CN110021150B - 一种数据处理方法、装置及设备 - Google Patents

Abstract

本说明书实施例公开了一种数据处理方法、装置及设备，所述方法包括：获取待生成的目标告警规则中包含的告警参数；根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据；根据所述目标维度信息对应的日志数据，确定所述告警参数的数值；根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；基于调整后的告警参数的数值，生成所述目标告警规则。

Description

一种数据处理方法、装置及设备

技术领域

本说明书涉及计算机技术领域，尤其涉及一种数据处理方法、装置及设备。

背景技术

随着终端技术和网络技术的不断发展，如何快速准确的完成用户的身份验证，成为当前需要解决的重要问题。为了提高身份验证的安全性，面部识别成为身份验证的重要方式。

随着线下产品线和行业线的不断扩充，面部识别或面部检测机具被大规模铺设，商户在接入以及使用面部识别或面部检测机具的过程中出现的问题的数量也呈爆发式增长。传统的面部识别或面部检测机具的监控告警平台，采取基于经验的静态告警规则，即基于历史时间段的某个场景的相关业务数据对相应的模型进行训练，然后，使用训练后的模型来对相应的告警事件进行监控，当时上述方式并不适用于某些场景，而随着业务的变化，上述方式无法保证告警的准确度、覆盖度和需求度，因此，往往需要不断通过人工的方式对告警规则和告警模型进行调整适配，扩展性和灵活性较差。为此，需要提供一种可以通过机具异常的智能化管理，将面部识别或面部检测机具的问题的发现、诊断和解决形成一个完整的闭环，以减少人工的投入的技术方案。

发明内容

本说明书实施例的目的是提供一种数据处理方法、装置及设备，以提供一种可以通过机具异常的智能化管理，将面部识别或面部检测机具的问题的发现、诊断和解决形成一个完整的闭环，以减少人工的投入，并提高告警的扩展性和灵活性的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种数据处理方法，所述方法包括：

获取待生成的目标告警规则中包含的告警参数；

根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据；

根据所述目标维度信息对应的日志数据，确定所述告警参数的数值；

根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

基于调整后的告警参数的数值，生成所述目标告警规则。

可选地，所述根据所述目标维度信息对应的日志数据，确定所述告警参数的数值，包括：

根据所述目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值。

可选地，所述预定的搜索算法包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。

可选地，所述根据所述目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值，包括：

根据所述目标维度信息对应的日志数据，基于预定的监督学习算法，通过所述爬山搜索算法确定所述告警参数的局部最优解；

根据所述告警参数的局部最优解和所述日志数据，基于预定的监督学习算法，通过所述模拟退火搜索算法和/或所述禁忌搜索算法，确定所述告警参数的全局最优解，将确定的全局最优解确定为所述告警参数的数值。

可选地，所述目标维度信息包括场景维度、商户维度、门店维度和机具维度中的一项或多项。

可选地，所述机具维度对应的机具包括自助结算机具和/或快递存取机具。

可选地，所述告警条件包括预定时长内接收到告警信息的数量和/或灰度比例。

本说明书实施例提供的一种数据处理装置，所述装置包括：

参数获取模块，用于获取待生成的目标告警规则中包含的告警参数；

日志获取模块，用于根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据；

参数确定模块，用于根据所述目标维度信息对应的日志数据，确定所述告警参数的数值；

参数调整模块，用于根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

规则生成模块，用于基于调整后的告警参数的数值，生成所述目标告警规则。

可选地，所述参数确定模块，用于根据所述目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值。

可选地，所述预定的搜索算法包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。

可选地，所述参数确定模块，包括：

局部解确定单元，用于根据所述目标维度信息对应的日志数据，基于预定的监督学习算法，通过所述爬山搜索算法确定所述告警参数的局部最优解；

参数确定单元，用于根据所述告警参数的局部最优解和所述日志数据，基于预定的监督学习算法，通过所述模拟退火搜索算法和/或所述禁忌搜索算法，确定所述告警参数的全局最优解，将确定的全局最优解确定为所述告警参数的数值。

可选地，所述目标维度信息包括场景维度、商户维度、门店维度和机具维度中的一项或多项。

可选地，所述机具维度对应的机具包括自助结算机具和/或快递存取机具。

可选地，所述告警条件包括预定时长内接收到告警信息的数量和/或灰度比例。

本说明书实施例提供的一种数据处理设备，所述数据处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取待生成的目标告警规则中包含的告警参数；

