CN111416744B - 互联网线上监控报警的方法及装置 - Google Patents

互联网线上监控报警的方法及装置 Download PDF

Info

Publication number
CN111416744B
CN111416744B CN202010213754.0A CN202010213754A CN111416744B CN 111416744 B CN111416744 B CN 111416744B CN 202010213754 A CN202010213754 A CN 202010213754A CN 111416744 B CN111416744 B CN 111416744B
Authority
CN
China
Prior art keywords
influence factors
monitoring
log
principal component
component analysis
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.)
Active
Application number
CN202010213754.0A
Other languages
English (en)
Other versions
CN111416744A (zh
Inventor
汤婷婷
任家栋
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010213754.0A priority Critical patent/CN111416744B/zh
Publication of CN111416744A publication Critical patent/CN111416744A/zh
Application granted granted Critical
Publication of CN111416744B publication Critical patent/CN111416744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/06—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
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring

Landscapes

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

Abstract

本申请实施例提供一种互联网线上监控报警的方法及装置，涉及数据处理技术领域，具体包括：利用互联网中监控对象的历史数据建立多元线性回归模型，获取与监控对象相关的日志；在日志中选取多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到多个影响因子的输入值；将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；在日志中的实际监控值超过监控预测阈值时触发报警。本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以降低误报警的概率。

Description

互联网线上监控报警的方法及装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种互联网线上监控报警的方法及装置。
背景技术
在互联网产品的运行中，可能会发生运行异常的情况。例如，在网盘的运行中，如果负责网盘收银的客户端出现故障等，会导致用户无法下单购买网盘，影响网盘的正常运营。
现有技术中，可以设定固定报警阈值，并线上监控网络运行情况，如果达到报警阈值就报警提示。
但是现有技术中的误报警率较高，误报警会导致运营人员执行不必要的排查等，造成资源浪费。
发明内容
本申请实施例提供一种互联网线上监控报警的方法及装置，以解决现有技术中互联网线上监控时误报警率较高的技术问题。
本申请实施例第一方面提供一种互联网线上监控报警的方法，包括：
利用互联网中监控对象的历史数据建立多元线性回归模型，所述多元线性回归模型中包括：多个影响因子，以及各所述影响因子的回归系数；获取与所述监控对象相关的日志；在所述日志中选取所述多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；在所述日志中的实际监控值超过所述监控预测阈值的情况下，触发报警。即本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
一种可能的实现方式中，所述监控对象包括下述的一种或多种：网盘性能、应用程序性能、服务稳定性能、页面浏览量、日活跃用户数量或调起成功率。
一种可能的实现方式中，所述影响因子包括下述的一种或多种：网络速度、运营商、网络协议IP地理位置、软件版本、前端框架版本。实践中，采用上述影响因子监控软件展现的白屏PV，可以达到较好的监控效果。
一种可能的实现方式中，所述多元线性回归模型为：
Y＝b0+b1X1+b2X2+…+bkXk
其中，Y为监控预测阈值，b0为常数项；b1，b2，…,bk为回归系数，X1，X2，…,Xk为影响因子。
一种可能的实现方式中，所述利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值，包括：利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值。利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
一种可能的实现方式中，所述利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值，包括：将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵；计算所述标准化矩阵的相关系数矩阵；解析所述相关系数矩阵的多个特征向量；将所述多个特征向量转化得到所述多个影响因子的输入值。
一种可能的实现方式中，所述触发报警包括：向预设社交账号发送报警信息。
一种可能的实现方式中，所述报警信息包括所述日志的获取时间信息。这样，在运维人员在接收到报警信息时，可以依据日志的获取时间信息定位到出现异常的时间段，从而能减少定位异常需要排查的数据量，降低排查成本。
本申请实施例第二方面提供一种互联网线上监控报警的装置，包括：
模型建立模块，用于利用互联网中监控对象的历史数据建立多元线性回归模型，所述多元线性回归模型中包括：多个影响因子，以及各所述影响因子的回归系数；
获取模块，用于获取与所述监控对象相关的日志；
计算模块，用于在所述日志中选取所述多个影响因子的候选值；
所述计算模块，还用于利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；
所述计算模块，还用于将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；
报警模块，用于在所述日志中的实际监控值超过所述监控预测阈值的情况下，触发报警。
一种可能的实现方式中，所述监控对象包括下述的一种或多种：网盘性能、应用程序性能、服务稳定性能、页面浏览量、日活跃用户数量或调起成功率。
一种可能的实现方式中，所述影响因子包括下述的一种或多种：网络速度、运营商、网络协议IP地理位置、软件版本、前端框架版本。
一种可能的实现方式中，所述多元线性回归模型为：
Y＝b0+b1X1+b2X2+…+bkXk
其中，Y为监控预测阈值，b0为常数项；b1，b2，…,bk为回归系数，X1，X2，…,Xk为影响因子。
一种可能的实现方式中，所述计算模块，具体用于：
利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值。
一种可能的实现方式中，所述计算模块，具体用于：
将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵；
计算所述标准化矩阵的相关系数矩阵；
解析所述相关系数矩阵的多个特征向量；
将所述多个特征向量转化得到所述多个影响因子的输入值。
一种可能的实现方式中，所述报警模块，具体用于：向预设社交账号发送报警信息。
一种可能的实现方式中，所述报警信息包括所述日志的获取时间信息。
本申请实施例第三方面提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述第一方面任一项所述的方法。
本申请实施例第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如前述第一方面中任一项所述的方法。
综上所述，本申请实施例相对于现有技术的有益效果：
