CN112231174A - 异常告警方法、装置、设备及存储介质 - Google Patents
异常告警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112231174A CN112231174A CN202011054394.0A CN202011054394A CN112231174A CN 112231174 A CN112231174 A CN 112231174A CN 202011054394 A CN202011054394 A CN 202011054394A CN 112231174 A CN112231174 A CN 112231174A
- Authority
- CN
- China
- Prior art keywords
- data
- abnormal
- detected
- condition
- identifier
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 215
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000005856 abnormality Effects 0.000 claims abstract description 39
- 238000011084 recovery Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供一种异常告警方法、装置、设备及存储介质。该方法包括：检测待检测指标数据；在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据；为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息。根据本申请实施例，能够减少无效告警数量，提高告警准确率。
Description
技术领域
本申请涉及运维技术领域，尤其涉及一种异常告警方法、装置、设备及存储介质。
背景技术
目前，异常告警是智能运维中重要的环节，传统异常告警方案主要是通过检测目标系统的指标数据是否异常，来及时发现目标系统是否异常或故障。
但是在指标数据瞬时抖动的情况下，传统异常告警方案会触发多个短时的无效告警，导致告警准确率较低。
发明内容
本申请实施例提供了一种异常告警方法、装置、设备及存储介质，能够减少无效告警数量，提高告警准确率。
第一方面，本申请实施例提供一种异常告警方法，该方法包括：
检测待检测指标数据；
在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据；
为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息。
第二方面，本申请实施例提供一种异常告警装置，该装置包括：
检测模块，用于检测待检测指标数据；
确定模块，用于在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据；
生成模块，用于为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息。
第三方面，本申请实施例提供一种异常告警设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面所述的异常告警方法。
第四方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面所述的异常告警方法。
本申请实施例提供的一种异常告警方法、装置、设备及存储介质，通过检测待检测指标数据，在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息，进入告警状态，进而减少指标数据瞬时抖动而引发的无效告警，提高告警准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，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是本申请实施例提供的一种异常告警系统的架构示意图；
图2是本申请实施例提供的一种异常告警方法的流程示意图；
图3是本申请实施例提供的另一种异常告警方法的流程示意图；
图4是传统异常告警方案的告警效果示意图；
图5是本申请实施例提供的一种告警效果示意图；
图6是本申请实施例提供的一种异常告警装置的结构示意图；
图7是本申请实施例提供的一种异常告警设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前，传统异常告警方案通常在指标数据确定为异常数据之后立即生成异常告警信息。但是在实际应用场景中发现，在例如网络瞬时抖动引发的指标数据瞬时抖动的情况下，会触发多个短时的无效告警，导致告警准确率较低。