根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据；

根据所述目标维度信息对应的日志数据，确定所述告警参数的数值；

根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

基于调整后的告警参数的数值，生成所述目标告警规则。

由以上本说明书实施例提供的技术方案可见，本说明书实施例通过获取待生成的目标告警规则中包含的告警参数，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据，进而根据目标维度信息对应的日志数据，确定该告警参数的数值，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值，最后，基于调整后的告警参数的数值，生成目标告警规则，这样，针对面部识别或面部检测机具的告警规则制定的一套动态最优的智能决策方法，并能够根据业务的动态发展智能调整告警规则的告警参数，同时考虑到告警规则针对的不同维度信息，可以根据不同维度信息对告警规则中的告警参数进行动态调整，从而将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，而且使得生成的告警规则更加准确，并且减少了人工投入，提高了告警系统的扩展性和灵活性。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，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为本说明书一种数据处理方法实施例；

图2为本说明书一种告警规则生成的设置页面的示意图；

图3为本说明书另一种数据处理方法实施例；

图4为本说明书一种数据处理装置实施例；

图5为本说明书一种数据处理设备实施例。

具体实施方式

本说明书实施例提供一种数据处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为电子设备，该电子设备中可以安装有进行异常告警的应用程序，如针对面部识别或面部检测的异常告警的应用程序等，该电子设备可以是终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某业务(如面部识别或面部检测业务或支付业务等)的后台服务器等。该方法可以用于将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，以减少人工的投入，并提高告警的扩展性和灵活性等处理中。该方法具体可以包括以下步骤：

在步骤S102中，获取待生成的目标告警规则中包含的告警参数。

其中，目标告警规则可以是任意告警规则，告警规则可以是在满足该告警规则时会触发告警的规则，例如，过去1小时内调用人脸识别机制的全链路通过率下降10％，则每当到达统计时间时，可以统计过去1小时内调用面部识别机制的全链路通过率，如果过去1小时内调用人脸识别机制的全链路通过率大于或等于10％，则可以进行告警(具体如发送告警信息等)等。告警参数可以是目标告警规则中包含的待定的参数，例如上述的目标告警规则：过去1小时内调用面部识别机制的全链路通过率下降10％，则其中的1和10％都可以作为告警参数，即如果待生成的目标告警规则的样式为：过去N小时内调用面部识别机制的全链路通过率下降X％，其中的N和X为待定的告警参数。

在实施中，随着终端技术和网络技术的不断发展，如何快速准确的完成用户的身份验证，成为当前需要解决的重要问题。为了提高身份验证的安全性，面部识别成为身份验证的重要方式。

随着线下产品线和行业线的不断扩充，面部识别或面部检测机具被大规模铺设，商户在接入以及使用面部识别或面部检测机具的过程中出现的问题的数量也呈爆发式增长。传统的面部识别或面部检测机具的监控告警平台，采取基于经验的静态告警规则，即基于历史时间段的某个场景的相关业务数据对相应的模型进行训练，然后，使用训练后的模型来对相应的告警事件进行监控，当时上述方式并不适用于某些场景，而随着业务的变化，上述方式无法保证告警的准确度、覆盖度和需求度，因此，往往需要不断通过人工的方式对告警规则和告警模型进行调整适配，扩展性和灵活性较差。例如，基于前述的一条监控告警规则：过去N小时内调用面部识别机制的全链路通过率下降X％，此时，可以根据技术人员的实际经验确定其中的告警参数N和X的数值，但是，该告警规则可能只适用于某时间段或某区域范围内等，而对于与上述场景不同的场景下，会导致面部识别或面部检测过程产生大量的误报，具体如，在某场景或某些场景下，调用面部识别机制的全链路通过率随时间的变化非常明显，如在快递柜的面部识别取件场景中，由于快递柜通常不会防止在户外和半户外的位置，这样，在快递柜附近，白天和晚上的光照条件变化较大，从而会直接导致面部识别机制的全链路通过率随时间的波动较大，如果该情况下，采用上述的静态的告警规则进行告警，就会导致白天或晚上产生大量的误报。

再如，在某场景或某些场景下，随着进行面部识别或面部检测的用户数量的不断增加，通过上述方式设定的告警规则中告警参数N的数值，可能需要不断缩小，从而达到实时性更高的监控告警，如告警参数N的数值为1，则随着进行面部识别或面部检测的用户数量的上涨，可能达到了在10分钟内达到百级或者千级的面部识别机制的调用，如果继续使用需要积累到1个小时才能发现异常，则会导致业务异常发现的严重滞后，对相应业务造成不可挽回的影响。因此，单纯通过人工的方式来发现和处理面部识别或面部检测机具出现的问题，已经无法满足实效性的需要，这样对业务将会造成重大影响。为此，需要提供一种可以通过机具异常的智能化管理，将面部识别或面部检测机具的问题的发现、诊断和解决形成一个完整的闭环，以减少人工的投入的技术方案。基于此，本说明书实施例提供一种可以可实现的技术方案，具体可以包括以下内容：

为了统一不同场景下的告警规则的样式，可以预先根据不同场景下可能出现的情况，设定相应的告警规则的样式，即如上述示例：过去N小时内调用面部识别机制的全链路通过率下降X％等，这样，可以预先设定多种不同场景下的告警规则的样式，其中，同一场景下的告警规则可以包括多种，每一种可以设定一个或多个不同的告警规则的样式。为了更好的为设定告警规则的用户提供动态调整告警规则的服务，可以通过预定的编程语言编写相应的应用程序，该应用程序可以作为一个完整的独立的应用程序安装在某电子设备上，该应用程序也可以是作为一个功能模块设置于某应用程序中，例如该应用程序也可以是作为一个功能模块设置于相应的机具的管理应用中，成为该机具的管理应用中的一项功能等。如图2所示，编写的应用程序可以提供告警规则样式的选择页面，该选择页面中可以包括一个输入框，其中，用户可以在该输入框中输入预设置的告警规则的关键字，以便搜索与该关键字相匹配的告警规则的样式等，该输入框中也可以是包括一个下拉按键，当用户点击该下拉按键时，可以展示预先设定的多个告警规则的样式，此时，用户可以从中选择一条或多条告警规则的样式。

当某用户需要为某场景或某些场景设置告警规则时，可以启动上述应用程序，该应用程序可以显示上述告警规则样式的选择页面，用户可以在选择页面中显示的输入框中输入关键字或点击输入框中的下拉按键，电子设备可以显示与该关键字相匹配的告警规则的样式，或者，显示下拉按键触发的多个告警规则的样式，用户可以在显示的告警规则的样式中选择一个或多个告警规则的样式，电子设备可以将选择的告警规则的样式作为待生成的目标告警规则。然后，电子设备可以对待生成的目标告警规则进行分析，从中确定目标告警规则中包含的告警参数，可以参见上述示例，在此不再赘述。

在步骤S104中，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据。

其中，目标维度信息可以是目标告警规则对应的维度的信息，例如目标告警规则对应的维度的信息为商户或刷脸支付场景等，在实际应用中，可以包括多个维度，例如场景维度(具体如自助收银机具的刷脸支付场景维度、快递柜的刷脸取件场景维度等)、商户维度、门店维度(或店铺维度)和机具维度(具体如机具的标识维度等)等。日志数据可以是存储在数据仓库中的日志的数据，其中的数据仓库可以是ODPS(Open Data ProcessingService，开放数据处理服务)等，日志数据中包含的数据的来源可以不同，例如日志数据可以包括电子设备中相应业务的日志数据、该业务的服务端的日志数据和该业务的实时日志数据等。

在实施中，由于不同的场景或维度下告警规则可以不同，因此，如果用户需要生成一个告警规则，则需要用户指定该告警规则所应用的场景或维度信息等，为此，如图2所示，上述应用程序提供的告警规则样式的选择页面中还可以包括另一个输入框，其中，该输入框可以用于请求用户输入预设置的告警规则所应用的维度信息，此外，为了统一维度信息的内容或简化用户的操作，该输入框中也可以包括一个下拉按键，当用户点击该下拉按键时，可以展示预先设定的多个维度信息，此时，用户可以从中选择一个或多个维度信息。

当某用户需要为某场景或某些场景设置告警规则时，可以启动上述应用程序，该应用程序可以显示上述告警规则样式的选择页面，用户可以在选择页面中显示的输入框中输入维度信息或点击输入框中的下拉按键，电子设备可以显示下拉按键触发的多个维度信息，用户可以在显示的维度信息中选择一个或多个维度信息，电子设备可以将选择的维度信息或输入的维度信息作为目标告警规则对应的目标维度信息。然后，电子设备可以从数据库中，选取目标维度信息对应的日志数据。

