CN109587001A - 一种性能指标异常检测方法及装置 - Google Patents

Abstract

本发明实施例提供了一种性能指标异常检测方法及装置，其中，性能指标异常检测方法包括：获取多个性能指标的指标值序列，根据任两个指标值序列，对这两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组，在同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值时，则可以确定在待检测时刻存在异常的性能指标为该指标组中的多个性能指标。通过本方案，可以降低性能指标异常检测的误判率。

Description

一种性能指标异常检测方法及装置

技术领域

本发明涉及互联网技术领域，特别是涉及一种性能指标异常检测方法及装置。

背景技术

随着互联网的高速发展，互联网用户数量逐年攀升，特别是大型的购物网站、门户网站等网站的用户访问量越来越大，给网站的应用服务器等电子设备带来了巨大的运行压力。因此，需要检测这些电子设备的性能，保证电子设备能够稳定运行。电子设备的性能检测主要是通过检测电子设备的性能指标(例如CPU(Central Processing Unit，中央处理器)使用率、内存使用率、网卡吞吐率、网页访问量等)是否处于正常状态，从而判断电子设备的性能是否稳定。

相应的性能指标异常检测方法中，针对某一个性能指标，首先需要人工标定出该性能指标的异常指标值，对这些异常指标值进行聚类处理，如果电子设备中出现该性能指标的新指标值，通过分析该指标值与每个聚类中心的聚类结果，在该指标值属于某一类时，确定此时性能指标出现异常。

现有的性能指标异常检测方法均是针对单个性能指标进行独立的检测，而某个性能指标的指标值的不正常变化，可能并不是由于电子设备本身的性能出现问题而引起的，而有可能是因为外部干扰等因素引起，这样，就很容易导致误判。

发明内容

本发明实施例的目的在于提供一种性能指标异常检测方法及装置，以降低性能指标异常检测的误判率。具体技术方案如下：

第一方面，本发明实施例提供了一种性能指标异常检测方法，所述方法包括：

获取多个性能指标的指标值序列，其中，各性能指标的指标值序列包括该性能指标在指定时间段内的多个指标值；

根据任两个指标值序列，对所述两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组；

判断同一指标组中在待检测时刻存在异常的性能指标的数目是否大于预设阈值；

若是，则确定在待检测时刻存在异常的性能指标为所述指标组中的多个性能指标。

第二方面，本发明实施例提供了一种性能指标异常检测装置，所述装置包括：

获取模块，用于获取多个性能指标的指标值序列，其中，各性能指标的指标值序列包括该性能指标在指定时间段内的多个指标值；

分析模块，用于根据任两个指标值序列，对所述两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组；

判断模块，用于判断同一指标组中在待检测时刻存在异常的性能指标的数目是否大于预设阈值；

确定模块，用于若所述判断模块的判断结果为是，则确定在待检测时刻存在异常的性能指标为所述指标组中的多个性能指标。

第三方面，本发明实施例提供了一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使：实现本发明实施例第一方面所述的方法步骤。

第四方面，本发明实施例提供了一种机器可读存储介质，用于存储机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器：实现本发明实施例第一方面所述的方法步骤。

本发明实施例提供的一种性能指标异常检测方法及装置，获取多个性能指标的指标值序列，根据任两个指标值序列，对这两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组，在同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值时，则可以确定在待检测时刻存在异常的性能指标为该指标组中的多个性能指标。通过相关性分析，将性能指标进行分组，同一指标组中的性能指标具有较高的相关性，如果同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则说明确实是这些性能指标中的某一些性能指标发生了异常，才进行相关的异常确定和报警处理，有效避免了干扰等因素引起的某一个性能指标的指标值的不正常变化而导致的误判，降低了性能指标异常检测的误判率。

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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的性能指标异常检测方法的流程示意图；

图2为本发明实施例的性能指标异常检测装置的结构示意图；

图3为本发明实施例的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清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了降低性能指标异常检测的误判率，本发明实施例提供了一种性能指标异常检测方法、装置、电子设备及机器可读存储介质。下面首先对本发明实施例所提供的性能指标异常检测方法进行介绍。

本发明实施例所提供的性能指标异常检测方法的执行主体可以为例如网站应用服务器、云平台服务器、网关、路由器、交换机等电子设备，实现本发明实施例所提供的性能指标异常检测方法的方式可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种。

