CN107977301B - 设备异常的检测方法、装置、存储介质及电子设备 - Google Patents

设备异常的检测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN107977301B
CN107977301B CN201711167682.5A CN201711167682A CN107977301B CN 107977301 B CN107977301 B CN 107977301B CN 201711167682 A CN201711167682 A CN 201711167682A CN 107977301 B CN107977301 B CN 107977301B
Authority
CN
China
Prior art keywords
statistic
detection data
hotelling
data set
monitoring indexes
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.)
Active
Application number
CN201711167682.5A
Other languages
English (en)
Other versions
CN107977301A (zh
Inventor
孙卓然
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.)
Neusoft Corp
Original Assignee
Neusoft Corp
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 Neusoft Corp filed Critical Neusoft Corp
Priority to CN201711167682.5A priority Critical patent/CN107977301B/zh
Publication of CN107977301A publication Critical patent/CN107977301A/zh
Application granted granted Critical
Publication of CN107977301B publication Critical patent/CN107977301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Debugging And Monitoring (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开涉及一种设备异常的检测方法、装置、存储介质及电子设备，该方法包括：对预设时段内设备的包含多种监控指标的原始检测数据集合进行筛选，得到包含与该设备的健康状态具有相关性的监控指标的第一检测数据集合；通过对该第一检测数据集合进行核函数变换和主成分分析PCA，获取相应的统计量限值；通过当前时间点采集到的该设备的第二检测数据集合，获取该设备在当前时间点的相应的统计量；并通过该统计量与前述统计量限值的对比，确认该目标设备在该当前时间点是否处于异常状态。能够实现在指标监控上兼顾多个指标之间的相互作用对设备的影响，也能够对可能出现的健康状况问题进行预测，提高IT运维的安全性和效率。

Description

设备异常的检测方法、装置、存储介质及电子设备
技术领域
本公开涉及运维管理领域，具体地，涉及一种设备异常的检测方法、装置、存储介质及电子设备。
背景技术
随着IT建设的不断深入和完善，计算机硬软件系统的运行维护已经成为了各行各业普遍关注新课题。IT运维管理是指信息服务部门采用相关的方法、手段、技术、制度、流程和文档等，对IT相关的硬件设备、运行环境(软件环境、网络环境等)、业务系统和运维人员进行的综合管理。其中，对IT设备的维护和管理是IT运维管理的关键支撑部分。
现有技术中，一般会通过监控系统实时地对各种IT设备的若干个关键指标进行监控。当监测到某个关键指标超过数据阈值时，系统产生告警，以通知运维人员设备的运行情况。但是，上述监控系统只能对指定的若干个关键指标进行监控，在对不同种类和不同配置的IT设备进行监控时，容易造成对上述关键指标之外的其他指标的忽略，并且由于对各个指标进行独立检测，系统无法顾及多个指标之间的相互作用对设备的影响。另外，由于数据阈值为预先设定的固定阈值，这会导致系统无法自动适应冗余量，从而造成当运维人员收到告警提醒时被监控的设备可能已产生严重问题的情况，也就是说无法对指标没有超过阈值但是可能会导致严重问题的情况进行预测。
发明内容
为克服相关技术中存在的问题，本公开提供一种设备异常的检测方法、装置、存储介质及电子设备。
根据本公开实施例的第一方面，提供一种设备异常的检测方法，所述方法包括：
对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，所述N种监控指标为在所述预设时间段内与所述目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；
通过对所述第一检测数据集合进行核函数变换和主成分分析PCA处理，获取所述目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；
通过所述目标设备的第二检测数据集合以及所述健康状态投影矩阵，获取所述目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，所述第二检测数据集合为当前时间点采集到的包含所述N种监控指标的检测数据的集合；
根据所述第一霍特林T方统计量和所述第一SPE统计量，与所述霍特林T方统计量限值和所述SPE统计量限值的对比结果，确认所述目标设备在所述当前时间点是否处于异常状态。
可选的，所述对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，包括：
获取在所述预设时段内所述目标设备的包含所述M种监控指标的原始检测数据集合，所述原始检测数据集合中包含在所述预设时段内的多个时间点采集的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述M种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息；
针对所述M种监控指标中任一监控指标，根据所述原始检测数据集合的每组检测数据样本中关于所述任一监控指标的数据，以及每组检测数据样本中的所述健康状态信息，获取所述任一监控指标与健康状态信息的互信息值，以得到所述M种监控指标与健康状态信息的互信息值；
根据所述M种监控指标与健康状态信息的互信息值，以及预设的互信息阈值，确认所述M种监控指标中与所述目标设备的健康状态具有相关性的所述N种监控指标；
获取包含所述N种监控指标的所述第一检测数据集合，所述第一检测数据集合中包含在所述多个时间点对应的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述N种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息。