因此，为了解决上述告警准确率较低的问题，本申请实施例提供了一种异常告警方法、装置、设备及存储介质。通过检测待检测指标数据，在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息，进入告警状态，进而减少指标数据瞬时抖动而引发的无效告警，提高告警准确率。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的异常告警方法、装置、设备和存储介质进行详细地说明。
图1是本申请实施例提供的一种异常告警系统的架构示意图，如图1所示，该异常告警系统可以包括电子设备110和服务器120，其中，电子设备110可以为移动电子设备，也可以为非移动电子设备。例如，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑或者超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)等等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)或者个人计算机(Personal Computer，PC)等等。服务器120表示被监控的目标系统，可以为金融、社交或者娱乐等系统。电子设备110与服务器120之间通过网络进行通信，其中，网络可以是有线通信网络或无线通信网络。
作为一个示例，该异常告警系统可以应用于监控金融、社交或者娱乐等系统的场景。参见图1，电子设备110可以实时接收服务器120发送的待检测指标数据。其中，待检测指标数据可以是目标检测系统实时的监控时序指标数据。接着检测待检测指标数据，在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。然后为异常数据生成异常标识，并将所述异常标识插入数据标识队列，根据数据标识队列生成异常告警信息，进入告警状态，进而减少指标数据瞬时抖动而引发的无效告警，提高告警准确率。
下面将介绍本申请实施例提供的异常告警方法。其中，该异常告警方法的执行主体可以是图1所示的异常告警系统中的电子设备110，或者电子设备110中的模块。
图2是本申请实施例提供的一种异常告警方法的流程示意图，如图2所示，该异常告警方法可以包括以下步骤：
S210，检测待检测指标数据。
具体地，获取待检测指标数据并进行检测。其中，待检测指标数据是当前时刻的指标数据，即时间序列的指标数据，可以包括业务指标数据和/或硬件指标数据。示例性地，业务指标数据可以为交易笔数、交易成功率等等，硬件指标数据可以为CPU使用率、内存使用率、网络时延等等。作为一个示例，可以获取原始的待检测指标数据，对原始的待检测指标数据进行数据预处理例如插值补零，得到待检测指标数据。
在一个实施例中，可以利用至少两个异常检测模型对待检测指标数据的不同数据特征进行检测。其中，每个异常检测模型是通过对历史指标数据的不同数据特征进行学习而生成的，也就是说，每个异常检测模型可以与一种数据特征类型对应。示例性地，待检测指标数据的数据特征可以包括统计特征、趋势特征和回归特征中至少两种。
例如，待检测指标数据的数据特征可以包括统计特征、趋势特征和回归特征，对应地，异常检测模型可以包括3-Sigma原则模型、指数加权移动平均控制图模型和多项式回归模型。
S220，在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。
参见S210，检测结果可以包括至少两个异常检测模型的检测结果。示例性地，可以利用投票算法例如硬投票算法或软投票算法，对至少两个异常检测模型的检测结果进行分析。在分析结果满足第二预设异常条件的情况下，确定待检测指标数据为异常数据，反之为正常数据，提高异常数据检测准确率。
例如，存在A、B、C三个异常检测模型，异常检测模型A的检测结果为异常，异常检测模型B的检测结果为异常，异常检测模型C的检测结果为正常。利用硬投票算法进行分析，得到分析结果为正常票数为2，异常票数为1，确定异常票数是否大于等于预设票数阈值例如2，若是，则确定待检测指标数据为异常数据，反之为正常数据。可知，此时的待检测指标数据为异常。
值得注意的是，待检测指标数据的数据类型可以影响检测结果。因此在一个示例中，可以在分析结果满足第二预设异常条件的情况下，判断待检测指标数据的数据类型，根据待检测指标数据的数据类型，计算待检测指标数据与参考指标数据之间的相似度。其中，参考指标数据是预设的历史指标数据，例如前一天同一时刻的数据、前一周同一时刻的数据或者前1个小时的时刻的数据等等。参见S210，参考指标数据可以是数据预处理后的数据。
在一个示例中，可以利用数据类型对应的相似度算法，计算待检测指标数据与参考指标数据之间的相似度。在相似度满足预设相似度条件的情况下，确定待检测指标数据为异常数据，反之为正常数据，从而避免数据类型对检测的影响，减少误判，提高异常数据检测准确率。
示例性地，数据类型可以包括量值类型或者率值类型。针对待检测指标数据是量值类型的情况，例如待检测指标数据是交易笔数，参考该类型的指标数据在休息日和工作日上不同，但趋势一致的特点，可以选择皮尔逊相似度算法计算待检测指标数据与参考指标数据之间的相似度，以判断量值类型的待检测指标数据的异常情况。在相似度小于或等于第一预设相似度阈值的情况下，确定待检测指标数据为异常数据，反之为正常数据，避免因休息日期间量值变化引发的误判。
