
5.根据权利要求1所述的方法，其特征在于，所述根据所确定的最大值和最小值，确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围，包括：
将所确定的最小值乘以预定缩小倍数所得的积作为取值范围最小值，所述预定缩小倍数为大于0且小于1的数值；
将所确定的最大值乘以预定扩大倍数所得的积作为取值范围最大值，所述预定扩大倍数为大于1的数值；
确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围为大于等于所述取值范围最小值且小于等于所述取值范围最大值。
6.根据权利要求1所述的方法，其特征在于，所述按照所述推荐特征提取算法和所述正常取值范围监控所述被监控系统，包括：
周期性地采集被监控系统的状态指标数据，生成状态指标数据序列作为被监控状态指标数据序列；
按照所述推荐特征提取算法对所述被监控状态指标数据序列进行特征提取从而得到所述被监控状态指标数据序列的特征值；
如果所述被监控状态指标数据序列的特征值不在所述正常取值范围内，则确定所述被监控系统异常。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
如果所述被监控状态指标数据序列的特征值在所述正常取值范围内，则确定所述被监控系统正常。
8.一种系统监控装置，其特征在于，所述装置包括：
获取单元，配置用于获取被监控系统的至少一个数据采集周期的状态指标数据序列，作为历史状态指标数据序列；
匹配单元，配置用于将所述历史状态指标数据序列导入预先训练的特征提取推荐模型进行匹配，得到与所述历史状态指标数据序列匹配的特征提取算法作为推荐特征提取算法，其中，所述特征提取推荐模型用于表征状态指标数据序列与特征提取算法的对应关系；
第一确定单元，配置用于确定按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值和最小值；
第二确定单元，配置用于根据所确定的最大值和最小值，确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围；
监控单元，配置用于按照所述推荐特征提取算法和所述正常取值范围监控所述被监控系统。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
特征提取推荐模型建立单元，配置用于利用机器学习方法，基于人工标注的所述被监控系统的状态指标数据序列和与所述被监控系统的状态指标数据序列对应的特征提取算法，训练得到特征提取推荐模型。
10.根据权利要求8所述的装置，其特征在于，所述匹配单元包括：
导入模块，配置用于将所述历史状态指标数据序列导入所述特征提取推荐模型得到包含匹配度的特征提取算法，所述匹配度用于表征根据所述历史状态指标数据序列确定特征提取算法的准确性；
确定模块，配置用于将匹配度最大的特征提取算法作为推荐特征提取算法。
11.根据权利要求8所述的装置，其特征在于，所述第一确定单元，包括：
第一特征提取模块，配置用于按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取从而得到所述历史状态指标数据序列的特征值；
第一获取模块，配置用于获取所述被监控系统按照所述推荐特征提取算法进行特征提取的预设最大值异常点比例和预设最小值异常点比例，所述预设最大值异常点比例和所述预设最小值异常点比例为大于等于0且小于1的数值；
第二获取模块，配置用于获取所得到的特征值的数量，作为第一数目；
第一计算模块，配置用于计算所述第一数目与所述预设最小值异常点比例的积并取整，作为第二数目；
第二计算模块，配置用于计算所述第一数目与所述预设最大值异常点比例的积并取整，作为第三数目；
第三计算模块，配置用于计算所述第一数目与所述第三数目的差作为第四数目；
排序模块，配置用于将所得到的特征值按照从小到大的顺序排序；
第一选取模块，配置用于从所得到的特征值中选取排序的顺序为第所述第二数目加1的特征值作为按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最小值；
第二选取模块，配置用于从所得到的特征值中选取排序的顺序为第所述第四数目减1的特征值作为按照所述推荐特征提取算法对所述历史状态指标数据序列进行特征提取所得到的特征值的最大值。
12.根据权利要求8所述的装置，其特征在于，所述第二确定单元包括：
取值范围最小值计算模块，配置用于将所确定的最小值乘以预定缩小倍数所得的积作为取值范围最小值，所述预定缩小倍数为大于0且小于1的数值；
取值范围最大值计算模块，配置用于将所确定的最大值乘以预定扩大倍数所得的积作为取值范围最大值，所述预定扩大倍数为大于1的数值；
取值范围确定模块，配置用于确定按照所述推荐特征提取算法对所述被监控系统的状态指标数据序列进行特征提取所得到的特征值的正常取值范围为大于等于所述取值范围最小值且小于等于所述取值范围最大值。
13.根据权利要求8所述的装置，其特征在于，所述监控单元包括：
采集模块，配置用于周期性地采集被监控系统的状态指标数据，生成状态指标数据序列作为被监控状态指标数据序列；
第二特征提取模块，配置用于按照所述推荐特征提取算法对所述被监控状态指标数据序列进行特征提取从而得到所述被监控状态指标数据序列的特征值；
异常确定模块，配置用于如果所述被监控状态指标数据序列的特征值不在所述正常取值范围内，则确定所述被监控系统异常。
14.根据权利要求13所述的装置，其特征在于，所述监控单元还包括：
正常确定模块，配置用于如果所述被监控状态指标数据序列的特征值在所述正常取值范围内，则确定所述被监控系统正常。
CN201610814685.2A 2016-09-09 2016-09-09 系统监控方法和装置 Active CN106383766B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610814685.2A CN106383766B (zh) 2016-09-09 2016-09-09 系统监控方法和装置
US15/428,986 US11276004B2 (en) 2016-09-09 2017-02-09 Method and apparatus for monitoring system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610814685.2A CN106383766B (zh) 2016-09-09 2016-09-09 系统监控方法和装置