在步骤S106中，根据目标维度信息对应的日志数据，确定上述告警参数的数值。

在实施中，电子设备从数据库中选取目标维度信息对应的日志数据后，可以分别对每个日志数据进行分析，并可以对日志数据进行聚类处理，具体如，目标维度信息为场景，如果场景维度还包括自助收银机具的刷脸支付场景、快递柜的刷脸取件场景，则可以将自助收银机具的刷脸支付场景下的相关日志数据进行聚类处理，将属于自助收银机具的刷脸支付场景的日志数据聚在一起，同样的，可以将快递柜的刷脸取件场景下的相关日志数据进行聚类处理，将属于快递柜的刷脸取件场景的日志数据聚在一起，可以将聚类后的日志数据作为历史样本数据。然后，可以基于聚类后的日志数据(或历史样本数据)进行计算，其中，可以采用机器学习的方式，基于上述聚类后的日志数据(或历史样本数据)进行相应的学习训练，可以计算如上述维度下的进行面部识别或面部检测的次数和面部识别机制的全链路通过率等指标数据，可以基于上述计算的指标数据确定上述告警参数的数值。

在步骤S108中，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值。

其中，告警条件可以是一种告警的限定条件，告警条件可以用于对告警规则中的告警参数的数值进行调整的相关条件，例如，每日技术人员最多可以处理100条告警信息，则可以将告警条件设置为接收到的前100条告警信息或告警提示等。

在实施中，通过上述处理方式确定告警参数的数值后，可以得到完整的目标告警规则，但是，考虑到通过上述完整的目标告警规则进行告警处理，尽管可以在一定程度上满足告警的需求，但是，也可能会产生大量的告警信息或告警提示，而产生的大量的告警信息或告警提示对于用户来说，短时间内或指定的时长内无法处理完成，为此，可以根据实际情况设定告警条件，然后，可以基于告警条件对上述确定的告警参数的数值进行调整，使得可以动态调整告警参数的数值，以生成满足实际需求的告警规则。

例如，考虑到每日技术人员最多可以处理100条告警信息，则可以将告警条件设置为接收前100条告警信息或告警提示等。然后，可以基于确定的告警规则的告警参数的数值(如N为1，X为10)，确定接收到告警信息或告警提示的数量，如果该数量超过100，则可以获取接收到的前100条告警信息，可以计算接收到的前100条告警信息对应的告警参数的数值(如N为0.1，X为15等)。

在步骤S110中，基于调整后的告警参数的数值，生成目标告警规则。

在实施中，通过上述处理方式，可以对确定的告警参数的数值进行调整，得到调整后的告警参数的数值，此时得到的告警参数的数值满足实际需求，因此，可以基于调整后的告警参数的数值生成目标告警规则，例如，基于上述示例，N为0.1，X为15，则目标告警规则即为过去0.1小时内调用面部识别机制的全链路通过率下降15％等。

本说明书实施例提供一种数据处理方法，通过获取待生成的目标告警规则中包含的告警参数，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据，进而根据目标维度信息对应的日志数据，确定该告警参数的数值，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值，最后，基于调整后的告警参数的数值，生成目标告警规则，这样，针对面部识别或面部检测机具的告警规则制定的一套动态最优的智能决策方法，并能够根据业务的动态发展智能调整告警规则的告警参数，同时考虑到告警规则针对的不同维度信息，可以根据不同维度信息对告警规则中的告警参数进行动态调整，从而将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，而且使得生成的告警规则更加准确，并且减少了人工投入，提高了告警系统的扩展性和灵活性。

实施例二

如图3所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为电子设备，该电子设备中可以安装有进行异常告警的应用程序，如针对面部识别或面部检测的异常告警的应用程序等，该电子设备可以是终端设备或服务器等，其中，该终端设备可以如手机或平板电脑等移动终端设备，还可以如个人计算机等设备。该服务器可以是独立的服务器，也可以是由多个服务器组成的服务器集群，而且，该服务器可以是某业务(如面部识别或面部检测业务或支付业务等)的后台服务器等。该方法可以用于将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，以减少人工的投入，并提高告警的扩展性和灵活性等处理中。该方法具体可以包括以下步骤：