针对待检测指标数据是率值类型的情况，例如待检测指标数据是交易成功率，参考该类型的指标数据的周期性短时局部波动容易带来误判的特点，可以选择平均曼哈顿距离算法计算待检测指标数据与参考指标数据之间的相似度，以判断率值类型的待检测指标数据的异常情况。在相似度大于或等于第二预设相似度阈值的情况下，确定待检测指标数据为异常数据，反之为正常数据，避免待检测指标数据周期性短时局部波动带来的误判。
在一个具体的示例中，平均曼哈顿距离算法的公式可以如下所示：
其中，D(X,Y)表示平均曼哈顿距离，即待检测指标数据与参考指标数据之间的相似度，T表示待检测指标数据中的数据个数，xt表示待检测指标数据中第t个数据，yt表示参考指标数据中第t个数据，例如昨日同一时刻的历史指标数据中第t个数据。
S230，为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息。
在一个实施例中，可以为异常数据生成异常标识，将异常标识插入数据标识队列，不断进行新的待检测数据的检测，实时更新数据标识队列。在数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息，即进入告警状态。
其中，数据标识队列的长度可以根据实际需要灵活设置。预设异常标识阈值可以根据监控对象即待检测指标数据对应的业务和待检测指标数据的时效性或重要程度来设置。
在本申请实施例中，通过检测待检测指标数据，在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息，进入告警状态，进而减少指标数据瞬时抖动而引发的无效告警，提高告警准确率。
需要知道的是，在异常持续期间，待检测指标数据可能会出现瞬时波动，导致一种假性恢复现象。因此在一个实施例中，在生成异常告警信息之后，即进入告警状态后，该方法还可以包括：
在检测结果不满足第一预设异常条件的情况下，确定待检测指标数据为正常数据。接着为正常数据生成正常标识，并将正常标识插入数据标识队列，不断进行新的待检测数据的检测，实时更新数据标识队列。在数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息，即结束告警状态。如此能够准确感知告警恢复的时间，解决告警恢复不准确的问题，避免出现多条重复告警。
其中，预设异常标识阈值与预设正常标识阈值可以相同，进而确认告警生成花费的时间与确认告警消失花费的时间相抵消，可以在告警恢复环节弥补确认告警发生所用的耗时，确定告警的真实持续时间。
考虑到进入告警状态后，判断为异常的历史指标数据可能对待检测指标数据造成影响。在一个实施例中，在生成异常告警信息之后，该方法还可以包括：
响应于异常告警信息，调整第一预设异常条件，即适当放宽对异常的检测，更加容易判别待检测指标数据为异常，更加严格判别待检测指标数据为正常。在检测结果不满足调整后的第一预设异常条件的情况下，确定待检测指标数据为正常数据。为正常数据生成正常标识，并将正常标识插入数据标识队列，不断进行新的待检测数据的检测，实时更新数据标识队列。在数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息，避免判断为异常的历史指标数据对待检测指标数据的影响，更加准确地感知告警恢复的时间。
可以理解，在本次告警结束后，即异常恢复后，调整的条件会还原为未调整时的状态。
下面以异常告警方法应用于金融系统监控场景为例，对本申请实施例提供的异常告警方法进行详细说明，如图3所示，该方法可以包括以下步骤：
S301，获取当前的待检测指标数据。
S302，利用至少两个异常检测模型对待检测指标数据的不同数据特征进行检测。
利用3-Sigma原则模型、指数加权移动平均控制图模型和多项式回归模型分别对待检测指标数据的统计特征、趋势特征和回归特征进行检测。
S303，在至少两个异常检测模型的检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。
具体地，利用投票算法对至少两个异常检测模型的检测结果进行分析。在分析结果满足第二预设异常条件的情况下，判断异常数据的数据类型。接着根据异常数据的数据类型对应的相似度算法，计算待检测指标数据与参考指标数据之间的相似度。在相似度满足预设相似度条件的情况下，确定待检测指标数据为异常数据。
S304，为异常数据生成异常标识。
S305，将异常标识插入数据标识队列。
S306，判断异常标识数量是否大于等于预设异常标识阈值。
若是，则执行S307，否则，返回S301。
S307，生成异常告警信息。
S308，响应于异常告警信息，适应性调整第一预设异常条件。
即适当放宽对异常的检测，更加容易判别待检测指标数据为异常，更加严格判别待检测指标数据为正常。
S309，获取当前的待检测指标数据。
S310，利用至少两个异常检测模型对待检测指标数据的不同数据特征进行检测。
S311，在至少两个异常检测模型的检测结果不满足调整后的第一预设异常条件的情况下，确定待检测指标数据为正常数据。
具体细节与S303类似，为了简洁，在此不做赘述。
S312，为正常数据生成正常标识。
S313，将正常标识插入数据标识队列。
S314，判断正常标识数量是否大于等于预设正常标识阈值。
