CN111882338B - 在线人数的异常检测方法、装置及电子设备 - Google Patents
在线人数的异常检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111882338B CN111882338B CN202010803050.9A CN202010803050A CN111882338B CN 111882338 B CN111882338 B CN 111882338B CN 202010803050 A CN202010803050 A CN 202010803050A CN 111882338 B CN111882338 B CN 111882338B
- Authority
- CN
- China
- Prior art keywords
- online
- people
- moment
- detected
- historical
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种在线人数的异常检测方法、装置及电子设备,通过服务器采集在线人数数据,在线人数数据包括在线人数和采集时刻对应的特征信息;方法包括:根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常;如果是,获取待检测时刻对应的历史在线人数数据;根据历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值;其中,人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小;如果人数偏差度量值超过预设阈值,确定待检测时刻的在线人数异常。本申请可以提高在线人数异常检测的准确性。
Description
技术领域
本申请涉及数据检测技术领域,尤其是涉及一种在线人数的异常检测方法、装置及电子设备。
背景技术
在线人数可以作为游戏或直播受欢迎程度的评价指标之一,需要严格监测,也可以用来分析活动开展的效果,同时,在线人数也是一个衡量系统运行压力的重要指标,可以帮运维团队了解游戏服务器或直播服务器的负载情况,网络带宽使用情况等。现有在线人数的异常检测方法通常有两种,一种是基于预测的异常检测,另一种是基于统计的异常检测。
基于预测的模型对数据的顺序性有严格的要求,且越靠近检测时刻的数据越影响预测的效果,因此如果近期数据有异常,则会出现误差叠加的问题,后面的预测数据都不能很好的进行预测。基于统计的模型比较依赖整体的概率分布,对最近的时间序列的影响无法感知,比如最近游戏玩法效果不好,在线人数普遍较低,如果还是按照之前每天该时刻的统计模型判断为离群点则不妥当。
发明内容
本申请的目的在于提供一种在线人数的异常检测方法、装置及电子设备,以解决上述技术问题。
本申请实施例提供一种在线人数的异常检测方法,通过服务器采集在线人数数据,在线人数数据包括在线人数和采集时刻对应的特征信息;方法包括:根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常;如果是,获取待检测时刻对应的历史在线人数数据;根据历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值;其中,人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小;如果人数偏差度量值超过预设阈值,确定待检测时刻的在线人数异常。
进一步的,上述根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常的步骤,包括:从待检测时刻的临近时刻的邻近在线人数数据中提取特征信息;特征信息包括时间属性特征信息和/或时间窗口特征信息;将特征信息输入预设的在线人数预测模型中进行预测,得到待检测时刻的预测人数;其中,在线人数预测模型为预先基于历史在线人数数据训练得到的;根据待检测时刻的在线人数和预测人数,判断待检测时刻的在线人数是否疑似异常。
进一步的,上述根据待检测时刻的在线人数和预测人数,判断待检测时刻的在线人数是否疑似异常的步骤,包括:计算待检测时刻的在线人数和预测人数的第一差值;判断第一差值是否超过第一预设阈值;如果是,确定待检测时刻的在线人数疑似异常。
进一步的,上述在线人数预测模型的训练过程如下:获取训练样本集;训练样本集中的样本包括:第一时刻对应的特征信息及第一时刻对应的下一时刻的在线人数;基于训练样本集对预设的预测模型进行训练,得到在线人数预测模型。
进一步的,上述预测模型包括以下之一:RNN、LSTM、BILSTM、ARIMA。
进一步的,上述根据历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值的步骤,包括:根据历史在线人数数据,计算待检测时刻对应的最大人数偏差值;根据历史在线人数数据及待检测时刻的在线人数,计算待检测时刻对应的实际人数偏差值;计算实际人数偏差值和最大人数偏差值的第二差值,得到待检测时刻对应的人数偏差度量值。
进一步的,上述历史在线人数数据包括多个与待检测时刻相同的历史时刻对应的在线人数;根据历史在线人数数据,计算待检测时刻对应的最大人数偏差值的步骤,包括:基于多个历史时刻对应的在线人数,计算多个历史时刻分别对应的距离均值;将多个距离均值中的最大值,确定为待检测时刻对应的最大人数偏差值。
进一步的,上述基于多个历史时刻对应的在线人数,计算多个历史时刻分别对应的距离均值的步骤,包括:将每个历史时刻作为当前时刻,执行以下步骤:计算每个当前时刻的在线人数与多个其它历史时刻的在线人数间的距离;根据多个距离,计算当前时刻对应的距离均值。
