CN111859101A - 一种异常事件检测方法、装置、电子设备及存储介质 - Google Patents
一种异常事件检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111859101A CN111859101A CN201911414338.0A CN201911414338A CN111859101A CN 111859101 A CN111859101 A CN 111859101A CN 201911414338 A CN201911414338 A CN 201911414338A CN 111859101 A CN111859101 A CN 111859101A
- Authority
- CN
- China
- Prior art keywords
- target
- abnormal event
- record
- equipment
- order
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 251
- 238000001514 detection method Methods 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000011897 real-time detection Methods 0.000 abstract description 6
- 230000005856 abnormality Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 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
- 238000005516 engineering process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种异常事件检测方法、装置、电子设备及存储介质，该检测方法包括：获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息；基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件；基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果；将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。本申请能够自动识别目标设备的异常事件，实现了对目标设备的实时检测，还能够处理大数据量的异常事件检测，提高了检测效率。
Description
技术领域
本申请涉及文本检测技术领域，具体而言，涉及一种异常事件检测方法、装置、电子设备及存储介质。
背景技术
目前，随着互联网的快速发展，越来越多的互联网产品被人们使用，比如网约车产品。目前，网约车产品通常配合硬件设备进行使用，以使网约车产品更好的为用户提供服务。
其中，硬件设备在使用过程中可能会发生异常事件，目前，通常都是由人工定期检查上述硬件设备的异常事件并进行处理。但是，人工定期检查的方式，具有滞后性且检测效率低。
发明内容
有鉴于此，本申请的目的在于提供一种异常事件检测方法、装置、电子设备及存储介质，能够自动识别目标设备的异常事件，实现了对目标设备的实时检测，并且，还能够处理大数据量的异常事件检测，提高了检测效率。
第一方面，本申请实施例提供了一种异常事件检测方法，所述检测方法包括：
获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息；
基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件；
基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果；
将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
在一种可能的实施方式中，所述获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的设备信息、所述目标订单对应的订单信息和所述目标订单对应的用户信息。
在一种可能的实施方式中，所述获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的至少一条运行记录文本。
在一种可能的实施方式中，所述基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件，包括：
提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征；
将所述记录信息的记录特征输入到预先训练好的检测模型中，获取所述检测模型输出的目标特征分布；
基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件。
在一种可能的实施方式中，所述基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
基于特征分布与异常事件的映射关系，确定与所述目标特征分布相匹配的异常事件，作为所述目标设备对应的异常事件。
在一种可能的实施方式中，所述基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
若不存在与所述目标特征分布相匹配的异常事件，则将所述目标设备对应的与所述目标订单相关联的记录信息发送给第二终端设备；
接收所述第二终端设备发送的基于所述记录信息确定的所述目标设备对应的异常事件。
在一种可能的实施方式中，所述提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
提取所述设备信息对应的设备特征、所述订单信息对应的订单特征和所述用户信息对应的用户特征；
将所述设备特征、所述订单特征和所述用户特征确定为所述记录特征。
在一种可能的实施方式中，所述提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本；
基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征；
将所述运行特征确定为所述记录特征。
在一种可能的实施方式中，所述基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本，包括：
针对每一个运行记录文本，对该运行记录文本进行分词处理，得到该运行记录文本对应的至少一个分词；
针对该运行记录文本对应的每一个分词，基于该分词对应的词频和逆文档频率，确定该分词对应的度量分值；
基于每一个运行记录文本中每一个分词对应的度量分值，确定对应于同一类别的运行记录文本。
在一种可能的实施方式中，所述基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征，包括：
基于每一个类别的运行记录文本对应的数据结构，从该类别的运行记录文本对应的各个分词中选取关键词；