如图1所示，本发明实施例所提供的一种性能指标异常检测方法，可以包括如下步骤：

S101，获取多个性能指标的指标值序列，其中，各性能指标的指标值序列包括该性能指标在指定时间段内的多个指标值。

性能指标是指互联网中的电子设备的运行性能相关的指标，性能指标主要分为两种类型：服务指标和机器指标。服务指标是指能够反映电子设备的规模、质量的性能指标，例如，网页响应时间、网页访问量、连接错误数量等；机器指标是指能够反映电子设备健康状态的性能指标，例如，CPU使用率、磁盘IO、网卡吞吐率等。指定性能指标可以是上述的任一种性能指标，指标值即为性能指标在某一时刻的具体取值。

由于电子设备在发生异常时往往伴随着好几个性能指标同时异常，这些性能指标之间存在着较高的相关性。基于历史时刻的指标值，可以分析出多个性能指标之间的相关性，相关性越高的两个性能指标，指标值在同一个时刻的变化趋势越相近，因此，在进行相关性分析时，需要获取多个性能指标的指标值序列，指标值序列即为多个时刻的指标值组成的序列。例如，可以获取到X1、X2、X3、…、Xn共n个性能指标的指标值序列，并且，为了便于相关性分析，不同的指标值序列中的指标值应该是相同的多个时刻的指标值，即如果X1是2018年11月8日12:00、12:01、12:02、12:03、12:04、12:05六个时刻的CPU使用率的指标值，则X2可以是2018年11月8日12:00、12:01、12:02、12:03、12:04、12:05六个时刻的网卡吞吐率的指标值，X3可以是2018年11月8日12:00、12:01、12:02、12:03、12:04、12:05六个时刻的网页访问量的指标值，等等。也就是说，对于每一个性能指标的指标值序列Xi＝{x₁,x₂,x₃,…,x_m}，都有m个时刻的指标值。

当然，以上对于指标值序列中指标值的限定只是为了便于后续进行相关性分析，不同性能指标的指标值序列之间还可以为包含的关系，不同的指标值序列之间只要存在相同时刻的指标值即可，这是因为只有对同一时刻的指标值进行分析才可以得到准确的相关性结果。

S102，根据任两个指标值序列，对这两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组。

对于不同的两个性能指标，如果相关性较高，则在同一个时间段中指标值的变化趋势较为相近，因此，可以基于这两个性能指标的指标值序列进行相关性分析，分析出这两个性能指标的相关性是否较高，如果相关性较高，则可以将这两个性能指标划分到同一个指标组。

可选的，S102具体可以为：

针对任两个指标值序列，将这两个指标值序列中相同时刻的指标值作差，得到这两个指标值序列之间的指标值跟随属性；分别针对这两个指标值序列中的各指标值序列，计算该指标值序列中各时刻的波动值，得到该指标值序列对应的波动属性序列；将两个波动属性序列中相同时刻的波动值作差，得到这两个波动属性序列之间的波动值跟随属性；根据指标值跟随属性及波动值跟随属性，确定这两个指标值序列对应的两个性能指标的相关性。

如果两个性能指标的相关性较高，则这两个性能指标的指标值序列中相同时刻的指标值作差之后，得到的序列中数值较为相近，指标值跟随属性就是两个指标值序列中相同时刻的指标值作差之后所得到的序列。

更进一步的，如果两个性能指标的相关性较高，则这两个性能指标的指标值序列中指标值的波动趋势也是很相近的，因此可以针对每个指标值序列计算波动属性序列，波动值就是指当前时刻与上一时刻的指标值的差值，具体的，以指标值序列X1为例，X1＝{x₁,x₂,x₃,…,x_m}，则对应的波动属性序列包含m-1个时刻的波动值，即指标值序列X1对应的波动属性序列W1＝{x₂-x₁,x₃-x₂,…,x_m-x_m-1}。同上，可以对两个波动属性序列中相同时刻的波动值作差，计算得到波动值跟随属性。

指标值跟随属性和波动值跟随属性分别表征了两个性能指标的指标值之间的相近程度和两个性能指标的指标值波动之间的相近程度，因此，基于指标值跟随属性和波动值跟随属性，可以确定出这两个指标值序列对应的两个性能指标的相关性。

具体的，根据指标值跟随属性及波动值跟随属性，确定两个指标值序列对应的两个性能指标的相关性的步骤，具体可以为：

根据指标值跟随属性，计算指标值跟随属性的标准差，并且，根据波动值跟随属性，计算波动值跟随属性的标准差；

对指标值跟随属性的标准差与波动值跟随属性的标准差进行加权累加，得到两个指标值序列对应的两个性能指标的相关性。

由于一组数值变化的趋势可以从该组数值的标准差得到体现，因此，分别可以根据指标值跟随属性和波动值跟随属性，计算出指标值跟随属性的标准差sigmoid_V和波动值跟随属性的标准差sigmoid_WV。最终两个性能指标的相关性可以通过加权得到，一般情况下如果没有特殊要求，sigmoid_V和sigmoid_WV分配的权重可以相同，则得到的相关性可以为：

corr＝0.5*sigmoid_v+0.5*sigmoid_wv (1)

