CN109146236A - 指标异常检测方法、装置、可读存储介质及电子设备 - Google Patents
指标异常检测方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN109146236A CN109146236A CN201810737519.6A CN201810737519A CN109146236A CN 109146236 A CN109146236 A CN 109146236A CN 201810737519 A CN201810737519 A CN 201810737519A CN 109146236 A CN109146236 A CN 109146236A
- Authority
- CN
- China
- Prior art keywords
- current time
- average value
- sample point
- index average
- point 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开涉及一种指标异常检测方法、装置、可读存储介质及电子设备,所述方法包括:获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差;基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻的指标异常阈值;在所述当前时刻的所述采样点数据与确定出的所述指标异常阈值之间满足异常条件时,确定所述当前时刻的所述采样点数据为异常数据。通过上述技术方案,可以有效减少确定当前时刻的指标异常阈值时所需的数据量,从而有效减少数据的计算量和存储量,提高数据处理效率。在保证指标异常检测的适用性的同时,也可以保证指标异常检测的效率和准确率。
Description
技术领域
本公开涉及异常检测领域,具体地,涉及一种指标异常检测方法、装置、可读存储介质及电子设备。
背景技术
信息技术的发展,使得电子化信息管理进入越来越多的行业。然而在电子化信息管理的过程中,容易出现异常情况,给用户的使用带来不便。因此,IT监控系统可以定期对设备的运行指标进行采样,且每个指标都有一个门限值,并将超过该门限值的指标数据确定为异常数据。
现有技术中,通常采用如下方式进行门限值的设置:
1、静态设置,如,运维人员基于经验设置一固定值。但该方式中,该门限值的准确度完全取决于该运维人员的工作经验,既缺乏灵活性,又容易出现偏差。
2、动态设置,如,监控系统基于大量的历史数据,通过算法自动计算该门限值。但在该方式中,既需要存储大量历史数据,又需要耗费巨大的计算资源来处理该大量历史数据,有些甚至需要额外部署计算服务,实施成本过高。
发明内容
本公开的目的是提供一种可以有效降低数据存储量和计算量的指标异常检测方法、装置、可读存储介质及电子设备。
为了实现上述目的,根据本公开的第一方面,提供一种指标异常检测方法,所述方法包括:
获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差;
基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻的指标异常阈值;
在所述当前时刻的所述采样点数据与确定出的所述指标异常阈值之间满足异常条件时,确定所述当前时刻的所述采样点数据为异常数据。
可选地,所述指标异常阈值包括指标异常上限阈值和/或指标异常下限阈值;
所述基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标异常阈值,包括:
根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差;
根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值和/或所述指标异常下限阈值。
可选地,所述指标平均值包括第一指标平均值和第二指标平均值,通过以下公式根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
δt=δt_1+(Y(t)-ESPt_1)(Y(t)-ESPt);
ESPt=(Y(t)+ESPt_1(N-1))/N;
t表示当前时刻;
N表示当前时刻对应的采样点数据的总个数;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1);
Y(t)表示当前时刻的所述采样点数据;
δt表示当前时刻对应的所述指标标准差;
δt-1表示上一时刻对应的指标标准差;
ESPt表示当前时刻对应的所述第二指标平均值;
ESPt-1表示上一时刻对应的第二指标平均值;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值:
UCL(t)=EWMA(t)+kδt;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常下限阈值:
LCL(t)=EWMA(t)-kδt;
其中,UCL(t)表示当前时刻对应的所述指标异常上限阈值;
LCL(t)表示当前时刻对应的所述指标异常下限阈值;
k表示预设常数。
可选地,当所述指标异常阈值包括指标异常上限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据大于所述指标异常上限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常上限阈值和指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值或大于所述指标异常上限阈值;且
所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。
可选地,所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度通过以下方式确定:
将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度。
可选地,所述指标平均值包括第一指标平均值和第二指标平均值,所述将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,包括:
