CN111708687B - 一种设备异常指标确定方法、装置、设备和存储介质 - Google Patents

一种设备异常指标确定方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111708687B
CN111708687B CN202010543937.9A CN202010543937A CN111708687B CN 111708687 B CN111708687 B CN 111708687B CN 202010543937 A CN202010543937 A CN 202010543937A CN 111708687 B CN111708687 B CN 111708687B
Authority
CN
China
Prior art keywords
index
reconstruction
reconstruction probability
equipment
health degree
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
CN202010543937.9A
Other languages
English (en)
Other versions
CN111708687A (zh
Inventor
饶琛琳
梁玫娟
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 Youtejie Information Technology Co ltd
Original Assignee
Beijing Youtejie Information 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 Youtejie Information Technology Co ltd filed Critical Beijing Youtejie Information Technology Co ltd
Priority to CN202010543937.9A priority Critical patent/CN111708687B/zh
Publication of CN111708687A publication Critical patent/CN111708687A/zh
Application granted granted Critical
Publication of CN111708687B publication Critical patent/CN111708687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—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
    • 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
    • G06F11/3409—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 for performance assessment
    • G06F11/3433—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 for performance assessment for load management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/57—Certifying or maintaining trusted computer platforms, e.g. secure boots or power-downs, version controls, system software checks, secure updates or assessing vulnerabilities
    • G06F21/577—Assessing vulnerabilities and evaluating computer system security
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Debugging And Monitoring (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例公开了一种设备异常指标确定方法、装置、设备及存储介质。包括：将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，重建概率集合中包括与每一个指标所对应的重建概率；根据重建概率集合获得设备的健康度分值；根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。根据设备的指标向量能够直接获取健康度分值，根据健康度分值确定设备故障的情况下，可以快速定位造成设备出现故障的异常指标，从而节省了设备故障排查所消耗的时间和人力成本，并且提升了设备故障排查的效率。

Description

一种设备异常指标确定方法、装置、设备和存储介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种设备异常指标确定方法、装置、设备及存储介质。
背景技术
随着信息化建设的不断完善，越来越多的业务操作主要集中于设备上实现，为了保证业务实现的安全性，需要对设备的运行状况进行监控，保证设备运行的安全性和可靠性。
目前为了监控设备是否正常运行，通常采用人工的方式挑选关键指标，并手动配置指标的权重以计算设备的健康度，但这种方式需要维护人员有一定的经验，权重的配置过程涉及人为因素较多，所确定出的健康度并不全面，并且健康度也仅是指示设备出现了故障，但具体出故障的原因还是需要维护人员进行排查，因此需要消耗较多的时间和人力成本，降低了设备故障排查的效率。
发明内容
本发明实施例提供了一种设备异常指标确定方法、装置、设备及存储介质。以实现对设备故障的排查。
第一方面，本发明实施例提供了一种设备异常指标确定方法，包括：
将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，重建概率集合中包括与每一个指标所对应的重建概率；
根据重建概率集合获得设备的健康度分值；
根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
第二方面，本发明实施例提供了一种设备异常指标确定装置，包括：
重建概率集合获取模块，用于将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，重建概率集合中包括与每一个指标所对应的重建概率；
健康度分值获取模块，用于根据重建概率集合获得设备的健康度分值；
异常指标确定模块，用于根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
第三方面，本发明实施例提供了一种设备，设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明任意实施例中的方法。
第四方面，本发明实施例还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例的方法。
本发明实施例的技术方案，根据设备的指标向量能够直接获取健康度分值，根据健康度分值确定设备故障的情况下，可以快速定位造成设备出现故障的异常指标，从而节省了设备故障排查所消耗的时间和人力成本，并且提升了设备故障排查的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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是本发明实施例一提供的设备异常指标确定方法的流程图；
图2是本发明实施例二提供的设备异常指标确定方法的流程图；
图3是本发明实施例三提供的设备异常指标确定装置的结构示意图；
图4是本发明实施例四提供的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1是本发明实施例一提供的设备异常指标确定方法的流程图，本实施例可适用于对设备故障进行排查的情况，该方法可以由本发明实施例中的识别异常指标确定装置来执行，该装置可以采用软件和/或硬件的方式实现。如图1所示，该方法具体包括如下操作：
步骤101，将设备的指标向量输入预先训练的多维指标模型获得重建概率集合。
其中，重建概率集合中包括与每一个指标所对应的重建概率，重建概率用于表示多维指标模型对指标的还原程度，重建概率越大则说明对指标的还原程度越大，则表明输入的指标越正常。
需要说明的是，多维指标模型在正式使用之前需要采用大量的样本指标向量对多维指标模型进行训练，以确定构成多维指标的参数，并根据参数确定多维指标模型中指标向量与重建概率的映射关系，在参数确定的情况下再将设备的指标向量输入预先训练的多维指标模型中。
可选的，将设备的指标向量输入预先训练的多维指标模型获得重建概率集合之前，还可以包括：获取设备每一个指标的时序特征，其中，时序特征为在预设滑动时间窗口内指标每一时刻的参数值；将每一个指标的时序特征输入预先训练的时间循环神经网络模型获得指标向量。
需要说明的是，输入多维指标模型的指标向量能够涵盖每个指标的特征信息，但是不能涵盖时序上的信息，指标的本质是一个连续时间序列，大部分能够挖掘到的信息其实是存储在时序关系里的，多指标异常检测时需要考虑到时序信息检测结果才是有效的，因此本申请中首先采用预先训练的时间循环神经网络模型将指标的时序关系添加进去。
在一个具体实现中，以设备的两个指标为例进行说明，分别是丢包率和负载均衡，确定预设滑动时间窗口内包含指标两个时刻的参数值，则丢包率的时序特征为X1(x11x12)，负载均衡的时序特征为X2(x21 x22)，其中，x11为第一个时刻丢包率采样的参数值，x21为第一个时刻负载均衡采样的参数值，x12为第二个时刻丢包率采样的参数值，x22为第二个时刻负载均衡采样的参数值，因此将第一个时刻指标采样的参数值x11、x21输入时间循环神经网络模型获得Y1(y1 y2)，将Y1作为第一时刻的历史结果参数值，继续将Y1以及第二时刻指标采样的参数值x12、x22输入时间循环神经网络模型获得输出结果Z1(z1 z2)，其中，将Z1作为输入多维指标模型中设备的指标向量，并且z1中涵盖了预设滑动窗口内参数值的时序特征，z2中涵盖了预设滑动窗口内参数值的时序特征，因此通过将每一个指标的时序特征输入时间循环神经网络模型获得的指标向量涵盖了每一指标的时序关系。当然，本实施方式中仅是以两个指标，以及每一个指标中包含两个时刻的参数值为例进行的举例说明，而在实际应用中指标的数量要远远大于两个，并且每一个指标所包含的参数值由所选定的窗口大小所限定，本实施方式中也并不限定窗口的大小，用户可以根据实际情况进行设定。
步骤102，根据重建概率集合获得设备的健康度分值。
可选的，根据重建概率集合获得设备的健康度分值，可以包括：将重建概率集合中每一个重建概率相乘获得重建概率乘积结果；对重建概率乘积结果进行取对数操作获得健康度分值。
具体的说，在本实施方式中，将上述所获取的设备的指标向量Z1(z1 z2)输入多维指标模型，分别获得重建概率集合P(p1 p2),其中p1对应的是指标丢包率的重建概率，p2对应的是指标负载均衡的重建概率，在获得所有指标所对应的重建概率之后，可以根据每一个指标所对应的重建概率获得设备的健康度分值，并且根据每一个指标的重建概率获得设备的健康度分值的方法具体可以采用如下方式：将每一个重建概率相乘获得重建概率乘积结果Q＝p1*p2，然后对重建概率结果进行取对数获得健康度分值S＝lgQ。本实施方式中仅是以上述方式进行的举例说明，当然还可以采用其它的方式，而并不限定健康度分值的具体获取方式，只要所获得的健康度分值能够真实的反映设备的当前状态，都是在本申请的保护范围内的。
步骤103，根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
可选的，根据所述健康度分值确定所述设备运行异常时，根据所述重建概率集合确定异常指标，可以包括：将所述健康度分值与健康度阈值进行比较，在确定所述健康度分值小于所述健康度阈值时，则确定所述设备运行异常；根据所述重建概率集合确定异常指标。
其中，根据健康度分值确定设备异常状态的方式可以采用，将健康度分值与健康度阈值进行比较，在确定健康度分值小于健康度阈值的情况下，则说明设备运行异常，例如，所获得的健康度分值为3，但所设置的健康度阈值为5，由于健康度分值小于健康度阈值，则说明设备运行异常。并且用户可以根据实际情况对健康度阈值进行设置，本实施方式中并不限定健康度阈值的具体大小，健康度阈值设置的越高则设备的异常状况判定的越精准。
可选的，根据所述重建概率集合确定异常指标，可以包括：将所述重建概率集合中的每一个所述重建概率按照由小到大的顺序进行排序，获得重建概率序列；从所述重建概率序列中筛选出小于预设概率的重建概率；确定筛选出的重建概率所匹配的指标，并将所述匹配的指标作为异常指标。
具体的说，在根据健康度分值确定设备运行异常的情况下，还可以进一步确定造成设备运行异常的指标，将重建概率集合中的每一个重建概率按照由小到大的顺序进行排序，获得重建概率序列，例如，所获得的重建概率序列为：丢包率45％，负载均衡46％，攻击防护58％，网页防篡改68％以及漏洞扫描80％，从重建概率序列中筛选出小于预设概率60％的重建概率，确定筛选出的重建概率所匹配的指标分别为丢包率、负载均衡和攻击防护，并将所筛选出的指标作为异常指标，当然，本实施方式中的预设概率用户可以根据实际需求进行设定，而并不限定预设概率的具体数值。
另外，本实施方式中还可以提前指定将重建概率序列中前面预设个数的重建概率所匹配的指标作为异常指标。例如，所获得的重建概率序列为：丢包率45％，负载均衡46％，攻击防护58％，网页防篡改68％以及漏洞扫描80％，选取重建概率序列中前面两个重建概率所匹配的指标丢包率以及负载均衡作为异常指标。从而在通过健康度分值确定设备异常的情况下，能够直接获得造成设备异常的影响因素。
本发明实施例的技术方案，根据设备的指标向量能够直接获取健康度分值，根据健康度分值确定设备故障的情况下，可以快速定位造成设备出现故障的异常指标，从而节省了设备故障排查所消耗的时间和人力成本，并且提升了设备故障排查的效率。
实施例二
图2为本发明实施例二提供的设备异常指标确定方法的流程图，本实施例以上述实施例为基础，在本实施例中，在根据重建概率集合确定异常指标之后，还包括：根据异常指标进行报警提示。相应的，本实施例的方法具体包括如下操作：
步骤201，将设备的指标向量输入预先训练的多维指标模型获得重建概率集合。
其中，重建概率集合中包括与每一个指标所对应的重建概率，重建概率用于表示多维指标模型对指标的还原程度，重建概率越大则说明对指标的还原程度越大，则说明输入的指标越正常。
可选的，将设备的指标向量输入预先训练的多维指标模型获得重建概率集合之前，还可以包括：获取设备每一个指标的时序特征，其中，时序特征为在预设滑动时间窗口内指标每一时刻的参数值；将每一个指标的时序特征输入预先训练的时间循环神经网络模型获得指标向量。
步骤202，根据重建概率集合获得设备的健康度分值。
可选的，根据重建概率集合获得设备的健康度分值，可以包括：将重建概率集合中每一个重建概率相乘获得重建概率乘积结果；对重建概率乘积结果进行取对数操作获得健康度分值。
步骤203，根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
可选的，根据所述健康度分值确定所述设备运行异常时，根据所述重建概率集合确定异常指标，可以包括：将所述健康度分值与健康度阈值进行比较，在确定所述健康度分值小于所述健康度阈值时，则确定所述设备运行异常；根据所述重建概率集合确定异常指标。
可选的，根据所述重建概率集合确定异常指标，可以包括：将所述重建概率集合中的每一个所述重建概率按照由小到大的顺序进行排序，获得重建概率序列；从所述重建概率序列中筛选出小于预设概率的重建概率；确定筛选出的重建概率所匹配的指标，并将所述匹配的指标作为异常指标。
步骤204，根据异常指标进行报警提示。
可选的，报警提示包括语音提示或图像提示。
具体的说，在确定出异常指标之后，为了使用户及时获知到当前的异常指标，并对所确定出的异常指标进行及时维护，可以采用报警机制进行提醒，并且在用户不在监控设备附近时，可以将报警提示通过无线通信方式发送到用户的便携式终端设备，例如手机上，具体可以采用语音提示或图像提示的方式进行传输，本实施方式中并不限定报警提示的具体类型，只要能够使用户及时查收到异常指标都是在本申请的保护范围内。
本发明实施例的技术方案，根据设备的指标向量能够直接获取健康度分值，根据健康度分值确定设备故障的情况下，可以快速定位造成设备出现故障的异常指标，从而节省了设备故障排查所消耗的时间和人力成本，并且提升了设备故障排查的效率。并且根据异常指标进行报警提示，可以使用户及时获知到当前的异常指标，并对所确定出的异常指标进行及时维护。
实施例三
图3为本发明实施例三提供的一种设备异常指标确定装置的结构示意图，该装置包括：重建概率集合获取模块301、健康度分值获取模块302和异常指标确定模块303。
其中，重建概率集合获取模块301，用于将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，重建概率集合中包括与每一个指标所对应的重建概率；
健康度分值获取模块302，用于根据重建概率集合获得设备的健康度分值；
异常指标确定模块303，用于根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
上述装置可执行本发明任意实施例所提供的设备异常指标确定方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明任意实施例提供的方法。
实施例四
图4是本发明实施例提供的一种设备的结构示意图。图4示出了适用于用来实现本发明实施方式的示例性设备412的框图。图4显示的设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，设备412以通用计算设备的形式出现。设备412的组件可以包括但不限于：一个或者多个处理器416，存储器428，连接不同系统组件(包括存储器428和处理器416)的总线418.
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器428用于存储指令。存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该设备412交互的设备通信，和/或与使得该设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器420通过总线418与设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储器428中的指令，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的设备异常指标确定方法：将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，重建概率集合中包括与每一个指标所对应的重建概率；根据重建概率集合获得设备的健康度分值；根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的设备异常指标确定方法：将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，重建概率集合中包括与每一个指标所对应的重建概率；根据重建概率集合获得设备的健康度分值；根据健康度分值确定设备运行异常时，根据重建概率集合确定异常指标。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种设备异常指标确定方法，其特征在于，包括：
将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，所述重建概率集合中包括与每一个指标所对应的重建概率，所述重建概率用于表示多维指标模型对指标的还原程度，所述重建概率越大说明对指标的还原程度越大，表明输入的指标越正常；
根据所述重建概率集合获得所述设备的健康度分值；
根据所述健康度分值确定所述设备运行异常时，根据所述重建概率集合确定异常指标；
所述根据所述重建概率集合获得所述设备的健康度分值，包括：将所述重建概率集合中每一个所述重建概率相乘获得重建概率乘积结果；对所述重建概率乘积结果进行取对数操作获得所述健康度分值。
2.根据权利要求1所述的方法，其特征在于，所述将设备的指标向量输入预先训练的多维指标模型获得重建概率集合之前，还包括：
获取所述设备每一个指标的时序特征，其中，所述时序特征为在预设滑动时间窗口内指标每一时刻的参数值；
将所述每一个指标的时序特征输入预先训练的时间循环神经网络模型获得所述指标向量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述健康度分值确定所述设备运行异常时，根据所述重建概率集合确定异常指标，包括：
将所述健康度分值与健康度阈值进行比较，在确定所述健康度分值小于所述健康度阈值时，则确定所述设备运行异常；
根据所述重建概率集合确定异常指标。
4.根据权利要求要求3所述的方法，其特征在于，所述根据所述重建概率集合确定异常指标，包括：
将所述重建概率集合中的每一个所述重建概率按照由小到大的顺序进行排序，获得重建概率序列；
从所述重建概率序列中筛选出小于预设概率的重建概率；
确定筛选出的重建概率所匹配的指标，并将所述匹配的指标作为异常指标。
5.根据权利要求4所述的方法，其特征在于，所述根据所述重建概率集合确定异常指标之后，还包括：
根据所述异常指标进行报警提示。
6.根据权利要求5所述的方法，其特征在于，所述报警提示包括语音提示或图像提示。
7.一种设备异常指标确定装置，其特征在于，包括：
重建概率集合获取模块，用于将设备的指标向量输入预先训练的多维指标模型获得重建概率集合，其中，所述重建概率集合中包括与每一个指标所对应的重建概率，所述重建概率用于表示多维指标模型对指标的还原程度，所述重建概率越大说明对指标的还原程度越大，表明输入的指标越正常；
健康度分值获取模块，用于根据所述重建概率集合获得所述设备的健康度分值；
异常指标确定模块，用于根据所述健康度分值确定所述设备运行异常时，根据所述重建概率集合确定异常指标；
所述健康度分值获取模块，用于将所述重建概率集合中每一个所述重建概率相乘获得重建概率乘积结果；对所述重建概率乘积结果进行取对数操作获得所述健康度分值。
8.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202010543937.9A 2020-06-15 2020-06-15 一种设备异常指标确定方法、装置、设备和存储介质 Active CN111708687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010543937.9A CN111708687B (zh) 2020-06-15 2020-06-15 一种设备异常指标确定方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010543937.9A CN111708687B (zh) 2020-06-15 2020-06-15 一种设备异常指标确定方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111708687A CN111708687A (zh) 2020-09-25
CN111708687B true CN111708687B (zh) 2021-07-27

Family

ID=72540387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010543937.9A Active CN111708687B (zh) 2020-06-15 2020-06-15 一种设备异常指标确定方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111708687B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991698B (zh) * 2021-04-19 2021-08-10 奇力士（武汉）智慧水务科技有限公司 一种基于二次供水设备的泵房健康度检测方法及系统
CN115190039B (zh) * 2022-07-31 2023-08-08 苏州浪潮智能科技有限公司 一种设备健康评测方法、系统、设备以及存储介质
CN115914052B (zh) * 2022-10-28 2024-05-17 京东科技信息技术有限公司 域名健康状况的检测方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066365A (zh) * 2017-02-20 2017-08-18 阿里巴巴集团控股有限公司 一种系统异常的监测方法及装置
CN109753372A (zh) * 2018-12-20 2019-05-14 东软集团股份有限公司 多维数据异常检测方法、装置、可读存储介质及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004309998A (ja) * 2003-02-18 2004-11-04 Nec Corp 確率分布推定装置および異常行動検出装置，ならびにその確率分布推定方法および異常行動検出方法
US9942254B1 (en) * 2014-07-10 2018-04-10 ThetaRay Ltd. Measure based anomaly detection
CN110674498B (zh) * 2019-08-20 2022-06-03 中国科学院信息工程研究所 一种基于多维度文件活动的内部威胁检测方法及系统
CN111190876A (zh) * 2019-12-31 2020-05-22 天津浪淘科技股份有限公司 日志管理系统及其运行方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107066365A (zh) * 2017-02-20 2017-08-18 阿里巴巴集团控股有限公司 一种系统异常的监测方法及装置
CN109753372A (zh) * 2018-12-20 2019-05-14 东软集团股份有限公司 多维数据异常检测方法、装置、可读存储介质及电子设备

Also Published As

Publication number Publication date
CN111708687A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN112436968B (zh) 一种网络流量的监测方法、装置、设备及存储介质
CN111708687B (zh) 一种设备异常指标确定方法、装置、设备和存储介质
CN110674009B (zh) 应用服务器性能监测方法、装置、存储介质及电子设备
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN110348718B (zh) 业务指标监控方法、装置及电子设备
CN110647523B (zh) 数据质量的分析方法及装置、存储介质、电子设备
CN112598223B (zh) 核电状态导向法事故规程完备性检验方法、系统、电子设备及存储介质
CN115034596A (zh) 一种风险传导预测方法、装置、设备和介质
CN113537642A (zh) 产品品质预测方法、装置、电子设备及存储介质
CN114398354A (zh) 数据监测方法、装置、电子设备及存储介质
CN112396250A (zh) 一种柴油机故障预测方法、装置、设备及存储介质
CN117129815B (zh) 一种基于物联网的多劣化绝缘子综合检测方法和系统
CN117707112A (zh) 一种故障诊断方法、系统、设备及存储介质
CN111614614B (zh) 应用于物联网的安全监测方法和装置
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN115766401B (zh) 工业告警信息解析方法、装置、电子设备与计算机介质
CN111784176A (zh) 一种数据处理方法、装置、服务器及介质
CN116932324A (zh) 一种内存条故障预测方法、装置及电子设备
CN115001954B (zh) 一种网络安全态势感知方法、装置及系统
CN115964701A (zh) 应用安全检测方法、装置、存储介质及电子设备
CN115913596A (zh) 一种网络数据安全态势综合评估分析方法
CN112799957A (zh) 基于用户行为的故障处理方法、系统、设备和介质
CN113360360A (zh) 业务系统故障检测方法、装置、电子设备及存储介质
CN115145623A (zh) 软件业务系统的白盒监控方法、装置、设备和存储介质
CN111565377A (zh) 应用于物联网的安全监测方法和装置

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