可选的，所述通过对所述第一检测数据集合进行核函数变换和PCA处理，获取所述目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差统计量限值，包括：
通过预设核函数对所述第一检测数据集合进行特征变换，获取所述第一检测数据集合的特征数据；
对所述特征数据进行所述PCA处理，得到所述健康状态投影矩阵；
将所述第一检测数据集合中的任一组检测数据样本以及所述健康状况投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，得到与所述任一组检测数据样本对应的时间点所对应的第二霍特林T方统计量和第二SPE统计量，以得到所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量；
根据所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量，确定所述霍特林T方统计量限值和所述SPE统计量限值。
可选的，所述通过所述目标设备的第二检测数据集合以及所述健康状态投影矩阵，获取所述目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，包括：
在所述当前时间点采集所述第二检测数据集合；
将所述第二检测数据集合以及所述健康状态投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，获取所述当前时间点对应的第一霍特林T方统计量和第一SPE统计量。
可选的，所述根据所述第一霍特林T方统计量和所述第一SPE统计量，与所述霍特林T方统计量限值和所述SPE统计量限值的对比结果，确认所述目标设备在所述当前时间点是否处于异常状态，包括：
将所述第一霍特林T方统计量与所述霍特林T方统计量限值进行对比，以及将所述第一SPE统计量与所述SPE统计量限值进行对比；
当满足所述第一霍特林T方统计量超出所述霍特林T方统计量限值的范围，和所述第一SPE统计量超出所述SPE统计量限值的范围中的至少一者时，确认所述目标设备在所述当前时间点处于异常状态。
根据本公开实施例的第二方面，提供一种设备异常的检测装置，所述装置包括：
指标筛选模块，用于对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，所述N种监控指标为在所述预设时间段内与所述目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；
限值确定模块，用于通过对所述第一检测数据集合进行核函数变换和主成分分析PCA处理，获取所述目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；
统计量计算模块，用于通过所述目标设备的第二检测数据集合以及所述健康状态投影矩阵，获取所述目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，所述第二检测数据集合为当前时间点采集到的包含所述N种监控指标的检测数据的集合；
异常确认模块，用于根据所述第一霍特林T方统计量和所述第一SPE统计量，与所述霍特林T方统计量限值和所述SPE统计量限值的对比结果，确认所述目标设备在所述当前时间点是否处于异常状态。
可选的，所述指标筛选模块，包括：
数据获取子模块，用于获取在所述预设时段内所述目标设备的包含所述M种监控指标的原始检测数据集合，所述原始检测数据集合中包含在所述预设时段内的多个时间点采集的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述M种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息；
互信息值计算子模块，用于针对所述M种监控指标中任一监控指标，根据所述原始检测数据集合的每组检测数据样本中关于所述任一监控指标的数据，以及每组检测数据样本中的所述健康状态信息，获取所述任一监控指标与健康状态信息的互信息值，以得到所述M种监控指标与健康状态信息的互信息值；
相关性确认子模块，用于根据所述M种监控指标与健康状态信息的互信息值，以及预设的互信息阈值，确认所述M种监控指标中与所述目标设备的健康状态具有相关性的所述N种监控指标；
指标确定子模块，用于获取包含所述N种监控指标的所述第一检测数据集合，所述第一检测数据集合中包含在所述多个时间点对应的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述N种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息。
可选的，所述限值确定模块，包括：
特征变换子模块，用于通过预设核函数对所述第一检测数据集合进行特征变换，获取所述第一检测数据集合的特征数据；
投影矩阵获取子模块，用于对所述特征数据进行所述PCA处理，得到所述健康状态投影矩阵；
统计量获取子模块，用于将所述第一检测数据集合中的任一组检测数据样本以及所述健康状况投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，得到与所述任一组检测数据样本对应的时间点所对应的第二霍特林T方统计量和第二SPE统计量，以得到所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量；
限值确定子模块，用于根据所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量，确定所述霍特林T方统计量限值和所述SPE统计量限值。
可选的，所述统计量计算模块，包括：
数据采集子模块，用于在所述当前时间点采集所述第二检测数据集合；
统计量计算子模块，用于将所述第二检测数据集合以及所述健康状态投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，获取所述当前时间点对应的第一霍特林T方统计量和第一SPE统计量。
可选的，所述异常确认模块，包括：
统计量对比子模块，用于将所述第一霍特林T方统计量与所述霍特林T方统计量限值进行对比，以及将所述第一SPE统计量与所述SPE统计量限值进行对比；
异常确认子模块，用于当满足所述第一霍特林T方统计量超出所述霍特林T方统计量限值的范围，和所述第一SPE统计量超出所述SPE统计量限值的范围中的至少一者时，确认所述目标设备在所述当前时间点处于异常状态。
根据本公开实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开实施例的第一方面中所述方法的步骤。
根据本公开实施例的第四方面，提供一种电子设备，包括：
本公开实施例的第三方面所述的计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