将所述当前时刻的采样点数据与所述上一时刻对应的第一指标平均值之差的绝对值占所述上一时刻对应的第一指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,其中,所述第一指标平均值通过如下公式确定:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
t表示当前时刻;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的所述第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1),N表示当前时刻对应的采样点数据的总个数;
Y(t)表示当前时刻的所述采样点数据。
可选地,所述方法还包括:
在确定所述当前时刻的所述采样点数据为异常数据时,输出异常告警提示。
根据本公开的第二方面,提供一种指标异常检测装置,所述装置包括:
获取模块,用于获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差;
第一确定模块,用于基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻的指标异常阈值;
第二确定模块,用于在所述当前时刻的所述采样点数据与确定出的所述指标异常阈值之间满足异常条件时,确定所述当前时刻的所述采样点数据为异常数据。
可选地,所述指标异常阈值包括指标异常上限阈值和/或指标异常下限阈值;
所述第一确定模块包括:
确定子模块,用于根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差;
计算子模块,用于根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值和/或所述指标异常下限阈值。
可选地,所述指标平均值包括第一指标平均值和第二指标平均值,所述确定子模块用于通过以下公式根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
δt=δt-1+(Y(t)-ESPt_1)(Y(t)-ESPt);
ESPt=(Y(t)+ESPt-1(N-1))/N;
t表示当前时刻;
N表示当前时刻对应的采样点数据的总个数;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1);
Y(t)表示当前时刻的所述采样点数据;
δt表示当前时刻对应的所述指标标准差;
δt-1表示上一时刻对应的指标标准差;
ESPt表示当前时刻对应的所述第二指标平均值;
ESPt-1表示上一时刻对应的第二指标平均值;
所述计算子模块用于通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值:
UCL(t)=EWMA(t)+kδt;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常下限阈值:
LCL(t)=EWMA(t)-kδt;
其中,UCL(t)表示当前时刻对应的所述指标异常上限阈值;
LCL(t)表示当前时刻对应的所述指标异常下限阈值;
k表示预设常数。
可选地,当所述指标异常阈值包括指标异常上限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据大于所述指标异常上限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常上限阈值和指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值或大于所述指标异常上限阈值;且
所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。
可选地,所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度通过以下方式确定:
将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度。
可选地,所述指标平均值包括第一指标平均值和第二指标平均值,所述将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,包括:
将所述当前时刻的采样点数据与所述上一时刻对应的第一指标平均值之差的绝对值占所述上一时刻对应的第一指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,其中,所述第一指标平均值通过如下公式确定:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
t表示当前时刻;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的所述第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1),N表示当前时刻对应的采样点数据的总个数;
Y(t)表示当前时刻的所述采样点数据。
可选地,所述装置还包括:
输出模块,用于在确定所述当前时刻的所述采样点数据为异常数据时,输出异常告警提示。
根据本公开的第三方面,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上述第一方面任一所述的方法的步骤。
根据本公开的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面任一所述的方法的步骤。
在上述技术方案中,通过当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻的指标异常阈值,从而确定当前时刻的采样点数据是否是异常数据。因此,通过上述技术方案,一方面,在确定当前时刻的指标异常阈值时,只需要将上一时刻对应的指标平均值和指标标准差存储至内存中,而不需要将所有历史数据都加载到内存中进行存储,可以有效减少确定当前时刻的指标异常阈值时所需的数据量,从而有效减少数据的计算量和存储量,提高数据处理效率。另一方面,基于本公开的方法进行指标异常检测,既可以避免背景技术中静态设置阈值时的灵活性低的问题,又可以避免背景技术中动态设置阈值时的大数据量,在保证指标异常检测的适用性的同时,也可以保证指标异常检测的效率和准确率。另外,本公开中指标异常检测方法中数据计算量少,不需要额外部署计算服务,且该方法实现简单,应用范围广泛。
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是根据本公开的一种实施方式提供的指标异常检测方法的流程图;
图2是基于当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻对应的指标异常阈值的一种示例性实现方式的流程图;
图3是根据本公开的另一种实施方式提供的指标异常检测方法的流程图;
图4是根据本公开的一种实施方式提供的指标异常检测装置的框图;
图5是根据本公开的一种实施方式提供的指标异常检测装置的第一确定模块的框图;
图6是根据本公开的另一种实施方式提供的指标异常检测装置的框图;
图7是根据一示例性实施例示出的一种电子设备的框图;
图8是根据一示例性实施例示出的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。
在电子化信息管理的过程中,对于某些平稳运行,即在大部分时间内波动范围较小的指标,一般通过设置阈值的方式来确定该指标是否出现异常,而确定该阈值的效率与准确率对指标异常检测的效率和准确率起着至关重要的作用。
因此,本公开提供一种指标异常检测方法。图1所示,为根据本公开的一种实施方式提供的指标异常检测方法的流程图,如图1所示,所述方法包括:
在S11中,获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差。
在S12中,基于当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻的指标异常阈值。
其中,所述指标异常阈值可以包括指标异常上限阈值,可附加地或可替换地,也可以包括指标异常下限阈值。所述基于当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻对应的指标异常阈值的一种示例性实现方式如下,如图2所示,该步骤可以包括:
在S21中,根据当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻对应的指标平均值和指标标准差。
在S22中,根据当前时刻对应的指标平均值和指标标准差,计算指标异常上限阈值和/或指标异常下限阈值。其中,对于平稳运行的指标而言,其数据的波动范围一般都比较小,其数据一般都围绕历史数据的平均值进行上下浮动,因此,通过当前时刻对应的指标平均值和指标标准差可以比较准确地确定出当前时刻的指标异常阈值。
可选地,在一实施例中,所述指标平均值可以包括第一指标平均值和第二指标平均值,可以通过以下公式根据当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻对应的指标平均值和指标标准差:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
δt=δt_1+(Y(t)-ESPt_1)(Y(t)-ESPt);
ESPt=(Y(t)+ESPt_1(N-1))/N,其中,δ0=0,ESP0=0,EWMA(0)=0;
t表示当前时刻;
N表示当前时刻对应的采样点数据的总个数,即包括当前时刻t的采样点数据在内的已采集的采样点数据的总个数;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1);
Y(t)表示当前时刻的所述采样点数据;
δt表示当前时刻对应的所述指标标准差;
δt_1表示上一时刻对应的指标标准差;
ESPt表示当前时刻对应的所述第二指标平均值;
ESPt_1表示上一时刻对应的第二指标平均值;
可以通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值:
UCL(t)=EWMA(t)+kδt;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常下限阈值:
LCL(t)=EWMA(t)-kδt;
其中,UCL(t)表示当前时刻对应的所述指标异常上限阈值;
LCL(t)表示当前时刻对应的所述指标异常下限阈值;
k表示预设常数,其中,k可以根据经验进行人为设置,其取值范围可以是[3,3.45],k越大,则指标异常上限阈值和指标异常下限阈值所对应的范围越大,指标的采样点数据落入该范围内的可能性就越大。经验表明,当k=3时,通常会有97%的数据会小于指标异常上限阈值、且大于指标异常下限阈值,即落入指标异常上限阈值和指标异常下限阈值所对应的范围之内,可以准确地区分出异常数据。
因此,通过上述方式,可以采用迭代的方式确定当前时刻对应的指标平均值和指标标准值,从而快速且准确地确定出指标异常上限阈值和指标异常下限阈值,有效降低数据的计算量。
在另一实施例中,所述指标平均值也可以只包括上述的第二指标平均值,因此,可以通过如下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值:
UCL(t)=ESPt+kδt;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常下限阈值:
LCL(t)=ESPt-kδt。
其中,各个时刻对应的采样点数据存储在数据库中,在根据背景技术中的方式动态设置阈值时,需要将数据库中的全部历史数据加载到内存中,则需要占用大量内存存储。而在本公开的技术方案中,通过上述公式,在确定当前时刻的指标异常阈值时,只需要根据上一时刻对应的指标平均值和指标标准差,结合当前时刻的采样点数据,就可以得出当前时刻对应的指标平均值和指标标准差,继而得到当前时刻的指标异常阈值。因此,根据本公开中的方法确定当前时刻的指标异常阈值时,只需要在内存中存储上一时刻对应的指标平均值和指标标准差即可,与背景技术中需要加载全部历史数据到内存中的方案相较,可以大量减少数据的计算量和存储量,从而有效提高计算效率和处理效率。
