CN109446466A - 异常检测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开的实施例提供了一种异常检测方法、装置、电子设备及可读存储介质，所述方法包括：确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；确定实时的时间性相关数据与所述参考值的偏离度指标；在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。实现了能够在不限制业务场景的情况下，简单准确的进行异常检测的目的。

Description

异常检测方法、装置、电子设备及可读存储介质

技术领域

本公开的实施例涉及异常检测技术领域，尤其涉及一种异常检测方法、装置、电子设备及可读存储介质。

背景技术

在异常检测技术领域，随着业务日益复杂，导致针对业务流程数据的异常检测工作量逐渐增加，同时，由于不同异常检测方法适用场景不同，且在使用时未能与业务紧密结合，会导致异常的误报或漏报情况。

现有技术中，异常检测方法包括基于统计的异常检测、基于距离的异常检测和基于密度的异常检测，其中，基于统计的异常检测利用数据分布是否符合统计学的分布，如正态分布，再结合统计学公式进行异常判断，但现实数据往往不符合理想状态的数学分布，且高纬度的情况下估计数据的分布比较困难。而基于距离的异常检测和基于密度的异常检测都是在大数据集情况下代价较高，而且对参数选择比较敏感。因此，现有的异常检测方法存在针对不同业务对象时的实用性较低的问题。

发明内容

本公开的实施例提供一种异常检测方法、装置、电子设备及可读存储介质，用以在不限制业务应用场景的情况下，简单准确的进行异常检测。

确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

确定实时的时间性相关数据与所述参考值的偏离度指标；

在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

根据本公开的实施例的第二方面，提供了一种异常检测装置，所述装置包括：

对比数据获取模块，用于确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

偏离度指标确定模块，用于确定实时的时间性相关数据与所述参考值的偏离度指标；

异常确定模块，用于在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

根据本公开的实施例的第三方面，提供了一种电子设备，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现前述异常检测方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述异常检测方法。

本公开的实施例提供了一种异常检测方法、装置、电子设备及可读存储介质，所述方法包括：确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；确定实时的时间性相关数据与所述参考值的偏离度指标；在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。能够针对业务的不同场景简单准确的进行异常检测。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了在本公开的一个实施例中的异常检测方法的步骤流程图；

图2示出了在本公开的另一个实施例中的异常检测方法的步骤流程图；

图3示出了在本公开的一个实施例中的异常检测装置的结构图；

图4示出了在本公开的另一个实施例中的异常检测装置的结构图；

图5示出了本公开的一个实施例提供的电子设备的结构图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。

实施例一

参照图1，其示出了在本公开的一个实施例中的异常检测方法的步骤流程图，包括：

步骤101，确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

本公开的实施例在业务流程的异常检测领域中，判定用户使用一应用业务时的流程数据是否存在异常数据，而进行异常检测。

其中，首先要通过获取进行异常检测的业务对象在当前周期的历史流程数据，以确定时间性相关数据的参考值。由于每种业务都是具有特有的流程，如酒店具有酒店业务流程、支付具有支付业务流程，外卖具有外卖业务流程；业务流程具有关联性，在整个业务流程中，任何一个环节变动都有可能引起相关环节出现问题，所以流程的时间性相关数据的参考值通常通过历史流程数据进行确定。

例如，外卖业务也具有类似的业务流程，将外卖业务接口的流量作为入口，与提单、支付成功、推单、接单、发配送等过程具有相关性。所以，当对外卖业务的流程数据进行一场检测时，提取外卖业务在对应当前时间段内的历史流程数据，作为外卖业务在当前时间段内的时间性相关数据的参考值。

具体地，将获取当前时间段内的历史流程数据后，进行相关性计算，得到的计算结果作为时间性相关数据的参考值，即异常检测的参考标准数据。

例如，外卖业务的一个活跃时间段是每天中午11:30-13:00，提取一周内每天中午11:30-13:00的外卖流程数据，其中包括外卖业务的提单、支付成功、推单、接单、发配送等流程数据，计算其相关性，得到外卖业务的时间性相关数据的参考值。

具体地，针对预设业务对象的历史流程数据，提取相同活跃时间段内的实时流程数据。

例如，外卖业务的一个活跃时间段是每天中午11:30-13:00，而要检测当前时间段的业务流程是否存在异常，则提取当前11:30-13:00外卖业务流程数据。

当然，业务数据时间间隔可以是每秒提取一次，也可以是每分钟提取一次，根据不同业务的数据流量产生密度决定，本公开实施例对此不加以限制。

具体地，时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系，即通过相关性计算得到该实时流程数据的时间相关性数据后，将实时的时间性相关数据与时间性相关数据的参考值进行对比。

例如，实时提取外卖业务在当前(周四)活跃时间段(中午11:30-13:00)的流程数据，即提单、支付成功、推单、接单、发配送的所有操作流程数据，并使用相同的相关性计算方法计算该流程数据，得到当前流程的实时的时间相关性数据。将该实时的时间相关性数据与通过历史数据的获得的时间性相关数据的参考值进行对比。

步骤102，确定实时的时间性相关数据与所述参考值的偏离度指标；

本公开的实施例中，将将该实时的时间相关性数据与通过历史数据的获得的时间性相关数据的参考值进行对比，得到的对比结果作为检测参数，进一步判断当前的流程数据是否存在异常。

具体地，通过对比确定实时的时间性相关数据与参考值的差异，即偏离度指标的大小。

步骤103，在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

具体地，实时的时间性相关数据与参考值进行比较，是同比，例如，实时提取外卖业务在当前(周四)活跃时间段(中午11:30-13:00)的流程数据，得到的时间相关性数据，即当前外卖业务的提单、支付成功、推单、接单、发配送的流程数据，与参考值逐一对比时，对应参考值中同样是历史数据中的周四的活跃时间段中数值，若该同比结果中，提单数据正常，而支付数据的比值差异超过第一预设阈值，则确定该时间段对应的支付流程存在异常。

当然，第一预设阈值由相关技术人员根据实际应用情况设置，本发明实施例不加以限制。

可以理解，流程数据的记录时间间隔可以为任一设定的时间单位，例如，小时、分钟或秒，而参考值和时间相关性数据的对比也是根据时间单位进行同比的，对于时间单位的设置，由相关技术人员进行设置，本公开的实施例对其不加以限制。

综上所述，本公开的实施例提供了一种异常检测方法，所述方法包括：确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；确定实时的时间性相关数据与所述参考值的偏离度指标；在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。实现了针对不同业务的应用场景，通过当前周期的时间性相关数据以及时间性相关数据的参考值的对比结果，在不限制应用场景的情况下简单有效的进行异常检测的目的。

实施例二

参照图2，其示出了在本公开的另一个实施例中的异常检测方法的步骤流程图，具体如下。

步骤201，根据在当前周期之前的周期中确定的时间性相关数据确定时间性相关数据的参考值。

本公开的实施例中，在针对一业务对象提取历史流程数据之前，首先要确定该业务对象的行为周期。当然，一个业务对象在一定时间段内不仅只具备一个行为周期，如电影票预订业务的在寒暑期由于电影上映数目较平时多，流程数据也在暑期达到高峰。

除此之外，针对一业务对象，由技术人员针对该业务对象的特定时间段内确定行为周期，例如，技术人员若想提取外卖业务的周末流程数据，则预设行为周期则为周末。如果针对电影票预订业务，想将暑期作为分析目标，则将暑期确定为电影票预订业务的行为周期。

具体地，当确定预设行为周期后，在系统的时间序列存储数据库中提取对应该行为周期的历史流程数据。

例如，技术人员针对外卖业务的周末数据，提取上半年每个周末外卖订单业务数据。

具体地，以外卖业务为例，外卖订单业务分布具有周期性，如在周一至周五每天的11:30-12:30会出现订单量高峰，此时的流程数据超过技术人员设置的阈值，而在周六周日订单量高峰出现在12:30-13:00，此时间段的流程数据超过技术人员设置的阈值，则将上述两个时间段确定为针对外卖业务的预设活跃时间段。