本公开的提供的设备异常的检测方法、装置、存储介质及设备，能够对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，该N种监控指标为在该预设时间段内与该目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；通过对该第一检测数据集合进行核函数变换和主成分分析PCA处理，获取该目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；通过该目标设备的第二检测数据集合以及该健康状态投影矩阵，获取该目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，该第二检测数据集合为当前时间点采集到的包含该N种监控指标的检测数据的集合；根据该第一霍特林T方统计量和该第一SPE统计量，与该霍特林T方统计量限值和该SPE统计量限值的对比结果，确认该目标设备在该当前时间点是否处于异常状态。能够根据设备中经过筛选的与目标设备的健康状态相关的监控指标的检测数据建立霍特林T方统计量限值和SPE统计量限值，并通过这些统计量限值，以及根据这些监控指标的检测数据得到的霍特林T方统计量和SPE统计量，对这些监控指标超过监控限值的趋势进行预测，既实现了在指标监控上兼顾多个指标之间的相互作用对设备的影响，也能够对可能出现的健康状况问题进行预测，从而提高IT运维的安全性和效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据一示例性实施例示出的一种设备异常的检测方法的流程图；
图2是根据图1所示实施例示出的一种监控指标数据的筛选方法的流程图；
图3是根据图1所示实施例示出的一种统计量限值确定方法的流程图；
图4是根据图1所示实施例示出的一种统计量计算方法的流程图；
图5是根据图1所示实施例示出的一种设备异常状态确认方法的流程图；
图6是根据一示例性实施例示出的一种设备异常的检测装置的框图；
图7是根据图6所示实施例示出的一种指标筛选模块的框图；
图8是根据图6所示实施例示出的一种限值确定模块的框图；
图9是根据图6所示实施例示出的一种统计量计算模块的框图；
图10是根据图6所示实施例示出的一种异常确认模块的框图；
图11是根据一示例性实施例示出的一种电子设备的框图；
图12是根据一示例性实施例示出的另一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种设备异常的检测方法的流程图，参见图1，该方法可以包括以下步骤。
在步骤101中，对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合。
其中，该N种监控指标为在该预设时间段内与该目标设备的健康状态具有相关性的监控指标，其中N小于或等于M。
示例地，该目标设备可以为IT运维管理涉及的IT设备，例如，网络设备或者服务器设备等。本实示例中，以该目标设备为Linux系统主机为例，对该异常的检测方法进行说明。
示例地，可以通过计算Linux系统主机的每种监控指标的检测数据与该Linux系统主机的健康状态信息之间的互信息(Mutual Information，MI)值的方法，对该相关性进行确认。其中，互信息是信息论中的一个概念，用于表示信息之间的关系，是两个随机变量统计相关性的测度指标。
在步骤102中，通过对该第一检测数据集合进行核函数变换和主成分分析PCA处理，获取该目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值。
其中，该核函数变换处理是指通过非线性函数把输入空间映射到特征空间，再在特征空间中进行数据处理。其关键在于通过引入适当的核函数把非线性变换后的特征空间内积运算转换为原始空间的核函数计算，从而简化计算量。该主成分分析(PrincipalComponent Analysis，PCA)处理是指用几个较少的综合指标来代替原来较多的指标。作为一种多变量统计方法，PCA处理的基本思想是通过求解过程数据的协方差矩阵，将原始数据映射到低维的主成分子空间，同时保留原始数据的大部分方差信息，用于去除原始数据中的噪声和冗余信息。
另外，霍特林T方(Hotelling T2)检验是一种多变量检验方法，是单变量检验的自然推广，用于两组均向量的比较。平方预报误差(Square Prediction Error，SPE)统计量又称为Q统计量。通常在使用PCA方法后，会得到原始数据的主元空间和残差空间，该HotellingT2统计量被建立在该主元空间中，该SPE统计量被建立在该残差空间中。该健康状态投影矩阵为用于计算该HotellingT2统计量和该SPE统计量的参数。
在步骤103中，通过该目标设备的第二检测数据集合以及该健康状态投影矩阵，获取该目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量。
其中，该第二检测数据集合为当前时间点采集到的包含该N种监控指标的检测数据的集合，该当前时间点可以为上述预设时段之后的任意时间点。
在步骤104中，根据该第一霍特林T方统计量和该第一SPE统计量，与该霍特林T方统计量限值和该SPE统计量限值的对比结果，确认该目标设备在该当前时间点是否处于异常状态。
示例地，当该第一霍特林T方统计量和该第一SPE统计量中的任意一者超出对应的统计量限值时，可以确认该目标设备在该当前时间点处于异常状态。
综上所述，本公开提供的设备异常的检测方法，能够对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，该N种监控指标为在该预设时间段内与该目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；通过对该第一检测数据集合进行核函数变换和主成分分析PCA处理，获取该目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；通过该目标设备的第二检测数据集合以及该健康状态投影矩阵，获取该目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，该第二检测数据集合为当前时间点采集到的包含该N种监控指标的检测数据的集合；根据该第一霍特林T方统计量和该第一SPE统计量，与该霍特林T方统计量限值和该SPE统计量限值的对比结果，确认该目标设备在该当前时间点是否处于异常状态。能够根据设备中经过筛选的与目标设备的健康状态相关的监控指标的检测数据建立霍特林T方统计量限值和SPE统计量限值，并通过这些统计量限值，以及根据这些监控指标的检测数据得到的霍特林T方统计量和SPE统计量，对这些监控指标超过监控限值的趋势进行预测，既实现了在指标监控上兼顾多个指标之间的相互作用对设备的影响，也能够对可能出现的健康状况问题进行预测，从而提高IT运维的安全性和效率。
图2是根据图1所示实施例示出的一种监控指标数据的筛选方法的流程图，如图2所示，前述步骤101可以包括以下步骤。
在步骤1011中，获取在该预设时段内该目标设备的包含该M种监控指标的原始检测数据集合。
其中，该原始检测数据集合中包含在该预设时段内的多个时间点采集的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的该M种监控指标的检测数据以及在该对应时间点该目标设备的健康状态信息。每个该时间点对应的一组检测数据样本还可以表述为一个样本点。