转回图1,在S13中,在当前时刻的采样点数据与确定出的指标异常阈值之间满足异常条件时,确定当前时刻的所述采样点数据为异常数据。
在一实施例中,当指标异常阈值包括指标异常上限阈值时,异常条件为:当前时刻的采样点数据大于指标异常上限阈值;当指标异常阈值包括指标异常下限阈值时,异常条件为:当前时刻的采样点数据小于指标异常下限阈值;当指标异常阈值包括指标异常上限阈值和指标异常下限阈值时,异常条件为:当前时刻的采样点数据小于指标异常下限阈值或大于指标异常上限阈值。
示例地,确定出的当前时刻的指标异常上限阈值为7.5时,若当前时刻的采样点数据为7.6,则该当前时刻的采样点数据7.6大于指标异常上限阈值7.5,此时,可以确定该当前时刻的采样点数据为异常数据。
然而对于长期平稳运行的指标而言,当其数据发生较小的波动时,也可能会出现数据小于指标异常下限阈值或者数据大于指标异常上限阈值的现象,但是此时该数据并不是异常数据。因此,为了提高指标异常检测的准确率,本公开中可以增加一变量,如当前时刻的采样点数据相对于上一时刻对应的指标平均值的变化程度,通过确定该变量与预设的浮动阈值之间的关系进一步确定当前时刻的采样点数据是否为异常数据。
可选地,当所述指标异常阈值包括指标异常上限阈值时,所述异常条件为:所述当前时刻的所述采样点数据大于所述指标异常上限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。其中,该预设的浮动阈值可以是人为设置的一经验值,表示对指标数据的变化程度的可接受水平。
当所述指标异常阈值包括指标异常下限阈值时,所述异常条件为:所述当前时刻的所述采样点数据小于所述指标异常下限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。
当所述指标异常阈值包括指标异常上限阈值和指标异常下限阈值时,所述异常条件为:所述当前时刻的所述采样点数据小于所述指标异常下限阈值或大于所述指标异常上限阈值;且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。
可选地,所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度可以通过以下方式确定:
将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度。
例如,可以通过以下公式确定:
其中,Δ表示所述当前时刻的所述采样点数据相对于所述上一时刻对应的所述指标平均值的变化程度;
t表示当前时刻;
Y(t)表示当前时刻的采样点数据;
E(t-1)表示所述上一时刻对应的所述指标平均值。
可选地,所述指标平均值可以包括第一指标平均值和第二指标平均值。
在一实施例中,可以将所述当前时刻的采样点数据与所述上一时刻对应的第二指标平均值之差的绝对值占所述上一时刻对应的第二指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度。其中,所述第二指标平均值可以通过如下公式确定:
ESPt=(Y(t)+ESPt_1(N-1))/N;
t表示当前时刻;
N表示当前时刻对应的采样点数据的总个数;
Y(t)表示当前时刻的所述采样点数据;
ESPt表示当前时刻对应的所述第二指标平均值;
ESPt_1表示上一时刻对应的第二指标平均值。
示例地,确定出的当前时刻的指标异常上限阈值为7.5、且上一时刻对应的第二指标平均值为7,预设的浮动阈值设置为10%。若当前时刻的采样点数据为7.6,此时,虽然该当前时刻的采样点数据7.6大于指标异常上限阈值7.5,但是当前时刻的采样点数据7.6相对于上一时刻对应的第二指标平均值7的变化程度为8.6%(即,(7.6-7)/7),该变化程度小于预设的浮动阈值10%,表示当前时刻的采样点数据虽然超过了当前时刻的指标异常上限阈值,但其相对于上一时刻对应的第二指标平均值的变化程度较小,即该当前时刻的采样点数据的变化程度为可接受水平,因此,此时不会将该当前时刻的采样点数据确定为异常数据。
在另一实施例中,可以将所述当前时刻的采样点数据与所述上一时刻对应的第一指标平均值之差的绝对值占所述上一时刻对应的第一指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,其中,所述第一指标平均值通过如下公式确定:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
t表示当前时刻;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的所述第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1),N表示当前时刻对应的采样点数据的总个数;
Y(t)表示当前时刻的所述采样点数据。
示例地,若当前时刻的采样点数据为8,则该当前时刻的采样点数据8大于指标异常上限阈值7.5,且当前时刻的采样点数据8相对于上一时刻对应的第一指标平均值7的变化程度为14.3%(即,(8-7)/7),该变化程度大于预设的浮动阈值10%,表示当前时刻的采样点数据超过了当前时刻的指标异常上限阈值,且其相对于上一时刻对应的第一指标平均值的变化程度较大,超出了可接受水平,因此,此时可以将该当前时刻的采样点数据确定为异常数据。因此,在该实施例中,第一指标平均值为基于指标历史数据的加权平均值,每个时刻的采样点数据对应的加权系数不同,因此,可以更好地体现采样点数据的历史波动情况,使得确定出的当前时刻的采样点数据的变化程度更加准确。通过上述技术方案可以更加准确地确定出异常数据,进一步提高指标异常检测的准确率。
综上所述,在上述技术方案中,通过当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差,确定当前时刻的指标异常阈值,从而确定当前时刻的采样点数据是否是异常数据。因此,通过上述技术方案,一方面,在确定当前时刻的指标异常阈值时,只需要将上一时刻对应的指标平均值和指标标准差存储至内存中,而不需要将所有历史数据都加载到内存中进行存储,可以有效减少确定当前时刻的指标异常阈值时所需的数据量,从而有效减少数据的计算量和存储量,提高数据处理效率。另一方面,基于本公开的方法进行指标异常检测,既可以避免背景技术中静态设置阈值时的灵活性低的问题,又可以避免背景技术中动态设置阈值时的大数据量,在保证指标异常检测的适用性的同时,也可以保证指标异常检测的效率和准确率。另外,本公开中指标异常检测方法中数据计算量少,不需要额外部署计算服务,且该方法实现简单,应用范围广泛。
