CN112131081B - 一种故障报警参数调整方法、装置、电子设备及存储介质 - Google Patents
一种故障报警参数调整方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112131081B CN112131081B CN202011043813.0A CN202011043813A CN112131081B CN 112131081 B CN112131081 B CN 112131081B CN 202011043813 A CN202011043813 A CN 202011043813A CN 112131081 B CN112131081 B CN 112131081B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- time point
- target monitoring
- predicted
- ratio
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 234
- 230000008859 change Effects 0.000 claims abstract description 138
- 230000001788 irregular Effects 0.000 claims abstract description 26
- 230000000737 periodic effect Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 6
- 230000007774 longterm Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
- G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
-
- 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
- G06F11/3452—Performance evaluation by statistical analysis
Abstract
本公开提供了一种故障报警参数调整方法、装置、电子设备及存储介质。实时获取当前统计周期内，依据变化信息中提取出的趋势性变化特征和周期性变化特征确定所述目标监控数据的规则波动特征，依据变化信息中提取出的其余特征确定所述目标监控数据的不规则波动特征，再依据规则波动特征和述不规则波动特征确定目标监控数据的设定波动区间以对应调整所述目标监控数据在下一统计周期的报警参数。公开提供的方法可以基于数据特征自动确定报警阈值。避免多业务维度场景下人工依次设置阈值的繁琐，提高效率。
Description
技术领域
本公开涉及互联网领域，尤其涉及一种故障报警参数调整方法、装置、电子设备及存储介质。
背景技术
在复杂的多维度、多业务智能运维监控系统中，时常遇到不同指标曲线的时序模式多变不一的情况，甚至同一指标，下探到各种组合维度，会得到非常多的监控曲线。这些曲线的周期性、波动性、平均水位和波动幅度都差异巨大，依据不同曲线类型，需要给出高效的报警策略，从而及时有效的发现曲线异常上升或下降的信息。
传统方案中，通常由人工依据经验依次为每个监控曲线设置报警阈值，在多业务多维度场景下，每个业务都会监控数个核心指标的时序曲线，并且每个监控曲线通常也会包含若干属性维度，那么每个组合维度下也会相应有指标监控曲线。若某业务有5个核心指标，5个不同的属性维度，每个维度下的属性值有3～30个不等，属性组合数目可能高达数十万个。人工设置太过费时费力。
发明内容
针对上述技术问题，本公开实施例提供一种故障报警参数调整方法、装置、电子设备及存储介质，技术方案如下：
依据本公开实施例的第一方面，提供一种故障报警参数调整方法，所述方法包括：
确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。
可选的，所述依据所述波动区间，对应调整所述目标监控数据在下一统计周期的报警参数的方式，包括以下一项或多项：
将所述上限区间中各个时间点的数据，确定为所述下一统计周期各个对应时间点的报警参数的上限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据高于对应时间点的上限阈值后，触发报警操作，或者，
将所述下限区间中各个时间点的数据，确定为所述下一统计周期的报警参数中各个对应时间点的下限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据低于对应时间点的下限阈值后，触发报警操作。
可选的，所述依据所述波动区间，对应调整所述目标监控数据在下一统计周期的报警参数，包括：
依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
可选的，依据所述上限区间计算所述目标监控数据在各个时间点的同比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值上限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化上限，其中：预测同比变化上限＝(同比值上限-预测同比值)/预测同比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的同比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值下限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化下限，其中：预测同比变化下限＝(同比值下限-预测同比值)/预测同比值。
可选的，依据所述上限区间计算所述目标监控数据在各个时间点的环比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值上限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化上限，其中：预测环比变化上限＝(环比值上限-预测环比值)/预测环比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的环比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值下限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化下限，其中：预测环比变化下限＝(环比值下限-预测环比值)/预测环比值。
可选的，所述对应调整所述目标监控数据在下一统计周期的报警参数后，还包括：
对所述下一统计周期的报警参数进行周期性差异分析，若所述下一统计周期的报警参数与相邻统计周期中确定的报警参数的差异符合预定条件，则判定所述目标监控数据出现特征变化，发送提醒消息。
依据本公开实施例的第二方面，提供一种故障报警参数调整装置，所述装置包括：
变化信息获取模块，被配置为确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
第一特征确定模块，被配置为在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
第二特征确定模块，被配置依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
波动区间确定模块，被配置为依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
报警参数调整模块，被配置为依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。
可选的，所述波动区间确定模块，被配置为：
将所述上限区间中各个时间点的数据，确定为所述下一统计周期各个对应时间点的报警参数的上限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据高于对应时间点的上限阈值后，触发报警操作，或者，
将所述下限区间中各个时间点的数据，确定为所述下一统计周期的报警参数中各个对应时间点的下限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据低于对应时间点的下限阈值后，触发报警操作。
可选的，所述报警参数调整模块，被配置为：
依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
可选的，所述报警参数调整模块，被配置为：
依据所述上限区间计算所述目标监控数据在各个时间点的同比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值上限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化上限，其中：预测同比变化上限＝(同比值上限-预测同比值)/预测同比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的同比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值下限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化下限，其中：预测同比变化下限＝(同比值下限-预测同比值)/预测同比值。
可选的，所述报警参数调整模块，被配置为：
依据所述上限区间计算所述目标监控数据在各个时间点的环比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值上限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化上限，其中：预测环比变化上限＝(环比值上限-预测环比值)/预测环比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的环比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值下限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化下限，其中：预测环比变化下限＝(环比值下限-预测环比值)/预测环比值。
可选的，所述装置还包括：
消息提醒模块，被配置为对所述下一统计周期的报警参数进行周期性差异分析，若所述下一统计周期的报警参数与相邻统计周期中确定的报警参数的差异符合预定条件，则判定所述目标监控数据出现特征变化，发送提醒消息。
依据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如第一方面所述的方法。
依据本公开实施例的第四方面，一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如第一方面所述的方法。
本公开实施例提供了一种故障报警参数调整方法、装置、电子设备及存储介质。实时获取当前统计周期内，依据变化信息中提取出的趋势性变化特征和周期性变化特征确定所述目标监控数据的规则波动特征，依据变化信息中提取出的其余特征确定所述目标监控数据的不规则波动特征，再依据规则波动特征和述不规则波动特征确定目标监控数据的设定波动区间以对应调整所述目标监控数据在下一统计周期的报警参数。公开提供的方法可以基于数据特征自动确定报警阈值。避免多业务维度场景下人工依次设置阈值的繁琐，提高效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能届制本公开实施例。
此外，本公开实施例中的任一实施例并不需要达到上述的全部效果。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本公开实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以依据这些附图获得其他的附图。
图1是本公开一示例性实施例示出的故障报警参数调整方法一种流程图；
图2是本公开一示例性实施例示出的曲线分解的一种示意图；
图3是本公开一示例性实施例示出的故障报警参数调整方法的一种示意图；
