CN110188793A - 数据异常分析方法及装置 - Google Patents
数据异常分析方法及装置 Download PDFInfo
- Publication number
- CN110188793A CN110188793A CN201910314231.2A CN201910314231A CN110188793A CN 110188793 A CN110188793 A CN 110188793A CN 201910314231 A CN201910314231 A CN 201910314231A CN 110188793 A CN110188793 A CN 110188793A
- Authority
- CN
- China
- Prior art keywords
- time series
- data
- series data
- result
- analyzing
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 103
- 238000000714 time series forecasting Methods 0.000 claims abstract description 76
- 230000002547 anomalous effect Effects 0.000 claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012937 correction Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 241001269238 Data Species 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本说明书一个或多个实施例公开了一种数据异常分析方法及装置，用以实现分析异常数据的高时效性及广泛适应性。所述方法包括：分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
Description
技术领域
本说明书涉及数据分析技术领域，尤其涉及一种数据异常分析方法及装置。
背景技术
系统监控经常面临着监控指标量大、数据噪音大、时效要求高等问题。以账务系统现有指标为例，单就主链路服务器和应用数相关参数就已经达到千级，对如此庞大的指标数量显然已无法用人力去识别，因此必须借助机器学习等算法对其进行异常监控与识别。
发明内容
本说明书一个或多个实施例的目的是提供一种数据异常分析方法及装置，用以实现分析异常数据的高时效性及广泛适应性。
为解决上述技术问题，本说明书一个或多个实施例是这样实现的：
一方面，本说明书一个或多个实施例提供一种数据异常分析方法，包括：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
在一个实施例中，所述数据指标包括周期性、时效性、信噪比、白噪声检验结果中的至少一项指标。
在一个实施例中，所述时序数据包括多个所述数据指标；
相应的，所述根据所述数据指标确定所述时序数据对应的时序预测模型，包括：
为各所述数据指标赋予评分值；及，确定各所述数据指标分别对应的权重；
根据所述评分值及所述权重，计算所述时序数据的总评分值；
根据预设的总评分值与时序预测模型之间的对应关系，确定所述时序数据的总评分值所对应的时序预测模型。
在一个实施例中，在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，所述方法还包括：
显示所述异常分析结果；和/或，按照预设报警方式对所述异常分析结果进行报警；其中，所述预设报警方式包括语音报警方式。
在一个实施例中，在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，所述方法还包括：
确定所述异常分析结果的正确性判断结果；其中，所述正确性判断结果包括正确结果或错误结果；
若所述正确性判断结果为所述正确结果，则将所述异常分析结果输入所述异常识别模型，以使所述异常识别模型根据所述异常分析结果进行更新。
在一个实施例中，在分析待检测的时序数据的数据指据之前，所述方法还包括：
分析第一时序数据的周期性，以确定出所述第一时序数据的周期时长；
根据所述周期时长确定所述第一时序数据对应的检测时长；其中，所述检测时长包括整数个周期时长；
获取所述第一时序数据在所述检测时长内的数据，作为所述待检测的时序数据。
另一方面，本说明书一个或多个实施例提供一种数据异常分析装置，包括：
分析及确定模块，用于分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
预测模块，用于利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
第一分析模块，用于利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
在一个实施例中，所述数据指标包括周期性、时效性、信噪比、白噪声检验结果中的至少一项指标。
在一个实施例中，所述时序数据包括多个所述数据指标；
相应的，所述分析及确定模块包括：
第一确定单元，用于为各所述数据指标赋予评分值；及，确定各所述数据指标分别对应的权重；
计算单元，用于根据所述评分值及所述权重，计算所述时序数据的总评分值；
第二确定单元，用于根据预设的总评分值与时序预测模型之间的对应关系，确定所述时序数据的总评分值所对应的时序预测模型。
在一个实施例中，所述装置还包括：
显示及报警模块，用于在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，显示所述异常分析结果；和/或，按照预设报警方式对所述异常分析结果进行报警；其中，所述预设报警方式包括语音报警方式。
在一个实施例中，所述装置还包括：
第一确定模块，用于在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，确定所述异常分析结果的正确性判断结果；其中，所述正确性判断结果包括正确结果或错误结果；
输入模块，用于若所述正确性判断结果为所述正确结果，则将所述异常分析结果输入所述异常识别模型，以使所述异常识别模型根据所述异常分析结果进行更新。