本申请实施例中提供了一种互联网线上监控报警的方法及装置，可以根据日志和多元线性回归模型动态的计算报警阈值，该报警阈值是符合实际网络运行情况的，因此，能够降低误报警的概率。具体的，可以利用互联网中监控对象的历史数据建立多元线性回归模型，多元线性回归模型中包括：多个影响因子，以及各影响因子的回归系数；获取与监控对象相关的日志；在日志中选取多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到多个影响因子的输入值；将多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；在日志中的实际监控值超过监控预测阈值的情况下，触发报警。即本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
附图说明
图1为本申请实施例提供的互联网线上监控报警的方法适用的系统架构示意图；
图2为本申请实施例提供的互联网线上监控报警的方法的流程示意图；
图3为本申请实施例提供的互联网线上监控报警平台的曲线对比示意图；
图4为本申请实施例提供的互联网线上监控报警装置的结构示意图；
图5是用来实现本申请实施例的互联网线上监控报警的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
本申请实施例的方法可以应用于终端或服务器或服务器集群，终端可以包括：手机、平板电脑、笔记本电脑、或者台式电脑等电子设备。服务器集群可以是包含多个服务器的集群系统。本申请实施例对应用的具体设备不作具体限定。
本申请实施例所描述的互联网中的监控对象可以是对互联网中的产品运营有影响的对象。例如，互联网中的监控对象可以是下述的一种或多种，网盘性能、应用程序(application，APP)性能、服务稳定性能、页面浏览量(page view，PV)、日活跃用户数量(daily active user，DAU)或调起成功率。
示例性的，网盘性能可以是与网盘运行相关的性能，该相关的性能如果异常，可能影响网盘的正常运行。网盘性能比如可以为下述的一种或多种：网盘收银设备一段时间内的下单数量，或者网盘运行时的白屏次数，或者网盘运行时的运行速率，或者网盘的页面浏览量等，本申请实施例对此不作具体限定。
示例性的，应用程序性能可以是与应用程序运行相关的性能，该相关的性能如果异常，可能影响APP的正常运行。应用程序性能比如可以为下述的一种或多种：页加载时长，或页面渲染平均时长，等，本申请实施例对此不作具体限定。
示例性的，服务稳定性能可以是与服务稳定性相关的性能，该相关的性能如果异常，可能影响服务的温度性。服务稳定性能比如可以为下述的一种或多种：服务中的白屏次数，或者服务中的运行速率，等，本申请实施例对此不作具体限定。
在一些可能的应用场景中，页面浏览量可以是不区分具体用户的页面总浏览量。在一些可能的应用场景中，将页面浏览量也可以是针对某个用户的页面浏览量，该场景中，页面浏览量也可以称为用户浏览量(user view，UV)。
DAU常用于反映网站、互联网应用或网络游戏的运营情况。DAU通常统计一日(统计日)之内，登录或使用了某个产品的用户数(去除重复登录的用户)，与流量统计工具里的UV概念相似。
本申请实施例所描述的影响因子的候选值是从日志中初步筛选的候选值，各候选值之间可能存在重复的内容。后续基于主成分分析法对多个影响因子的候选值进行主成分分析，可以提取各候选值的主成分，消除各候选值之间的相关性，得到较为准确的多个影响因子的输入值。
如图1所示，图1为本申请实施例提供的方法所适用的应用场景架构示意图。
本申请实施例的方法可以适应互联网软件多种监控报警场景，如商业收入监控、DAU日活、服务稳定性、PV/UV、APP性能监控(首页加载时长、页面渲染平均时长)、调起成功率等，为了便于描述，后续实施例以监控软件展现的白屏PV为例，说明预测白屏PV报警阈值，以及实现白屏PV监控报警的场景实现，可以理解，该场景不是为了限定本申请。
本申请实施例中，用户可以在终端设备11执行任何可能的用户操作，基于用户操作，终端设备11可以与服务器12交互，服务器12可以根据交互过程生成日志，以及存储日志。示例性的，日志可以是客户端日志，也可以是服务端日志等。
服务器12预先可以根据监控对象的历史数据预先训练多元线性回归模型(multivariable linear regression model)，多元线性回归模型中可以包括：多个影响因子，以及各影响因子的回归系数。该监控对象的历史数据可以是服务器12本地存储的，也可以是服务器12从网络中获取的，本申请实施例催促不作具体限定。
在对监控对象进行监控报警时，服务器12可以从本地或从终端设备11与监控对象相关的日志；在日志中选取多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到多个影响因子的输入值；将多个影响因子的输入值带入多元线性回归模型，计算得到监控预测阈值；在日志中的实际监控值超过监控预测阈值的情况下，触发报警。
可以理解，具体应用中，服务器的数量可以为大于或等于1的任意值，本申请实施例对此不作具体限定。
即本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
如图2所示，图2为本申请实施例提供的互联网线上监控报警的方法的流程示意图。该方法具体可以包括：
S101：利用互联网中监控对象的历史数据建立多元线性回归模型，所述多元线性回归模型中包括：多个影响因子，以及各所述影响因子的回归系数。
本申请实施例所描述的影响因子是对具体的互联网运行中有较重要影响的因子，影响因子可以根据实际的应用场景确定，例如，可以从整个页面加载框架流程出发，筛选出合适的影响因子。本申请实施例对影响因子不作具体限定。
本申请实施例所描述的多元线性回归模型可以用于预测监控阈值，在多元线性回归模型的训练过程，可以不断调整个影响因子的回归系数，直到得到能够输出准确监控阈值的多元线性回归模型。在多元线性回归模型建立后，多元线性回归模型中的各影响因子的回归系数为固定值，后续将实时计算的各影响因子的值带入多元线性回归模型中，可以得到实时的监控预测阈值。