基于每一个类别对应的关键词的关键词特征，生成所述目标设备对应的运行特征。
在一种可能的实施方式中，在确定所述目标设备对应的异常事件之后，所述检测方法还包括：
接收第二终端设备发送的所述目标设备对应的标准异常事件；其中，所述标准异常事件是所述第二终端设备基于所述目标设备对应的与所述目标订单相关联的记录信息确定的；
若所述标准异常事件与所述目标设备对应的异常事件不匹配，则通过所述标准异常事件更新所述异常事件，得到所述目标设备对应的标准异常事件。
在一种可能的实施方式中，所述检测方法还包括：
将所述目标设备对应的标准异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
在一种可能的实施方式中，所述检测方法还包括：
将所述第二终端设备发送所述目标设备对应的异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
第二方面，本申请实施例还提供了一种异常事件检测装置，所述检测装置包括：
获取模块，用于获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息；
确定模块，用于基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件；
生成模块，用于基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果；
发送模块，用于将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
在一种可能的实施方式中，所述获取模块获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的设备信息、所述目标订单对应的订单信息和所述目标订单对应的用户信息。
在一种可能的实施方式中，所述获取模块获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的至少一条运行记录文本。
在一种可能的实施方式中，所述确定模块基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件，包括：
提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征；
将所述记录信息的记录特征输入到预先训练好的检测模型中，获取所述检测模型输出的目标特征分布；
基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件。
在一种可能的实施方式中，所述确定模块基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
基于特征分布与异常事件的映射关系，确定与所述目标特征分布相匹配的异常事件，作为所述目标设备对应的异常事件。
在一种可能的实施方式中，所述确定模块基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
若不存在与所述目标特征分布相匹配的异常事件，则将所述目标设备对应的与所述目标订单相关联的记录信息发送给第二终端设备；
接收所述第二终端设备发送的基于所述记录信息确定的所述目标设备对应的异常事件。
在一种可能的实施方式中，所述确定模块提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
提取所述设备信息对应的设备特征、所述订单信息对应的订单特征和所述用户信息对应的用户特征；
将所述设备特征、所述订单特征和所述用户特征确定为所述记录特征。
在一种可能的实施方式中，所述确定模块提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本；
基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征；
将所述运行特征确定为所述记录特征。
在一种可能的实施方式中，所述确定模块基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本，包括：
针对每一个运行记录文本，对该运行记录文本进行分词处理，得到该运行记录文本对应的至少一个分词；
针对该运行记录文本对应的每一个分词，基于该分词对应的词频和逆文档频率，确定该分词对应的度量分值；
基于每一个运行记录文本中每一个分词对应的度量分值，确定对应于同一类别的运行记录文本。
在一种可能的实施方式中，所述确定模块基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征，包括：
基于每一个类别的运行记录文本对应的数据结构，从该类别的运行记录文本对应的各个分词中选取关键词；
基于每一个类别对应的关键词的关键词特征，生成所述目标设备对应的运行特征。
在一种可能的实施方式中，所述检测方法还包括：
接收模块，用于接收第二终端设备发送的所述目标设备对应的标准异常事件；其中，所述标准异常事件是所述第二终端设备基于所述目标设备对应的与所述目标订单相关联的记录信息确定的；
更新模块，用于若所述标准异常事件与所述目标设备对应的异常事件不匹配，则通过所述标准异常事件更新所述异常事件，得到所述目标设备对应的标准异常事件。
在一种可能的实施方式中，所述检测装置还包括：
第一训练模块，用于将所述目标设备对应的标准异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
在一种可能的实施方式中，所述检测装置还包括：
第二训练模块，用于将所述第二终端设备发送所述目标设备对应的异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如第一方面任一项所述的异常事件检测方法的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一项所述的异常事件检测方法的步骤。
本申请实施例提供的一种异常事件检测方法、装置、电子设备及存储介质，通过获取在目标订单执行过程中目标设备对应的与目标订单相关联的记录信息，基于目标设备对应的与目标订单关联的记录信息，确定目标设备对应的异常事件，并基于目标设备对应的异常事件，生成目标设备的异常检测结果，将目标设备的异常检测结果发送给目标设备对应的第一终端设备。本申请能够自动识别目标设备的异常事件，实现了对目标设备的实时检测，并且，还能够处理大数据量的异常事件检测，提高了检测效率。
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1a示出了本申请实施例提供的一种异常事件检测方法的流程图；
图1b示出了本申请实施例提供的检测模型的特征分布示意图；
图2示出了本申请实施例提供的另一种异常事件检测方法的流程图；
图3示出了本申请实施例提供的另一种异常事件检测方法的流程图；
图4示出了本申请实施例提供的另一种异常事件检测方法的流程图；
图5示出了本申请实施例提供的另一种异常事件检测方法的流程图；
图6示出了本申请实施例提供的另一种异常事件检测方法的流程图；
图7示出了本申请实施例提供的另一种异常事件检测方法的流程图；
图8示出了本申请实施例提供的一种异常事件检测装置的结构示意图；
图9示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，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。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“网约车领域”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“网约车领域”进行描述，但是应该理解，这仅是一个示例性实施例。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。
本申请中的术语“用户”包括“服务提供方”、“服务请求方”和进行目标设备异常检测的“工作人员”；其中，上述“服务提供方”和“司机”可互换使用以指代可以提供服务的个人、实体或工具。上述“服务请求方”和“乘客”可互换使用，以指代可以请求或订购服务的个人、实体或工具。
下面以目标设备为摄像头为例对本申请实施例提供的异常事件检测方法进行说明。需要说明的是，本申请实施例不对上述目标设备进行具体限定。
参照图1a所示，为本申请实施例提供的一种异常事件检测方法的流程示意图，该方法可以由服务器来执行，所述检测方法包括以下步骤：
S101、获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息。
S102、基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件。
S103、基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果。
S104、将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
本申请实施例提供的一种异常事件检测方法，通过获取在目标订单执行过程中目标设备对应的与目标订单相关联的记录信息，基于目标设备对应的与目标订单关联的记录信息，确定目标设备对应的异常事件，并基于目标设备对应的异常事件，生成目标设备的异常检测结果，将目标设备的异常检测结果发送给目标设备对应的第一终端设备。本申请能够自动识别目标设备的异常事件，实现了对目标设备的实时检测，并且，还能够处理大数据量的异常事件检测，提高了检测效率。
下面对本示例性实施例中的一种异常事件检测方法的各步骤作进一步地说明。
S101、获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息。
在本申请实施例中，目标设备预先安装在网约车平台注册的运营车辆中(比如安装在运营车辆内部)，司机在启用运营车辆后，同时启动目标设备。比如，目标设备为摄像头，摄像头用于采集其所在的运营车辆内的图像，并将图像上报给服务器。
通常来讲，司机通过服务提供端搜索到乘客通过服务请求端发送的服务请求，并确认提供服务(即接单)后，服务器生成相应的目标订单，并记录该目标订单的订单信息。
在一种实施方式下，服务器可以在目标订单实际的执行过程中实时获取与该目标订单相关联的记录信息；在另一种实施方式下，服务器也可以在目标订单完成后，获取历史时间段内与目标订单相关联的记录信息，比如，目标订单的执行时间为2019年12月1日8点到9点，相应的，服务器获取2019年12月1日8点到9点之间与历史时间段内与目标订单相关联的记录信息。
其中，获取的记录信息包括具有不同数据结构的数据。
当上述记录信息包括结构化的埋点数据时，获取记录信息即，获取在目标订单执行过程中所述目标设备对应的设备信息、所述目标订单对应的订单信息和所述目标订单对应的用户信息。这里，上述设备信息包括设备号、设备类型等；订单信息包括订单日期、当前城市信息、起点信息、终点信息、乘客身份证标识号(Identity document，ID)、司机ID、订单里程等；上述用户信息包括：司机性别、司机驾龄、乘客性别等。
当上述记录信息包括非结构化的目标设备运行日志数据时，获取记录信息即，获取在目标订单执行过程中所述目标设备对应的至少一条运行记录文本。本申请实施例中，运行记录文本指的是目标设备在运行过程中记录的日志数据。
S102、基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件。
在本申请实施例中，在获取了记录信息后，提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，将所述记录信息的记录特征输入到预先训练好的检测模型中，获取所述检测模型的输出结果，基于所述检测模型的输出结果，确定所述目标设备对应的异常事件。
其中，目标设备对应的异常事件可以为：目标设备拍摄的图像异常，比如，图像被故意遮挡或者被间歇性遮挡，再比如，由于目标设备硬件损坏导致图像异常，再比如，由于目标设备软件损坏导致图像异常。
在获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息后，将该记录信息的记录特征输入到训练好的检测模型中，基于检测模型的输出结果来确认目标设备对应的异常事件，比如，确认目标设备采集的异常图像是由于被遮挡因素造成的，还是目标设备异常(比如硬件异常或者软件异常)造成的。
本申请实施例中，通过如下方式训练检测模型：预先获取训练样本，比如，通过人工对目标设备对应的与历史订单相关联的历史记录信息进行标注得到训练样本；其中，训练样本中包括上述历史记录信息的历史记录特征和目标设备对应的异常事件，将上述历史记录特征作为检测模型的输入，将目标设备对应的异常事件作为检测模型的输出，训练检测模型(即训练检测模型的参数)。
其中，在检测模型训练完成后，检测模型内部就会形成特征分布，比如，一种特征为：男性且驾龄短-被遮挡因素，另一种特征为：女性无论驾龄长短都不会主动去遮挡。通过上述特征分布，检测模型基于目标设备对应的与目标订单相关联的记录信息的记录特征，计算该组特征的量化值，并输出结论。如图1b所示，在检测模型的特征分布中，圆点都表示被遮挡因素(比如故意遮挡)造成的图像异常，三角都表示由于目标设备硬件异常造成的图像异常，中间是拟合出来的分隔曲线。这样，当检测模型基于输入的记录信息的记录特征，得到目标设备对应的输出结果后，如果该输出结果(也即上述量化值)落在曲线上方，则确定目标设备的异常图像是被遮挡因素导致的，反之，是由于目标设备的硬件损坏导致的。
S103、基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果。
本申请实施例中，异常检测结果至少包括目标设备对应的异常事件，还可以包括目标设备标识和目标设备类型。
比如，异常检测结果为：摄像头123456，类型A1，硬件损坏导致采集的图像异常。
S104、将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
本申请实施例中，第一终端设备可以包括工作人员的终端设备，也可以包括司机对应的服务提供端，还可以包括乘客对应的服务请求端。
比如，目标异常事件检测结果“摄像头123456，类型A1，硬件损坏导致采集的图像异常”可以发送给司机对应的服务提供端，相应的，司机基于服务提供端接收到的上述目标设备的异常检测结果，更换或者维修该目标设备。
进一步的，如图2所示，本申请实施例提供的异常事件检测方法，所述基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件，包括：
S201、提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征。
S202、将所述记录信息的记录特征输入到预先训练好的检测模型中，获取所述检测模型输出的目标特征分布。
S203、基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件。
在本申请实施例中，服务器将检测模型输出的目标特征分布与预设的规则库进行匹配，基于规则库中包括特征分布与异常事件的映射关系，确定目标特征分布对应的异常事件。
这里，通过以下两种方式基于检测模型输出的目标特征分布确定目标设备对应的异常事件：
I、基于特征分布与异常事件的映射关系，确定与所述目标特征分布相匹配的异常事件，作为所述目标设备对应的异常事件。
本申请实施例中，服务器将目标特征分布与规则库进行匹配，获取规则库中该目标特征分布对应的异常事件，并将该异常事件确定为目标设备对应的异常事件。
II、如图3所示，所述基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
S301、若不存在与所述目标特征分布相匹配的异常事件，则将所述目标设备对应的与所述目标订单相关联的记录信息发送给第二终端设备。
S302、接收所述第二终端设备发送的基于所述记录信息确定的所述目标设备对应的异常事件。
本申请实施例中，第二终端设备为进行目标设备异常检测的工作人员对应的终端设备。
结合步骤301至步骤302，由于检测模型的训练样本有限，相应的，基于训练样本训练得到的检测模型的特征分布并不能覆盖所有的情况，相应的，服务器基于检测模型输出结果会存在无法确定目标设备对应的异常事件的情况。
本申请实施例中，服务器若确定规则库中不存在目标特征分布，则将目标设备对应的与目标订单相关联的记录信息发送给第二终端设备，工作人员基于第二终端设备显示的记录信息，确定目标设备对应的异常事件，并通过第二终端设备将确定的目标设备对应的异常事件发送给服务器。
进一步的，本申请实施例中，记录信息包括的数据的数据结构不同，提取的记录特征不同，下面分别进行说明：
第一、针对结构化的埋点数据，所述提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
提取所述设备信息对应的设备特征、所述订单信息对应的订单特征和所述用户信息对应的用户特征；将所述设备特征、所述订单特征和所述用户特征确定为所述记录特征。
其中，上述设备特征包括：设备号、设备类型等；订单特征包括订单日期、当前城市信息、起始地信息、目的地信息、乘客身份证标识号(Identity document，ID)、司机ID、订单里程等；上述用户特征包括：司机性别、司机驾龄、乘客性别等。
将上述设备特征、订单特征和用户特征输入到检测模型中，检测模型基于上述设备特征、订单特征和用户特征，即可输出对应于上述特征的目标特征分布，基于该目标特征分布，可以确定目标设备拍摄的异常图像是否为故意遮挡。
比如，记录特征如表1所示包括：
表1
第二、针对非结构化的目标设备运行日志数据，如图4所示，所述提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
S401、基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本。
本申请实施例，上述运行记录文本即目标设备在运行过程中对应的日志数据。其中，获取的运行记录文本为多条，相应的，服务器计算这多条运行记录文本之间的相似度，基于这多条运行记录文本之间的相似度，对这多条运行记录文本进行聚类。
比如，运行记录文本如下：[<ffffffff814fd11a>]？panic+0xa0/0x168(文本1)；
[<ffffffff810dadb0>]？watchdog_timer_fn+0x0/0x1d0(文本2)；
[<ffffffff810daf6d>]？watchdog_timer_fn+0x1bd/0x1d0(文本3)；
[<ffffffff8109684e>]？__run_hrtimer+0x8e/0x1a0(文本4)；
[<ffffffff81012bd9>]？read_tsc+0x9/0x20(文本5)；
[<ffffffff81096bf6>]？hrtimer_interrupt+0xe6/0x250(文本6)；
[<ffffffffa0259780>]？fcluster_timer_process+0x0/0x1b0[fcluster](文本7)；
[<ffffffff81505bdb>]？smp_apic_timer_interrupt+0x6b/0x9b(文本8)；
[<ffffffff8100bc13>]？apic_timer_interrupt+0x13/0x20(文本9)；
[<ffffffff8127e4ef>]？__write_lock_failed+0xf/0x20(文本10)；
[<ffffffff81500147>]？_write_lock+0x17/0x20(文本11)。
本申请实施例中，服务器计算上述文本1到文本11之间的文本相似度，确定位于同一类别的运行记录文本，比如，聚类结果为：文本1为类别1，文本2～文本3为类别2，文本4～文本6为类别3，文本5～文本9为类别4，文本10～文本11为类别5。
S402、基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征。
本申请实施例中，针对每一个类别的运行记录文本，提取该类别的运行记录文本对应的各个分词，并从各个分词中选取关键词，基于每一个类别对应的关键词，将相应关键词的关键词特征与预设的特征模板进行匹配，生成与特征模板相匹配的目标设备对应的运行特征。
S403、将所述运行特征确定为所述记录特征。
本申请实施例中，将生成的与特征模板相匹配的目标设备对应的运行特征作为输入特征，输入到检测模型中，检测模型基于上述输入特征，即可输出的对应于目标设备的目标特征分布，基于该目标特征分布确定目标设备拍摄的异常图像是否为目标设备的硬件异常造成；或者，基于该目标特征分布确定目标设备拍摄的异常图像是否为目标设备的软件异常造成的。
进一步的，如图5所示，本申请实施例提供的异常事件检测方法中，所述基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本，包括：
S501、针对每一个运行记录文本，对该运行记录文本进行分词处理，得到该运行记录文本对应的至少一个分词。
在本申请实施例中，针对每一个运行记录文本，若该运行记录文本为中文运行记录文本，服务器基于语言技术平台(Language Technology Plantform，LTP)工具提取中文文本中的分词；若该运行记录文本为英文运行记录文本，服务器基于coreNLP工具提取英文运行记录文本中的分词。在提取了该运行记录文本对应的分词之后，剔除分词中的停用词，得到该运行记录文本对应的至少一个分词。
其中，针对获取的每一个运行记录文本均进行上述处理，得到每一个运行记录文本对应的至少一个分词。
S502、针对该运行记录文本对应的每一个分词，基于该分词对应的词频和逆文档频率，确定该分词对应的度量分值。
在本申请实施例中，在得到每一个运行记录文本对应的相似度后，针对每个运行记录文本对应的每一个分词，获取该分词对应的词频和逆文档频率，将该分词对应的词频和逆文档频率输入到预先训练好的TF-IDF模型中，得到该分词对应的度量分值。
针对每一个运行记录文本对应的每一个分词均进行上述处理，得到每个分词对应的度量分值，也即TF-IDF分值。
S503、基于每一个运行记录文本中每一个分词对应的度量分值，确定对应于同一类别的运行记录文本。
本申请实施例中，基于多个运行记录文本中每一运行记录文本分别对应的每一个分词分别对应的度量分值，计算多个运行记录文本之间距离或者相似度度量，并基于距离和相似度度量确定对应于同一类别的运行记录文本。
进一步的，如图6所示，本申请实施例提供的异常事件检测方法中，所述基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征，包括：
S601、基于每一个类别的运行记录文本对应的数据结构，从该类别的运行记录文本对应的各个分词中选取关键词。
本申请实施例中，针对上述分类结果，文本1为类别1，文本2～文本3为类别2，文本4～文本6为类别3，文本5～文本9为类别4，文本10～文本11为类别5，基于每一个类别的运行记录文本对应的数据结构，从该类别的运行记录文本对应的各个分词中选取内容语义信息对应的关键词。
比如，[<ffffffff814fd11a>]？panic+0xa0/0x168(文本1)中，<fffffxxxxx>表征内存地址并非关键词，“+0xe6/0x250”表征地址偏移也并非关键词，而“panic”表征异常内容，为关键词。
通过上述方法，选取的关键词如下：类别1中的运行记录文本对应的关键词为：“panic”，类别2中的运行记录文本对应的关键词为“watchdog_timer_fn”，类别3中的运行记录文本对应的关键词为“__run_hrtimer”......类别5中的运行记录文本对应的关键词为“__write_lock_failed”和“_write_lock”。
S602、基于每一个类别对应的所述关键词的关键词特征，生成所述目标设备对应的运行特征。
本申请实施例中，服务器中包括特征模板，特征模板中包括关键词对应的特征组合，比如为，“panic，__write_lock_failed，_write_lock”该特定顺序的组合对应某一种特定的异常类型，相应的，基于上述各个类别对应的关键词，得到目标设备对应的特征组合为“panic，__write_lock_failed，_write_lock”，将该特征组合“panic，__write_lock_failed，_write_lock”对应的运行特征作为记录特征(即检测模型的输入特征)。
进一步的，如图7所示，本申请实施例提供的异常事件检测方法，在确定所述目标设备对应的异常事件之后，所述检测方法还包括：
S701、接收第二终端设备发送的所述目标设备对应的标准异常事件；其中，所述标准异常事件是所述第二终端设备基于所述目标设备对应的与所述目标订单相关联的记录信息确定的。
S702、若所述标准异常事件与所述目标设备对应的异常事件不匹配，则通过所述标准异常事件更新所述异常事件，得到所述目标设备对应的标准异常事件。
结合步骤701至步骤702，工作人员可以对服务器自动确定目标设备对应的异常事件进行校验，具体校验过程如下：
基于目标设备对应的与目标订单相关联的记录信息，确定目标设备对应的标准异常事件，然后，将标准异常事件与服务器确定的目标设备对应的异常事件进行对比，若二者不匹配，则检验失败，确定服务器的识别结果不准确，相应的，通过标准异常事件更新目标设备对应的异常事件，得到目标设备对应的标准异常事件。
相应的，本申请实施例提供的异常事件检测方法中，所述检测方法还包括：
将所述目标设备对应的标准异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
也就是说，在校验后，对于服务器的识别结果不准确并进行更新后的识别结果，可以基于该识别结果更新检测模型，即将目标设备对应的标准异常事件以及该目标设备对应的与目标订单相关联的记录信息的记录特征作为新的训练样本，训练检测模型(即更新检测模型)，得到更新检测模型。
本申请实施例中，基于校验后的结果更新检测模型，能够提高检测模型输出结果的准确度。
进一步的，本申请实施例提供的异常事件检测方法，所述检测方法还包括：
将所述第二终端设备发送所述目标设备对应的异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
实际中，由于检测模型的训练样本有限，就使得训练好的检测模型的特征分布并不能覆盖所有的情况，相应的，服务器基于检测模型输出结果会存在无法确定目标设备对应的异常事件的情况，即规则库中不存在与检测模型输出的目标特征分布相匹配的特征分布，此时，是由第二终端设备确定该目标设备对应的异常事件并返回给服务器。
在该种情况下，将第二终端设备发送目标设备对应的异常事件以及该目标设备对应的与目标订单相关联的记录信息的记录特征作为新的训练样本，训练检测模型(即更新检测模型)，得到更新检测模型。
本申请实施例中，基于第二终端设备的识别结果更新检测模型，能够完善检测模型，提高检测模型覆盖的全面性，并且，服务器结合检测模型进行异常事件检测，能够处理大数据量的异常事件检测，提高了检测效率。
本申请实施例提供的一种异常事件检测方法，通过获取在目标订单执行过程中目标设备对应的与目标订单相关联的记录信息，基于目标设备对应的与目标订单关联的记录信息，确定目标设备对应的异常事件，并基于目标设备对应的异常事件，生成目标设备的异常检测结果，将目标设备的异常检测结果发送给目标设备对应的第一终端设备。本申请能够自动识别目标设备的异常事件，实现了对目标设备的实时检测，并且，还能够处理大数据量的异常事件检测，提高了检测效率。
基于同一发明构思，本申请实施例中还提供了与上述实施例提供的异常事件检测方法对应的异常事件检测装置，由于本申请实施例中的装置解决问题的原理与本申请实施例提供的异常事件检测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
参照图8所示，为本申请实施例提供的一种异常事件检测装置，所述检测装置包括：
获取模块801，用于获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息；
确定模块802，用于基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件；
生成模块803，用于基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果；
发送模块804，用于将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
在一种可能的实施方式中，获取模块801获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的设备信息、所述目标订单对应的订单信息和所述目标订单对应的用户信息。
在一种可能的实施方式中，获取模块801获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的至少一条运行记录文本。
在一种可能的实施方式中，确定模块802基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件，包括：
提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征；
将所述记录信息的记录特征输入到预先训练好的检测模型中，获取所述检测模型输出的目标特征分布；
基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件。
在一种可能的实施方式中，确定模块802基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
基于特征分布与异常事件的映射关系，确定与所述目标特征分布相匹配的异常事件，作为所述目标设备对应的异常事件。
在一种可能的实施方式中，确定模块802基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
若不存在与所述目标特征分布相匹配的异常事件，则将所述目标设备对应的与所述目标订单相关联的记录信息发送给第二终端设备；
接收所述第二终端设备发送的基于所述记录信息确定的所述目标设备对应的异常事件。
在一种可能的实施方式中，确定模块802提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
提取所述设备信息对应的设备特征、所述订单信息对应的订单特征和所述用户信息对应的用户特征；
将所述设备特征、所述订单特征和所述用户特征确定为所述记录特征。
在一种可能的实施方式中，确定模块802提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本；
基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征；
将所述运行特征确定为所述记录特征。
在一种可能的实施方式中，确定模块802基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本，包括：
针对每一个运行记录文本，对该运行记录文本进行分词处理，得到该运行记录文本对应的至少一个分词；
针对该运行记录文本对应的每一个分词，基于该分词对应的词频和逆文档频率，确定该分词对应的度量分值；
基于每一个运行记录文本中每一个分词对应的度量分值，确定对应于同一类别的运行记录文本。
在一种可能的实施方式中，确定模块802基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征，包括：
基于每一个类别的运行记录文本对应的数据结构，从该类别的运行记录文本对应的各个分词中选取关键词；
基于每一个类别对应的关键词的关键词特征，生成所述目标设备对应的运行特征。
在一种可能的实施方式中，所述检测装置还包括：
接收模块，用于接收第二终端设备发送的所述目标设备对应的标准异常事件；其中，所述标准异常事件是所述第二终端设备基于所述目标设备对应的与所述目标订单相关联的记录信息确定的；
更新模块，用于若所述标准异常事件与所述目标设备对应的异常事件不匹配，则通过所述标准异常事件更新所述异常事件，得到所述目标设备对应的标准异常事件。
在一种可能的实施方式中，所述检测装置还包括：
第一训练模块，用于将所述目标设备对应的标准异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
在一种可能的实施方式中，所述检测装置还包括：
第二训练模块，用于将所述第二终端设备发送所述目标设备对应的异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
本申请实施例提供的一种异常事件检测装置，通过获取在目标订单执行过程中目标设备对应的与目标订单相关联的记录信息，基于目标设备对应的与目标订单关联的记录信息，确定目标设备对应的异常事件，并基于目标设备对应的异常事件，生成目标设备的异常检测结果，将目标设备的异常检测结果发送给目标设备对应的第一终端设备。本申请能够自动识别目标设备的异常事件，实现了对目标设备的实时检测，并且，还能够处理大数据量的异常事件检测，提高了检测效率。
如图9所示，本申请实施例提供的一种电子设备900，包括：处理器901、存储器902和总线，所述存储器902存储有所述处理器901可执行的机器可读指令，当电子设备运行时，所述处理器901与所述存储器902之间通过总线通信，所述处理器901执行所述机器可读指令，以执行如上述实施例提供的异常事件检测方法的步骤。
具体地，上述存储器902和处理器901能够为通用的存储器和处理器，这里不做具体限定，当处理器901运行存储器902存储的计算机程序时，能够执行上述实施例对应的异常事件检测方法。
对应于上述异常事件检测方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例提供的异常事件检测方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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，所述模块的划分，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，多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述检测方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (16)
1.一种异常事件检测方法，其特征在于，所述检测方法包括：
获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息；
基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件；
基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果；
将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
2.根据权利要求1所述的异常事件检测方法，其特征在于，所述获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的设备信息、所述目标订单对应的订单信息和所述目标订单对应的用户信息。
3.根据权利要求2所述的异常事件检测方法，其特征在于，所述获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息，包括：
获取在目标订单执行过程中所述目标设备对应的至少一条运行记录文本。
4.根据权利要求3所述的异常事件检测方法，其特征在于，所述基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件，包括：
提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征；
将所述记录信息的记录特征输入到预先训练好的检测模型中，获取所述检测模型输出的目标特征分布；
基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件。
5.根据权利要求4所述的异常事件检测方法，其特征在于，所述基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
基于特征分布与异常事件的映射关系，确定与所述目标特征分布相匹配的异常事件，作为所述目标设备对应的异常事件。
6.根据权利要求4所述的异常事件检测方法，其特征在于，所述基于所述检测模型输出的目标特征分布，确定所述目标设备对应的异常事件，包括：
若不存在与所述目标特征分布相匹配的异常事件，则将所述目标设备对应的与所述目标订单相关联的记录信息发送给第二终端设备；
接收所述第二终端设备发送的基于所述记录信息确定的所述目标设备对应的异常事件。
7.根据权利要求4所述的异常事件检测方法，其特征在于，所述提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
提取所述设备信息对应的设备特征、所述订单信息对应的订单特征和所述用户信息对应的用户特征；
将所述设备特征、所述订单特征和所述用户特征确定为所述记录特征。
8.根据权利要求4所述的异常事件检测方法，其特征在于，所述提取所述目标设备对应的与所述目标订单相关联的记录信息的记录特征，包括：
基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本；
基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征；
将所述运行特征确定为所述记录特征。
9.根据权利要求8所述的异常事件检测方法，其特征在于，所述基于所述至少一条运行记录文本之间的相似度，确定对应于同一类别的运行记录文本，包括：
针对每一个运行记录文本，对该运行记录文本进行分词处理，得到该运行记录文本对应的至少一个分词；
针对该运行记录文本对应的每一个分词，基于该分词对应的词频和逆文档频率，确定该分词对应的度量分值；
基于每一个运行记录文本中每一个分词对应的度量分值，确定对应于同一类别的运行记录文本。
10.根据权利要求8所述的异常事件检测方法，其特征在于，所述基于每一个类别的运行记录文本对应的运行特征，生成所述目标设备对应的运行特征，包括：
基于每一个类别的运行记录文本对应的数据结构，从该类别的运行记录文本对应的各个分词中选取关键词；
基于每一个类别对应的关键词的关键词特征，生成所述目标设备对应的运行特征。
11.根据权利要求5所述的异常事件检测方法，其特征在于，在确定所述目标设备对应的异常事件之后，所述检测方法还包括：
接收第二终端设备发送的所述目标设备对应的标准异常事件；其中，所述标准异常事件是所述第二终端设备基于所述目标设备对应的与所述目标订单相关联的记录信息确定的；
若所述标准异常事件与所述目标设备对应的异常事件不匹配，则通过所述标准异常事件更新所述异常事件，得到所述目标设备对应的标准异常事件。
12.根据权利要求11所述的异常事件检测方法，其特征在于，所述检测方法还包括：
将所述目标设备对应的标准异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
13.根据权利要求6所述的异常事件检测方法，其特征在于，所述检测方法还包括：
将所述第二终端设备发送所述目标设备对应的异常事件和所述目标设备对应的与所述目标订单相关联的记录信息的记录特征作为新的训练样本，训练所述检测模型，得到更新检测模型。
14.一种异常事件检测装置，其特征在于，所述检测装置包括：
获取模块，用于获取在目标订单执行过程中目标设备对应的与所述目标订单相关联的记录信息；
确定模块，用于基于所述目标设备对应的与所述目标订单相关联的记录信息，确定所述目标设备对应的异常事件；
生成模块，用于基于所述目标设备对应的异常事件，生成所述目标设备的异常检测结果；
发送模块，用于将所述目标设备的异常检测结果发送给所述目标设备对应的第一终端设备。
15.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至13任一项所述的异常事件检测方法的步骤。
16.一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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至13任一项所述的异常事件检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911414338.0A CN111859101A (zh) | 2019-12-31 | 2019-12-31 | 一种异常事件检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911414338.0A CN111859101A (zh) | 2019-12-31 | 2019-12-31 | 一种异常事件检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111859101A true CN111859101A (zh) | 2020-10-30 |
Family
ID=72970752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911414338.0A Pending CN111859101A (zh) | 2019-12-31 | 2019-12-31 | 一种异常事件检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859101A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837013A (zh) * | 2021-02-02 | 2021-05-25 | 拉扎斯网络科技（上海）有限公司 | 业务处理方法、装置及设备 |
| CN113761031A (zh) * | 2021-09-08 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 目标投诉方的识别方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150234791A1 (en) * | 2014-02-17 | 2015-08-20 | Alibaba Group Holding Limited | Method, apparatus, and system for displaying order information |
| CN108882146A (zh) * | 2018-06-07 | 2018-11-23 | 北京星网锐捷网络技术有限公司 | 车载通信设备异常行为检测方法、电子设备及系统 |
| CN109086876A (zh) * | 2018-09-21 | 2018-12-25 | 广州发展集团股份有限公司 | 设备的运行状态检测方法、装置、计算机设备和存储介质 |
| CN109992600A (zh) * | 2019-03-28 | 2019-07-09 | 佛山市百斯特电器科技有限公司 | 一种设备故障的响应方法及设备 |
| CN110213516A (zh) * | 2019-05-22 | 2019-09-06 | 未来（北京）黑科技有限公司 | 车载视频录制处理方法、装置、存储介质及电子装置 |
-
2019
- 2019-12-31 CN CN201911414338.0A patent/CN111859101A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150234791A1 (en) * | 2014-02-17 | 2015-08-20 | Alibaba Group Holding Limited | Method, apparatus, and system for displaying order information |
| CN108882146A (zh) * | 2018-06-07 | 2018-11-23 | 北京星网锐捷网络技术有限公司 | 车载通信设备异常行为检测方法、电子设备及系统 |
| CN109086876A (zh) * | 2018-09-21 | 2018-12-25 | 广州发展集团股份有限公司 | 设备的运行状态检测方法、装置、计算机设备和存储介质 |
| CN109992600A (zh) * | 2019-03-28 | 2019-07-09 | 佛山市百斯特电器科技有限公司 | 一种设备故障的响应方法及设备 |
| CN110213516A (zh) * | 2019-05-22 | 2019-09-06 | 未来（北京）黑科技有限公司 | 车载视频录制处理方法、装置、存储介质及电子装置 |
Non-Patent Citations (1)
| Title |
|---|
| 胡辉;黄思博;胡松;蔡映雪;陈伽;蔡昭权;: "一种基于异常事件检测的智能视频监控系统", 现代计算机(专业版), no. 04, 5 February 2017 (2017-02-05), pages 30 - 33 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112837013A (zh) * | 2021-02-02 | 2021-05-25 | 拉扎斯网络科技（上海）有限公司 | 业务处理方法、装置及设备 |
| CN112837013B (zh) * | 2021-02-02 | 2023-08-11 | 拉扎斯网络科技（上海）有限公司 | 业务处理方法、装置及设备 |
| CN113761031A (zh) * | 2021-09-08 | 2021-12-07 | 平安国际智慧城市科技股份有限公司 | 目标投诉方的识别方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109637000B (zh) | 发票检验方法及装置、存储介质、电子终端 | |
| EP3151131A1 (en) | Apparatus and method for executing an automated analysis of data, in particular social media data, for product failure detection | |
| US11755841B2 (en) | Method for updating a knowledge base of a sentiment analysis system | |
| CN108090068B (zh) | 医院数据库中的表的分类方法及装置 | |
| EP3690676A1 (en) | Method, apparatus, computer device and storage medium for verifying community question answer data | |
| US20120233112A1 (en) | Developing fault model from unstructured text documents | |
| US10489637B2 (en) | Method and device for obtaining similar face images and face image information | |
| CN110309251B (zh) | 文本数据的处理方法、装置和计算机可读存储介质 | |
| US10678625B2 (en) | Log-based computer system failure signature generation | |
| US11409888B2 (en) | Security information processing device, information processing method, and recording medium | |
| CN110019640B (zh) | 涉密文件检查方法及装置 | |
| KR101724302B1 (ko) | 특허분쟁예보장치 및 그 방법 | |
| CN111859101A (zh) | 一种异常事件检测方法、装置、电子设备及存储介质 | |
| CN110869942A (zh) | 自馈深度学习方法和系统 | |
| CN116775639A (zh) | 数据处理方法、存储介质及电子设备 | |
| CN109545319B (zh) | 基于知识关系分析的处方告警方法及终端设备 | |
| WO2015023031A1 (ko) | 전문분야 검색 지원 방법 및 그 장치 | |
| CN111104844B (zh) | 多发票信息录入方法、装置、电子设备及存储介质 | |
| CN110968584B (zh) | 一种画像生成系统、方法、电子设备及可读存储介质 | |
| CN115687790B (zh) | 基于大数据的广告推送方法、系统及云平台 | |
| CN116795978A (zh) | 一种投诉信息处理方法、装置、电子设备及介质 | |
| JP2019164788A (ja) | 情報処理装置、情報処理方法、プログラム及び画像情報表示システム | |
| CN115760438A (zh) | 数字化动态核保系统、方法、设备及存储介质 | |
| CN115294592A (zh) | 理赔信息采集方法和采集装置、计算机设备、存储介质 | |
| CN114254109A (zh) | 用于确定行业类别的方法及装置 |
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 |