Publications (2)

Publication Number Publication Date
CN106383766A true CN106383766A (zh) 2017-02-08
CN106383766B CN106383766B (zh) 2018-09-11

Family

ID=57935455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610814685.2A Active CN106383766B (zh) 2016-09-09 2016-09-09 系统监控方法和装置

Country Status (2)

Country Link
US (1) US11276004B2 (zh)
CN (1) CN106383766B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908082A (zh) * 2017-02-28 2017-06-30 百度在线网络技术（北京）有限公司 用于校准终端中的陀螺仪的方法、装置及系统
CN107085593A (zh) * 2017-03-09 2017-08-22 广州中大百迅信息技术有限公司 环境监控方法及系统
CN109189755A (zh) * 2018-09-17 2019-01-11 北京点网聚科技有限公司 一种媒体数据监控方法、装置及计算机可读存储介质
CN109756395A (zh) * 2018-12-28 2019-05-14 易票联支付有限公司 一种业务数据监控方法及系统
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN111708682A (zh) * 2020-06-17 2020-09-25 腾讯科技（深圳）有限公司 数据预测方法、装置、设备及存储介质
CN112506134A (zh) * 2019-09-16 2021-03-16 阿里巴巴集团控股有限公司 一种控制变量值的确定方法、装置及设备
CN113327133A (zh) * 2021-06-15 2021-08-31 北京百度网讯科技有限公司 数据推荐方法、数据推荐装置、电子设备及可读存储介质
WO2021212756A1 (zh) * 2020-04-23 2021-10-28 平安科技（深圳）有限公司 指标异常分析方法、装置、电子设备及存储介质
CN113614663A (zh) * 2019-03-15 2021-11-05 住友重机械工业株式会社 监视装置、显示装置、监视方法及监视程序

