CN111625413A - 指标异常分析方法、装置及存储介质 - Google Patents
指标异常分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111625413A CN111625413A CN202010326325.4A CN202010326325A CN111625413A CN 111625413 A CN111625413 A CN 111625413A CN 202010326325 A CN202010326325 A CN 202010326325A CN 111625413 A CN111625413 A CN 111625413A
- Authority
- CN
- China
- Prior art keywords
- index
- preset
- time
- data
- parameter range
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 74
- 230000005856 abnormality Effects 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明涉及计算机领域，揭露了一种指标异常分析方法，该方法包括：定期采集预设指标的历史序列数据，计算所述预设指标的参数范围；采集所述预设指标的实时数据；从参数范围集合中筛选出所述预设指标在采集时间点对应的目标参数范围；对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；若是，判断所述预设指标在所述采集时间点存在异常，并向预设终端发出提示信息。本发明还揭露了一种电子装置及计算机存储介质。利用本发明，可以提高指标异常检测的效率及准确性。本发明还涉及区块链技术，所述历史序列数据可存储于区块链节点中。
Description
技术领域
本发明涉及计算机领域，尤其涉及一种指标异常分析方法、电子装置及计算机可读存储介质。
背景技术
随着Internet业务的快速发展，公司对业务系统的依赖越来越强，这对业务系统的稳定性提出了更高的要求，实时监控业务系统各指标的异常情况显得尤为重要。
目前对业务系统各指标的异常情况进行监控主要采用人工监测和手动干预的方式进行管理，其主要流程如下：运维人员根据经验对指标阈值进行设定；实际监控过程中，当某指标的实际值达到阈值判定异常，发出告警信息。然而，由于阈值固定，无法充分考虑实时变化的指标情况，导致异常监控不符合客观情况。
另外，现有技术中，对于部分呈现周期性的指标数据，其异常检测需要基于模型算法实现，但是由于指标数据存在较强噪声干扰，因此要求模型具有较高的鲁棒性。
考虑到以上现有技术存在的问题，亟需提供一种指标异常分析方法。
发明内容
鉴于以上内容，本发明提供一种指标异常分析方法、电子装置及计算机可读存储介质，其主要目的在于提高指标异常分析的准确性及效率。
为实现上述目的，本发明提供一种指标异常分析方法，该方法包括：
定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
此外，为实现上述目的，本发明还提供一种电子装置，该装置包括：存储器、处理器，所述存储器中存储有可在所述处理器上运行的指标异常分析程序，所述指标异常分析程序被所述处理器执行时可实现如上所述指标异常分析方法中的任意步骤。
此外，为实现上述目的，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中包括指标异常分析程序，所述指标异常分析程序被处理器执行时，可实现如上所述指标异常分析方法中的任意步骤。
本发明提出的指标异常分析方法、电子装置及计算机可读存储介质，通过预先计算各预设指标在不同时间窗口对应的参数范围，提高后续异常分析的效率；在实际异常指标分析过程中，采集待检测指标的实时数据，确定待检测指标在采集时间点对应的至少两个时间窗口，从而确定至少两个参数范围，并综合确定的至少两个参数范围对待检测指标在时间采集点的实时数据进行异常分析及判断，提高指标异常分析的准确性及效率。
附图说明
图1为本发明指标异常分析方法较佳实施例的流程图；
图2为本发明电子装置较佳实施例的示意图；
图3为图2中指标异常分析程序较佳实施例的程序模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种指标异常分析方法。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
参照图1所示，为本发明指标异常分析方法较佳实施例的流程图。
在本发明指标异常分析方法一较佳实施例中，所述指标异常分析方法包括：步骤S1-步骤S5。
步骤S1，定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
以下以电子装置作为执行主体对本发明各实施例进行说明。
例如，在每天固定的一个时间点采集各预设指标的历史序列数据。上述第一预设时间段可以举例为当前时间点前14天或21天等，上述历史序列数据包括第一预设时间段内所有采集时间点对应的历史采集值。其中，不同指标的历史序列数据的时间粒度可能相同，也可能不同。
例如，以“访问服务耗时”这一指标为例，电子装置每天凌晨(2020年3月01日0：00)开始获取该指标2020年2月16日0:00至2020年2月29日24:00间所有采集时间点的历史采集值。
电子装置采集到各设指标的历史序列数据后，需对历史序列数据进行分析预测，以得到各预设指标的参数范围，供后续进行异常检测。
步骤S2，按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
可以理解的是，需要预先设置各预设指标的采集频率(即，采集时间点)，例如，指标A的采集频率为每1min采集一次，指标B的采集频率为每5min采集一次。电子装置每隔1分钟采集指标A的实时数据，每隔5分钟采集指标B的实时数据，并记录每个指标的实时数据及采集时间点。
步骤S3，根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
可以理解的是，不同指标对应的参数范围不同，且，同一个指标在不同的时间段(时间窗口)对应的参数范围也不同。在本实施例中，首先，从预先计算并保存好的所述参数范围集合中获取与所述待预测指标对应的参数范围，作为第一子集合；然后，根据所述采集时间点确定所述待预测指标对应的目标时间窗口，从所述第一子集合中筛选出与所述目标时间窗口对应的参数范围，作为第二子集合；最后，将所述第二子集合作为所述待检测指标在所述采集时间点对应的目标参数范围。
在计算参数范围的过程中以预设步长的时间窗口计算各时间窗口对应的参数范围，因此，本实施例中所述的时间窗口与参数范围计算过程中的时间窗口一致。
在本实施例中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。优选地，所述时间窗口的长度为30分钟，步长为15分钟，也就是说，在一天的时间内，一个指标对应96个时间窗口，分别对应的96个参数范围。
以指标A的采集时间点为10：25为例，有两个时间窗口包含该采集时间点，分别为：10：00-10：30和10：15-10：45，故这两个时间窗口即为采集时间点对应的目标时间窗口，首先从参数范围集合中筛选出指标A对应的所有参数范围，生成指标A的参数范围子集合，然后从指标A的参数范围子集合中筛选出这两个目标时间窗口对应的参数范围，作为指标A在10:25这个采集时间点对应的目标参数范围。
在其他实施例中，还可根据实际情况对时间窗口的长度和步长进行调整，例如，所述时间窗口的步长还可以为10分钟，那么每个采集时间点对应3个目标时间窗口，即3个参数范围，具体不作赘述。
步骤S4，对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；
在本实施例中，所述判断所述实时数据是否超出所述目标参数范围，包括：
分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
同样以指标A为例，获取指标A在10:25这一时刻采集的实时数据，分别获取两个目标时间窗口分别对应的参数范围，取两个目标时间窗口对应的参数范围的交集T，若实时数据属于交集T，即，实时数据同时属于不同目标时间窗口对应的参数范围，则判断指标A的实时数据未超过目标参数范围，若实时数据不属于交集T，则判断指标A的实时数据超出目标参数范围。
步骤S5，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
若实时数据超出目标参数范围时，则认为指标存在异常或者出现异常的风险较高，需向预设终端(例如，系统运维人员使用的终端)发送预警信息提示对异常指标进行处理。
上述实施例提出的指标异常分析方法，通过采集才检测指标的实时数据，并确定指标在采集时间点对应的至少两个时间窗口，从而确定至少两个参数范围，然后根据确定的至少两个参数范围对指标在时间采集点的实时数据进行异常分析及判断，提高指标异常分析的准确性及效率。
考虑到部分指标出现短时异常属于正常情况，因此需要进行告警过滤压缩。在其他实施例中，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件；及
当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
在本实施例中，所述预设条件包括：所述预设指标与预先确定的包含指定指标(需进行告警过滤的指标)的列表匹配，且所述预设指标在第二预设时间段内(例如，30分钟内)连续异常次数超过第一预设阈值(例如，10次)。当满足上述预设条件时，以预设形成(例如，邮件)将10次异常作为一个时间发送至运维人员。
在其他实施例中，所述指标异常分析方法还包括：
接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
例如，若运维人员针对指标A的指标异常告警反馈的是告警正确，说明当前采集时间点的实时数据异常，为当前实时数据标注“异常”标签，在后续计算参数范围过程中从历史数据中删除异常数据点以免造成数据干扰，提高参数范围的准确性。若运维人员针对指标A的指标异常告警反馈的是告警错误，说明当前实时数据对应的目标参数范围有误，需对其进行调整，以免后续产生类似错误告警。
在其他实施例中，所述基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合，包括：a1-a4。
a1.根据所述历史序列数据及预设分类算法对所述预设指标进行分类，确定所述预设指标的指标类型；
其中，所述指标类型包括：周期性指标及非周期性指标。在本实施例中，所述根据所述历史序列数据及预设分类算法对所述预设指标进行分类，包括：
按照指标的粒度获取所述历史序列数据，分别将所述历史序列数据乘以多个已知频率(不同频率)的信号波，把得到的新的序列数据的所有点相加；
计算相加的结果与所述多个已知频率的信号波的相似度，其中，所述相似度为振幅占比；
当存在所述相似度大于或等于第二预设阈值、且为预设周期的信号波时，判断所述历史序列数据具备周期性；及
当不存在所述相似度大于或等于第二预设阈值、且为预设周期的信号波时，判断所述历史序列数据不具备周期性。
其中，相似度为振幅占比，当振幅占比超过第二预设阈值时，根据相似度超过第二预设阈值的已知频率信号波确定所述指标的周期。为了适应业务指标的需求，仅将周期为1天的指标作为周期性指标。也就是说，当且仅当相似度大于或等于第二预设阈值的信号波的周期为1时，才判断指标为周期性指标。
以采集频率为1分钟的指标为例，一天的历史数据有1440个点，将其与频率为1的正弦波上对应的点相乘，并将相乘后的1440个结果进行相加，得到结果记为a>0(小于0，则不含此正弦波)，则这1440个时间序列点含有频率为1的正弦波的幅度(相似度，即振幅比)为：a/(1440/2)，其他频率的幅度计算类似，最终在幅度超过阈值的部分，选择幅度最大的正弦波，以它的周期作为该指标的周期。
需要说明的是，由于这种方法计算量大，因此采用FFT(快速傅里叶变换)，将原始数据点归一化到0-2π内且模长1的复数点，在计算时只需要计算一半点，即可得到另外一半的值，幅度计算如上所述。
a2.当所述预设指标为工作日周期性指标时，调用第一预设分析算法对所述历史序列数据进行分析计算，得到所述工作日周期性指标中各预设指标的参数范围；
在本实施例中，不同类型的指标对应不同的分析算法，第一类指标的不同指标也可能对应不同的分析算法。例如，工作日的周期性指标对应的分析算法为第一预设分析算法，非工作日的周期性指标对应的分析算法为第二预设分析算法，非周期性指标对应的分析算法为第三预设分析算法。
在本实施例中(粒度以1min为例，实际可能存在不同情况)，所述第一预设分析算法包括：a21-a27。
a21.从所述历史序列数据中获取所述预设指标在第三预设时间内的历史数据作为第一初始训练数据；其中，所述第三预设时间为第一预设时间内的部分时间段，例如，距离当前时间点前14天中的10个工作日。
a22.对所述第一初始训练数据进行平滑处理生成第一矩阵，作为第一目标训练数据；例如，在对指标P的10个工作日的数据进行平滑处理后，得到10个工作日的对应时间点数据，保存成10*1440的矩阵。
a23.对所述第一目标训练数据中每一天对应的同一时刻的数据进行加和求均值，并生成所述第一目标训练数据对应的第二矩阵；例如，将10天中对应同一时刻的数据加和取均值，得到一个1*1440的均值矩阵。
a24.基于所述第一矩阵及所述第二矩阵生成所述第一目标训练数据对应的第三矩阵；将第一目标训练数据的矩阵的每一行都减去均值矩阵，得到一个10*1440的残差矩阵，表示指标P在前10天每分钟的残差矩阵。
a25.按照预设时间窗口对所述第三矩阵进行划分，并将每个时间窗口的残差值排列为一列，得到第四矩阵；其中，所述时间窗口时长为30分钟，步长为15分钟，将每天按照该时间窗口进行划分，每天可以得到96个时间窗，前后两个时间窗会有15分钟重叠部分，将刚才得到的残差矩阵按照这些时间窗口进行划分，并将每个时间窗口的残差值排列为一列，每一列均含有300样本，因此可将10*1440的残差矩阵更新为300*96的矩阵R。
a26.按照所述预设时间窗口对所述第一矩阵进行划分，并将每个时间窗口的值排列为一列，得到第五矩阵，并对所述第五矩阵按列计算平均值及标准差；与步骤a25相同，将第一矩阵转换为300*96的矩阵，并按列求得平均值与标准差，即为mu.hat与se，维度均为1*96。
a27.分别计算每个时间窗口对应的置信区间，将所述置信区间作为参数范围。
首先，对矩阵R进行有放回抽样。
定义：Stat(R,index)＝sqrt(max(((n-1)*Mu^2)/(Sq-n*Mu^2))*n)，从矩阵R的行维度1:300中重复抽取200个值作为index的值，计算Stat的值，重复抽取并计算N次，得到N个Stat的值，记为Stat，n是一个时间窗口内的时间点的个数，与时间窗口的长度以及采集粒度有关；N是人为设置的抽样次数，利用抽取得到的矩阵结合公式计算得到统计量Stat，每抽取一次，计算一次，抽取N次后得到N个Stat值；
Mu＝colMeans(RI)，表示RI每列的均值；Sq＝colSums(RI^2)，其中，RI＝R[index,])，表示矩阵R的按index指定的行排列的矩阵，则RI表示R的第1行，第4行，第2行，第1行，…按行排列生成的10*1440的矩阵，RI^2表示RI每个元素平方组成的矩阵，colSums表示每列的和。
然后，计算q.boot＝quantile(Stat,level)，表示Stat的level(0.975/0.025)处的分位数；计算上面得到的N个Stat值的上下分位数，其中，分位数根据业务规则设定调整。
最后，计算lb.boot＝mu.hat–a*q.boot*se；ub.boot＝mu.hat+a*q.boot*se；其中，a为置信带半径压缩参数，默认取1，mu.hat为96维列向量。通过mu.hat(1*96矩阵)、se(1*96矩阵)以及q.boot值(1*96矩阵)，可得到lb.boot以及ub.boot，均为1*96矩阵，对应96个时间窗口，从而确定各时间窗口对应的参数范围。
在本实施例中，采用局部加权回归(locally weighted regression，LOESS)算法进行平滑处理，LOESS回归的回归参数计算目标函数：
∑iw(i)(yi-θTxi)
其中，i表示一个采集时间点，w(i)是计算待预测的时间点附近的数据的权重的和函数，一般选择高斯核，即：
其中，τ为人为设定的值，控制ω变化的速率。
例如数据集：x:[1,2,3,6,8]，y:[10,11,5,12,3]，给定预测数据x＝4，则数据点(3,5)在预测时对预测点的贡献为：
数据点(8,3)在预测时对预测点的贡献为：
其余数据点权重计算方式类似，在计算出权重以后，预测方式同一般回归算法一致，在此不作赘述。
需要说明的是，传统的采用参数回归的方法，需要事先确定指标数据的分布特性，故该方法无法适用于分布特性多样的海量指标。大部分情况下，回归模型参与训练的特征数量不是很多，而且指标间的分布特性不是很复杂，采用一般的参数回归模型，就能取得较好的泛化能力，但是，当指标也就是特征数量巨大时，这些指标之间的关联性以及各自的分布特性变得异常复杂，对于适应于一些分布特征已知或者容易拟合的参数回归模型，此时想要获得良好的拟合效果，参数的数量是未知的，可能会是无穷的，因此，选择一个合适的参数回归模型会是一个问题，同时，参数估计时会耗费大量计算资源，计算速度大幅降低，极大降低模型效率。本实施例提出的局部加权回归算法，适用于海量指标计算，且能节省计算资源，提高参数范围集合的计算效率。
a3.当所述预设指标为非工作日周期性指标时，调用第二预设分析算法对所述历史序列数据进行分析计算，得到所述非工作日周期性指标中各预设指标的参数范围；
在本实施例中，所述第二预设分析算法包括：a31-a33。
a31.从所述历史序列数据中获取所述预设指标在第四预设时间内的历史数据生成第二初始训练数据，并生成所述第二初始训练数据对应的第一矩阵；
a32.按照预设时间窗口对所述第二初始训练数据对应的第一矩阵进行划分，并将每个时间窗口的历史采集值排列为一列，得到所述第二初始训练数据对应的第二矩阵，并对所述第二初始训练数据对应的第二矩阵按列计算平均值及标准差；
a33.分别计算每个时间窗口对应的置信区间，将所述置信区间作为参数范围。
其中，所述第四预设时间为第一预设时间内的部分时间段，例如，距离当前时间点前14天中的4个非工作日，根据4个非工作日的对应时间点数据，保存成4*1440的矩阵。然后基于滑动窗口(长度为30min且步长为15min)以及采集值直接计算采集值的置信区间(即，分布区间(n-sigma))。
本实施例的具体实施方式与工作日相比大致相同，二者都采用采集值(也即是原数据)计算，但是两者置信区间的计算方式不同。在计算非工作日的置信区间时，不用进行LOESS算法平滑处理以及残差计算。
a4.当所述预设指标为非周期性指标时，调用第三预设分析算法对所述历史序列数据进行分析计算，得到所述非周期性指标中各预设指标的参数范围。
在本实施例中，所述第三预设分析算法包括：a41-a43。
a41.将所述历史序列数据作为第三初始训练数据，并生成所述第三初始训练数据对应的第一矩阵；
a42.按照预设时间窗口对所述第三初始训练数据对应的第一矩阵进行划分，并将每个时间窗口的历史采集值排列为一列，得到所述第三初始训练数据对应的第二矩阵，并对所述第三初始训练数据对应的第二矩阵按列计算平均值及标准差；及
a43.基于所述每个时间窗口对应的平均值及标准差计算每个时间窗口对应的上下边界，基于所述上下边界确定所述参数范围。
其中，步骤a41-a42的具体实施方式与非工作日周期性指标的实施方式大致相同，在此不作赘述。
例如，以时间窗口10:00-10:30为例，计算得到该时间窗口的平均值及标准差后，以(平均值+m*标准差)作为上边界，以(平均值-m*标准差)作为下边界，从而确定参数范围，其中，m为正整数，可根据实际需求进行调整。
本发明还提出一种电子装置。参照图2所示，为本发明电子装置较佳实施例的示意图。
在本实施例中，电子装置1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备，所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。
该电子装置1包括存储器11、处理器12及网络接口13。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘。存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如该电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括该电子装置1的内部存储单元也包括外部存储设备。
存储器11不仅可以用于存储安装于该电子装置1的应用软件及各类数据，例如，指标异常分析程序10等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如，指标异常分析程序10等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子装置1与其他电子设备之间建立通信连接，例如，客户端(图中未标识)。电子装置1的组件11-13通过通信总线相互通信。
图2仅示出了具有组件11-13的电子装置1，本领域技术人员可以理解的是，图2示出的结构并不构成对电子装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
可选地，该电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。
可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在图2所示的电子装置1实施例中，作为一种计算机存储介质的存储器11中存储指标异常分析程序10的程序代码，处理器12执行指标异常分析程序10的程序代码时，实现如下步骤：
步骤A1，定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
例如，在每天固定的一个时间点采集各预设指标的历史序列数据。上述第一预设时间段可以举例为当前时间点前14天或21天等，上述历史序列数据包括第一预设时间段内所有采集时间点对应的历史采集值。其中，不同指标的历史序列数据的时间粒度可能相同，也可能不同。
例如，以“访问服务耗时”这一指标为例，电子装置每天凌晨(2020年3月01日0：00)开始获取该指标2020年2月16日0:00至2020年2月29日24:00间所有采集时间点的历史采集值。
电子装置1采集到各设指标的历史序列数据后，需对历史序列数据进行分析预测，以得到各预设指标的参数范围，供后续进行异常检测。
步骤A2，按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
可以理解的是，需要预先设置各预设指标的采集频率(即，采集时间点)，例如，指标A的采集频率为每1min采集一次，指标B的采集频率为每5min采集一次。电子装置1每隔1分钟采集指标A的实时数据，每隔5分钟采集指标B的实时数据，并记录每个指标的实时数据及采集时间点。
步骤A3，根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
可以理解的是，不同指标对应的参数范围不同，且，同一个指标在不同的时间段(时间窗口)对应的参数范围也不同。在本实施例中，首先，从预先计算并保存好的所述参数范围集合中获取与所述待预测指标对应的参数范围，作为第一子集合；然后，根据所述采集时间点确定所述待预测指标对应的目标时间窗口，从所述第一子集合中筛选出与所述目标时间窗口对应的参数范围，作为第二子集合；最后，将所述第二子集合作为所述待检测指标在所述采集时间点对应的目标参数范围。
在计算参数范围的过程中以预设步长的时间窗口计算各时间窗口对应的参数范围，因此，本实施例中所述的时间窗口与参数范围计算过程中的时间窗口一致。
在本实施例中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。优选地，所述时间窗口的长度为30分钟，步长为15分钟，也就是说，在一天的时间内，一个指标对应96个时间窗口，分别对应的96个参数范围。
以指标A的采集时间点为10：25为例，有两个时间窗口包含该采集时间点，分别为：10：00-10：30和10：15-10：45，故这两个时间窗口即为采集时间点对应的目标时间窗口，首先从参数范围集合中筛选出指标A对应的所有参数范围，生成指标A的参数范围子集合，然后从指标A的参数范围子集合中筛选出这两个目标时间窗口对应的参数范围，作为指标A在10:25这个采集时间点对应的目标参数范围。
在其他实施例中，还可根据实际情况对时间窗口的长度和步长进行调整，例如，所述时间窗口的步长还可以为10分钟，那么每个采集时间点对应3个目标时间窗口，即3个参数范围，具体不作赘述。
步骤A4，对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；
在本实施例中，所述判断所述实时数据是否超出所述目标参数范围，包括：
分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
同样以指标A为例，获取指标A在10:25这一时刻采集的实时数据，分别获取两个目标时间窗口分别对应的参数范围，取两个目标时间窗口对应的参数范围的交集T，若实时数据属于交集T，即，实时数据同时属于不同目标时间窗口对应的参数范围，则判断指标A的实时数据未超过目标参数范围，若实时数据不属于交集T，则判断指标A的实时数据超出目标参数范围。
步骤A5，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
若实时数据超出目标参数范围时，则认为指标存在异常或者出现异常的风险较高，需向预设终端(例如，系统运维人员使用的终端)发送预警信息提示对异常指标进行处理。
考虑到部分指标出现短时异常属于正常情况，因此需要进行告警过滤压缩。在其他实施例中，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件；及
当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
在本实施例中，所述预设条件包括：所述预设指标与预先确定的包含指定指标(需进行告警过滤的指标)的列表匹配，且所述预设指标在第二预设时间段内(例如，30分钟内)连续异常次数超过第一预设阈值(例如，10次)。当满足上述预设条件时，以预设形成(例如，邮件)将10次异常作为一个时间发送至运维人员。
在其他实施例中，所述处理器12执行所述指标异常分析程序10的程序代码时，还实现如下步骤：
接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
例如，若运维人员针对指标A的指标异常告警反馈的是告警正确，说明当前采集时间点的实时数据异常，为当前实时数据标注“异常”标签，在后续计算参数范围过程中从历史数据中删除异常数据点以免造成数据干扰，提高参数范围的准确性。若运维人员针对指标A的指标异常告警反馈的是告警错误，说明当前实时数据对应的目标参数范围有误，需对其进行调整，以免后续产生类似错误告警。
可选地，在其他的实施例中，指标异常分析程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器12所执行，以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。
例如，参照图3所示，为图2中指标异常分析程序10的程序模块示意图。
在所述指标异常分析程序10一实施例中，指标异常分析程序10包括：模块110-150，其中：
计算模块110，用于定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
采集模块120，用于按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
筛选模块130，用于从所述参数范围集合中筛选出所述预设指标在所述采集时间点对应的目标参数范围；
判断模块140，用于对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
预警模块150，用于当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
所述模块110-150所实现的功能或操作步骤均与上文类似，此处不再详述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质中包括指标异常分析程序10，所述指标异常分析程序10被处理器执行时实现所述指标异常分析方法的任意步骤。本发明计算机可读存储介质的具体实施方式与上述方法实施例大致相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种指标异常分析方法，适用于电子装置，其特征在于，该方法包括：
定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
2.根据权利要求1所述的指标异常分析方法，其特征在于，所述判断所述实时数据是否超出所述目标参数范围，包括：
分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
3.根据权利要求2所述的指标异常分析方法，其特征在于，所述当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件，所述预设条件包括：所述待检测指标与预先确定的包含指定指标的列表匹配，且所述预设指标在第二预设时间段内连续异常次数超过第一预设阈值；及
当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
4.根据权利要求1所述的指标异常分析方法，其特征在于，该方法还包括：
接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
5.根据权利要求1至4中任意一项所述的指标异常分析方法，其特征在于，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。
6.根据权利要求5所述的指标异常分析方法，其特征在于，所述预设分析算法包括：第一预设分析算法、第二预设分析算法及第三预设分析算法，所述基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合，包括：
根据所述历史序列数据及预设分类算法对所述预设指标进行分类，确定所述预设指标的指标类型；
当所述预设指标为工作日周期性指标时，调用第一预设分析算法对所述历史序列数据进行分析计算，得到所述工作日周期性指标中各预设指标的参数范围；
当所述预设指标为非工作日周期性指标时，调用第二预设分析算法对所述历史序列数据进行分析计算，得到所述非工作日周期性指标中各预设指标的参数范围；及
当所述预设指标为非周期性指标时，调用第三预设分析算法对所述历史序列数据进行分析计算，得到所述非周期性指标中各预设指标的参数范围。
7.根据权利要求1所述的指标异常分析方法，其特征在于，所述第一预设分析算法包括：
从所述历史序列数据中获取所述预设指标在第三预设时间内的历史数据作为第一初始训练数据；
对所述第一初始训练数据进行平滑处理生成第一矩阵，作为第一目标训练数据；
对所述第一目标训练数据中每一天对应的同一时刻的数据进行加和求均值，并生成所述第一目标训练数据对应的第二矩阵；
基于所述第一矩阵及所述第二矩阵生成所述第一目标训练数据对应的第三矩阵；
按照预设时间窗口对所述第三矩阵进行划分，并将每个时间窗口的残差值排列为一列，得到第四矩阵；
按照所述预设时间窗口对所述第一矩阵进行划分，并将每个时间窗口的值排列为一列，得到第五矩阵，并对所述第五矩阵按列计算平均值及标准差；及
分别计算每个时间窗口对应的置信区间，将所述置信区间作为参数范围。
8.根据权利要求7所述的指标异常分析方法，其特征在于，采用局部加权回归算法对所述第一初始训练数据进行平滑处理。
9.一种电子装置，其特征在于，该装置包括存储器及处理器，所述存储器中存储有可在所述处理器上运行的指标异常分析程序，所述指标异常分析程序被所述处理器执行时可实现如权利要求1至8中任意一项所述的指标异常分析方法的步骤。
10.一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中包括指标异常分析程序，所述指标异常分析程序被处理器执行时，可实现如权利要求1至8中任意一项所述的指标异常分析方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010326325.4A CN111625413B (zh) | 2020-04-23 | 指标异常分析方法、装置及存储介质 | |
| PCT/CN2020/119108 WO2021212756A1 (zh) | 2020-04-23 | 2020-09-29 | 指标异常分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010326325.4A CN111625413B (zh) | 2020-04-23 | 指标异常分析方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111625413A true CN111625413A (zh) | 2020-09-04 |
| CN111625413B CN111625413B (zh) | 2024-10-22 |
Family
ID=
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112100037A (zh) * | 2020-09-25 | 2020-12-18 | 北京奇艺世纪科技有限公司 | 告警级别识别方法、装置、电子设备及存储介质 |
| CN112148568A (zh) * | 2020-09-25 | 2020-12-29 | 北京中油瑞飞信息技术有限责任公司 | 一种设备监控系统及方法 |
| CN112232962A (zh) * | 2020-11-19 | 2021-01-15 | 深圳前海微众银行股份有限公司 | 交易指标处理方法、装置和设备 |
| CN112380065A (zh) * | 2020-11-18 | 2021-02-19 | 北京百度网讯科技有限公司 | 一种数据修复方法、装置、电子设备及存储介质 |
| CN112433918A (zh) * | 2020-12-11 | 2021-03-02 | 中国农业银行股份有限公司 | 一种数据库资源监控方法及装置 |
| CN112598342A (zh) * | 2021-03-05 | 2021-04-02 | 北京每日优鲜电子商务有限公司 | 用于数据展示设备的报警控制方法、装置、设备和介质 |
| CN112612671A (zh) * | 2020-12-16 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 系统监控方法、装置、设备及存储介质 |
| CN112613995A (zh) * | 2020-12-30 | 2021-04-06 | 中国工商银行股份有限公司 | 异常诊断方法和装置 |
| CN112783725A (zh) * | 2021-01-26 | 2021-05-11 | 中国工商银行股份有限公司 | 指标采集方法及装置 |
| CN113067891A (zh) * | 2021-04-08 | 2021-07-02 | 深圳市中瓴智慧科技有限公司 | 智慧工地数据采集方法、装置、计算机设备及其存储介质 |
| CN113237492A (zh) * | 2021-04-27 | 2021-08-10 | 北京航天飞行控制中心 | 一种初相稳定性判定方法、存储介质及电子设备 |
| WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
| CN113704048A (zh) * | 2021-03-31 | 2021-11-26 | 腾讯科技（深圳）有限公司 | 数据动态监测方法、装置、计算机设备和存储介质 |
| CN113722177A (zh) * | 2021-08-03 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
| CN113746425A (zh) * | 2021-08-26 | 2021-12-03 | 中国电建集团江西省电力建设有限公司 | 光伏逆变器参数异常分析方法、系统 |
| WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
| CN114297036A (zh) * | 2022-01-05 | 2022-04-08 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN114528190A (zh) * | 2022-04-21 | 2022-05-24 | 云账户技术(天津)有限公司 | 单指标异常的检测方法、装置、电子设备及可读存储介质 |
| CN115423323A (zh) * | 2022-09-05 | 2022-12-02 | 浙江口碑网络技术有限公司 | 安全管理方法、装置、电子设备及计算机存储介质 |
| CN115438452A (zh) * | 2022-09-26 | 2022-12-06 | 中国科学院沈阳自动化研究所 | 一种时序网络信号的可靠性传输检测方法 |
| CN115858505A (zh) * | 2023-03-03 | 2023-03-28 | 天津市伟利达科技发展有限公司 | 一种用于识别变频器状态异常的数据处理方法 |
| CN117434872A (zh) * | 2023-12-07 | 2024-01-23 | 深圳市伟创高科电子有限公司 | 基于物联网终端实现电动车控制器数据的采集方法及系统 |
| CN118228170A (zh) * | 2024-03-08 | 2024-06-21 | 国网宁夏电力有限公司电力科学研究院 | 一种电力监控指标的预警方法和预警系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126367A1 (zh) * | 2017-01-04 | 2018-07-12 | 上海温尔信息科技有限公司 | 数据清洗方法及装置 |
| CN108320810A (zh) * | 2018-04-11 | 2018-07-24 | 平安科技（深圳）有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
| CN108920336A (zh) * | 2018-05-25 | 2018-11-30 | 麒麟合盛网络技术股份有限公司 | 一种基于时间序列的服务异常提醒方法及装置 |
| CN109871401A (zh) * | 2018-12-26 | 2019-06-11 | 北京奇安信科技有限公司 | 一种时间序列异常检测方法及装置 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018126367A1 (zh) * | 2017-01-04 | 2018-07-12 | 上海温尔信息科技有限公司 | 数据清洗方法及装置 |
| CN108320810A (zh) * | 2018-04-11 | 2018-07-24 | 平安科技（深圳）有限公司 | 疾病异常数据检测方法及装置、计算机装置及存储介质 |
| CN108920336A (zh) * | 2018-05-25 | 2018-11-30 | 麒麟合盛网络技术股份有限公司 | 一种基于时间序列的服务异常提醒方法及装置 |
| CN109871401A (zh) * | 2018-12-26 | 2019-06-11 | 北京奇安信科技有限公司 | 一种时间序列异常检测方法及装置 |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021212756A1 (zh) * | 2020-04-23 | 2021-10-28 | 平安科技（深圳）有限公司 | 指标异常分析方法、装置、电子设备及存储介质 |
| CN112148568B (zh) * | 2020-09-25 | 2023-09-22 | 昆仑数智科技有限责任公司 | 一种设备监控系统及方法 |
| CN112148568A (zh) * | 2020-09-25 | 2020-12-29 | 北京中油瑞飞信息技术有限责任公司 | 一种设备监控系统及方法 |
| CN112100037B (zh) * | 2020-09-25 | 2023-07-25 | 北京奇艺世纪科技有限公司 | 告警级别识别方法、装置、电子设备及存储介质 |
| CN112100037A (zh) * | 2020-09-25 | 2020-12-18 | 北京奇艺世纪科技有限公司 | 告警级别识别方法、装置、电子设备及存储介质 |
| WO2022068645A1 (zh) * | 2020-09-30 | 2022-04-07 | 深圳前海微众银行股份有限公司 | 数据库故障发现方法、装置、电子设备及存储介质 |
| CN112380065A (zh) * | 2020-11-18 | 2021-02-19 | 北京百度网讯科技有限公司 | 一种数据修复方法、装置、电子设备及存储介质 |
| CN112380065B (zh) * | 2020-11-18 | 2023-08-29 | 北京百度网讯科技有限公司 | 一种数据修复方法、装置、电子设备及存储介质 |
| CN112232962A (zh) * | 2020-11-19 | 2021-01-15 | 深圳前海微众银行股份有限公司 | 交易指标处理方法、装置和设备 |
| CN112433918A (zh) * | 2020-12-11 | 2021-03-02 | 中国农业银行股份有限公司 | 一种数据库资源监控方法及装置 |
| CN112612671A (zh) * | 2020-12-16 | 2021-04-06 | 深圳前海微众银行股份有限公司 | 系统监控方法、装置、设备及存储介质 |
| CN112613995A (zh) * | 2020-12-30 | 2021-04-06 | 中国工商银行股份有限公司 | 异常诊断方法和装置 |
| CN112783725A (zh) * | 2021-01-26 | 2021-05-11 | 中国工商银行股份有限公司 | 指标采集方法及装置 |
| CN112783725B (zh) * | 2021-01-26 | 2024-04-09 | 中国工商银行股份有限公司 | 指标采集方法及装置 |
| CN112598342A (zh) * | 2021-03-05 | 2021-04-02 | 北京每日优鲜电子商务有限公司 | 用于数据展示设备的报警控制方法、装置、设备和介质 |
| CN113704048A (zh) * | 2021-03-31 | 2021-11-26 | 腾讯科技（深圳）有限公司 | 数据动态监测方法、装置、计算机设备和存储介质 |
| CN113704048B (zh) * | 2021-03-31 | 2024-06-07 | 腾讯科技（深圳）有限公司 | 数据动态监测方法、装置、计算机设备和存储介质 |
| CN113067891A (zh) * | 2021-04-08 | 2021-07-02 | 深圳市中瓴智慧科技有限公司 | 智慧工地数据采集方法、装置、计算机设备及其存储介质 |
| CN113067891B (zh) * | 2021-04-08 | 2022-10-18 | 深圳市中瓴智慧科技有限公司 | 智慧工地数据采集方法、装置、计算机设备及其存储介质 |
| CN113237492B (zh) * | 2021-04-27 | 2022-05-31 | 北京航天飞行控制中心 | 一种初相稳定性判定方法、存储介质及电子设备 |
| CN113237492A (zh) * | 2021-04-27 | 2021-08-10 | 北京航天飞行控制中心 | 一种初相稳定性判定方法、存储介质及电子设备 |
| CN113722177A (zh) * | 2021-08-03 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
| CN113722177B (zh) * | 2021-08-03 | 2024-03-29 | 北京达佳互联信息技术有限公司 | 时序指标异常检测方法、装置、系统、设备及存储介质 |
| CN113746425A (zh) * | 2021-08-26 | 2021-12-03 | 中国电建集团江西省电力建设有限公司 | 光伏逆变器参数异常分析方法、系统 |
| CN113746425B (zh) * | 2021-08-26 | 2023-07-11 | 中国电建集团江西省电力建设有限公司 | 光伏逆变器参数异常分析方法、系统 |
| CN114297036A (zh) * | 2022-01-05 | 2022-04-08 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN114297036B (zh) * | 2022-01-05 | 2023-06-09 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
| CN114528190A (zh) * | 2022-04-21 | 2022-05-24 | 云账户技术(天津)有限公司 | 单指标异常的检测方法、装置、电子设备及可读存储介质 |
| CN115423323B (zh) * | 2022-09-05 | 2023-05-23 | 浙江口碑网络技术有限公司 | 安全管理方法、装置、电子设备及计算机存储介质 |
| CN115423323A (zh) * | 2022-09-05 | 2022-12-02 | 浙江口碑网络技术有限公司 | 安全管理方法、装置、电子设备及计算机存储介质 |
| CN115438452A (zh) * | 2022-09-26 | 2022-12-06 | 中国科学院沈阳自动化研究所 | 一种时序网络信号的可靠性传输检测方法 |
| CN115858505A (zh) * | 2023-03-03 | 2023-03-28 | 天津市伟利达科技发展有限公司 | 一种用于识别变频器状态异常的数据处理方法 |
| CN115858505B (zh) * | 2023-03-03 | 2023-05-05 | 天津市伟利达科技发展有限公司 | 一种用于识别变频器状态异常的数据处理方法 |
| CN117434872B (zh) * | 2023-12-07 | 2024-03-26 | 深圳市伟创高科电子有限公司 | 基于物联网终端实现电动车控制器数据的采集方法及系统 |
| CN117434872A (zh) * | 2023-12-07 | 2024-01-23 | 深圳市伟创高科电子有限公司 | 基于物联网终端实现电动车控制器数据的采集方法及系统 |
| CN118228170A (zh) * | 2024-03-08 | 2024-06-21 | 国网宁夏电力有限公司电力科学研究院 | 一种电力监控指标的预警方法和预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021212756A1 (zh) | 2021-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021212756A1 (zh) | 指标异常分析方法、装置、电子设备及存储介质 | |
| CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
| US20170371757A1 (en) | System monitoring method and apparatus | |
| CN111641519B (zh) | 异常根因定位方法、装置及存储介质 | |
| CN111555921B (zh) | 告警根因的定位方法、装置、计算机设备和存储介质 | |
| CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
| CN111368980A (zh) | 状态检测方法、装置、设备及存储介质 | |
| CN115952062A (zh) | 数据异常检测方法、装置、设备及介质 | |
| CN112988509B (zh) | 一种告警消息过滤方法、装置、电子设备及存储介质 | |
| CN117439827B (zh) | 一种网络流量大数据分析方法 | |
| Sundararajan et al. | Nonparametric change point detection in multivariate piecewise stationary time series | |
| CN110490486A (zh) | 一种企业大数据管理系统 | |
| CN114493255A (zh) | 基于知识图谱的企业异常监控方法及其相关设备 | |
| CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
| CN112994960A (zh) | 业务数据异常检测方法、装置及计算设备 | |
| CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
| CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
| CN117194191A (zh) | 日志监控告警方法、装置、计算机设备和存储介质 | |
| CN111625413B (zh) | 指标异常分析方法、装置及存储介质 | |
| CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
| CN111767198A (zh) | 基于分类标签序列匹配的系统风险预测方法及装置 | |
| US20140324349A1 (en) | Weather determination system and method | |
| CN113823368B (zh) | 资源配置方法和装置 | |
| CN113592307B (zh) | 企业收益风控检测方法、装置、计算机设备和存储介质 | |
| CN114064441B (zh) | 一种日志异常检测方法、装置及设备 |
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 |