示例性的，以该目标设备为Linux系统主机为例，该Linux系统主机通常情况下获取到的检测数据样本中包含的监控指标可以表示为：
P1＝[CPU使用率，内存使用率，虚拟内存总量，…，平均负载]，其中，P1表示该预设时段内的一个时间点采集的样本数据的涉及的M种指标，例如，可以为20种监控指标的集合。以P1所示的监控指标为例，该原始检测数据集合中的检测数据样本部分可以以矩阵的形式表示为：
Figure BDA0001476568780000111
该矩阵D1的行数为样本点的数量，一个样本点可以理解为一个时间点采集的一组检测数据样本，列数为20，分别代表上述的20种监控指标，其中，该矩阵D1的每一行表示一个时间点采集的一组检测数据样本，每一列表示一种监控指标在多个时间点采集的指标数据列。
在步骤1012中，针对该M种监控指标中任一监控指标，根据该原始检测数据集合的每组检测数据样本中关于该任一监控指标的数据，以及每组检测数据样本中的该健康状态信息，获取该任一监控指标与健康状态信息的互信息值，以得到该M种监控指标与健康状态信息的互信息值。
其中，该健康状况信息包括yes和no，计算时相应地可以分别取值为1和0，当该目标设备在某一时间点的异常状态等级高于预设等级，或者该目标设备在该时间点的异常状态被人工标注为异常时，该健康状况信息的取值被置为no，反之则置为yes。
还是以该目标设备为Linux系统主机为例，在实际运算中，首先需要将该健康状况信息添加至上述的矩阵D1中，所得到的该原始检测数据集合可以以矩阵的形式表示为：
Figure BDA0001476568780000121
该矩阵D2的行数为样本点的数量，列数为21，其中，该矩阵D2的每一行表示一个样本点，即一个时间点时间采集的一组检测数据样本以及该时间点的健康状况信息，即前20列中的每一列为一种监控指标在多个时间点采集的指标数据列，第21列为健康状况信息列，表示该Linux系统主机在多个时间点的健康状况信息。
在步骤1013中，根据该M种监控指标与健康状态信息的互信息值，以及预设的互信息阈值，确认该M种监控指标中与该目标设备的健康状态具有相关性的该N种监控指标。
示例地，可以通过互信息公式，计算上述矩阵D2前20列中的每一个指标数据列与第21列(即健康状况信息列)之间的互信息值，该互信息公式可以表示为：
Figure BDA0001476568780000131
其中，u表示矩阵D2中的任意一个指标数据列，v表示健康状况信息列，p(u,v)是两个变量u和v的联合概率密度，p(u)和p(v)分别为两个变量u和v各自的边缘概率密度。
进一步地，在计算出任意一个指标数据列与该健康状况信息列之间的互信息值之后，将该互信息值与预先设置的互信息阈值进行对比，当该互信息值大于该互信息阈值时，确定该指标数据列对应的监控指标与该Liunx主机的健康状态具有相关性，反之则确定该指标数据列对应的监控指标与该Liunx主机的健康状态不具有相关性。从而依次将矩阵D2中的全部20种指标数据列带入上述公式(1)，可以确认20种监控指标中与该Linux系统主机的健康状态具有相关性的N种，例如，10种监控指标。至此，该Linux系统主机的监控指标由该原始检测数据集合中的20种减少为10种。
在步骤1014中，获取包含该N种监控指标的该第一检测数据集合。
其中，该第一检测数据集合中包含在该多个时间点对应的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的该N种监控指标的检测数据以及在该对应时间点该目标设备的健康状态信息。
以步骤1013中筛选后得到的10种监控指标为例，该检测数据样本中包含的监控指标可以表示为：
P2＝[CPU使用率，内存使用率，磁盘剩余容量，…，平均负载]，
其中，P2表示该预设时段内的一个时间点采集的的检测数据样本所涉及的10种监控指标的集合。
相应的按照P2所示的集合进行数据采集，得到的该第一检测数据集合可以以矩阵的形式表示为：
Figure BDA0001476568780000141
该矩阵D3的行数为样本点的数量，列数为10，表示上述的筛选后的10种监控指标，其中，该矩阵D3的每一行表示一个样本点，即一个时间点采集的一组检测数据样本，每一列为一种监控指标在多个时间点的指标数据列。
从而可以把与健康状态无关联或关联很小的指标去掉，从而在后续计算中减少计算量，以及无关指标对预测的干扰。图3是根据图1所示实施例示出的一种统计量限值确定方法的流程图，如图3所示，前述步骤102可以包括以下步骤。
在步骤1021中，通过预设核函数对该第一检测数据集合进行特征变换，获取该第一检测数据集合的特征数据。
示例地，该预设核函数可以为高斯径向基函数(Radial Basis Function，RBF)核函数。首先，可以以xi为第i个样本点(例如，x1＝[0.230.44...26])，将上述矩阵D3变换为：
Figure BDA0001476568780000142
其次，使用RBF核函数，对矩阵进行变换，该RBF核函数表达式如下：
Figure BDA0001476568780000143
通过该表达式(2)，可以得到该特征数据，该特征数据可以以特征空间矩阵的形式表示为：
Figure BDA0001476568780000151
其中，参数σ2是选定参数，可以依据实际情况调整获取。
在步骤1022中，对该特征数据进行该PCA处理，得到该健康状态投影矩阵。
示例地，在PCA处理中，经过计算得到上述特征空间矩阵K(D3)的协方差矩阵R，再运用雅克比(Jacobi)迭代方法计算该协方差矩阵R的n个特征值λ1,λ2,...,λn。之后，将特征值λ按照大小排序，并计算出累积贡献率大于85％(这里的贡献率是示例性的，可以根据实际情况来确定，这里不做限定)的前d个向量，得到该健康状态投影矩阵：W＝[α1,α2,...,αd]。
在步骤1023中，将该第一检测数据集合中的任一组检测数据样本以及该健康状况投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，得到与该任一组检测数据样本对应的时间点所对应的第二霍特林T方统计量和第二SPE统计量，以得到该多个时间点对应的该第二霍特林T方统计量和该第二SPE统计量。
示例地，对于任意一个样本点x，获取该样本点x的主成分的主元向量t＝WTx，以及残差向量为e＝(Im-WWT)x，其中，W为该健康状况投影矩阵，Im为m*m的单位矩阵，m表示该样本点x的检测数据样本中包含的监控指标数量。再将该主元向量t和该残差向量e作为下列霍特林T方统计量公式(3)以及SPE统计量公式(4)的输入，获取该样本点所对应的第二霍特林T方统计量和第二SPE统计量。其中，该霍特林T方统计量公式(3)以及该SPE统计量公式(4)表示为：
T2＝tT∧-1t， (2)，
SPE＝xT(Im-WWT)x (3)。
同理，可以对上述的x1到xn中所有样本点通过上述的方法得到x1到xn中所有样本点的第二霍特林T方统计量和第二SPE统计量，由于样本点x1到xn分别是在n个时间点采集的n组监测样本数据，因此也就得到了这n个时间点对应的该第二霍特林T方统计量和该第二SPE统计量。