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734568B (zh) * 2018-04-09 2022-11-25 中国平安人寿保险股份有限公司 一种特征组合方法、装置、终端设备及存储介质
CN111949349B (zh) * 2018-08-21 2024-09-20 第四范式（北京）技术有限公司 统一地执行特征抽取的方法及系统
JP7101131B2 (ja) * 2019-01-31 2022-07-14 ファナック株式会社 数値制御システム
CN109992473B (zh) * 2019-02-27 2022-07-15 平安科技（深圳）有限公司 应用系统的监控方法、装置、设备及存储介质
CN111401582B (zh) * 2020-03-12 2020-11-10 中交疏浚技术装备国家工程研究中心有限公司 一种生活污水处理设施异常识别方法及监控平台
CN112115024B (zh) * 2020-09-03 2023-07-18 上海上讯信息技术股份有限公司 一种用于故障预测神经网络模型的训练方法与设备
CN112241447B (zh) * 2020-12-18 2021-04-02 北京世纪好未来教育科技有限公司 一种学情数据处理方法、装置、计算机设备及存储介质
CN112953845B (zh) * 2021-02-04 2023-04-07 中国工商银行股份有限公司 分布式系统流量控制方法及装置
CN113032235B (zh) * 2021-03-31 2022-11-04 上海天旦网络科技发展有限公司 基于系统指标与命令调用日志的运维措施推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729301A (zh) * 2008-11-03 2010-06-09 中国移动通信集团湖北有限公司 网络异常流量监测方法和监测系统
CN102087721A (zh) * 2009-12-04 2011-06-08 索尼公司 信息处理设备、观测值预测方法及程序
CN104391860A (zh) * 2014-10-22 2015-03-04 安一恒通（北京）科技有限公司 内容类别检测方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10083439B2 (en) * 2010-11-29 2018-09-25 Biocatch Ltd. Device, system, and method of differentiating over multiple accounts between legitimate user and cyber-attacker
US10558924B2 (en) * 2014-05-23 2020-02-11 DataRobot, Inc. Systems for second-order predictive data analytics, and related methods and apparatus
WO2015179778A1 (en) * 2014-05-23 2015-11-26 Datarobot Systems and techniques for predictive data analytics
US10496927B2 (en) * 2014-05-23 2019-12-03 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus
US20160350657A1 (en) * 2015-06-01 2016-12-01 Qualcomm Incorporated Cross-Module Behavioral Validation
US10536357B2 (en) * 2015-06-05 2020-01-14 Cisco Technology, Inc. Late data detection in data center
US10198422B2 (en) * 2015-11-06 2019-02-05 Mitsubishi Electric Corporation Information-processing equipment based on a spreadsheet
US11005863B2 (en) * 2016-06-10 2021-05-11 General Electric Company Threat detection and localization for monitoring nodes of an industrial asset control system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101729301A (zh) * 2008-11-03 2010-06-09 中国移动通信集团湖北有限公司 网络异常流量监测方法和监测系统
CN102087721A (zh) * 2009-12-04 2011-06-08 索尼公司 信息处理设备、观测值预测方法及程序
CN104391860A (zh) * 2014-10-22 2015-03-04 安一恒通（北京）科技有限公司 内容类别检测方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106908082A (zh) * 2017-02-28 2017-06-30 百度在线网络技术（北京）有限公司 用于校准终端中的陀螺仪的方法、装置及系统
CN107085593A (zh) * 2017-03-09 2017-08-22 广州中大百迅信息技术有限公司 环境监控方法及系统
CN109189755A (zh) * 2018-09-17 2019-01-11 北京点网聚科技有限公司 一种媒体数据监控方法、装置及计算机可读存储介质
CN109756395A (zh) * 2018-12-28 2019-05-14 易票联支付有限公司 一种业务数据监控方法及系统
CN113614663A (zh) * 2019-03-15 2021-11-05 住友重机械工业株式会社 监视装置、显示装置、监视方法及监视程序
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN112506134A (zh) * 2019-09-16 2021-03-16 阿里巴巴集团控股有限公司 一种控制变量值的确定方法、装置及设备
WO2021212756A1 (zh) * 2020-04-23 2021-10-28 平安科技（深圳）有限公司 指标异常分析方法、装置、电子设备及存储介质
CN111708682A (zh) * 2020-06-17 2020-09-25 腾讯科技（深圳）有限公司 数据预测方法、装置、设备及存储介质
CN113327133A (zh) * 2021-06-15 2021-08-31 北京百度网讯科技有限公司 数据推荐方法、数据推荐装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
US20180075356A1 (en) 2018-03-15
US11276004B2 (en) 2022-03-15
CN106383766B (zh) 2018-09-11

Similar Documents

Publication Publication Date Title
CN106383766A (zh) 系统监控方法和装置
WO2021212756A1 (zh) 指标异常分析方法、装置、电子设备及存储介质
CN109495318B (zh) 一种移动通信网络流量预测方法、装置及可读存储介质
US20170371757A1 (en) System monitoring method and apparatus
Li et al. Unbiased offline evaluation of contextual-bandit-based news article recommendation algorithms
Heard et al. Bayesian anomaly detection methods for social networks
CN103714084B (zh) 推荐信息的方法和装置
CN109857935B (zh) 一种信息推荐方法及装置
CN108984370A (zh) 一种确定监控阈值的方法和装置
CN102262681A (zh) 一种博客信息传播中识别关键博客集的方法
CN107451832A (zh) 推送信息的方法和装置
CN110347724A (zh) 异常行为识别方法、装置、电子设备及介质
CN112508118A (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN113946590B (zh) 积分数据更新方法、装置、设备及存储介质
CN112288163A (zh) 目标对象的目标因子预测方法及相关设备
TW201800987A (zh) 問題推薦方法及設備
CN110880127A (zh) 消费水平的预测方法、装置、电子设备及存储介质
CN105844107A (zh) 数据处理方法和装置
CN110570279A (zh) 一种基于用户实时行为的策略化推荐方法及装置
CN107819745A (zh) 异常流量的防御方法和装置
CN109754290A (zh) 一种游戏数据的处理方法和装置
CN111476438A (zh) 一种用户用电量预测方法、系统以及设备
CN106447242A (zh) 用电业务受理时限管理方法及装置
CN110991744B (zh) 一种交易限额的设置方法及系统
CN110740063B (zh) 基于信号分解和周期特性的网络流量特征指标预测方法

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