进一步的,上述根据历史在线人数数据及待检测时刻的在线人数,计算待检测时刻对应的实际人数偏差值的步骤,包括:根据多个历史时刻分别对应的在线人数,计算待检测时刻的在线人数与其它每个历史时刻的在线人数之间的距离;根据多个距离,计算待检测时刻对应的实际人数偏差值。
进一步的,上述根据多个距离,计算待检测时刻对应的实际人数偏差值的步骤,包括:将多个距离从小到大进行排序;从最小距离开始,选择指定个数的距离;求取指定个数的距离的平均值,得到待检测时刻对应的实际人数偏差值。
进一步的,上述临近时刻为待检测时刻对应的前指定个数的采样时刻。
第二方面,本申请实施例还提供一种在线人数的异常检测装置,通过服务器采集在线人数数据,在线人数数据包括在线人数和采集时刻对应的特征信息;装置包括:异常判断模块,用于根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常;数据获取模块,用于在异常判断模块的判断结果为是时,获取待检测时刻对应的历史在线人数数据;人数偏差确定模块,用于根据历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值;其中,人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小;异常确定模块,用于如果人数偏差度量值超过预设阈值,确定待检测时刻的在线人数异常。
第三方面,本申请实施例还提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现上述方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现上述方法。
本申请实施例提供的在线人数的异常检测方法,首先根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常;如果疑似异常,再基于获取的待检测时刻对应的历史在线人数数据和待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值;该人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小;如果人数偏差度量值超过预设阈值,可以确定待检测时刻的在线人数异常。本申请实施例提供的异常检测方法,通过初步异常判断和二次异常验证的过程来进行在线人数的异常检测,可以提高异常检测的准确性。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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的附图。
图1为本申请实施例提供的一种在线人数的异常检测方法的流程图;
图2为本申请实施例提供的一种模型训练方法的流程图;
图3为本申请实施例提供的一种初步异常判断方法的流程图;
图4为本申请实施例提供的一种偏差计算方法的流程图;
图5为本申请实施例提供的另一种在线人数的异常检测方法的流程图;
图6为本申请实施例提供的一种在线人数的异常检测装置的结构框图;
图7为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
下面将结合实施例对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动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。
游戏业务中每天会产生海量的时序数据,其中实时的PCU(同时在线人数)指标是一个重要的运营指标,可作为游戏的受欢迎程度指标之一,需要严格监测,也可以用来分析活动开展的效果,如帮会战,副本战等,一旦发现有下降运营团队就需要采取相应的拉新或者稳留存的活动。另外站在系统运维的角度,在线人数也是一个衡量系统运行压力的重要指标。可以帮运维团队了解游戏服务器的负载情况,网络带宽使用情况等。
现有的公开的游戏在线人数还缺少比较成熟和广泛使用的异常检测方法,在通用的异常检测领域主要有基于预测的异常检测和基于统计的异常检测。基于预测的方法中使用较为广泛的为ARIMA模型和LSTM模型,ARIMA模型通过平稳化的时间序列的自相关图和偏自相关图确定参数构建回归滑动平均的参数模型来进行预测,LSTM模型需要搭建一个神经网络结构,训练模型能更好的对历史数据进行长短时记忆,能有效克服循环神经网络梯度爆炸的问题。基于统计的方法假设给定的数据服从正态分布等,用参数估计构建概率分布模型,用估计出的模型去判断数据是否是离群点。
然而基于预测的模型对数据的顺序性有严格的要求,且越靠近检测时间点的数据越影响预测的效果,因此如果近期数据有异常,则会出现误差叠加的问题,后面的预测数据都不能很好的进行预测。基于统计的模型比较依赖整体的概率分布,对最近的时间序列的影响无法感知,比如最近游戏玩法效果不好,在线人数普遍较低,如果还是按照之前每天该时间点的统计模型判断为离群点则不妥当。
基于此,本申请实施例提供一种在线人数的异常检测方法,通过初步异常判断和二次异常验证的过程来进行在线人数的异常检测,可以提高在线人数异常检测的准确性。