在步骤1024中，根据该多个时间点对应的该第二霍特林T方统计量和该第二SPE统计量，确定该霍特林T方统计量限值和该SPE统计量限值。
示例地，综合该预设时段内的所有时间点，即上述的x1到xn中所有样本点对应的第二霍特林T方统计量和第二SPE统计量，即可得到该霍特林T方统计量限值和该SPE统计量限值。
图4是根据图1所示实施例示出的一种统计量计算方法的流程图，如图4所示，前述步骤103可以包括以下步骤。
在步骤1031中，在该当前时间点采集该第二检测数据集合。
其中，该第二检测数据集合中包含在该当前时间点对应的一组检测数据样本，包含在该当前时间点采集的该N种监控指标的检测数据。
在步骤1032中，将该第二检测数据集合以及该健康状态投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，获取该当前时间点对应的第一霍特林T方统计量和第一SPE统计量。
示例地，该当前时间点对应的第一霍特林T方统计量和第一SPE统计量的计算方法与步骤1023中的统计量计算方法相同，不再赘述。
图5是根据图1所示实施例示出的一种设备异常状态确认方法的流程图，参见图5，前述步骤104可以包括以下步骤：
在步骤1041中，将该第一霍特林T方统计量与该霍特林T方统计量限值进行对比，以及将该第一SPE统计量与该SPE统计量限值进行对比。
在步骤1042中，当满足该第一霍特林T方统计量超出该霍特林T方统计量限值的范围，和该第一SPE统计量超出该SPE统计量限值的范围中的至少一者时，确认该目标设备在该当前时间点处于异常状态。
综上所述，本公开提供的设备异常的检测方法，能够对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，该N种监控指标为在该预设时间段内与该目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；通过对该第一检测数据集合进行核函数变换和主成分分析PCA处理，获取该目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；通过该目标设备的第二检测数据集合以及该健康状态投影矩阵，获取该目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，该第二检测数据集合为当前时间点采集到的包含该N种监控指标的检测数据的集合；根据该第一霍特林T方统计量和该第一SPE统计量，与该霍特林T方统计量限值和该SPE统计量限值的对比结果，确认该目标设备在该当前时间点是否处于异常状态。能够根据设备中经过筛选的与目标设备的健康状态相关的监控指标的检测数据建立霍特林T方统计量限值和SPE统计量限值，并通过这些统计量限值，以及根据这些监控指标的检测数据得到的霍特林T方统计量和SPE统计量，对这些监控指标超过监控限值的趋势进行预测，既实现了在指标监控上兼顾多个指标之间的相互作用对设备的影响，也能够对可能出现的健康状况问题进行预测，从而提高IT运维的安全性和效率。
图6是根据一示例性实施例示出的一种设备异常的检测装置的框图，该设备异常的检测装置600可以用于执行图1所示的方法。参见图6，该装置600可以包括：
指标筛选模块610，用于对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，该N种监控指标为在该预设时间段内与该目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；
限值确定模块620，用于通过对该第一检测数据集合进行核函数变换和主成分分析PCA处理，获取该目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；
统计量计算模块630，用于通过该目标设备的第二检测数据集合以及该健康状态投影矩阵，获取该目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，该第二检测数据集合为当前时间点采集到的包含该N种监控指标的检测数据的集合；
异常确认模块640，用于根据该第一霍特林T方统计量和该第一SPE统计量，与该霍特林T方统计量限值和该SPE统计量限值的对比结果，确认该目标设备在该当前时间点是否处于异常状态。
可选的，图7是根据图6所示实施例示出的一种指标筛选模块的框图，该指标筛选模块610可以用于执行图2所示的方法。参见图7，该指标筛选模块610可以包括：
数据获取子模块611，用于获取在该预设时段内该目标设备的包含该M种监控指标的原始检测数据集合，该原始检测数据集合中包含在该预设时段内的多个时间点采集的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的该M种监控指标的检测数据以及在该对应时间点该目标设备的健康状态信息；
互信息值计算子模块612，用于针对该M种监控指标中任一监控指标，根据该原始检测数据集合的每组检测数据样本中关于该任一监控指标的数据，以及每组检测数据样本中的该健康状态信息，获取该任一监控指标与健康状态信息的互信息值，以得到该M种监控指标与健康状态信息的互信息值；
相关性确认子模块613，用于根据该M种监控指标与健康状态信息的互信息值，以及预设的互信息阈值，确认该M种监控指标中与该目标设备的健康状态具有相关性的该N种监控指标；
指标确定子模块614，用于获取包含该N种监控指标的该第一检测数据集合，该第一检测数据集合中包含在该多个时间点对应的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的该N种监控指标的检测数据以及在该对应时间点该目标设备的健康状态信息。
可选的，图8是根据图6所示实施例示出的一种限值确定模块的框图，该限值确定模块620可以用于执行图3所示的方法。参见图8，该限值确定模块620可以包括：
特征变换子模块621，用于通过预设核函数对该第一检测数据集合进行特征变换，获取该第一检测数据集合的特征数据；
投影矩阵获取子模块622，用于对该特征数据进行该PCA处理，得到该健康状态投影矩阵；
统计量获取子模块623，用于将该第一检测数据集合中的任一组检测数据样本以及该健康状况投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，得到与该任一组检测数据样本对应的时间点所对应的第二霍特林T方统计量和第二SPE统计量，以得到该多个时间点对应的该第二霍特林T方统计量和该第二SPE统计量；
限值确定子模块624，用于根据该多个时间点对应的该第二霍特林T方统计量和该第二SPE统计量，确定该霍特林T方统计量限值和该SPE统计量限值。
可选的，图9是根据图6所示实施例示出的一种统计量计算模块的框图，该统计量计算模块630可以用于执行图4所示的方法。参见图9，该统计量计算模块630可以包括：
数据采集子模块631，用于在该当前时间点采集该第二检测数据集合；
统计量计算子模块632，用于将该第二检测数据集合以及该健康状态投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，获取该当前时间点对应的第一霍特林T方统计量和第一SPE统计量。