在一个实施例中，所述装置还包括：
第二分析模块，用于在分析待检测的时序数据的数据指据之前，分析第一时序数据的周期性，以确定出所述第一时序数据的周期时长；
第二确定模块，用于根据所述周期时长确定所述第一时序数据对应的检测时长；其中，所述检测时长包括整数个周期时长；
获取模块，用于获取所述第一时序数据在所述检测时长内的数据，作为所述待检测的时序数据。
再一方面，本说明书一个或多个实施例提供一种数据异常分析设备，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：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
再一方面，本申请实施例提供一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
采用本说明书一个或多个实施例的技术方案，通过分析待检测的时序数据的数据指标，并根据分析出的数据指标确定时序数据对应的时序预测模型，进而利用该时序预测模型对时序数据进行时序预测，以得到时序数据在指定未来时长内的预测结果，然后利用预先训练的异常识别模型对该预测结果进行分析，以得到时序数据的异常分析结果。可见，该技术方案在分析异常数据的过程中，能够针对时序数据的数据指标选择不同的时序预测模型，而并非是所有时序数据均采用同一个模型，因此具有很广泛的适用性；此外，该技术方案由于预先设置了与不同数据指标对应的多个时序预测模型，因此能够同时处理多个数据指标，从而达到异常数据分析的高时效性要求。
附图说明
为了更清楚地说明本说明书一个或多个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一个或多个实施例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是根据本说明书一实施例的一种数据异常分析方法的示意性流程图；
图2是根据本说明书一实施例的一种数据异常分析装置的示意性框图；
图3是根据本说明书一实施例的一种数据异常分析设备的示意性框图。
具体实施方式
本说明书一个或多个实施例提供一种数据异常分析方法及装置，用以实现分析异常数据的高时效性及广泛适应性。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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。基于本说明书一个或多个实施例，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一个或多个实施例保护的范围。
图1是根据本说明书一实施例的一种数据异常方法的示意性流程图，如图1所示，该方法应用于数据异常分析系统，包括：
S102，分析待检测的时序数据的数据指标；及，根据数据指标确定时序数据对应的时序预测模型。
本实施例中，数据异常分析系统中预设有多个时序预测模型，可包括无监督学习算法模型及有监督学习算法模型，分别用于对不同数据指标的时序数据进行时序预测。时序预测指利用数据在时间上的分布规律对未来数据进行的预测。
本实施例中，可选择指定时间窗口的数据作为待检测的时序数据。其中，指定时间窗口可根据业务需要、数据的周期性等因素来确定。例如，时序数据的周期性为1周，则可选择指定时间窗口为最近1周，相应的，最近1周的数据即为待检测的时序数据。
本实施例中，数据指标可包括周期性、时效性、信噪比、白噪声检验结果等指标。例如，利用PCA(Principal Component Analysis，主成分分析)方法降维后得到的、可反应时序数据周期性的时序数据特征根；反应数据中噪音信号占比的时序数据信噪比；时序数据时效性要求(即业务需要达到的预测时间窗口最小单位)；用于判断数据可预测性的白噪音检验结果等。
对于不同的数据指标，可选择不同的时序预测模型对时序数据进行时序预测。例如，通过分析数据指标，若分析出时序数据的周期性较强，则可选择统计模型或机器学习模型对时序数据进行时序预测；若分析出时序数据的噪音比较大，则可选择比较鲁棒的3sigma模型对时序数据进行时序预测；等等。
S104，利用时序预测模型对时序数据进行时序预测，得到时序数据在指定未来时长内的预测结果。
其中，指定未来时长可以是预先确定的能够反应时序数据周期性的时长，例如，指定未来时长为未来1440分钟；或者，指定未来时长为1440*60秒。
S106，利用预先训练的异常识别模型对预测结果进行分析，得到时序数据的异常分析结果。
其中，异常识别模型用于分析时序数据中是否存在异常数据；或者，异常识别模型用于分析时序数据中是否存在异常数据，且在时序数据中存在异常数据时分析异常数据对应的异常类型。
异常识别模型为预先根据大量样本时序数据及其对应的异常分析结果训练而成。异常分析结果包括时序数据是否存在异常数据；以及，当时序数据存在异常数据时的异常类型。
异常类型可包括但不限于以下几种：系统异常、由大额交易触发的异常、数据库丢失、数据报表错误等。
采用本说明书一个或多个实施例的技术方案，通过分析待检测的时序数据的数据指标，并根据分析出的数据指标确定时序数据对应的时序预测模型，进而利用该时序预测模型对时序数据进行时序预测，以得到时序数据在指定未来时长内的预测结果，然后利用预先训练的异常识别模型对该预测结果进行分析，以得到时序数据的异常分析结果。可见，该技术方案在分析异常数据的过程中，能够针对时序数据的数据指标选择不同的时序预测模型，而并非是所有时序数据均采用同一个模型，因此具有很广泛的适用性；此外，该技术方案由于预先设置了与不同数据指标对应的多个时序预测模型，因此能够同时处理多个数据指标，从而达到异常数据分析的高时效性要求。
在一个实施例中，若时序数据包括多个数据指标，则根据数据指标确定时序数据对应的时序预测模型时，可首先为各数据指标赋予评分值，并确定各数据指标分别对应的权重；进而根据各数据指标分别对应的评分值及权重，计算时序数据的总评分值；再根据预设的总评分值与时序预测模型之间的对应关系，确定时序数据的总评分值所对应的时序预测模型。
在一个实施例中，在利用异常识别模型对预测结果进行分析，得到时序数据的异常分析结果之后，可显示异常分析结果；和/或，按照预设报警方式对异常分析结果进行报警。其中，预设报警方式包括语音报警方式。
在一个实施例中，在利用异常识别模型对预测结果进行分析，得到时序数据的异常分析结果之后，可确定异常分析结果的正确性判断结果；并在正确性判断结果为正确结果时，将正确的异常分析结果输入异常识别模型，以使异常识别模型根据异常分析结果进行更新。
本实施例中，正确性判断结果包括正确结果及错误结果，反应了异常分析结果的分析准确度。通过将正确的异常分析结果回流至异常识别模型，使得异常识别模型能够实时根据正确的异常分析结果进行二次学习，从而不断优化异常识别模型，使异常识别模型对数据异常的分析更加准确。
在一个实施例中，在分析待检测的时序数据的数据指据之前，可分析第一时序数据的周期性，以确定出第一时序数据的周期时长；然后根据该周期时长确定第一时序数据对应的检测时长；其中，检测时长包括整数个周期时长；进而获取第一时序数据在检测时长内的数据，作为待检测的时序数据。
本实施例中，通过获取一定检测时长内的数据作为待检测的时序数据，且检测时长包括时序数据的整数个周期时长，使得对时序数据进行分析时，能够根据整数个周期时长的数据准确预测出未来数据，进而更加准确地分析出时序数据的异常分析结果。
综上，已经对本主题的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可以按照不同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，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
以上为本说明书一个或多个实施例提供的数据异常分析方法，基于同样的思路，本说明书一个或多个实施例还提供一种数据异常分析装置。
图2是根据本说明书一实施例的一种数据异常分析装置的示意性框图，如图2所示，数据异常分析装置200包括：
分析及确定模块210，用于分析待检测的时序数据的数据指标；及，根据数据指标确定时序数据对应的时序预测模型；
预测模块220，用于利用时序预测模型对时序数据进行时序预测，得到时序数据在指定未来时长内的预测结果；
第一分析模块230，用于利用预先训练的异常识别模型对预测结果进行分析，得到时序数据的异常分析结果；其中，异常识别模型用于分析时序数据中是否存在异常数据；或者，异常识别模型用于分析时序数据中是否存在异常数据，且在时序数据中存在异常数据时分析异常数据对应的异常类型。
在一个实施例中，数据指标包括周期性、时效性、信噪比、白噪声检验结果中的至少一项指标。
在一个实施例中，时序数据包括多个数据指标；
相应的，分析及确定模块210包括：
第一确定单元，用于为各数据指标赋予评分值；及，确定各数据指标分别对应的权重；
计算单元，用于根据评分值及权重，计算时序数据的总评分值；
第二确定单元，用于根据预设的总评分值与时序预测模型之间的对应关系，确定时序数据的总评分值所对应的时序预测模型。
在一个实施例中，装置200还包括：
显示及报警模块，用于在利用异常识别模型对预测结果进行分析，得到时序数据的异常分析结果之后，显示异常分析结果；和/或，按照预设报警方式对异常分析结果进行报警；其中，预设报警方式包括语音报警方式。
在一个实施例中，装置200还包括：
第一确定模块，用于在利用异常识别模型对预测结果进行分析，得到时序数据的异常分析结果之后，确定异常分析结果的正确性判断结果；其中，正确性判断结果包括正确结果或错误结果；
输入模块，用于若正确性判断结果为正确结果，则将异常分析结果输入异常识别模型，以使异常识别模型根据异常分析结果进行更新。
在一个实施例中，装置200还包括：
第二分析模块，用于在分析待检测的时序数据的数据指据之前，分析第一时序数据的周期性，以确定出第一时序数据的周期时长；
第二确定模块，用于根据周期时长确定第一时序数据对应的检测时长；其中，检测时长包括整数个周期时长；
获取模块，用于获取第一时序数据在检测时长内的数据，作为待检测的时序数据。
采用本说明书一个或多个实施例的技术方案，通过分析待检测的时序数据的数据指标，并根据分析出的数据指标确定时序数据对应的时序预测模型，进而利用该时序预测模型对时序数据进行时序预测，以得到时序数据在指定未来时长内的预测结果，然后利用预先训练的异常识别模型对该预测结果进行分析，以得到时序数据的异常分析结果。可见，该技术方案在分析异常数据的过程中，能够针对时序数据的数据指标选择不同的时序预测模型，而并非是所有时序数据均采用同一个模型，因此具有很广泛的适用性；此外，该技术方案由于预先设置了与不同数据指标对应的多个时序预测模型，因此能够同时处理多个数据指标，从而达到异常数据分析的高时效性要求。
本领域的技术人员应可理解，上述数据异常分析装置能够用来实现前文所述的数据异常分析方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。
基于同样的思路，本说明书一个或多个实施例还提供一种数据异常分析设备，如图3所示。数据异常分析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301和存储器302，存储器302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302可以是短暂存储或持久存储。存储在存储器302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异常分析设备中的一系列计算机可执行指令。更进一步地，处理器301可以设置为与存储器302通信，在数据异常分析设备上执行存储器302中的一系列计算机可执行指令。数据异常分析设备还可以包括一个或一个以上电源303，一个或一个以上有线或无线网络接口304，一个或一个以上输入输出接口305，一个或一个以上键盘306。
具体在本实施例中，数据异常分析设备包括有存储器，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异常分析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：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
可选地，所述数据指标包括周期性、时效性、信噪比、白噪声检验结果中的至少一项指标。
可选地，所述时序数据包括多个所述数据指标；
相应的，计算机可执行指令在被执行时，还可以使所述处理器：
为各所述数据指标赋予评分值；及，确定各所述数据指标分别对应的权重；
根据所述评分值及所述权重，计算所述时序数据的总评分值；
根据预设的总评分值与时序预测模型之间的对应关系，确定所述时序数据的总评分值所对应的时序预测模型。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，显示所述异常分析结果；和/或，按照预设报警方式对所述异常分析结果进行报警；其中，所述预设报警方式包括语音报警方式。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，确定所述异常分析结果的正确性判断结果；其中，所述正确性判断结果包括正确结果或错误结果；
若所述正确性判断结果为所述正确结果，则将所述异常分析结果输入所述异常识别模型，以使所述异常识别模型根据所述异常分析结果进行更新。
可选地，计算机可执行指令在被执行时，还可以使所述处理器：
在分析待检测的时序数据的数据指据之前，分析第一时序数据的周期性，以确定出所述第一时序数据的周期时长；
根据所述周期时长确定所述第一时序数据对应的检测时长；其中，所述检测时长包括整数个周期时长；
获取所述第一时序数据在所述检测时长内的数据，作为所述待检测的时序数据。
本说明书一个或多个实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述数据异常分析方法，并具体用于执行：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
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，本说明书一个或多个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是参照根据本申请实施例的方法、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申请，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一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例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一个或多个实施例的权利要求范围之内。
Claims (14)
1.一种数据异常分析方法，包括：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
2.根据权利要求1所述的方法，所述数据指标包括周期性、时效性、信噪比、白噪声检验结果中的至少一项指标。
3.根据权利要求2所述的方法，所述时序数据包括多个所述数据指标；
相应的，所述根据所述数据指标确定所述时序数据对应的时序预测模型，包括：
为各所述数据指标赋予评分值；及，确定各所述数据指标分别对应的权重；
根据所述评分值及所述权重，计算所述时序数据的总评分值；
根据预设的总评分值与时序预测模型之间的对应关系，确定所述时序数据的总评分值所对应的时序预测模型。
4.根据权利要求1所述的方法，在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，所述方法还包括：
显示所述异常分析结果；和/或，按照预设报警方式对所述异常分析结果进行报警；其中，所述预设报警方式包括语音报警方式。
5.根据权利要求1所述的方法，在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，所述方法还包括：
确定所述异常分析结果的正确性判断结果；其中，所述正确性判断结果包括正确结果或错误结果；
若所述正确性判断结果为所述正确结果，则将所述异常分析结果输入所述异常识别模型，以使所述异常识别模型根据所述异常分析结果进行更新。
6.根据权利要求1所述的方法，在分析待检测的时序数据的数据指据之前，所述方法还包括：
分析第一时序数据的周期性，以确定出所述第一时序数据的周期时长；
根据所述周期时长确定所述第一时序数据对应的检测时长；其中，所述检测时长包括整数个周期时长；
获取所述第一时序数据在所述检测时长内的数据，作为所述待检测的时序数据。
7.一种数据异常分析装置，包括：
分析及确定模块，用于分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
预测模块，用于利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
第一分析模块，用于利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
8.根据权利要求7所述的装置，所述数据指标包括周期性、时效性、信噪比、白噪声检验结果中的至少一项指标。
9.根据权利要求8所述的装置，所述时序数据包括多个所述数据指标；
相应的，所述分析及确定模块包括：
第一确定单元，用于为各所述数据指标赋予评分值；及，确定各所述数据指标分别对应的权重；
计算单元，用于根据所述评分值及所述权重，计算所述时序数据的总评分值；
第二确定单元，用于根据预设的总评分值与时序预测模型之间的对应关系，确定所述时序数据的总评分值所对应的时序预测模型。
10.根据权利要求7所述的装置，还包括：
显示及报警模块，用于在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，显示所述异常分析结果；和/或，按照预设报警方式对所述异常分析结果进行报警；其中，所述预设报警方式包括语音报警方式。
11.根据权利要求7所述的装置，还包括：
第一确定模块，用于在利用异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果之后，确定所述异常分析结果的正确性判断结果；其中，所述正确性判断结果包括正确结果或错误结果；
输入模块，用于若所述正确性判断结果为所述正确结果，则将所述异常分析结果输入所述异常识别模型，以使所述异常识别模型根据所述异常分析结果进行更新。
12.根据权利要求7所述的装置，还包括：
第二分析模块，用于在分析待检测的时序数据的数据指据之前，分析第一时序数据的周期性，以确定出所述第一时序数据的周期时长；
第二确定模块，用于根据所述周期时长确定所述第一时序数据对应的检测时长；其中，所述检测时长包括整数个周期时长；
获取模块，用于获取所述第一时序数据在所述检测时长内的数据，作为所述待检测的时序数据。
13.一种数据异常分析设备，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：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
14.一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：
分析待检测的时序数据的数据指标；及，根据所述数据指标确定所述时序数据对应的时序预测模型；
利用所述时序预测模型对所述时序数据进行时序预测，得到所述时序数据在指定未来时长内的预测结果；
利用预先训练的异常识别模型对所述预测结果进行分析，得到所述时序数据的异常分析结果；其中，所述异常识别模型用于分析所述时序数据中是否存在异常数据；或者，所述异常识别模型用于分析所述时序数据中是否存在所述异常数据，且在所述时序数据中存在所述异常数据时分析所述异常数据对应的异常类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314231.2A CN110188793B (zh) | 2019-04-18 | 2019-04-18 | 数据异常分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910314231.2A CN110188793B (zh) | 2019-04-18 | 2019-04-18 | 数据异常分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110188793A true CN110188793A (zh) | 2019-08-30 |
| CN110188793B CN110188793B (zh) | 2024-02-09 |
Family
ID=67714727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910314231.2A Active CN110188793B (zh) | 2019-04-18 | 2019-04-18 | 数据异常分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188793B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880128A (zh) * | 2019-10-31 | 2020-03-13 | 支付宝(杭州)信息技术有限公司 | 异常信息挖掘方法、装置、系统及终端设备 |
| CN113157760A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 目标数据确定方法及装置 |
| CN115022083A (zh) * | 2022-07-12 | 2022-09-06 | 中国人民银行清算总中心 | 一种异常定界方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160132775A1 (en) * | 2014-11-10 | 2016-05-12 | International Business Machines Corporation | Weight adjusted composite model for forecasting in anomalous environments |
| CN106844138A (zh) * | 2016-12-14 | 2017-06-13 | 北京奇艺世纪科技有限公司 | 运维报警系统及方法 |
| CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
| US20180113773A1 (en) * | 2016-10-21 | 2018-04-26 | Accenture Global Solutions Limited | Application monitoring and failure prediction |
| CN108550047A (zh) * | 2018-03-20 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 交易量的预测方法及装置 |
| CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
| CN108595495A (zh) * | 2018-03-15 | 2018-09-28 | 阿里巴巴集团控股有限公司 | 预测异常样本的方法和装置 |
| CN109063886A (zh) * | 2018-06-12 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种异常检测方法、装置以及设备 |
-
2019
- 2019-04-18 CN CN201910314231.2A patent/CN110188793B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160132775A1 (en) * | 2014-11-10 | 2016-05-12 | International Business Machines Corporation | Weight adjusted composite model for forecasting in anomalous environments |
| US20180113773A1 (en) * | 2016-10-21 | 2018-04-26 | Accenture Global Solutions Limited | Application monitoring and failure prediction |
| CN106844138A (zh) * | 2016-12-14 | 2017-06-13 | 北京奇艺世纪科技有限公司 | 运维报警系统及方法 |
| CN107528722A (zh) * | 2017-07-06 | 2017-12-29 | 阿里巴巴集团控股有限公司 | 一种时间序列中异常点检测方法及装置 |
| CN108595495A (zh) * | 2018-03-15 | 2018-09-28 | 阿里巴巴集团控股有限公司 | 预测异常样本的方法和装置 |
| CN108550047A (zh) * | 2018-03-20 | 2018-09-18 | 阿里巴巴集团控股有限公司 | 交易量的预测方法及装置 |
| CN108564229A (zh) * | 2018-04-26 | 2018-09-21 | 广东省广业科技集团有限公司 | 一种基于arima模型的工业污水进水量预测的方法 |
| CN109063886A (zh) * | 2018-06-12 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种异常检测方法、装置以及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 毛莺池等: "M-TAEDA:多变量水质参数时序数据异常事件检测算法", 《计算机应用》 * |
| 毛莺池等: "M-TAEDA:多变量水质参数时序数据异常事件检测算法", 《计算机应用》, no. 01, 10 January 2017 (2017-01-10) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110880128A (zh) * | 2019-10-31 | 2020-03-13 | 支付宝(杭州)信息技术有限公司 | 异常信息挖掘方法、装置、系统及终端设备 |
| CN113157760A (zh) * | 2020-01-22 | 2021-07-23 | 阿里巴巴集团控股有限公司 | 目标数据确定方法及装置 |
| CN115022083A (zh) * | 2022-07-12 | 2022-09-06 | 中国人民银行清算总中心 | 一种异常定界方法和装置 |
| CN115022083B (zh) * | 2022-07-12 | 2024-05-10 | 中国人民银行清算总中心 | 一种异常定界方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110188793B (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11367022B2 (en) | System and method for evaluating and deploying unsupervised or semi-supervised machine learning models | |
| CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
| CN105283851B (zh) | 用于选择跟踪目标的成本分析 | |
| US20200034665A1 (en) | Determining validity of machine learning algorithms for datasets | |
| CN105283866B (zh) | 包括使用相似频率的优化分析的应用跟踪方法和系统 | |
| CN108563548A (zh) | 异常检测方法及装置 | |
| CN105283848B (zh) | 用分布式目标来进行应用跟踪 | |
| US11902114B2 (en) | System and method for predicting and reducing subscriber churn | |
| CN110705598B (zh) | 智能模型管理方法、装置、计算机设备及存储介质 | |
| EP3282363A1 (en) | Development and production data based application evolution | |
| CN108463973A (zh) | 蜂窝系统中指纹识别根本原因分析 | |
| CN110188793A (zh) | 数据异常分析方法及装置 | |
| US20180006900A1 (en) | Predictive anomaly detection in communication systems | |
| CN105824748B (zh) | 用于确定测试用例效率的方法和系统 | |
| CN109947079A (zh) | 基于边缘计算的区域异常检测方法和边缘计算设备 | |
| KR102264526B1 (ko) | 상품 판매량 예측 방법, 장치 및 시스템 | |
| CN108734330A (zh) | 数据处理方法和装置 | |
| CN110162422A (zh) | 一种基于决策树的问题定位方法和装置 | |
| Adams et al. | A framework for explainable concept drift detection in process mining | |
| CN109461067A (zh) | 一种外汇报价异常数据的检测方法、装置及系统 | |
| CN110046633A (zh) | 一种数据质量检测方法及装置 | |
| US20180018570A1 (en) | Information processing system, change point detection method, and recording medium | |
| CN110544052A (zh) | 关系网络图的展示方法及装置 | |
| CN107480703A (zh) | 交易故障检测方法及装置 | |
| CN113076451B (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200923 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200923 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |