CN111177505A - 指标异常检测模型的训练方法、推荐的方法及装置 - Google Patents
指标异常检测模型的训练方法、推荐的方法及装置 Download PDFInfo
- Publication number
- CN111177505A CN111177505A CN201911410820.7A CN201911410820A CN111177505A CN 111177505 A CN111177505 A CN 111177505A CN 201911410820 A CN201911410820 A CN 201911410820A CN 111177505 A CN111177505 A CN 111177505A
- Authority
- CN
- China
- Prior art keywords
- cluster
- kpi
- standardized
- curve
- baseline
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000012549 training Methods 0.000 title claims abstract description 85
- 230000005856 abnormality Effects 0.000 claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005314 correlation function Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011524 similarity measure Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 18
- 230000008569 process Effects 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供指标异常检测模型的训练方法、推荐的方法及装置。该训练方法包括：获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线；分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；分别对每个KPI基线使用标准化Z‑Score算法处理，得到每个KPI基线对应的标准化曲线；基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型。能够有效降低模型训练的训练开销，更好的适用于运维系统云化后产生的大量的指标数据。
Description
技术领域
本发明实施例涉及大数据处理领域，尤其涉及指标异常检测模型的训练方法、推荐的方法及装置。
背景技术
目前运营商内部互联网技术(Internet Technology，IT)运行维护系统(以下简称运维系统)相关的关键绩效指标(Key Performance Indicator，KPI)在检测的过程，部分实现了不需要人工设置阈值，而基于人工智能(Artificial Intelligence，AI)算法模型进行阈值检测。
虽然通过人工智能算法模型自动生成阈值，在一定程度上减少人工设置阈值的工作，但是，现有的指标异常检测过程需要对每一个指标数据都需要对应的训练相应的异常检测算法模型，这导致训练过程繁杂且模型训练开销大。
发明内容
本发明实施例提供了一种指标异常检测模型的训练方法、推荐的方法及装置，能够有效降低模型训练的复杂程度，更好的适用于运维系统云化后产生的大量的指标数据。
第一方面，本发明提供一种指标异常检测模型的训练方法，该方法包括：获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线；
分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；
分别对每个KPI基线使用标准化Z-Score算法处理，得到每个KPI基线对应的标准化曲线；
基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；其中，至少一个类簇的每个类簇中包括多条标准化曲线；
针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
在第一方面的一些可实现方式中，得到训练好的每个类簇对应的指标异常检测模型之后，还包括：获取每个类簇的聚类中心曲线；
建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系。
第一方面的一些可实现方式中，基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇之前，还包括：计算所有标准化曲线中的任意两条标准化曲线的相似度；
对每条标准化曲线进行聚类处理，得到至少一个类簇，具体包括：根据任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。
在第一方面的一些可实现方式中，计算所有标准化曲线中的任意两条标准化曲线的相似度，具体包括：基于互相关函数的相似度度量SBD，计算所有标准化曲线中的任意两条标准化曲线的相似度度量值。
在第一方面的一些可实现方式中，获取每个类簇的聚类中心曲线，具体包括：
每个类簇的聚类中心曲线分别由聚类中心的计算公式获得，聚类中心计算公式为：
其中，clusteri为第i个类簇，SBD(X,Y)为第一标准化曲线X和第二标准化曲线Y的相似度度量值，Centroid为聚类中心曲线。
第二方面，本发明提供一种指标异常检测模型的推荐方法，该方法包括：获取待检测的关键绩效指标KPI曲线；
提取待检测的KPI曲线的基线，得到待检测的KPI曲线对应的KPI基线；
对KPI基线使用标准化Z-Score算法处理，得到KPI基线对应的标准化KPI基线；
基于标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定标准化KPI基线对应的目标类簇；
根据目标类簇以及预先建立的类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系，确定标准化KPI基线的目标指标异常检测模型；
推荐目标指标异常检测模型。
在第二方面的一些可实现方式中，基于标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定标准化KPI基线对应的目标类簇，具体包括：基于互相关函数的相似度度量SBD，计算标准化KPI基线与至少一个类簇的每个类簇的聚类中心曲线的相似度度量值；
将满足预设条件的相似度度量值对应的聚类中心曲线对应的类簇确定为标准化KPI基线的目标类簇。
第三方面，本发明提供一种指标异常检测模型的训练装置，该装置包括：样本获取模块，用于获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线；
第一基线提取模块，用于分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；
第一基线处理模块，用于分别对每个KPI基线使用标准化Z-Score算法处理，得到每个KPI基线对应的标准化曲线；
聚类模块，用于基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；其中，至少一个类簇的每个类簇中包括多条标准化曲线；
训练模块，用于针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
在第三方面的一些可实现方式中，装置还包括关联模块；关联模块用于获取每个类簇的聚类中心曲线；建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系。
在第三方面的一些可实现方式中，聚类模块包括计算子模块；
计算子模块用于计算所有标准化曲线中的任意两条标准化曲线的相似度；还用于根据任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。
第四方面，本发明提供一种指标异常检测模型的推荐装置，该装置包括：指标获取模块，用于获取待检测的关键绩效指标KPI曲线；
第二基线提取模块，用于提取待检测的KPI曲线的基线，得到待检测的KPI曲线对应的KPI基线；
第二基线处理模块，用于对KPI基线使用标准化Z-Score算法处理，得到KPI基线对应的标准化KPI基线；
类簇确定模块，用于基于标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定标准化KPI基线对应的目标类簇；
模型确定模块，用于根据目标类簇以及预先建立的类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系，确定标准化KPI基线的目标指标异常检测模型；
模型推荐模块，用于推荐目标指标异常检测模型。
第五方面，本发明提供一种指标异常检测设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中所述的指标异常检测模型的训练方法或第二方面或者第二方面任一可实现方式中所述的指标异常检测模型的推荐方法。
第六方面，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中所述的指标异常检测模型的训练方法或第二方面或者第二方面任一可实现方式中所述的指标异常检测模型的推荐方法。
本发明实施例提供的指标异常检测模型的训练方法，在获取到运维系统的关键绩效指标KPI曲线之后，通过分别提取每个KPI曲线的基线，然后再对每个KPI曲线的基线的标准化处理，进一步的再通过相似性和聚类分析处理，找出各KPI曲线的相似性，获得不同类别的KPI曲线类簇，利用分类后的KPI曲线类簇中的曲线训练相关性能指标的异常检测模型，由于分类后的KPI曲线类簇包含多条同类别KPI曲线，因此无需针对每个指标数据训练相应的异常检测算法，从而有效降低针对每一个指标数据都对应的训练相应的异常检测算法模型的训练工作量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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是本发明实施例提供的一种指标异常检测模型的训练方法的流程示意图；
图2(a)示出了本发明实施例提供的标准化前的时间序列曲线X和时间序列Y；
图2(b)示出了本发明实施例提供的标准化后的时间序列曲线X和时间序列Y；
图3是本发明实施例提供的一种指标异常检测模型推荐方法的流程示意图；
图4是本发明实施例提供的一种指标异常检测模型的训练及推荐方法的流程示意图；
图5是本发明实施例提供的一种指标异常检测模型的训练装置的结构示意图；
图6是本发明实施例提供的一种指标异常检测模型的推荐装置的结构示意图；
图7是本发明实施例提供的一种指标异常检测设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
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……”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。
目前运营商内部互联网技术(Internet Technology，IT)运行维护系统(以下简称运维系统)相关的关键绩效指标(Key Performance Indicator，KPI)在检测的过程，通过基于人工智能(Artificial Intelligence，AI)算法模型自动生成阈值，虽然通过人工智能算法模型自动生成阈值，在一定程度上减少人工设置阈值的工作，但是，现有的指标异常检测过程需要对每一个指标数据都需要对应的训练相应的异常检测算法模型，这导致训练过程繁杂且模型训练开销大。
常规分类方法下，在未标记数据加入类簇时，需要计算未标记数据与类簇中每一条数据曲线计算距离，计算工作量大，占用资源多。并且需要对指标业务含义非常熟悉，才能通过数据特征标记，才能进行分类，而且可能存在遗漏标记的问题。使用机器学习模型对性能指标进行异常检测，对运维人员的专业门槛较高，一般运维人员往往无法选择合适的算法模型对指标进行检测。此外，目前对运维系统的关键性能指标的检测都需要指定具体的算法模型并利用历史数据进行训练调参，模型训练调参开销大，不适合业务系统云化后产生的大量KPI指标异常检测。
针对于此，本发明实施例提供的指标异常检测模型的训练方法，通过对运维系统的关键绩效指标KPI曲线的标准化处理，进一步的再通过相似性和聚类分析处理，找出各KPI曲线的相似性，获得不同类别的KPI曲线类簇，利用分类后的KPI曲线类簇中的曲线训练相关性能指标的异常检测模型，由于分类后的KPI曲线类簇包含多条同类别KPI曲线，因此无需针对每个指标数据训练相应的异常检测算法，从而有效降低针对每一个指标数据都需要对应的训练相应的异常检测算法模型的训练工作量。