其中，corr为两个指标值序列对应的两个性能指标的相关性，sigmoid_v为指标值跟随属性的标准差，sigmoid_wv为波动值跟随属性的标准差。

当然，在一些特殊的应用场景中，sigmoid_V和sigmoid_WV分配的权重可以不同，这由数值本身波动的概率和幅度相关，如果数值波动的概率较小，则可以给sigmoid_WV分配较小的权重，这里不再赘述。

S103，判断同一指标组中在待检测时刻存在异常的性能指标的数目是否大于预设阈值。

经过上述步骤，将相关性较高的性能指标分为同一个指标组，没有和其他性能指标相关的性能指标单独分为一组，这样，在进行异常检测时，如果检测到待检测时刻某一个性能指标发生了异常，可以先判断该性能指标所属指标组中发生异常的性能指标的数目是否大于预设阈值，也就是需要判断待检测时刻指标组是否异常的置信度，数目越多则指标组异常的置信度就越高。预设阈值的设置与指标组中性能指标的总数相关，例如某一指标组中性能指标的总数为5，则可以设置预设阈值为3，预设阈值设置的越大，则最终得到的异常信息就越准确。

可选的，性能指标在待检测时刻的异常检测方式，具体可以为：

获取性能指标在待检测时刻的第一指标值，以及待检测时刻前满足指定窗口数的多个预设周期内待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值；

根据各第二指标值，建立正态分布模型；

基于正态分布模型，检测性能指标在所述待检测时刻是否异常。

对于单个性能指标而言，正常的指标值往往具有一定的时间规律性，但是异常的指标值与正常的指标值差异较大，通常无法满足正常的指标值的规律性，一个性能指标在某一时刻是否发生异常通常与该时刻的相邻时间段的指标值、周期内对应时刻的指标值等相关，因此，可以按照这样的规律去获取历史时刻的第二指标值，以待检测时刻前的多个预设周期为例，可以获取待检测时刻前满足指定窗口数的多个预设周期内待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值。当然时间规律除此之外还可以是待检测时刻前相邻的时间窗口等，相应的获取历史时刻的第二指标值，这里不再一一赘述。

针对不同的性能指标的周期波动性和局部波动性不同，有的性能指标1个小时内的波动性较大，则可以将指定窗口的大小设置的大一点；有的性能指标每天的波动性较大，则可以将指定窗口数设置的大一点。

可选的，指定窗口的大小的确定方式，具体可以为：

获取待检测时刻前预设的初始窗口中各历史时刻的第二指标值；根据初始窗口中的各第二指标值，计算初始窗口中所有第二指标值的均值及标准差；根据该均值及标准差，计算初始窗口内的指标值波动性；根据初始窗口的大小及初始窗口内的指标值波动性，确定指定窗口的大小。

假设初始窗口的大小为5，可以获取待检测时刻前相邻的5个时刻的第二指标值，然后对这5个第二指标值计算均值mean1和标准差sigmoid1，则初始窗口内的指标值波动性wave1＝(max1-mean1)/sigmoid1，其中，max1为这5个第二指标值中最大的指标值。初始窗口内的指标值波动性越大则指定窗口的大小越大，即指定窗口的大小与初始窗口内的指标值波动性成正比，因此，对初始窗口的大小和初始窗口内的指标值波动性做乘积，得到的结果即为指定窗口的大小，即，指定窗口的大小＝初始窗口的大小*初始窗口内的指标值波动性。

可选的，指定窗口数的确定方式，具体可以为：

获取待检测时刻前满足预设的初始窗口数的多个预设周期内待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值；针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中所有第二指标值的第一均值；根据各第一均值，计算所有指定窗口的第二均值及标准差；根据第二均值及标准差，计算多个预设周期间的指标值波动性；根据初始窗口数及多个预设周期间的指标值波动性，确定指定窗口数。

