CN108011782B - 用于推送告警信息的方法和装置 - Google Patents
用于推送告警信息的方法和装置 Download PDFInfo
- Publication number
- CN108011782B CN108011782B CN201711277894.9A CN201711277894A CN108011782B CN 108011782 B CN108011782 B CN 108011782B CN 201711277894 A CN201711277894 A CN 201711277894A CN 108011782 B CN108011782 B CN 108011782B
- Authority
- CN
- China
- Prior art keywords
- quality data
- data
- level
- stage
- abnormal
- 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
Links
Images
Classifications
-
- 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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
-
- 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
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例公开了用于推送告警信息的方法和装置。该方法的一具体实施方式包括:获取目标数据链路的质量数据;检测第一级质量数据是否存在异常;响应于检测到第一级质量数据不存在异常,则执行如下的第二级质量数据异常检测步骤:提取第二级质量数据的特征向量;将第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果;响应于异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。该实施例实现了发生网络故障时的告警。
Description
技术领域
本申请涉及计算机技术领域,具体涉及网络技术领域,尤其涉及用于推送告警信息的方法和装置。
背景技术
在具有复杂的网络拓扑关系的网络中,网络故障的出现会极大的影响网络的稳定性和可用性。同时,网络运维人员在面对复杂的网络问题面前也是分身乏术,不能够有效处理故障问题。因此,采用一个有效的告警方法,能够减轻网络运维人员的压力,提高网络的稳定性和可用性。
目前用于网络的告警方法,主要通过对数据链路的质量数据(例如丢包率和时延)设置静态阈值来进行告警判断。所设置的阈值不能够随着网络状况的变化进行有效的适应。这将导致通过所设置的阈值在一开始可以产生有效的告警。随着网络状况发生变化,阈值将不再适用,随之就会产生大量的假告警,以及过滤掉太多的真故障。
发明内容
本申请实施例提出了用于推送告警信息的方法和装置。
第一方面,本申请实施例提出了一种用于推送告警信息的方法,该方法包括:获取目标数据链路的质量数据,其中,上述目标数据链路是预先指定的、数据中心内网中的数据链路,上述质量数据包括根据上述目标数据链路中带宽分配而划分的第一级质量数据和第二级质量数据,上述质量数据包括以下至少一项:丢包率,时延;检测上述第一级质量数据是否存在异常;响应于检测到上述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取上述第二级质量数据的特征向量;将上述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,上述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于上述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
在一些实施例中,上述检测上述第一级质量数据是否存在异常包括:统计上述第一级质量数据的波动程度,得到上述波动程度的表征值;确定上述波动程度的表征值是否大于预设阈值,响应于确定上述表征量大于预设阈值,则确定上述第一级质量数据存在异常。
在一些实施例中,上述检测上述第一级质量数据是否存在异常之前,上述方法还包括:对上述质量数据进行预处理。
在一些实施例中,上述检测上述第一级质量数据是否存在异常之后,上述方法还包括:响应于检测到上述第一级质量数据存在异常,生成第二告警信息并进行推送。
在一些实施例中,上述异常检测模型是通过以下方式训练得到的:获取样本数据,其中,上述样本数据包括预先采集并存储的目标网络中各条数据链路在预设时间段内的、经过预处理的第二级质量数据;提取上述样本数据的特征向量;利用机器学习方法,将上述样本数据的特征向量作为输入,用于表征上述第二级质量数据是否存在异常的信息作为输出,训练得到异常检测模型。
第二方面,本申请实施例提出了一种用于推送告警信息的装置,该装置包括:第一获取单元,配置用于获取目标数据链路的质量数据,其中,上述目标数据链路是预先指定的、数据中心内网中的数据链路,上述质量数据包括根据上述目标数据链路中带宽分配而划分的第一级质量数据和第二级质量数据,上述质量数据包括以下至少一项:丢包率,时延;第一执行单元,配置用于检测上述第一级质量数据是否存在异常;第二执行单元,配置用于响应于检测到上述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取上述第二级质量数据的特征向量;将上述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,上述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于上述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
在一些实施例中,上述检测上述第一级质量数据是否存在异常包括:统计上述第一级质量数据的波动程度,得到上述波动程度的表征值;确定上述波动程度的表征值是否大于预设阈值,响应于确定上述表征值大于预设阈值,则确定上述第一级质量数据存在异常。
在一些实施例中,上述装置还包括:预处理单元,配置用于对上述质量数据进行预处理。
在一些实施例中,上述第一执行单元进一步配置用于:响应于上述第一级质量数据存在异常,生成第二告警信息并进行推送。
在一些实施例中,上述装置还包括:第二获取单元,配置用于获取样本数据,其中,上述样本数据包括预先采集并存储的网络中各条数据链路在在预设时间段内的、经过预处理的第二级质量数据;第二提取单元,配置用于提取上述样本数据的特征向量;训练单元,配置用于利用机器学习方法,将上述样本数据的特征向量作为输入,用于表征上述第二级质量数据是否存在异常的信息作为输出,训练得到异常检测模型。
第三方面,本申请实施例提供了一种服务器,该服务器包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了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,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于推送告警信息的方法和装置,首先,获取目标数据链路的质量数据,然后,检测目标数据链路的第一级质量数据是否存在异常,最后,响应于检测到上述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取上述第二级质量数据的特征向量;将上述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,上述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于上述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送,从而实现了发生网络故障时的告警。
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是根据本申请的用于推送告警信息的方法的一个实施例的流程图;
图3是对图2的流程图中的第二级质量数据异常检测步骤的分解流程图;
图4是根据本申请的用于推送告警信息的方法的一个应用场景的示意图;
图5是根据本申请的用于推送告警信息的装置的一个实施例的结构示意图;
图6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用于推送告警信息的方法或用于推送告警信息的装置的示例性系统架构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、106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。网络106可以是数据中心内网。
终端设备101、102、103可以是具有显示屏并且支持信息显示的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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,例如对网络106中的数据链路的质量数据进行检测等处理,并将处理结果(例如根据质量数据生成的告警信息)推送给终端设备。
需要说明的是,本申请实施例所提供的用于推送告警信息的方法一般由服务器105执行,相应地,用于推送告警信息的装置一般设置于服务器105中。
需要指出的是,服务器105可以是单一服务器,也可以由多个服务器或多个服务器集群构成。
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,示出了根据本申请的用于推送告警信息方法的一个实施例的流程200。上述的用于推送告警信息方法,包括以下步骤:
步骤201,获取目标数据链路的质量数据。
在本实施例中,用于推送告警信息的方法运行于其上的电子设备(例如图1所示的服务器105)可以通过有线连接方式或无线连接方式,从网络(例如图1所示的网络106)中获取目标数据链路的质量数据。其中,作为示例,上述网络可以是数据中心内网。上述目标数据链路可以是技术人员预先指定的、数据中心内网中的数据链路。上述质量数据可以是采用发送探测数据来模拟不同业务的数据传输得到的丢包率,也可以是采用发送探测数据来模拟不同业务的数据传输得到的时延。
上述质量数据可以根据数据链路中针对不同业务的带宽分配而划分为不同级别,可以包括第一级质量数据和第二级质量数据。上述第一级质量数据对应带宽分配比例相对较高的业务。上述带宽分配是指对带宽进行合理的分配,以保证在有限的带宽内实时业务的正常传输,不至于因为业务量太大而出现网络阻塞现象。上述带宽可以用来标识信号传输的数据传输能力、标识单位时间内通过数据链路的数据量。作为示例,可以将数据中心内网中数据链路的带宽按照7:3的比例进行分配,分别用于传输第一业务的数据和第二业务的数据,其中,用于传输第一业务的数据的带宽分配比例相对较高,则可以将第一业务对应的质量数据确定为第一级质量数据,第二业务对应的质量数据确定为第二级质量数据。
步骤202,检测第一级质量数据是否存在异常。
在本实施例中,上述电子设备可以检测第一级质量数据是否存在异常,可以包括如下两个步骤:
第一步,统计第一级质量数据的波动程度,得到波动程度的表征值。其中,上述统计第一级质量数据的波动程度的具体方式可以是绘出第一级质量数据的波动曲线,还可以是绘出第一级质量数据的折线图、扇形图等。
第二步,确定上述波动程度的表征值是否大于预设阈值,上述响应于确定上述表征值大于预设阈值,确定上述第一级质量数据存在异常,响应于确定上述表征值小于预设阈值,确定上述第一级质量数据不存在异常。
在本实施例的一些可选的实现方式中,上述第一级质量数据可以是丢包率,可以以10秒为周期对数据的丢包率进行采集,得到每个10秒的数据的丢包率,在10分钟内将得到60个丢包率,若设定一个阈值为0.5%,可以将大于0.5%的丢包率的个数或比例设定为丢包率的波动程度的表征值,将上述预设阈值设定为10,响应于经统计得到大于0.5%的丢包率的个数大于10,确定丢包率存在异常,响应于经统计得到大于0.5%的丢包率的个数小于10,确定10分钟内数据的丢包率不存在异常。
在本实施例的一些可选的实现方式中,上述第一级质量数据还可以是时延,可以以10秒为周期对数据的时延进行采集,得到每个10秒的数据的时延,在10分钟内将得到60个时延,可以将60个时延的极差作为波动程度的表征值,响应于经计算得到上述60个时延的极差大于预设阈值,确定时延存在异常,响应于经计算得到上述60个时延的极差小于预设阈值,确定10分钟内数据的时延不存在异常。需要说明的是上述具体数值仅为示例性的,在此不做限定。
在本实施例的一些可选的实现方式中,在步骤202,检测第一级质量数据是否存在异常之前,上述方法还可以包括:对上述质量数据进行预处理。具体的,上述预处理可以包括以下步骤:将数据设置成为预设形式,其中,上述预设形式可以是每一行的数据为一个时间点的数据,每一列代表一个队列;过滤掉预设时间内获取比例小于预设比例的数据,其中,上述获取比例可以是单位时间内获取的数据量;计算数据的中值,并根据上述中值对数据进行正则化处理。
在本实施例的一些可选的实现方式中,在步骤202,检测第一级质量数据是否存在异常之后,上述方法还可以包括:响应于检测到上述第一级质量数据存在异常,生成第二告警信息并进行推送。上述第一级质量数据的波动程度的表征值大于预设阈值,表示上述第一级质量数据存在异常。响应于检测到第一级质量数据存在异常,上述电子设备可以生成第二告警信息并采用各种方式进推送给网络运维人员,例如,可以发送告警邮件到网络运维人员的电子邮箱,也可以发送告警短信到运维人员所持有的移动设备。
步骤203,响应于检测到上述第一级质量数据不存在异常,执行第二级质量数据异常检测步骤。
在本实施例中,上述第一级质量数据的波动程度的表征值不大于预设阈值,表示上述第一级质量数据不存在异常。响应于检测到第一级质量数据不存在异常,上述电子设备可以执行第二级质量数据异常检测步骤。
进一步参考图3,图3是对上述步骤203中的第二级质量数据异常检测步骤的分解流程图。在图3中,将上述第二级质量数据异常检测步骤分解成如下的3个子步骤,即:步骤2031、步骤2032和步骤2033。
步骤2031,提取上述第二级质量数据的特征向量。
在本实施例中,上述电子设备可以提取第二级质量数据的特征向量。作为示例,上述第二级质量数据可以是丢包率,丢包率的特征向量可以包括丢包率的平均值和最大值。上述第二级质量数据还可以是时延,时延的特征向量可以包括时延的平均值和极差。
步骤2032,将第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果。
在本实施例中,上述电子设备中可以存储有预先训练的异常检测模型。在提取特征向量后,上述电子设备可以将上述特征向量输入至预先训练的异常检测模型,得到异常检测结果。此处,所得到的异常检测结果可以用于表征上述第二级质量数据是否存在异常,异常检测结果可以是一个数值,还可以是一段文字。需要说明的是,异常检测模型可以用于表征特征向量与异常检测结果的对应关系。作为示例,异常检测模型可以是技术人员基于对大量的特征向量和异常检测结果的统计而预先制定的、存储有多个特征向量与异常检测结果的对应关系的对应关系表;也可以是技术人员基于对大量数据的统计而预先设置并存储至上述电子设备中的、对特征向量中的一个或多个数值进行数值计算以得到用于表征异常检测结果的计算结果的计算公式,例如,该计算公式可以是预设时间内采集的丢包率的平均值与预设时间相乘的公式,得到的乘积可以用于表征异常检测结果;还可以是使用现有的异常检测模型进行训练得到的。
在本实施例的一些可选的实现方式中,上述电子设备可以预先按照以下步骤训练异常检测模型:
首先,上述电子设备可以获取样本数据。其中,上述样本数据包括预先采集并存储的网络中各条数据链路在预设时间段内(例如当前日期的前7天内、当前日期的前15天内等)的、经过预处理的第二级质量数据。
然后,上述电子设备从上述样本数据中提取特征向量,此处,提取特征向量的基本方法与上文所阐述的提取第二级质量数据的特征向量的方法基本相同,在此不再赘述。
最后,上述电子设备可以利用机器学习方法,将上述特征向量作为输入,将异常检测结果作为输出,训练得到异常检测模型。具体的,上述电子设备可以使用孤立森林(Isolation Forest,iForest)模型,将上述特征向量作为输入,将上述用于表征第二级质量数据是否存在异常的信息作为对应的模型输出,利用机器学习方法,对孤立森林模型进行训练,得到上述异常检测模型。其中,上述孤立森林模型是指采用孤立森林算法建立的模型。上述孤立森林算法是一种具有线性时间复杂度和高精准度的、符合大数据处理要求的先进算法。孤立森林算法适用于连续数据的异常检测,在孤立森林算法中,将异常定义为“容易被孤立的离群点”,可以理解为分布稀疏且离密度高的群体较远的点,用统计学来解释,在数据空间里面,分布稀疏的区域表示数据发生在此区域的概率很低,因而可以认为落在这些区域里的数据是异常的。
在本实施例的一些可选的实现方式中,上述异常检测模型还可以包括第一检测模块和第二检测模块。其中,上述第一检测模块可以包括分别采用网络中每条数据链路的样本数据进行训练得到的、与每条数据链路相对应的子检测模块,可以用于检测上述第二级质量数据在目标数据链路中是否呈现异常。上述第二检测模块可以是采用网络中全部数据链路的样本数据统一进行训练得到的、用于检测上述第二级质量数据在整体网络中是否为呈现异常的模块,当上述第一检测模块和上述第二检测模块的检测结果均表征上述第二级质量数据存在异常时,上述异常检测模型的异常检测结果表征上述第二级质量数据存在异常。
需要说明的是,上述质量数据还可以包括至少一个级别的质量数据,每一个级别的质量数据可以对应一个预先训练的异常检测模型,每一个级别的质量数据所对应的异常检测模型的训练方法与第二级质量数据相同。
步骤2033,响应于异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
在本实施例中,响应于异常检测结果表征第二级质量数据存在异常,上述电子设备可以生成第一告警信息并向网络运维人员进行推送。
继续参见图4,图4是根据本实施例的用于推送告警信息的方法的应用场景的一个示意图。在图4的应用场景中,首先,服务器401获取目标数据链路的质量数据402,包括第一级质量数据403和第二级质量数据405。而后,服务器401对第一级质量数据403进行异常检测,确定第一级质量数据403是否存在异常,若第一级质量数据403存在异常,服务器401生成第二告警信息404并推送至运维人员所使用的终端设备408;若第一级质量数据403不存在异常,服务器401对第二级质量数据405进行特征提取,得到第二级质量数据405的特征向量406。之后,服务器将特征向量406输入至预先训练的异常检测模型,得到异常检测结果。最后,响应于异常检测结果表征第二级质量数据存在异常,服务器401生成第一告警信息407并推送至运维人员所使用的终端设备408。
本申请的上述实施例提供的方法通过对所获取的质量数据中的第一级数据进行异常检测,以便确定第一级质量数据是否存在异常。而后,响应于确定第一级质量数据存在异常,生成第二告警信息并推送给运维人员;响应于确定第一级质量数据不存在异常,从第二级质量数据中提取特征向量,以便基于第二级质量数据的特征向量和预先训练的异常检测模型确定异常检测结果。最后,响应于异常检测结果表征第二级质量数据存在异常,向网络运维人员推送第一告警信息。从而,可以实现基于对目标数据链路的质量数据的异常检测确定是否推送告警信息,从而实现了发生网络故障时的有效告警。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于推送告警信息的装置的一个实施例,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5所示,本实施例的用于输出信息的装置500包括:第一获取单元501、第一执行单元502和第二执行单元503。其中,第一获取单元501用于获取目标数据链路的质量数据,其中,上述质量数据包括根据上述数据链路中带宽分配而划分的第一级质量数据和第二级质量数据;第一执行单元502用于检测上述第一级质量数据是否存在异常;第二执行单元503用于响应于检测到上述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取上述第二级质量数据的特征向量;将上述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,上述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于上述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
在本实施例中,用于输出信息的装置500的第一获取单元501、第一执行单元502和第二执行单元503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和步骤203、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,上述装置500可以还包括:预处理单元(图中未示出),配置用于对上述质量数据进行预处理。
在本实施例的一些可选的实现方式中,上述第一执行单元进一步配置用于响应于上述第一级质量数据存在异常,生成第二告警信息并进行推送。
在本实施例的一些可选的实现方式中,上述装置500可以还包括:第二获取单元(图中未示出),配置用于获取样本数据,其中,上述样本数据包括预先采集并存储的网络中各条数据链路在预设时间段内的、经过预处理的第二级质量数据;提取单元(图中未示出),配置用于提取上述样本数据的特征向量;训练单元(图中未示出),配置用于利用机器学习方法,将上述样本数据的特征向量作为输入,用于表征上述第二级质量数据是否存在异常的信息作为输出,训练得到异常检测模型。
在本实施例的一些可选的实现方式中,上述异常检测模型还可以包括第一检测模块和第二检测模块。其中,上述第一检测模块可以包括分别采用网络中每条数据链路的样本数据进行训练得到的、与每条数据链路相对应的子检测模块,可以用于检测上述第二级质量数据在目标数据链路中是否呈现异常。上述第二检测模块可以是采用网络中全部数据链路的样本数据统一进行训练得到的、用于检测上述第二级质量数据在整体网络中是否为呈现异常的模块,当上述第一检测模块和上述第二检测模块的检测结果均表征上述第二级质量数据存在异常时,上述异常检测模型的异常检测结果表征上述第二级质量数据存在异常。