若是，则执行S315，否则，返回S309。其中，预设异常标识阈值与预设正常标识阈值相同。
S315，生成异常恢复信息。
至此，完成一次告警与恢复的流程。
示例性地，传统异常告警方案与本申请实施例提供的异常告警方法的效果比对，可以参见图4和图5。图4示出了传统异常告警方案的告警效果，图5示出了本申请实施例提供的一种告警效果。在图4、图5中，横坐标为检测时刻，纵坐标为交易笔数，1为正常，0为异常告警，相比于图4的多次告警，图5在三次异常期间均仅产生一条告警信息。此外，随机选取不同种类的待检测指标数据做验证，并在表1对比展示了传统异常告警方案与本申请实施例提供的异常告警方法在3天内的告警数据。
表1
由上可得，本申请实施例能够依靠数据标识队列与告警严进严出的机制，在保证对真实异常及时告警的前提下，能够有效过滤数据瞬时抖动引起的假性异常，同时避免异常持续期间的假性恢复现象而导致的频繁告警，大幅减少告警数量。
基于本申请实施例提供的异常告警方法，本申请实施例还提供了一种异常告警装置，如图6所示，异常告警装置600可以包括：检测模块610、确定模块620、生成模块630。
其中，检测模块610，用于检测待检测指标数据。
确定模块620，用于在检测结果满足第一预设异常条件的情况下，确定待检测指标数据为异常数据。
生成模块630，用于为异常数据生成异常标识，并将异常标识插入数据标识队列，根据数据标识队列生成异常告警信息。
在一个实施例中，生成模块630包括：生成单元，用于在数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息。
在一个实施例中，检测模块610包括：检测单元，用于利用至少两个异常检测模型对待检测指标数据的不同数据特征进行检测。其中，待检测指标数据的数据特征包括如下项中的至少两种：统计特征、趋势特征和回归特征。
在一个实施例中，检测结果包括至少两个异常检测模型的检测结果。
确定模块620包括：分析单元，用于利用投票算法对至少两个异常检测模型的检测结果进行分析。
确定单元，用于在分析结果满足第二预设异常条件的情况下，确定待检测指标数据为异常数据。
在一个实施例中，确定单元具体用于：在分析结果满足第二预设异常条件的情况下，判断待检测指标数据的数据类型。
根据待检测指标数据的数据类型，计算待检测指标数据与参考指标数据之间的相似度。
在相似度满足预设相似度条件的情况下，确定待检测指标数据为异常数据。
在一个实施例中，数据类型包括量值类型或者率值类型。
在一个实施例中，在数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息之后，确定模块620，还用于在检测结果不满足第一预设异常条件的情况下，确定待检测指标数据为正常数据。
生成单元，还用于为正常数据生成正常标识，并将正常标识插入数据标识队列，在数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息。
在一个实施例中，在数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息之后，异常告警装置600还包括：
调整模块，用于响应于异常告警信息，调整第一预设异常条件。
确定模块620，还用于在检测结果不满足调整后的第一预设异常条件的情况下，确定待检测指标数据为正常数据。
生成单元，还用于为正常数据生成正常标识，并将正常标识插入数据标识队列，在数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息。
在一个实施例中，预设异常标识阈值与预设正常标识阈值相同。
可以理解的是，图6所示异常告警装置600中的各个模块/单元具有实现本申请实施例提供的异常告警方法中的各个步骤的功能，并能达到其相应的技术效果，为了简洁，在此不再赘述。
图7是本申请实施例提供的一种异常告警设备的结构示意图。
如图7所示，本实施例中的异常告警设备700包括输入设备701、输入接口702、中央处理器703、存储器704、输出接口705、以及输出设备706。其中，输入接口702、中央处理器703、存储器704、以及输出接口705通过总线710相互连接，输入设备701和输出设备706分别通过输入接口702和输出接口705与总线710连接，进而与异常告警设备700的其他组件连接。
具体地，输入设备701接收来自外部的输入信息，并通过输入接口702将输入信息传送到中央处理器703；中央处理器703基于存储器704中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器704中，然后通过输出接口705将输出信息传送到输出设备706；输出设备706将输出信息输出到异常告警设备700的外部供用户使用。
在一个实施例中，图7所示的异常告警设备700包括：存储器704，用于存储程序；处理器703，用于运行存储器中存储的程序，以实现本申请实施例提供的异常告警方法。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本申请实施例提供的异常告警方法。