可选的，图10是根据图6所示实施例示出的一种异常确认模块的框图，该异常确认模块640可以用于执行图5所示的方法。参见图10，该异常确认模块640可以包括：
统计量对比子模块641，用于将该第一霍特林T方统计量与该霍特林T方统计量限值进行对比，以及该第一SPE统计量与该SPE统计量限值进行对比；
异常确认子模块642，用于当满足该第一霍特林T方统计量超出该霍特林T方统计量限值的范围，和该第一SPE统计量超出该SPE统计量限值的范围中的至少一者时，确认该目标设备在该当前时间点处于异常状态。
综上所述，本公开提供的设备异常的检测装置，能够对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，该N种监控指标为在该预设时间段内与该目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；通过对该第一检测数据集合进行核函数变换和主成分分析PCA处理，获取该目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；通过该目标设备的第二检测数据集合以及该健康状态投影矩阵，获取该目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，该第二检测数据集合为当前时间点采集到的包含该N种监控指标的检测数据的集合；根据该第一霍特林T方统计量和该第一SPE统计量，与该霍特林T方统计量限值和该SPE统计量限值的对比结果，确认该目标设备在该当前时间点是否处于异常状态。能够根据设备中经过筛选的与目标设备的健康状态相关的监控指标的检测数据建立霍特林T方统计量限值和SPE统计量限值，并通过这些统计量限值，以及根据这些监控指标的检测数据得到的霍特林T方统计量和SPE统计量，对这些监控指标超过监控限值的趋势进行预测，既实现了在指标监控上兼顾多个指标之间的相互作用对设备的影响，也能够对可能出现的健康状况问题进行预测，从而提高IT运维的安全性和效率。
关于上述实施例中的装置，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。
图11是根据一示例性实施例示出的一种电子设备1100的框图。如图11所示，该电子设备1100可以包括：处理器1101，存储器1102，多媒体组件1103，输入/输出(I/O)接口1104，以及通信组件1105。
其中，处理器1101用于控制该电子设备1100的整体操作，以完成上述的设备异常的检测方法中的全部或部分步骤。存储器1102用于存储各种类型的数据以支持在该电子设备1100的操作，这些数据例如可以包括用于在该电子设备1100上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器1102可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件1103可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1102或通过通信组件1105发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口1104为处理器1101和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件1105用于该电子设备1100与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件1105可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，电子设备1100可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的设备异常的检测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器1102，上述程序指令可由电子设备1100的处理器1101执行以完成上述的设备异常的检测方法。
图12是根据一示例性实施例示出的一种电子设备1200的框图。例如，电子设备1200可以被提供为一服务器。参照图12，电子设备1200包括处理器1222，其数量可以为一个或多个，以及存储器1232，用于存储可由处理器1222执行的计算机程序。存储器1232中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1222可以被配置为执行该计算机程序，以执行上述的设备异常的检测方法。
另外，电子设备1200还可以包括电源组件1226和通信组件1250，该电源组件1226可以被配置为执行电子设备1200的电源管理，该通信组件1250可以被配置为实现电子设备1200的通信，例如，有线或无线通信。此外，该电子设备1200还可以包括输入/输出(I/O)接口1258。电子设备1200可以操作基于存储在存储器1232的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器1232，上述程序指令可由电子设备1200的处理器1222执行以完成上述的设备异常的检测方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (8)

1.一种设备异常的检测方法，其特征在于，所述方法包括：
对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，所述N种监控指标为在所述预设时间段内与所述目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；
通过对所述第一检测数据集合进行核函数变换和主成分分析PCA处理，获取所述目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；
通过所述目标设备的第二检测数据集合以及所述健康状态投影矩阵，获取所述目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，所述第二检测数据集合为当前时间点采集到的包含所述N种监控指标的检测数据的集合；
根据所述第一霍特林T方统计量和所述第一SPE统计量，与所述霍特林T方统计量限值和所述SPE统计量限值的对比结果，确认所述目标设备在所述当前时间点是否处于异常状态；
所述对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，包括：
获取在所述预设时段内所述目标设备的包含所述M种监控指标的原始检测数据集合，所述原始检测数据集合中包含在所述预设时段内的多个时间点采集的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述M种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息；
针对所述M种监控指标中任一监控指标，根据所述原始检测数据集合的每组检测数据样本中关于所述任一监控指标的数据，以及每组检测数据样本中的所述健康状态信息，获取所述任一监控指标与健康状态信息的互信息值，以得到所述M种监控指标与健康状态信息的互信息值；
根据所述M种监控指标与健康状态信息的互信息值，以及预设的互信息阈值，确认所述M种监控指标中与所述目标设备的健康状态具有相关性的所述N种监控指标；
获取包含所述N种监控指标的所述第一检测数据集合，所述第一检测数据集合中包含在所述多个时间点对应的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述N种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息。
2.根据权利要求1所述的方法，其特征在于，所述通过对所述第一检测数据集合进行核函数变换和PCA处理，获取所述目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差统计量限值，包括：
通过预设核函数对所述第一检测数据集合进行特征变换，获取所述第一检测数据集合的特征数据；
对所述特征数据进行所述PCA处理，得到所述健康状态投影矩阵；
将所述第一检测数据集合中的任一组检测数据样本以及所述健康状况投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，得到与所述任一组检测数据样本对应的时间点所对应的第二霍特林T方统计量和第二SPE统计量，以得到所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量；
根据所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量，确定所述霍特林T方统计量限值和所述SPE统计量限值。
3.根据权利要求1所述的方法，其特征在于，所述通过所述目标设备的第二检测数据集合以及所述健康状态投影矩阵，获取所述目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，包括：
在所述当前时间点采集所述第二检测数据集合；
将所述第二检测数据集合以及所述健康状态投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，获取所述当前时间点对应的第一霍特林T方统计量和第一SPE统计量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一霍特林T方统计量和所述第一SPE统计量，与所述霍特林T方统计量限值和所述SPE统计量限值的对比结果，确认所述目标设备在所述当前时间点是否处于异常状态，包括：
将所述第一霍特林T方统计量与所述霍特林T方统计量限值进行对比，以及将所述第一SPE统计量与所述SPE统计量限值进行对比；
当满足所述第一霍特林T方统计量超出所述霍特林T方统计量限值的范围，和所述第一SPE统计量超出所述SPE统计量限值的范围中的至少一者时，确认所述目标设备在所述当前时间点处于异常状态。
5.一种设备异常的检测装置，其特征在于，所述装置包括：
指标筛选模块，用于对预设时段内目标设备的包含M种监控指标的原始检测数据集合进行筛选，得到包含N种监控指标的第一检测数据集合，所述N种监控指标为在所述预设时间段内与所述目标设备的健康状态具有相关性的监控指标，其中N小于或等于M；
限值确定模块，用于通过对所述第一检测数据集合进行核函数变换和主成分分析PCA处理，获取所述目标设备的健康状态投影矩阵、霍特林T方统计量限值和平方预报误差SPE统计量限值；
统计量计算模块，用于通过所述目标设备的第二检测数据集合以及所述健康状态投影矩阵，获取所述目标设备在当前时间点的第一霍特林T方统计量和第一SPE统计量，所述第二检测数据集合为当前时间点采集到的包含所述N种监控指标的检测数据的集合；
异常确认模块，用于根据所述第一霍特林T方统计量和所述第一SPE统计量，与所述霍特林T方统计量限值和所述SPE统计量限值的对比结果，确认所述目标设备在所述当前时间点是否处于异常状态；
所述指标筛选模块，包括：
数据获取子模块，用于获取在所述预设时段内所述目标设备的包含所述M种监控指标的原始检测数据集合，所述原始检测数据集合中包含在所述预设时段内的多个时间点采集的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述M种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息；
互信息值计算子模块，用于针对所述M种监控指标中任一监控指标，根据所述原始检测数据集合的每组检测数据样本中关于所述任一监控指标的数据，以及每组检测数据样本中的所述健康状态信息，获取所述任一监控指标与健康状态信息的互信息值，以得到所述M种监控指标与健康状态信息的互信息值；
相关性确认子模块，用于根据所述M种监控指标与健康状态信息的互信息值，以及预设的互信息阈值，确认所述M种监控指标中与所述目标设备的健康状态具有相关性的所述N种监控指标；
指标确定子模块，用于获取包含所述N种监控指标的所述第一检测数据集合，所述第一检测数据集合中包含在所述多个时间点对应的多组检测数据样本，每组检测数据样本中包含在对应时间点采集的所述N种监控指标的检测数据以及在所述对应时间点所述目标设备的健康状态信息。
6.根据权利要求5所述的装置，其特征在于，所述限值确定模块，包括：
特征变换子模块，用于通过预设核函数对所述第一检测数据集合进行特征变换，获取所述第一检测数据集合的特征数据；
投影矩阵获取子模块，用于对所述特征数据进行所述PCA处理，得到所述健康状态投影矩阵；
统计量获取子模块，用于将所述第一检测数据集合中的任一组检测数据样本以及所述健康状况投影矩阵作为霍特林T方统计量公式和SPE统计量公式的输入，得到与所述任一组检测数据样本对应的时间点所对应的第二霍特林T方统计量和第二SPE统计量，以得到所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量；
限值确定子模块，用于根据所述多个时间点对应的所述第二霍特林T方统计量和所述第二SPE统计量，确定所述霍特林T方统计量限值和所述SPE统计量限值。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
权利要求7中所述的计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的程序。
CN201711167682.5A 2017-11-21 2017-11-21 设备异常的检测方法、装置、存储介质及电子设备 Active CN107977301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711167682.5A CN107977301B (zh) 2017-11-21 2017-11-21 设备异常的检测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711167682.5A CN107977301B (zh) 2017-11-21 2017-11-21 设备异常的检测方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN107977301A CN107977301A (zh) 2018-05-01
CN107977301B true CN107977301B (zh) 2021-04-16

Family

ID=62010851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711167682.5A Active CN107977301B (zh) 2017-11-21 2017-11-21 设备异常的检测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN107977301B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108759745B (zh) * 2018-06-05 2020-02-18 上汽大众汽车有限公司 基于多元统计分析的白车身故障检测方法及检测装置
CN109100117B (zh) * 2018-07-04 2021-03-26 惠科股份有限公司 一种变异数值的检测方法
CN109144027B (zh) * 2018-07-13 2020-06-19 深圳华侨城文化旅游科技集团有限公司 一种游乐设施的故障预警方法、存储介质及应用服务器
CN109359873B (zh) * 2018-10-24 2021-04-20 哈工大机器人（山东）智能装备研究院 一种基于pca-t2的滚珠丝杠副健康评估方法
CN110768970B (zh) * 2019-10-16 2022-02-25 新华三信息安全技术有限公司 设备评估和异常检测方法、装置、电子设备及存储介质
CN111338897A (zh) * 2020-02-24 2020-06-26 京东数字科技控股有限公司 应用主机中异常节点的识别方法、监测设备和电子设备
CN111581046A (zh) * 2020-03-19 2020-08-25 平安科技（深圳）有限公司 数据异常检测方法、装置、电子设备及存储介质
CN111950912A (zh) * 2020-08-14 2020-11-17 中国民航信息网络股份有限公司 设备的健康度的评价方法、装置、设备及计算机存储介质
CN113822570B (zh) * 2021-09-20 2023-09-26 北京瀚博网络科技有限公司 一种基于大数据分析的企业生产数据存储方法及系统
CN116628614A (zh) * 2023-05-31 2023-08-22 深圳市云天数字能源有限公司 一种储能电站性能异常检测的方法、装置及相关存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104898641A (zh) * 2015-04-20 2015-09-09 东软集团股份有限公司 一种车辆故障检测方法和装置
CN107092923A (zh) * 2017-03-22 2017-08-25 东北大学 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160179599A1 (en) * 2012-10-11 2016-06-23 University Of Southern California Data processing framework for data cleansing

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104898641A (zh) * 2015-04-20 2015-09-09 东软集团股份有限公司 一种车辆故障检测方法和装置
CN107092923A (zh) * 2017-03-22 2017-08-25 东北大学 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法

Also Published As

Publication number Publication date
CN107977301A (zh) 2018-05-01

Similar Documents

Publication Publication Date Title
CN107977301B (zh) 设备异常的检测方法、装置、存储介质及电子设备
US10914608B2 (en) Data analytic engine towards the self-management of complex physical systems
CN108460397B (zh) 设备故障类型的分析方法、装置、储存介质和电子设备
CN112436968A (zh) 一种网络流量的监测方法、装置、设备及存储介质
CN109992473B (zh) 应用系统的监控方法、装置、设备及存储介质
US9524223B2 (en) Performance metrics of a computer system
KR102236931B1 (ko) 툴 프로세스 데이터에 대한 다-변량 분석을 제공하기 위한 k-최근접 이웃-기반 방법 및 시스템
CN113220537B (zh) 一种软件监控方法、装置、设备及可读存储介质
CN113066254B (zh) 核电设备工作环境异常预警方法、装置、设备和存储介质
CN112188531A (zh) 异常检测方法、装置、电子设备及计算机存储介质
CN110674009A (zh) 应用服务器性能监测方法、装置、存储介质及电子设备
KR101444308B1 (ko) 정보 유출 조기 경보 시스템
CN110570544A (zh) 飞机燃油系统故障识别方法、装置、设备和存储介质
CN116450482A (zh) 一种用户异常监测方法、装置、电子设备及存储介质
Man et al. Remaining useful life prediction for hard failures using joint model with extended hazard
CN109739720B (zh) 异常检测方法、装置、存储介质和电子设备
JP6623784B2 (ja) 設定支援装置及びプログラム
CN108362957B (zh) 设备故障诊断方法、装置、储存介质和电子设备
CN117290803A (zh) 一种储能逆变器远程故障诊断方法、系统及介质
US20150331980A1 (en) Apparatus and method for classifying context types for multivariate modeling
CN115878598A (zh) 监控数据处理方法、电子设备及存储介质
JP6627258B2 (ja) システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム
CN115098326A (zh) 一种系统异常检测方法及装置、存储介质及电子设备
CN109558910B (zh) 一种信息安全等级评测的方法、系统及相关组件
CN106777981B (zh) 一种行为数据的校验方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant