CN111352971A - 银行系统监控数据异常检测方法及系统 - Google Patents

银行系统监控数据异常检测方法及系统 Download PDF

Info

Publication number
CN111352971A
CN111352971A CN202010130378.9A CN202010130378A CN111352971A CN 111352971 A CN111352971 A CN 111352971A CN 202010130378 A CN202010130378 A CN 202010130378A CN 111352971 A CN111352971 A CN 111352971A
Authority
CN
China
Prior art keywords
data
monitoring data
model
abnormal
module
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
CN202010130378.9A
Other languages
English (en)
Inventor
付轶喆
李莹莹
沈文东
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202010130378.9A priority Critical patent/CN111352971A/zh
Publication of CN111352971A publication Critical patent/CN111352971A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02—Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

一种银行系统监控数据异常检测方法及系统，所述系统包含：监控数据采集模块用于采集监控数据；数据预处理模块用于根据监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过监控数据和历史监控数据生成时间序列样本；无监督检测模块用于根据时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；有监督模型用于根据异常点数据通过特征提取生成特征矩阵，根据特征矩阵及时间序列样本通过机器学习算法训练获得异常检测模型；以及，根据待检测监控数据的时间序列样本和异常检测模型计算获得待检测监控数据的异常检测结果。

Description

银行系统监控数据异常检测方法及系统
技术领域
本发明涉及一种无阈值异常检测方法，尤其涉及一种基于时间序列分析的银行系统监控数据异常检测方法。
背景技术
监控系统是运维人员的“第三只眼”，其重要性不言而喻。现有的国内商业银行监控系统，大多数沿用传统的人工巡检和人工设置阈值的方式，部分银行也引入了开源监控软件。但是，目前这两种监控模式中的异常检测方法都不能很好地满足银行系统的监控需求。
1、人工巡检和人工设置阈值的监控系统
在这种监控系统中，针对固定的监控指标设置一个固定的阈值，当某时刻监控指标值大于(或小于)阈值时就认为指标数据异常。例如，设置交易量指标的下限阈值为100(笔)，当某时刻的交易量低于100的时候就认为该时刻的交易量指标异常。系统中的阈值往往靠运维人员反复修正迭代来保证其正确性。这种方式会带来两方面的问题：一方面，判断监控指标是否正常的逻辑过于简单必然会带来大量的误报，运维人员每天需要耗费大量的精力处理一些不应该存在的报警，这无疑是对人力资源的一大浪费；另一方面，阈值的设置过于依赖运维人员个体的经验水平，难免会出现漏报的情况，因为漏报而没有及时处理系统故障无疑会给银行带来巨大的损失。
2、开源监控软件(如Nagios、Ganglia等)
业界常用的开源监控软件主要侧重于监控平台的搭建(例如：监控数据采集，监控数据展示，监控数据传输等)，并没有提供有效的异常检测方法。目前大多数使用这些开源软件的银行，都需要运维人员配置个性化的监控脚本。开源监控软件优于第一种传统监控系统之处在于运维人员可以通过脚本的方式实现动态阈值的设置(例如，运维人员可以通过脚本计算监控指标历史时刻的均值，然后比较当前时刻的值与均值的大小关系来判断是否异常)，但是这种方式同样需要耗费大量人力，监控效果的好坏也不可避免地依赖于运维人员个体的经验技术水平。
发明内容
本发明目的在于一种高效的无阈值异常检测模型，可以适用于银行现有的大多数监控系统。
为达上述目的，本发明所提供的银行系统监控数据异常检测系统，具体包含：监控数据采集模块、数据预处理模块、无监督检测模块和有监督模块；所述监控数据采集模块用于采集监控数据；所述数据预处理模块用于根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本；所述无监督检测模块用于根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；所述有监督模型用于根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型；以及，根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
在上述银行系统监控数据异常检测系统中，优选的，所述有监督模块包含特征提取模块、有监督训练模块和有监督检测模块；所述特征提取模块用于根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵；所述有监督训练模块用于根据所述特征矩阵及所述时间序列样本，通过Xgboost模型训练获得异常检测模型；以及，通过网格搜索法优化更新所述异常检测模型；所述有监督检测模块用于根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
在上述银行系统监控数据异常检测系统中，优选的，所述特征提取模块包含拟合类型提取单元，所述拟合类型提取单元用于根据所述异常点数据通过EWMA模型、移动平均模型、Double EWMA模型对时间序列进行平滑操作，根据平滑后的值生成特征值。
在上述银行系统监控数据异常检测系统中，优选的，所述无监督检测模块通过3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林模型中一个或多个的组合提取所述时间序列样本数据中的异常点数据。
在上述银行系统监控数据异常检测系统中，优选的，所述数据预处理模块包含数据提取单元、数据重组单元和数据处理单元；所述数据提取单元用于根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据；所述数据重组单元用于将所述历史监控数据重组为预定数量的长度相等的时间序列数据；所述数据处理单元用于对所述时间序列数据做归一化处理后拼接生成时间序列样本。
本发明还提供一种银行系统监控数据异常检测方法，所述方法包含：采集监控数据；根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本；根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型；根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
在上述银行系统监控数据异常检测方法中，优选的，根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型包含：根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵；根据所述特征矩阵及所述时间序列样本，通过Xgboost模型训练获得异常检测模型；通过网格搜索法优化更新所述异常检测模型。
在上述银行系统监控数据异常检测方法中，优选的，根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵包含：根据所述异常点数据通过EWMA模型、移动平均模型、Double EWMA模型对时间序列进行平滑操作，根据平滑后的值生成特征值。
在上述银行系统监控数据异常检测方法中，优选的，根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据包含：通过3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林模型中一个或多个的组合提取所述时间序列样本数据中的异常点数据。
在上述银行系统监控数据异常检测方法中，优选的，根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本包含：根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据；将所述历史监控数据重组为预定数量的长度相等的时间序列数据；对所述时间序列数据做归一化处理后拼接生成时间序列样本。
本发明还提供一种计算机设备，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计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：该模型无需运维人员手工设置阈值或配置脚本，而是根据数据分布形态和历史规律自动判断当前时间点的监控指标数据是否正常。鉴于国内银行系统的监控指标数据都是以固定时间频率采集的时间序列，本发明基于时间序列独有的特征构建了一种监控指标数据的智能异常检测模型，模型输出1表示正常，输出0表示异常，异常时同时输出异常概率值供运维人员决策使用。本发明可以提高运维人员的工作效率，降低银行系统的运维成本，有效保障银行系统的正常运行。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1A为本发明一实施例所提供的银行系统监控数据异常检测系统的结构示意图；
图1B为本发明一实施例所提供的银行系统监控数据异常检测系统的应用结构示意图；
图2为本发明一实施例所提供的数据预处理模块的处理流程图；
图3为本发明一实施例所提供的无监督模模块工作流程示意图；
图4为本发明一实施例所提供的特征提取模块流程图；
图5为本发明一实施例所提供的监督训练模块流程图；
图6为本发明一实施例所提供的有监督检测模块流程图；
图7为本发明一实施例所提供的银行系统监控数据异常检测方法的流程示意图；
图8为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
请参考图1A所示，本发明所提供的银行系统监控数据异常检测系统，具体包含：监控数据采集模块、数据预处理模块、无监督检测模块和有监督模块；所述监控数据采集模块用于采集监控数据；所述数据预处理模块用于根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本；所述无监督检测模块用于根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；所述有监督模型用于根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型；以及，根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
在上述实施例中，所述有监督模块包含特征提取模块、有监督训练模块和有监督检测模块；所述特征提取模块用于根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵；所述有监督训练模块用于根据所述特征矩阵及所述时间序列样本，通过Xgboost模型训练获得异常检测模型；以及，通过网格搜索法优化更新所述异常检测模型；所述有监督检测模块用于根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。以此，银行业务体系复杂，每一个业务都对应多个子系统，如果根据业务形态来构建和选择异常检测模型，工作量无疑巨大；本发明无需运维人员选择模型，大大简化了构建和选择异常检测模型的工作，提高了工作效率；再者，传统运维工作中的一大基础工作就是设置各监控指标的阈值，通过人工反复迭代修改阈值的方式来减少误报漏报。依靠历史经验来设置阈值这种模式不能满足业务未来的发展需求，随着业务不断发展，误报漏报现象必然会越来越严重。本发明中的检测模型实现了无阈值监控，根据监控数据自身的形态和历史规律实现自动检测，是一个高效的智能异常检测模型；同时，本发明中有监督训练模块可以定期使用最新的监控数据进行训练，保证其产出的模型与时俱进，紧跟业务扩张的步伐，为银行业务的快速发展保驾护航。
在上述实施例中，所述特征提取模块还可包含拟合类型提取单元，所述拟合类型提取单元用于根据所述异常点数据通过EWMA模型、移动平均模型、Double EWMA模型对时间序列进行平滑操作，根据平滑后的值生成特征值。当然实际工作中还存在其他类型提取模型，各模型的提取方式将在后续详细说明，在此就不再一一详述。
在上述实施例中，所述无监督检测模块通过3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林模型中一个或多个的组合提取所述时间序列样本数据中的异常点数据；具体提取异常点的方式将在后续整体说明中一一详述，在此就不再一一说明。
在本发明一实施例中，所述数据预处理模块可包含数据提取单元、数据重组单元和数据处理单元；所述数据提取单元用于根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据；所述数据重组单元用于将所述历史监控数据重组为预定数量的长度相等的时间序列数据；所述数据处理单元用于对所述时间序列数据做归一化处理后拼接生成时间序列样本。
为便于理解本发明所提供的上述实施例的应用方式及流程，以下请参考图1B所示，在此对上述各实施例做整体说明：
图1B为本发明的系统结构图，总共包括6个组成部分：监控数据采集模块1；数据预处理模块2；无监督检测模块3；特征提取模块4；有监督训练模块5；有监督检测模块6。它们之间的连接关系为：监控数据采集模块1包含数据库客户端101、关系数据库102，数据预处理模块2主要执行生成时序样本201、重组时序样本为5个等长时序202和数据归一化203三个步骤，无监督检测模块3主要包含3-Sigma模型检测301、EWMA模型检测302、岭回归模型检测303、孤立森林模型检测304等四种检测方式；特征提取模块4包含生成特征矩阵401和生成特征向量402；有监督训练模块5包含Xgboost模型训练501和存储模型502；有监督检测模块6即可利用调用模型601和模型预测602完成监控数据异常检测；各模块的具体使用方式将在后续实施例中一一说明，在此就不再详述。
监控数据采集模块1主要是利用数据库客户端访问关系型数据库采集数据。
图2是数据预处理模块2的处理流程图，主要功能是将采集到的数据进行二次加工，包括三个步骤：
步骤1：假设当前时刻为T,以当前T为标准，生成对应的7天前相同时刻前后180分钟的时序(总共361个数据)、昨天相同时刻前后180分钟的时序(总共361个数据)以及今天T时刻前180分钟的时序(总共181个数据)，上述3个时序都包括当天T时刻的数据，将3个时序组成一个时序样本，每个样本包括903(361+361+181)个数据；
步骤2：将步骤1生成的时间序列样本重组为5个等长的时间序列，重组后的5个序列的时间窗口如下：7天前[T-180,T]、7天前[T,T+180]、昨天[T-180,T]、昨天[T,T+180]、今天[T-180,T]，每个时序都包括181个数据；
步骤3：将步骤2中的5个时间序列进行归一化处理后拼接组成一个新的时间序列样本，每个样本包括905(181*5)个数据。
图3是无监督检测模块3的工作流程图，数据预处理模块的输出结果将作为该模块的输入数据。机器学习核心原理之一就是通过足够多的样本学习到经验，然后根据经验对未知事物进行判断。本发明的核心算法采用的是机器学习方法，模型最终目的是异常检测，所以足够多的异常样本是保证模型异常识别准确率的必要条件；而银行系统正常运行的时间段肯定远远大于故障时间段，所以监控指标数据都存在类别严重不平衡的问题，正常数据远远多于异常数据；如果不加筛选地对任意监控数据进行建模，很难保证所选数据中存在足够多的异常样本，通过训练这样的数据来建立模型，会出现即使模型整体准确率很高，但异常识别率极低的情况(例如，假设原始数据集总共有100个数据，其中只有2个异常数据，对这100个数据建立模型，即使模型最终将2个异常数据判为正常，那模型的准确率也有98％，但是从实际效果来看，这个模型是没有意义的，因为其对异常点的识别率为0)。
为此，本模块采用了4种简单高效的经典模型进行诊断和粗筛，实现了双重目的：一是针对明显正常的监控数据可以实现快速诊断，而监控数据中的正常数据占大多数，所以该模块可以提高整个模型的诊断效率；二是可以为后续的有监督训练模块需要的训练数据集进行初步筛选，以保证最终的训练数据中异常数据和正常数据分布尽量均衡，这样可以大大提高有监督模块的效率和准确率。本模块中采用的4种模型分别是：3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林(Isolation Forest)模型，这4种模型都是目前在时序分析和异常检测领域应用研究比较广泛的经典模型，其效率和准确率都是经过验证的。当然，值得说明是，实际工作中也可采用其中一种或多种的组合，本发明对其并不做进一步限制。
模型1：3-sigma模型,该模型是工业界常用来控制次品率的一种统计模型。异常点检测与工业界次品检测思想极为类似，因此，本发明中采用了3-sigma模型对待检测点进行检测，如果待检测点的值不在在整个序列的[-3*sigma,3*sigma]区间，则认为待检测点异常。假设待检测数据点Xt经过数据预处理模块后输出的时间序列为data，该模型的核心表达式如下：
Figure BDA0002395628620000081
Xt＝0；
其中，mean()表示求均值，sqrt()表示求标准差。
模型2：多项式岭回归模型，该模型适用于对非线性曲线进行回归预测，而时序数据的一大研究价值就在于其可根据历史预测未来。因此，本发明中采用了多项式岭回归模型对待检测时间点的指标值进行预测，预测值与实际值之差超过一定范围则认为待检测点异常。假设t时刻的预测值为Polynomial_Ridge(Xt)，若Polynomial_Ridge(Xt)与Xt的绝对差大于阈值，则判定Xt为异常，该模型的核心表达式如下：
if abs(Polynomial_Ridge(Xt)-Xt)＞threshold
Xt＝0；
其中,abs()表示求绝对值，threshold根据经验来设置，一般设置值在(0,0.3]之间。
模型3：EWMA控制图模型，EWMA算法是时间序列分析的经典算法，而EWMA控制图是SPC(统计过程控制)中一种核心工具，适用于高质量的过程控制，对较小的数据偏移反映灵敏。监控指标的异常点检测类似于被监控对象的质量控制过程。因此，本发明中选用EWMA控制图中的UCL(上限)和LCL(下限)作为异常检测区间，待检测点不在该区间则认为异常，具体UCL和LCL计算方法可以参考EWMA控制图理论中的介绍，在此不做详细说明。
模型4：:孤立森林(Isolation Forest)模型，孤立森林是近年来最受欢迎的无监督异常检测方法之一，该模型对数据的统计分布不敏感。假设待检测数据点Xt经过数据预处理模块后输出的时间序列为data，通过拟合data创建一个孤立森林模型，然后用该模型预测Xt，当预测结果为-1时则认为该点是异常点。该模型的核心表达式如下：
model＝IsolationForest(data)
X't＝model.predict(Xt)
if Xt'＝-1
Xt＝0
4、为了提高模型整体准确率，本发明最后增加了有监督模块。无监督模块中任一模型检测结果为异常则进入有监督模块。有监督模块总共分了3个子模块：特征提取模块、有监督训练模块、有监督检测模块。
图4是特征提取模块流程图，经过数据预处理以及无监督模块检测后的数据在进入有监督训练模块前需要提取特征，单个样本进入该模块可以生成一个特征向量，多个样本进入该模块可以生成一个特征矩阵。时序数据除了具备所有数据都有的特征，还具备自己独有的特征，本发明结合一般数据和时序数据各自的特征分别提取了三种类型的特征值：统计类型、拟合类型和分类类型，这三种类型的特征值可以全面反映每个时序样本的内在属性，通过对这些特征值进行建模可以提高模型的准确率和效率。
①统计类型，本发明总共提取了30个可以反映数据形态、分布区间以及离散程度的特征值(例如：最大值、最小值、均值、方差、标准差、偏度、峰度、中位数等)。
②拟合类型，本发明使用了EWMA模型、移动平均模型、Double EWMA模型对时间序列进行平滑操作，将平滑后的值作为特征值。面对海量时间序列，很难通过一个模型拟合所有时间序列，但是可以通过将不同模型的拟合输出结果作为特征值，然后对这些特征值进行分析建模，这也体现了机器学习中的集合学习思想。
③分类类型，通过分类的思想可以将不同监控指标的时间序列进行分类，并提取每个类型的关键信息作为特征值。时间序列的周期性及数据分布均匀度是两个重要特征，这两个特征高度相似的时序数据可以认为是一种类型。本发明中采用了自相关系数和分桶信息熵两种方法来计算每个样本的分类特征。其中，自相关系数反映了序列自身的周期相关性，自相关系数越大证明时序的周期性越强；分桶信息熵反映了序列的分布均匀度，熵值越大说明时序分布越均匀。
图5是有监督训练模块流程图，该模块需要从数据采集模块提取大量样本，采集样本后通过数据预处理模块处理，经过无监督模块粗筛后剩余的样本再进行人工标注。接着将标注好的训练样本输入特征提取模块提取特征矩阵，然后将特征矩阵以及人工标注的标签作为输入数据训练模型。本模块采用了Xgboost模型，该模型是集成学习算法中的杰出代表之一。集成学习是一类机器学习方法的总称，“集成”就是构建多个基学习器，然后将其结合成一个，达到“众人抬柴火焰高”的效果。目前将Xgboost用于时序分析或者异常检测的研究还很少，大多数研究都将该模型用于分类或者回归预测中。本发明通过人工标注的方法将训练数据划分为两类：标签0表示异常数据、标签1表示正常数据，从而成功地将异常检测问题转换为二分类问题。训练Xgboost模型过程中采用网格搜索法(GridSearch)不断优化模型参数，模型训练完成后保存模型xgboost_model。
图6是有监督检测模块流程图，待检测数据经过无监督模块检测为异常后随即进入有监督的检测模块。进行检测前需要对待检测点的数据进行预处理以及提取特征向量，将提取出来的特征向量输入训练模块已保存的模型xgboost_model进行预测，预测结果1表示正常，0表示异常，输出0的同时输出异常概率值prob。假设Xt为待检测数据点，Xt_F表示Xt经过数据预处理后提取的特征向量，则将Xt_F输入xgboost_model进行预测，Y't表示模型预测结果，Y't小于指定阈值时判定Xt正常，否则判定Xt异常。该模型的核心逻辑表达式如下：
Y't＝xgboost_model.predict(Xt_F)
if Y't＜threshold
Xt＝1；
else output(Xt＝0,prob)
其中，threshold根据经验一般设置值在(0,0.3]之间，实际应用中也可以通过网格搜索法进行选取，prob表示异常概率值。
请参考图7所示，本发明还提供一种银行系统监控数据异常检测方法，所述方法包含：S701采集监控数据；S702根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本；S703根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；S704根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型；S705根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。在上述实施例中，根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵包含：根据所述异常点数据通过EWMA模型、移动平均模型、DoubleEWMA模型对时间序列进行平滑操作，根据平滑后的值生成特征值。
在本发明一实施例中，根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型包含：根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵；根据所述特征矩阵及所述时间序列样本，通过Xgboost模型训练获得异常检测模型；通过网格搜索法优化更新所述异常检测模型。
在本发明一实施例中，根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据包含：通过3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林模型中一个或多个的组合提取所述时间序列样本数据中的异常点数据。
在本发明一实施例中，根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本包含：根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据；将所述历史监控数据重组为预定数量的长度相等的时间序列数据；对所述时间序列数据做归一化处理后拼接生成时间序列样本。
本发明还提供一种计算机设备，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计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：该模型无需运维人员手工设置阈值或配置脚本，而是根据数据分布形态和历史规律自动判断当前时间点的监控指标数据是否正常。鉴于国内银行系统的监控指标数据都是以固定时间频率采集的时间序列，本发明基于时间序列独有的特征构建了一种监控指标数据的智能异常检测模型，模型输出1表示正常，输出0表示异常，异常时同时输出异常概率值供运维人员决策使用。本发明可以提高运维人员的工作效率，降低银行系统的运维成本，有效保障银行系统的正常运行。
如图8所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图8中所示的所有部件；此外，电子设备600还可以包括图8中没有示出的部件，可以参考现有技术。
如图8所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种银行系统监控数据异常检测系统，其特征在于，所述系统包含：监控数据采集模块、数据预处理模块、无监督检测模块和有监督模块；
所述监控数据采集模块用于采集监控数据；
所述数据预处理模块用于根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本；
所述无监督检测模块用于根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；
所述有监督模型用于根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型；以及，根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
2.根据权利要求1所述的银行系统监控数据异常检测系统，其特征在于，所述有监督模块包含特征提取模块、有监督训练模块和有监督检测模块；
所述特征提取模块用于根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵；
所述有监督训练模块用于根据所述特征矩阵及所述时间序列样本，通过Xgboost模型训练获得异常检测模型；以及，通过网格搜索法优化更新所述异常检测模型；
所述有监督检测模块用于根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
3.根据权利要求2所述的银行系统监控数据异常检测系统，其特征在于，所述特征提取模块包含拟合类型提取单元，所述拟合类型提取单元用于根据所述异常点数据通过EWMA模型、移动平均模型、Double EWMA模型对时间序列进行平滑操作，根据平滑后的值生成特征值。
4.根据权利要求1所述的银行系统监控数据异常检测系统，其特征在于，所述无监督检测模块通过3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林模型中一个或多个的组合提取所述时间序列样本数据中的异常点数据。
5.根据权利要求1所述的银行系统监控数据异常检测系统，其特征在于，所述数据预处理模块包含数据提取单元、数据重组单元和数据处理单元；
所述数据提取单元用于根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据；
所述数据重组单元用于将所述历史监控数据重组为预定数量的长度相等的时间序列数据；
所述数据处理单元用于对所述时间序列数据做归一化处理后拼接生成时间序列样本。
6.一种银行系统监控数据异常检测方法，其特征在于，所述方法包含：
采集监控数据；
根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本；
根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据；
根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型；
根据待检测监控数据的时间序列样本和所述异常检测模型计算获得待检测监控数据的异常检测结果。
7.根据权利要求6所述的银行系统监控数据异常检测方法，其特征在于，根据所述异常点数据通过特征提取生成特征矩阵，根据所述特征矩阵及所述时间序列样本通过机器学习算法训练获得异常检测模型包含：
根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵；
根据所述特征矩阵及所述时间序列样本，通过Xgboost模型训练获得异常检测模型；
通过网格搜索法优化更新所述异常检测模型。
8.根据权利要求7所述的银行系统监控数据异常检测方法，其特征在于，根据所述异常点数据提取统计类型、拟合类型、分类类型中一种或多种的特征值，根据所述特征值生成特征矩阵包含：
根据所述异常点数据通过EWMA模型、移动平均模型、Double EWMA模型对时间序列进行平滑操作，根据平滑后的值生成特征值。
9.根据权利要求6所述的银行系统监控数据异常检测方法，其特征在于，根据所述时间序列样本数据通过预设的一个或多个机器学习模型提取异常点数据包含：
通过3-sigma模型、多项式岭回归模型、EWMA控制图模型和孤立森林模型中一个或多个的组合提取所述时间序列样本数据中的异常点数据。
10.根据权利要求6所述的银行系统监控数据异常检测方法，其特征在于，根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据，通过所述监控数据和历史监控数据生成时间序列样本包含：
根据所述监控数据的采集时间点，采集历史监控数据中该采集时间点前后预设时间范围的历史监控数据；
将所述历史监控数据重组为预定数量的长度相等的时间序列数据；
对所述时间序列数据做归一化处理后拼接生成时间序列样本。
11.一种计算机设备，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计算机程序时实现权利要求6至10任一所述方法。
12.一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存储有执行权利要求6至10任一所述方法的计算机程序。
CN202010130378.9A 2020-02-28 2020-02-28 银行系统监控数据异常检测方法及系统 Pending CN111352971A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010130378.9A CN111352971A (zh) 2020-02-28 2020-02-28 银行系统监控数据异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010130378.9A CN111352971A (zh) 2020-02-28 2020-02-28 银行系统监控数据异常检测方法及系统

Publications (1)

Publication Number Publication Date
CN111352971A true CN111352971A (zh) 2020-06-30

Family

ID=71192474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010130378.9A Pending CN111352971A (zh) 2020-02-28 2020-02-28 银行系统监控数据异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN111352971A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069037A (zh) * 2020-08-21 2020-12-11 苏州浪潮智能科技有限公司 一种云平台无阈值检测的方法和装置
CN112187555A (zh) * 2020-12-01 2021-01-05 北京蒙帕信创科技有限公司 一种基于机器学习的实时kpi数据异常检测方法及装置
CN112181792A (zh) * 2020-09-21 2021-01-05 苏州浪潮智能科技有限公司 一种时序数据异常标注的方法、系统及相关组件
CN112288021A (zh) * 2020-11-02 2021-01-29 广东柯内特环境科技有限公司 一种医疗废水监测数据质控方法、装置及系统
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
CN113568774A (zh) * 2021-07-27 2021-10-29 东华大学 使用无监督深度神经网络的多维时序数据实时异常检测方法
CN113626502A (zh) * 2021-08-13 2021-11-09 南方电网深圳数字电网研究院有限公司 基于集成学习的电网数据异常检测方法及装置
CN113673908A (zh) * 2021-09-03 2021-11-19 中国银行股份有限公司 银行网点满意度计算方法及装置
CN113887926A (zh) * 2021-09-28 2022-01-04 国家电网有限公司华东分部 电网审计系统及方法
CN114090411A (zh) * 2022-01-20 2022-02-25 山东中创软件商用中间件股份有限公司 一种应用数据分析方法、装置、设备及可读存储介质
WO2022251815A1 (en) * 2021-05-25 2022-12-01 Google Llc Point anomaly detection
CN115691144A (zh) * 2023-01-03 2023-02-03 西南交通大学 一种异常交通状态监测方法、装置、设备及可读存储介质
WO2023125837A1 (zh) * 2021-12-31 2023-07-06 深圳云天励飞技术股份有限公司 设备状态监控方法、装置、计算机设备及存储介质
CN116719861A (zh) * 2023-06-27 2023-09-08 哈尔滨源芯智能科技发展有限公司 一种基于大数据的多源数据交互管理系统及方法
CN117829689A (zh) * 2024-03-05 2024-04-05 顺通信息技术科技(大连)有限公司 一种基于云计算的经营数据筛选方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169360A1 (en) * 2013-04-02 2017-06-15 Patternex, Inc. Method and system for training a big data machine to defend
CN109032829A (zh) * 2018-07-23 2018-12-18 腾讯科技（深圳）有限公司 数据异常检测方法、装置、计算机设备及存储介质
CN109815084A (zh) * 2018-12-29 2019-05-28 北京城市网邻信息技术有限公司 异常识别方法、装置和电子设备及存储介质
WO2020038353A1 (zh) * 2018-08-21 2020-02-27 瀚思安信（北京）软件技术有限公司 异常行为检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170169360A1 (en) * 2013-04-02 2017-06-15 Patternex, Inc. Method and system for training a big data machine to defend
CN109032829A (zh) * 2018-07-23 2018-12-18 腾讯科技（深圳）有限公司 数据异常检测方法、装置、计算机设备及存储介质
WO2020038353A1 (zh) * 2018-08-21 2020-02-27 瀚思安信（北京）软件技术有限公司 异常行为检测方法及系统
CN109815084A (zh) * 2018-12-29 2019-05-28 北京城市网邻信息技术有限公司 异常识别方法、装置和电子设备及存储介质

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069037A (zh) * 2020-08-21 2020-12-11 苏州浪潮智能科技有限公司 一种云平台无阈值检测的方法和装置
CN112181792A (zh) * 2020-09-21 2021-01-05 苏州浪潮智能科技有限公司 一种时序数据异常标注的方法、系统及相关组件
CN112288021B (zh) * 2020-11-02 2022-04-29 广东柯内特环境科技有限公司 一种医疗废水监测数据质控方法、装置及系统
CN112288021A (zh) * 2020-11-02 2021-01-29 广东柯内特环境科技有限公司 一种医疗废水监测数据质控方法、装置及系统
CN112187555A (zh) * 2020-12-01 2021-01-05 北京蒙帕信创科技有限公司 一种基于机器学习的实时kpi数据异常检测方法及装置
US11928017B2 (en) 2021-05-25 2024-03-12 Google Llc Point anomaly detection
WO2022251815A1 (en) * 2021-05-25 2022-12-01 Google Llc Point anomaly detection
CN113568774A (zh) * 2021-07-27 2021-10-29 东华大学 使用无监督深度神经网络的多维时序数据实时异常检测方法
CN113568774B (zh) * 2021-07-27 2024-01-16 东华大学 使用无监督深度神经网络的多维时序数据实时异常检测方法
CN113626502A (zh) * 2021-08-13 2021-11-09 南方电网深圳数字电网研究院有限公司 基于集成学习的电网数据异常检测方法及装置
CN113626502B (zh) * 2021-08-13 2024-05-14 南方电网数字平台科技(广东)有限公司 基于集成学习的电网数据异常检测方法及装置
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
CN113673908A (zh) * 2021-09-03 2021-11-19 中国银行股份有限公司 银行网点满意度计算方法及装置
CN113887926A (zh) * 2021-09-28 2022-01-04 国家电网有限公司华东分部 电网审计系统及方法
WO2023125837A1 (zh) * 2021-12-31 2023-07-06 深圳云天励飞技术股份有限公司 设备状态监控方法、装置、计算机设备及存储介质
CN114090411A (zh) * 2022-01-20 2022-02-25 山东中创软件商用中间件股份有限公司 一种应用数据分析方法、装置、设备及可读存储介质
CN115691144A (zh) * 2023-01-03 2023-02-03 西南交通大学 一种异常交通状态监测方法、装置、设备及可读存储介质
CN116719861A (zh) * 2023-06-27 2023-09-08 哈尔滨源芯智能科技发展有限公司 一种基于大数据的多源数据交互管理系统及方法
CN117829689A (zh) * 2024-03-05 2024-04-05 顺通信息技术科技(大连)有限公司 一种基于云计算的经营数据筛选方法和系统
CN117829689B (zh) * 2024-03-05 2024-05-14 顺通信息技术科技(大连)有限公司 一种基于云计算的经营数据筛选方法和系统

Similar Documents

Publication Publication Date Title
CN111352971A (zh) 银行系统监控数据异常检测方法及系统
CN111507376A (zh) 一种基于多种无监督方法融合的单指标异常检测方法
CN111950622B (zh) 基于人工智能的行为预测方法、装置、终端及存储介质
CN111582341B (zh) 用户异常操作预测方法及装置
CN111796957A (zh) 基于应用日志的交易异常根因分析方法及系统
CN111738331A (zh) 用户分类方法及装置、计算机可读存储介质、电子设备
CN111126820A (zh) 反窃电方法及系统
CN112836720A (zh) 建筑运维设备异常诊断方法、系统及计算机可读存储介质
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN117154263A (zh) 锂电池梯次利用充放电系统及控制方法
CN111062827B (zh) 一种基于人工智能模式的工程监理方法
CN105426915A (zh) 基于支持向量机的预测方法及系统
CN110956543A (zh) 异常交易检测的方法
CN112651172B (zh) 一种降雨峰值类型划分方法、装置、设备和存储介质
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN111352820A (zh) 一种高性能应用运行状态预测和监控方法、设备和装置
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN105469141A (zh) 基于神经网络的预测方法及系统
CN111798237B (zh) 基于应用日志的异常交易诊断方法及系统
CN111680572B (zh) 一种电网运行场景动态判定方法及系统
CN107679478A (zh) 输电线路空间负荷状态的提取方法和系统
CN114553468A (zh) 一种基于特征交叉与集成学习的三级网络入侵检测方法
CN114626433A (zh) 一种智能电能表故障预测并分类方法、装置及系统
CN114580761A (zh) 蒸汽量异常确定方法、装置、电子设备和可读存储介质
CN110458383B (zh) 需求处理服务化的实现方法、装置及计算机设备、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