S102：获取与所述监控对象相关的日志。
本申请实施例的日志可以用于记录客户端与服务器交互过程中产生的数据等，基于日志，可以分析监控对象的情况。可能的实现中，日志可以是基于服务器与客户端的交互产生的，日志可以存储在服务器中，也可以存储在网络或其他位置。
服务器可以基于监控对象相关的标识或指标等，从本地或客户端或网络等获取与监控对象相关的日志。
一种可能实现方式中，服务器可以定期获取与监控对象相关的日志，例如每5-20分钟等获取一次与监控对象相关的日志，本申请实施例对服务器获取与监控对象相关的日志不作具体限定。
S103：在所述日志中选取所述多个影响因子的候选值。
本申请实施例中，服务器可以在日志中采用通常的任意能够实现的方式选取多个影响因子的候选值，本申请实施例对在日志中选取多个影响因子的候选值不作具体限定。
S104：利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值。
主成分分析法(principal component analysis，PCA)是一种统计方法,通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
本申请实施例中，可以采用主成分分析法对多个影响因子的候选值进行主成分分析，消除多个影响因子的候选值之间的相关性，得到多个影响因子的输入值。可以理解，主成分分析法是较为公知的统计方法，本申请实施例是将主成分分析法应用于对多个影响因子的候选值的主成分分析，以得到多个影响因子的输入值，因此不再赘述主成分分析法的具体计算方式。
S105：将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值。
本申请实施例中，基于S104计算得到的多个影响因子的输入值，将其对应带入多元线性回归模型，即可以计算得到监控预测阈值。
S106：在所述日志中的实际监控值超过所述监控预测阈值的情况下，触发报警。
本申请实施例中，日志中可以包括实际监控值，如果实际监控值超过监控预测阈值，则说明存在指标不正常的情况，则可以触发报警。
一种可能的实现方式中，所述触发报警包括：向预设社交账号发送报警信息。报警信息可以是提示报警的文字、图像或语音等内容，本申请实施例对报警信息不作限定。示例性的，触发报警时，可以向运维人员的邮箱发送邮件，或者向手机发送短信，或者向任意的社交应用程序发送消息等，本申请实施例对此不作具体限定。
一种可能的实现方式中，所述报警信息包括所述日志的获取时间信息。这样，在运维人员在接收到报警信息时，可以依据日志的获取时间信息定位到出现异常的时间段，从而能减少定位异常需要排查的数据量，降低排查成本。
综上所述，本申请实施例中提供了一种互联网线上监控报警的方法及装置，可以根据日志和多元线性回归模型动态的计算报警阈值，该报警阈值是符合实际网络运行情况的，因此，能够降低误报警的概率。具体的，可以利用互联网中监控对象的历史数据建立多元线性回归模型，多元线性回归模型中包括：多个影响因子，以及各影响因子的回归系数；获取与监控对象相关的日志；在日志中选取所述多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；在日志中的实际监控值超过监控预测阈值的情况下，触发报警。即本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
在图2对应的实施例的基础上，示例性的，以监控软件展现的白屏PV为例，影响因子可以包括下述的一种或多种：网络速度、运营商、网络协议IP地理位置、软件版本、前端框架版本，等。实践中，采用上述影响因子监控软件展现的白屏PV，可以达到较好的监控效果。
在图2对应的实施例的基础上，示例性的，所述多元线性回归模型为：
Y＝b0+b1X1+b2X2+…+bkXk
其中，Y为监控预测阈值，b0为常数项；b1，b2，…,bk为回归系数，X1，X2，…,Xk为影响因子。
可以理解，回归系数与影响因子之间具有一一对应的关系，例如b1为X1，X2，…,Xk固定时，X1每增加一个单位对Y的效应，即X1对Y的偏回归系数；同理b2为X2对Y的偏回归系数，bk为Xk对Y的偏回归系数。
在图2对应的实施例的基础上，示例性的，利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值，包括：利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值。
例如，所述利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值，包括：将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵；计算所述标准化矩阵的相关系数矩阵；解析所述相关系数矩阵的多个特征向量；将所述多个特征向量转化得到所述多个影响因子的输入值。
示例性的，在将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵的步骤中，对于每个影响因子L的候选值，可以将其展开为q维向量，即L＝(L1，L2，…Lq)T。
进而根据Xi＝(Lj1，Lj2，…Ljq)T,i＝1，2，3…n,n>q,其中Xi即为多元线性回归模型中的影响因子(例如网络速度、运营商、IP地理位置、软件版本、前端框架版本等影响因子)，构造样本矩阵，对样本矩阵做如下变换：
Figure BDA0002423699790000101
其中，i＝1，2，3…n；j＝1,2,…,p；sj为第j个指标的样本标准差。
由此得到标准化矩阵Z。
在计算所述标准化矩阵的相关系数矩阵的步骤中，对标准化矩阵Z求相关系数矩阵R：
Figure BDA0002423699790000102
其中，
Figure BDA0002423699790000103
i，j＝1,2…p，Xp是指i行j列矩阵队列，p为i，j的取值。
在解析所述相关系数矩阵的多个特征向量的步骤中，相关系数矩阵R的特征方程|R-λIp|＝0，其中，λ为特征值，Ip是P维P列的单位矩阵，从而可以得到p个特征根，确定主成分时可以按照
Figure BDA0002423699790000104
确定m值，使信息的利用率达85％以上，对于每一个λ，j＝1，2，…,m解方程组Rb＝λjb得到单位的特征向量/>
Figure BDA0002423699790000105
在将所述多个特征向量转化得到所述多个影响因子的输入值的步骤中，将标准化后的指标变量转化为主成分：
Figure BDA0002423699790000106
j＝1，2，…，m。
U1称为第一主成分，U2称为第二主成分,…,Up称为第p主成分，其中U1，U2…,Up即为多元线性回归模型中的多个影响因子的输入值。
将U1，U2…,Up的值带入到多元线性回归模型中，可以得到线性回归的预测模型方程，从而得到监控预测阈值。如果实际值超过预测阈值即可以触发报警。
实践中，如图3所示，示出了一种监控预测阈值与实际值得关系曲线，曲线31为监控预测阈值的曲线，曲线32为实际值的曲线。可见，本申请实施例的监控预测阈值是与实际值的曲线走向基本相似的，从而可以低无效报警次数，解决原来的固定阈值报警监控策略带来误报警，降低监控报警的误报、漏报率。
图4为本申请提供的互联网线上监控报警的装置一实施例的结构示意图。如图4所示，本实施例提供的互联网线上监控报警的装置包括：
模型建立模块41，用于利用互联网中监控对象的历史数据建立多元线性回归模型，所述多元线性回归模型中包括：多个影响因子，以及各所述影响因子的回归系数；
获取模块42，用于获取与所述监控对象相关的日志；
计算模块43，用于在所述日志中选取所述多个影响因子的候选值；
所述计算模块43，还用于利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；
所述计算模块43，还用于将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；
报警模块44，用于在所述日志中的实际监控值超过所述监控预测阈值的情况下，触发报警。
一种可能的实现方式中，所述监控对象包括下述的一种或多种：网盘性能、应用程序性能、服务稳定性能、页面浏览量、日活跃用户数量或调起成功率。
一种可能的实现方式中，所述影响因子包括下述的一种或多种：网络速度、运营商、网络协议IP地理位置、软件版本、前端框架版本。
一种可能的实现方式中，所述多元线性回归模型为：
Y＝b0+b1X1+b2X2+…+bkXk
其中，Y为监控预测阈值，b0为常数项；b1，b2，…,bk为回归系数，X1，X2，…,Xk为影响因子。
一种可能的实现方式中，所述计算模块，具体用于：
利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值。
一种可能的实现方式中，所述计算模块，具体用于：
将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵；
计算所述标准化矩阵的相关系数矩阵；
解析所述相关系数矩阵的多个特征向量；
将所述多个特征向量转化得到所述多个影响因子的输入值。
一种可能的实现方式中，所述报警模块，具体用于：向预设社交账号发送报警信息。
一种可能的实现方式中，所述报警信息包括所述日志的获取时间信息。
本申请实施例中提供了一种互联网线上监控报警的方法及装置，可以根据日志和多元线性回归模型动态的计算报警阈值，该报警阈值是符合实际网络运行情况的，因此，能够降低误报警的概率。具体的，可以利用互联网中监控对象的历史数据建立多元线性回归模型，多元线性回归模型中包括：多个影响因子，以及各影响因子的回归系数；获取与监控对象相关的日志；在日志中选取所述多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；在日志中的实际监控值超过监控预测阈值的情况下，触发报警。即本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
本申请各实施例提供的互联网线上监控报警的装置可用于执行如前述各对应的实施例所示的方法，其实现方式与原理相同，不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图5所示，是根据本申请实施例的互联网线上监控报警的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的互联网线上监控报警的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的互联网线上监控报警的方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的互联网线上监控报警的方法对应的程序指令/模块(例如，附图4所示的模型建立模块41、获取模块42、计算模块43和报警模块44)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的互联网线上监控报警的方法。
存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据互联网线上监控报警的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至互联网线上监控报警的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
互联网线上监控报警的方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息，以及产生与互联网线上监控报警的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，本申请实施例中提供了一种互联网线上监控报警的方法及装置，可以根据日志和多元线性回归模型动态的计算报警阈值，该报警阈值是符合实际网络运行情况的，因此，能够降低误报警的概率。具体的，可以利用互联网中监控对象的历史数据建立多元线性回归模型，多元线性回归模型中包括：多个影响因子，以及各影响因子的回归系数；获取与监控对象相关的日志；在日志中选取所述多个影响因子的候选值；利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；在日志中的实际监控值超过监控预测阈值的情况下，触发报警。即本申请实施例中，监控预测阈值是依据网络运行情况动态计算的，且利用主成分分析法对多个候选因子进行主成分分析，可以得到准确的多个影响因子的输入值，从而可以得到准确的监控预测阈值，因此能够降低误报警的概率。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种互联网线上监控报警的方法，其特征在于，所述方法包括：
利用互联网中监控对象的历史数据建立多元线性回归模型，所述多元线性回归模型中包括：多个影响因子，以及各所述影响因子的回归系数；
获取与所述监控对象相关的日志；
在所述日志中选取所述多个影响因子的候选值；
利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值；
将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；
在所述日志中的实际监控值超过所述监控预测阈值的情况下，向预设社交账号发送报警信息，所述报警信息包括所述日志的获取时间信息。
2.根据权利要求1所述的方法，其特征在于，所述监控对象包括下述的一种或多种：网盘性能、应用程序性能、服务稳定性能、页面浏览量、日活跃用户数量或调起成功率。
3.根据权利要求1或2所述的方法，其特征在于，所述影响因子包括下述的一种或多种：网络速度、运营商、网络协议IP地理位置、软件版本、前端框架版本。
4.根据权利要求1所述的方法，其特征在于，所述多元线性回归模型为：
Y＝b0+b1X1+b2X2+…+bkXk
其中，Y为监控预测阈值，b0为常数项；b1，b2，…，bk为回归系数，X1，X2，...，Xk为影响因子。
5.根据权利要求1所述的方法，其特征在于，所述利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值，包括：
将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵；
计算所述标准化矩阵的相关系数矩阵；
解析所述相关系数矩阵的多个特征向量；
将所述多个特征向量转化得到所述多个影响因子的输入值。
6.一种互联网线上监控报警的装置，其特征在于，包括：
模型建立模块，用于利用互联网中监控对象的历史数据建立多元线性回归模型，所述多元线性回归模型中包括：多个影响因子，以及各所述影响因子的回归系数；
获取模块，用于获取与所述监控对象相关的日志；
计算模块，用于在所述日志中选取所述多个影响因子的候选值；
所述计算模块，还用于利用主成分分析法对所述多个影响因子的候选值进行主成分分析，得到所述多个影响因子的输入值；
所述计算模块，还用于将所述多个影响因子的输入值带入所述多元线性回归模型，计算得到监控预测阈值；
报警模块，用于在所述日志中的实际监控值超过所述监控预测阈值的情况下，向预设社交账号发送报警信息，所述报警信息包括所述日志的获取时间信息；
所述计算模块，具体用于：
利用主成分分析法消除所述多个影响因子的候选值的相关性，得到所述多个影响因子的输入值。
7.根据权利要求6所述的装置，其特征在于，所述监控对象包括下述的一种或多种：网盘性能、应用程序性能、服务稳定性能、页面浏览量、日活跃用户数量或调起成功率。
8.根据权利要求6或7所述的装置，其特征在于，所述影响因子包括下述的一种或多种：网络速度、运营商、网络协议IP地理位置、软件版本、前端框架版本。
9.根据权利要求6所述的装置，其特征在于，所述多元线性回归模型为：
Y＝b0+b1X1+b2X2+…+bkXk
其中，Y为监控预测阈值，b0为常数项；b1，b2，...，bk为回归系数，X1，X2，...，Xk为影响因子。
10.根据权利要求6所述的装置，其特征在于，所述计算模块，具体用于：
将所述多个影响因子的候选值分别标准化为相同维度的向量，计算得到标准化矩阵；
计算所述标准化矩阵的相关系数矩阵；
解析所述相关系数矩阵的多个特征向量；
将所述多个特征向量转化得到所述多个影响因子的输入值。
11.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-5任一项所述的方法的指令。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使所述计算机执行如权利要求1-5任一项所述的方法。
CN202010213754.0A 2020-03-24 2020-03-24 互联网线上监控报警的方法及装置 Active CN111416744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010213754.0A CN111416744B (zh) 2020-03-24 2020-03-24 互联网线上监控报警的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010213754.0A CN111416744B (zh) 2020-03-24 2020-03-24 互联网线上监控报警的方法及装置

Publications (2)

Publication Number Publication Date
CN111416744A CN111416744A (zh) 2020-07-14
CN111416744B true CN111416744B (zh) 2023-06-06

Family

ID=71493269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010213754.0A Active CN111416744B (zh) 2020-03-24 2020-03-24 互联网线上监控报警的方法及装置

Country Status (1)

Country Link
CN (1) CN111416744B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110086649A (zh) * 2019-03-19 2019-08-02 深圳壹账通智能科技有限公司 异常流量的检测方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528650A (zh) * 2015-12-02 2016-04-27 江苏省电力公司信息通信分公司 基于主成分分析和bp神经网络的机房温湿度预测方法
CN106295858A (zh) * 2016-07-29 2017-01-04 国电南瑞科技股份有限公司 一种电能表非健康度预测方法
CN110390478A (zh) * 2019-07-17 2019-10-29 江苏云脑数据科技有限公司 基于物联网的金融贷后监管系统与监管方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110086649A (zh) * 2019-03-19 2019-08-02 深圳壹账通智能科技有限公司 异常流量的检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN111416744A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN110347716B (zh) 日志数据处理方法、装置、终端设备及存储介质
WO2017117230A1 (en) Method and apparatus for facilitating on-demand building of predictive models
CN113157545A (zh) 业务日志的处理方法、装置、设备及存储介质
CN110798440B (zh) 异常用户检测方法、装置、系统及计算机存储介质
EP3852007B1 (en) Method, apparatus, electronic device, readable storage medium and program for classifying video
CN111831512B (zh) 用于排查运维异常的方法、装置、电子设备及存储介质
EP4134877A1 (en) Training method and apparatus for fault recognition model, fault recognition method and apparatus, and electronic device
CN113765873A (zh) 用于检测异常访问流量的方法和装置
CN112491617A (zh) 一种链路跟踪方法、装置、电子设备和介质
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
KR20180117460A (ko) 트랜드 분석에 기반하는 이슈 검출방법 및 그 장치
CN111158926B (zh) 业务请求分析方法、装置及设备
JP7128311B2 (ja) 文書種別の推奨方法、装置、電子機器、可読記憶媒体及びコンピュータプログラム製品
CN113595886A (zh) 即时通讯消息的处理方法、装置、电子设备及存储介质
CN116755974A (zh) 云计算平台运维方法、装置、电子设备及存储介质
CN111416744B (zh) 互联网线上监控报警的方法及装置
CN108768742B (zh) 网络构建方法及装置、电子设备、存储介质
CN116155541A (zh) 面向网络安全应用的自动化机器学习平台以及方法
CN113590447B (zh) 埋点处理方法和装置
CN112015623B (zh) 报表数据处理的方法、装置、设备及可读存储介质
CN113656391A (zh) 数据检测方法及装置、存储介质及电子设备
CN111177352B (zh) 投诉信息的处理方法、装置、电子设备及可读存储介质
CN111694686A (zh) 一种异常服务的处理方法、装置、电子设备及存储介质
CN115378746B (zh) 网络入侵检测规则生成方法、装置、设备以及存储介质
JP6994531B2 (ja) コールセンタ装置、処理方法及びプログラム

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
GR01 Patent grant
GR01 Patent grant