图1为本申请实施例提供的一种在线人数的异常检测方法的流程图,上述在线人数可以为游戏场景中,同时玩游戏的玩家的人数,也可以是视频直播场景中,同时观看直播的用户的人数,还可以是其它有检测实时在线人数需求的场景中的在线人数。该方法中,通过服务器采集在线人数数据,在线人数数据包括在线人数和采集时刻对应的特征信息;采集时刻可以是每隔一定时间,采集一次数据对应的时刻,该特征信息包括时间属性信息和/或时间窗口信息,时间属性信息包括:月份、工作日、休息日、节假日等,时间窗口信息包括:周、月、年的每天平均、最大、最小活跃人数,新增人数等。上述在线人数的异常检测方法可以应用于游戏中的在线人数检测场景,也可以用于视频直播等领域的在线人数检测场景,具体包括以下步骤:
步骤S102,根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常。
上述临近时刻为待检测时刻对应的前指定个数的采样时刻,上述指定个数可根据实际模型训练情况进行不同的设定。以服务器每隔5分钟采样一次数据为例来说,如果待检测时刻为2020-05-31当天的10点,如果训练模型时,训练样本采用的是当前时刻的特征信息和下一时刻的在线人数,那么其临近时刻可以为当天9点55分,即可以利用9点55分时的特征信息来预测10点的在线人数;如果待检测时刻为2020-05-31当天的10点,训练样本采用的是前三个时刻的特征信息和当前时刻的在线人数,那么其临近时刻可以为9点55分、9点50分、9点45分,即可以利用9点55分、9点50分和9点45分的特征信息来预测10点的在线人数,进而根据预测出的在线人数和10点的实际在线人数进行疑似异常的判断。
上述临近时刻的邻近在线人数数据,包括特征信息和在线人数,这里用到预测的主要是特征信息。
基于待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常的方式有多种,可以简单地通过邻近在线人数数据中的在线人数和待检测时刻的在线人数进行比较,大致判断是不是疑似异常,也可以采用预设的预测模型基于邻近在线人数数据进行预测,得到待检测时刻的预测人数,再基于预测人数和在线人数进行比较,得出是否疑似异常的结论。当然,上述预测模型可以有多种,在此不做具体限定。
步骤S104,如果疑似异常,获取待检测时刻对应的历史在线人数数据。
在上述基于待检测时刻的临近时刻的邻近在线人数数据,初步判断待检测时刻的在线人数疑似异常后,再获取待检测时刻对应的历史在线人数数据。还以上述时间为例进行说明,待检测时刻为2020-05-31当天10点,那么其对应的历史在线人数数据就可以是,2020-05-1到2020-05-30每天的10点的数据,主要包括在线人数。
步骤S106,根据历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值。
其中,人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小。通过与待检测时刻相同时刻的历史在线人数,对待检测时刻的在线人数进行评价,更加合理,对数据异常的判断更加准确。
上述人数偏差度量值可以有多种计算方式,比如,基于历史在线人数数据确定出一个基准距离值,再根据待检测时刻的在线人数和历史在线人数确定一个当前距离值,将当前距离值和基准距离值进行比较,作差,即可得到人数偏差度量值。
上述距离的度量方法有多种,包括欧几里得距离、余弦值、相关度、曼哈顿距离等,在此不做具体限定。
步骤S108,如果人数偏差度量值超过预设阈值,确定待检测时刻的在线人数异常。
在确定出待检测时刻对应的人数偏差度量值后,进一步将该人数偏差度量值与预设的阈值进行比较,如果超过阈值,则可以确定待检测时刻的在线人数异常。
本申请实施例提供的在线人数的异常检测方法,首先根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常;如果疑似异常,再基于获取的待检测时刻对应的历史在线人数数据和待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值;该人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小;如果人数偏差度量值超过预设阈值,可以确定待检测时刻的在线人数异常。本申请实施例提供的异常检测方法,通过初步异常判断和二次异常验证的过程来进行在线人数的异常检测,可以提高异常检测的准确性。
为了提高在线人数的异常判断的准确性,参见图2所示的本申请实施例提供的一种模型训练方法的流程图,通过该训练方法得到的预测模型可以对在线人数进行准确地预测,从而提高异常判断地准确度,该模型训练方法包括以下步骤:
步骤S202,获取训练样本集;该训练样本集中的样本可以包括:第一时刻对应的特征信息及第一时刻对应的下一时刻的在线人数,或者也可以为前几个时刻对应的特征信息和当前时刻对应的在线人数。
具体实现的时候,基于待检测时刻之前的在线人数数据,提取每个采样时间点对应的特征信息;然后将每个采样时间点作为当前时间点,将当前采样时间点对应的特征信息和当前采样时间点对应的下个采样时间点的在线人数作为一个训练样本,添加至训练样本集。或者,将每个采样时间点作为当前时间点,将当前采样时间点对应的前几个采样时间点的特征信息和当前采样时间点的在线人数作为一个训练样本,添加至训练样本集。
还以服务器每隔5分钟采样一次数据为例来说,一个训练样本,可以包括9点50分的特征信息和9点55分的在线人数,这样训练出的模型是通过上一时刻的特征信息来预测当前时刻的在线人数;或者一个训练样本还可以包括9点55分、9点50分、9点45分三个时刻中特征信息和10点的在线人数,这样训练出的模型是通过前三个时刻的特征信息来预测当前时刻的在线人数。相对来说,以时间序列特征信息训练出的模型精确度更好一些。