假设初始窗口数为7，可以获取待检测时刻前7个预设周期内待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值，假设指定窗口的大小为5，即会获取到7组、每组5个第二指标值。然后针对每一组，计算每组中各第二指标值的第一均值，总共得到7个均值，再对这7个均值求均值mean2和标准差sigmoid2，则多个预设周期间的指标值波动性wave2＝(max2-mean2)/sigmoid2，其中，max2为这7个均值中的最大值。多个预设周期间的指标值波动性越大则指定窗口数就越大，即指定窗口数与多个预设周期间的指标值波动性成正比，因此，对初始窗口数和多个预设周期间的指标值波动性做乘积，得到的结果即为指定窗口数，即，指定窗口数＝初始窗口数*多个预设周期间的指标值波动性。

可选的，根据各第二指标值，建立正态分布模型的步骤，具体可以为：

根据各指定窗口中的所有第二指标值，计算所有指定窗口中所有第二指标值的均值及标准差；基于所有指定窗口中所有第二指标值的均值及标准差，建立第一正态分布模型；

针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中各时刻的波动值；根据各指定窗口中的所有波动值，计算所有指定窗口中所有波动值的均值及标准差；基于所有指定窗口中所有波动值的均值及标准差，建立第二正态分布模型。

性能指标的异常经常发生在指标值异常和波动值异常的位置，因此，在本实施列中，可以针对两个规律建立正态分布模型：根据待检测时刻前M个周期的第二指标值建立第一正态分布模型；根据待检测时刻前M个周期的波动值建立第二正态分布模型。形象的来说，就是对该性能指标获取历史相应时刻的M个时间窗口，而每个时间窗口的大小为N。以2018年8月11日12:06、M＝3、N＝5为例，如果需要判断2018年8月11日12:06这个时刻的性能指标是否异常，就需要获取到2018年8月10日、2018年8月9日、2018年8月8日这三天，12:06周围5个时刻的指标值分布情况与波动值情况，即12:04、12:05、12:06、12:07、12:08这五个时刻的指标值和波动值，分别建立两个正态分布模型。具体的这两个正态分布模型为：

第一个正态分布模型，获取到2018年8月10日12:04、2018年8月10日12:05、2018年8月10日12:06、2018年8月10日12:07、2018年8月10日12:08、2018年8月9日12:04、2018年8月9日12:05、2018年8月9日12:06、2018年8月9日12:07、2018年8月9日12:08、2018年8月8日12:04、2018年8月8日12:05、2018年8月8日12:06、2018年8月8日12:07、2018年8月8日12:08这15个时刻的指标值，通过计算这15个时刻的指标值的均值mean和标准差sigmoid，建立正态分布模型；

第二个正态分布模型，获取到2018年8月10日12:04、2018年8月10日12:05、2018年8月10日12:06、2018年8月10日12:07、2018年8月10日12:08、2018年8月9日12:04、2018年8月9日12:05、2018年8月9日12:06、2018年8月9日12:07、2018年8月9日12:08、2018年8月8日12:04、2018年8月8日12:05、2018年8月8日12:06、2018年8月8日12:07、2018年8月8日12:08这15个时刻的指标值，计算2018年8月10日12:05、2018年8月10日12:06、2018年8月10日12:07、2018年8月10日12:08、2018年8月9日12:05、2018年8月9日12:06、2018年8月9日12:07、2018年8月9日12:08、2018年8月8日12:05、2018年8月8日12:06、2018年8月8日12:07、2018年8月8日12:08这12个时刻的波动值，通过计算这12个时刻的波动值的均值mean和标准差sigmoid，建立正态分布模型。

需要说明的一点，由于上述计算中指标值属于小数据样本，为了保证利用小数据样本可以更好的逼近总体的标准差，可以采用无偏估计的方式计算标准差，即标准差的计算公式如公式(2)所示。

其中，sigmoid表示标准差，n表示第二指标值或者波动值的总数目，X_i表示第i个第二指标值或者第i个波动值，代表均值。

相应的，如果时间规律为待检测时刻前相邻的时间窗口等，可以采用相类似的方法建立正态分布模型，这里不再一一赘述。

可选的，基于所述正态分布模型，检测性能指标在待检测时刻是否异常的步骤，具体可以为：

根据第一正态分布模型中的标准差，确定第一阈值，并根据第二正态分布模型中的标准差，确定第二阈值；

根据第一指标值及待检测时刻的前一时刻的第二指标值，确定待检测时刻的波动值；

若第一指标值与第二正态分布模型中均值的差值绝对值超过第一阈值，和/或，若待检测时刻的波动值与第二正态分布模型中均值的差值绝对值超过第二阈值，则确定性能指标在待检测时刻存在异常。