在步骤S302中，获取待生成的目标告警规则中包含的告警参数。

在实施中，随着线下产品线和行业线的不断扩充，面部识别或面部检测机具被大规模铺设，商户在接入以及使用面部识别或面部检测机具的过程中出现的问题的数量也呈爆发式增长，因此，单纯通过人工的方式来发现和处理面部识别或面部检测机具出现的问题，已经无法满足实效性的需要，这样对业务将会造成重大影响。为此，需要提供一种可以通过机具异常的智能化管理，将面部识别或面部检测机具的问题的发现、诊断和解决形成一个完整的闭环，以减少人工的投入的技术方案，而该机具异常的智能化管理可以包括以下多个部分：机具异常的智能化发现、机具异常的智能化诊断和机具异常的智能化处理等。其中，机具异常的智能化发现机制可以致力于使得重要的异常情况被及时、准确、无遗漏地被发现，并且能够智能化预测某些异常情况的发生等。机具异常的智能化诊断机制可以致力于自助化的异常诊断，减少人工的投入，在实际应用中，可以将相关技术和算法同时从解决重复处理的问题中解脱出来，这样，可以更加专注产品功能开发和算法优化等。机具异常的智能化处理机制可以致力于让异常情况能够自助修复，不再需要通过人工的方式进行现场或远程修复等。

需要说明的是，在机具异常的智能化发现阶段，机具的异常告警需要满足以下要求：准确度高：确保进行告警的异常情况是真实的，减少误报，为此，需要确保机具的异常告警所依赖的相关数据是准确的，并且需要确保计算逻辑的准确性；覆盖度高：确保需要关注的异常情况都会产生相应的告警信息或告警提示，防止重要的异常情况被漏报；需求度高：确保机具的异常告警都是被需要的，防止产生不需要关注和处理的告警信息或告警提示等。

基于上述内容，传统的机具的异常告警规则是根据经验预先制定好的普通告警规则，这样，导致的结果是之前定义的告警规则随着业务的发展或者应用的场景或维度不同，告警信息或告警提示的数量激增或者出现大量漏报的情况。由于线下业务的发展是动态的，告警规则也需要有一种动态决策的能力，能够感知业务数据的变化并进行自动调整，从而实现智能地告警，尽量减少误报和漏报的可能性。基于上述内容，本说明书实施例提供一种技术方案，具体处理过程可以参见上述实施例一中步骤S102中的相关内容，在此不再赘述。

在步骤S304中，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据。

其中，目标维度信息可以包括场景维度、商户维度、门店维度和机具维度中的一项或多项。其中的场景维度可以包括多种，而且，不同的业务，其对应的场景维度也可以不同，在实际应用中，场景维度可以包括如自助收银机具的刷脸支付场景维度、快递柜的刷脸取件场景维度等，商户维度可以包括如提供某服务业务的商户、提供快递柜业务的商户等，门店维度可以包括如盒马鲜生XXX路店等，机具维度对应的机具可以包括自助结算机具(具体如自助柜员机具或AI(Artificial Intelligence，人工智能)售货机具等)和/或快递存取机具等，机具维度可以包括如机具的标识(如机具的编码或名称等)等。

在步骤S306中，根据目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定上述告警参数的数值。

其中，监督学习算法可以包括神经网络算法、机器学习算法、强化学习算法等。预定的搜索算法可以包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。其中的爬山搜索算法可以是一种局部择优的方法，采用启发式方法，可以利用反馈信息生成解的决策。爬山搜索算法可以从当前的节点开始，通过与周围的邻居节点之间进行的数值比较，获取当前节点的数值，如果当前节点的数值是最大的，则返回当前节点的相关信息，并可以将当前节点作为搜索的最高点；反之，可以是使用最高的邻居节点替换当前节点，重复执行上述循环处理直到达到搜索的最高点为止。模拟退火搜索算法可以是基于Monte-Carlo迭代求解策略的一种随机寻优算法，模拟退火搜索算法从某一较高的初始温度出发，随着温度的不断下降，结合概率突跳特性在解空间中随机寻找全局最优解，即在局部最优解能概率性地跳出，并最终趋于全局最优，其出发点是基于物理中固体物质的退火过程与组合优化问题之间的相似性，模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小，并最终趋于全局最优的串行结构的优化算法。禁忌搜索算法是一种亚启发式随机搜索算法，它从一个初始可行解出发，选择一系列的特定搜索方向作为试探，选择实现让特定的目标函数值变化最多的搜索方向，禁忌搜索算法对于找到的一部分局部最优解，可以有意识地避开它(但不是完全隔绝)，从而获得更多的搜索区间。