步骤S204,基于训练样本集对预设的预测模型进行训练,得到在线人数预测模型。上述预测模型包括但不限于:RNN、LSTM、BILSTM、ARIMA。
下面以LSTM预测模型为例进行详细说明:
1)提取影响游戏或直播的在线人数的特征信息。特征工程对模型预测十分重要,例如不同的月份,工作日还是休息日,是否节假日等时间属性特征信息;历史不同周、月、年的每天平均、最大、最小活跃人数、新增人数等时间窗口特征信息等等。比如,某采样时刻对应的特征信息为星期日,用离散值7表示,节假日用1表示,当周最大在线人数121,新增人数30等,将上述几个特征组合起来就可以得到一个特征序列。
2)将上述提取特征信息后的数据,按照一定比例分割为训练数据和验证数据。
3)搭建长短时记忆神经网络LSTM的网络结构,主要包括LSTM网络的层数,输入输出的变量维度,激活函数等等。
4)将训练数据输入LSTM模型进行训练,并通过验证数据对其进行参数的调整优化,得到最终的LSTM预测模型,也就是上述在线人数预测模型。
比如训练数据为9点的特征信息,输入模型后预测出9点05分的在线人数,然后根据预测出的在线人数与9点05分的真实在线人数进行比较,根据差别进行模型自动调参。
在训练好上述在线人数预测模型后,上述根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常的步骤,可参考图3所示的初步异常判断方法的流程图实现:
步骤S302,从待检测时刻的临近时刻的邻近在线人数数据中提取特征信息;比如,待检测时刻为2020-05-31当天10点,提取出2020-05-31当天9点55分对应的特征信息,或者9点55分、9点50分、9点45分三个时刻的特征信息。
步骤S304,将特征信息输入预设的在线人数预测模型中进行预测,得到待检测时刻的预测人数;其中,在线人数预测模型为预先基于历史在线人数数据训练得到的;将2020-05-31当天9点55分对应的特征信息,或者将9点55分、9点50分、9点45分三个时刻的特征信息输入上述在线人数预测模型后,得到2020-05-31当天10点的预测人数。
步骤S306,根据待检测时刻的在线人数和预测人数,判断待检测时刻的在线人数是否疑似异常。
具体的,计算待检测时刻的在线人数和预测人数的第一差值;判断第一差值是否超过第一预设阈值;如果是,确定待检测时刻的在线人数疑似异常。比如,通过LSTM模型预测2020-05-31当天10点的在线人数为M,实际得到的10点的在线人数为N,判断|M-N|是否超过设定的阈值O_max,如果超过,判断为疑似异常。
在基于待检测时刻的临近时刻的邻近在线人数数据,初步判断待检测时刻的在线人数疑似异常后,待检测时刻的在线人数是不是真的异常还需要进一步验证,这样可以提高其准确性。本申请实施例提供的验证方式为通过与待检测时刻相同历史时刻的在线人数构造KNN特征空间,基于此进行待检测时刻对应的人数偏差度量值的计算,根据计算结果与阈值的比较来进一步确定待检测时刻的在线人数是不是真的异常。
即上述根据待检测时刻对应的历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值的步骤,可以参考图4所示的偏差计算方法的流程图实现:
步骤S402,根据历史在线人数数据,计算待检测时刻对应的最大人数偏差值。该历史在线人数数据包括多个与待检测时刻相同的历史时刻对应的在线人数;
具体实现时,通过以下两步来实现:
(1)基于多个历史时刻对应的在线人数,计算多个历史时刻分别对应的距离均值。具体的,将每个历史时刻作为当前时刻,执行以下步骤:计算每个当前时刻的在线人数与多个其它历史时刻的在线人数间的距离;根据多个距离,计算当前时刻对应的距离均值。
上述根据多个距离,计算当前时刻对应的距离均值的方式有多种,为了进一步提高异常验证的准确度,可以将多个上述距离进行从小到大排序,然后选取较小的前K个距离进行均值计算,得到当前时刻对应的距离均值。
(2)将多个距离均值中的最大值,确定为待检测时刻对应的最大人数偏差值。
通过上述步骤(1)的计算,可以得到每个历史时刻对应的距离均值。然后将其中最大值,确定为待检测时刻对应的最大人数偏差值,也就是一个距离阈值。
步骤S404,根据历史在线人数数据及待检测时刻的在线人数,计算待检测时刻对应的实际人数偏差值。
这个步骤的计算过程与上一步骤类似,首先根据多个历史时刻分别对应的在线人数,计算待检测时刻的在线人数与其它每个历史时刻的在线人数之间的距离;然后根据多个距离,计算待检测时刻对应的实际人数偏差值。
同理,还可以将多个距离从小到大进行排序;从最小距离开始,选择指定个数的距离;求取指定个数的距离的平均值,得到待检测时刻对应的实际人数偏差值。
步骤S406,计算实际人数偏差值和最大人数偏差值的第二差值,得到待检测时刻对应的人数偏差度量值。
最后将人数偏差度量值与预设阈值比较,即可确定待检测时刻的在线人数是否真的异常。
下面列举一个具体的应用实例:
通过LSTM模型预测2020-05-31当天10点的在线人数为M,实际得到的10点的在线人数为N,|M-N|超过设定的阈值O_max,判断为疑似异常后,通过多个与待检测时刻相同的历史时刻对应的在线人数构造KNN特征空间,确定合适的k值以及待检测时刻的距离阈值,Lmax,也就是上述最大人数偏差值。
1)选取近一个月从2020-05-01到2020-05-30的30天每天10点的在线人数构造特征空间。
3)依此类推计算出O2的最近的5个距离的平均值为L2avg,一直到O30的最近的5个距离的平均值为L30avg,最终L1avg到L30avg中的最大值为2020-05-31当天10点在线人数的距离阈值Lmax。
4)计算待检测时刻的实际人数偏差值L′,例如对2020-05-31当天10点的在线人数N进行异常检测,需要拿到2020-05-01到2020-05-30的30天的在线人数和对应的Lmax。同理,依次计算N与上述30天10点的在线人数的距离,得到最近的5个距离的平均值L′。
5)利用KNN进行异常检测的反向验证,计算|L′-Lmax|是否超过阈值。
6)结合前两步进行异常检测的验证,如果通过LSTM预测得到的|M-N|超出阈值且KNN分类得到的|L′-Lmax|超出阈值,则判定2020-05-31当天10点的在线人数N为异常值,需要进行修复,比如,可以在平台报表上进行标识,以防决策者误判,另外可以及时发送邮件到相关人员,相关人员到数据的上游去查看问题进行修复。
在另一种实施方式中,上述基于LSTM模型的异常判断过程和基于KNN模型的异常判断过程可以同步进行,参考图5所示的在线人数异常检测方法的示意图,包括以下几个步骤:
(1)LSTM模型训练:将历史每天实时在线人数的时间序列数据输入到LSTM模型中,不断迭代训练得到参数最优的LSTM模型。
(2)KNN模型寻找同期时间点近邻数据,对需要检测的时间点找到同期时间点的样本数据构造整个特征空间,确定合适的k值并计算每个样本点距离最近k个近邻的平均距离L,其中L的最大值Lmax作为该时间点的距离阈值。
(3)LSTM实时预测例如当前时间是9点55,此时开始对10点的在线人数进行“异常检测”,即通过第一步训练好的LSTM模型预测10点的在线人数得到M,10点时游戏服务器实时获取到的游戏在线人数为N,计算|M-N|是否超过阈值。
(4)利用KNN进行异常检测的反向验证,拿到10点同期所有在线人数样本组成的特征空间以及对应的Lmax,计算N与所有样本的距离,得到最近的k个距离的平均值为L′,计算|L′-Lmax|是否超过阈值。
(5)结合前两步进行异常检测的验证,如果通过LSTM预测得到的|M-N|超出阈值且KNN分类得到的|L′-Lmax|超出阈值,则判定10点的游戏在线人数N为异常值,需要进行修复。
本申请实施例提供的在线人数的异常检测方法中,使用的LSTM模型在时间序列中更加关注近期在线人数的变化趋势,KNN模型能够有效结合长期同一时间点的在线人数分布,整个模型对异常的考量角度更加全面。另外,该方法中特征工程在时间序列中加入了更多对实时在线人数影响较多的业务因素,更加的贴近实际产品情况,对LSTM预测的结果更加准确。该方法中使用的LSTM模型和KNN模型都是比较成熟且使用广泛的模型,模型运行不需要特别多复杂的网络结构和参数,整个方法的运行流程简单清晰,对机器和网络也没有特别高的性能要求,可靠性较高。
基于上述方法实施例,图6示出了本申请实施例提供的一种在线人数的异常检测装置的结构示意图,通过服务器采集在线人数数据,在线人数数据包括在线人数和采集时刻对应的特征信息;该装置包括:
异常判断模块61,用于根据待检测时刻的临近时刻的邻近在线人数数据,判断待检测时刻的在线人数是否疑似异常;数据获取模块62,用于在异常判断模块的判断结果为是时,获取待检测时刻对应的历史在线人数数据;人数偏差确定模块63,用于根据历史在线人数数据及待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值;其中,人数偏差度量值用于表征待检测时刻的在线人数与历史在线人数数据的差异大小;异常确定模块64,用于如果人数偏差度量值超过预设阈值,确定待检测时刻的在线人数异常。
在另一种可能的实施方式中,上述异常判断模块61还用于:从待检测时刻的临近时刻的邻近在线人数数据中提取特征信息;特征信息包括时间属性特征信息和/或时间窗口特征信息;将特征信息输入预设的在线人数预测模型中进行预测,得到待检测时刻的预测人数;其中,在线人数预测模型为预先基于历史在线人数数据训练得到的;根据待检测时刻的在线人数和预测人数,判断待检测时刻的在线人数是否疑似异常。
在另一种可能的实施方式中,上述异常判断模块61还用于:计算待检测时刻的在线人数和预测人数的第一差值;判断第一差值是否超过第一预设阈值;如果是,确定待检测时刻的在线人数疑似异常。
在另一种可能的实施方式中,上述异常判断模块61还用于:获取训练样本集;训练样本集中的样本包括:第一时刻对应的特征信息及第一时刻对应的下一时刻的在线人数;基于训练样本集对预设的预测模型进行训练,得到在线人数预测模型。
在另一种可能的实施方式中,上述预测模型包括以下之一:RNN、LSTM、BILSTM、ARIMA。
在另一种可能的实施方式中,上述人数偏差确定模块63还用于:根据历史在线人数数据,计算待检测时刻对应的最大人数偏差值;根据历史在线人数数据及待检测时刻的在线人数,计算待检测时刻对应的实际人数偏差值;计算实际人数偏差值和最大人数偏差值的第二差值,得到待检测时刻对应的人数偏差度量值。
在另一种可能的实施方式中,上述历史在线人数数据包括多个与待检测时刻相同的历史时刻对应的在线人数;上述人数偏差确定模块63还用于:基于多个历史时刻对应的在线人数,计算多个历史时刻分别对应的距离均值;将多个距离均值中的最大值,确定为待检测时刻对应的最大人数偏差值。
上述人数偏差确定模块63还用于:将每个历史时刻作为当前时刻,执行以下步骤:计算每个当前时刻的在线人数与多个其它历史时刻的在线人数间的距离;根据多个距离,计算当前时刻对应的距离均值。
上述人数偏差确定模块63还用于:根据多个历史时刻分别对应的在线人数,计算待检测时刻的在线人数与其它每个历史时刻的在线人数之间的距离;根据多个距离,计算待检测时刻对应的实际人数偏差值。
上述人数偏差确定模块63还用于:将多个距离从小到大进行排序;从最小距离开始,选择指定个数的距离;求取指定个数的距离的平均值,得到待检测时刻对应的实际人数偏差值。
本申请实施例提供的在线人数的异常检测装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,在线人数的异常检测装置的实施例部分未提及之处,可参考前述在线人数的异常检测方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图7所示,为该电子设备的结构示意图,其中,该电子设备包括处理器71和存储器70,该存储器70存储有能够被该处理器71执行的计算机可执行指令,该处理器71执行该计算机可执行指令以实现上述在线人数的异常检测方法。
在图7示出的实施方式中,该电子设备还包括总线72和通信接口73,其中,处理器71、通信接口73和存储器70通过总线72连接。
其中,存储器70可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口73(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线72可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线72可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器71可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器71中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器71可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器71读取存储器中的信息,结合其硬件完成前述实施例的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的在线人数的异常检测方法、装置和电子设备的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (14)
1.一种在线人数的异常检测方法,其特征在于,通过服务器采集在线人数数据,所述在线人数数据包括在线人数和采集时刻对应的特征信息;所述方法包括:
根据待检测时刻的临近时刻的邻近在线人数数据,判断所述待检测时刻的在线人数是否疑似异常;
如果是,获取所述待检测时刻对应的历史在线人数数据;
根据所述历史在线人数数据及所述待检测时刻的在线人数,确定所述待检测时刻对应的人数偏差度量值;其中,所述人数偏差度量值用于表征所述待检测时刻的在线人数与所述历史在线人数数据的差异大小;
所述人数偏差度量值为实际人数偏差值和最大人数偏差值的差值;所述实际人数偏差值基于历史在线人数数据及所述待检测时刻的在线人数确定;所述历史在线人数数据包括多个与所述待检测时刻相同的历史时刻对应的在线人数;所述最大人数偏差值为多个所述历史时刻分别对应的距离均值中的最大值;每个所述历史时刻对应的距离均值为:该历史时刻对应的在线人数分别与多个其它所述历史时刻对应的在线人数间的距离的均值;
如果所述人数偏差度量值超过预设阈值,确定所述待检测时刻的在线人数异常。
2.根据权利要求1所述的方法,其特征在于,根据待检测时刻的临近时刻的邻近在线人数数据,判断所述待检测时刻的在线人数是否疑似异常的步骤,包括:
从待检测时刻的临近时刻的邻近在线人数数据中提取特征信息;所述特征信息包括时间属性特征信息和/或时间窗口特征信息;
将所述特征信息输入预设的在线人数预测模型中进行预测,得到所述待检测时刻的预测人数;其中,所述在线人数预测模型为预先基于历史在线人数数据训练得到的;
根据所述待检测时刻的在线人数和所述预测人数,判断所述待检测时刻的在线人数是否疑似异常。
3.根据权利要求2所述的方法,其特征在于,根据所述待检测时刻的在线人数和所述预测人数,判断所述待检测时刻的在线人数是否疑似异常的步骤,包括:
计算所述待检测时刻的在线人数和所述预测人数的第一差值;
判断所述第一差值是否超过第一预设阈值;
如果是,确定所述待检测时刻的在线人数疑似异常。
4.根据权利要求2所述的方法,其特征在于,所述在线人数预测模型的训练过程如下:
获取训练样本集;所述训练样本集中的样本包括:第一时刻对应的特征信息及所述第一时刻对应的下一时刻的在线人数;
基于所述训练样本集对预设的预测模型进行训练,得到在线人数预测模型。
5.根据权利要求4所述的方法,其特征在于,所述预测模型包括以下之一:RNN、LSTM、BILSTM、ARIMA。
6.根据权利要求1所述的方法,其特征在于,根据所述历史在线人数数据及所述待检测时刻的在线人数,确定待检测时刻对应的人数偏差度量值的步骤,包括:
根据所述历史在线人数数据,计算所述待检测时刻对应的最大人数偏差值;
根据所述历史在线人数数据及所述待检测时刻的在线人数,计算所述待检测时刻对应的实际人数偏差值;
计算所述实际人数偏差值和所述最大人数偏差值的第二差值,得到所述待检测时刻对应的人数偏差度量值。
7.根据权利要求6所述的方法,其特征在于,根据所述历史在线人数数据,计算所述待检测时刻对应的最大人数偏差值的步骤,包括:
基于多个所述历史时刻对应的在线人数,计算多个所述历史时刻分别对应的距离均值;
将多个所述距离均值中的最大值,确定为所述待检测时刻对应的最大人数偏差值。
8.根据权利要求7所述的方法,其特征在于,基于多个所述历史时刻对应的在线人数,计算多个所述历史时刻分别对应的距离均值的步骤,包括:
将每个历史时刻作为当前时刻,执行以下步骤:
计算每个所述当前时刻的在线人数与多个其它历史时刻的在线人数间的距离;
根据多个所述距离,计算所述当前时刻对应的距离均值。
9.根据权利要求7所述的方法,其特征在于,根据所述历史在线人数数据及所述待检测时刻的在线人数,计算所述待检测时刻对应的实际人数偏差值的步骤,包括:
根据多个所述历史时刻分别对应的在线人数,计算所述待检测时刻的在线人数与其它每个历史时刻的在线人数之间的距离;
根据多个所述距离,计算所述待检测时刻对应的实际人数偏差值。
10.根据权利要求9所述的方法,其特征在于,根据多个所述距离,计算所述待检测时刻对应的实际人数偏差值的步骤,包括:
将多个所述距离从小到大进行排序;
从最小距离开始,选择指定个数的距离;
求取所述指定个数的距离的平均值,得到所述待检测时刻对应的实际人数偏差值。
11.根据权利要求1所述的方法,其特征在于,所述临近时刻为所述待检测时刻对应的前指定个数的采样时刻。
12.一种在线人数的异常检测装置,其特征在于,通过服务器采集在线人数数据,所述在线人数数据包括在线人数和采集时刻对应的特征信息;所述装置包括:
异常判断模块,用于根据待检测时刻的临近时刻的邻近在线人数数据,判断所述待检测时刻的在线人数是否疑似异常;
数据获取模块,用于在所述异常判断模块的判断结果为是时,获取所述待检测时刻对应的历史在线人数数据;
人数偏差确定模块,用于根据所述历史在线人数数据及所述待检测时刻的在线人数,确定所述待检测时刻对应的人数偏差度量值;其中,所述人数偏差度量值用于表征所述待检测时刻的在线人数与所述历史在线人数数据的差异大小;所述人数偏差度量值为实际人数偏差值和最大人数偏差值的差值;所述实际人数偏差值基于历史在线人数数据及所述待检测时刻的在线人数确定;所述历史在线人数数据包括多个与所述待检测时刻相同的历史时刻对应的在线人数;所述最大人数偏差值为多个所述历史时刻分别对应的距离均值中的最大值;每个所述历史时刻对应的距离均值为:该历史时刻对应的在线人数分别与多个其它所述历史时刻对应的在线人数间的距离的均值;
异常确定模块,用于如果所述人数偏差度量值超过预设阈值,确定所述待检测时刻的在线人数异常。
13.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至11任一项所述方法。
14.一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存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至11任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803050.9A CN111882338B (zh) | 2020-08-11 | 2020-08-11 | 在线人数的异常检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803050.9A CN111882338B (zh) | 2020-08-11 | 2020-08-11 | 在线人数的异常检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882338A CN111882338A (zh) | 2020-11-03 |
CN111882338B true CN111882338B (zh) | 2023-06-30 |
Family
ID=73203626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803050.9A Active CN111882338B (zh) | 2020-08-11 | 2020-08-11 | 在线人数的异常检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882338B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364208A (zh) * | 2020-11-24 | 2021-02-12 | 北京海联捷讯科技股份有限公司 | 基于大数据可视化的运维分析方法、系统及存储介质 |
CN112596942A (zh) * | 2020-12-28 | 2021-04-02 | 深圳市即构科技有限公司 | 服务故障度量方法、电子装置及存储介质 |
CN114615026B (zh) * | 2022-02-22 | 2023-06-27 | 国网宁夏电力有限公司信息通信公司 | 异常流量检测方法、装置及电子设备 |
CN114881269B (zh) * | 2022-07-13 | 2022-09-27 | 山东恩信特种车辆制造有限公司 | 一种用于物料输送管路的异常检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107547266A (zh) * | 2017-07-31 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 在线量异常点的检测方法和装置、计算机设备和存储介质 |
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 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 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN110147902A (zh) * | 2019-04-10 | 2019-08-20 | 焦点科技股份有限公司 | 一种多项运营指标联合异常监测方法 |
CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置及服务器 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7346471B2 (en) * | 2005-09-02 | 2008-03-18 | Microsoft Corporation | Web data outlier detection and mitigation |
CN108282586B (zh) * | 2017-07-26 | 2019-02-19 | 平安科技(深圳)有限公司 | 基于业务线的预测方法、装置、存储介质及终端 |
-
2020
- 2020-08-11 CN CN202010803050.9A patent/CN111882338B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 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 |
CN107547266A (zh) * | 2017-07-31 | 2018-01-05 | 腾讯科技(深圳)有限公司 | 在线量异常点的检测方法和装置、计算机设备和存储介质 |
CN108089962A (zh) * | 2017-11-13 | 2018-05-29 | 北京奇艺世纪科技有限公司 | 一种异常检测方法、装置及电子设备 |
CN109615226A (zh) * | 2018-12-12 | 2019-04-12 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN110147902A (zh) * | 2019-04-10 | 2019-08-20 | 焦点科技股份有限公司 | 一种多项运营指标联合异常监测方法 |
CN110377447A (zh) * | 2019-07-17 | 2019-10-25 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN111882338A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882338B (zh) | 在线人数的异常检测方法、装置及电子设备 | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
CN107135230B (zh) | 一种基于infigarch模型的网络流量异常检测方法及设备 | |
CN111144941A (zh) | 商户评分的生成方法、装置、设备及可读存储介质 | |
CN108415810B (zh) | 一种硬盘状态监控方法和装置 | |
US7552035B2 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
CN111611146B (zh) | 一种微服务故障预测方法和装置 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
CN113536066A (zh) | 一种数据异常检测算法确定方法、装置及计算机设备 | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及系统 | |
CN108764290B (zh) | 模型异动的原因确定方法及装置和电子设备 | |
CN112232206B (zh) | 基于大数据和人工智能的人脸识别方法和人脸识别平台 | |
CN116743637B (zh) | 一种异常流量的检测方法、装置、电子设备及存储介质 | |
CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
CN110138638B (zh) | 一种网络流量的处理方法及装置 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN111210070A (zh) | 一种数据分析方法、装置、电子设备及可读取存储介质 | |
US20230186144A1 (en) | Data Drift Impact In A Machine Learning Model | |
CN113434823B (zh) | 数据采集任务异常预警方法、装置、计算机设备和介质 | |
CN112766503B (zh) | 基于关键层回滚机制的卷积神经网络模型容错方法 | |
TW201807596A (zh) | 衡量二元資料於時間等級的群聚級別的無母數分析方法 | |
CN114356705A (zh) | 用于物联网设备的异常检测方法、装置、设备及介质 | |
CN114971110A (zh) | 一种根因组合确定的方法、相关装置、设备以及存储介质 | |
CN117093433B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 |
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 |