CN110889597A - 业务时序指标异常检测方法及装置 - Google Patents

业务时序指标异常检测方法及装置 Download PDF

Info

Publication number
CN110889597A
CN110889597A CN201911088611.5A CN201911088611A CN110889597A CN 110889597 A CN110889597 A CN 110889597A CN 201911088611 A CN201911088611 A CN 201911088611A CN 110889597 A CN110889597 A CN 110889597A
Authority
CN
China
Prior art keywords
index information
time sequence
service
sequence index
service time
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.)
Pending
Application number
CN201911088611.5A
Other languages
English (en)
Inventor
易存道
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Boln Software Ltd By Share Ltd
Original Assignee
Beijing Boln Software Ltd By Share Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Boln Software Ltd By Share Ltd filed Critical Beijing Boln Software Ltd By Share Ltd
Priority to CN201911088611.5A priority Critical patent/CN110889597A/zh
Publication of CN110889597A publication Critical patent/CN110889597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例提供一种业务时序指标异常检测方法及装置，方法包括：获取资源池中目标实例对应的业务时序指标信息；对所述业务时序指标信息进行异常检测处理，获得处理结果；根据所述处理结果确定检测结果。本发明实施例提供的一种业务时序指标异常检测方法及装置，通过采用预设的异常检测模型对获取到的资源池中目标实例对应的业务时序指标信息进行处理获得处理结果，并根据处理结果确定检测结果，提升了时间序列指标的异常检测的召回率和精准率，以及模型的稳定性能力。

Description

业务时序指标异常检测方法及装置
技术领域
本发明涉及网络技术领域，尤其涉及一种业务时序指标异常检测方法及装置。
背景技术
在网络技术领域中，异常检测旨在发现复杂业务指标(请求量、收入等)的异常波动，是智能监控系统中的重要环节。企业的业务种类繁多，各业务的监控需求迥异，参数配置成本繁重，给异常检测带来了巨大的挑战。
许多异常检测技术首先建立一个数据模型。异常是那些模型不能完美拟合的对象。例如，数据分布模型可以通过估计概率分布的参数来创建。如果一个对象不能很好地同该模型拟合，即如果它很可能不服从该分布，则它是一个异常。如果模型是簇的集合，则异常是不显著属于任何簇的对象。在使用回归模型时，异常是相对远离预测值的对象。
基于动态基线的异常检测可以对大量指标进行计算并初步筛选过滤出可疑的异常点，但需要考虑提升异常点检测准确率和精度、召回率等方面。
发明内容
针对现有技术存在的问题，本发明实施例提供一种业务时序指标异常检测方法及装置。
本发明实施例提供一种业务时序指标异常检测方法，包括：
获取资源池中目标实例对应的业务时序指标信息；
对所述业务时序指标信息进行异常检测处理，获得处理结果；
根据所述处理结果确定检测结果。
进一步地，所述对所述业务时序指标信息进行异常检测处理，获得处理结果，包括：
调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果；
根据所述统计结果和各异常检测模型对应的权重值获得处理结果。
进一步地，所述获取资源池中目标实例对应的业务时序指标信息，包括：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
进一步地，所述异常检测模型包括指数加权移动平均算法、孤立森林算法和岭回归算法。
第二方面，本发明实施例提供一种业务时序指标异常检测装置，包括：
获取模块，用于获取资源池中目标实例对应的业务时序指标信息；
处理模块，用于对所述业务时序指标信息进行异常检测处理，获得处理结果；
检测模块，用于根据所述处理结果确定检测结果。
进一步地，所述处理模块具体用于：
调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果；
根据所述统计结果和各异常检测模型对应的权重值获得处理结果。
进一步地，所述获取模块具体用于：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
进一步地，所述异常检测模型包括指数加权移动平均算法、孤立森林算法和岭回归算法。
第三方面，本发明实施例一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述网络调用关系拓扑图的构建方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述网络调用关系拓扑图的构建方法的步骤。
本发明实施例提供的一种业务时序指标异常检测方法及装置，通过采用预设的异常检测模型对获取到的资源池中目标实例对应的业务时序指标信息进行处理获得处理结果，并根据处理结果确定检测结果，提升了时间序列指标的异常检测的召回率和精准率，以及模型的稳定性能力。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明业务时序指标异常检测方法实施例流程图；
图2为本发明业务时序指标异常检测方法又一实施例流程图；
图3为本发明业务时序指标异常检测装置实施例结构图；
图4为本发明电子设备实施例结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。
在网络技术领域中，异常检测旨在发现复杂业务指标(请求量、收入等)的异常波动，是智能监控系统中的重要环节。企业的业务种类繁多，各业务的监控需求迥异，参数配置成本繁重，给异常检测带来了巨大的挑战。
许多异常检测技术首先建立一个数据模型。异常是那些模型不能完美拟合的对象。例如，数据分布模型可以通过估计概率分布的参数来创建。如果一个对象不能很好地同该模型拟合，即如果它很可能不服从该分布，则它是一个异常。如果模型是簇的集合，则异常是不显著属于任何簇的对象。在使用回归模型时，异常是相对远离预测值的对象。
基于动态基线的异常检测可以对大量指标进行计算并初步筛选过滤出可疑的异常点，但需要考虑提升异常点检测准确率和精度、召回率等方面。
为此，图1示出了本发明一实施例提供的一种业务时序指标异常检测方法，从图1中可以看出，该方法包括：
S11、获取资源池中目标实例对应的业务时序指标信息；
S12、对所述业务时序指标信息进行异常检测处理，获得处理结果；
S13、根据所述处理结果确定检测结果。
针对步骤S11-步骤S13，需要说明的是，在本发明实施例中，资源池是指网络业务系统中所涉及到的各种硬件和软件的集合，按其类型可分为计算资源、存储资源和网络资源。实例可包括应用实例和设备实例。应用实例是指应用软件，设备实例是指网络设备。
在网络运行过程中，执行网络业务会存在异常情况。因此，需要对异常情况进行分析和判断，从而排除异常危险的情况。执行网络业务会产生并记录业务数据。业务数据包括多种指标下的数据。在网络业务开始执行到结束执行的整个过程中，需对业务数据的各种指标下的数据进行分析。每个网络业务下各指标对应的待检测信息为业务时序指标信息。该业务时序指标信息为执行时间内按时间排序出现的指标信息。即每个指标信息都对应自身的出现时间。
在本发明实施例中，获取业务时序指标信息可采用如下：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
需要说明的是，获取目标实例的业务指标信息，采用spark大数据技术对每一个实例的不同指标对应的业务指标信息进行天、周、月的聚合，获取对应的业务时序指标信息。这样的预处理过程是为了提升检测数据聚合的效率。其中，Spark是专为大规模数据处理而设计的快速通用的计算引擎，因此，在这里不再对数据处理过程做详细说明。
根据对业务时序指标信息进行处理，获得处理结果。具体为：使异常检测模型对业务时序执行信息中所有时间点对应的指标值与预设的基准指标值进行比较，从而确定哪些时间点对应的指标信息为异常指标，哪些时间点对应的指标信息为非异常指标。从而根据确定的异常与非异常信息进行统计，得到处理结果。该处理结果针对于异常情况来说，包括召回率、准确率和精确率。
在这里，异常检测模型可采用指数加权移动平均算法、孤立森林算法和岭回归算法。指数加权移动平均算法、孤立森林算法和岭回归算法均为现有技术存在的算法，在这里不再对信息处理过程做详细说明。
本发明实施例提供的一种业务时序指标异常检测方法，通过采用预设的异常检测模型对获取到的资源池中目标实例对应的业务时序指标信息进行处理获得处理结果，并根据处理结果确定检测结果，提升了时间序列指标的异常检测的召回率和精准率，以及模型的稳定性能力。
图2示出了本发明一实施例提供的一种业务时序指标异常检测方法，从图2中可以看出，该方法包括：
S21、采集资源池中目标实例的业务指标信息，采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息；
S22、调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果，根据所述统计结果和各异常检测模型对应的权重值获得处理结果；
S23、根据所述处理结果确定检测结果。
针对步骤S21-步骤S23，需要说明的是，在本发明实施例中，资源池是指网络业务系统中所涉及到的各种硬件和软件的集合，按其类型可分为计算资源、存储资源和网络资源。实例可包括应用实例和设备实例。应用实例是指应用软件，设备实例是指网络设备。
在网络运行过程中，执行网络业务会存在异常情况。因此，需要对异常情况进行分析和判断，从而排除异常危险的情况。执行网络业务会产生并记录业务数据。业务数据包括多种指标下的数据。在网络业务开始执行到结束执行的整个过程中，需对业务数据的各种指标下的数据进行分析。每个网络业务下各指标对应的待检测信息为业务时序指标信息。该业务时序指标信息为执行时间内按时间排序出现的指标信息。即每个指标信息都对应自身的出现时间。
在本发明实施例中，获取业务时序指标信息可采用如下：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
需要说明的是，获取目标实例的业务指标信息，采用spark大数据技术对每一个实例的不同指标对应的业务指标信息进行天、周、月的聚合，获取对应的业务时序指标信息。这样的预处理过程是为了提升检测数据聚合的效率。其中，Spark是专为大规模数据处理而设计的快速通用的计算引擎，因此，在这里不再对数据处理过程做详细说明。
根据预设的异常检测模型对业务时序指标信息进行处理，获得处理结果。具体为：调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果，根据所述统计结果和各异常检测模型对应的权重值获得处理结果。
使不同类型的异常检测模型分别对业务时序执行信息中所有时间点对应的指标值与预设的基准指标值进行比较，从而确定哪些时间点对应的指标信息为异常指标，哪些时间点对应的指标信息为非异常指标。从而根据确定的异常与非异常信息进行统计，得到统计结果。该统计结果针对于异常情况来说，包括召回率、准确率和精确率。
不同类型的异常检测模型针对统计结果存在对应的权重值，将得到的统计结果和各异常检测模型对应的权重值获得处理结果。即：采用权值值对对应的统计项的数值进行加权算法，得到对应的统计项的处理结果。
在这里，异常检测模型可采用指数加权移动平均算法、孤立森林算法和岭回归算法。指数加权移动平均算法、孤立森林算法和岭回归算法均为现有技术存在的算法，在这里不再对信息处理过程做详细说明。
本发明实施例提供的一种业务时序指标异常检测方法，通过采用不同类型的异常检测模型对获取到的资源池中目标实例对应的业务时序指标信息进行处理获得处理结果，并根据处理结果确定检测结果，提升了时间序列指标的异常检测的召回率和精准率，以及模型的稳定性能力。
图3示出了本发明一实施例提供的业务时序指标异常检测装置的结构示意图，从图3中可以看出，该装置包括获取模块31、处理模块32和检测模块33，其中：
获取模块31，用于获取资源池中目标实例对应的业务时序指标信息；
处理模块32，用于对所述业务时序指标信息进行异常检测处理，获得处理结果；
检测模块33，用于根据所述处理结果确定检测结果。
在上述实施例装置的进一步实施例中，所述处理模块具体用于：
调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果；
根据所述统计结果和各异常检测模型对应的权重值获得处理结果。
在上述实施例装置的进一步实施例中，所述获取模块具体用于：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
在上述实施例装置的进一步实施例中，所述异常检测模型包括指数加权移动平均算法、孤立森林算法和岭回归算法。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
需要说明的是，本发明实施例中可以通过硬件处理器(hardware processor)来实现相关功能模块。
本发明实施例提供的一种业务时序指标异常检测装置，通过采用预设的异常检测模型对获取到的资源池中目标实例对应的业务时序指标信息进行处理获得处理结果，并根据处理结果确定检测结果，提升了时间序列指标的异常检测的召回率和精准率，以及模型的稳定性能力。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)41、通信接口(Communications Interface)42、存储器(memory)43和通信总线44，其中，处理器41，通信接口42，存储器43通过通信总线44完成相互间的通信。处理器41可以调用存储器43中的逻辑指令，以执行如下方法：获取资源池中目标实例对应的业务时序指标信息；对所述业务时序指标信息进行异常检测处理，获得处理结果；根据所述处理结果确定检测结果。
此外，上述的存储器43中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的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计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：获取资源池中目标实例对应的业务时序指标信息；对所述业务时序指标信息进行异常检测处理，获得处理结果；根据所述处理结果确定检测结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种业务时序指标异常检测方法，其特征在于，包括：
获取资源池中目标实例对应的业务时序指标信息；
对所述业务时序指标信息进行异常检测处理，获得处理结果；
根据所述处理结果确定检测结果。
2.根据权利要求1所述的业务时序指标异常检测方法，其特征在于，所述对所述业务时序指标信息进行异常检测处理，获得处理结果，包括：
调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果；
根据所述统计结果和各异常检测模型对应的权重值获得处理结果。
3.根据权利要求1所述的业务时序指标异常检测方法，其特征在于，所述获取资源池中目标实例对应的业务时序指标信息，包括：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
4.根据权利要求1或2所述的业务时序指标异常检测方法，其特征在于，所述异常检测模型包括指数加权移动平均算法、孤立森林算法和岭回归算法。
5.一种业务时序指标异常检测装置，其特征在于，包括：
获取模块，用于获取资源池中目标实例对应的业务时序指标信息；
处理模块，用于对所述业务时序指标信息进行异常检测处理，获得处理结果；
检测模块，用于根据所述处理结果确定检测结果。
6.根据权利要求5所述的业务时序指标异常检测装置，其特征在于，所述处理模块具体用于：
调用不同类型的异常检测模型，使各异常检测模型分别对所述业务时序指标信息进行处理，获得对应的统计结果；
根据所述统计结果和各异常检测模型对应的权重值获得处理结果。
7.根据权利要求5所述的业务时序指标异常检测装置，其特征在于，所述获取模块具体用于：
采集资源池中目标实例的业务指标信息；
采用预设周期对所述业务指标信息进行聚合，获得目标实例对应的业务时序指标信息。
8.根据权利要求5或6所述的业务时序指标异常检测装置，其特征在于，所述异常检测模型包括指数加权移动平均算法、孤立森林算法和岭回归算法。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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至4任一项所述业务时序指标异常检测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项权利要求所述业务时序指标异常检测方法的步骤。
CN201911088611.5A 2019-11-08 2019-11-08 业务时序指标异常检测方法及装置 Pending CN110889597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911088611.5A CN110889597A (zh) 2019-11-08 2019-11-08 业务时序指标异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911088611.5A CN110889597A (zh) 2019-11-08 2019-11-08 业务时序指标异常检测方法及装置

Publications (1)

Publication Number Publication Date
CN110889597A true CN110889597A (zh) 2020-03-17

Family

ID=69747159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911088611.5A Pending CN110889597A (zh) 2019-11-08 2019-11-08 业务时序指标异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN110889597A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112445679A (zh) * 2020-11-13 2021-03-05 上海优扬新媒信息技术有限公司 一种信息检测方法、装置、服务器及存储介质
CN113391982A (zh) * 2021-08-17 2021-09-14 云智慧（北京）科技有限公司 一种监控数据的异常检测方法、装置及设备
CN113783750A (zh) * 2021-08-25 2021-12-10 南方电网深圳数字电网研究院有限公司 电网指标波动异常的检测方法及装置
CN113822366A (zh) * 2021-09-29 2021-12-21 平安医疗健康管理股份有限公司 业务指标异常检测方法及装置、电子设备、存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140238A (ja) * 2007-12-06 2009-06-25 Zeo System:Kk 宣伝効果評価システムおよびそのシステムに適用される宣伝効果評価装置ならびにプログラムならびに広告訴求度測定装置
CN105654381A (zh) * 2015-12-28 2016-06-08 上海瀚银信息技术有限公司 业务交易额的预测系统
CN108053095A (zh) * 2017-11-22 2018-05-18 全球能源互联网研究院有限公司 一种电能质量扰动事件特征提取方法及系统
CN109104493A (zh) * 2018-09-04 2018-12-28 南京群顶科技有限公司 一种云资源池业务负载感知与自处理装置及方法
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110032670A (zh) * 2019-04-17 2019-07-19 腾讯科技（深圳）有限公司 时序数据的异常检测方法、装置、设备及存储介质
CN110400005A (zh) * 2019-06-28 2019-11-01 阿里巴巴集团控股有限公司 业务指标的时间序列预测方法、装置及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009140238A (ja) * 2007-12-06 2009-06-25 Zeo System:Kk 宣伝効果評価システムおよびそのシステムに適用される宣伝効果評価装置ならびにプログラムならびに広告訴求度測定装置
CN105654381A (zh) * 2015-12-28 2016-06-08 上海瀚银信息技术有限公司 业务交易额的预测系统
CN108053095A (zh) * 2017-11-22 2018-05-18 全球能源互联网研究院有限公司 一种电能质量扰动事件特征提取方法及系统
CN109104493A (zh) * 2018-09-04 2018-12-28 南京群顶科技有限公司 一种云资源池业务负载感知与自处理装置及方法
CN109978379A (zh) * 2019-03-28 2019-07-05 北京百度网讯科技有限公司 时序数据异常检测方法、装置、计算机设备和存储介质
CN110032670A (zh) * 2019-04-17 2019-07-19 腾讯科技（深圳）有限公司 时序数据的异常检测方法、装置、设备及存储介质
CN110400005A (zh) * 2019-06-28 2019-11-01 阿里巴巴集团控股有限公司 业务指标的时间序列预测方法、装置及设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112445679A (zh) * 2020-11-13 2021-03-05 上海优扬新媒信息技术有限公司 一种信息检测方法、装置、服务器及存储介质
CN112445679B (zh) * 2020-11-13 2023-01-06 度小满科技(北京)有限公司 一种信息检测方法、装置、服务器及存储介质
CN113391982A (zh) * 2021-08-17 2021-09-14 云智慧（北京）科技有限公司 一种监控数据的异常检测方法、装置及设备
CN113391982B (zh) * 2021-08-17 2021-11-23 云智慧（北京）科技有限公司 一种监控数据的异常检测方法、装置及设备
CN113783750A (zh) * 2021-08-25 2021-12-10 南方电网深圳数字电网研究院有限公司 电网指标波动异常的检测方法及装置
CN113822366A (zh) * 2021-09-29 2021-12-21 平安医疗健康管理股份有限公司 业务指标异常检测方法及装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN110889597A (zh) 业务时序指标异常检测方法及装置
US11736505B2 (en) Automated web traffic anomaly detection
CN111143102B (zh) 异常数据检测方法、装置、存储介质及电子设备
CN105721187B (zh) 一种业务故障诊断方法及装置
CN111045894B (zh) 数据库异常检测方法、装置、计算机设备和存储介质
CN110457175B (zh) 业务数据处理方法、装置、电子设备及介质
CN114465874B (zh) 故障预测方法、装置、电子设备与存储介质
CN112988509B (zh) 一种告警消息过滤方法、装置、电子设备及存储介质
CN108809734B (zh) 网络告警根源分析方法、系统、存储介质及计算机设备
CN108696486B (zh) 一种异常操作行为检测处理方法及装置
CN114338372B (zh) 网络信息安全监控方法及系统
CN113992340B (zh) 用户异常行为识别方法、装置、设备和存储介质
CN109726737A (zh) 基于轨迹的异常行为检测方法及装置
CN113746862A (zh) 一种基于机器学习的异常流量检测方法、装置和设备
CN114138601A (zh) 一种业务告警方法、装置、设备及存储介质
CN113590427A (zh) 一种监控指标异常的告警方法、装置、存储介质和设备
CN115794479B (zh) 日志数据处理方法、装置、电子设备及存储介质
CN110677271B (zh) 基于elk的大数据告警方法、装置、设备及存储介质
CN112506901A (zh) 一种数据质量测量方法、装置及介质
CN108255710B (zh) 一种脚本的异常检测方法及其终端
CN107357703B (zh) 一种终端应用耗电检测方法及服务器
CN107783942B (zh) 一种异常行为检测方法及装置
CN112398706B (zh) 数据评估标准确定方法、装置及存储介质、电子设备
CN114331688A (zh) 一种银行柜面系统业务批量运行状态检测方法及装置
CN114039837A (zh) 告警数据处理方法、装置、系统、设备和存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200317