可选地,如图3所示,所述方法还包括:
在S31中,在确定所述当前时刻的所述采样点数据为异常数据时,输出异常告警提示。
其中,在该实施例中,在确定当前时刻的采样点数据为异常数据时,此时可以输出异常告警提示,可以使得用户及时知晓该异常。示例地,该异常告警提示中可以包括该异常数据,也可以包括该异常数据的采样时间,以便于针对该异常数据及时确定解决方案,有效避免该异常可能造成的不良影响,提升用户使用体验。
本公开还提供一种指标异常检测装置。图4所示,为根据本公开的一种实施方式提供的指标异常检测装置的框图。如图4所示,所述装置10包括:
获取模块100,用于获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差;
第一确定模块200,用于基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻的指标异常阈值;
第二确定模块300,用于在所述当前时刻的所述采样点数据与确定出的所述指标异常阈值之间满足异常条件时,确定所述当前时刻的所述采样点数据为异常数据。
可选地,所述指标异常阈值包括指标异常上限阈值和/或指标异常下限阈值;
如图5所示,所述第一确定模块200包括:
确定子模块201,用于根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差;
计算子模块202,用于根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值和/或所述指标异常下限阈值。
可选地,所述指标平均值包括第一指标平均值和第二指标平均值,所述确定子模块201用于通过以下公式根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
δt=δt-1+(Y(t)-ESPt-1)(Y(t)-ESPt);
ESPt=(Y(t)+ESPt-1(N-1))/N;
t表示当前时刻;
N表示当前时刻对应的采样点数据的总个数;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1);
Y(t)表示当前时刻的所述采样点数据;
δt表示当前时刻对应的所述指标标准差;
δt-1表示上一时刻对应的指标标准差;
ESPt表示当前时刻对应的所述第二指标平均值;
ESPt-1表示上一时刻对应的第二指标平均值;
所述计算子模块202用于通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值:
UCL(t)=EWMA(t)+kδt;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常下限阈值:
LCL(t)=EWMA(t)-kδt;
其中,UCL(t)表示当前时刻对应的所述指标异常上限阈值;
LCL(t)表示当前时刻对应的所述指标异常下限阈值;
k表示预设常数。
可选地,当所述指标异常阈值包括指标异常上限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据大于所述指标异常上限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常上限阈值和指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值或大于所述指标异常上限阈值;且
所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。
可选地,所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度通过以下方式确定:
将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度。
可选地,所述指标平均值包括第一指标平均值和第二指标平均值,所述将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,包括:
将所述当前时刻的采样点数据与所述上一时刻对应的第一指标平均值之差的绝对值占所述上一时刻对应的第一指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,其中,所述第一指标平均值通过如下公式确定:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
t表示当前时刻;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的所述第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1),N表示当前时刻对应的采样点数据的总个数;
Y(t)表示当前时刻的所述采样点数据。
可选地,如图6所示,所述装置10还包括:
输出模块400,用于在所述第二确定模块300确定所述当前时刻的所述采样点数据为异常数据时,输出异常告警提示。
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7是根据一示例性实施例示出的一种电子设备700的框图。如图7所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的指标异常检测方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700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702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703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702或通过通信组件705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704为处理器701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705用于该电子设备700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705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700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,用于执行上述的指标异常检测方法。
