CN108959415A - 一种异常维度定位方法、装置及电子设备 - Google Patents
一种异常维度定位方法、装置及电子设备 Download PDFInfo
- Publication number
- CN108959415A CN108959415A CN201810582107.XA CN201810582107A CN108959415A CN 108959415 A CN108959415 A CN 108959415A CN 201810582107 A CN201810582107 A CN 201810582107A CN 108959415 A CN108959415 A CN 108959415A
- Authority
- CN
- China
- Prior art keywords
- dimension
- value
- time point
- history
- rate data
- 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
Abstract
本发明实施例提供了一种异常维度定位方法、装置及电子设备,方案包括:获取第一时间点处待定位事件的历史率数据,以及第二时间点处待定位事件的本次率数据,针对每一维度,基于获取的历史数据,确定对于得到总历史率数据,该维度的贡献值,作为历史贡献值,基于获取的本次率数据,确定对于得到总本次率数据,该维度的贡献值,作为本次贡献值,基于该维度的历史贡献值和本次贡献值,确定对于率数据从总历史率数据变化到总本次率数据,该维度的贡献值,作为变化贡献值,基于每个维度的变化贡献值,优先将变化贡献值大的维度定位为异常维度。采用本发明实施例提供的方案,基于每个维度的变化贡献值定位异常维度,提高了异常维度定位的准确率。
Description
技术领域
本发明涉及数据异常检测技术领域,特别是涉及一种异常维度定位方法、装置及电子设备。
背景技术
数据异常的快速定位对于企业来说是非常重要的。在异常检测中,若已经确定数据出现异常,如何定位造成数据异常的具体数据,以及其所属的维度显得尤为重要,该维度主要是指构成该数据的不同组成部分,如:点击率可以由PC端点击率和移动端点击率共同组成的,则PC端点击率和移动端点击率就是构成点击率的不同维度。本领域中,点击率可以被看作是一种率值,率值可以理解为第一变量和第二变量的比值,其中,第一变量表示发生数,第二变量表示基数,例如,率值为点击率时,第一变量可以为点击数,第二变量可以为曝光数,第二变量也可以理解为展示数。上述率值、发生数和基数,可以统称为率数据。
在定位异常维度过程中,一种常用的方法为:计算影响数据变化的变量之间的率值,比较该率值在异常发生前后的变化,将率值发生变化大的维度定位为异常维度,如:某视频的点击率突然下降了,计算PC端和移动端点击数和曝光数的百分比,作为点击率,在对该视频数据进行分析过程中,发现只有PC端的点击率降低,则可以认为该视频点击率下降就是PC端导致的,而PC端就是所要定位的异常维度。
在数据异常发生后,基于率值定位异常维度时常用的方法有两种:第一种方法是将率值变化最大的维度定位为异常维度,第二种方法是直接将率值最小或最大的维度定位为异常维度,其中,当率值突降时,将率值最小的维度定位为异常维度,当率值突增时,将率值最大的维度定位为异常维度。
但是通过以上两种方法并不能处理所有的数据异常问题,具体以点击率为例说明,现有某数据发生异常,而影响该数据的维度仅有:平台1和平台2。
其中,点击率表示为:
对于第一种方法,当不同维度的数据的点击数或曝光数的基数存在较大差异时,使用第一种方法定位异常维度可能存在偏差,具体如示例一:
平台1的曝光为2保持不变,而点击数从2变为1,则点击率将从100%变为50%;
平台2的曝光数为100保持不变,而点击数从50变为30,则点击率将从50%变为30%。
此时,按照第一种方法,平台1点击率下降50%,平台2点击率下降20%,平台1下降明显大于平台2,因此平台1将被定位为异常维度。但是实际由于平台1点击数和曝光数的基数远小于平台2,导致平台1点击率变化明显大于平台2,进而导致偏差出现。
对于第二种方法,当不同维度之间的率值存在较大的差异时,而数据发生异常后率值的变化相对较小,使得该差异仍旧存在,只是相对减小而已,再使用第二种方法定位异常维度则会出现偏差,具体如示例二:
平台1的曝光数为100,点击数为10,即点击率为10%;
平台2的曝光数为100,点击数为50,即点击率为50%。
此时,若平台1的点击率由10%变成20%时,则总的曝光数为200,总点击数为70,总点击率从30%变为35%,根据第二种方法,总点击数上升,选择点击率最大的维度为异常维度,因为平台2的点击率大于平台1,则会将平台2定位为异常维度,该判定结果与实际情况存在偏差;
或者,当平台2的点击率从50%降为30%时,此时总点击率从30%变为20%,根据第二种方法,总点击率下降,选择点击率最小的维度为异常维度,因为平台1的点击率小于平台2,则会将平台1定位为异常维度,该判定结果与实际情况同样存在偏差。
除此以外,当所有平台的点击率都下降,但是总体的点击率却上升时,将无法通过以上两种方法定位异常维度,具体如示例三:
平台1的点击数从20变为18,曝光数保持100不变,即点击率从20%变为18%;
平台2的点击数从50变为90,曝光数从100变为200,即点击率从50%变为45%。
此时总的点击数由70变为108,总的曝光数从200变为300,总的点击率却从35%变为36%
根据第一种方法,平台2将会被定位为异常维度,根据第二种方法,则无法判定。造成这种现象的原因则是:虽然平台1与平台2的点击率都下降了,但是由于发生异常后平台2的点击数和曝光数在总体中的占比远大于平台1在总体中的占比,从而导致了总体点击率的上升,由于以上两种方法在分析异常数据过程中分析角度存在差异,导致没有办法分析如示例三中出现的现象。
综上所述,现有技术中通过率值在数据异常发生前后的变化定位异常维度的两种方法存在明显的偏差。上述的两种方法在定位异常维度过程中,依据率值的变化定位异常维度仅仅可以作为参考,不能作为数据异常定位的主要依据,其主要原因为:率值只是影响数据变化的两个变量经过数学计算得到的比值,在数据分析过程中,该比值并不能完整的体现出所有维度数据具体变化情况,因此在定位异常维度过程中往往会存在偏差,导致定位该异常维度的准确率低。
发明内容
本发明实施例的目的在于提供一种异常维度定位方法、装置及电子设备,用以解决存在的异常维度定位准确率低的问题,具体技术方案如下:
本发明实施例提供了一种异常维度定位方法,所述方法包括:
获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据,其中,所述第二时间点在所述第一时间点之后,所述历史率数据包括总历史率数据以及每个维度的历史率数据,所述本次率数据包括总本次率数据以及每个维度的本次率数据,一个事件的率数据包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,所述第一变量表示发生数,所述第二变量表示基数。
基于获取的所述历史率数据,针对每一维度,确定对于得到所述总历史率数据,该维度的贡献值,作为历史贡献值;
基于获取的所述本次率数据,针对每一维度,确定对于得到所述总本次率数据,该维度的贡献值,作为本次贡献值;
针对每一维度,基于该维度的所述历史贡献值和所述本次贡献值,确定对于率数据从所述总历史率数据变化到所述总本次率数据,该维度的贡献值,作为变化贡献值;
基于每个维度的所述变化贡献值,优先将所述变化贡献值大的维度定位为异常维度。
进一步的,在获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据之前,还包括:
在确定待定位事件的数据发生异常后,获取包含数据发生异常的异常时间点的时间段;
在所述时间段内,选取所述异常时间点作为第一时间点,以及在所述第一时间点之后,且数据正常的正常时间点作为第二时间点;或者,选取所述异常时间点作为第二时间点,以及在所述第二时间点之前的,数据正常的正常时间点作为第一时间点。
进一步的,基于获取的所述历史率数据,针对每一维度,确定对于得到所述总历史率数据,该维度的贡献值,作为历史贡献值,包括:
针对一个维度p,按照如下公式计算该维度p的历史贡献值:
βp1=cp1*(ap1-A1)
其中,βp1表示该维度p的历史贡献值,cp1表示该维度p在所述第一时间点处的第二变量值,ap1表示该维度p在所述第一时间点处的历史率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
进一步的,基于获取的所述本次率数据,针对每一维度,确定对于得到所述总本次率数据,该维度的贡献值,作为本次贡献值,包括:
针对一个维度p,按照如下公式计算该维度p的本次贡献值:
βp2=cp2*(ap2-A1)
其中,βp2表示该维度p的本次贡献值,cp2表示该维度p在所述第二时间点处的第二变量值,ap2表示该维度p在所述第二时间点处的本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
进一步的,针对每一维度,基于该维度的所述历史贡献值和所述本次贡献值,确定对于率数据从所述总历史率数据变化到所述总本次率数据,该维度的贡献值,作为变化贡献值,包括:
针对一个维度p,按照如下公式计算该维度p的变化贡献值:
其中,βp表示该维度p的变化贡献值,βp2表示该维度p的本次贡献值,βp1表示该维度p的历史贡献值,C2表示所述待定位事件在所述第二时间点处的总本次第二变量值,A2表示所述待定位事件在所述第二时间点处的总本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
本发明实施例提供了一种异常维度定位装置,所述装置包括:
率数据获取模块,用于获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据,其中,所述第二时间点在所述第一时间点之后,所述历史率数据包括总历史率数据以及每个维度的历史率数据,所述本次率数据包括总本次率数据以及每个维度的本次率数据,一个事件的率数据包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,所述第一变量表示发生数,所述第二变量表示基数;
历史贡献值计算模块,用于基于获取的所述历史率数据,针对每一维度,确定对于得到所述总历史率数据,该维度的贡献值,作为历史贡献值;
本次贡献值计算模块,用于基于获取的所述本次率数据,针对每一维度,确定对于得到所述总本次率数据,该维度的贡献值,作为本次贡献值;
变化贡献值计算模块,用于针对每一维度,基于该维度的所述历史贡献值和所述本次贡献值,确定对于率数据从所述总历史率数据变化到所述总本次率数据,该维度的贡献值,作为变化贡献值;
异常维度定位模块,用于基于每个维度的所述变化贡献值,优先将所述变化贡献值大的维度定位为异常维度。
进一步的,上述装置,还包括:
时间获取模块,用于在所述率数据获取模块获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据之前,在确定待定位事件的数据发生异常后,获取包含数据发生异常的异常时间点的时间段;并在所述时间段内,选取所述异常时间点作为第一时间点,以及在所述第一时间点之后,且数据正常的正常时间点作为第二时间点;或者,选取所述异常时间点作为第二时间点,以及在所述第二时间点之前的,数据正常的正常时间点作为第一时间点。
进一步的,所述历史贡献值计算模块,具体用于针对一个维度p,按照如下公式计算该维度p的历史贡献值:
βp1=cp1*(ap1-A1)
其中,βp1表示该维度p的历史贡献值,cp1表示该维度p在所述第一时间点处的第二变量值,ap1表示该维度p在所述第一时间点处的历史率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
进一步的,所述本次贡献值计算模块,具体用于针对一个维度p,按照如下公式计算该维度p的本次贡献值:
βp2=cp2*(ap2-A1)
其中,βp2表示该维度p的本次贡献值,cp2表示该维度p在所述第二时间点处的第二变量值,ap2表示该维度p在所述第二时间点处的本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
进一步的,所述变化贡献值计算模块,具体用于针对一个维度p,按照如下公式计算该维度p的变化贡献值:
其中,βp表示该维度p的变化贡献值,βp2表示该维度p的本次贡献值,βp1表示该维度p的历史贡献值,C2表示所述待定位事件在所述第二时间点处的总本次第二变量值,A2表示所述待定位事件在所述第二时间点处的总本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
本发明实施例提供了一种电子设备,所述电子设备包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一异常维度定位方法步骤。
本发明实施还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一异常维度定位方法的步骤。
本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一异常维度定位方法。
本发明实施例提供的一种异常维度定位方法、装置及电子设备,可以实现在数据发生异常后,通过获取第一时点处的历史率数据和第二时间点处的本次率数据;针对每一维度,基于获取的历史率数据,确定对于得到总历史率数据时该维度的历史贡献值;基于获取的本次率数据,确定对于得到总本次率数据时该维度的本次贡献值;根据历史贡献值和本次贡献值,确定该维度率数据从总历史率数据变化到总本次率数据的贡献值,作为变化贡献值。该变化贡献值能完整的体现出每个维度数据的变化情况,并可以表示该维度数据的变化,对于数据总体变化影响的大小,因此,基于该变化贡献值定位异常维度,提高了异常维度定位的准确率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例提供的一种异常维度定位方法的流程图;
图2为本发明实施例提供的一种异常维度定位装置的结构示意图;
图3为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
在本发明实施例提供的方案中,针对待定位事件,获取其在第一时间点的历史率数据和第二时间点的本次率数据,针对每一维度,基于历史率数据,确定对于得到总历史率数据是该维度的历史贡献值,基于本次率数据,确定对于得到总本次率数据时该维度的本次贡献值,根据历史贡献值和本次贡献值,确定该维度率数据从总历史率数据变化到总本次率数据的贡献值,作为变化贡献值。针对每一维度而言,其变化贡献值能完整的体现出每个维度数据的变化情况,并可以表示该维度数据的变化,对于数据总体变化影响的大小,因此,基于该变化贡献值定位异常维度,提高了异常维度定位的准确率。
本发明实施例提供了一种异常维度定位的方法,如图1所示,可以包括以下步骤:
步骤S101,获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的待定位事件的本次率数据。
在本步骤中,按照时间顺序,第二时间点在第一时间点之后,对于待定位事件而言,在第一时间点处,其历史率数据可以包括待定位事件的总历史率数据以及每个维度的历史率数据;在第二时间点处,其本次率数据可以包括待定位事件的总本次率数据以及每个维度的本次率数据。其中,一个事件的率数据可以包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,第一变量表示发生数,第二变量表示基数。
具体的,在第一时间点处,对于一个维度p,该维度p的历史率数据中率值、第一变量值以及第二变量值之间的关系可以表示为:
其中,ap1表示该维度p的率值,bp1表示该维度p的第一变量值,cp1表示该维度p的第二变量值。
在第一时间点处,对于待定位事件,其总历史率数据中总历史率值、总历史第一变量值以及总历史第二变量值之间的关系可以表示为:
其中,A1表示待定位事件的总历史率值,B1表示总历史第一变量值,其值可以是每个维度对应的第一变量值的和,C1表示总历史第二变量值,其值可以是每个维度对应的第二变量值的和,n表示所有维度的数量;
同理,在第二时间点处,对于一个维度p,该维度p的本次率数据中率值、第一变量值以及第二变量值之间的关系可以表示为:
其中,ap2表示该维度p的率值,bp2表示该维度p的第一变量值,cp2表示该维度p的第二变量值。
在第二时间点处,对于待定位事件,其总本次率数据中总本次率值、总本次第一变量值以及总本次第二变量值之间的关系可以表示为:
其中,A2表示待定位事件的总本次率值,B2表示总本次第一变量值,其值可以是每个维度第一变量值的和,C2表示总本次第二变量值,其值可以是每个维度对应的第二变量值的和,n表示所有维度的数量。
步骤S102,基于获取的历史率数据,针对每一维度,确定对于得到总历史率数据,该维度的贡献值,作为历史贡献值。
在本步骤中,针对每一维度,按照预设的公式计算得到历史贡献值,该历史贡献值可以体现出该维度对于总历史率数据的贡献值。
步骤S103,基于获取的本次率数据,针对每一维度,确定对于得到总本次率数据,该维度的贡献值,作为本次贡献值。
在本步骤中,针对每一维度,按照预设的公式计算得到本次贡献值,该本次贡献值可以体现出该维度对于总本次率数据的贡献值。
步骤S104,针对每一维度,基于该维度的历史贡献值和本次贡献值,确定对于率数据从总历史率数据变化到总本次率数据,该维度的贡献值,作为变化贡献值。
在本步骤中,针对每一维度,按照预设的公式计算得到变化贡献值,该变化贡献值可以体现出该维度的率数据从总历史率数据变化到本次率数据过程中贡献值的变化情况。
步骤S105,基于每个维度的变化贡献值,优先将变化贡献值大的维度定位为异常维度。
在本步骤中,由于每个维度的变化贡献值的和为1,则当待定位事件的数据出现异常时,若该事件是由其一个维度的数据导致异常的,则该维度的变化贡献值相对于其他维度将很大;同理,若该事件是由2个或者2个以上的维度导致异常的,则异常维度的变化贡献值必然大于其他维度的变化贡献值。
具体的,若有一待定位事件的数据出现异常,影响该事件的维度仅有平台1和平台2。此时通过计算,平台1的变化贡献值为90%,那么平台2的变化贡献值一定为10%,则平台1为异常维度。或者,通过计算,平台1的变化贡献值为150%,那么平台2的变化贡献值一定为-150%,则平台1和平台2都是异常维度。
进一步的,关于上述每个维度变化贡献值的和为1,具体证明如下:
针对一个由m个维度构成的待定位事件,其每一维度变化贡献值βi的和可以表示为:
其中,βi表示第i个维度的变化贡献值,ci2表示第i个维度在第二时间点处的第二变量值,ai2表示第i个维度在第二时间点处本次率值,A1表示在待定位事件在第一时间点处的总历史率值,ci1表示第i个维度在第一时间点处的第二变量值,ai1表示第i个维度在第一时间点处的历史率值,bi2表示第i个维度在第二时间点处的第一变量值,bi1表示第i个维度在第一时间点处的第一变量值,C2表示待定位事件在第二时间点处的总本次第二变量值,C1表示待定位事件在第一时间点处的总历史变量值。
由上述可知,针对待定位事件,根据上述步骤得到每个维度的变化贡献值,该变化贡献值可以完整的体现出该维度的数据变化情况,以及该维度数据变化对待定位事件的整体数据的影响,基于该变化贡献值定位异常维度,可以提高对于异常维度定位的准确率。
在上述异常维度定位方法的一个实施例中,在上述步骤S101中获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的待定位事件的本次率数据之前,还可以包括:
在确定待定位事件的数据发生异常后,获取包含数据发生异常的异常时间点的时间段;
在上述时间段内,选取异常时间点作为第一时间点,以及在第一时间点之后,且数据正常的正常时间点作为第二时间点;或者,选取异常时间点作为第二时间点,以及在第二时间点之前的,数据正常的正常时间点作为第一时间点。
具体的,在实际生产生活中,对于数据异常的分析是进行周期性检测分析的,也就是按照一个预设的周期频率,对数据进行采集、分析,若分析的结果与预期的结果存在巨大的差异,则此时数据存在异常。如:以视频点击率为例,对于某视频每隔1小时会点击率进行统计,某天在23:00到次日1:00,在该时间段内,该视频的点击率与往日的点击率相比突然增加了,次日1:00至2:00数据又恢复正常,则该视频在23:00至次日1:00这段时间内数据存在异常。应用本发明实施例对该视频异常维度定位时,上述时间段的选取可以是异常发生前到异常恢复前,如:22:00到次日00:00,此时第一时间点可以是22:00,第二时间点可以是次日00:00;同理,时间段也可以是异常发生时到异常恢复后,如次日00:00到次日2:00,此时,第一时间点可以是次日00:00,第二时间点可以是次日2:00。
由上述可知,关于时间点的选取要求仅仅是一个正常时间点和一个异常时间点,这样对于第一时间点和第二时间点的选取可以更为灵活。
在上述异常维度定位方法的一个实施例中,步骤S102中基于获取的历史率数据,针对每一维度,确定对于得到总历史率数据,该维度的贡献值,作为历史贡献值,具体处理方式可以为:
针对一个维度p,按照如下公式计算该维度p的历史贡献值:
βp1=cp1*(ap1-A1)
其中,βp1表示该维度p的历史贡献值,cp1表示该维度p在第一时间点处的第二变量值,ap1表示该维度p在第一时间点处的历史率值,A1表示待定位事件在第一时间点处的总历史率值。
具体的,以点击率为例说明,具体如示例四:
若有一待定位事件的点击率出现异常,影响该事件的维度只有平台1、平台2和平台3,已知:
在第一时间点处,平台1的曝光数为100,点击数为20,点击率为20%;平台2的曝光数为100,点击数为50,点击率为50%;平台3的曝光数为50,点击数为4,点击率为8%,此时,该事件的曝光数为250,点击数为74,点击率为29.6%。
在第二时间点处,平台1的曝光数为100,点击数为18,点击率为18;平台2的曝光数为200,点击数为90,点击率为45%;平台3的曝光数为50,点击数为4,点击率为8%,此时,该事件的曝光数为350,点击数为112,点击率为32%。
则对于平台1,其历史贡献值β11可以表示为:
β11=c11*(a11-A1)=100*(0.2-0.296)=-9.6
对于平台2,其历史贡献值β21可以表示为:
β21=c21*(a21-A1)=100*(0.5-0.2960)=20.4
对于平台3,其历史贡献值β31可以表示为:
β31=c31*(a31-A1)=50*(0.08-0.296)=-10.8
此时,该事件的点击率为29.6%,但是平台1的点击率只有20%,若要使得平台1的点击率达到29.6%,则平台1的点击数需要同比增加9.6,同理可知,若要使得平台2以及平台3的点击率为29.6%,则平台2点击数需要同比减少20.4,而平台3的点击数需要同比增加10.8。
进一步的,针对每一维度,根据率值,第二变量值以及待定位事件的总历史率值,计算其历史贡献值,确定每一维度对于得到总历史率数据的贡献值。该历史贡献值是以其对应维度的第一变量值的贡献值来表示的,同时,其历史贡献值可以为正,也可以为负,当其历史贡献值为正数时,表示该维度促进总历史率数据的增加;当其历史贡献值为负数时,表示该维度阻碍总历史率数据的增加。
由上述可知,每个维度的历史贡献值能够准确的表现出该维度率数据的变化情况,同时,根据其变化情况可以表现出其对待定位事件率数据的影响。
在上述异常维度定位方法的一个实施例中,步骤S103中基于获取的本次率数据,针对每一维度,确定对于得到总本次率数据,该维度的贡献值,作为本次贡献值,具体处理方式可以为:
针对一个维度p,按照如下公式计算该维度p的本次贡献值:
βp2=cp2*(ap2-A1)
其中,βp2表示该维度p的本次贡献值,cp2表示该维度p在第二时间点处的第二变量值,ap2表示该维度p在第二时间点处的本次率值,A1表示待定位事件在第一时间点处的总历史率值。
具体的,针对一个维度,以第一时间点处该待定位事件的总历史率值为参考,假设在第二时间点处总本次率值与之相同的情况下,通过,用本次贡献值表示确定得到总本次率数据,该维度的贡献值。以上述示例四为例进行说明,具体如下:
对于平台1,其本次贡献值β12可以表示为:
β12=c12*(a12-A1)=100*(0.18-0.296)=-11.6
对于平台2,其本次贡献值β22可以表示为:
β22=c22*(a22-A1)=200*(0.45-0.296)=30.8
对于平台3,其本次贡献值β32可以表示为:
β32=c32*(a2-A1)=50*(0.08-0.296)=-10.8
此时,在该事件的点击率为29.6%的情况下,平台1的点击率为18%,若要使其点击能够达到29.6%,平台1的需要增加11.6,同理可知,平台2的点击数需要减少30.8,平台3的点击数需要增加10.8。
进一步的,针对每一维度,通过率值、第二变量值以及总本次率值,计算其本次贡献值,确定每一维度对于得到总本次率数据的贡献值。该本次贡献值是以其对应维度的第一变量值的贡献值来表示的,同时,其本次贡献值可以为正,也可以为负,当其本次贡献值为正数时,表示该维度促进总本次率数据的增加;当其本次贡献值为负数时,表示该维度阻碍总本次率数据的增加。
由上述可知,每个维度的本次贡献值能够准确的表现出该维度率数据的变化情况,同时,根据其变化情况可以表现出其对待定位事件率数据的影响。
在上述异常维度定位方法的一个实施例中,步骤S104中针对每一维度,基于该维度的历史贡献值和本次贡献值,确定对于率数据从总历史率数据变化到总本次率数据,该维度的贡献值,作为变化贡献值,具体实施方式可以为:
针对一个维度p,按照如下公式计算该维度p的变化贡献值:
其中,βp表示该维度p的变化贡献值,βp2表示该维度p的本次贡献值,βp1表示该维度p的历史贡献值,C2表示待定位事件在第二时间点处的总本次第二变量值,A2表示待定位事件在第二时间点处的总本次率值,A1表示待定位事件在第一时间点处的总历史率值。
具体的,针对每一维度,根据上述本次贡献值和历史贡献值,计算该维度对于率数据从总历史率数据变化到总本次率数据的贡献值。以示例四为例进行说明,具体如下:
对于平台1,其变化贡献值β1可以表示为:
对于平台2,其变化贡献值β2可以表示为:
对于平台3,其变化贡献值β3可以表示为:
此时,平台1的变化贡献值为23.8%,平台2的变化贡献值为-123.8%,平台3的变化贡献值为0,则根据平台1、平台2以及平台3的变化贡献值的大小,可以看出造成此待定位事件数据出现异常的原因是平台2的数据出现异常。
进一步的,针对每一维度,其变化贡献值可以为正数,也可以为负数,当其为正数时,表示在其他维度率数据保持不变的情况下,该维度对总历史率数据变化到总本次率数据有促进率数据增加的正面影响;当其为负数时,表示在其他维度率数据保持不变的情况下,该维度对总历史率数据变化到总本次率数据有阻碍率数据增加的负面影响,其变化贡献值对应数值的大小表示该维度对总历史率数据变化到总本次率数据影响程度的大小,其数值越大影响程度越大,数值越小影响程度越小。
由上述可知,针对每一维度,其变化贡献值可以体现出每一维度数据变化对于待定位事件数据变化的影响,该影响可以是正面影响,也可以是负面影响,同时影响程度的大小也可以根据变化贡献值数值大小得出。
进一步的,结合背景技术中涉及的示例,将发明实施例与现有技术进行比较,具体如下:
针对示例一,平台1的变化贡献值β1′可以表示为:
平台2的变化贡献值β2′可以表示为:
由变化贡献值可知,平台2的变化贡献值明显大于平台1,此时造成该事件数据异常的异常维度是平台2,该结果与实际情况一致,关于异常维度的定位没有出现偏差。
针对示例二,当总点击率上升时,平台1的变化贡献值β1″可以表示为:
平台2的变化贡献值β2″可以表示为:
此时,根据变化贡献值的大小,平台1为异常维度,该结果与实际情况一致,关于异常维度的定位没有出现偏差。
当总点击率下降时,平台1的变化贡献值β1″可以表示为:
平台2的变化贡献值β2″可以表示为:
此时,根据变化贡献值的大小,平台2为异常维度,该结果与实际情况一致,关于异常维度的定位没有出现偏差。
针对示例三,平台1的变化贡献值β1″′可以表示为:
平台2的变化贡献值β2″′可以表示为:
此时,根据变化贡献值的大小,平台2为异常维度,该结果与实际情况一致,关于异常维度的定位没有出现偏差。
综上所述,本发明实施例根据基于每个维度变化贡献值的大小,将变化贡献值大的维度定位为异常维度,可以提高异常维度定位的准确率。
需要说明的是,本发明实施例中有关历史贡献值、本次贡献值以及变化贡献值的计算,都是以第一时间点处待定位事件率值为参考进行的,实际对数据进行分析过程中,也可以以第二时间点处待定位事件率值为参考,计算历史贡献值、本次贡献值以及变化贡献值。
例如,针对一个维度p,该维度p的变化贡献值βp可以表示为:
也可以表示为:
其中,cp2表示该维度p在第二时间点处的第二变量值,ap2表示该维度p在第二时间点处的本次率值,cp1表示该维度p在第一时间点处的第二变量值,ap1表示该维度p在第一时间点处的历史率值,A1表示待定位事件在第一时间点处的总历史率值,A2表示待定位事件在第二时间点处的总本次率值,C2表示待定位事件在第二时间点处的总本次第二变量值,C1表示待定位事件在第一时间点处的总历史第二变量值。
基于同一发明构思,根据本发明实施例提供的上述异常维度定位方法,本发明实施例还提供了一种异常维度定位装置,如图2所示,包括以下模块:
率数据获取模块201,用于获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的待定位事件的本次率数据,其中,第二时间点在第一时间点之后,历史率数据包括总历史率数据以及每个维度的历史率数据,本次率数据包括总本次率数据以及每个维度的本次率数据,一个事件的率数据包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,第一变量表示发生数,第二变量表示基数;
历史贡献值计算模块202,用于基于获取的历史率数据,针对每一维度,确定对于得到总历史率数据,该维度的贡献值,作为历史贡献值;
本次贡献值计算模块203,用于基于获取的本次率数据,针对每一维度,确定对于得到总本次率数据,该维度的贡献值,作为本次贡献值;
变化贡献值计算模块204,用于针对每一维度,基于该维度的历史贡献值和本次贡献值,确定对于率数据从总历史率数据变化到总本次率数据,该维度的贡献值,作为变化贡献值;
异常维度定位模块205,用于基于每个维度的变化贡献值,优先将变化贡献值大的维度定位为异常维度。
进一步的,上述异常维度定位装置,还包括:
时间获取模块,用于在率数据获取模块201获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的待定位事件的本次率数据之前,在确定待定位事件的数据发生异常后,获取包含数据发生异常的异常时间点的时间段;并在时间段内,选取异常时间点作为第一时间点,以及在第一时间点之后,且数据正常的正常时间点作为第二时间点;或者,选取异常时间点作为第二时间点,以及在第二时间点之前的,数据正常的正常时间点作为第一时间点。