需要明确的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，为了简洁，不再赘述。本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (20)
1.一种异常告警方法，其特征在于，所述方法包括：
检测待检测指标数据；
在检测结果满足第一预设异常条件的情况下，确定所述待检测指标数据为异常数据；
为所述异常数据生成异常标识，并将所述异常标识插入数据标识队列，根据所述数据标识队列生成异常告警信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述数据标识队列生成异常告警信息，包括：
在所述数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息。
3.根据权利要求1所述的方法，其特征在于，所述检测待检测指标数据，包括：
利用至少两个异常检测模型对所述待检测指标数据的不同数据特征进行检测，其中，所述待检测指标数据的数据特征包括如下项中的至少两种：统计特征、趋势特征和回归特征。
4.根据权利要求3所述的方法，其特征在于，所述检测结果包括所述至少两个异常检测模型的检测结果；
所述在检测结果满足第一预设异常条件的情况下，确定所述待检测指标数据为异常数据，包括：
利用投票算法对所述至少两个异常检测模型的检测结果进行分析；
在分析结果满足第二预设异常条件的情况下，确定所述待检测指标数据为异常数据。
5.根据权利要求4所述的方法，其特征在于，所述在分析结果满足第二预设异常条件的情况下，确定所述待检测指标数据为异常数据，包括：
在分析结果满足第二预设异常条件的情况下，判断所述待检测指标数据的数据类型；
根据所述待检测指标数据的数据类型，计算所述待检测指标数据与参考指标数据之间的相似度；
在所述相似度满足预设相似度条件的情况下，确定所述待检测指标数据为异常数据。
6.根据权利要求5所述的方法，其特征在于，所述数据类型包括量值类型或者率值类型。
7.根据权利要求2所述的方法，其特征在于，在所述数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息之后，所述方法还包括：
在所述检测结果不满足第一预设异常条件的情况下，确定所述待检测指标数据为正常数据；
为所述正常数据生成正常标识；
将所述正常标识插入所述数据标识队列；
在所述数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息。
8.根据权利要求2所述的方法，其特征在于，在所述数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息之后，所述方法还包括：
响应于所述异常告警信息，调整所述第一预设异常条件；
在所述检测结果不满足调整后的第一预设异常条件的情况下，确定所述待检测指标数据为正常数据；
为所述正常数据生成正常标识；
将所述正常标识插入所述数据标识队列；
在所述数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息。
9.根据权利要求7或8所述的方法，其特征在于，所述预设异常标识阈值与所述预设正常标识阈值相同。
10.一种异常告警装置，其特征在于，所述装置包括：
检测模块，用于检测待检测指标数据；
确定模块，用于在检测结果满足第一预设异常条件的情况下，确定所述待检测指标数据为异常数据；
生成模块，用于为所述异常数据生成异常标识，并将所述异常标识插入数据标识队列，根据所述数据标识队列生成异常告警信息。
11.根据权利要求10所述的装置，其特征在于，所述生成模块包括：
生成单元，用于在所述数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息。
12.根据权利要求10所述的装置，其特征在于，所述检测模块包括：
检测单元，用于利用至少两个异常检测模型对所述待检测指标数据的不同数据特征进行检测，其中，所述待检测指标数据的数据特征包括如下项中的至少两种：统计特征、趋势特征和回归特征。
13.根据权利要求12所述的装置，其特征在于，所述检测结果包括所述至少两个异常检测模型的检测结果；
所述确定模块包括：
分析单元，用于利用投票算法对所述至少两个异常检测模型的检测结果进行分析；
确定单元，用于在分析结果满足第二预设异常条件的情况下，确定所述待检测指标数据为异常数据。
14.根据权利要求13所述的装置，其特征在于，所述确定单元具体用于：
在分析结果满足第二预设异常条件的情况下，判断所述待检测指标数据的数据类型；
根据所述待检测指标数据的数据类型，计算所述待检测指标数据与参考指标数据之间的相似度；
在所述相似度满足预设相似度条件的情况下，确定所述待检测指标数据为异常数据。
15.根据权利要求14所述的装置，其特征在于，所述数据类型包括量值类型或者率值类型。
16.根据权利要求11所述的装置，其特征在于，在所述数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息之后，所述确定模块，还用于在所述检测结果不满足第一预设异常条件的情况下，确定所述待检测指标数据为正常数据；
所述生成单元，还用于为所述正常数据生成正常标识，并将所述正常标识插入所述数据标识队列，在所述数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息。
17.根据权利要求11所述的装置，其特征在于，在所述数据标识队列中的异常标识数量大于或等于预设异常标识阈值的情况下，生成异常告警信息之后，所述装置还包括：
调整模块，用于响应于所述异常告警信息，调整所述第一预设异常条件；
所述确定模块，还用于在所述检测结果不满足调整后的第一预设异常条件的情况下，确定所述待检测指标数据为正常数据；
所述生成单元，还用于为所述正常数据生成正常标识，并将所述正常标识插入所述数据标识队列，在所述数据标识队列中的正常标识数量大于或等于预设正常标识阈值的情况下，生成异常恢复信息。
18.根据权利要求16或17所述的装置，其特征在于，所述预设异常标识阈值与所述预设正常标识阈值相同。
19.一种异常告警设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如权利要求1-9任意一项所述的异常告警方法。
20.一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指令，所述计算机程序指令被处理器执行时实现如权利要求1-9任意一项所述的异常告警方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011054394.0A CN112231174B (zh) | 2020-09-30 | 2020-09-30 | 异常告警方法、装置、设备及存储介质 |
| PCT/CN2021/117388 WO2022068549A1 (zh) | 2020-09-30 | 2021-09-09 | 异常告警方法、装置、设备及存储介质 |
| TW110136347A TWI819385B (zh) | 2020-09-30 | 2021-09-29 | 異常告警方法、裝置、設備及存儲介質 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011054394.0A CN112231174B (zh) | 2020-09-30 | 2020-09-30 | 异常告警方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112231174A true CN112231174A (zh) | 2021-01-15 |
| CN112231174B CN112231174B (zh) | 2024-02-23 |
Family
ID=74119627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011054394.0A Active CN112231174B (zh) | 2020-09-30 | 2020-09-30 | 异常告警方法、装置、设备及存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN112231174B (zh) |
| TW (1) | TWI819385B (zh) |
| WO (1) | WO2022068549A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570000A (zh) * | 2021-09-08 | 2021-10-29 | 南开大学 | 一种基于多模型融合的海洋单要素观测质量控制方法 |
| CN114024831A (zh) * | 2021-11-08 | 2022-02-08 | 中国工商银行股份有限公司 | 一种异常事件预警方法、装置和系统 |
| WO2022068549A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国银联股份有限公司 | 异常告警方法、装置、设备及存储介质 |
| CN114595086A (zh) * | 2022-02-08 | 2022-06-07 | 联想(北京)有限公司 | 一种异常检测方法、装置、设备及存储介质 |
| CN115087000A (zh) * | 2021-03-03 | 2022-09-20 | 阿里巴巴新加坡控股有限公司 | 故障确定方法及装置、非易失性存储介质、计算机终端 |
| CN116599861A (zh) * | 2023-07-18 | 2023-08-15 | 海马云（天津）信息技术有限公司 | 检测云服务异常的方法、服务器设备和存储介质 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115277491B (zh) * | 2022-06-15 | 2023-06-06 | 中国联合网络通信集团有限公司 | 异常数据的确定方法、装置及计算机可读存储介质 |
| CN115412326A (zh) * | 2022-08-23 | 2022-11-29 | 天翼安全科技有限公司 | 一种异常流量检测方法、装置、电子设备及存储介质 |
| CN115436834B (zh) * | 2022-08-29 | 2024-09-24 | 中科国微科技(深圳)有限公司 | 一种嵌入式电源异常检测方法及系统 |
| CN115426287B (zh) * | 2022-09-06 | 2024-03-26 | 中国农业银行股份有限公司 | 一种系统监控和优化方法、装置、电子设备及介质 |
| CN115484179B (zh) * | 2022-09-16 | 2024-04-16 | 杭州极能科技有限公司 | 一种设备告警数据防抖方法 |
| CN115942155B (zh) * | 2023-01-30 | 2023-07-11 | 通号通信信息集团有限公司 | 设备监控方法、装置和系统 |
| CN115878496A (zh) * | 2023-02-16 | 2023-03-31 | 中国铁塔股份有限公司 | 一种算法能力测试方法及装置 |
| CN116778688B (zh) * | 2023-08-18 | 2023-11-10 | 深圳市宝腾互联科技有限公司 | 机房告警事件处理方法、装置、设备及存储介质 |
| CN116881097B (zh) * | 2023-09-08 | 2023-11-24 | 国网思极网安科技（北京）有限公司 | 用户终端告警方法、装置、电子设备和计算机可读介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019012726A1 (en) * | 2017-07-14 | 2019-01-17 | Kabushiki Kaisha Toshiba | ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD, AND NON-TRANSIENT COMPUTER READABLE MEDIUM |
| CN110083508A (zh) * | 2019-04-30 | 2019-08-02 | 中国银联股份有限公司 | 一种数据监控方法及装置 |
| CN110134385A (zh) * | 2019-05-17 | 2019-08-16 | 中国农业银行股份有限公司 | 记录c语言函数调用链的方法及c语言通用日志框架 |
| CN110727533A (zh) * | 2019-09-26 | 2020-01-24 | 华青融天(北京)软件股份有限公司 | 一种告警的方法、装置、设备和介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365755A (zh) * | 2012-03-27 | 2013-10-23 | 台达电子工业股份有限公司 | 云端系统的主机监控及异常处理方法 |
| US10241847B2 (en) * | 2016-07-19 | 2019-03-26 | 2236008 Ontario Inc. | Anomaly detection using sequences of system calls |
| TWI621013B (zh) * | 2017-03-22 | 2018-04-11 | 廣達電腦股份有限公司 | 監控服務設備之系統 |
| CN111400294B (zh) * | 2020-03-12 | 2023-08-01 | 时时同云科技(成都)有限责任公司 | 数据异常监测方法、装置及系统 |
| CN112231174B (zh) * | 2020-09-30 | 2024-02-23 | 中国银联股份有限公司 | 异常告警方法、装置、设备及存储介质 |
-
2020
- 2020-09-30 CN CN202011054394.0A patent/CN112231174B/zh active Active
-
2021
- 2021-09-09 WO PCT/CN2021/117388 patent/WO2022068549A1/zh active Application Filing
- 2021-09-29 TW TW110136347A patent/TWI819385B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019012726A1 (en) * | 2017-07-14 | 2019-01-17 | Kabushiki Kaisha Toshiba | ANOMALY DETECTION DEVICE, ANOMALY DETECTION METHOD, AND NON-TRANSIENT COMPUTER READABLE MEDIUM |
| CN110083508A (zh) * | 2019-04-30 | 2019-08-02 | 中国银联股份有限公司 | 一种数据监控方法及装置 |
| CN110134385A (zh) * | 2019-05-17 | 2019-08-16 | 中国农业银行股份有限公司 | 记录c语言函数调用链的方法及c语言通用日志框架 |
| CN110727533A (zh) * | 2019-09-26 | 2020-01-24 | 华青融天(北京)软件股份有限公司 | 一种告警的方法、装置、设备和介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022068549A1 (zh) * | 2020-09-30 | 2022-04-07 | 中国银联股份有限公司 | 异常告警方法、装置、设备及存储介质 |
| CN115087000A (zh) * | 2021-03-03 | 2022-09-20 | 阿里巴巴新加坡控股有限公司 | 故障确定方法及装置、非易失性存储介质、计算机终端 |
| CN113570000A (zh) * | 2021-09-08 | 2021-10-29 | 南开大学 | 一种基于多模型融合的海洋单要素观测质量控制方法 |
| CN114024831A (zh) * | 2021-11-08 | 2022-02-08 | 中国工商银行股份有限公司 | 一种异常事件预警方法、装置和系统 |
| CN114024831B (zh) * | 2021-11-08 | 2024-01-26 | 中国工商银行股份有限公司 | 一种异常事件预警方法、装置和系统 |
| CN114595086A (zh) * | 2022-02-08 | 2022-06-07 | 联想(北京)有限公司 | 一种异常检测方法、装置、设备及存储介质 |
| CN116599861A (zh) * | 2023-07-18 | 2023-08-15 | 海马云（天津）信息技术有限公司 | 检测云服务异常的方法、服务器设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022068549A1 (zh) | 2022-04-07 |
| CN112231174B (zh) | 2024-02-23 |
| TWI819385B (zh) | 2023-10-21 |
| TW202215243A (zh) | 2022-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112231174B (zh) | 异常告警方法、装置、设备及存储介质 | |
| US10192170B2 (en) | System and methods for automated plant asset failure detection | |
| US7702485B2 (en) | Method and apparatus for predicting remaining useful life for a computer system | |
| US8275735B2 (en) | Diagnostic system | |
| CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
| US8751414B2 (en) | Identifying abnormalities in resource usage | |
| CN110928718A (zh) | 一种基于关联分析的异常处理方法、系统、终端及介质 | |
| CN113518011A (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| JP6052278B2 (ja) | 動作判定装置、動作判定システムおよび動作判定方法 | |
| CN112148768A (zh) | 一种指标时间序列异常检测方法、系统及存储介质 | |
| WO2021199160A1 (ja) | 情報処理装置、情報処理方法、記録媒体、情報処理システム | |
| CN118094450B (zh) | 一种故障预警方法及相关设备 | |
| CN116126642A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN114844762A (zh) | 告警真实性检测方法和装置 | |
| CN114095271A (zh) | 通信总线检测方法、装置、电子设备和存储介质 | |
| CN111371633A (zh) | 物联网卡使用异常的检测方法、装置、设备和介质 | |
| CN110458713B (zh) | 模型监控方法、装置、计算机设备及存储介质 | |
| CN112380073A (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
| CN112685390B (zh) | 数据库实例管理方法及装置、计算设备 | |
| JP2007164346A (ja) | 決定木変更方法、異常性判定方法およびプログラム | |
| CN106156470B (zh) | 一种时间序列异常检测标注方法及系统 | |
| CN115315711A (zh) | 机器学习装置、学习模型的生成方法及程序 | |
| CN112765044A (zh) | 异常数据检测方法、装置、设备及存储介质 |
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 |