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,该程序指令被处理器执行时实现上述的指标异常检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的指标异常检测方法。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以被提供为一服务器。参照图8,电子设备800包括处理器822,其数量可以为一个或多个,以及存储器832,用于存储可由处理器822执行的计算机程序。存储器832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822可以被配置为执行该计算机程序,以执行上述的指标异常检测方法。
另外,电子设备800还可以包括电源组件826和通信组件850,该电源组件826可以被配置为执行电子设备800的电源管理,该通信组件850可以被配置为实现电子设备800的通信,例如,有线或无线通信。此外,该电子设备800还可以包括输入/输出(I/O)接口858。电子设备800可以操作基于存储在存储器832的操作系统,例如Windows ServerTM,Mac OSXTM,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,该程序指令被处理器执行时实现上述的指标异常检测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器832,上述程序指令可由电子设备800的处理器822执行以完成上述的指标异常检测方法。
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 (10)
1.一种指标异常检测方法,其特征在于,所述方法包括:
获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差;
基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻的指标异常阈值;
在所述当前时刻的所述采样点数据与确定出的所述指标异常阈值之间满足异常条件时,确定所述当前时刻的所述采样点数据为异常数据。
2.根据权利要求1所述的方法,其特征在于,所述指标异常阈值包括指标异常上限阈值和/或指标异常下限阈值;
所述基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标异常阈值,包括:
根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差;
根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值和/或所述指标异常下限阈值。
3.根据权利要求2所述的方法,其特征在于,所述指标平均值包括第一指标平均值和第二指标平均值,通过以下公式根据所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻对应的指标平均值和指标标准差:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
δt=δt-1+(Y(t)-ESPt-1)(Y(t)-ESPt);
ESPt=(Y(t)+ESPt_1(N-1))/N;
t表示当前时刻;
N表示当前时刻对应的采样点数据的总个数;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1);
Y(t)表示当前时刻的所述采样点数据;
δt表示当前时刻对应的所述指标标准差;
δt_1表示上一时刻对应的指标标准差;
ESPt表示当前时刻对应的所述第二指标平均值;
ESPt_1表示上一时刻对应的第二指标平均值;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常上限阈值:
UCL(t)=EWMA(t)+kδt;
通过以下公式根据所述当前时刻对应的所述指标平均值和所述指标标准差,计算所述指标异常下限阈值:
LCL(t)=EWMA(t)-kδt;
其中,UCL(t)表示当前时刻对应的所述指标异常上限阈值;
LCL(t)表示当前时刻对应的所述指标异常下限阈值;
k表示预设常数。
4.根据权利要求1所述的方法,其特征在于,当所述指标异常阈值包括指标异常上限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据大于所述指标异常上限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值、且所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值;
当所述指标异常阈值包括指标异常上限阈值和指标异常下限阈值时,所述异常条件为:
所述当前时刻的所述采样点数据小于所述指标异常下限阈值或大于所述指标异常上限阈值;且
所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度大于预设的浮动阈值。
5.根据权利要求4所述的方法,其特征在于,所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度通过以下方式确定:
将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度。
