CN110971435A - 一种报警方法及装置 - Google Patents

一种报警方法及装置 Download PDF

Info

Publication number
CN110971435A
CN110971435A CN201811159581.8A CN201811159581A CN110971435A CN 110971435 A CN110971435 A CN 110971435A CN 201811159581 A CN201811159581 A CN 201811159581A CN 110971435 A CN110971435 A CN 110971435A
Authority
CN
China
Prior art keywords
network parameter
component
historical
value
period
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
CN201811159581.8A
Other languages
English (en)
Inventor
金明浩
李学良
黑锦源
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 Kingsoft Cloud Network Technology Co Ltd
Beijing Kingsoft Cloud Technology Co Ltd
Original Assignee
Beijing Kingsoft Cloud Network Technology Co Ltd
Beijing Kingsoft Cloud Technology Co 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 Kingsoft Cloud Network Technology Co Ltd, Beijing Kingsoft Cloud Technology Co Ltd filed Critical Beijing Kingsoft Cloud Network Technology Co Ltd
Priority to CN201811159581.8A priority Critical patent/CN110971435A/zh
Publication of CN110971435A publication Critical patent/CN110971435A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供了一种报警方法及装置。所述方法包括：获取预设历史时间段内的网络参数，得到网络参数序列，然后对网络参数序列进行分解，得到历史周期分量和历史趋势分量。进而根据历史周期分量对目标时间段内的周期分量进行预测，得到目标时间段内的预测周期分量，并根据历史趋势分量对目标时间段内的趋势分量进行预测，得到目标时间段内的预测趋势分量。再而合并预测周期分量和预测趋势分量，得到目标时间段内各时刻的网络参数预测值。在检测到目标时间段内的目标时刻的网络参数检测值和目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。采用本发明可以解决CDN业务服务质量数据报警中的误报警和漏报警问题。

Description

一种报警方法及装置
技术领域
本申请涉及网络技术领域，特别是涉及一种报警方法及装置。
背景技术
内容分发网络(Content Delivery Network，CDN)是一种依靠部署在各地的节点服务器，通过中心平台的负载均衡、内容分发、调度等功能模块，使用户就近获取所需内容，降低网络拥塞，提高用户访问响应速度和命中率的网络架构。随着互联网的快速发展，用户对CDN的服务质量要求也越来越高，所以CDN服务商为了提高CDN业务服务质量，需要对CDN业务服务质量数据实时监控报警，使得CDN服务商能够根据报警信息迅速做出相应处理。
相关技术中，技术人员对节点服务器的网络参数设置阈值，当某时刻节点服务器的网络参数大于设置的阈值或者网络参数的波动程度大于设置的阈值时，输出报警信息。其中网络参数为网络流量或网络卡顿率。
网络访问量是随时间周期变化的，在每日中午和晚上，用户访问量较多，为高峰期；在每日早上和下午是工作时间，用户访问量较少，为低潮期。网络正常情况下，在高峰期时间段，由于网络访问量较大，网络参数的波动程度也就较大；在低潮时间段，由于网络访问量较小，网络参数波动程度也就较小。然而，相关技术是对网络参数波动程度统一设定固定阈值，如果阈值设定过小，因为高峰期正常网络情况下网络参数波动程度较大，会造成误报警问题；如果阈值设定过大，因为低潮期正常网络情况下网络参数波动程度较小，即使网络出现不正常现象，网络参数波动程度也不会很大，会造成漏报警问题。因此，相关的CDN业务服务质量数据报警方法存在漏报警和误报警问题。
发明内容
本申请实施例的目的在于提供一种报警方法及装置，可以解决CDN业务服务质量数据报警中的误报警和漏报警问题。技术方案如下：
第一方面，提供了一种报警方法，所述方法包括：获取预设历史时间段内的网络参数，得到网络参数序列；对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量；根据所述历史周期分量对目标时间段内的周期分量进行预测，得到所述目标时间段内的预测周期分量；根据所述历史趋势分量对所述目标时间段内的趋势分量进行预测，得到所述目标时间段内的预测趋势分量；合并所述预测周期分量和所述预测趋势分量，得到所述目标时间段内各时刻的网络参数预测值；在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
可选的，所述网络参数包括网络流量或网络卡顿率。
可选的，所述对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量，包括：提取所述网络参数序列中的历史周期分量；将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量。
可选的，所述将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量之后，所述方法还包括：对所述历史趋势分量进行去噪处理。
可选的，在所述历史周期分量包括第一历史周期分量和第二历史周期分量的情况下，对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量，包括：将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列；将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量。
可选的，所述将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列，包括：提取所述网络参数序列中的第一历史周期分量；将所述网络参数序列各时间点的数值除以所述第一历史周期分量各时间点的数值，得到所述剩余网络参数序列。
可选的，将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量，包括：提取所述剩余网络参数序列中的第二历史周期分量；将所述剩余网络参数序列各时间点的数值除以所述第二历史周期分量各时间点的数值，得到带有噪声的历史趋势分量；对所述带有噪声的历史趋势分量进行去噪处理，得到所述历史趋势分量。
可选的，所述在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息，包括以下至少之一：计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的差值的绝对值，在所述差值的绝对值大于第一预设报警阈值的情况下，输出报警信息；
计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的比值，在所述比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出所述报警信息。
第二方面，提供了一种报警装置，所述装置包括：获取模块，用于获取预设历史时间段内的网络参数，得到网络参数序列；分解模块，用于对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量；第一预测模块，用于根据所述历史周期分量对目标时间段内的周期分量进行预测，得到所述目标时间段内的预测周期分量；第二预测模块，用于根据所述历史趋势分量对所述目标时间段内的趋势分量进行预测，得到所述目标时间段内的预测趋势分量；合并模块，用于合并所述预测周期分量和所述预测趋势分量，得到所述目标时间段内各时刻的网络参数预测值；报警模块，用于在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
可选的，所述网络参数包括网络流量或网络卡顿率。
可选的，所述分解模块，包括：第一提取单元，用于提取所述网络参数序列中的历史周期分量；第一分离单元，用于将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量。
可选的，所述装置还包括去噪模块；所述去噪模块，用于对所述历史趋势分量进行去噪处理。
可选的，在所述历史周期分量包括第一历史周期分量和第二历史周期分量的情况下，所述分解模块，包括：第二分离单元，用于将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列；第三分离单元，用于将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量。
可选的，所述第二分离单元，包括：第一提取子单元，用于提取所述网络参数序列中的第一历史周期分量；第一计算子单元，用于将所述网络参数序列各时间点的数值除以所述第一历史周期分量各时间点的数值，得到所述剩余网络参数序列。
可选的，所述第三分离单元，包括：第二提取子单元，用于提取所述剩余网络参数序列中的第二历史周期分量；第二计算子单元，用于将所述剩余网络参数序列各时间点的数值除以所述第二历史周期分量各时间点的数值，得到带有噪声的历史趋势分量；去噪子单元，用于对所述带有噪声的历史趋势分量进行去噪处理，得到所述历史趋势分量。
可选的，所述报警模块，用于：计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的差值的绝对值，在所述差值的绝对值大于第一预设报警阈值的情况下，输出报警信息；或计算所述目标时刻的网络参数预测值与所述目标时刻的网络参数预测值的比值，在所述比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出所述报警信息。
第三方面，提供了一种服务器，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：实现第一方面所述的方法步骤。
第四方面，提供了一种机器可读存储介质，其特征在于，存储有机器可执行指令，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：实现第一方面所述的方法步骤。
本发明实施例提供了一种报警方法，该方法应用于服务器。服务器获取预设历史时间段内的网络参数，得到网络参数序列，然后对网络参数序列进行分解，得到历史周期分量和历史趋势分量。进而根据历史周期分量对目标时间段内的周期分量进行预测，得到目标时间段内的预测周期分量，并根据历史趋势分量对目标时间段内的趋势分量进行预测，得到目标时间段内的预测趋势分量。再而合并预测周期分量和预测趋势分量，得到目标时间段内各时刻的网络参数预测值。在检测到目标时间段内的目标时刻的网络参数检测值和目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。这样，根据各时间点的网络参数检测值和各时间点的网络参数预测值进行报警，可以对各时间点的网络参数检测值进行精确判断报警，而不是让各时间点的网络参数检测值共用一个阈值进行报警，有效的解决了CDN业务服务质量数据报警中的漏报警和误报警问题。
当然，实施本申请的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本发明实施例提供的一种报警方法流程图；
图2为本发明实施例提供的一种第一历史周期分量分离的方法流程图；
图3为本发明实施例提供的一种网络参数序列折线图；
图4为本发明实施例提供的一种第一历史周期分量折线图；
图5为本发明实施例提供的一种剩余网络参数序列折线图；
图6为本发明实施例提供的一种第二历史周期分量分离的方法流程图；
图7为本发明实施例提供的一种第二历史周期分量折线图；
图8为本发明实施例提供的一种带有噪声的趋势分量折线图。
图9为本发明实施例提供的一种报警装置结构示意图；
图10为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本发明实施例提供了一种报警方法，该方法应用于服务器。服务器获取预设历史时间段内的网络参数，得到网络参数序列，然后对网络参数序列进行分解，得到历史周期分量和历史趋势分量。进而根据历史周期分量对目标时间段内的周期分量进行预测，得到目标时间段内的预测周期分量，并根据历史趋势分量对目标时间段内的趋势分量进行预测，得到目标时间段内的预测趋势分量。再而合并预测周期分量和预测趋势分量，得到目标时间段内各时刻的网络参数预测值。在检测到目标时间段内的目标时刻的网络参数检测值和目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。这样，根据各时间点的网络参数检测值和各时间点的网络参数预测值进行报警，可以对各时间点的网络参数检测值进行精确判断报警，而不是让各时间点的网络参数检测值共用一个阈值进行报警，有效的解决了CDN业务服务质量数据报警中的漏报警和误报警问题。
如图1所示，该方法可以包括以下步骤：
步骤101，获取预设历史时间段内的网络参数，得到网络参数序列。
其中，网络参数可以包括：网络流量或网络卡顿率，但并不限于此。
在实施中，服务器获取历史时间段内的网络参数，其中，历史时间段可以根据实际情况进行设定，比如，历史时间段可以大于一周，也可以大于2周，并不限于此。上述网络参数可以是，一个节点服务器的网路参数，也可以是某一地区所有节点服务器的网络参数的参数值的总和，也可以是某一域名下的所有节点服务器的网络参数的参数值得总和，但并不限于此。例如，服务器获取CDN网络中任意一个节点服务器的网络参数；或者，服务器获取某一地区所有节点服务器的网络参数，并将获取的所有节点服务器的网络参数的参数值进行求和计算，得到一个新的网络参数；或者，服务器获取某一域名下的所有节点服务器的网络参数，并将获取的所有节点服务器的网络参数累加起来，得到一个新的网络参数。
服务器根据获取的历史时间段内的网络参数和网络参数对应的时刻，从历史时间段内的网络参数中确定出一组网络参数序列，其中，网络参数序列中的任一相邻的网络参数值之间的时间间隔可以相等，也可以是不相等，但并不限于此，以相等为例，将网络参数序列中任一相邻的网络参数值之间的时间间隔设置为5分钟，则服务器从历史时间段内的网络参数中选中一个起始时刻网络参数，从起始时刻开始每隔5分钟选取一个网络参数，将选取的网络参数按照时间顺序组成一组，得到网络参数序列。
步骤102，对网络参数序列进行分解，得到历史周期分量和历史趋势分量。
在实施中，服务器可以按照移动平均法，先分离网络参数序列中的历史趋势分量，得到历史趋势分量，然后将网络参数序列中每个时刻的网络参数值，分别除以该时刻对应的历史趋势分量参数值，得到历史周期分量。
或者，服务器利用移动平均趋势剔除法将历史周期分量从网络参数序列中分离出来，得到历史周期分量，然后，将网络参数序列中每个时刻的网络参数值，分别除以该时刻对应的历史周期节分量的参数值，得到历史趋势分量。
步骤103，根据历史周期分量对目标时间段内的周期分量进行预测，得到目标时间段内的预测周期分量。
在实施中，周期分量在不同周期相同时间位置的参数值可以是相等的。比如，第一个周期第一时间位置的周期分量参数值与第3个周期第一时间位置的周期分量参数值相等。服务器获取目标时间段某一时刻在周期中的时间位置，然后将历史周期分量某一周期相应时间位置的参数值，作为目标时间段该时刻的预测周期分量值。例如，假设历史周期分量是一个以天为周期的周期分量，历史周期分量中一天各时刻的参数值为{j1,j2,j3...jn}，其中n为一天的时刻数，目标时间段为两天，则目标时间段内的预测周期分量为
Figure BDA0001819711970000071
其中k表示天，n为一天的时刻数，
Figure BDA0001819711970000072
如果历史周期分量的数目为多个，基于上述方式，服务器可以分别确定各个历史周期分量的预测周期分量。
步骤104，根据历史趋势分量对目标时间段内的趋势分量进行预测，得到目标时间段内的预测趋势分量。
在实施中，服务器对历史趋势分量进行拟合曲线，获得趋势分量函数，将目标时间段内各时刻代入到趋势分量函数，即可得到目标时间段的预测趋势分量。
步骤105，合并预测周期分量和预测趋势分量，得到目标时间段内各时刻的网络参数预测值。
在实施中，服务器将目标时间段内各时刻的预测周期分量参数值和预测趋势分量参数值相乘，得到目标时间段内各时刻的网络参数预测值。例如，假设目标时间段内，预测周期分量为{rj1,rj2,rj3,…,rjn}，预测趋势分量为{q1,q2,q3,…,qn}，其中n表示目标时间段内的各时刻，则目标时间段内各时刻的网络参数预测值为{rj1**q1,rj2*q2,rj3*q3,…,rjn*qn}。
步骤106，在检测到目标时间段内的目标时刻的网络参数检测值和目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
在实施中，服务器可以获取目标时刻的网络参数检测值，在检测到目标时刻的网络参数检测值和目标时刻的参数预测值满足预设报警条件的情况下时，输出报警信息。
这样，根据各时间点的网络参数检测值和各时间点的网络参数预测值进行报警，可以对各时间点的网络参数检测值进行精确判断报警，而不是让各时间点的网络参数检测值共用一个阈值进行报警，有效的解决了CDN业务服务质量数据报警中的漏报警和误报警问题。
可选的，在检测到目标时间段内的目标时刻的网络参数检测值和目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息的具体处理方式可以是多种多样的，本实施例提供了两种可能的实现方式：
方式一：计算目标时刻的网络参数检测值与目标时刻的网络参数预测值的差值的绝对值，在计算的差值的绝对值大于第一预设报警阈值的情况下，输出报警信息。在实施中，服务器获取目标时刻的网络参数检测值，然后计算目标时刻的网络参数检测值与目标时刻的网络参数预测值的比值在计算的差值的绝对值大于第一预设报警阈值的情况下，输出报警信息。
方式二：计算目标时刻的网络参数检测值与目标时刻的网络参数预测值的比值，在计算的比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出报警信息。在实施中，服务器获取目标时刻的网络参数检测值，然后计算目标时刻的网络参数检测值与目标时刻的网络参数预测值的比值。在计算的比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出报警信息。
可选的，本发明实施例提供了一种对网络参数序列进行分解，得到历史周期分量和历史趋势分量的实施方式，具体处理过程可以为：提取网络参数序列中的历史周期分量，然后将网络参数序列各时间点的数值除以历史周期分量各时间点的数值，得到历史趋势分量。
在实施中，服务器可以通过移动平均趋势剔除算法提取网络参数序列中的历史周期分量，然后将网络参数序列各时间点的数值除以历史周期分量各时间点的数值，得到历史趋势分量。
可选的，在将网络参数序列各时间点的数值除以历史周期分量各时间点的数值，得到历史趋势分量之后，可以对历史趋势分量进行去噪处理。例如，通过高斯去噪算法对历史趋势分量进行去噪处理。
可选的，本发明实施例提供了另一种对网络参数序列进行分解，得到历史周期分量和历史趋势分量的实施方式，其中，历史周期分量包括第一历史周期分量和第二历史周期分量，具体处理过程可以为：将周期为第一周期的周期分量从网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列，然后将周期为第二周期的周期分量从剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量。
在实施中，服务器可以按照预设第一分离算法将周期为第一周期的周期分量从网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列，具体的分离算法可以采用现有技术中的分离算法，比如移动平均趋势剔除法，具体的分离过程后续会进行详细说明。然后服务器可以按照预设第二分离算法将周期为第二周期的周期分量从剩余网络参数序列中分离出来，得到第二历史周期分量和剩余网络参数序列，具体的分离算法可以采用现有技术中的分离算法，比如移动平均趋势剔除法，具体的分离过程后续会进行详细说明。
可选的，参见图2，将周期为第一周期的周期分量从网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列，具体处理步骤如下：
步骤201，提取网络参数序列中的第一历史周期分量。
在实施中，服务器计算网络参数序列中各时刻的中心化移动平均值，例如，假设网络参数序列在tn时刻的网络参数值为wn，tn-1时刻的网络参数值为wn-1,tn-2时刻的网络参数值为wn-2，tn+1时刻的网络参数值为wn+1，tn+2时刻的网络参数值为wn+2，则tn时刻的中心化移动平均值为zn，可由公式(1)计算得出。
Figure BDA0001819711970000101
服务器根据计算的各时刻的网络参数中心化移动平均值，计算各时刻的网络参数和中心化移动平均值的比值，得到各时刻的季节比率。例如，假设tn时刻的网络参数为wn、tn时刻的网络参数中心化移动平均值为zn，则tn时刻的网络参数季节比率为bn＝wn/zn。
服务器计算第一周期中各时刻的季节指数，比如，第一周期为日，计算一日中各时刻的季节指数。例如，假设网络参数季节比率为
Figure BDA0001819711970000102
其中，m为第一周期的个数，n为第一周期中的时刻数，
Figure BDA0001819711970000105
为第m个第一周期第n时刻的网络参数季节比率，则第一周期内各时刻的季节指数为{j1,j2,j3,j3,...,ji,...,jn}，ji为第一周期的第i时刻的季节指数，n为第一周期中的时刻数，则ji可以通过公式(2)和公式(3)计算得出。
Figure BDA0001819711970000103
Figure BDA0001819711970000104
其中，i表示第一周期中的第i时刻。
服务器根据计算的季节指数确定第一历史周期分量，第一历史周期分量是一个周期为第一周期的周期分量，其中一个周期的第一历史周期分量值为{j1,j2,j3...jn}。例如，网络参数序列的折线图如图3所示，那么根据本步骤得到的日周期季节分量的折线图如图4所示。其中，图3的横坐标表示时间，纵坐标表示网络参数值；图4的横坐标表示时间，纵坐标表示第一历史周期分量参数值。
步骤202，将网络参数序列各时间点的数值除以第一历史周期分量各时间点的数值，得到剩余网络参数序列。
在实施中，服务器将网络参数序列各时间点的数值除以第一历史周期分量各时间点的数值，得到剩余时间序列。例如，假设网络参数序列各网络参数为
Figure BDA0001819711970000111
其中，m为第一周期的个数，n为第一周期中的时刻数，第一历史周期分量为{j1,j2,j3...jn}，则剩余网络参数序列为
Figure BDA0001819711970000112
Figure BDA0001819711970000113
例如，网络参数序列的折线图如图3所示，第一历史周期分量的折线图如图4所示，那么根据本步骤得到的剩余网络参数序列的折线图如图5所示。其中，图5的横坐标表示时间，纵坐标表示剩余网络参数值。
可选的，参见图6，将周期为第二周期的周期分量从剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量，具体处理步骤如下：
步骤601，提取剩余网络参数序列中的第二历史周期分量。
在实施中，服务器计算剩余网络参数序列中各时刻的中心化移动平均值，例如，假设剩余网络参数序列在tn时刻的剩余网络参数值为swn，tn-1时刻的剩余网络参数值为swn-1,tn-2时刻的剩余网络参数值为swn-2，tn+1时刻的网络参数值为swn+1，tn+2时刻的网络参数值为swn+2，则tn时刻的中心化移动平均值为son，可由公式(4)计算得出。
Figure BDA0001819711970000114
服务器根据计算的各时刻的剩余网络参数中心化移动平均值，计算各时刻剩余网络参数和中心化移动平均值的比值，得到各时刻的季节比率。例如，假设tn时刻的网络参数为sewn、tn时刻的剩余网络参数中心化移动平均值为sin，则tn时刻的剩余网络参数季节比率为sin＝sun/sank。
服务器计算第二周期各时刻的季节指数。比如，第二周期为周，计算一周中各时刻的季节指数。例如，假设剩余网络参数序列中各剩余网络参数的季节比率为
Figure BDA0001819711970000115
其中，sm为第二周期的个数，zn为第二周期中的时刻数，
Figure BDA0001819711970000116
为第sm个第二周期第sn时刻的网络参数季节比率，则第二周期内各时刻的季节指数为{sj1,sj2,sj3,...,sji,...,sjsn}，sji为第二周期内第i时刻的季节指数，sn为第二周期内的时刻数，则sji可以通过公式(5)和公式(6)计算得出。
Figure BDA0001819711970000121
Figure BDA0001819711970000122
其中，i表示第二周期中的第i时刻。
服务器根据计算的季节指数确定第二历史周期分量，第二历史周期分量是一个以第二周期为周期的周期分量，其中一个周期的第二历史周期分量值为{sj1,sj2,sj3...sjsn}。例如，剩余网络参数序列的折线图如图5所示，那么根据本步骤得到的第二周期分量的折线图如图7所示。其中，图7的横坐标表示时间，纵坐标表示第二历史周期分量参数值。
步骤602，将剩余网络参数序列各时间点的数值除以第二历史周期分量各时间点的数值，得到带有噪声的历史趋势分量。
在实施中，服务器将剩余网络参数序列中各时间点的参数值除以各时间点对应的第二历史周期分量参数值，得到带有噪声的历史趋势分量。例如，假设剩余网络参数序列各时刻的剩余网络参数值为
Figure BDA0001819711970000123
Figure BDA0001819711970000124
其中，sm为第二周期的个数，sn为第二周期中的时刻数，第二历史周期分量为{sj1,sj2,sj3...sjsn}，则带有噪声的历史趋势分量为
Figure BDA0001819711970000125
Figure BDA0001819711970000126
例如，剩余网络参数序列的折线图如图5所示，第二历史周期分量的折线图如图7所示，那么根据本步骤得到的带有噪声的趋势分量折线图如图8所示。其中，图8的横坐标表示时间，纵坐标表示带有噪声的趋势分量参数值。
步骤603，对带有噪声的历史趋势分量进行去噪处理，得到历史趋势分量。
在实施中，服务器按照预设去噪算法对带有噪声的历史趋势分量进行去噪处理，消除带有噪声的历史趋势分量的异常数值，得到历史趋势分量。具体的去噪算法可以采用现有技术的中的去噪算法，比如，高斯去噪算法。服务器将带有噪声的历史趋势分量按照时间分成N等份区间，将每一个区间内的历史趋势分量数据的分布作为一个正态分布模型，计算各区间的历史趋势分量数据的均值μ和标准差σ，然后，针对每一区间，如果该区间的历史趋势分量数据的标准差σ大于预设收敛阈值，则将与均值μ的差值大于预设误差阈值的历史趋势分量值去除，如果标准差σ大于预设收敛阈值，则该区间的历史趋势分量数据去噪完成。
这样，根据各时间点的网络参数检测值和各时间点的网络参数预测值进行报警，可以对各时间点的网络参数检测值进行精确判断报警，而不是让各时间点的网络参数检测值共用一个阈值进行报警，有效的解决了CDN业务服务质量数据报警中的漏报警和误报警问题。
需要说明的是，上述第一周期可以小于上述第二周期，比如第一周期可以是天，第二周期可以是周；但并不限于此；比如第一周期可以是时，第二周期可以是天等。
基于相同的技术构思，如图9所示，本发明实施例还提供了一种报警装置，装置包括：
获取模块901，用于获取预设历史时间段内的网络参数，得到网络参数序列；
分解模块902，用于对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量；
第一预测模块902，用于根据所述历史周期分量对目标时间段内的周期分量进行预测，得到所述目标时间段内的预测周期分量；
第二预测模块903，用于根据所述历史趋势分量对所述目标时间段内的趋势分量进行预测，得到所述目标时间段内的预测趋势分量；
合并模块904，用于合并所述预测周期分量和所述预测趋势分量，得到所述目标时间段内各时刻的网络参数预测值；
报警模块905，用于在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
可选的，所述网络参数包括网络流量或网络卡顿率。
可选的，所述分解模块902，包括：
第一提取单元，用于提取所述网络参数序列中的历史周期分量；
第一分离单元，用于将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量。
可选的，所述装置还包括去噪模块；
所述去噪模块，用于对所述历史趋势分量进行去噪处理。
可选的，在所述历史周期分量包括第一历史周期分量和第二历史周期分量的情况下，所述分解模块902，包括：
第二分离单元，用于将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列；
第三分离单元，用于将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量。
可选的，所述第二分离单元，包括：
第一提取子单元，用于提取所述网络参数序列中的第一历史周期分量；
第一计算子单元，用于将所述网络参数序列各时间点的数值除以所述第一历史周期分量各时间点的数值，得到所述剩余网络参数序列。
可选的，所述第三分离单元，包括：
第二提取子单元，用于提取所述剩余网络参数序列中的第二历史周期分量；
第二计算子单元，用于将所述剩余网络参数序列各时间点的数值除以所述第二历史周期分量各时间点的数值，得到带有噪声的历史趋势分量；
去噪子单元，用于对所述带有噪声的历史趋势分量进行去噪处理，得到所述历史趋势分量。
可选的，所述报警模块905，用于：
计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的差值的绝对值，在所述差值的绝对值大于第一预设报警阈值的情况下，输出报警信息；
或
计算所述目标时刻的网络参数预测值与所述目标时刻的网络参数预测值的比值，在所述比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出所述报警信息。
这样，根据各时间点的网络参数检测值和各时间点的网络参数预测值进行报警，可以对各时间点的网络参数检测值进行精确判断报警，而不是让各时间点的网络参数检测值共用一个阈值进行报警，有效的解决了CDN业务服务质量数据报警中的漏报警和误报警问题。
需要说明的是，上述装置可以位于服务器中，但并不限于此。
本发明实施例还提供了一种服务器，如图10所示，包括处理器1001、通信接口1002、存储器1002和通信总线1003，其中，处理器1001，通信接口1002，存储器1002通过通信总线1003完成相互间的通信，
存储器1002，用于存放计算机程序；
处理器1001，用于执行存储器1002上所存放的程序时，以使该节点设备执行如下步骤，该步骤包括：
获取预设历史时间段内的网络参数，得到网络参数序列；
对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量；
根据所述历史周期分量对目标时间段内的周期分量进行预测，得到所述目标时间段内的预测周期分量；
根据所述历史趋势分量对所述目标时间段内的趋势分量进行预测，得到所述目标时间段内的预测趋势分量；
合并所述预测周期分量和所述预测趋势分量，得到所述目标时间段内各时刻的网络参数预测值；
在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
可选的，所述网络参数包括网络流量或网络卡顿率。
可选的，所述对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量，包括：
提取所述网络参数序列中的历史周期分量；
将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量。
可选的，所述将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量之后，所述方法还包括：
对所述历史趋势分量进行去噪处理。
可选的，在所述历史周期分量包括第一历史周期分量和第二历史周期分量的情况下，对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量，包括：
将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列；
将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量。
可选的，所述将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列，包括：
提取所述网络参数序列中的第一历史周期分量；
将所述网络参数序列各时间点的数值除以所述第一历史周期分量各时间点的数值，得到所述剩余网络参数序列。
可选的，将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量，包括：
提取所述剩余网络参数序列中的第二历史周期分量；
将所述剩余网络参数序列各时间点的数值除以所述第二历史周期分量各时间点的数值，得到带有噪声的历史趋势分量；
对所述带有噪声的历史趋势分量进行去噪处理，得到所述历史趋势分量。
可选的，所述在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息，包括以下至少之一：
计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的差值的绝对值，在所述差值的绝对值大于第一预设报警阈值的情况下，输出报警信息；
或
计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的比值，在所述比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出所述报警信息。
这样，根据各时间点的网络参数检测值和各时间点的网络参数预测值进行报警，可以对各时间点的网络参数检测值进行精确判断报警，而不是让各时间点的网络参数检测值共用一个阈值进行报警，有效的解决了CDN业务服务质量数据报警中的漏报警和误报警问题。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一报警方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一报警方法的步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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 (10)

1.一种报警方法，其特征在于，所述方法包括：
获取预设历史时间段内的网络参数，得到网络参数序列；
对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量；
根据所述历史周期分量对目标时间段内的周期分量进行预测，得到所述目标时间段内的预测周期分量；
根据所述历史趋势分量对所述目标时间段内的趋势分量进行预测，得到所述目标时间段内的预测趋势分量；
合并所述预测周期分量和所述预测趋势分量，得到所述目标时间段内各时刻的网络参数预测值；
在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
2.根据权利要求1所述的方法，其特征在于，所述对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量，包括：
提取所述网络参数序列中的历史周期分量；
将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量。
3.根据权利要求2所述的方法，其特征在于，所述将所述网络参数序列各时间点的数值除以所述历史周期分量各时间点的数值，得到历史趋势分量之后，所述方法还包括：
对所述历史趋势分量进行去噪处理。
4.根据权利要求1所述的方法，其特征在于，在所述历史周期分量包括第一历史周期分量和第二历史周期分量的情况下，所述对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量，包括：
将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列；
将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和所述历史趋势分量。
5.根据权利要求4所述的方法，其特征在于，所述将周期为第一周期的周期分量从所述网络参数序列中分离出来，得到第一历史周期分量和剩余网络参数序列，包括：
提取所述网络参数序列中的第一历史周期分量；
将所述网络参数序列各时间点的数值除以所述第一历史周期分量各时间点的数值，得到所述剩余网络参数序列。
6.根据权利要求4所述的方法，其特征在于，所述将周期为第二周期的周期分量从所述剩余网络参数序列中分离出来，得到第二历史周期分量和历史趋势分量，包括：
提取所述剩余网络参数序列中的第二历史周期分量；
将所述剩余网络参数序列各时间点的数值除以所述第二历史周期分量各时间点的数值，得到带有噪声的历史趋势分量；
对所述带有噪声的历史趋势分量进行去噪处理，得到所述历史趋势分量。
7.根据权利要求1所述方法，所述在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息，包括以下至少之一：
计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的差值的绝对值，在所述差值的绝对值大于第一预设报警阈值的情况下，输出所述报警信息；
计算所述目标时刻的网络参数检测值与所述目标时刻的网络参数预测值的比值，在所述比值与常数1的差值的绝对值大于第二预设报警阈值的情况下，输出所述报警信息。
8.一种报警装置，其特征在于，所述装置包括：
获取模块，用于获取预设历史时间段内的网络参数，得到网络参数序列；
分解模块，用于对所述网络参数序列进行分解，得到历史周期分量和历史趋势分量；
第一预测模块，用于根据所述历史周期分量对目标时间段内的周期分量进行预测，得到所述目标时间段内的预测周期分量；
第二预测模块，用于根据所述历史趋势分量对所述目标时间段内的趋势分量进行预测，得到所述目标时间段内的预测趋势分量；
合并模块，用于合并所述预测周期分量和所述预测趋势分量，得到所述目标时间段内各时刻的网络参数预测值；
报警模块，用于在检测到所述目标时间段内的目标时刻的网络参数检测值和所述目标时刻的网络参数预测值满足预设报警条件的情况下，输出报警信息。
9.一种服务器，其特征在于，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：实现权利要求1-7任一所述的方法步骤。
10.一种机器可读存储介质，其特征在于，存储有机器可执行指令，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：实现权利要求1-7任一所述的方法步骤。
CN201811159581.8A 2018-09-30 2018-09-30 一种报警方法及装置 Pending CN110971435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811159581.8A CN110971435A (zh) 2018-09-30 2018-09-30 一种报警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811159581.8A CN110971435A (zh) 2018-09-30 2018-09-30 一种报警方法及装置

Publications (1)

Publication Number Publication Date
CN110971435A true CN110971435A (zh) 2020-04-07

Family

ID=70028933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811159581.8A Pending CN110971435A (zh) 2018-09-30 2018-09-30 一种报警方法及装置

Country Status (1)

Country Link
CN (1) CN110971435A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463531A (zh) * 2020-11-24 2021-03-09 中国建设银行股份有限公司 一种文件传输预警方法、装置、设备及存储介质
CN112965876A (zh) * 2021-03-10 2021-06-15 中国民航信息网络股份有限公司 一种监控报警方法及装置
CN116708135A (zh) * 2023-08-08 2023-09-05 中国电信股份有限公司 网络业务故障监测方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137830A1 (en) * 2003-12-23 2005-06-23 Ralph Moessner Outlier correction with a median method
CN106875027A (zh) * 2016-06-06 2017-06-20 阿里巴巴集团控股有限公司 资源请求值的预测方法及装置、交易量的预测方法
CN106874280A (zh) * 2015-12-10 2017-06-20 博雅网络游戏开发（深圳）有限公司 异常数据的报警方法和装置
CN107391341A (zh) * 2017-07-21 2017-11-24 郑州云海信息技术有限公司 一种故障预警方法及装置
CN108462603A (zh) * 2018-01-03 2018-08-28 全球能源互联网研究院有限公司 电力信息网络流量数据的预测、网络升级的方法及装置
US20180248939A1 (en) * 2017-02-27 2018-08-30 University Of Electronic Science And Technology Of China Energy-saving deployment method of virtual cdn

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050137830A1 (en) * 2003-12-23 2005-06-23 Ralph Moessner Outlier correction with a median method
CN106874280A (zh) * 2015-12-10 2017-06-20 博雅网络游戏开发（深圳）有限公司 异常数据的报警方法和装置
CN106875027A (zh) * 2016-06-06 2017-06-20 阿里巴巴集团控股有限公司 资源请求值的预测方法及装置、交易量的预测方法
US20180248939A1 (en) * 2017-02-27 2018-08-30 University Of Electronic Science And Technology Of China Energy-saving deployment method of virtual cdn
CN107391341A (zh) * 2017-07-21 2017-11-24 郑州云海信息技术有限公司 一种故障预警方法及装置
CN108462603A (zh) * 2018-01-03 2018-08-28 全球能源互联网研究院有限公司 电力信息网络流量数据的预测、网络升级的方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112463531A (zh) * 2020-11-24 2021-03-09 中国建设银行股份有限公司 一种文件传输预警方法、装置、设备及存储介质
CN112965876A (zh) * 2021-03-10 2021-06-15 中国民航信息网络股份有限公司 一种监控报警方法及装置
CN116708135A (zh) * 2023-08-08 2023-09-05 中国电信股份有限公司 网络业务故障监测方法、装置、电子设备及存储介质
CN116708135B (zh) * 2023-08-08 2023-11-07 中国电信股份有限公司 网络业务故障监测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109558295B (zh) 一种性能指标异常检测方法及装置
CN109587001B (zh) 一种性能指标异常检测方法及装置
CN106685750B (zh) 系统异常检测方法和装置
CN110008080B (zh) 基于时间序列的业务指标异常检测方法、装置和电子设备
CN110971435A (zh) 一种报警方法及装置
CN111309539A (zh) 一种异常监测方法、装置和电子设备
CN110083475B (zh) 一种异常数据的检测方法及装置
CN108306846B (zh) 一种网络访问异常检测方法及系统
CN112835769A (zh) 一种业务数据异常诊断方法、装置、设备及存储介质
CN110874674A (zh) 一种异常检测方法、装置及设备
CN111506625A (zh) 一种告警阈值确定方法及装置
CN111740865B (zh) 一种流量波动趋势预测方法、装置及电子设备
CN113765895B (zh) 一种直播间的审核方法及装置
CN112131081B (zh) 一种故障报警参数调整方法、装置、电子设备及存储介质
WO2017082782A1 (en) Managing network alarms
CN112152833B (zh) 一种网络异常报警方法、装置及电子设备
CN111835536B (zh) 一种流量预测方法和装置
CN109740621B (zh) 一种视频分类方法、装置及设备
CN110046179B (zh) 一种报警维度的挖掘方法、装置及设备
CN109410198B (zh) 一种时序动作检测方法、装置及设备
CN111092849B (zh) 基于流量的分布式拒绝服务的检测方法及装置
CN111932348B (zh) 针对异常订单的报警方法、装置、电子设备和可读介质
CN111601329B (zh) 一种端口中断告警的处理方法及装置
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
CN111666535B (zh) 确定用户活跃时长的方法、装置、电子设备及存储介质

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

Application publication date: 20200407

RJ01 Rejection of invention patent application after publication