针对第一正态分布模型，可以基于标准差确定第一阈值，第一阈值为标准差的第一预设倍数，设定第一预设倍数为A1，则可以判断第一指标值是否大于mean+A1*sigmoid或者小于mean-A1*sigmoid，如果第一指标值大于mean+A1*sigmoid或者小于mean-A1*sigmoid，则认为在第一正态分布模型下，指定性能指标在待检测时刻异常。

针对第二正态分布模型，可以基于标准差确定第二阈值，第二阈值为标准差的第二预设倍数，设定第二预设倍数为A2，则可以判断待检测时刻的波动值是否大于mean+A2*sigmoid或者小于mean-A2*sigmoid，如果待检测时刻的波动值大于mean+A2*sigmoid或者小于mean-A2*sigmoid，则认为在第二正态分布模型下，指定性能指标在待检测时刻异常。其中，A1和A2的取值可以相同也可以不同。

如果在第一正态分布模型和第二正态分布模型，有一个模型下指定性能指标在待检测时刻异常，或者两个模型下指定性能指标在待检测时刻均异常，则可以确定性能指标在待检测时刻存在异常。

S104，若同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则确定在待检测时刻存在异常的性能指标为该指标组中的多个性能指标。

如果同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则说明该指标组发生异常的置信度较高，则可以确定在待检测时刻存在异常的性能指标为该指标组中的多个性能指标，相应的给出详细告警信息，该告警信息中包含有哪些性能指标存在异常的可能，这样可以使得运维人员快速的定位可能发生异常的性能指标，增加了运维效率。

应用本实施列，获取多个性能指标的指标值序列，根据任两个指标值序列，对这两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组，在同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值时，则可以确定在待检测时刻存在异常的性能指标为该指标组中的多个性能指标。通过相关性分析，将性能指标进行分组，同一指标组中的性能指标具有较高的相关性，如果同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则说明确实是这些性能指标中的某一些性能指标发生了异常，才进行相关的异常确定和报警处理，有效避免了干扰等因素引起的某一个性能指标的指标值的不正常变化而导致的误判，降低了性能指标异常检测的误判率。

并且，在进行单个性能指标的异常检测时，基于指标值和波动值的时间规律性进行分析，不要人工进行异常指标值的标定，降低了人工标定所带来的异常检测的误报和漏报风险，从而提高了性能指标异常检测的准确性。

相应于上述方法实施例，本发明实施例还提供了一种性能指标异常检测装置，如图2所示，该性能指标异常检测装置可以包括：

获取模块210，用于获取多个性能指标的指标值序列，其中，各性能指标的指标值序列包括该性能指标在指定时间段内的多个指标值；

分析模块220，用于根据任两个指标值序列，对所述两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组；

判断模块230，用于判断同一指标组中在待检测时刻存在异常的性能指标的数目是否大于预设阈值；

确定模块240，用于若所述判断模块的判断结果为是，则确定在待检测时刻存在异常的性能指标为所述指标组中的多个性能指标。

可选的，所述分析模块220，具体可以用于：

针对任两个指标值序列，将所述两个指标值序列中相同时刻的指标值作差，得到所述两个指标值序列之间的指标值跟随属性；

分别针对所述两个指标值序列中的各指标值序列，计算该指标值序列中各时刻的波动值，得到该指标值序列对应的波动属性序列，所述波动值为当前时刻与上一时刻的指标值的差值；

将两个波动属性序列中相同时刻的波动值作差，得到所述两个波动属性序列之间的波动值跟随属性；

根据所述指标值跟随属性及所述波动值跟随属性，确定所述两个指标值序列对应的两个性能指标的相关性。

可选的，所述分析模块220，具体可以用于：

根据所述指标值跟随属性，计算所述指标值跟随属性的标准差；

根据所述波动值跟随属性，计算所述波动值跟随属性的标准差；

对所述指标值跟随属性的标准差与所述波动值跟随属性的标准差进行加权累加，得到所述两个指标值序列对应的两个性能指标的相关性。

可选的，所述获取模块210，还可以用于获取所述性能指标在待检测时刻的第一指标值，以及所述待检测时刻前满足指定窗口数的多个预设周期内所述待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值；

所述装置还可以包括：

建立模块，用于根据各第二指标值，建立正态分布模型；

检测模块，用于基于所述正态分布模型，检测所述性能指标在所述待检测时刻是否异常。

可选的，所述获取模块210，还可以用于获取所述待检测时刻前预设的初始窗口中各历史时刻的第二指标值；

所述装置还可以包括：

计算模块，用于根据所述初始窗口中的各第二指标值，计算所述初始窗口中所有第二指标值的均值及标准差；根据所述均值及所述标准差，计算所述初始窗口内的指标值波动性；

确定模块，用于根据所述初始窗口的大小及所述初始窗口内的指标值波动性，确定指定窗口的大小，所述指定窗口的大小与所述初始窗口内的指标值波动性成正比；

所述获取模块210，还可以用于获取所述待检测时刻前满足预设的初始窗口数的多个预设周期内所述待检测时刻的对应时刻所处所述指定窗口中各历史时刻的第二指标值；

所述计算模块，还可以用于针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中所有第二指标值的第一均值；根据各第一均值，计算所有指定窗口的第二均值及标准差；根据所述第二均值及所述标准差，计算所述初始窗口数的多个预设周期间的指标值波动性；

所述确定模块，还可以用于根据所述初始窗口数及所述多个预设周期间的指标值波动性，确定指定窗口数，所述指定窗口数与所述多个预设周期间的指标值波动性成正比。

可选的，所述建立模块，具体可以用于：

根据各指定窗口中的所有第二指标值，计算所有指定窗口中所有第二指标值的均值及标准差；基于所有指定窗口中所有第二指标值的均值及标准差，建立第一正态分布模型；

针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中各时刻的波动值；根据各指定窗口中的所有波动值，计算所有指定窗口中所有波动值的均值及标准差；基于所有指定窗口中所有波动值的均值及标准差，建立第二正态分布模型。

可选的，所述检测模块，具体可以用于：

根据所述第一正态分布模型中的标准差，确定第一阈值，所述第一阈值为所述标准差的第一预设倍数；

根据所述第二正态分布模型中的标准差，确定第二阈值，所述第二阈值为所述标准差的第二预设倍数；

根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值，确定所述待检测时刻的波动值；

若所述第一指标值与所述第二正态分布模型中均值的差值绝对值超过所述第一阈值，和/或，若所述待检测时刻的波动值与所述第二正态分布模型中均值的差值绝对值超过所述第二阈值，则确定所述性能指标在所述待检测时刻存在异常。

应用本实施列，获取多个性能指标的指标值序列，根据任两个指标值序列，对这两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组，在同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值时，则可以确定在待检测时刻存在异常的性能指标为该指标组中的多个性能指标。通过相关性分析，将性能指标进行分组，同一指标组中的性能指标具有较高的相关性，如果同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则说明确实是这些性能指标中的某一些性能指标发生了异常，才进行相关的异常确定和报警处理，有效避免了干扰等因素引起的某一个性能指标的指标值的不正常变化而导致的误判，降低了性能指标异常检测的误判率。

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和机器可读存储介质302，所述机器可读存储介质302存储有能够被所述处理器301执行的机器可执行指令，所述处理器301被所述机器可执行指令促使：实现本发明实施例所提供的性能指标异常检测方法的所有步骤。

上述机器可读存储介质可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。

上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA列(Field-Programmable Gate Array，现场可编程门阵)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。

本实施例中，处理器通过读取机器可读存储介质中存储的计算机程序，并通过运行该计算机程序，能够实现：通过相关性分析，将性能指标进行分组，同一指标组中的性能指标具有较高的相关性，如果同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则说明确实是这些性能指标中的某一些性能指标发生了异常，才进行相关的异常确定和报警处理，有效避免了干扰等因素引起的某一个性能指标的指标值的不正常变化而导致的误判，降低了性能指标异常检测的误判率。

另外，本发明实施例还提供了一种机器可读存储介质，用于存储机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器：实现本发明实施例所提供的性能指标异常检测方法的所有步骤。

本实施例中，机器可读存储介质存储有在运行时执行本发明实施例所提供的性能指标异常检测方法的可执行指令，因此能够实现：通过相关性分析，将性能指标进行分组，同一指标组中的性能指标具有较高的相关性，如果同一指标组中在待检测时刻存在异常的性能指标的数目大于预设阈值，则说明确实是这些性能指标中的某一些性能指标发生了异常，才进行相关的异常确定和报警处理，有效避免了干扰等因素引起的某一个性能指标的指标值的不正常变化而导致的误判，降低了性能指标异常检测的误判率。

对于电子设备以及机器可读存储介质实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，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。

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、电子设备以及机器可读存储介质实施例而言，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 (14)