6.根据权利要求5所述的方法,其特征在于,所述指标平均值包括第一指标平均值和第二指标平均值,所述将所述当前时刻的采样点数据与所述上一时刻对应的指标平均值之差的绝对值占所述上一时刻对应的指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,包括:
将所述当前时刻的采样点数据与所述上一时刻对应的第一指标平均值之差的绝对值占所述上一时刻对应的第一指标平均值的比例确定为所述当前时刻的所述采样点数据相对于所述上一时刻对应的指标平均值的变化程度,其中,所述第一指标平均值通过如下公式确定:
EWMA(t)=λY(t)+(1-λ)EWMA(t-1);
t表示当前时刻;
EWMA(t)表示当前时刻对应的所述第一指标平均值;
EWMA(t-1)表示上一时刻对应的所述第一指标平均值;
λ表示加权系数,其中,λ=2/(N+1),N表示当前时刻对应的采样点数据的总个数;
Y(t)表示当前时刻的所述采样点数据。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述方法还包括:
在确定所述当前时刻的所述采样点数据为异常数据时,输出异常告警提示。
8.一种指标异常检测装置,其特征在于,所述装置包括:
获取模块,用于获取当前时刻的采样点数据,以及上一时刻对应的指标平均值和指标标准差;
第一确定模块,用于基于所述当前时刻的所述采样点数据,以及所述上一时刻对应的所述指标平均值和所述指标标准差,确定所述当前时刻的指标异常阈值;
第二确定模块,用于在所述当前时刻的所述采样点数据与确定出的所述指标异常阈值之间满足异常条件时,确定所述当前时刻的所述采样点数据为异常数据。
9.一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1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810737519.6A CN109146236A (zh) | 2018-07-06 | 2018-07-06 | 指标异常检测方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810737519.6A CN109146236A (zh) | 2018-07-06 | 2018-07-06 | 指标异常检测方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146236A true CN109146236A (zh) | 2019-01-04 |
Family
ID=64799828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810737519.6A Pending CN109146236A (zh) | 2018-07-06 | 2018-07-06 | 指标异常检测方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146236A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610557A (zh) * | 2019-09-11 | 2019-12-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种数据采样方法及装置 |
CN110890998A (zh) * | 2019-11-06 | 2020-03-17 | 厦门网宿有限公司 | 一种确定阈值的方法及装置 |
CN111143102A (zh) * | 2019-12-13 | 2020-05-12 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
CN111178645A (zh) * | 2020-04-14 | 2020-05-19 | 深圳市朝阳辉电气设备有限公司 | 电力设备异常检测方法、装置、控制设备及存储介质 |
CN111227817A (zh) * | 2020-01-13 | 2020-06-05 | 拉卡拉支付股份有限公司 | 心率监测方法、装置和存储介质 |
CN112445832A (zh) * | 2019-08-28 | 2021-03-05 | 北京达佳互联信息技术有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
WO2021180009A1 (zh) * | 2020-03-13 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102859366A (zh) * | 2010-04-20 | 2013-01-02 | 株式会社日立高新技术 | 自动分析装置以及自动分析方法 |
CN103246212A (zh) * | 2012-02-14 | 2013-08-14 | 欧姆龙株式会社 | 系统控制装置及系统控制方法 |
CN104320297A (zh) * | 2014-10-15 | 2015-01-28 | 中冶长天国际工程有限责任公司 | 一种网络异常检测及网络通信控制的方法和装置 |
CN105893213A (zh) * | 2016-06-22 | 2016-08-24 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
KR101725014B1 (ko) * | 2016-07-27 | 2017-04-10 | 인하대학교 산학협력단 | 시계열 모델을 이용한 주택매매지수 예측 장치 및 그 방법 |
-
2018
- 2018-07-06 CN CN201810737519.6A patent/CN109146236A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102859366A (zh) * | 2010-04-20 | 2013-01-02 | 株式会社日立高新技术 | 自动分析装置以及自动分析方法 |
CN103246212A (zh) * | 2012-02-14 | 2013-08-14 | 欧姆龙株式会社 | 系统控制装置及系统控制方法 |
CN104320297A (zh) * | 2014-10-15 | 2015-01-28 | 中冶长天国际工程有限责任公司 | 一种网络异常检测及网络通信控制的方法和装置 |
CN105893213A (zh) * | 2016-06-22 | 2016-08-24 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、应用和监控设备 |
KR101725014B1 (ko) * | 2016-07-27 | 2017-04-10 | 인하대학교 산학협력단 | 시계열 모델을 이용한 주택매매지수 예측 장치 및 그 방법 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112445832A (zh) * | 2019-08-28 | 2021-03-05 | 北京达佳互联信息技术有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
CN112445832B (zh) * | 2019-08-28 | 2024-02-23 | 北京达佳互联信息技术有限公司 | 数据异常检测方法、装置、电子设备及存储介质 |
CN110610557A (zh) * | 2019-09-11 | 2019-12-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种数据采样方法及装置 |
CN110890998A (zh) * | 2019-11-06 | 2020-03-17 | 厦门网宿有限公司 | 一种确定阈值的方法及装置 |
CN110890998B (zh) * | 2019-11-06 | 2021-08-27 | 厦门网宿有限公司 | 一种确定阈值的方法及装置 |
CN111143102A (zh) * | 2019-12-13 | 2020-05-12 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
CN111143102B (zh) * | 2019-12-13 | 2024-01-19 | 东软集团股份有限公司 | 异常数据检测方法、装置、存储介质及电子设备 |
CN111227817A (zh) * | 2020-01-13 | 2020-06-05 | 拉卡拉支付股份有限公司 | 心率监测方法、装置和存储介质 |
WO2021180009A1 (zh) * | 2020-03-13 | 2021-09-16 | 深圳前海微众银行股份有限公司 | 一种数据检测方法及装置 |
CN111178645A (zh) * | 2020-04-14 | 2020-05-19 | 深圳市朝阳辉电气设备有限公司 | 电力设备异常检测方法、装置、控制设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146236A (zh) | 指标异常检测方法、装置、可读存储介质及电子设备 | |
US11182213B2 (en) | Application program management method and device | |
US9037518B2 (en) | Classifying unclassified samples | |
CN108710540B (zh) | 一种分布式集群中的资源调度方法、装置及设备 | |
US20130282331A1 (en) | Detecting abnormal behavior | |
CN107608863B (zh) | 一种电量显示的校准方法及移动终端 | |
CN107861915A (zh) | 获取预警阈值的方法、装置以及存储介质 | |
CN108255673A (zh) | 应用程序占用资源的检测方法、装置和存储介质 | |
US20180274942A1 (en) | Method and apparatus for detecting background noise of sensor | |
WO2021185182A1 (zh) | 一种异常检测的方法及装置 | |
CN115932586A (zh) | 一种电池荷电状态在线估算方法、装置、设备及介质 | |
JP6481501B2 (ja) | 通信端末装置および方法 | |
CN110928341B (zh) | 温度控制方法、装置、设备及存储介质 | |
CN114500339A (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN109034180A (zh) | 异常检测方法、装置、计算机可读存储介质及电子设备 | |
US10713618B2 (en) | System and method for increasing counting accuracy | |
WO2018188542A1 (zh) | 计数方法、计数器及存储介质 | |
JP2011013716A (ja) | プロセッササイジング装置、プロセッササイジング方法、および情報処理プログラム | |
JP6222822B2 (ja) | 劣化関数算出装置、劣化率推定システム、劣化関数算出方法、及びプログラム | |
CN115599568A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
US20190195699A1 (en) | Temperature estimation system, temperature estimation method, and recording medium storing temperature estimation program | |
CN114625620A (zh) | Cpu使用率的计算方法、装置、电子设备及存储介质 | |
CN108228414B (zh) | 基于Linux的处理器进程参数监测方法和监测系统 | |
CN110955728A (zh) | 用电数据传输方法、服务器及存储介质 | |
JP5446970B2 (ja) | タイムアウト時間設定装置、タイムアウト時間設定方法、及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |