CN111563111A - 告警方法、装置、电子设备及存储介质 - Google Patents
告警方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111563111A CN111563111A CN202010397242.4A CN202010397242A CN111563111A CN 111563111 A CN111563111 A CN 111563111A CN 202010397242 A CN202010397242 A CN 202010397242A CN 111563111 A CN111563111 A CN 111563111A
- Authority
- CN
- China
- Prior art keywords
- alarm
- detection
- detection result
- target object
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 157
- 238000013145 classification model Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012372 quality testing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06F16/20—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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了一种告警方法、装置、电子设备及存储介质。该告警方法，包括以下步骤：获取待检测的目标对象以及与所述目标对象对应的检测类型；根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。本申请通过采用预设时间段内的检测结果参数来训练告警分类模型，从而可以提高告警分类模型的精准度，进而提高了告警的准确度。
Description
技术领域
本申请涉及计算机网络技术领域，具体而言，涉及一种告警方法、装置、电子设备及存储介质。
背景技术
企业级大数据平台系统上，数据质量为其提供洁净、结构清晰的数据，是企业级大数据平台省级系统开发数据产品、提供数据服务、发挥大数据价值的必要前提，是企业数据资产管理的关键因素。
数据质量的保障一般通过建设数据质量检测和监控系统，系统主要由数据采集、数据质量规则配置管理、数据质量检测、数据质量告警和报告等模块组成。数据质量的告警定义和规则通常根据人工经验来设置，一般都是根据数据的波动范围来进行设置，比如数据环比变化在0-5％之间认为是正常波动，不进行告警，变化在5％-10％之间为一般告警，变化在10％-20％之间为重要告警，大于20％为严重告警等。
静态的告警设置一般存储在文件或数据库中，数据质量检测模块读取这些设置，进行数据的检测，根据检测结果触发不同的告警，将告警推送给相关人员进行处理。
在企业数据中心，企业数据经常会发生许多变化，如数据之间的关系变化，数据正常的日常波动等，而现有的静态报警规则已经无法满足需要。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种告警方法、装置、电子设备及存储介质，可以提高告警的准确度。
第一方面，本申请实施例提供了一种告警方法，包括以下步骤：
获取待检测的目标对象以及与所述目标对象对应的检测类型；
根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；
获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；
将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
本申请通过采用预设时间段内的检测结果参数来训练告警分类模型，从而可以提高告警分类模型的精准度，进而提高了告警的准确度。
可选地，在本申请实施例所述的告警方法中，所述根据所述检测类型对所述目标对象进行检测，以得到检测结果参数的步骤包括：
连接所述目标对象对应的数据源，并获取所述数据源的当前数据以及历史数据；
根据所述检测类型对所述当前数据以及历史数据进行对应的计算，以得到检测结果参数。
可选地，在本申请实施例所述的告警方法中，所述检测类型包括以下类型中的一种或多种：
目标对象对应数据源的当前数据量、不同时间长度的周期内的数据量最大值及最小值、数据统计计算特征值、不同时间长度的周期内的数据量的滑动评价值。
可选地，在本申请实施例所述的告警方法中，所述获取预先训练得到的告警分类模型，包括：
从数据对象信息库获取所述目标对象在预设时间段内的检测结果参数；
应用所述预设时间段内的检测结果参数并基于预设算法构件告警分类模型。
可选地，在本申请实施例所述的告警方法中，所述预设算法包括逻辑回归算法或决策树算法。
可选地，在本申请实施例所述的告警方法中，所述根据所述检测类型对所述目标对象进行检测，以得到检测结果参数的步骤之后还包括：
将所述检测结果参数传输到对象信息库进行保存。
第二方面，本申请实施例还提供了一种告警装置，包括：
第一获取模块，用于获取待检测的目标对象以及与所述目标对象对应的检测类型；
检测模块，用于根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；
获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；
将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
可选地，在本申请实施例所述的告警装置中，所述检测模块包括：
连接所述目标对象对应的数据源，并获取所述数据源的当前数据以及历史数据；
根据所述检测类型对所述当前数据以及历史数据进行对应的计算，以得到检测结果参数。
第三方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第四方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知，本申请实施例通过获取待检测的目标对象以及与所述目标对象对应的检测类型；根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警；从而实现对目标对象的动态告警，本申请通过采用预设时间段内的检测结果参数来训练告警分类模型，从而可以提高告警分类模型的精准度，进而提高了告警的准确度。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的告警方法的一种流程图。
图2为本申请实施例提供的告警装置的一种结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本本申请一些实施例中的告警方法的流程图。该告警方法，包括以下步骤：
S101、获取待检测的目标对象以及与所述目标对象对应的检测类型。
S102、根据所述检测类型对所述目标对象进行检测，以得到检测结果参数。
S103、获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到。
S104、将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
其中，在该步骤S101中，该步骤主要通过数据质量检测配置模块来实现。该数据质量检测配置模块主要提供检测数据对象的录入和设置，进行检测目标对象的管理，形成数据质量检测对象库，为数据质量检测提供检测目标对象以及该目标对象的检测内容。
其中，该目标对象是指需要进行数据质量稽核和监控的目标，一般是企业定义的业务指标，这些业务指标一般是经过复杂的层层汇总计算得到的，计算完成后保存在数据库中，对应数据库中某张表的某个字段。数据质量检测配置首先配置检测对象，制定检测名称，如”每日通话费收入“，然后关联上数据库中对应的字段。
检测内容是指对检测对象的数据处理，告警生成器在构建告警分类模型时需要获取这些内容作为模型特征的一部分。
其中，检测类型包括以下类型中的一种或多种：目标对象对应数据源的当前数据量、不同时间长度的周期内的数据量最大值及最小值、数据统计计算特征值、不同时间长度的周期内的数据量的滑动评价值、同比增长或者下降比率、环比增长或者下降比率。
其中，在该步骤S102中，按照不同的检测内容，进行相应的计算。不同的检测内容，计算方式不同。例如，月均值的计算，获取计算对象最近一个月的数值进行平均。计算完成后输出检测结果参数，将检测结果输出到数据对象信息库中进行保存。该保存在对象信息库中的检测结果参数可以用于告警分类模型发训练。
具体地，该步骤S102包括以下子步骤：S1021、连接所述目标对象对应的数据源，并获取所述数据源的当前数据以及历史数据；S1022、根据所述检测类型对所述当前数据以及历史数据进行对应的计算，以得到检测结果参数。
其中，在该步骤S103中，该告警分类模型是采用告警模型训练器从对象信息库获取的检测结果参数训练得到。
该步骤S103包括:S1031、从数据对象信息库获取所述目标对象在预设时间段内的检测结果参数；S1032、应用所述预设时间段内的检测结果参数并基于预设算法构件告警分类模型。
为了提高准确度，每隔预设时间就需要重新选择最近预设时间段内的检测结果参数进行重新训练。该检测结果参数分为静态特征参数和动态特征参数，静态特征参数主要是指检测对象的业务相关信息，在一段时间内基本不发送变化，包括数据业务分类、引用数据的数量、数据影响其他数据的数量等。动态特征参数就是经过质量检测引擎计算输出的检测内容结果。其包括数据的生成时间，数据的当前值、各种周期的环比、同比、统计值等。应用这些静态特征参数以及动态特征参数构成告警特征，使用逻辑回归算法或决策树算法构建告警分类模型，进行模型的训练。
其中，在该步骤S104中，采用告警分类模型对数据质量检测引擎输出的检测结果参数进行告警的判别和评价，输出该目标对象的告警类型。其中，该告警类型分为无告警、一般告警、重要告警、严重告警四个等级。
由上可知，本申请实施例提高的告警方法通过获取待检测的目标对象以及与所述目标对象对应的检测类型；根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警；从而实现对目标对象的动态告警，本申请通过采用预设时间段内的检测结果参数来训练告警分类模型，从而可以提高告警分类模型的精准度，进而提高了告警的准确度。
请参照图2，图2是本申请实施例还提供了一种告警装置的结构示意图，告警装置，包括：第一获取模块201、检测模块202、第二获取模块203以及生成模块204。
其中，该第一获取模块201用于获取待检测的目标对象以及与所述目标对象对应的检测类型；该步骤主要通过数据质量检测配置模块来实现。该数据质量检测配置模块主要提供检测数据对象的录入和设置，进行检测目标对象的管理，形成数据质量检测对象库，为数据质量检测提供检测目标对象以及该目标对象的检测内容。
其中，该目标对象是指需要进行数据质量稽核和监控的目标，一般是企业定义的业务指标，这些业务指标一般是经过复杂的层层汇总计算得到的，计算完成后保存在数据库中，对应数据库中某张表的某个字段。数据质量检测配置首先配置检测对象，制定检测名称，如”每日通话费收入“，然后关联上数据库中对应的字段。
检测内容是指对检测对象的数据处理，告警生成器在构建告警分类模型时需要获取这些内容作为模型特征的一部分。
其中，检测类型包括以下类型中的一种或多种：目标对象对应数据源的当前数据量、不同时间长度的周期内的数据量最大值及最小值、数据统计计算特征值、不同时间长度的周期内的数据量的滑动评价值、同比增长或者下降比率、环比增长或者下降比率。
其中，该检测模块202用于根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；具体地，该检测模块202用于：连接所述目标对象对应的数据源，并获取所述数据源的当前数据以及历史数据；根据所述检测类型对所述当前数据以及历史数据进行对应的计算，以得到检测结果参数。按照不同的检测内容，进行相应的计算。不同的检测内容，计算方式不同。例如，月均值的计算，获取计算对象最近一个月的数值进行平均。计算完成后输出检测结果参数，将检测结果输出到数据对象信息库中进行保存。该保存在对象信息库中的检测结果参数可以用于告警分类模型发训练。
其中，该第二获取模块203用于获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；该第二获取模块203用于从数据对象信息库获取所述目标对象在预设时间段内的检测结果参数；应用所述预设时间段内的检测结果参数并基于预设算法构件告警分类模型。为了提高准确度，每隔预设时间就需要重新选择最近预设时间段内的检测结果参数进行重新训练。该检测结果参数分为静态特征参数和动态特征参数，静态特征参数主要是指检测对象的业务相关信息，在一段时间内基本不发送变化，包括数据业务分类、引用数据的数量、数据影响其他数据的数量等。动态特征参数就是经过质量检测引擎计算输出的检测内容结果。其包括数据的生成时间，数据的当前值、各种周期的环比、同比、统计值等。应用这些静态特征参数以及动态特征参数构成告警特征，使用逻辑回归算法或决策树算法构建告警分类模型，进行模型的训练。
其中，该生成模块204用于将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。采用告警分类模型对数据质量检测引擎输出的检测结果参数进行告警的判别和评价，输出该目标对象的告警类型。其中，该告警类型分为无告警、一般告警、重要告警、严重告警四个等级。
由上可知，本申请实施例提高的告警装置通过获取待检测的目标对象以及与所述目标对象对应的检测类型；根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警；从而实现对目标对象的动态告警，本申请通过采用预设时间段内的检测结果参数来训练告警分类模型，从而可以提高告警分类模型的精准度，进而提高了告警的准确度。
请参照图3，图3为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备3，包括：处理器301和存储器302，处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯，存储器302存储有处理器301可执行的计算机程序，当计算设备运行时，处理器301执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：获取待检测的目标对象以及与所述目标对象对应的检测类型；根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：
获取待检测的目标对象以及与所述目标对象对应的检测类型；根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种告警方法，其特征在于，包括以下步骤：
获取待检测的目标对象以及与所述目标对象对应的检测类型；
根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；
获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；
将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
2.根据权利要求1所述的告警方法，其特征在于，所述根据所述检测类型对所述目标对象进行检测，以得到检测结果参数的步骤包括：
连接所述目标对象对应的数据源，并获取所述数据源的当前数据以及历史数据；
根据所述检测类型对所述当前数据以及历史数据进行对应的计算，以得到检测结果参数。
3.根据权利要求1所述的告警方法，其特征在于，所述检测类型包括以下类型中的一种或多种：
目标对象对应数据源的当前数据量、不同时间长度的周期内的数据量最大值及最小值、数据统计计算特征值、不同时间长度的周期内的数据量的滑动评价值。
4.根据权利要求1所述的告警方法，其特征在于，所述获取预先训练得到的告警分类模型，包括：
从数据对象信息库获取所述目标对象在预设时间段内的检测结果参数；
应用所述预设时间段内的检测结果参数并基于预设算法构件告警分类模型。
5.根据权利要求4所述的告警方法，其特征在于，所述预设算法包括逻辑回归算法或决策树算法。
6.根据权利要求4所述的告警方法，其特征在于，所述根据所述检测类型对所述目标对象进行检测，以得到检测结果参数的步骤之后还包括：
将所述检测结果参数传输到对象信息库进行保存。
7.一种告警装置，其特征在于，包括：
第一获取模块，用于获取待检测的目标对象以及与所述目标对象对应的检测类型；
检测模块，用于根据所述检测类型对所述目标对象进行检测，以得到检测结果参数；
获取预先训练得到的告警分类模型，所述告警分类模型是基于预设时间段内的检测结果参数训练得到；
将所述检测结果参数输入所述告警分类模型，以生成对应类型的告警。
8.根据权利要求7所述的告警装置法，其特征在于，所述检测模块包括：
连接所述目标对象对应的数据源，并获取所述数据源的当前数据以及历史数据；
根据所述检测类型对所述当前数据以及历史数据进行对应的计算，以得到检测结果参数。
9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-6任一所述方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-6任一所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397242.4A CN111563111A (zh) | 2020-05-12 | 2020-05-12 | 告警方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010397242.4A CN111563111A (zh) | 2020-05-12 | 2020-05-12 | 告警方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111563111A true CN111563111A (zh) | 2020-08-21 |
Family
ID=72073358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010397242.4A Pending CN111563111A (zh) | 2020-05-12 | 2020-05-12 | 告警方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563111A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597142A (zh) * | 2020-12-26 | 2021-04-02 | 中国农业银行股份有限公司 | 一种数据质量检测方法和数据质量检测引擎 |
| CN114720014A (zh) * | 2022-03-17 | 2022-07-08 | 珠海格力电器股份有限公司 | 设备中管路连接的检测方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161810A1 (en) * | 2008-12-19 | 2010-06-24 | Sun Microsystems, Inc. | Generating a training data set for a pattern-recognition model for electronic prognostication for a computer system |
| US20170083692A1 (en) * | 2012-11-14 | 2017-03-23 | Blackberry Limited | Mobile communications device providing heuristic security authentication features and related methods |
| EP3223485A1 (en) * | 2016-03-25 | 2017-09-27 | Cisco Technology, Inc. | Method and device for dynamic device clustering using device profile information |
| CN109885452A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技（深圳）有限公司 | 性能监控方法、装置及终端设备 |
| CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法及装置 |
| 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 |
| CN110175756A (zh) * | 2019-05-07 | 2019-08-27 | 岭澳核电有限公司 | 核电站信息系统运行安全预警方法、装置、设备及介质 |
-
2020
- 2020-05-12 CN CN202010397242.4A patent/CN111563111A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161810A1 (en) * | 2008-12-19 | 2010-06-24 | Sun Microsystems, Inc. | Generating a training data set for a pattern-recognition model for electronic prognostication for a computer system |
| US20170083692A1 (en) * | 2012-11-14 | 2017-03-23 | Blackberry Limited | Mobile communications device providing heuristic security authentication features and related methods |
| EP3223485A1 (en) * | 2016-03-25 | 2017-09-27 | Cisco Technology, Inc. | Method and device for dynamic device clustering using device profile information |
| CN109885452A (zh) * | 2019-01-23 | 2019-06-14 | 平安科技（深圳）有限公司 | 性能监控方法、装置及终端设备 |
| CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法及装置 |
| 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 |
| CN110175756A (zh) * | 2019-05-07 | 2019-08-27 | 岭澳核电有限公司 | 核电站信息系统运行安全预警方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘思帆: "一种基于主机日志分析的实时风险评估模型的研究与实现", 《万方学位论文库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597142A (zh) * | 2020-12-26 | 2021-04-02 | 中国农业银行股份有限公司 | 一种数据质量检测方法和数据质量检测引擎 |
| CN114720014A (zh) * | 2022-03-17 | 2022-07-08 | 珠海格力电器股份有限公司 | 设备中管路连接的检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10248528B2 (en) | System monitoring method and apparatus | |
| CN111901171B (zh) | 异常检测和归因方法、装置、设备及计算机可读存储介质 | |
| US20180107528A1 (en) | Aggregation based event identification | |
| CN109947746A (zh) | 一种基于etl流程的数据质量管控方法和系统 | |
| CN107566163A (zh) | 一种用户行为分析关联的告警方法及装置 | |
| CN106886481B (zh) | 一种系统健康度静态分析预测方法及装置 | |
| CN110825757B (zh) | 一种设备行为风险分析方法及系统 | |
| CN109977689A (zh) | 一种数据库安全审计方法、装置及电子设备 | |
| CN108427669A (zh) | 异常行为监控方法和系统 | |
| CN105095056A (zh) | 一种数据仓库数据监控的方法 | |
| CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
| CN112395156A (zh) | 故障的告警方法和装置、存储介质和电子设备 | |
| CN114116414A (zh) | 告警方法、装置、非易失性存储介质以及电子设备 | |
| CN111563111A (zh) | 告警方法、装置、电子设备及存储介质 | |
| CN111177139A (zh) | 基于数据质量体系的数据质量验证监控及预警方法和系统 | |
| CN111209153B (zh) | 异常检测处理方法、装置及电子设备 | |
| CN115409283A (zh) | 设备故障预测方法、设备故障预测装置、设备及存储介质 | |
| US8543552B2 (en) | Detecting statistical variation from unclassified process log | |
| JP2022548251A (ja) | 事前対応型クライアント関係分析のための方法及びシステム | |
| CN114443437A (zh) | 告警根因输出方法、装置、设备、介质和程序产品 | |
| CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
| CN112598326A (zh) | 模型迭代方法、装置、电子设备及存储介质 | |
| CN116010897A (zh) | 数据异常检测的方法、装置、电子设备及存储介质 | |
| CN115358336A (zh) | 用电异常检测方法、装置及电子设备 | |
| CN110688273B (zh) | 分类模型的监控方法、装置、终端以及计算机存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |