监控指标异常检测方法、模型训练方法、装置及设备
技术领域
本发明涉及智能运维技术领域,尤其涉及一种监控指标异常检测方法、模型训练方法、装置及设备。
背景技术
在互联网时代,为了保证业务的正常进行,会采用各种各样的监控平台对业务数据的各种监控指标进行监控,以便及时发现异常的业务数据并及时处理,最大程度地降低故障时间造成的服务质量下降和业务损失。由于业务种类繁多,对应着大量的业务数据和监控指标,如何从纷繁复杂的业务数据的监控曲线中发现异常的业务数据并及时报警尤为关键。目前的监控平台中,判定异常数据的判断逻辑过于简单,在业务发生正常抖动的时候,会带来大规模的异常误报,使得运维人员疲于解决。
发明内容
为克服相关技术中存在的问题,本说明书提供了一种监控指标异常检测方法、模型训练方法、装置及设备。
首先,本说明书提供了一种监控指标异常检测方法,所述方法包括:
获取监控指标的样本数据,所述样本数据为所述监控指标在目标时间之前的指定时间的实际数据;
将所述样本数据输入到预先训练的监控指标预测LSTM模型中预测所述监控指标在目标时间的预测值,其中所述监控指标预测LSTM模型基于所述监控指标的历史数据训练得到;
获取所述监控指标在目标时间的实际值;
判断所述实际值与所述预测值的偏离程度是否超过预设阈值;
如果是,则发出异常报警信息。
其次,本说明书提供了一种监控指标预测LSTM模型训练方法,所述方法包括:
利用监控指标的历史数据构建训练样本和测试样本,其中,所述训练样本和所述测试样本包括样本特征和与所述样本特征对应的样本标签;
将所述训练样本的样本特征作为预先选取的基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型的输出,对所述基准LSTM模型进行训练,不断调整所述基准LSTM模型的参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型,其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到。
第三,本说明书还提供了一种基于LSTM模型监控指标异常检测装置,所述装置包括:
获取模块,获取监控指标的样本数据,所述样本数据为所述监控指标在目标时间之前的指定时间的实际数据;以及获取所述监控指标在目标时间的实际值;
预测模块,将所述样本数据输入到预先训练的监控指标预测LSTM模型中预测所述监控指标在目标时间的预测值,其中所述监控指标预测LSTM模型基于所述监控指标的历史数据训练得到;
判断模块,判断所述实际值与所述预测值的偏离程度是否超过预设阈值;
报警模块,如果是,则发出异常报警信息。
第四,本说明书还提供了一种监控指标预测LSTM模型训练装置,所述装置包括:
构建模块,利用监控指标的历史数据构建训练样本和测试样本,其中,所述训练样本和所述测试样本包括样本特征和与所述样本特征对应的样本标签;
训练模块,将所述训练样本的样本特征作为预先选取的基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型的输出,对所述基准LSTM模型进行训练,不断调整所述基准LSTM模型的参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型,其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到。
进一步,本申请提供了一种设备,所述设备包括:
存储器,用于存储可执行的计算机指令;
处理器,用于执行所述计算机指令时实现以下步骤:
获取监控指标的样本数据,所述样本数据为所述监控指标在目标时间之前的指定时间的实际数据;
将所述样本数据输入到预先训练的监控指标预测LSTM模型中预测所述监控指标在目标时间的预测值,其中所述监控指标预测LSTM模型基于所述监控指标的历史数据训练得到;
获取所述监控指标在目标时间的实际值;
判断所述实际值与所述预测值的偏离程度是否超过预设阈值;
如果是,则发出异常报警信息。
本申请的有益效果:基于监控指标的历史数据,通过预先训练的监控指标LSTM模型来预测监控指标在未来某个目标时间的数据,然后将预测值与真实值进行比较,如果偏离程度大于预设阈值,则报警。通过深度学习的方式,基于历史数据学习出监控指标变化的潜在规律,对监控指标的未来走势做出更加合理的预测,并以该预测值与实际值进行比较来判定监控指标是否异常,可以降低错误报警的概率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1为本说明书一示例性实施例示出的一种循环神经网络的示意图;
图2为本说明书一示例性实施例示出的一种LSTM模型的示意图;
图3为本说明书一示例性实施例示出的一种监控指标预测LSTM模型的训练方法示意图;
图4为本说明书一示例性实施例示出的一种监控指标的异常检测方法示意图;
图5为本说明书一示例性实施例示出的一种监控指标的异常检测方法示意图;
图6为本说明书一示例性实施例示出的一种监控指标的异常检测方法的流程示意图;
图7为本说明书一示例性实施例示出的一种监控指标预测LSTM模型的训练装置的逻辑框图;
图8为本说明书一示例性实施例示出的一种监控指标异常检测装置的逻辑框图;
图9为本说明书一示例性实施例示出的一种设备的结构逻辑框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本发明可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本发明范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在互联网时代,为了保证业务的正常进行,会采用各种各样的监控平台对业务数据的各个监控指标进行监控,以便及时发现异常的业务数据并及时处理,最大程度地降低故障时间造成的服务质量下降和业务损失。由于业务种类繁多,对应着大量的业务数据和监控指标,如何从纷繁复杂的业务数据的监控曲线中发现异常的业务数据并及时报警尤为关键。目前,业务数据各个监控指标的异常识别主要依赖于一些人工敲定的规则和阈值来判定当前的监控指标是否异常,比如,监控指标环比或者同比超过预设的值则判定为异常,其中,环比是指监控指标与相邻的前一时期的数据进行比较,同比是指监控指标与历史同一时期的数据进行比较。但是这种异常判定的方式逻辑比较简单,在业务发生正常抖动的时候,也会带来大规模的异常误报,使得应急人员疲于解决。
为了解决上述问题,本说明书提供了一种基于LSTM模型的监控指标异常检测方法,基于深度学习的方法对监控指标的历史数据进行学习,得到监控指标的变化规律,可以对监控指标的未来走势做出更加合理的预测,且基于预测值与真实值的比较,对监控指标是否异常做出更合理的判断,并及时报警。
本说明书提供的监控指标异常检测方法是基于LSTM深度学习模型来预测监控指标的未来走势,为了更好的理解本说明提供方法,首先对RNN(Recurrent NeuralNetworks)循环神经网络做一个简单的介绍,如图1所示为RNN模型的示意图,RNN通常用来刻画一个序列当前的输出与之前信息的关系,从网络结果上来说,RNN会记忆之前的信息,并利用之前的信息影响后面的输出,也就是说,RNN的隐藏层之间的结点是有连接的,隐藏层的输入不仅包括输入层的输出,还包含上一时刻隐藏层的输出。由于RNN具有以上特性,因而其主要用途是用来处理和预测序列数据。
LSTM(Long Short-Term Memory)是一种特殊的RNN,作为RNN的演进版本,其模型示意图如图2所示,LSTM由忘记门层、输入门层和输出门层构成,以下对每一门层的功能进行简单的介绍。
忘记门读取输入的数据xt和上一层输出的数据ht-1后,经过一个sigmod函数映射,输出一个在0-1之间的数值给每个在细胞状态Ct-1中的数字。1表示“完全保留”,0表示“完全舍弃”,其映射函数如下所示:
ft=σ(Wf·[ht-1,xt]+bf
忘记门层读取输入数据xt和上一层输出的数据ht-1后,经过一个sigmod函数映射,输出一个在0-1之间的数值给输入门层,输入门层来决定什么样的信息将要更新,通过一个tanh层创建一个候选向量,最后将两个信息汇总得到状态更新,其映射函数如下:
it=σ(Wi·[ht-1,xt]+bi
进一步,我们将细胞状态进行更新得到Ct,其对应的函数如下所示:
输出门层通过运行一个sigmod层来决定细胞的哪些信息输出出去,同时将细胞经过一个tanh层得到-1到1之间的值,并与sigmod层相乘,得到最终的输出。其对应的函数如下所示:
ot=σ(Wo·[ht-1,xt]+bo
ht=ot*tanh(Ct)
LSTM由非常多的细胞单元组成,它可以记忆不定时间长度的数值,适合于处理和预测时间序列中间隔和延迟非常长的重要事件。本说明书中的监控指标预测LSTM模型可以通过对上述基准LSTM模型进行训练,即通过大量的监控指标数据代入到以上各层的映射函数中,调整各映射函数的参数,得到一个可以表征监控指标数据之间的规律的模型,即为监控指标预测LSTM模型。
以往在对监控指标进行异常判定的时候,多用当前监控指标的数据跟历史同期或相邻时期的监控指标的数据进行比较,由于监控指标是会随着时间而发生变化的,因而采用历史同期或者相邻时期的数据来判定当前监控指标是否异常不够合理。所以本说明书基于监控指标的历史数据训练了一个监控指标预测LSTM模型,用于预测监控指标的未来走势。具体的,本说明书提供的监控指标预测LSTM模型的训练方法如图3所示,包括以下步骤:
S302、利用监控指标的历史数据构建训练样本和测试样本,其中,所述训练样本和所述测试样本包括样本特征和与所述样本特征对应的样本标签;
S304、将所述训练样本的样本特征作为预先选取的基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型的输出,对所述基准LSTM模型进行训练,不断调整所述基准LSTM模型的参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型,其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到。
由于某些监控指标随着时间推移会呈现一定的变化规律,所以可以采用机器学习的方法学习监控指标的内在的规律变化,然后构建一个监控指标预测LSTM模型,用于预测监控指标未来的数据。为了训练监控指标预测LSTM模型,可以先选取基准LSTM模型,然后可以利用监控指标的历史数据构建训练样本和测试样本,其中,在构建训练样本和测试样本时,训练样本和测试样本包括样本特征和与所述样本特征对应的样本标签,其中样本特征作为基准LSTM模型的输入,对应的样本标签作为基准LSTM模型的输出,通过大量的训练样本输入到基准LSTM模型中,可以找到样本特征与样本标签之间的规律,即不同时间的监控指标的规律,从而不断调整基准LSTM模型的参数,使模型参数可以更加准确的表征所述样本特征与样本标签的关系,当然训练后的模型能否准确的描述样本特征和样本标签的规律还需要通过测试样本对其进行验证,将测试样本的样本特征作为训练后的模型的输入,会输出一个预测值,然后将预测值与该样本特征对应的样本标签比较,即可以知道训练后的模型的准度率是否达标。
在某些情况下,监控指标在历史同期可能会呈现一定的规律,所以可以采用如下方式构建训练样本和测试样本,可以从监控指标的历史数据中选取相同时间节点的数据,将所述数据按照时间先后顺序构成时序序列,然后将所述时序序列最后一个数据作为样本标签,其余的数据作为与所述样本标签对应的样本特征。比如,要预测某个优惠券的发放的数量,而这个优惠券的发放数量在某个特定的时间会呈现一定的规律,比如说在每天10点的时候,所以我们可以选取过去30天内这个优惠券在10点的时候的发放数量,将这30个数据按照时间先后顺序排列,构成一个时间序列,然后将前29天的数据作为样本特征,第30天的数据作为样本标签,采用这种方式去构建训练样本和测试样本,这样便可以得到第30天10点时的优惠券的发放数和前29天10点时的优惠券发放数的一个对应关系,可以得到一个预测未来某天10点时优惠券发放数量的模型。
比如在某些情况下,监控指标在可能在一段时间内可能呈现一定的规律,所以可以采用以下方式去构建训练样本和测试样本,可以从监控指标的历史数据中选取一段时间的数据,将所述数据按照时间先后顺序构成时序序列;然后将所述时序序列最后一个数据作为所述样本标签,其余的数据作为与所述样本标签对应的样本特征。比如,某优惠券某天的发放数量会受到前几天发放数量的影响,因而可以选取连续五天的数据,按照时间先后顺序排列,将前四天的数据作为样本特征,后一天的数据作为样本标签,构建训练样本和测试样本,这样可以得到连续5天的监控指标之间的变化规律。当然,在构建训练样本时也可以根据具体情况去灵活调整构建方式,比如有10天的数据,按照时间先后顺序排列为D1,D2,D3,D4,D5,D6,D7,D8,D9,D10,可以采用如下方式去构建训练样本:
样本特征【D1,D2,D3,D4】,对应样本标签【D5】;
样本特征【D6,D7,D8,D9】,对应样本标签【D10】;
当然在某些情况下,数据量较少时还可以采用如下方式去构建训练样本,
样本特征【D1,D2,D3,D4】,对应样本标签【D5】;
样本特征【D2,D3,D4,D5】,对应样本标签【D6】;
样本特征【D3,D4,D5,D6】,对应样本标签【D7】;
样本特征【D4,D5,D6,D7】,对应样本标签【D8】;
需要指出的是,如何构建训练样本和测试样本需要根据监控指标的整体变化规律去确定,针对不同的监控指标和不同的场景,构建方式不一样,可以灵活去选择构建方式,本说明书不作具体限定。
在构建好训练样本和测试样本之后,将训练样本的样本特征作为基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型输出,对所述基准LSTM模型进行训练,不断的调整模型的参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型。其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到,将测试样本的样本特征输入到训练后的模型当中,可以得到一个预测值,然后可以将预测值与所述样本特征的样本标签进行比较。训练后的模型的预测准确率可以用测试样本的真实值和预测值的残差来表征,如果两者残差小于预设值,则预测准确率达标。当测得预测准确率达标后,可以将此时的模型作为监控指标预测LSTM模型用于监控指标的预测。
另外,本说明书还提供了一种监控指标异常检测的方法,本说明书提供的监控指标异常检测方法是基于预先训练的监控指标预测LSTM模型对监控指标的未来数据进行预测,其中,所述监控指标预测LSTM模型可以采用上述监控指标预测LSTM模型训练方法训练得到,当然也可以采用其他的训练方法训练得到,本说明书不作具体限制。在通过监控指标预测LSTM模型预测得到未来某个目标时间的预测值后,将预测值与监控指标的实际值相比较,判定监控指标是否异常。具体的,所述监控指标异常检测方法如图4所示,包括以下步骤:
S402、获取监控指标的样本数据,所述样本数据为所述监控指标在目标时间之前的指定时间的实际数据;
S404、将所述样本数据样本输入到预先训练的监控指标预测LSTM模型中预测所述监控指标在目标时间的预测值,其中所述监控指标预测LSTM模型基于所述监控指标的历史数据训练得到;
S406、获取所述监控指标在目标时间的实际值;
S408、判断所述实际值与所述预测值的偏离程度是否超过预设阈值;
S410、如果是,则发出异常报警信息。
本说明书提供的监控指标异常的检测方法可以用于运维监控平台,比如“Xflush”监控平台,用于对各种监控指标的异常进行监控报警。本说明书的监控指标是指各种业务数据的各类指标,比如某优惠券的发放数量、某网站访问流量、某CPU消耗率等等,所述监控指标在随着时间推移呈现一定的规律,可以抽象为时间序列。
可以采用预先训练好的监控指标预测LSTM模型对监控指标在目标时间的数据进行预测,在预测目标时间的监控指标时,需要先获取监控指标的历史样本数据,样本数据为监控指标在目标时间之前的指定时间的实际数据。
当然在获取样本数据的时候需要根据模型在训练时构建的训练样本的特点去获取。比如,所述目标时间可以是某一个时间点,也可以是一个时间段,具体可以根据模型训练时样本标签选取的数据是某个时间点还是某段时间的数据决定。所述指定时间也可以根据训练样本的特点来决定,可以是与目标时间相同时间节点的时间,也可以是与目标时间相邻的时间或多个连续相邻的时间。比如,在某些实施例中,在构建训练样本时选取的是监控指标的历史数据中相同时间节点的数据,将所述数据按照时间先后顺序构成时序序列,构建训练样本,则在选取样本数据的时候应该选取目标时间相同时间节点的数据作为样本数据,用于预测监控指标在目标时间时的数值。样本数据的数量也需根据训练模型时的训练样本的样本特征数量来决定。例如,构建训练样本时,选取的是监控指标在前5天每天10点的数据作为样本特征,第6天10点的数据作为样本标签,因此,如果要预测某个周六10点时监控指标的数据,就可以选取这一周周一到周五10点时监控指标的数据作为样本数据。
在某些实施例中,构建训练样本时是从监控指标的历史数据中选取一段时间的数据,将所述数据按照时间先后顺序构成时序序列;然后将所述时序序列最后一个数据作为所述样本标签,其余的数据作为与所述样本标签对应的样本特征,这时在选取样本数据时可以选择与目标时间连续相邻的多个时间的数据作为样本数据。比如,构建训练样本时,选取监控周一至周五的数据作为样本特征,周六的数据作为样本标签,在预测未来某个周六监控指标的数据时,则应选用这一周周一至周五的数据作为样本数据。
在选取好样本数据后,可以将样本数据输入到预先训练好的监控指标预测LSTM模型中,即可通过模型计算得到监控指标在目标时间的预测值。然后再获取观测到的监控指标在目标时间的实际值,计算实际值与预测值的偏离程度,判断偏离程度是否超过预设阈值,如果超过,则发出报警信息,以便运维人员对异常进行处理。其中,监控指标的真实值与预测值的偏离程度可以通过实际值与预测值的差值的绝对值来表征;或通过实际值与预测值的差值与预测值的百分比来表征,可以根据具体需求设置,本申请不作限制。
为了进一步解释本说明书提供的模型训练方法和监控指标异常检测方法,以下再以一个具体实施例加以说明。
某运维监控平台需要监控某个购物APP的优惠券的发放数量,以便在发放数量出现异常时及时的报警,运维人员能够及时处理。为了更加合理的预测优惠券发放数量的未来走势,以便对优惠券发放数量是否异常做出合理的判定,可以采用深度学习的方法来预测优惠券发放数量的未来走势。如图5所示,可以利用优惠券在以往的发放数量的数据构建训练样本,训练得到一个LSTM预测模型,然后再用所述模型预测未来某个时间的优惠券发放数量,并与实际发放数量比较,如果超出预设阈值,则报警。具体过程如图6所示,首先利用优惠券发放数量的历史数据构建训练样本和测试样本(S601),其中训练样本和测试样本包括样本特征和样本标签,样本特征和样本标签为不同时间的优惠券发放数量,比如可以采用如下方式构建训练样本和测试样本,过去30天内优惠券发放数量按时间先后顺序依次为D1、D2、D3……D30。
第一组训练样本:样本特征【D1、D2、D3、D4、D5】,样本标签【D6】,
第二组训练样本:样本特征【D2、D3、D4、D5、D6】,样本标签【D7】,
第三组训练样本:样本特征【D3、D4、D5、D6、D7】,样本标签【D8】,
第四组训练样本:样本特征【D4、D5、D6、D7、D8】,样本标签【D9】,
……
以此类推,采用上述方式构建好训练样本以及测试样本,然后选取基准的LSTM模型,将训练样本的样本特征作为基准LSTM模型的输入,对应的样本标签作为基准LSTM模型的输出,对基准LSTM模型进行训练,不断地调整模型的参数(S602)。然后利用测试样本测试训练后的模型的预测准确率(S603),将测试样本的样本特征输入到训练好的模型,得到一个预测值,再用预测值跟测试样本的样本标签(真实值)进行比较,预测准确率可以用预测值与真实值的残差表示,比如,当残差小于10,则模型的预测准曲率达标。判断训练后的模型的准确率是否超过预设值(S604),如果训练后的模型的预测准确率达到预设值,则将该模型作为优惠券发放数量预测模型(S605),如果未达到预期的准确率,则加大训练样本的数量继续对模型进行训练(S606)。得到训练好的优惠券发放数量预测模型后,可以用于预测某个目标时间的优惠券发放量。可以根据目标时间和训练样本的构建特点先获取优惠券发放数量的历史样本数据(S607),比如需要预测本周周日的优惠券发放数量,可以获取这一周周一到周六的优惠券发放数量,然后将周一至周六的优惠券发放数量输入到预先训练的优惠券发放数量预测模型中,即可计算得到目标时间(本周日)优惠券的发放数量的预测值(S608)。获取周日这天优惠券发放数量的实际值(S609),计算实际值和预测值的偏离程度并判断偏离程度是否超过预设阈值(S610),其中偏离程度可以采用如下公式计算:
Rabnormal=abs(Xpred-Xcurrent)/Xpred
其中,Rabnormal表示偏离程度,Xpred表示优惠券发放数量的预测值,Xcurrent表示优惠券发放数量的实际值。如果偏离程度超过预设阈值,则发出报警信息(S611)。
采用上述方法,可以基于深度学习得到优惠券发放数量的变化规律,更加合理的预测未来数据的走势,为异常判定提供更合理的判定标准,可以降低误报率。
与本说明书提供的监控指标预测LSTM模型训练的方法实施例相对应,本说明还提供了监控指标预测LSTM模型训练装置,如图7所示,所述装置700包括:
构建模块701,利用监控指标的历史数据构建训练样本和测试样本,其中,所述训练样本和所述测试样本包括样本特征和与所述样本特征对应的样本标签;
训练模块702,将所述训练样本的样本特征作为预先选取的基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型的输出,对所述基准LSTM模型进行训练,不断调整所述基准LSTM的模型参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型,其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到。
在一个实施例中,利用监控指标的历史数据构建训练样本和测试样本,具体包括:从所述监控指标的历史数据中选取相同时间节点的数据,将所述数据按照时间先后顺序构成时序序列;将所述时序序列最后一个数据作为所述样本标签,其余的数据作为与所述样本标签对应的样本特征。
在一个实施例中,利用监控指标的历史数据构建训练样本和测试样本,具体包括:从所述监控指标的历史数据中选取一段时间的数据,将所述数据按照时间先后顺序构成时序序列;将所述时序序列最后一个数据作为所述样本标签,其余的数据作为与所述样本标签对应的样本特征。
与本说明书提供的监控指标异常检测的方法实施例相对应,本说明还提供了监控指标异常检测的装置,如图8所示,所述装置800包括:
获取模块801,获取监控指标的样本数据,所述样本数据为所述监控指标在目标时间之前的指定时间的实际数据;以及获取所述监控指标在目标时间的实际值;
预测模块802,将所述样本数据输入到预先训练的监控指标预测LSTM模型中预测所述监控指标在目标时间的预测值,其中所述监控指标预测LSTM模型基于所述监控指标的历史数据训练得到;
判断模块803,判断所述实际值与所述预测值的偏离程度是否超过预设阈值;
报警模块804,如果是,则发出异常报警信息。
在一个实施例中,所述目标时间为一个时间点或一个时间段。
在一个实施例中,所述指定时间包括:与所述目标时间为同一时间节点的时间;或与所述目标时间相邻的时间或多个连续相邻的时间。
在一个实施例中,所述监控指标预测LSTM模型的训练过程包括:
利用监控指标的历史数据构建训练样本和测试样本,其中,所述训练样本和所述测试样本包括样本特征和与所述样本特征对应的样本标签;将所述训练样本的样本特征作为预先选取的基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型的输出,对所述基准LSTM模型进行训练,不断调整所述基准LSTM模型的参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型,其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到。
在一个实施例中,利用监控指标的历史数据构建训练样本和测试样本具体包括:
从所述监控指标的历史数据中选取相同时间节点的数据,将所述数据按照时间先后顺序构成时序序列;将所述时序序列最后一个数据作为所述样本标签,其余的数据作为与所述样本标签对应的样本特征。
在一个实施例中,利用监控指标的历史数据构建训练样本和测试样本具体包括:
从所述监控指标的历史数据中选取一段时间的数据,将所述数据按照时间先后顺序构成时序序列;将所述时序序列最后一个数据作为所述样本标签,其余的数据作为与所述样本标签对应的样本特征。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
从硬件层面而言,如图9所示,为本说明书的预加载页面装置所在设备的一种硬件结构图,除了图9所示的处理器901、网络接口904、内存902以及非易失性存储器903之外,实施例中装置所在的设备通常还可以包括其他硬件,如负责处理报文的转发芯片等;从硬件结构上来讲该设备还可能是分布式的设备,可能包括多个接口卡,以便在硬件层面进行报文处理的扩展。
所述非易失性存储器903存储有用于存储可执行的计算机指令,处理器904执行所述计算机指令时实现以下步骤:
利用监控指标的历史数据构建训练样本和测试样本,其中,所述训练样本和所述测试样本包括样本特征和与所述样本特征对应的样本标签;
将所述训练样本的样本特征作为预先选取的基准LSTM模型的输入,所述样本特征对应的样本标签作为所述基准LSTM模型的输出,对所述基准LSTM模型进行训练,不断调整所述基准LSTM模型的参数,直至训练后的模型的预测准确率达到预设值,则将所述训练后的模型作为所述监控指标预测LSTM模型,其中,所述预测准确率通过用所述测试样本检验所述训练后的模型得到。
此外,处理器904执行所述计算机指令时还可以实现以下步骤:
获取监控指标的样本数据,所述样本数据为所述监控指标在目标时间之前的指定时间的实际数据;
将所述样本数据输入到预先训练的监控指标预测LSTM模型中预测所述监控指标在目标时间的预测值,其中所述监控指标预测LSTM模型基于所述监控指标的历史数据训练得到;
获取所述监控指标在目标时间的实际值;
判断所述实际值与所述预测值的偏离程度是否超过预设阈值;
如果是,则发出异常报警信息。
由于本申请对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台终端设备执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。