进一步的,历史贡献值计算模块202,具体用于针对一个维度p,按照如下公式计算该维度p的历史贡献值:
βp1=cp1*(ap1-A1)
其中,βp1表示该维度p的历史贡献值,cp1表示该维度p在第一时间点处的第二变量值,ap1表示该维度p在第一时间点处的历史率值,A1表示待定位事件在第一时间点处的总历史率值。
进一步的,本次贡献值计算模块203,具体用于针对一个维度p,按照如下公式计算该维度p的本次贡献值:
βp2=cp2*(ap2-A1)
其中,βp2表示该维度p的本次贡献值,cp2表示该维度p在第二时间点处的第二变量值,ap2表示该维度p在第二时间点处的本次率值,A1表示待定位事件在第一时间点处的总历史率值。
进一步的,变化贡献值计算模块204,具体用于针对一个维度p,按照如下公式计算该维度p的变化贡献值:
其中,βp表示该维度p的变化贡献值,βp2表示该维度p的本次贡献值,βp1表示该维度p的历史贡献值,C2表示待定位事件在第二时间点处的总本次第二变量值,A2表示待定位事件在第二时间点处的总本次率值,A1表示待定位事件在第一时间点处的总历史率值。
本发明实施例还提供了一种电子设备,如图3所示,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信,
存储器303,用于存放计算机程序;
处理器301,用于执行存储器303上所存放的程序时,实现如下步骤:
获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的待定位事件的本次率数据,其中,第二时间点在第一时间点之后,历史率数据包括总历史率数据以及每个维度的历史率数据,本次率数据包括总本次率数据以及每个维度的本次率数据,一个事件的率数据包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,第一变量表示发生数,第二变量表示基数;
基于获取的历史率数据,针对每一维度,确定对于得到总历史率数据,该维度的贡献值,作为历史贡献值;
基于获取的本次率数据,针对每一维度,确定对于得到总本次率数据,该维度的贡献值,作为本次贡献值;
针对每一维度,基于该维度的历史贡献值和本次贡献值,确定对于率数据从总历史率数据变化到总本次率数据,该维度的贡献值,作为变化贡献值;
基于每个维度的变化贡献值,优先将变化贡献值大的维度定位为异常维度。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一异常维度定位方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一异常维度定位方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备等实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (11)
1.一种异常维度定位方法,其特征在于,包括:
获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据,其中,所述第二时间点在所述第一时间点之后,所述历史率数据包括总历史率数据以及每个维度的历史率数据,所述本次率数据包括总本次率数据以及每个维度的本次率数据,一个事件的率数据包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,所述第一变量表示发生数,所述第二变量表示基数;
基于获取的所述历史率数据,针对每一维度,确定对于得到所述总历史率数据,该维度的贡献值,作为历史贡献值;
基于获取的所述本次率数据,针对每一维度,确定对于得到所述总本次率数据,该维度的贡献值,作为本次贡献值;
针对每一维度,基于该维度的所述历史贡献值和所述本次贡献值,确定对于率数据从所述总历史率数据变化到所述总本次率数据,该维度的贡献值,作为变化贡献值;
基于每个维度的所述变化贡献值,优先将所述变化贡献值大的维度定位为异常维度。
2.根据权利要求1所述的方法,其特征在于,在获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据之前,还包括:
在确定待定位事件的数据发生异常后,获取包含数据发生异常的异常时间点的时间段;
在所述时间段内,选取所述异常时间点作为第一时间点,以及在所述第一时间点之后,且数据正常的正常时间点作为第二时间点;或者,选取所述异常时间点作为第二时间点,以及在所述第二时间点之前的,数据正常的正常时间点作为第一时间点。
3.根据权利要求1所述的方法,其特征在于,所述基于获取的所述历史率数据,针对每一维度,确定对于得到所述总历史率数据,该维度的贡献值,作为历史贡献值,包括:
针对一个维度p,按照如下公式计算该维度p的历史贡献值:
βp1=cp1*(ap1-A1)
其中,βp1表示该维度p的历史贡献值,cp1表示该维度p在所述第一时间点处的第二变量值,ap1表示该维度p在所述第一时间点处的历史率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
4.根据权利要求1所述的方法,其特征在于,所述基于获取的所述本次率数据,针对每一维度,确定对于得到所述总本次率数据,该维度的贡献值,作为本次贡献值,包括:
针对一个维度p,按照如下公式计算该维度p的本次贡献值:
βp2=cp2*(ap2-A1)
其中,βp2表示该维度p的本次贡献值,cp2表示该维度p在所述第二时间点处的第二变量值,ap2表示该维度p在所述第二时间点处的本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
5.根据权利要求1-4任一所述的方法,其特征在于,所述针对每一维度,基于该维度的所述历史贡献值和所述本次贡献值,确定对于率数据从所述总历史率数据变化到所述总本次率数据,该维度的贡献值,作为变化贡献值,包括:
针对一个维度p,按照如下公式计算该维度p的变化贡献值:
其中,βp表示该维度p的变化贡献值,βp2表示该维度p的本次贡献值,βp1表示该维度p的历史贡献值,C2表示所述待定位事件在所述第二时间点处的总本次第二变量值,A2表示所述待定位事件在所述第二时间点处的总本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
6.一种异常维度定位装置,其特征在于,包括:
率数据获取模块,用于获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据,其中,所述第二时间点在所述第一时间点之后,所述历史率数据包括总历史率数据以及每个维度的历史率数据,所述本次率数据包括总本次率数据以及每个维度的本次率数据,一个事件的率数据包括该事件的率值,以及第一变量的第一变量值和第二变量的第二变量值,率值为第一变量值和第二变量值的比值,所述第一变量表示发生数,所述第二变量表示基数;
历史贡献值计算模块,用于基于获取的所述历史率数据,针对每一维度,确定对于得到所述总历史率数据,该维度的贡献值,作为历史贡献值;
本次贡献值计算模块,用于基于获取的所述本次率数据,针对每一维度,确定对于得到所述总本次率数据,该维度的贡献值,作为本次贡献值;
变化贡献值计算模块,用于针对每一维度,基于该维度的所述历史贡献值和所述本次贡献值,确定对于率数据从所述总历史率数据变化到所述总本次率数据,该维度的贡献值,作为变化贡献值;
异常维度定位模块,用于基于每个维度的所述变化贡献值,优先将所述变化贡献值大的维度定位为异常维度。
7.根据权利要求6所述的装置,其特征在于,还包括:
时间获取模块,用于在所述率数据获取模块获取第一时间点处的待定位事件的历史率数据,以及第二时间点处的所述待定位事件的本次率数据之前,在确定待定位事件的数据发生异常后,获取包含数据发生异常的异常时间点的时间段;并在所述时间段内,选取所述异常时间点作为第一时间点,以及在所述第一时间点之后,且数据正常的正常时间点作为第二时间点;或者,选取所述异常时间点作为第二时间点,以及在所述第二时间点之前的,数据正常的正常时间点作为第一时间点。
8.根据权利要求6所述的装置,其特征在于,所述历史贡献值计算模块,具体用于针对一个维度p,按照如下公式计算该维度p的历史贡献值:
βp1=cp1*(ap1-A1)
其中,βp1表示该维度p的历史贡献值,cp1表示该维度p在所述第一时间点处的第二变量值,ap1表示该维度p在所述第一时间点处的历史率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
9.根据权利要求6所述的装置,其特征在于,所述本次贡献值计算模块,具体用于针对一个维度p,按照如下公式计算该维度p的本次贡献值:
βp2=cp2*(ap2-A1)
其中,βp2表示该维度p的本次贡献值,cp2表示该维度p在所述第二时间点处的第二变量值,ap2表示该维度p在所述第二时间点处的本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
10.根据权利要求6-9任一所述的装置,其特征在于,所述变化贡献值计算模块,具体用于针对一个维度p,按照如下公式计算该维度p的变化贡献值:
其中,βp表示该维度p的变化贡献值,βp2表示该维度p的本次贡献值,βp1表示该维度p的历史贡献值,C2表示所述待定位事件在所述第二时间点处的总本次第二变量值,A2表示所述待定位事件在所述第二时间点处的总本次率值,A1表示所述待定位事件在所述第一时间点处的总历史率值。
11.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582107.XA CN108959415B (zh) | 2018-06-07 | 2018-06-07 | 一种异常维度定位方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810582107.XA CN108959415B (zh) | 2018-06-07 | 2018-06-07 | 一种异常维度定位方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959415A true CN108959415A (zh) | 2018-12-07 |
CN108959415B CN108959415B (zh) | 2022-03-04 |
Family
ID=64494114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810582107.XA Active CN108959415B (zh) | 2018-06-07 | 2018-06-07 | 一种异常维度定位方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959415B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516518A (zh) * | 2021-07-28 | 2021-10-19 | 阳光保险集团股份有限公司 | 参数异常原因的确定方法、装置、电子设备及存储介质 |
CN114610830A (zh) * | 2022-03-25 | 2022-06-10 | 江苏海洋大学 | 一种基于驾驶行为数据的地图要素变化检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355431A (zh) * | 2016-08-18 | 2017-01-25 | 晶赞广告(上海)有限公司 | 作弊流量检测方法、装置及终端 |
CN106447383A (zh) * | 2016-08-30 | 2017-02-22 | 杭州启冠网络技术有限公司 | 跨时间、多维度异常数据监测的方法和系统 |
CN107168854A (zh) * | 2017-06-01 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 互联网广告异常点击检测方法、装置、设备及可读存储介质 |
CN107688658A (zh) * | 2017-09-05 | 2018-02-13 | 北京奇艺世纪科技有限公司 | 一种异常数据的定位方法及装置 |
WO2018088824A1 (ko) * | 2016-11-10 | 2018-05-17 | 주식회사 파운트에이아이 | 클릭 로그 데이터를 이용하여 이상 사용자를 검출하는 방법 및 장치 |
-
2018
- 2018-06-07 CN CN201810582107.XA patent/CN108959415B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355431A (zh) * | 2016-08-18 | 2017-01-25 | 晶赞广告(上海)有限公司 | 作弊流量检测方法、装置及终端 |
CN106447383A (zh) * | 2016-08-30 | 2017-02-22 | 杭州启冠网络技术有限公司 | 跨时间、多维度异常数据监测的方法和系统 |
WO2018088824A1 (ko) * | 2016-11-10 | 2018-05-17 | 주식회사 파운트에이아이 | 클릭 로그 데이터를 이용하여 이상 사용자를 검출하는 방법 및 장치 |
CN107168854A (zh) * | 2017-06-01 | 2017-09-15 | 北京京东尚科信息技术有限公司 | 互联网广告异常点击检测方法、装置、设备及可读存储介质 |
CN107688658A (zh) * | 2017-09-05 | 2018-02-13 | 北京奇艺世纪科技有限公司 | 一种异常数据的定位方法及装置 |
Non-Patent Citations (1)
Title |
---|
刘子微: "社交网站广告反作弊系统的实现和优化", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516518A (zh) * | 2021-07-28 | 2021-10-19 | 阳光保险集团股份有限公司 | 参数异常原因的确定方法、装置、电子设备及存储介质 |
CN113516518B (zh) * | 2021-07-28 | 2024-04-05 | 阳光保险集团股份有限公司 | 参数异常原因的确定方法、装置、电子设备及存储介质 |
CN114610830A (zh) * | 2022-03-25 | 2022-06-10 | 江苏海洋大学 | 一种基于驾驶行为数据的地图要素变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108959415B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963292B2 (en) | Techniques to manage virtual classes for statistical tests | |
US9582271B2 (en) | Systems and methods for identifying software performance influencers | |
CN109558295B (zh) | 一种性能指标异常检测方法及装置 | |
CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
US9471470B2 (en) | Automatically recommending test suite from historical data based on randomized evolutionary techniques | |
JP6869347B2 (ja) | リスク制御イベント自動処理の方法および装置 | |
CN108388509B (zh) | 一种软件测试方法、计算机可读存储介质及终端设备 | |
CN110083475A (zh) | 一种异常数据的检测方法及装置 | |
CN114327983A (zh) | 一种基于日志的故障确定方法、装置、设备和介质 | |
CN108959415A (zh) | 一种异常维度定位方法、装置及电子设备 | |
CN114168318A (zh) | 存储释放模型的训练方法、存储释放方法及设备 | |
US10643161B2 (en) | Regulating application task development | |
CN109213476B (zh) | 一种安装包的生成方法、计算机可读存储介质及终端设备 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
CN112149370B (zh) | 芯片老化的静态时序分析方法、装置和电子设备 | |
Kwasnick et al. | Setting use conditions for reliability modeling | |
Agarwal | Markovian software reliability model for two types of failures with imperfect debugging rate and generation of errors | |
CN111190800A (zh) | 预测主机的批量运行时长的方法、系统、装置及存储介质 | |
US20190018723A1 (en) | Aggregating metric scores | |
CN115576850B (zh) | 数据指标测试方法、装置、电子设备及存储介质 | |
CN117521528B (zh) | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 | |
JP2009134518A (ja) | 試験プログラムの検証方法及びその検証システム | |
CN117807929A (zh) | 一种基于深度学习的模型仿真预测方法及系统 | |
Yeh et al. | A noise-robust estimator of volatility based on interquantile ranges | |
CN113129127A (zh) | 预警方法和装置 |
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 |