在实施中，电子设备从数据库中选取目标维度信息对应的日志数据后，可以分别对每个日志数据进行分析，并可以将对日志数据进行聚类处理，具体如，目标维度信息为机具维度，则可以将机具维度下的相关日志数据进行聚类处理，将属于机具维度的日志数据聚在一起，可以将聚类后的日志数据作为历史样本数据。然后，可以基于聚类后的日志数据(或历史样本数据)进行计算，其中，对日志数据进行计算的算法可以包括多种，例如机器学习算法、神经网络算法、强化学习算法等，此外，还可以包括如最优化算法、进化算法和AB测试等，具体可以根据实际情况进行设定或选取，本说明书实施例对此不做限定。

以采用机器学习算法为例，基于上述聚类后的日志数据(或历史样本数据)进行相应的学习训练，并可以结合预定的搜索算法(如上述最优化算法、进化算法等)，计算如上述维度下的进行面部识别或面部检测的次数和面部识别机制的全链路通过率等指标数据，可以基于上述计算的指标数据确定上述告警参数的数值。

上述步骤S306的具体处理过程可以多种多样，以下在提供一种可选的处理方式，具体可以包括以下步骤一和步骤二。

步骤一，根据目标维度信息对应的日志数据，基于预定的监督学习算法，通过爬山搜索算法确定上述告警参数的局部最优解。

在实施中，电子设备从数据库中选取目标维度信息对应的日志数据后，可以对日志数据进行聚类处理，将聚类后的日志数据作为历史样本数据。然后，可以基于聚类后的日志数据进行计算，具体地，可以先采用预定的监督学习算法对聚类后的日志数据进行学习训练，并在对聚类后的日志数据进行学习训练的过程中先采用爬山搜索算法进行连续空间爬山搜索，以快速查找到上述告警参数的局部最优解。

步骤二，根据上述告警参数的局部最优解和上述日志数据，基于预定的监督学习算法，通过模拟退火搜索算法和/或禁忌搜索算法，确定该告警参数的全局最优解，将确定的全局最优解确定为该告警参数的数值。

在实施中，通过上述方式得到告警参数的局部最优解后，可以再采用模拟退火搜索算法和/或禁忌搜索算法，基于告警参数的局部最优解和上述日志数据，确定该告警参数的全局最优解，可以将确定的全局最优解确定为该告警参数的数值，其中，对于上述查找到的一部分局部最优解，可以有意识地避开它，以获得更多的搜索区域，在进一步的迭代中也可以避开上述局部最优解或求解过程。这样通过对聚类后的日志数据进行监督学习和强化学习，可以得到告警参数的最优数值。

在实际应用中，为了达到更好的效果，可以将模拟退火搜索算法和禁忌搜索算法进行混合，通过混合后的算法确定该告警参数的全局最优解。

在步骤S308中，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值。

其中，告警条件可以包括预定时长内接收到告警信息的数量和/或灰度比例。

在实施中，可以根据实际情况预先配置告警条件，具体地，可以设置定义核心指标的处理机制，根据该处理机制可以对告警规则的告警参数的数值进行评估，以得到最优的告警规则，通常，告警条件可以为预定时长内接收到的告警信息或告警提示的数量，此外，告警条件还可以包括旁路试验最优告警规则的比例，即灰度比例等。对于根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值的具体处理过程，可以参见上述实施例一中的相关内容，在此不再赘述。

在步骤S310中，基于调整后的告警参数的数值，生成目标告警规则。

本说明书实施例提供一种数据处理方法，通过获取待生成的目标告警规则中包含的告警参数，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据，进而根据目标维度信息对应的日志数据，确定该告警参数的数值，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值，最后，基于调整后的告警参数的数值，生成目标告警规则，这样，针对面部识别或面部检测机具的告警规则制定的一套动态最优的智能决策方法，并能够根据业务的动态发展智能调整告警规则的告警参数，同时考虑到告警规则针对的不同维度信息，可以根据不同维度信息对告警规则中的告警参数进行动态调整，从而将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，而且使得生成的告警规则更加准确，并且减少了人工投入，提高了告警系统的扩展性和灵活性。

实施例三

以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图4所示。

该数据处理装置包括：参数获取模块401、日志获取模块402、参数确定模块403、参数调整模块404和规则生成模块405，其中：

参数获取模块401，用于获取待生成的目标告警规则中包含的告警参数；

日志获取模块402，用于根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据；

参数确定模块403，用于根据所述目标维度信息对应的日志数据，确定所述告警参数的数值；

参数调整模块404，用于根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

规则生成模块405，用于基于调整后的告警参数的数值，生成所述目标告警规则。

本说明书实施例中，所述参数确定模块403，用于根据所述目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值。

本说明书实施例中，所述预定的搜索算法包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。

本说明书实施例中，所述参数确定模块403，包括：

局部解确定单元，用于根据所述目标维度信息对应的日志数据，基于预定的监督学习算法，通过所述爬山搜索算法确定所述告警参数的局部最优解；

参数确定单元，用于根据所述告警参数的局部最优解和所述日志数据，基于预定的监督学习算法，通过所述模拟退火搜索算法和/或所述禁忌搜索算法，确定所述告警参数的全局最优解，将确定的全局最优解确定为所述告警参数的数值。

本说明书实施例中，所述目标维度信息包括场景维度、商户维度、门店维度和机具维度中的一项或多项。

本说明书实施例中，所述机具维度对应的机具包括自助结算机具和/或快递存取机具。

本说明书实施例中，所述告警条件包括预定时长内接收到告警信息的数量和/或灰度比例。

本说明书实施例提供一种数据处理装置，通过获取待生成的目标告警规则中包含的告警参数，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据，进而根据目标维度信息对应的日志数据，确定该告警参数的数值，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值，最后，基于调整后的告警参数的数值，生成目标告警规则，这样，针对面部识别或面部检测机具的告警规则制定的一套动态最优的智能决策方法，并能够根据业务的动态发展智能调整告警规则的告警参数，同时考虑到告警规则针对的不同维度信息，可以根据不同维度信息对告警规则中的告警参数进行动态调整，从而将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，而且使得生成的告警规则更加准确，并且减少了人工投入，提高了告警系统的扩展性和灵活性。

实施例四

以上为本说明书实施例提供的数据处理装置，基于同样的思路，本说明书实施例还提供一种数据处理设备，如图5所示。

所述数据处理设备可以为上述实施例提供的电子设备。

数据处理设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器501和存储器502，存储器502中可以存储有一个或一个以上存储应用程序或数据。其中，存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器501可以设置为与存储器502通信，在数据处理设备上执行存储器502中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源503，一个或一个以上有线或无线网络接口504，一个或一个以上输入输出接口505，一个或一个以上键盘506。

具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取待生成的目标告警规则中包含的告警参数；

根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据；

根据所述目标维度信息对应的日志数据，确定所述告警参数的数值；

根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

基于调整后的告警参数的数值，生成所述目标告警规则。

本说明书实施例中，所述根据所述目标维度信息对应的日志数据，确定所述告警参数的数值，包括：

根据所述目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值。

本说明书实施例中，所述预定的搜索算法包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。

本说明书实施例中，所述根据所述目标维度信息对应的日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值，包括：

根据所述目标维度信息对应的日志数据，基于预定的监督学习算法，通过所述爬山搜索算法确定所述告警参数的局部最优解；

根据所述告警参数的局部最优解和所述日志数据，基于预定的监督学习算法，通过所述模拟退火搜索算法和/或所述禁忌搜索算法，确定所述告警参数的全局最优解，将确定的全局最优解确定为所述告警参数的数值。

本说明书实施例中，所述目标维度信息包括场景维度、商户维度、门店维度和机具维度中的一项或多项。

本说明书实施例中，所述机具维度对应的机具包括自助结算机具和/或快递存取机具。

本说明书实施例中，所述告警条件包括预定时长内接收到告警信息的数量和/或灰度比例。

本说明书实施例提供一种数据处理设备，通过获取待生成的目标告警规则中包含的告警参数，根据目标告警规则对应的目标维度信息，获取目标维度信息对应的日志数据，进而根据目标维度信息对应的日志数据，确定该告警参数的数值，根据预设的告警条件，对确定的告警参数的数值进行调整，得到调整后的告警参数的数值，最后，基于调整后的告警参数的数值，生成目标告警规则，这样，针对面部识别或面部检测机具的告警规则制定的一套动态最优的智能决策方法，并能够根据业务的动态发展智能调整告警规则的告警参数，同时考虑到告警规则针对的不同维度信息，可以根据不同维度信息对告警规则中的告警参数进行动态调整，从而将面部识别或面部检测等机具的问题的发现、诊断和解决形成一个完整的闭环，而且使得生成的告警规则更加准确，并且减少了人工投入，提高了告警系统的扩展性和灵活性。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，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，对于系统实施例而言，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (13)

1.一种数据处理方法，所述方法包括：

获取待生成的目标告警规则中包含的告警参数；

根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据，所述目标维度信息包括商户维度、门店维度和机具维度中的一项或包括场景维度、商户维度、门店维度和机具维度中的多项；

对所述目标维度信息对应的日志数据进行聚类处理，采用机器学习的方式，基于聚类后的所述日志数据进行学习训练，确定所述告警参数的数值；

根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

基于调整后的告警参数的数值，生成所述目标告警规则。

2.根据权利要求1所述的方法，所述采用机器学习的方式，基于聚类后的所述日志数据进行学习训练，确定所述告警参数的数值，包括：

根据聚类后的所述日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值。

3.根据权利要求2所述的方法，所述预定的搜索算法包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。

4.根据权利要求3所述的方法，所述根据聚类后的所述日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值，包括：

根据聚类后的所述日志数据，基于预定的监督学习算法，通过所述爬山搜索算法确定所述告警参数的局部最优解；

根据所述告警参数的局部最优解和所述日志数据，基于预定的监督学习算法，通过所述模拟退火搜索算法和/或所述禁忌搜索算法，确定所述告警参数的全局最优解，将确定的全局最优解确定为所述告警参数的数值。

5.根据权利要求1所述的方法，所述机具维度对应的机具包括自助结算机具和/或快递存取机具。

6.根据权利要求1所述的方法，所述告警条件包括预定时长内接收到告警信息的数量和/或灰度比例。

7.一种数据处理装置，所述装置包括：

参数获取模块，用于获取待生成的目标告警规则中包含的告警参数；

日志获取模块，用于根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据，所述目标维度信息包括商户维度、门店维度和机具维度中的一项或包括场景维度、商户维度、门店维度和机具维度中的多项；

参数确定模块，用于对所述目标维度信息对应的日志数据进行聚类处理，采用机器学习的方式，基于聚类后的所述日志数据进行学习训练，确定所述告警参数的数值；

参数调整模块，用于根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

规则生成模块，用于基于调整后的告警参数的数值，生成所述目标告警规则。

8.根据权利要求7所述的装置，所述参数确定模块，用于根据聚类后的所述日志数据，基于预定的监督学习算法和预定的搜索算法确定所述告警参数的数值。

9.根据权利要求8所述的装置，所述预定的搜索算法包括爬山搜索算法、模拟退火搜索算法和禁忌搜索算法中的一个或多个算法。

10.根据权利要求9所述的装置，所述参数确定模块，包括：

局部解确定单元，用于根据聚类后的所述日志数据，基于预定的监督学习算法，通过所述爬山搜索算法确定所述告警参数的局部最优解；

参数确定单元，用于根据所述告警参数的局部最优解和所述日志数据，基于预定的监督学习算法，通过所述模拟退火搜索算法和/或所述禁忌搜索算法，确定所述告警参数的全局最优解，将确定的全局最优解确定为所述告警参数的数值。

11.根据权利要求7所述的装置，所述机具维度对应的机具包括自助结算机具和/或快递存取机具。

12.根据权利要求7所述的装置，所述告警条件包括预定时长内接收到告警信息的数量和/或灰度比例。

13.一种数据处理设备，所述数据处理设备包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取待生成的目标告警规则中包含的告警参数；

根据所述目标告警规则对应的目标维度信息，获取所述目标维度信息对应的日志数据，所述目标维度信息包括商户维度、门店维度和机具维度中的一项或包括场景维度、商户维度、门店维度和机具维度中的多项；

对所述目标维度信息对应的日志数据进行聚类处理，采用机器学习的方式，基于聚类后的所述日志数据进行学习训练，确定所述告警参数的数值；

根据预设的告警条件，对确定的所述告警参数的数值进行调整，得到调整后的告警参数的数值；

基于调整后的告警参数的数值，生成所述目标告警规则。

Images