下面参考图6,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600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU,Central Processing Unit)601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分606加载到随机访问存储器(RAM,Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O,Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括硬盘等的存储部分606;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609,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608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606。
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,其包括承载在计算机可读介质上的计算机程序,该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607从网络上被下载和安装,和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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,该模块、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:一种处理器包括第一获取单元、第一执行单元和第二执行单元。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,第一获取单元还可以被描述为“获取目标数据链路的质量数据的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取目标数据链路的质量数据,其中,上述质量数据包括根据上述数据链路中带宽分配而划分的第一级质量数据和第二级质量数据;检测上述第一级质量数据是否存在异常;响应于检测到上述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取上述第二级质量数据的特征向量;将上述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,上述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于上述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
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上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 (12)
1.一种用于推送告警信息的方法,包括:
获取目标数据链路的质量数据,其中,所述目标数据链路是预先指定的、数据中心内网中的数据链路,所述质量数据包括根据所述目标数据链路中带宽分配而划分的第一级质量数据和第二级质量数据,所述质量数据包括以下至少一项:丢包率,时延;
检测所述第一级质量数据是否存在异常;
响应于检测到所述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取所述第二级质量数据的特征向量;将所述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,所述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于所述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
2.根据权利要求1所述的方法,其中,所述检测所述第一级质量数据是否存在异常,包括:
统计所述第一级质量数据的波动程度,得到所述波动程度的表征值;
确定所述波动程度的表征值是否大于预设阈值,响应于确定所述表征量大于预设阈值,则确定所述第一级质量数据存在异常。
3.根据权利要求1所述的方法,其中,所述检测所述第一级质量数据是否存在异常之前,所述方法还包括:
对所述质量数据进行预处理。
4.根据权利要求1所述的方法,其中,所述检测所述第一级质量数据是否存在异常之后,所述方法还包括:
响应于检测到所述第一级质量数据存在异常,生成第二告警信息并进行推送。
5.根据权利要求1所述的方法,其中,所述异常检测模型是通过以下步骤训练得到的:
获取样本数据,其中,所述样本数据包括预先采集并存储的网络中各条数据链路在预设时间段内的、经过预处理的第二级质量数据;
提取所述样本数据的特征向量;
利用机器学习方法,将所述样本数据的特征向量作为输入,用于表征所述第二级质量数据是否存在异常的信息作为输出,训练得到异常检测模型。
6.一种用于推送告警信息的装置,包括:
第一获取单元,配置用于获取目标数据链路的质量数据,其中,所述目标数据链路是预先指定的、数据中心内网中的数据链路,所述质量数据包括根据所述目标数据链路中带宽分配而划分的第一级质量数据和第二级质量数据,所述质量数据包括以下至少一项:丢包率,时延;
第一执行单元,配置用于检测所述第一级质量数据是否存在异常;
第二执行单元,配置用于响应于检测到所述第一级质量数据不存在异常,执行如下的第二级质量数据异常检测步骤:提取所述第二级质量数据的特征向量;将所述第二级质量数据的特征向量输入至预先训练的异常检测模型,得到异常检测结果,其中,所述异常检测模型用于表征特征向量与异常检测结果的对应关系;响应于所述异常检测结果表征第二级质量数据存在异常,生成第一告警信息并进行推送。
7.根据权利要求6所述的装置,其中,所述检测所述第一级质量数据是否存在异常,包括:
统计所述第一级质量数据的波动程度,得到所述波动程度的表征值;
确定所述波动程度的表征值是否大于预设阈值,响应于确定所述表征量大于预设阈值,则确定所述第一级质量数据存在异常。
8.根据权利要求6所述的装置,其中,所述装置还包括:
预处理单元,配置用于对所述质量数据进行预处理。
9.根据权利要求6所述的装置,其中,所述第一执行单元进一步配置用于:
响应于所述第一级质量数据存在异常,生成第二告警信息并进行推送。
10.根据权利要求6所述的装置,其中,所述装置还包括:
第二获取单元,配置用于获取样本数据,其中,所述样本数据包括预先采集并存储的网络中各条数据链路在预设时间段内的、经过预处理的第二级质量数据;
提取单元,配置用于提取所述样本数据的特征向量;
训练单元,配置用于利用机器学习方法,将所述样本数据的特征向量作为输入,用于表征所述第二级质量数据是否存在异常的信息作为输出,训练得到异常检测模型。
11.一种服务器,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277894.9A CN108011782B (zh) | 2017-12-06 | 2017-12-06 | 用于推送告警信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711277894.9A CN108011782B (zh) | 2017-12-06 | 2017-12-06 | 用于推送告警信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108011782A CN108011782A (zh) | 2018-05-08 |
CN108011782B true CN108011782B (zh) | 2020-10-16 |
Family
ID=62057050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711277894.9A Active CN108011782B (zh) | 2017-12-06 | 2017-12-06 | 用于推送告警信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108011782B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108924004B (zh) * | 2018-06-29 | 2021-01-19 | 中国科学院深圳先进技术研究院 | 商用酒店厨房物联网数据的异常检测分析方法及相关产品 |
CN110086852A (zh) * | 2019-03-27 | 2019-08-02 | 苏州威斯德医疗科技有限公司 | 一种基于智能摄像头的用于识别异常的方法及装置 |
CN110198305A (zh) * | 2019-05-05 | 2019-09-03 | 平安科技(深圳)有限公司 | 坐席ip的异常检测方法、系统、计算机设备及存储介质 |
CN110311812B (zh) * | 2019-06-24 | 2023-01-24 | 深圳市腾讯计算机系统有限公司 | 一种网络分析方法、装置和存储介质 |
CN110503570A (zh) * | 2019-07-16 | 2019-11-26 | 国网江苏省电力有限公司滨海县供电分公司 | 一种异常用电数据检测方法、系统、设备、存储介质 |
CN110601971B (zh) * | 2019-09-17 | 2021-10-26 | 南京林业大学 | 一种数据传输方法、装置、电子设备及存储介质 |
CN110808972B (zh) * | 2019-10-30 | 2021-12-24 | 杭州迪普科技股份有限公司 | 数据流识别方法及装置 |
CN111325463A (zh) * | 2020-02-18 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 数据质量检测方法、装置、设备及计算机可读存储介质 |
CN113839904B (zh) * | 2020-06-08 | 2023-08-22 | 北京梆梆安全科技有限公司 | 基于智能网联汽车的安全态势感知方法和系统 |
CN111751705B (zh) * | 2020-06-18 | 2023-04-07 | 捷普电子(广州)有限公司 | 测试结果展示方法、装置及电子设备、存储介质 |
CN112231183B (zh) * | 2020-07-13 | 2022-09-30 | 国网宁夏电力有限公司电力科学研究院 | 通信设备告警预测方法和装置、电子设备和可读存储介质 |
CN112971795B (zh) * | 2021-02-07 | 2023-04-18 | 中国人民解放军总医院 | 心电信号质量评估方法 |
CN112971762B (zh) * | 2021-02-07 | 2023-04-18 | 中国人民解放军总医院 | 呼吸信号质量评估方法 |
CN113127858A (zh) * | 2021-04-19 | 2021-07-16 | 中国工商银行股份有限公司 | 异常检测模型训练方法、异常检测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051953A (zh) * | 2007-05-14 | 2007-10-10 | 中山大学 | 基于模糊神经网络的异常检测方法 |
CN101179321A (zh) * | 2007-12-13 | 2008-05-14 | 北京卫星信息工程研究所 | 一种卫星通信系统实现无线资源管理的方法 |
CN103365969A (zh) * | 2013-06-24 | 2013-10-23 | 北京奇虎科技有限公司 | 一种异常数据检测处理的方法和系统 |
CN104935600A (zh) * | 2015-06-19 | 2015-09-23 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的移动自组织网络入侵检测方法与设备 |
CN106202389A (zh) * | 2016-07-08 | 2016-12-07 | 中国银联股份有限公司 | 一种基于交易数据的异常监测方法及装置 |
CN107113641A (zh) * | 2014-12-17 | 2017-08-29 | 汤姆逊许可公司 | 多接入点环境中wlan用户体验质量控制 |
WO2017167021A1 (zh) * | 2016-03-28 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 异常监控方法及装置 |
-
2017
- 2017-12-06 CN CN201711277894.9A patent/CN108011782B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101051953A (zh) * | 2007-05-14 | 2007-10-10 | 中山大学 | 基于模糊神经网络的异常检测方法 |
CN101179321A (zh) * | 2007-12-13 | 2008-05-14 | 北京卫星信息工程研究所 | 一种卫星通信系统实现无线资源管理的方法 |
CN103365969A (zh) * | 2013-06-24 | 2013-10-23 | 北京奇虎科技有限公司 | 一种异常数据检测处理的方法和系统 |
CN107113641A (zh) * | 2014-12-17 | 2017-08-29 | 汤姆逊许可公司 | 多接入点环境中wlan用户体验质量控制 |
CN104935600A (zh) * | 2015-06-19 | 2015-09-23 | 中国电子科技集团公司第五十四研究所 | 一种基于深度学习的移动自组织网络入侵检测方法与设备 |
WO2017167021A1 (zh) * | 2016-03-28 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 异常监控方法及装置 |
CN106202389A (zh) * | 2016-07-08 | 2016-12-07 | 中国银联股份有限公司 | 一种基于交易数据的异常监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108011782A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108011782B (zh) | 用于推送告警信息的方法和装置 | |
CN107809331B (zh) | 识别异常流量的方法和装置 | |
JP6126671B2 (ja) | ファイル識別方法及び装置 | |
CN106201829B (zh) | 监控阈值确定方法及装置、监控报警方法、装置及系统 | |
CN108900388B (zh) | 用于监控网络质量的方法、设备及介质 | |
US9704382B2 (en) | Method for calculating error rate of alarm | |
CN108228428B (zh) | 用于输出信息的方法和装置 | |
CN111368089A (zh) | 一种基于知识图谱的业务处理方法及装置 | |
CN109976995B (zh) | 用于测试的方法和装置 | |
CN111815177A (zh) | 消防安全评估方法、服务器、系统及存储介质 | |
CN111327466B (zh) | 一种告警分析方法、系统、设备以及介质 | |
CN112948223B (zh) | 一种监测运行情况的方法和装置 | |
CN117952100A (zh) | 数据处理的方法、装置、电子设备和存储介质 | |
CN113312321A (zh) | 一种业务量的异常监测方法及相关设备 | |
CN117097578A (zh) | 一种网络流量的安全监控方法、系统、介质及电子设备 | |
EP4221081A1 (en) | Detecting behavioral change of iot devices using novelty detection based behavior traffic modeling | |
CN116955068A (zh) | 序列相似度计算及告警处理方法、装置以及存储介质 | |
US20200028733A1 (en) | Method and apparatus for processing information | |
CN109218062B (zh) | 基于置信区间的互联网业务报警方法和装置 | |
CN116304910A (zh) | 运维数据的异常检测方法、装置、设备及存储介质 | |
CN115187364A (zh) | 银行分布式场景下保证金风险监控的方法及装置 | |
CN113111234B (zh) | 基于正则表达式的处警警情类别确定方法和装置 | |
CN109726086A (zh) | 测试服务器性能的方法和装置 | |
CN109427177B (zh) | 一种监控报警方法及装置 | |
CN105516521B (zh) | 录音文件的检测系统及检测方法 |
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 |