如果针对电影票预订业务，暑期是其行为周期，其中，在暑期的每天晚上18:00-22:00的电影票预订流程超过预设阈值，则将该时间段确定为该业务的活跃时间段。

其中，预设阈值为技术人员根据不同预设业务对象的所制定，本公开实施例对此不加以限制。

本公开实施例中，在确定当前业务的行为周期后，即确定在该时间段对该业务进行异常检测时，则通过该周期中的时间性相关数据确定时间性相关数据的参考值。

具体地，在对时间序列曲线的相关性进行计算时，涉及到三种曲线相关性方法：自相关性、互相关性和归一化交叉相关性。其中，自相关性描述对同一条时间序列曲线与其自身在不同时间段的相关程度，其目的是检测一些重复的模型，如季节性。互相关性描述两条不同时间序列的曲线的相关程度，其目的是检测两条曲线的相关度，如：是否有相同最大值或最小值。归一化交叉相关性同样是描述两条不同时间序列的曲线相关程度，但在计算过程中进行归一化处理，其结果取值范围[-1,1]，便于曲线相关性的比较。

步骤202，将相互关联的流程中的其中一个流程的多个时间点的数据与其他流程中对应的多个时间点的数据做归一化互相关性处理得到时间性相关数据。

优选地，步骤202，具体包括：

子步骤A1，将相互关联的流程中的其中一个流程的多个时间点的数据通过标准偏差处理，得到标准偏差数据；

具体地，以外卖业务为例，外卖订单业务分布具有周期性，采用Kσ偏差方法，即标准偏差法进行异常处理，得到外卖业务中流程的多个时间点的数据的标准偏差数据。

子步骤A2，将所述标准偏差数据通过归一化互相关性处理，得到时间性相关数据。

具体地，利用相关性算法对上述标准偏差数据进行处理，参考值数据可以是分钟级别存储，即不同时刻的参考值可能不相同，在实时异常检测过程中，取相同时刻的参考值进行比较。

本公开为了检测不同曲线之间的相关性，根据计算的相关性进行判断是否为异常时间点，同时又需要基于历史数据计算各时间点的相关性阈值，涉及到相关性值的比较，从而选择归一化交叉相关性方法来计算。

归一化交叉相关性计算结果取值范围[-1,1]，定义两条曲线计算的结果值成为相关性值。其计算公式如下：

根据上述公式，将当前业务的行为周内的历史流程数据，即时间性相关数据进行计算，得到的该业务的时间性相关数据的参考值。

其中，将历史流程数据按照所述行为周期内顺序逐一利用公式(1)进行计算相关性，主要是针对历史流程数据的存储时间间隔进行。

例如，历史流程数据是每隔半小时记录一次，则针对外卖业务的活跃时间，提取上半年每隔周末12:30-13:00之间的外卖订单流程数据，即将其中每半个小时的流程数据(提单、支付成功、推单、接单、发配送等流程数据)作为一个数据单位输入公式(1)，计算得到的时间相关性数据T1，T2，，，TN，即为外卖业务周末活跃时间段内的参考值。

具体地，根据上述公式(1)，按照预设活跃时间段顺序将每个流程数据计算相关性，得到时间相关性数据，V1，V2，，，VN。

步骤203，确定实时的时间性相关数据与所述参考值的偏离度指标；

具体地，将得到的相关性值V和该时刻T的参考值进行比较，即将数据T1，T2，，，TN，和V1，V2，，，VN进行逐一对比，得到对比差值作为异常检测参数。

步骤204，在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

具体地，异常检测参数如果在第一预设阈值F内波动，则可以确定预设业务对象在该时刻T是正常，反之则可以判断预设业务对象在该时刻T为异常。

在实际应用中，由于业务之间的关联性，如某个业务波动，往往会引起一系列相关业务的波动，或正波动或反波动。相关性异常检测模型这类业务规则，如外卖订单业务，选择接口流量作为相关性异常检测入口，检测API流量与提单的相关性，就可以确定提单是否发生异常。

优选地，所述相关联流程包括下单流程、支付流程和派送流程中的至少两项。

具体地，在针对一业务对象时，通常业务流程包括下单流程、支付流程和派送流程，其中任意两项都具备关联性。

例如，提单、支付成功、推单、接单、发配送流程数据中，提单、支付成功、推单、接单的时间相关性数据与参考值相比未超过第一预设阈值，而发配送流程数据的比值超过第一预设阈值，则确定发配送流程数据出现异常。

另外，目前相关度计算都是针对两条曲线的计算，例如参考值和时间相关性数据的曲线，两个值进行的拟合算出得分，但是这种方式表达的是两条曲线的拟合程度，对于某些特征点的检测却不是特别准确了。所以本公开引入曲线段的概念，根据在一段时间段内的时间相关性数据与参考值的对比来判断是否异常。

例如，通过上述方法可以简便的监测出上述的发配送流程出现异常的更准确的时间段。

其中，针对其计算结果进行分析：

1)相关性值越大，即越接近1，表示两条曲线的相关程度越大；

2)相关性值越小，即越接近-1，表示两条曲线的相关程度越小；

3)相关性值为1时，表示两条曲线完全重合；

4)相关性值为-1时，表示两条曲线完全相反。

可以理解地，第一预设阈值是根据不同业务对象的流程数据的活动规律由相关技术人员设置的，本公开实施例对此不加以限制。

步骤205，确定当前流程存在异常时，发送示警信息。

具体地，当确定实施流程数据对应的时间相关性数据存在异常，则向技术人员操控的客户端发出示警信息。

可以理解地，示警信息可以是声音、图像、文字信息，由相关技术人员设定，本公开实施例对此不加以限制。

综上所述，本公开的实施例提供了一种异常检测方法，所述方法包括根据在当前周期之前的周期中确定的时间性相关数据确定时间性相关数据的参考值。将相互关联的流程中的其中一个流程的多个时间点的数据与其他流程中对应的多个时间点的数据做归一化互相关性处理得到时间性相关数据；确定实时的时间性相关数据与所述参考值的偏离度指标；在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。此外，在确定所述实时流程数据存在异常后，及时发送示警信息。实现了将当前流程数据得到的时间相关性数据，与根据历史流程数据得到的参考值进行对比，准确的进行异常检测，并及时预警的有益效果。

实施例三

参照图3，其示出了在本公开的一个实施例中的异常检测装置的结构图，具体如下。

对比数据获取模块301，用于确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

偏离度指标确定模块302，用于确定实时的时间性相关数据与所述参考值的偏离度指标；

异常确定模块303，用于在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

综上所述，本公开的实施例提供了一种异常检测装置，所述装置包括：对比数据获取模块，用于确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；偏离度指标确定模块，用于确定实时的时间性相关数据与所述参考值的偏离度指标；异常确定模块，用于在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。在不限制应用场景的情况下简单有效的进行异常检测的目的。

装置实施例三对应方法实施例一，详细说明可以参照实施例一，在此不再赘述。

实施例四

参照图4，其示出了本公开的另一个实施例中的异常检测装置的结构图，具体如下。

对比数据获取模块401，用于确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

优选地，对比数据获取模块401，包括：

对比数据获取子模块4011，用于根据在当前周期之前的周期中确定的时间性相关数据确定时间性相关数据的参考值。

时间相关性数据获取子模块4012，用于将相互关联的流程中的其中一个流程的多个时间点的数据与其他流程中对应的多个时间点的数据做归一化互相关性处理得到时间性相关数据。

优选地，所述时间相关性数据获取子模块4012，包括：

标准偏差数据获取单元，用于将相互关联的流程中的其中一个流程的多个时间点的数据通过标准偏差处理，得到标准偏差数据；

时间性相关数据获取单元，用于将所述标准偏差数据通过归一化互相关性处理，得到时间性相关数据。

偏离度指标确定模块402，用于确定实时的时间性相关数据与所述参考值的偏离度指标；

异常确定模块403，用于在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

警示模块404，用于确定当前流程存在异常时，发送示警信息。

综上所述，本公开的实施例提供了一种异常检测装置，所述装置包括：对比数据获取模块，用于确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；偏离度指标确定模块，用于确定实时的时间性相关数据与所述参考值的偏离度指标；异常确定模块，用于在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。以及通过警示模块，用于确定当前流程存在异常时，发送示警信息。实现了将当前流程数据得到的时间相关性数据，与根据历史流程数据得到的参考值进行对比，准确的进行异常检测，并及时预警的有益效果。

装置实施例四对应方法实施例二，详细说明可以参照实施例二，在此不再赘述。

本公开的实施例还提供了一种电子设备，参见图5，包括：处理器501、存储器502以及存储在所述存储器上并可在所述处理器上运行的计算机程序5021，所述处理器执行所述程序时实现前述实施例的异常检测方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的异常检测方法。

对于装置实施例而言，由于其与方法实施例基本相似，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。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的实施例的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的异常检测设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种异常检测方法，其特征在于，所述方法包括：

确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

确定实时的时间性相关数据与所述参考值的偏离度指标；

在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

2.根据权利要求1所述的方法，其特征在于，所述确定时间性相关数据的参考值，包括：

根据在当前周期之前的周期中确定的时间性相关数据确定时间性相关数据的参考值。

3.根据权利要求1或2所述的方法，其特征在于，所述确定当前周期的时间性相关数据，包括：

将相互关联的流程中的其中一个流程的多个时间点的数据与其他流程中对应的多个时间点的数据做归一化互相关性处理得到时间性相关数据。

4.根据权利要求3所述的方法，其特征在于，所述将相互关联的流程中的其中一个流程的多个时间点的数据与其他流程中对应的多个时间点的数据做归一化互相关性处理得到时间性相关数据，包括：

将相互关联的流程中的其中一个流程的多个时间点的数据通过标准偏差处理，得到标准偏差数据；

将所述标准偏差数据通过归一化互相关性处理，得到时间性相关数据。

5.根据权利要求1所述的方法，其特征在于，所述相关联流程包括下单流程、支付流程和派送流程中的至少两项。

6.根据权利要求1所述的方法，其特征在于，还包括：

确定当前流程存在异常时，发送示警信息。

7.一种异常检测装置，其特征在于，所述装置包括：

对比数据获取模块，用于确定当前周期的时间性相关数据以及时间性相关数据的参考值；所述时间性相关数据用于指示相互关联流程对应的流程数据之间的对比关系；

偏离度指标确定模块，用于确定实时的时间性相关数据与所述参考值的偏离度指标；

异常确定模块，用于在所述偏离度指标达到设定第一预设阈值时，确定当前流程存在异常。

8.根据权利要求7所述的装置，其特征在于，所述对比数据获取模块包括：

对比数据获取子模块，用于根据在当前周期之前的周期中确定的时间性相关数据确定时间性相关数据的参考值。

9.根据权利要求7或8所述的装置，其特征在于，所述对比数据获取模块包括：

时间相关性数据获取子模块，用于将相互关联的流程中的其中一个流程的多个时间点的数据与其他流程中对应的多个时间点的数据做归一化互相关性处理得到时间性相关数据。

10.根据权利要求9所述的装置，其特征在于，时间相关性数据获取子模块，包括：

标准偏差数据获取单元，用于将相互关联的流程中的其中一个流程的多个时间点的数据通过标准偏差处理，得到标准偏差数据；

时间性相关数据获取单元，用于将所述标准偏差数据通过归一化互相关性处理，得到时间性相关数据。

11.根据权利要求7所述的装置，其特征在于，还包括：

警示模块，用于确定当前流程存在异常时，发送示警信息。

12.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中一个或多个所述的异常检测方法。

13.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如方法权利要求1-6中一个或多个所述的异常检测方法。