1.一种性能指标异常检测方法，其特征在于，所述方法包括：

获取多个性能指标的指标值序列，其中，各性能指标的指标值序列包括该性能指标在指定时间段内的多个指标值；

根据任两个指标值序列，对所述两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组；

判断同一指标组中在待检测时刻存在异常的性能指标的数目是否大于预设阈值；

若是，则确定在待检测时刻存在异常的性能指标为所述指标组中的多个性能指标。

2.根据权利要求1所述的方法，其特征在于，所述根据任两个指标值序列，对所述两个指标值序列对应的两个性能指标进行相关性分析，包括：

针对任两个指标值序列，将所述两个指标值序列中相同时刻的指标值作差，得到所述两个指标值序列之间的指标值跟随属性；

分别针对所述两个指标值序列中的各指标值序列，计算该指标值序列中各时刻的波动值，得到该指标值序列对应的波动属性序列，所述波动值为当前时刻与上一时刻的指标值的差值；

将两个波动属性序列中相同时刻的波动值作差，得到所述两个波动属性序列之间的波动值跟随属性；

根据所述指标值跟随属性及所述波动值跟随属性，确定所述两个指标值序列对应的两个性能指标的相关性。

3.根据权利要求2所述的方法，其特征在于，所述根据所述指标值跟随属性及所述波动值跟随属性，确定所述两个指标值序列对应的两个性能指标的相关性，包括：

根据所述指标值跟随属性，计算所述指标值跟随属性的标准差；

根据所述波动值跟随属性，计算所述波动值跟随属性的标准差；

对所述指标值跟随属性的标准差与所述波动值跟随属性的标准差进行加权累加，得到所述两个指标值序列对应的两个性能指标的相关性。

4.根据权利要求1所述的方法，其特征在于，所述性能指标在待检测时刻的异常检测方式，包括：

获取所述性能指标在待检测时刻的第一指标值，以及所述待检测时刻前满足指定窗口数的多个预设周期内所述待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值；

根据各第二指标值，建立正态分布模型；

基于所述正态分布模型，检测所述性能指标在所述待检测时刻是否异常。

5.根据权利要求4所述的方法，其特征在于，所述指定窗口的大小的确定方式，包括：

获取所述待检测时刻前预设的初始窗口中各历史时刻的第二指标值；

根据所述初始窗口中的各第二指标值，计算所述初始窗口中所有第二指标值的均值及标准差；

根据所述均值及所述标准差，计算所述初始窗口内的指标值波动性；

根据所述初始窗口的大小及所述初始窗口内的指标值波动性，确定指定窗口的大小，所述指定窗口的大小与所述初始窗口内的指标值波动性成正比；

所述指定窗口数的确定方式，包括：

获取所述待检测时刻前满足预设的初始窗口数的多个预设周期内所述待检测时刻的对应时刻所处所述指定窗口中各历史时刻的第二指标值；

针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中所有第二指标值的第一均值；

根据各第一均值，计算所有指定窗口的第二均值及标准差；

根据所述第二均值及所述标准差，计算所述初始窗口数的多个预设周期间的指标值波动性；

根据所述初始窗口数及所述多个预设周期间的指标值波动性，确定指定窗口数，所述指定窗口数与所述多个预设周期间的指标值波动性成正比。

6.根据权利要求4所述的方法，其特征在于，所述根据各第二指标值，建立正态分布模型，包括：

根据各指定窗口中的所有第二指标值，计算所有指定窗口中所有第二指标值的均值及标准差；基于所有指定窗口中所有第二指标值的均值及标准差，建立第一正态分布模型；

针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中各时刻的波动值；根据各指定窗口中的所有波动值，计算所有指定窗口中所有波动值的均值及标准差；基于所有指定窗口中所有波动值的均值及标准差，建立第二正态分布模型。

7.根据权利要求6所述的方法，其特征在于，所述基于所述正态分布模型，检测所述性能指标在所述待检测时刻是否异常，包括：

根据所述第一正态分布模型中的标准差，确定第一阈值，所述第一阈值为所述标准差的第一预设倍数；

根据所述第二正态分布模型中的标准差，确定第二阈值，所述第二阈值为所述标准差的第二预设倍数；

根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值，确定所述待检测时刻的波动值；

若所述第一指标值与所述第二正态分布模型中均值的差值绝对值超过所述第一阈值，和/或，若所述待检测时刻的波动值与所述第二正态分布模型中均值的差值绝对值超过所述第二阈值，则确定所述性能指标在所述待检测时刻存在异常。