图4是本公开一示例性实施例示出的故障报警参数调整方法的一种示意图；
图5是本公开一示例性实施例示出的故障报警参数调整装置的一种示意图；
图6是本公开一示例性实施例示出的电子设备的一种示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在届制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应届于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在复杂的多维度、多业务智能运维监控系统中，时常遇到不同指标曲线的时序模式多变不一的情况，甚至同一指标，下探到各种组合维度，会得到非常多的监控曲线。这些曲线的周期性、波动性、平均水位和波动幅度都差异巨大，依据不同曲线类型，需要给出高效的报警策略，从而及时有效的发现曲线异常上升或下降的信息。
传统方案中，通常由人工依据经验依次为每个监控曲线设置报警阈值，在多业务多维度场景下，每个业务都会监控数个核心指标的时序曲线，并且每个监控曲线通常也会包含若干属性维度，那么每个组合维度下也会相应有指标监控曲线。若某业务有5个核心指标，5个不同的属性维度，每个维度下的属性值有3～30个不等，属性组合数目可能高达数十万个。人工设置太过费时费力。
为了解决这个问题，本公开提供了一种故障报警参数调整方法，以及应用所述故障报警参数调整方法的设备，首先对该故障报警参数调整方法进行整体说明。该故障报警参数调整方法可应用于内容平台，参见图1，包括以下步骤S101～步骤S105：
在步骤S101中，确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
可选的，目标监控数据在各个时间点的变化信息，可以是各个时间点的目标监控数据所组成的当前曲线；
该故障报警参数调整方法需要按周期执行。例如：可依据当前统计周期的实际数据，设定下一统计周期的报警阈值。
在一实施例中，各个时间点的目标监控数据所组成的曲线也可以称为时间序列(或称动态数列)。时间序列指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列曲线是按照时间排序的一组随机变量，它通常是在相等间隔的时间段内依照给定的采样率对某种潜在过程进行观测的结果。曲线数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势。
以监控数据为卡顿发生率，当前统计周期为本周为例：在周一上午10:01，一百个用户中有3个用户发生卡顿，则周一上午10:01这一时间点的卡顿发生率为3％。将卡顿发生率数据按照各个时间点排序，生成以时间为横轴，以卡顿发生率为纵轴的曲线。该曲线即为前统计周期内，各个时间点的目标监控数据所组成的当前曲线。
在较为复杂的多维度、多业务的运维监控系统中，时常遇到不同指标曲线的时序模式多变不一的情况，甚至同一指标，下探到各种组合维度，会得到非常多的监控曲线。
举例说明：将卡顿发生率作为一个监控指标，整体卡顿发生率可以生成一个全局指标曲线，将卡顿发生率下探到各个维度可以生成各种组合维度得指标曲线。
例如，下探到地区维度可以生成：北京地区的卡顿发生率曲线，上海地区的卡顿发生率曲线，等等；
下探到运营商维度可以生成：联通用户的卡顿发生率曲线，移动用户的卡顿发生率曲线；更进一步地，还可以有北京地区联通用户的卡顿发生率曲线等等。
由上可知，在多维度、多业务的运维监控系统中，不同指标的监控数据会产生非常多的曲线。在本实施例中，监控系统可监控各个曲线的走向，针对一个曲线，可基于该曲线在当前统计周期的曲线特征，预先为该曲线的下一统计周期自动设定报警阈值。
在步骤S102中，在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
在所述变化信息为各个时间点的目标监控数据所组成的当前曲线的情况下，一实施例中，在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征的方式可以为：对所述当前曲线进行分解，得到长期趋势曲线、周期趋势曲线和残差，其中，所分解出的长期趋势曲线即为趋势性变化特征，所分解出的周期趋势曲线即为周期性变化特征、
具体而言，可使用STL算法对当前曲线进行分解。本实施例中的曲线可以视为一种时间序列，对于一个时间序列{y(t)}，假设它是加性模型(an additive decomposition)，则可以写成：
y(t)＝S(t)+T(t)+R(t)；
其中S(t)、T(t)、R(t)分别是周期成分(seasonal component)、趋势成分(trend-cycle component)、残差成分(remainder component)。
类似地，一个乘性模型可以写成
y(t)＝S(t)×T(t)×R(t)；
对于乘性模型，可以取对数，将其转化为加性模型。
参考图2，为基于原始数据(当前曲线)分解出长期趋势，周期趋势和残差的示意图。基于分解出的周期成分、趋势成分，可得到长期趋势曲线和周期趋势曲线，其中，长期趋势指数据在较长时期内持续发展变化的一种趋向或状态，季周期趋势是曲线中的规则变动，而残差为曲线中分解出的不规则项。
在步骤S103中，依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
以上述所述为例，在所述变化信息为各个时间点的目标监控数据所组成的当前曲线的情况下，上述提取出的残差即为所述目标监控数据的不规则波动特征。
在步骤S104中，依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
在一实施例中，可依据所述残差与设定波动参数计算出设定残差，将所述设定残差与所述长期趋势曲线、周期趋势曲线进行合成，得到当前曲线的设定波动区间，所述设定波动区间包括上限曲线和下限曲线中的至少一个；
本步骤中，长期趋势曲线和周期趋势曲线可用于表征该类监控数据的近期日常波动特征。与设定残差合成后，可得到设定波动区间，该设定波动区间可为上限区间、上限区间，或既包括上限区间又包括下限区间。
其中，曲线的上限区间表示曲线近期在正常情况下，每个时间点的数据允许达到的最大值，这些最大值组合而成的曲线即为上限曲线；曲线的下限区间表示曲线近期在正常情况下，每个时间点的数据允许达到的最小值，这些最小值组合而成的曲线即为下限曲线。
在本公开一实施例中，上限曲线和下限曲线的具体计算方式如下：
上限曲线＝长期趋势曲线+周期趋势曲线+设定波动参数*(残差p1th-残差p2th)；
下限曲线＝长期趋势曲线+周期趋势曲线-设定波动参数*(残差p1th-残差p2th)。
其中，设定波动参数为预先设定好的控制参数，以控制设定波动区间的区间大小。对于多维度的监控系统来说，不同维度的监控数据可以使用相同的控制参数，也可以使用分别设定不同的控制参数。
p1和p2为预设的百分位数，如果将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。可表示为：一组n个观测值按数值大小排列。如，处于p％位置的值称第p百分位数。
可以知道，残差为将当前曲线分解后得到的不规则项，本步骤在不规则项的基础上设定曲线的波动区间。举例说明：p1可为75，p2可为25。在步骤S105中，依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。
报警阈值可以分为绝对阈值和波动幅度阈值。其中，绝对阈值还可分为上限阈值和下限阈值，上限阈值基于上限区间得出，下限阈值基于下限区间得出。
具体而言，所述依据所述设定波动区间，确定下一统计周期的报警阈值的方式，包括以下一项或多项：
a)将所述上限区间中各个时间点的数据，确定为所述下一统计周期各个对应时间点的报警参数的上限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据高于对应时间点的上限阈值后，触发报警操作，或者，
b)将所述下限区间中各个时间点的数据，确定为所述下一统计周期的报警参数中各个对应时间点的下限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据低于对应时间点的下限阈值后，触发报警操作。
在本公开一实施例中，依据所述设定波动区间，确定下一统计周期的报警阈值，可以采用但不限于以下方式：
(1-1)依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
(1-2)依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
即，报警阈值中包括波动幅度阈值，该波动幅度阈值为基于预测曲线和上限曲线之间的差异，和/或预测曲线与下限曲线之间的差异，得出的曲线近期在正常情况下，每个时间点的数据允许的波动幅度。
基于当前周期得到波动幅度阈值，对下一统计周期采集目标监控数据进行监控。所述下一统计周期各个对应时间点采集的目标监控数据的波动幅度高于对应时间点的波动幅度阈值后，触发报警操作。
上述(1-1)至(1-2)的具体实现过程，可详见图3所示实施例。
图3是根据一示例性实施例示出的另一种故障报警参数调整方法的流程图，该故障报警参数调整方法可以用于能够执行卡故障报警参数调整的平台上，并建立在图1所示方法的基础上，如图3所示，可以包括以下步骤S301-S302：
在步骤S301中，依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
在步骤S302中，依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
具体而言，依据所述长期趋势曲线和周期趋势曲线进行趋势预测，得到下一统计周期的预测曲线，该趋势预测算法可为arima算法或者lstm算法等，本实施例对此不作限制。
其中，该波动幅度阈值可以包括同比波动幅度和环比波动幅度。
在本公开一实施例中，同比波动幅度的确定方式包括：
依据所述上限区间计算所述目标监控数据在各个时间点的同比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值上限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化上限，其中：预测同比变化上限＝(同比值上限-预测同比值)/预测同比值，
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的同比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值下限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化下限，其中：预测同比变化下限＝(同比值下限-预测同比值)/预测同比值。举例说明：统计周期为一周，时间点A为周二上午10点，从预测数据中取得时间点A的数据，和周一上午10点的数据，将时间点A的数据与周一上午10点的数据相比，可得到时间点A的预测同比值。从上限曲线中取得时间点A的数据，和周一上午10点的数据，将时间点A的数据与周一上午10点的数据相比，可得到时间点A的同比值上限。基于：同比波动幅度上限＝(同比值上限-预测同比值)/预测同比值，可得到同比波动幅度上限。假设计算出的同比波动幅度上限为30％。则在下一统计周期，周二上午10点时，产生的同比波动幅度上限若超过30％，则可执行报警操作。依次类推，可预先得到下一统计周期各个时间点的同比波动幅度上/下限。
在本公开一实施例中，环比波动幅度的确定方式包括：
依据所述上限区间计算所述目标监控数据在各个时间点的环比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值上限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化上限，其中：预测环比变化上限＝(环比值上限-预测环比值)/预测环比值，
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的环比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值下限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化下限，其中：预测环比变化下限＝(环比值下限-预测环比值)/预测环比值。举例说明：统计周期为一周，时间点A为周二上午10点，从预测数据中取得时间点A的数据，和周二上午9点数据，将时间点A的数据与周二上午9点的数据相比，可得到时间点A的预测环比值。从上限曲线中取得时间点A的数据，和周二上午9点的数据，将时间点A的数据与周二上午9点的数据相比，可得到时间点A的环比值上限。基于：环比波动幅度上限＝(环比值上限-预测环比值)/预测环比值，可得到环比波动幅度上限。假设计算出的环比波动幅度上限为30％。则在下一统计周期，周二上午10点时，产生的环比波动幅度上限若超过30％，则可执行报警操作。依次类推，可预先得到下一统计周期各个时间点的环比波动幅度上/下限。
在本公开实施例中，参考图4可以对多维度的监控数据进行批量计算，针对每个维度的监控数据，对所述下一统计周期的报警参数进行周期性差异分析，若所述下一统计周期的报警参数与相邻统计周期中确定的报警参数的差异符合预定条件，则判定所述目标监控数据出现特征变化，发送提醒消息。
通常情况下，运维人员可能难以关注到系统的变化趋势情况，阈值更新不符合运维人员预期时，有错过及时解决故障合理时机的风险。如近期某业务的播放卡顿率曲线逐步抬高了一个水位，属于客户端新版本播放逻辑的异常变更导致，因此该指标随着新版本覆盖率逐步上升，业务方需要及时获知并修复这个问题。本公开提供的方法中，每个统计周期可确定一次报警阈值，若相邻统计周期之间确定的报警阈值的差异过大，则判定所述目标监控数据出现特征变化，上报给相关的业务人员。
在复杂的多维度、多业务智能运维监控系统中，时常遇到不同指标曲线的时序模式多变不一的情况，甚至同一指标，下探到各种组合维度，会得到非常多的监控曲线。这些曲线的周期性、波动性、平均水位和波动幅度都差异巨大，依据不同曲线类型，需要给出高效的报警策略，从而及时有效的发现曲线异常上升或下降的信息。
传统方案中，通常由人工依据经验依次为每个监控曲线设置报警阈值，在多业务多维度场景下，每个业务都会监控数个核心指标的时序曲线，并且每个监控曲线通常也会包含若干属性维度，那么每个组合维度下也会相应有指标监控曲线。若某业务有5个核心指标，5个不同的属性维度，每个维度下的属性值有3～30个不等，属性组合数目可能高达数十万个。人工设置太过费时费力。
为了解决这个问题，本公开实施例提供了一种故障报警参数调整方法。实时获取当前统计周期内，依据变化信息中提取出的趋势性变化特征和周期性变化特征确定所述目标监控数据的规则波动特征，依据变化信息中提取出的其余特征确定所述目标监控数据的不规则波动特征，再依据规则波动特征和述不规则波动特征确定目标监控数据的设定波动区间以对应调整所述目标监控数据在下一统计周期的报警参数。公开提供的方法可以基于数据特征自动确定报警阈值。避免多业务维度场景下人工依次设置阈值的繁琐，提高效率。
本实施例可应用于多业务维度的智能监控系统，并自动为每个业务维度的业务曲线自适应的设定报警阈值。
相应于上述方法实施例，本公开实施例还提供一种故障报警参数调整装置，参见图5所示，所述装置可以包括：
变化信息获取模块，被配置为确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
第一特征确定模块，被配置为在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
第二特征确定模块，被配置依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
波动区间确定模块，被配置为依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
报警参数调整模块，被配置为依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。
可选的，所述波动区间确定模块，被配置为：
将所述上限区间中各个时间点的数据，确定为所述下一统计周期各个对应时间点的报警参数的上限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据高于对应时间点的上限阈值后，触发报警操作，或者，
将所述下限区间中各个时间点的数据，确定为所述下一统计周期的报警参数中各个对应时间点的下限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据低于对应时间点的下限阈值后，触发报警操作。可选的，
所述报警参数调整模块，被配置为：
依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
可选的，所述报警参数调整模块，被配置为：
依据所述上限区间计算所述目标监控数据在各个时间点的同比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值上限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化上限，其中：预测同比变化上限＝(同比值上限-预测同比值)/预测同比值，
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的同比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值下限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化下限，其中：预测同比变化下限＝(同比值下限-预测同比值)/预测同比值。可选的，
所述报警参数调整模块，被配置为：
依据所述上限区间计算所述目标监控数据在各个时间点的环比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值上限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化上限，其中：预测环比变化上限＝(环比值上限-预测环比值)/预测环比值，
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的环比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值下限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化下限，其中：预测环比变化下限＝(环比值下限-预测环比值)/预测环比值。
可选的，所述装置还包括：消息提醒模块，被配置为对所述下一统计周期的报警参数进行周期性差异分析，若所述下一统计周期的报警参数与相邻统计周期中确定的报警参数的差异符合预定条件，则判定所述目标监控数据出现特征变化，发送提醒消息。
本公开实施例还提供一种电子设备，其至少包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现前述故障报警参数调整法，包括：
确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。图6示出了依据本公开的一示例性实施例的基于主设备侧电子设备的示意结构图。请参考图6，在硬件层面，该电子设备包括处理器602、内部总线604、网络接口606、内存605以及非易失性存储器610，当然还可能包括其他业务所需要的硬件。处理器602从非易失性存储器610中读取对应的计算机程序到内存605中然后运行，在逻辑层面上形成执行故障报警参数调整方法的装置。当然，除了软件实现方式之外，本公开并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不届定于各个逻辑单元，也可以是硬件或逻辑器件。
本公开实施例还提供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前述的故障报警参数调整方法，所述方法包括：
确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不届于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁存储设备存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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。可以依据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
以上所述仅是本公开实施例的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开实施例原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开实施例的保护范围。
Claims (14)
1.一种故障报警参数调整方法，其特征在于，所述方法包括：
确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。
2.如权利要求1所述的方法，其特征在于，所述依据所述波动区间，对应调整所述目标监控数据在下一统计周期的报警参数的方式，包括以下一项或多项：
将所述上限区间中各个时间点的数据，确定为所述下一统计周期各个对应时间点的报警参数的上限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据高于对应时间点的上限阈值后，触发报警操作，或者，
将所述下限区间中各个时间点的数据，确定为所述下一统计周期的报警参数中各个对应时间点的下限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据低于对应时间点的下限阈值后，触发报警操作。
3.如权利要求1所述的方法，其特征在于，所述依据所述波动区间，对应调整所述目标监控数据在下一统计周期的报警参数，包括：
依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
4.如权利要求3所述的方法，其特征在于，所述依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量的方式，包括以下一项或多项：
依据所述上限区间计算所述目标监控数据在各个时间点的同比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值上限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化上限，其中：预测同比变化上限＝(同比值上限-预测同比值)/预测同比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的同比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值下限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化下限，其中：预测同比变化下限＝(同比值下限-预测同比值)/预测同比值。
5.如权利要求3所述的方法，其特征在于，所述依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量的方式，包括以下一项或多项：
依据所述上限区间计算所述目标监控数据在各个时间点的环比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值上限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化上限，其中：预测环比变化上限＝(环比值上限-预测环比值)/预测环比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的环比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值下限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化下限，其中：预测环比变化下限＝(环比值下限-预测环比值)/预测环比值。
6.如权利要求1所述的方法，其特征在于，所述对应调整所述目标监控数据在下一统计周期的报警参数后，还包括：
对所述下一统计周期的报警参数进行周期性差异分析，若所述下一统计周期的报警参数与相邻统计周期中确定的报警参数的差异符合预定条件，则判定所述目标监控数据出现特征变化，发送提醒消息。
7.一种故障报警参数调整装置，其特征在于，所述装置包括：
变化信息获取模块，被配置为确定待监测业务的目标监控数据，实时获取当前统计周期内，所述目标监控数据在各个时间点的变化信息；
第一特征确定模块，被配置为在所述变化信息中提取出所述目标监控数据的趋势性变化特征和周期性变化特征，依据所述趋势性变化特征和所述周期性变化特征确定所述目标监控数据的规则波动特征；
第二特征确定模块，被配置依据所述变化信息中的其余特征确定所述目标监控数据的不规则波动特征；
波动区间确定模块，被配置为依据所述规则波动特征和所述不规则波动特征确定所述目标监控数据的设定波动区间，所述设定波动区间包括上限区间和下限区间中的至少一个；
报警参数调整模块，被配置为依据所述设定波动区间，对应调整所述目标监控数据在下一统计周期的报警参数。
8.如权利要求7所述的装置，其特征在于，所述波动区间确定模块，被配置为：
将所述上限区间中各个时间点的数据，确定为所述下一统计周期各个对应时间点的报警参数的上限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据高于对应时间点的上限阈值后，触发报警操作，或者，
将所述下限区间中各个时间点的数据，确定为所述下一统计周期的报警参数中各个对应时间点的下限阈值，以使所述下一统计周期各个对应时间点采集的目标监控数据低于对应时间点的下限阈值后，触发报警操作。
9.如权利要求7所述的装置，其特征在于，所述报警参数调整模块，被配置为：
依据所述目标监控数据在当前统计周期内各个时间点的变化信息进行趋势预测，得到所述目标监控数据在下一统计周期内各个时间点的预测数据；
依据所述设定波动区间和所述预测数据，确定所述目标监控数据在下一统计周期内各个时间点的预测变化量，以使所述下一统计周期各个对应时间点采集的目标监控数据的变化量高于对应时间点的预测变化量后，触发报警操作。
10.如权利要求9所述的装置，其特征在于，所述报警参数调整模块，被配置为：
依据所述上限区间计算所述目标监控数据在各个时间点的同比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值上限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化上限，其中：预测同比变化上限＝(同比值上限-预测同比值)/预测同比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的同比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测同比值；
基于所述同比值下限和预测同比值确定所述目标监控数据在各个时间点的预测同比变化下限，其中：预测同比变化下限＝(同比值下限-预测同比值)/预测同比值。
11.如权利要求9所述的装置，其特征在于，所述报警参数调整模块，被配置为：
依据所述上限区间计算所述目标监控数据在各个时间点的环比值上限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值上限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化上限，其中：预测环比变化上限＝(环比值上限-预测环比值)/预测环比值；
或者，
依据所述下限区间计算所述目标监控数据在各个时间点的环比值下限，依据所述预测数据计算所述目标监控数据在各个时间点的预测环比值；
基于所述环比值下限和预测环比值确定所述目标监控数据在各个时间点的预测环比变化下限，其中：预测环比变化下限＝(环比值下限-预测环比值)/预测环比值。
12.如权利要求7所述的装置，其特征在于，所述装置还包括：
消息提醒模块，被配置为对所述下一统计周期的报警参数进行周期性差异分析，若所述下一统计周期的报警参数与相邻统计周期中确定的报警参数的差异符合预定条件，则判定所述目标监控数据出现特征变化，发送提醒消息。
13.一种电子设备，其特征在于，包括：
处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的方法。
14.一种存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043813.0A CN112131081B (zh) | 2020-09-28 | 2020-09-28 | 一种故障报警参数调整方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011043813.0A CN112131081B (zh) | 2020-09-28 | 2020-09-28 | 一种故障报警参数调整方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131081A CN112131081A (zh) | 2020-12-25 |
| CN112131081B true CN112131081B (zh) | 2024-01-02 |
Family
ID=73844486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011043813.0A Active CN112131081B (zh) | 2020-09-28 | 2020-09-28 | 一种故障报警参数调整方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131081B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113256942B (zh) * | 2021-05-18 | 2022-10-28 | 中海石油深海开发有限公司 | 异常事件的超前预警方法、装置、电子设备及介质 |
| CN115277484B (zh) * | 2022-06-02 | 2023-12-19 | 广州番禺电缆集团有限公司 | 一种动态反馈监测信息的智能电缆 |
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 |
| CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
| CN108663995A (zh) * | 2017-03-30 | 2018-10-16 | 郑州大学 | 一种工业过程变量趋势异常检测方法及装置 |
| CN109239265A (zh) * | 2018-09-11 | 2019-01-18 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
| CN110119579A (zh) * | 2019-05-16 | 2019-08-13 | 北京工业大学 | 一种基于oica的复杂工业过程故障监测方法 |
| CN111459778A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技（深圳）有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106959652B (zh) * | 2017-05-08 | 2019-08-16 | 北京百度网讯科技有限公司 | 智能监控方法、装置和可读计算机存储介质 |
-
2020
- 2020-09-28 CN CN202011043813.0A patent/CN112131081B/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 |
| CN108663995A (zh) * | 2017-03-30 | 2018-10-16 | 郑州大学 | 一种工业过程变量趋势异常检测方法及装置 |
| CN107942994A (zh) * | 2017-11-07 | 2018-04-20 | 湖南捷能高新技术有限公司 | 一种基于温度曲线特征的卫星温控系统故障诊断方法 |
| CN109239265A (zh) * | 2018-09-11 | 2019-01-18 | 清华大学合肥公共安全研究院 | 监测设备故障检测方法及装置 |
| CN110119579A (zh) * | 2019-05-16 | 2019-08-13 | 北京工业大学 | 一种基于oica的复杂工业过程故障监测方法 |
| CN111459778A (zh) * | 2020-03-12 | 2020-07-28 | 平安科技（深圳）有限公司 | 运维系统异常指标检测模型优化方法、装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于数据驱动残差评价策略的故障检测方法;蒋栋年，李炜;控制与决策;第32卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131081A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107871190B (zh) | 一种业务指标监控方法及装置 | |
| CN112131081B (zh) | 一种故障报警参数调整方法、装置、电子设备及存储介质 | |
| US20190334784A1 (en) | Methods and apparatus for analysing performance of a telecommunications network | |
| CN111092891B (zh) | 一种网络中异常点的检测方法、检测系统及相关装置 | |
| CN110609780B (zh) | 数据监控方法、装置、电子设备及存储介质 | |
| CN111177485B (zh) | 基于参数规则匹配设备故障的预测方法、设备及介质 | |
| CN109992473A (zh) | 应用系统的监控方法、装置、设备及存储介质 | |
| CN109643087B (zh) | 用于选择用于设备操作安全的可控参数的系统和方法 | |
| CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
| CN111614520B (zh) | 一种基于机器学习算法的idc流量数据预测方法及装置 | |
| CN113123955B (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN112965876A (zh) | 一种监控报警方法及装置 | |
| US10089165B2 (en) | Monitoring data events using calendars | |
| CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
| CN115913652A (zh) | 异常访问行为检测方法及装置、电子设备及可读存储介质 | |
| CN114446019A (zh) | 告警信息处理方法、装置、设备、存储介质和产品 | |
| CN116416764A (zh) | 报警阈值的生成方法和装置、电子设备和存储介质 | |
| CN115858606A (zh) | 时序数据的异常检测方法、装置、设备及存储介质 | |
| CN114398222A (zh) | 一种声明式可视化配置Prometheus监控告警的方法 | |
| CN114338435A (zh) | 网络变更监控方法、装置、计算机设备和存储介质 | |
| US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
| CN117216505B (zh) | 基于智慧家居使用记录的用户习惯预测方法及系统 | |
| CN114124758B (zh) | 一种流量监控的方法和装置 | |
| CN111327442B (zh) | 基于控制图的投诉预警阈值获取方法及装置 | |
| CN116541743A (zh) | 数据库的时序数据异常检测方法以及其装置 |
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 |