CN111866924B - 性能指标监控方法、装置、计算设备及计算机存储介质 - Google Patents

性能指标监控方法、装置、计算设备及计算机存储介质 Download PDF

Info

Publication number
CN111866924B
CN111866924B CN201910339091.4A CN201910339091A CN111866924B CN 111866924 B CN111866924 B CN 111866924B CN 201910339091 A CN201910339091 A CN 201910339091A CN 111866924 B CN111866924 B CN 111866924B
Authority
CN
China
Prior art keywords
data
threshold
monitoring
index
monitored
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
CN201910339091.4A
Other languages
English (en)
Other versions
CN111866924A (zh
Inventor
王广平
郑家富
龙祺
桂国富
李蔚
王丽莉
严曦
任雨樵
朱达贤
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Anhui Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Anhui 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 China Mobile Communications Group Co Ltd, China Mobile Group Anhui Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910339091.4A priority Critical patent/CN111866924B/zh
Publication of CN111866924A publication Critical patent/CN111866924A/zh
Application granted granted Critical
Publication of CN111866924B publication Critical patent/CN111866924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0677—Localisation of faults
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明实施例涉及移动通信技术领域，公开了一种性能指标监控方法、装置、计算设备及计算机存储介质，该方法包括：获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果。通过上述方式，本发明实施例避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。

Description

性能指标监控方法、装置、计算设备及计算机存储介质
技术领域
本发明实施例涉及移动通信技术领域，具体涉及一种性能指标监控方法、装置、计算设备及计算机存储介质。
背景技术
长期演进语音承载(Voice over Long-Term Evolution，VoLTE)是架构在4G网络上全互联网协议(Internet Protocol，IP)条件下的端到端语音解决方案，能提供高质量、更自然的语音视频通话效果，能极大的提升用户感知，所以随着越来越多的用户开通了VoLTE业务，网络运营商对VoLTE业务功能维护提出了更高的要求。在传统的维护模式中，维护人员采用人工方式对性能指标进行定时监控，即维护人员先对性能指标逐一进行监控，并对每项业务的监控指标进行同比计算来确认指标是否异常，若性能指标同比变化幅度超过监控人员的经验值时，则认为该项性能指标存在异常。
在实现本发明实施例的过程中，发明人发现：在实际应用过程中传统模式的指标监控会受外界因素影响，存在以下问题：若性能指标种类繁多，人工方式监控过程会复杂繁琐，监控成本高。如果监控人员经验不足，或指标监控不及时，会致使性能指标劣化严重。而部分性能指标呈现周期性的动态变化特征，静态的经验值会无法及时有效的监控到性能指标的突变。
发明内容
鉴于上述问题，本发明实施例提供了一种性能指标监控方法、装置、计算设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种性能指标监控方法，所述方法包括：获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果。
在一种可选的方式中，所述对所述原始数据进行修正处理获得阈值数据，包括：应用时间序列分析方法对所述原始数据进行修正得到一次修正数据；去除所述一次修正数据的长期趋势得到二次修正数据；计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述应用时间序列分析方法对所述原始数据进行修正得到一次修正数据，包括：计算所述原始数据的周期内平均数和总平均数；根据所述周期内平均数和所述总平均数计算季节指数；根据所述季节指数对所述原始数据进行修正得到所述一次修正数据。
在一种可选的方式中，所述去除所述一次修正数据的长期趋势得到二次修正数据，还包括：应用模型拟合方法对所述一次修正数据进行拟合；应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据。
在一种可选的方式中，所述计算所述二次修正数据的所述阈值数据，包括：计算所述二次修正数据的四分位数和四分位距；根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述阈值数据为下限阈值，所述将所述阈值数据与预设阈值范围进行比较得到监控结果，包括：判断所述下限阈值是否小于所述阈值范围的最低值；如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
在一种可选的方式中，所述方法还包括：如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。
根据本发明实施例的另一个方面，提供了一种性能指标监控装置，所述装置包括：数据采集模块，用于获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；数据修正模块，用于对所述原始数据进行修正处理获得阈值数据；数据比较模块，用于将所述阈值数据与预设阈值范围进行比较得到监控结果。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述性能指标监控方法的步骤。
根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述性能指标监控方法的步骤。
本发明实施例通过获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果，避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的性能指标监控方法的流程示意图；
图2示出了本发明另一实施例提供的性能指标监控方法的流程图；
图3示出了本发明实施例提供的性能指标监控装置的结构示意图；
图4示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的性能指标监控方法的流程示意图。如图1所示，性能指标监控方法包括：
步骤S11：获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据。
具体地，采集待监控指标的相关数据，并且获取与当前指标对应的同期历史数据，组成待监控指标的原始数据。与所述监控数据对应的同期历史数据具体是指与待监控指标的监控数据所在的时间点相对应的一个或多个历史同期时间点的历史监控样本数据。
步骤S12：对所述原始数据进行修正处理获得阈值数据。
具体地，运用时间序列分析去除原始数据中季节因素和长期趋势的影响，并结合四分位数及四分位距计算原始数据的阈值数据。
在本发明实施例中，如图2所示，步骤S12进一步包括：
步骤S121：应用时间序列分析方法对所述原始数据进行修正得到一次修正数据。
具体地，根据时间序列分析方法，计算原始数据的季节指数，对数据进行一次修正，去除季节因素的影响。在步骤S121中，计算所述原始数据的周期内平均数和总平均数；根据所述周期内平均数和所述总平均数计算季节指数；根据所述季节指数对所述原始数据进行修正得到所述一次修正数据。
假定原始数据的数据结构为m期为一周期，共有n周期，其中，m、n为正整数。周期内平均数
Figure BDA0002040104230000041
满足以下关系式：
Figure BDA0002040104230000042
xik为第i周期内的第k个原始数据。
通过计算原始数据的周期内各期平均数，得到长期以来该时期的平均水平。
总平均数
Figure BDA0002040104230000051
满足关系式：
Figure BDA0002040104230000052
用周期内各平均数除以总平均数就可以得到各时期的季节指数Sk(k＝1,2,…,m)，即
Figure BDA0002040104230000053
将原始数据除以对应时期季节指数Sk，即得到去除季节因素影响的一次修正数据。
步骤S122：去除所述一次修正数据的长期趋势得到二次修正数据。
具体地，应用模型拟合方法对所述一次修正数据进行拟合；应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据。
在本发明实施例中，观察一次修正数据的趋势特征，根据一次修正数据所表现出的线性或非线性特征，对一次修正数据进行线性拟合或曲线拟合。对应的模型拟合方法，采用对应的参数估计方法计算模型的参数，得到趋势模型。即如果对一次修正数据采用的是线性拟合，则应用与线性拟合对应的参数估计方法计算模型的参数；如果对一次修正数据采用的是曲线拟合，则应用与曲线拟合对应的参数估计方法计算模型的参数。进一步用一次修正数据减去趋势模型中的拟合值之后得到二次修正数据，该二次修正数据去除了长期趋势的影响。
步骤S123：计算所述二次修正数据的所述阈值数据。
具体地，计算所述二次修正数据的四分位数和四分位距；根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
在本发明实施例中，首先将所有二次修正数据按升序进行排列，确定四分位数的位置：I*n/4，其中，n表示同期历史数据中包含的项数，I＝1，2，3分别对应下四分位数、中位数、上四分位数。
如果结果为整数，则四分位数位于这个位置和下一个位置的中间，取两个位置的平均值，即得相应的四分位数。如果不是整数，则向上取整，所得结果即为四分位数的位置，对应的数值即为相应的四分位数。
四分位距：IQR＝Q3-Q1，其中，Q3表示上四分位数，Q1表示下四分位数。
利用四分位数及四分位距来计算阈值数据。以阈值数据为下限阈值为例，下限阈值＝Q1-k*IQR。k为系数，可以根据需要设置，优选为设定为1.5，来源于经验判断，经验表明它在处理需要特别注意的数据方面表现不错。
步骤S13：将所述阈值数据与预设阈值范围进行比较得到监控结果。
具体地，判断阈值数据是否在预设阈值范围内，如果在阈值范围内，说明该待监控指标正常，如果不在阈值范围内，说明该待监控指标异常。以阈值数据为下限阈值为例，判断所述下限阈值是否小于所述阈值范围的最低值；如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
在本发明实施例中，对得到的监控结果进行存储。如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。本发明实施例还接收监控结果并根据需求部署自动化环境、产生自动化任务，包括软件安装、硬件需求等。
本发明实施例通过获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果，避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。
图3示出了本发明实施例的性能指标监控装置的结构示意图。如图3所示，该性能指标监控装置包括：数据采集模块301、数据修正模块302以及数据比较模块303。其中：
数据采集模块301用于获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据。数据修正模块302用于对所述原始数据进行修正处理获得阈值数据。数据比较模块303用于将所述阈值数据与预设阈值范围进行比较得到监控结果。
在一种可选的方式中，数据修正模块302用于：应用时间序列分析方法对所述原始数据进行修正得到一次修正数据；去除所述一次修正数据的长期趋势得到二次修正数据；计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，数据修正模块302还用于：计算所述原始数据的周期内平均数和总平均数；根据所述周期内平均数和所述总平均数计算季节指数；根据所述季节指数对所述原始数据进行修正得到所述一次修正数据。
在一种可选的方式中，数据修正模块302还用于：应用模型拟合方法对所述一次修正数据进行拟合；应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据。
在一种可选的方式中，数据修正模块302还用于：计算所述二次修正数据的四分位数和四分位距；根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述阈值数据为下限阈值，数据比较模块303用于：判断所述下限阈值是否小于所述阈值范围的最低值；如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
在一种可选的方式中，性能指标监控装置还包括异常预警模块304，用于：如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。
本发明实施例通过获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果，避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的性能指标监控方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；
对所述原始数据进行修正处理获得阈值数据；
将所述阈值数据与预设阈值范围进行比较得到监控结果。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用时间序列分析方法对所述原始数据进行修正得到一次修正数据；
去除所述一次修正数据的长期趋势得到二次修正数据；
计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
计算所述原始数据的周期内平均数和总平均数；
根据所述周期内平均数和所述总平均数计算季节指数；
根据所述季节指数对所述原始数据进行修正得到所述一次修正数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用模型拟合方法对所述一次修正数据进行拟合；
应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；
根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
计算所述二次修正数据的四分位数和四分位距；
根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
判断所述下限阈值是否小于所述阈值范围的最低值；
如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。
本发明实施例通过获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果，避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的性能指标监控方法。
可执行指令具体可以用于使得处理器执行以下操作：
获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；
对所述原始数据进行修正处理获得阈值数据；
将所述阈值数据与预设阈值范围进行比较得到监控结果。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用时间序列分析方法对所述原始数据进行修正得到一次修正数据；
去除所述一次修正数据的长期趋势得到二次修正数据；
计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
计算所述原始数据的周期内平均数和总平均数；
根据所述周期内平均数和所述总平均数计算季节指数；
根据所述季节指数对所述原始数据进行修正得到所述一次修正数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
应用模型拟合方法对所述一次修正数据进行拟合；
应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；
根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
计算所述二次修正数据的四分位数和四分位距；
根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
判断所述下限阈值是否小于所述阈值范围的最低值；
如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。
本发明实施例通过获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果，避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。
图4示出了本发明设备实施例的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
如图4所示，该设备可以包括：处理器(processor)402、通信接口(CommunicationsInterface)404、存储器(memory)406、以及通信总线408。
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。处理器402，用于执行程序410，具体可以执行上述性能指标监控方法实施例中的相关步骤。
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器406，用于存放程序410。存储器406可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作：
可执行指令具体可以用于使得处理器执行以下操作：
获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；
对所述原始数据进行修正处理获得阈值数据；
将所述阈值数据与预设阈值范围进行比较得到监控结果。
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
应用时间序列分析方法对所述原始数据进行修正得到一次修正数据；
去除所述一次修正数据的长期趋势得到二次修正数据；
计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
计算所述原始数据的周期内平均数和总平均数；
根据所述周期内平均数和所述总平均数计算季节指数；
根据所述季节指数对所述原始数据进行修正得到所述一次修正数据。
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
应用模型拟合方法对所述一次修正数据进行拟合；
应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；
根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据。
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
计算所述二次修正数据的四分位数和四分位距；
根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
判断所述下限阈值是否小于所述阈值范围的最低值；
如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
在一种可选的方式中，所述程序410使所述处理器执行以下操作：
如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。
本发明实施例通过获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；对所述原始数据进行修正处理获得阈值数据；将所述阈值数据与预设阈值范围进行比较得到监控结果，避免了外界因素和异常值对阈值的影响，提高了指标监控的效率以及原因定位的效率和准确率，大大的减少了工作量。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (6)

1.一种性能指标监控方法，其特征在于，所述方法包括：
获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；与所述监控数据对应的同期历史数据指与待监控指标的监控数据所在的时间点相对应的一个或多个历史同期时间点的历史监控样本数据；
对所述原始数据进行修正处理获得阈值数据，包括：应用时间序列分析方法对所述原始数据进行修正得到一次修正数据，去除所述一次修正数据的长期趋势得到二次修正数据，计算所述二次修正数据的所述阈值数据；所述阈值数据为下限阈值；所述应用时间序列分析方法对所述原始数据进行修正得到一次修正数据，包括：计算所述原始数据的周期内平均数和总平均数；根据所述周期内平均数和所述总平均数计算季节指数；根据所述季节指数对所述原始数据进行修正得到所述一次修正数据；所述去除所述一次修正数据的长期趋势得到二次修正数据，还包括：应用模型拟合方法对所述一次修正数据进行拟合；应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据；
将所述阈值数据与预设阈值范围进行比较得到监控结果，包括：判断所述下限阈值是否小于所述阈值范围的最低值；如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
2.根据权利要求1所述的方法，其特征在于，所述计算所述二次修正数据的所述阈值数据，包括：
计算所述二次修正数据的四分位数和四分位距；
根据所述四分位数和所述四分位距计算所述二次修正数据的所述阈值数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
如果所述待监控指标异常，则进行异常告警，所述异常告警包括自动化短信告警和自动化弹窗告警。
4.一种性能指标监控装置，其特征在于，所述装置包括：
数据采集模块，用于获取待监控指标的原始数据，其中所述原始数据包括待监控指标的监控数据以及与所述监控数据对应的同期历史数据；与所述监控数据对应的同期历史数据指与待监控指标的监控数据所在的时间点相对应的一个或多个历史同期时间点的历史监控样本数据;
数据修正模块，用于对所述原始数据进行修正处理获得阈值数据，包括：应用时间序列分析方法对所述原始数据进行修正得到一次修正数据，去除所述一次修正数据的长期趋势得到二次修正数据，计算所述二次修正数据的所述阈值数据；所述阈值数据为下限阈值；所述应用时间序列分析方法对所述原始数据进行修正得到一次修正数据，包括：计算所述原始数据的周期内平均数和总平均数；根据所述周期内平均数和所述总平均数计算季节指数；根据所述季节指数对所述原始数据进行修正得到所述一次修正数据；所述去除所述一次修正数据的长期趋势得到二次修正数据，还包括：应用模型拟合方法对所述一次修正数据进行拟合；应用与所述模型拟合方法对应的参数估计方法计算模型参数，得到趋势模型；根据所述趋势模型对所述一次修正数据进行修正得到所述二次修正数据；
数据比较模块，用于将所述阈值数据与预设阈值范围进行比较得到监控结果，包括：判断所述下限阈值是否小于所述阈值范围的最低值；如果所述下限阈值小于所述阈值范围的最低值，则判断所述待监控指标异常。
5.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行根据权利要求1-3任一项所述性能指标监控方法的步骤。
6.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行根据权利要求1-3任一项所述性能指标监控方法的步骤。
CN201910339091.4A 2019-04-25 2019-04-25 性能指标监控方法、装置、计算设备及计算机存储介质 Active CN111866924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910339091.4A CN111866924B (zh) 2019-04-25 2019-04-25 性能指标监控方法、装置、计算设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910339091.4A CN111866924B (zh) 2019-04-25 2019-04-25 性能指标监控方法、装置、计算设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN111866924A CN111866924A (zh) 2020-10-30
CN111866924B true CN111866924B (zh) 2022-12-16

Family

ID=72952437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910339091.4A Active CN111866924B (zh) 2019-04-25 2019-04-25 性能指标监控方法、装置、计算设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111866924B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221472B (zh) * 2022-07-21 2024-01-30 国网江苏省电力有限公司电力科学研究院 一种用户电压限值的自适应设置方法、装置、存储器及计算设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106856442A (zh) * 2015-12-09 2017-06-16 北京神州泰岳软件股份有限公司 一种性能指标监控方法和装置
CN108921355A (zh) * 2018-07-03 2018-11-30 国家计算机网络与信息安全管理中心 一种基于时间序列预测模型的告警阈值设定方法及装置
CN109446466A (zh) * 2018-09-05 2019-03-08 北京三快在线科技有限公司 异常检测方法、装置、电子设备及可读存储介质
CN109491289A (zh) * 2018-11-15 2019-03-19 国家计算机网络与信息安全管理中心 一种用于数据中心动力环境监控的动态预警方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6597777B1 (en) * 1999-06-29 2003-07-22 Lucent Technologies Inc. Method and apparatus for detecting service anomalies in transaction-oriented networks
CN107871190B (zh) * 2016-09-23 2021-12-14 阿里巴巴集团控股有限公司 一种业务指标监控方法及装置
CN109542740B (zh) * 2017-09-22 2022-05-27 阿里巴巴集团控股有限公司 异常检测方法及装置
CN108320063A (zh) * 2018-03-26 2018-07-24 上海积成能源科技有限公司 一种电力负荷预测中对异常数据剔除和去噪处理的方法
CN109460432B (zh) * 2018-11-14 2020-06-26 腾讯科技（深圳）有限公司 一种数据处理方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106856442A (zh) * 2015-12-09 2017-06-16 北京神州泰岳软件股份有限公司 一种性能指标监控方法和装置
CN108921355A (zh) * 2018-07-03 2018-11-30 国家计算机网络与信息安全管理中心 一种基于时间序列预测模型的告警阈值设定方法及装置
CN109446466A (zh) * 2018-09-05 2019-03-08 北京三快在线科技有限公司 异常检测方法、装置、电子设备及可读存储介质
CN109491289A (zh) * 2018-11-15 2019-03-19 国家计算机网络与信息安全管理中心 一种用于数据中心动力环境监控的动态预警方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种基于时间序列的自适应网络异常检测算法;吕军晖等;《北京航空航天大学学报》;20090515(第05期);全文 *
网络异常点检测中性能指标阈值的动态确定方法;于艳华等;《北京邮电大学学报》;20110415(第02期);全文 *

Also Published As

Publication number Publication date
CN111866924A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN108038040A (zh) 计算机集群性能指标检测方法、电子设备及存储介质
CN110955586A (zh) 一种基于日志的系统故障预测方法、装置和设备
CN108696486B (zh) 一种异常操作行为检测处理方法及装置
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN110689141A (zh) 风力发电机组的故障诊断方法及设备
CN111126631A (zh) 网络健康判定方法及装置
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN116882321A (zh) 气象影响量化评估方法、装置、存储介质及电子设备
CN111866924B (zh) 性能指标监控方法、装置、计算设备及计算机存储介质
CN111179108A (zh) 用电能耗的预测方法和装置
CN109635034B (zh) 训练数据重采样方法、装置、存储介质及电子设备
CN114691662A (zh) 一种数据质量检查规则自适应方法、存储介质及系统
CN110688620A (zh) 一种短期负荷预测方法及装置
CN117227177B (zh) 基于设备间监督的多任务打印控制方法及系统
US20150347174A1 (en) Method, Apparatus, and System for Migrating Virtual Machine
CN116755974A (zh) 云计算平台运维方法、装置、电子设备及存储介质
WO2023111392A1 (en) Method and system for modifying state of device using detected anomalous behavior
CN115017732A (zh) 一种防雷分析仿真步长计算方法、装置、设备和介质
CN103942615B (zh) 噪点剔除方法
CN114462710A (zh) 一种风机发电功率的短期预测方法、装置及介质
CN112398706B (zh) 数据评估标准确定方法、装置及存储介质、电子设备
CN113051700A (zh) 设备可靠性监测方法及装置
CN116304763B (zh) 一种电力数据预分析方法、系统、设备及介质
CN116700973A (zh) 容器集群的资源调整方法及其装置
CN117667311A (zh) 容器集群的监控告警方法及装置

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
GR01 Patent grant
GR01 Patent grant