8.一种性能指标异常检测装置，其特征在于，所述装置包括：

获取模块，用于获取多个性能指标的指标值序列，其中，各性能指标的指标值序列包括该性能指标在指定时间段内的多个指标值；

分析模块，用于根据任两个指标值序列，对所述两个指标值序列对应的两个性能指标进行相关性分析，并将相关性大于预设相关性阈值的性能指标划分为同一指标组；

判断模块，用于判断同一指标组中在待检测时刻存在异常的性能指标的数目是否大于预设阈值；

确定模块，用于若所述判断模块的判断结果为是，则确定在待检测时刻存在异常的性能指标为所述指标组中的多个性能指标。

9.根据权利要求8所述的装置，其特征在于，所述分析模块，具体用于：

针对任两个指标值序列，将所述两个指标值序列中相同时刻的指标值作差，得到所述两个指标值序列之间的指标值跟随属性；

分别针对所述两个指标值序列中的各指标值序列，计算该指标值序列中各时刻的波动值，得到该指标值序列对应的波动属性序列，所述波动值为当前时刻与上一时刻的指标值的差值；

将两个波动属性序列中相同时刻的波动值作差，得到所述两个波动属性序列之间的波动值跟随属性；

根据所述指标值跟随属性及所述波动值跟随属性，确定所述两个指标值序列对应的两个性能指标的相关性。

10.根据权利要求9所述的装置，其特征在于，所述分析模块，具体用于：

根据所述指标值跟随属性，计算所述指标值跟随属性的标准差；

根据所述波动值跟随属性，计算所述波动值跟随属性的标准差；

对所述指标值跟随属性的标准差与所述波动值跟随属性的标准差进行加权累加，得到所述两个指标值序列对应的两个性能指标的相关性。

11.根据权利要求8所述的装置，其特征在于，

所述获取模块，还用于获取所述性能指标在待检测时刻的第一指标值，以及所述待检测时刻前满足指定窗口数的多个预设周期内所述待检测时刻的对应时刻所处指定窗口中各历史时刻的第二指标值；

所述装置还包括：

建立模块，用于根据各第二指标值，建立正态分布模型；

检测模块，用于基于所述正态分布模型，检测所述性能指标在所述待检测时刻是否异常。

12.根据权利要求11所述的装置，其特征在于，

所述获取模块，还用于获取所述待检测时刻前预设的初始窗口中各历史时刻的第二指标值；

所述装置还包括：

计算模块，用于根据所述初始窗口中的各第二指标值，计算所述初始窗口中所有第二指标值的均值及标准差；根据所述均值及所述标准差，计算所述初始窗口内的指标值波动性；

确定模块，用于根据所述初始窗口的大小及所述初始窗口内的指标值波动性，确定指定窗口的大小，所述指定窗口的大小与所述初始窗口内的指标值波动性成正比；

所述获取模块，还用于获取所述待检测时刻前满足预设的初始窗口数的多个预设周期内所述待检测时刻的对应时刻所处所述指定窗口中各历史时刻的第二指标值；

所述计算模块，还用于针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中所有第二指标值的第一均值；根据各第一均值，计算所有指定窗口的第二均值及标准差；根据所述第二均值及所述标准差，计算所述初始窗口数的多个预设周期间的指标值波动性；

所述确定模块，还用于根据所述初始窗口数及所述多个预设周期间的指标值波动性，确定指定窗口数，所述指定窗口数与所述多个预设周期间的指标值波动性成正比。

13.根据权利要求11所述的装置，其特征在于，所述建立模块，具体用于：

根据各指定窗口中的所有第二指标值，计算所有指定窗口中所有第二指标值的均值及标准差；基于所有指定窗口中所有第二指标值的均值及标准差，建立第一正态分布模型；

针对各指定窗口，根据该指定窗口中的各第二指标值，计算该指定窗口中各时刻的波动值；根据各指定窗口中的所有波动值，计算所有指定窗口中所有波动值的均值及标准差；基于所有指定窗口中所有波动值的均值及标准差，建立第二正态分布模型。

14.根据权利要求13所述的装置，其特征在于，所述检测模块，具体用于：

根据所述第一正态分布模型中的标准差，确定第一阈值，所述第一阈值为所述标准差的第一预设倍数；

根据所述第二正态分布模型中的标准差，确定第二阈值，所述第二阈值为所述标准差的第二预设倍数；

根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值，确定所述待检测时刻的波动值；

若所述第一指标值与所述第二正态分布模型中均值的差值绝对值超过所述第一阈值，和/或，若所述待检测时刻的波动值与所述第二正态分布模型中均值的差值绝对值超过所述第二阈值，则确定所述性能指标在所述待检测时刻存在异常。