下面结合附图对本发明实施例所提供的指标异常检测模型的训练方法进行介绍。
图1是本发明实施例提供的一种指标异常检测模型的训练方法的流程示意图；如图1所示，该指标异常检测模型的训练主要可以包括以下步骤：
S101、获取第一样本数据集；
具体的，获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线。
S102、分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；
具体的，由于每个KPI曲线可被视为一条平滑的基线和许多随机噪声组成，也就是说，获取得到的每个KPI曲线可能存在的噪声和异常值，因此，KPI曲线需要平滑一些极端异常值。
在一些实施例中，对于噪声和异常较少的曲线，即使某些正常值被去除，它们仍会被其他正常值插值填充，从而不会影响到KPI曲线的潜在模式。其中，每个KPI曲线对应的平滑的基线可以用来表征曲线的正常模式。
作为一个具体的示例，在KPI曲线上可以使用一个小的滑动窗口做滑动平均，将曲线分为基线与余项两部分。
作为一个具体的示例，对于时间序列KPI曲线T＝(x1,x2,x3,…,xm)，应用大小为W的滑动窗口，步长为1。
KPI曲线T的基线B可表示为：
余项R可表示为：
其中，由上述方法得到的基线B去除了原本KPI曲线T上的噪声和异常值，同时保留了原本KPI曲线T的模式特征。
S103、分别对每个KPI基线使用标准化Z-Score算法处理，得到每个KPI基线对应的标准化曲线；
在一些实施例中，对每个KPI基线进行标准化(Standardization)处理，通过使用标准化Z-Score算法，对时间序列KPI曲线进行处理，获得值为0方差为1的时间序列KPI标准化曲线。
对于时间序列第i个时间点xi进行标准化处理后为xi′，其中，用于标准化处理的公式，如公式(1)所示：
其中，
在一些实施例中，通过标准化的曲线，运维系统不同情况或应用产生的时间序列之间的振幅差异，从而能够比较运维系统不同情况或应用的时间序列之间的相似性。
作为一个具体的示例，如图2(a)示出了本发明实施例提供的标准化前的时间序列X和时间序列Y；图2(b)示出了本发明实施例提供的标准化后的时间序列X和时间序列Y。
如图2(a)和图2(b)所示，对于时间序列X和时间序列Y，有相似的变化趋势和形状，但是由于时间序列曲线X和时间序列Y之间数值存在着一定差值，可能会匹配失败，但时间序列曲线X和时间序列Y经标准化处理后，标准化后的时间序列曲线X和时间序列Y会更加相似，匹配成功率也会更高。
S104、基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；
具体的，基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇之前，计算所有标准化曲线中的任意两条标准化曲线的相似度。
在一些实施例中，计算所有标准化曲线中的任意两条标准化曲线的相似度，具体包括：基于互相关函数的相似度度量SBD，计算所有标准化曲线中的任意两条标准化曲线的相似度度量值。
作为一个具体的示例，对于时间序列X(x1,x2,x3,…,xn)及时间序列Y(y1,y2,y3,…,yn)，两序列间的存在时延为s的关系，两条时间序列曲线相似度的SBD距离算法如下所示：
SBD(X,Y)＝1-NCC(X,Y)(4)
其中，CCS(X,Y)为序列X，Y的互相关系数，NCC为序列X，Y的标准化互相关系数。
作为一个具体的示例，可选的，NCC的值域为[-1,1]，对应的SBD的值域为[0,2]。
作为一个具体的示例，SBD值越小，说明序列X,Y越相似，当SBD为0时，说明序列X,Y波动曲线一致，为同一序列。
基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；其中，至少一个类簇的每个类簇中包括多条标准化曲线。
进一步的，根据任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。
基于SBD距离的指标聚类，不仅避免了指标的振幅和相位偏移影响，且对于有关联关系但曲线走势完全相反的两条曲线也很好的适配，因此，基于SBD距离的指标聚类方法还具备效率高，占用资源少等特点。
S105、针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型；直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
具体的，针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
具体的，每个类簇的聚类中心曲线分别由聚类中心的计算公式获得，聚类中心计算公式为：
其中，clusteri为第i个类簇，SBD(X,Y)为第一标准化曲线X和第二标准化曲线Y的相似度度量值，Centroid为聚类中心曲线。
作为一个具体的示例，本发明实施例所采用的聚类算法(Density-Based SpatialClustering of Applications with Noise，DBSCAN)是基于密度的聚类算法；DBSCAN的核心思想是根据所用的相似性度量在样本的稠密区域中找到若干核心样本(cores)，然后，通过样本相似性的传递性来扩展各核心样本所在的区域(即若a与b相似，b与c相似，则a、b、c均属于同一聚类簇)，形成聚类簇。
通过使用DBSCAN算法，能够按照KPI曲线的潜在模式相似性进行聚类，并可以形成任意形状和大小的聚类簇。
进一步的，进行样本数据训练时，可以通过调整DBSCAN函数的密度半径及聚类的最小样本点个数，不断优化训练结果，使得聚类达到最优效果。
需要注意的是，本发明实施例提供的指标异常检测模型的训练方法，对于后续使用哪种类型的指标异常检测的算法模型，不做具体限定，因此，具备很好的开放性。
在获得训练好的指标异常检测的算法模型之后，本发明实施例提供的指标异常检测模型的训练方法还可以包括：根据获取每个类簇的聚类中心曲线；建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系。
其中，在对应类簇的聚类中心曲线指标异常检测模型训练完成之后，获得类簇的聚类中心曲线的训练好的指标异常检测模型；进一步的，类簇的聚类中心曲线的训练好的指标异常检测模型包括对应类簇的聚类中心曲线的模型参数。
上述指标异常检测模型的训练方法，在获取到运维系统的关键绩效指标KPI曲线之后，通过分别提取每个KPI曲线的基线，然后再对每个KPI曲线的基线的标准化处理，进一步的再通过相似性和聚类分析处理，获得不同类别的KPI曲线类簇，找出各KPI曲线的相似性，利用分类后的KPI曲线类簇中的曲线训练相关性能指标的异常检测模型，由于分类后的KPI曲线类簇包含多条同类别KPI曲线，因此无需针对每个指标数据训练相应的异常检测算法，从而有效降低针对每一个指标数据都需要对应的训练相应的异常检测算法模型的训练工作量。
而且通过选用SBD距离算法来计算曲线的相似度，消除了时序指标数据的振幅和位移的影响，相较于常见的欧式距离算法具备更强鲁棒性，以及相较于基于动态时间规整(Dynamic Time Warping，DTW)距离算法和常用欧式距离计算方法，选用SBD距离算法计算复杂度低，效率更改高。
基于本发明实施例的指标异常检测模型训练方法，本发明实施例还提供了一种指标异常检测模型推荐方法，如图3所示，图3是本发明实施例提供的一种指标异常检测模型推荐方法的流程示意图，指标异常检测模型推荐的方法主要可以包括以下步骤：
S301、获取待检测的关键绩效指标KPI曲线；
具体的，作为一个具体的示例，运维系统在运行过程会产生大量的待检测关键绩效指标KPI曲线。
S302、提取待检测的KPI曲线的基线，得到待检测的KPI曲线对应的KPI基线；
在一些实施例中，对待检测的KPI曲线，可以使用一个滑动窗口做滑动平均，将曲线分为基线与余项两部分。
其中，通过滑动窗口做滑动平均得到的待检测的KPI曲线的基线能够去除了原本待检测的KPI曲线上的噪声和异常值，同时保留了原本待检测的KPI曲线的模式特征。
S303、对KPI基线使用标准化Z-Score算法处理，得到KPI基线对应的标准化KPI基线；
在一些实施例中，对每个KPI基线进行标准化(Standardization)处理，通过使用标准化Z-Score算法，对时间序列KPI曲线进行处理，获得值为0方差为1的时间序列KPI标准化曲线。
S304、基于标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定标准化KPI基线对应的目标类簇；
具体的，对于大量的未分类曲线，通过计算标准化KPI基线与各个类簇的聚类中心曲线的相似性距离，可以确定标准化KPI基线对应的目标类簇。
在一些实施例中，可以基于互相关函数的相似度度量SBD，计算标准化KPI基线与至少一个类簇的每个类簇的聚类中心曲线的相似度度量值；将满足预设条件的相似度度量值对应的聚类中心曲线对应的类簇确定为标准化KPI基线的目标类簇。
作为一个具体的示例，可以将基于互相关函数NCC获得的NCC值小于0.8，对应SBD距离大于0.2，确定为两曲线没有强相关性，因此，若一条标准化KPI基线与各聚类中心的SBD距离均大于0.2，则该标准化KPI基线被划分为离群点，表明标准化KPI基线与各个类簇的聚类中心曲线在形状上均不相似。
S305、根据目标类簇以及预先建立的类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系，确定标准化KPI基线的目标指标异常检测模型；
具体的，根据目标类簇以及预先建立的类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系，确定标准化KPI基线的目标指标异常检测模型；其中，关联关系在获得训练好的指标异常检测的算法模型之后，根据获取每个类簇的聚类中心曲线，建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系得到。
S306、推荐目标指标异常检测模型。
在一些实施例中，根据目标类簇以及预先建立的类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系，能够快速确定待检测KPI曲线对应的所需的指标异常检测模型以及对应所需模型参数。
基于本发明实施例提供的指标异常检测模型的推荐方法能够实现快速对海量KPI根据形状进行分类和推荐所需的指标异常检测模型以及对应所需模型参数。
本发明实施例提供的指标异常检测模型，降低了人工智能技术入门门槛，减少AI学习成本。且对业务理解要求不高，技术小白和业务新人均能快速使用，普适性较强。
为了清楚地理解本申请实施例提供的指标异常检测模型的训练方法及推荐方法的具体实现方式及其之间的关系，下面结合图4再进行详细描述。
图4是本发明实施例提供的一种指标异常检测模型的训练及推荐方法的流程示意图；下面结合图4对本发明实施例提供的一种指标异常检测模型的训练及推荐方法进行介绍，如图4所示。
作为一个具体的示例，指标异常检测模型的训练方法可以被视为阶段一，指标异常检测模型的推荐方法可以被视为阶段二。结合图4所示，阶段一如图4中实线箭头所示，阶段二如图4中虚线箭头所示。
在阶段一的过程中，运维大数据中心样本数据进行聚类分析，并进行归类标注，并以聚类簇心曲线数据为样本数据，进行异常检测模型训练，训练完成后，将分类标签信息、异常检测模型信息、模型参数等建立关联关系，以便后续实时检测时关联应用。主要分为以下几个步骤：
S1：基线提取，计算提取各KPI基线，去除KPI曲线上的噪音和可能的异常数据，提取基线来表示曲线的形状。
S2：数据标准化，对基线数据进行标准化，消除振幅差异。
S3：相似性计算，利用基于图形距离的相似性度量算法，计算各性能KPI之间的相似性。
S4：对样本集中的KPI进行高效、鲁棒的聚类，为每个类别计算聚类中心表征该类别曲线形状。
S5：对各类簇设置分类标准，并基于簇心数据曲线进行异常检测模型训练，及参数调优。
S6：根据分类标准获得分类结果及异常指标检测模型、模型参数等信息进行关联，供后续运维系统产生的实时数据关联使用。
在实时检测的阶段二的过程中，对运维系统产生的实时数据进行聚类分析后，并分派到对应的簇类，系统自动关联对应分类字典实现检测模型及模型参数自动推荐，具体过程如下：
重复阶段一的S1-S3，对实时生产的数据进行相似度聚类分析。
S7：利用聚类中心为其快速分派类别。
S8：依据分派的类别与S6得到的关联信息，实现检测模型及模型参数自动推荐。
需要注意的是，本发明实施例提供的指标异常检测模型的训练方法，对于后续使用哪种类型的指标异常检测的算法模型，不做具体限定，因此，具备很好的开放性。
基于本发明实施例提供的指标异常检测模型的训练及推荐方法通过利用聚类、相似性分析等手段，找出各KPI数据的相似性，并将它们划分为若干聚类簇，并在每个聚类簇中推荐应用相同的异常检测模型，从而降低了数据训练开销，也有效降低AI技术的应用门槛。
基于本发明实施例的指标异常检测模型训练方法，通过增加了指标聚类分析，然后根据指标类别自动推荐异常检测模型，节省了大量的模型训练成本。
对应本发明实施例提供的指标异常检测模型的训练方法，本发明实施例还提供了一种指标异常检测模型的训练装置，如图5所示，图5是本发明实施例提供的一种指标异常检测模型的训练装置的结构示意图，该指标异常检测模型的训练装置主要可以包括：样本获取模块501、第一基线提取模块502、第一基线处理模块503、聚类模块504、训练模块505。
其中，样本获取模块501，用于获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线；
第一基线提取模块502，用于分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；
第一基线处理模块503，用于分别对每个KPI基线使用标准化Z-Score算法处理，得到每个KPI基线对应的标准化曲线；
聚类模块504，用于基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；其中，至少一个类簇的每个类簇中包括多条标准化曲线；
训练模块505，用于针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
在一些实施例中，指标异常检测模型的训练装置还可以包括：关联模块；关联模块用于获取每个类簇的聚类中心曲线；建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系。
具体的，聚类模块包括计算子模块；
计算子模块用于计算所有标准化曲线中的任意两条标准化曲线的相似度；还用于根据任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。
在一些实施例中，计算子模块具体还用于基于互相关函数的相似度度量SBD，计算所有标准化曲线中的任意两条标准化曲线的相似度度量值。
在一些实施例中，关联模块具体还用于每个类簇的聚类中心曲线分别由聚类中心的计算公式获得。计算公式如公式(5)所示。
可以理解的是，本发明实施例的指标异常检测模型的训练装置，可以对应于本发明实施例图1中的指标异常检测模型的训练方法的执行主体，指标异常检测模型的训练装置的各个模块的操作和/或功能的具体细节可以参见上述本发明实施例图1的指标异常检测模型的训练方法中的相应部分的描述，为了简洁，在此不再赘述。
对应本发明实施例提供的指标异常检测模型的推荐方法，本发明实施例还提供了一种指标异常检测模型的推荐装置，如图6所示，图6是本发明实施例提供的一种指标异常检测模型的推荐装置的结构示意图，该指指标异常检测模型的推荐装置主要可以包括：指标获取模块601、第二基线提取模块602、第二基线处理模块603、类簇确定模块604、模型确定模块605、模型推荐模块606；
其中，指标获取模块601，用于获取待检测的关键绩效指标KPI曲线；
第二基线提取模块602，用于提取待检测的KPI曲线的基线，得到待检测的KPI曲线对应的KPI基线；
第二基线处理模块603，用于对KPI基线使用标准化Z-Score算法处理，得到KPI基线对应的标准化KPI基线；
类簇确定模块604，用于基于标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定标准化KPI基线对应的目标类簇；
模型确定模块605，用于根据目标类簇以及预先建立的类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系，确定标准化KPI基线的目标指标异常检测模型；其中，关联关系在获得训练好的指标异常检测的算法模型之后，根据获取每个类簇的聚类中心曲线，建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系得到。
模型推荐模块606，用于推荐目标指标异常检测模型。
在一些实施例中，类簇确定模块604还可以包括相似度计算子模块，相似度计算子模块，用于基于互相关函数的相似度度量SBD，计算标准化KPI基线与至少一个类簇的每个类簇的聚类中心曲线的相似度度量值；
将满足预设条件的相似度度量值对应的聚类中心曲线对应的类簇确定为标准化KPI基线的目标类簇。
可以理解的是，本发明实施例的指标异常检测模型的推荐装置，可以对应于本发明实施例图3中的指标异常检测模型的推荐方法的执行主体，指标异常检测模型的推荐装置的各个模块的操作和/或功能的具体细节可以参见上述本发明实施例图1的指标异常检测模型的推荐方法中的相应部分的描述，为了简洁，在此不再赘述。
图7是本发明实施例提供的一种指标异常检测设备的结构示意图。
如图7所示，本实施例中的指标异常检测设备700包括输入设备701、输入接口702、中央处理器703、存储器704、输出接口705、以及输出设备706。其中，输入接口702、中央处理器703、存储器704、以及输出接口705通过总线710相互连接，输入设备701和输出设备706分别通过输入接口702和输出接口705与总线710连接，进而与指标异常检测设备700的其他组件连接。
具体地，输入设备701接收来自外部的输入信息，并通过输入接口702将输入信息传送到中央处理器703；中央处理器703基于存储器704中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器704中，然后通过输出接口705将输出信息传送到输出设备706；输出设备706将输出信息输出到指标异常检测设备500的外部供用户使用。
也就是说，图7所示的指标异常检测设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1和图5描述的指标异常检测模型训练方法和装置或图3和图6描述的指标异常检测模型推荐方法和装置。
在一个实施例中，图7所示的指标异常检测设备700包括：存储器704，用于存储程序；处理器703，用于运行存储器中存储的程序，以执行本发明实施例提供的指标异常检测模型训练方法或指标异常检测模型推荐方法。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例提供的指标异常检测模型训练方法或指标异常检测模型推荐方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种指标异常检测模型的训练方法，其特征在于，所述方法包括：
获取第一样本数据集，所述第一样本数据集包括多个关键绩效指标KPI曲线；
分别提取每个所述KPI曲线的基线，得到每个所述KPI对应的KPI基线；
分别对每个所述KPI基线使用标准化Z-Score算法处理，得到每个所述KPI基线对应的标准化曲线；
基于每条标准化曲线的相似性，对所述每条标准化曲线进行聚类处理，得到至少一个类簇；其中，所述至少一个类簇的每个类簇中包括多条标准化曲线；
针对所述至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
2.根据权利要求1所述的方法，其特征在于，所述得到训练好的每个类簇对应的指标异常检测模型之后，还包括：
获取每个类簇的聚类中心曲线；
建立所述类簇的聚类中心曲线与所述类簇对应的指标异常检测模型的关联关系。
3.根据权利要求1所述的方法，其特征在于，所述基于每条标准化曲线的相似性，对所述每条标准化曲线进行聚类处理，得到至少一个类簇之前，还包括：
计算所有标准化曲线中的任意两条标准化曲线的相似度；
所述对所述每条标准化曲线进行聚类处理，得到至少一个类簇，具体包括：
根据所述任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。
4.根据权利要求3所述的方法，其特征在于，所述计算所有标准化曲线中的任意两条标准化曲线的相似度，具体包括：
基于互相关函数的相似度度量SBD，计算所有标准化曲线中的任意两条标准化曲线的相似度度量值。
5.根据权利要求2所述的方法，其特征在于，所述获取每个类簇的聚类中心曲线，具体包括：
每个类簇的聚类中心曲线分别由聚类中心的计算公式获得，所述聚类中心计算公式为：
其中，clusteri为第i个类簇，SBD(X,Y)为第一标准化曲线X和第二标准化曲线Y的相似度度量值，Centroid为聚类中心曲线。
6.一种指标异常检测模型的推荐方法，其特征在于，所述方法包括：
获取待检测的关键绩效指标KPI曲线；
提取待检测的KPI曲线的基线，得到所述待检测的KPI曲线对应的KPI基线；
对所述KPI基线使用标准化Z-Score算法处理，得到所述KPI基线对应的标准化KPI基线；
基于所述标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定所述标准化KPI基线对应的目标类簇；
根据所述目标类簇以及预先建立的类簇的聚类中心曲线与所述类簇对应的指标异常检测模型的关联关系，确定所述标准化KPI基线的目标指标异常检测模型；其中，所述关联关系由权利要求2所述的方法得到；
推荐所述目标指标异常检测模型。
7.根据权利要求6所述的方法，其特征在于，所述基于所述标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定所述标准化KPI基线对应的目标类簇，具体包括：
基于互相关函数的相似度度量SBD，计算所述标准化KPI基线与至少一个类簇的每个类簇的聚类中心曲线的相似度度量值；
将满足预设条件的相似度度量值对应的聚类中心曲线对应的类簇确定为所述标准化KPI基线的目标类簇。
8.一种指标异常检测模型的训练装置，其特征在于，所述装置包括：
样本获取模块，用于获取第一样本数据集，所述第一样本数据集包括多个关键绩效指标KPI曲线；
第一基线提取模块，用于分别提取每个所述KPI曲线的基线，得到每个所述KPI对应的KPI基线；
第一基线处理模块，用于分别对每个所述KPI基线使用标准化Z-Score算法处理，得到每个所述KPI基线对应的标准化曲线；
聚类模块，用于基于每条标准化曲线的相似性，对所述每条标准化曲线进行聚类处理，得到至少一个类簇；其中，所述至少一个类簇的每个类簇中包括多条标准化曲线；
训练模块，用于针对所述至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括关联模块；
所述关联模块用于获取每个类簇的聚类中心曲线；建立所述类簇的聚类中心曲线与所述类簇对应的指标异常检测模型的关联关系。
10.根据权利要求8所述的装置，其特征在于，所述聚类模块包括计算子模块；
所述计算子模块用于计算所有标准化曲线中的任意两条标准化曲线的相似度；还用于根据所述任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。
11.一种指标异常检测模型的推荐装置，其特征在于，所述装置包括：
指标获取模块，用于获取待检测的关键绩效指标KPI曲线；
第二基线提取模块，用于提取待检测的KPI曲线的基线，得到所述待检测的KPI曲线对应的KPI基线；
第二基线处理模块，用于对所述KPI基线使用标准化Z-Score算法处理，得到所述KPI基线对应的标准化KPI基线；
类簇确定模块，用于基于所述标准化KPI基线和预先获取到的各个类簇的聚类中心曲线，确定所述标准化KPI基线对应的目标类簇；
模型确定模块，用于根据所述目标类簇以及预先建立的类簇的聚类中心曲线与所述类簇对应的指标异常检测模型的关联关系，确定所述标准化KPI基线的目标指标异常检测模型；其中，所述关联关系由权利要求2所述的方法得到；
模型推荐模块，用于推荐所述目标指标异常检测模型。
12.一种指标异常检测设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-5任意一项所述的指标异常检测模型的训练方法或权利要求6-7任意一项所述的指标异常检测模型的推荐方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现权利要求1-5任意一项所述的指标异常检测模型的训练方法或权利要求6-7任意一项所述的指标异常检测模型的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911410820.7A CN111177505A (zh) | 2019-12-31 | 2019-12-31 | 指标异常检测模型的训练方法、推荐的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911410820.7A CN111177505A (zh) | 2019-12-31 | 2019-12-31 | 指标异常检测模型的训练方法、推荐的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111177505A true CN111177505A (zh) | 2020-05-19 |
Family
ID=70654244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911410820.7A Pending CN111177505A (zh) | 2019-12-31 | 2019-12-31 | 指标异常检测模型的训练方法、推荐的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111177505A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738308A (zh) * | 2020-06-03 | 2020-10-02 | 浙江中烟工业有限责任公司 | 基于聚类及半监督学习的监控指标动态阈值检测方法 |
| CN112905412A (zh) * | 2021-01-29 | 2021-06-04 | 清华大学 | 关键性能指标数据的异常检测方法及装置 |
| CN113377630A (zh) * | 2021-03-24 | 2021-09-10 | 北京信息科技大学 | 一种通用的kpi异常检测框架实现方法 |
| CN113378900A (zh) * | 2021-05-31 | 2021-09-10 | 长沙理工大学 | 一种基于聚类的大规模不规则kpi时间序列的异常检测方法 |
| CN113515653A (zh) * | 2021-09-14 | 2021-10-19 | 武汉精创电子技术有限公司 | 基于历史数据的模型推荐方法、装置、设备及存储介质 |
| CN113568819A (zh) * | 2021-01-31 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
| CN113591376A (zh) * | 2021-07-23 | 2021-11-02 | 广州新科佳都科技有限公司 | 一种基于曲线关联分割机制的站台门异常检测方法及装置 |
| CN113723452A (zh) * | 2021-07-19 | 2021-11-30 | 山西三友和智慧信息技术股份有限公司 | 一种基于kpi聚类的大规模异常检测系统 |
| WO2022028120A1 (zh) * | 2020-08-06 | 2022-02-10 | 中兴通讯股份有限公司 | 指标检测模型获取及故障定位方法、装置、设备及存储介质 |
| CN114095337A (zh) * | 2020-08-10 | 2022-02-25 | 中国移动通信集团浙江有限公司 | Kpi异常检测方法、装置、计算设备及计算机存储介质 |
| CN114386535A (zh) * | 2022-03-18 | 2022-04-22 | 三峡智控科技有限公司 | 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 |
| CN114398891A (zh) * | 2022-03-24 | 2022-04-26 | 三峡智控科技有限公司 | 基于日志关键词生成kpi曲线并标记波段特征的方法 |
| CN114398898A (zh) * | 2022-03-24 | 2022-04-26 | 三峡智控科技有限公司 | 基于日志事件关系生成kpi曲线并标记波段特征的方法 |
| CN115442212A (zh) * | 2022-08-24 | 2022-12-06 | 浪潮云信息技术股份公司 | 一种基于云计算的智能监控分析方法及系统 |
| WO2023174431A1 (zh) * | 2022-03-18 | 2023-09-21 | 三峡智控科技有限公司 | 一种kpi曲线数据处理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354803A (zh) * | 2016-08-26 | 2017-01-25 | 清华大学 | 基于特性指标的电力输变电设备负荷坏数据检测算法 |
| WO2019061976A1 (zh) * | 2017-09-28 | 2019-04-04 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| CN109740648A (zh) * | 2018-12-21 | 2019-05-10 | 广州供电局有限公司 | 电力负荷异常数据识别方法、装置和计算机设备 |
-
2019
- 2019-12-31 CN CN201911410820.7A patent/CN111177505A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106354803A (zh) * | 2016-08-26 | 2017-01-25 | 清华大学 | 基于特性指标的电力输变电设备负荷坏数据检测算法 |
| WO2019061976A1 (zh) * | 2017-09-28 | 2019-04-04 | 平安科技（深圳）有限公司 | 基金产品推荐方法、装置、终端设备及存储介质 |
| CN109740648A (zh) * | 2018-12-21 | 2019-05-10 | 广州供电局有限公司 | 电力负荷异常数据识别方法、装置和计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| MICKLONGEN: "B.智能运维---质量保障---异常检测---指标聚类", 《HTTP://BLOG.CHINAUNIX.NET/UID-20704646-ID-5821185.HTML》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738308A (zh) * | 2020-06-03 | 2020-10-02 | 浙江中烟工业有限责任公司 | 基于聚类及半监督学习的监控指标动态阈值检测方法 |
| WO2022028120A1 (zh) * | 2020-08-06 | 2022-02-10 | 中兴通讯股份有限公司 | 指标检测模型获取及故障定位方法、装置、设备及存储介质 |
| CN114095337A (zh) * | 2020-08-10 | 2022-02-25 | 中国移动通信集团浙江有限公司 | Kpi异常检测方法、装置、计算设备及计算机存储介质 |
| CN112905412A (zh) * | 2021-01-29 | 2021-06-04 | 清华大学 | 关键性能指标数据的异常检测方法及装置 |
| CN113568819B (zh) * | 2021-01-31 | 2024-04-16 | 腾讯科技（深圳）有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
| CN113568819A (zh) * | 2021-01-31 | 2021-10-29 | 腾讯科技（深圳）有限公司 | 异常数据检测方法、装置、计算机可读介质及电子设备 |
| CN113377630A (zh) * | 2021-03-24 | 2021-09-10 | 北京信息科技大学 | 一种通用的kpi异常检测框架实现方法 |
| CN113377630B (zh) * | 2021-03-24 | 2023-07-04 | 北京信息科技大学 | 一种通用的kpi异常检测框架实现方法 |
| CN113378900A (zh) * | 2021-05-31 | 2021-09-10 | 长沙理工大学 | 一种基于聚类的大规模不规则kpi时间序列的异常检测方法 |
| CN113378900B (zh) * | 2021-05-31 | 2022-07-15 | 长沙理工大学 | 一种基于聚类的大规模不规则kpi时间序列的异常检测方法 |
| CN113723452A (zh) * | 2021-07-19 | 2021-11-30 | 山西三友和智慧信息技术股份有限公司 | 一种基于kpi聚类的大规模异常检测系统 |
| CN113723452B (zh) * | 2021-07-19 | 2024-05-28 | 山西三友和智慧信息技术股份有限公司 | 一种基于kpi聚类的大规模异常检测系统 |
| CN113591376A (zh) * | 2021-07-23 | 2021-11-02 | 广州新科佳都科技有限公司 | 一种基于曲线关联分割机制的站台门异常检测方法及装置 |
| CN113591376B (zh) * | 2021-07-23 | 2023-07-14 | 广州新科佳都科技有限公司 | 一种基于曲线关联分割机制的站台门异常检测方法及装置 |
| CN113515653A (zh) * | 2021-09-14 | 2021-10-19 | 武汉精创电子技术有限公司 | 基于历史数据的模型推荐方法、装置、设备及存储介质 |
| CN114386535A (zh) * | 2022-03-18 | 2022-04-22 | 三峡智控科技有限公司 | 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 |
| CN114386535B (zh) * | 2022-03-18 | 2022-05-27 | 三峡智控科技有限公司 | 一种设置用于扫描kpi曲线的滑动窗口宽度的方法 |
| WO2023174431A1 (zh) * | 2022-03-18 | 2023-09-21 | 三峡智控科技有限公司 | 一种kpi曲线数据处理方法 |
| CN114398898A (zh) * | 2022-03-24 | 2022-04-26 | 三峡智控科技有限公司 | 基于日志事件关系生成kpi曲线并标记波段特征的方法 |
| CN114398891A (zh) * | 2022-03-24 | 2022-04-26 | 三峡智控科技有限公司 | 基于日志关键词生成kpi曲线并标记波段特征的方法 |
| CN115442212A (zh) * | 2022-08-24 | 2022-12-06 | 浪潮云信息技术股份公司 | 一种基于云计算的智能监控分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111177505A (zh) | 指标异常检测模型的训练方法、推荐的方法及装置 | |
| WO2019051941A1 (zh) | 车型识别方法、装置、设备及计算机可读存储介质 | |
| Antunes et al. | Knee/elbow estimation based on first derivative threshold | |
| CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
| CN108206813B (zh) | 基于k均值聚类算法的安全审计方法、装置及服务器 | |
| JP7276488B2 (ja) | 推定プログラム、推定方法、情報処理装置、再学習プログラムおよび再学習方法 | |
| CN111340233A (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
| CN110995153A (zh) | 一种光伏电站的异常数据检测方法、装置及电子设备 | |
| CN111064719B (zh) | 文件异常下载行为的检测方法及装置 | |
| CN117118810B (zh) | 一种网络通信异常预警方法及系统 | |
| CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
| CN116610938B (zh) | 曲线模式分段的半导体制造无监督异常检测方法及设备 | |
| KR102433598B1 (ko) | 데이터 경계 도출 시스템 및 방법 | |
| CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
| CN108628873B (zh) | 一种文本分类方法、装置和设备 | |
| CN112269879B (zh) | 基于k-means算法的中台日志分析方法及设备 | |
| WO2020230436A1 (ja) | 診断装置と診断方法および加工装置 | |
| CN111835541B (zh) | 一种流量识别模型老化检测方法、装置、设备及系统 | |
| CN114172708A (zh) | 网络流量异常的识别方法 | |
| CN109507645B (zh) | 一种脉冲描述字的提取方法及装置 | |
| CN113377630A (zh) | 一种通用的kpi异常检测框架实现方法 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
| CN113051307A (zh) | 告警信号的分析方法、设备、存储介质及装置 | |
| CN117349688B (zh) | 一种基于峰值轨迹的轨迹聚类方法、装置、设备及介质 | |
| CN111294809A (zh) | 问题集中区域识别的方法、装置、设备和介质 |
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: 20200519 |