CN112527608A - 一种告警方法、装置及计算机设备 - Google Patents
一种告警方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112527608A CN112527608A CN202011462131.3A CN202011462131A CN112527608A CN 112527608 A CN112527608 A CN 112527608A CN 202011462131 A CN202011462131 A CN 202011462131A CN 112527608 A CN112527608 A CN 112527608A
- Authority
- CN
- China
- Prior art keywords
- data
- actual data
- current
- determining
- historical actual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000009499 grossing Methods 0.000 claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 53
- 239000006185 dispersion Substances 0.000 claims description 47
- 230000015654 memory Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 10
- 230000001932 seasonal effect Effects 0.000 description 6
- 230000037396 body weight Effects 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method 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
- G06F11/32—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种告警方法、装置及计算机设备,其中,该方法包括如下步骤:获取预设的历史实际数据,并根据所述历史实际数据确定预设的指数平滑算法中的平滑参数;基于所述平滑参数和所述历史实际数据利用所述指数平滑算法确定当前预测数据;根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警。本发明通过历史数据和算法做自动学习预测和预警,不涉及具体业务规则的配置,只需要在应用层面收集此应用的日志即可,减少了误报或者漏报,提高了告警准确性和业务系统的安全性。
Description
技术领域
本发明涉及监控技术领域,具体涉及一种告警方法、装置及计算机设备。
背景技术
服务的高可用性离不开监控。如果服务出现了问题,作为研发人员能够第一时间发现问题并修复上线是最好的业务止损方法。因此,对于研发人员而言,第一时间发现问题至关重要。
相关技术中,报警规则的配置通常依赖于研发人员的主观经验,配置一条可用规则需要多次实践,当有新的业务场景或新的业务系统接入时,开发人员需要依据新的数据调整规则,当业务报警规则的变更或者配置方法出现问题时,会造成误报或者漏报,造成业务系统不安全。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中开发人员根据经验配置业务报警规则可能造成误报或者漏报,业务系统不安全的缺陷,从而提供一种告警方法、装置及计算机设备。
根据第一方面,本发明实施例公开了一种告警方法,包括如下步骤:获取预设的历史实际数据,并根据所述历史实际数据确定预设的指数平滑算法中的平滑参数;基于所述平滑参数和所述历史实际数据利用所述指数平滑算法确定当前预测数据;根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警。
可选地,所述根据所述历史实际数据确定预设的指数平滑算法中的平滑参数包括:根据所述历史实际数据利用预设的梯度下降算法确定预设的指数平滑算法中的平滑参数。
可选地,所述根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警包括:根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的离散度;当所述离散度大于预设的离散度阈值时,进行告警。
可选地,根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的离散度包括:计算所述历史实际数据的第一标准差;计算所述历史实际数据的平均值;根据所述平均值和所述当前实际数据计算第二标准差;根据所述第二标准差和所述第一标准差的差值确定所述当前预测数据的离散度。
可选地,所述当所述离散度大于预设的离散度阈值时,进行告警,包括:当所述离散度大于预设的离散度阈值时,根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的相对偏差;根据所述相对偏差进行告警。
可选地,根据所述相对偏差进行告警包括:确定所述当前预测数据所处的区间范围;根据所述区间范围确定与所述当前预测数据相对应的告警阈值;当所述相对偏差大于所述告警阈值时进行告警。
可选地,根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的相对偏差包括:计算所述当前预测数据与所述当前实际数据的差值;计算所述历史实际数据的平均值;根据所述差值和所述平均值得到所述当前预测数据的相对偏差。
根据第二方面,本发明实施例还公开了一种告警装置,包括:获取模块,用于获取预设的历史实际数据,并根据所述历史实际数据确定预设的指数平滑算法中的平滑参数;当前预测数据确定模块,用于基于所述平滑参数和所述历史实际数据利用所述指数平滑算法确定当前预测数据;告警模块,用于根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警。
根据第三方面,本发明实施例还公开了一种计算机设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如第一方面或第一方面任一可选实施方式所述的告警方法的步骤。
根据第四方面,本发明实施例还公开了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或第一方面任一可选实施方式所述的告警方法的步骤。
本发明技术方案,具有如下优点:
本发明提供的告警方法及装置,获取预设的历史实际数据,并根据历史实际数据确定预设的指数平滑算法中的平滑参数;基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据;根据当前预测数据、历史实际数据以及当前实际数据进行告警。本发明通过历史数据和算法做自动学习预测和预警,不涉及具体业务规则的配置,只需要在应用层面收集此应用的日志即可,减少了误报或者漏报,提高了告警准确性和业务系统的安全性。
附图说明
为了更清楚地说明本发明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发明的一些实施方式,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为本发明实施例中告警方法的一个具体示例的流程图;
图2为本发明实施例中告警系统整体框架图;
图3为本发明实施例中根据三次指数平滑算法得到的预测值与实际值比较的一个具体示例图;
图4为本发明实施例中告警装置的一个具体示例的原理框图;
图5为本发明实施例中计算机设备的一个具体示例图。
具体实施方式
下面将结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明的描述中,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发明和简化描述,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发明的限制。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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例公开了一种告警方法,如图1所示,包括如下步骤:
S11:获取预设的历史实际数据,并根据历史实际数据确定预设的指数平滑算法中的平滑参数。
示例性地,该预设的历史实际数据可以为过去一段时间每天的某段时间的历史实际数据,例如,过去7天每天的12点-14点的历史实际数据。如图2所示,该历史实际数据为具体业务系统的数据,包括终端运行数据、服务集群数据、网关数据以及数据库和缓存数据等。本发明实施例对该预设的历史实际数据、历史实际数据的内容不做具体限定,本领域技术人员可以根据实际情况设定。
如图2所示,通过实时采集各个业务系统(终端、路由网关、数据库、服务及群以及缓存器等)的日志(例如,Nginx日志、数据库的binlog日志),发送到开源流处理平台Kafka,然后通过自定义FlinkJob做实时数据处理,将数据处理好之后,序列化到我们的时序数据库Prometheus。本发明实施例通过代理采集日志的方式采集数据,业务系统无感知,无须业务人员参与制定和修改业务规则。然后查询器通过无线网络或有线网络的方法定时从时序数据库Prometheus读取。通过定时获取数据分析,在业务异常发生之后,迅速感知和作出响应。本发明实施例对该预设的历史实际数据不作具体限定,本领域技术人员可以根据实际情况设定。
基于已有的历史实际数据预测当前或之后的数据时,离预测点越近的点,对预测结果的影响越大。例如,预测一个人的体重,去年的体重是60Kg,今天的体重是50kg,要预测明天的体重,显然今天的体重影响更大。假设随着时间变化权重以指数方式下降,例如,最近数据的权重为0.8,以前的数据依次为0.82、0.83……0.8n,最终年代久远的数据的权重接近于0。指数平滑算法的思想就是权重以指数进行变化。指数平滑可以包括:针对没有趋势变化和季节性数据的一次指数平滑法、针对有趋势变化但没有季节性数据的二次指数平滑法以及针对有趋势变化也有季节性数据的三次指数平滑法。
预设的指数平滑算法可以为一次指数平滑法,也可以为三次指数平滑法,本发明实施例对该预设的指数平滑算法不作具体限定,本领域技术人员可以根据实际数据确定。
在本发明实施例中,根据历史实际数据确定预设的指数平滑算法中的平滑参数可以为根据历史实际数据以及经验确定,也可以根据预设的梯度下降法计算确定,本发明实施例对该平滑参数的确定方法不作具体限定,本领域技术人员可以根据实际情况设定。
S12:基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据。
示例性地,如图2所示,当查询器采集到预设的历史实际数据后,预测器根据这些历史实际数据采用指数平滑算法计算当前预测数据。
当指数平滑算法为一次指数平滑算法时,基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据具体可以为:
Si=αXi+(1-α)Si-1
其中,α是平滑参数,α越接近1,平滑后的当前预测值越接近当前时间的数据值,数据越不平滑;α越接近0,平滑后的当前预测值越接近前i个数据的预测值,数据越平滑;Si是前i个数据平滑后的当前预测数据,取值为[0,1];Si-1是前i-1个数据平滑后的上一个预测数据,取值为[0,1];Xi为历史实际数据。
当指数平滑算法为三次指数平滑算法时,确定当前预测数据时可以采用累加三次指数平滑算法,也可以采用累乘三次指数平滑算法,本发明实施例对该三次指数平滑算法不作具体限定,本领域技术人员可以根据实际情况设定。
当季节性变化在历史实际数据中大致保持不变时,通常采用累加的三次指数平滑算法,基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据具体可以为:
Si=α(Xi-Pi-k)+(1-α)(Si-1+Ti-1)
Ti=β(Si-Si-1)+(1-β)Ti-1
Pi=γ(Xi-Si)+(1-γ)Pi-k
累加三次指数平滑的预测方程为:Xi+h=Si+hTi+Pi-k+(h mod k)。
当季节变化与历史实际数据成比例变化时,通常采用累加的三次指数平滑算法,基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据具体可以为:
Si=αXi/Pi-k+(1-α)(Si-1+Ti-1)
Ti=β(Si-Si-1)+(1-β)Ti-1
Pi=γXi/Si+(1-γ)Pi-k
累乘三次指数平滑的预测公式为:Xi+h=(Si+hTi)Pi-k+(h mod k)。
其中,α、β、γ是平滑参数;Si是前i个数据平滑后的当前预测数据,取值为[0,1];Si-1是前i-1个数据平滑后的上一个预测数据,取值为[0,1];Xi为历史实际数据;Ti为趋势分量;Pi为季节性分量;k为预测周期,可以根据实际情况提前设定;h表示第几个预测数据;mod指的是h除以k取余。
S13:根据当前预测数据、历史实际数据以及当前实际数据进行告警。
示例性地,根据当前预测数据、历史实际数据以及当前实际数据进行告警可以为根据当前预测数据与当前实际数据的差值以及当前实际数据与历史实际数据的差值是否均满足预设范围进行告警;也可以先根据当前预测数据、历史实际数据以及当前实际数据确定当前预测数据的离散度,然后根据离散度是否大于预设的离散度阈值进行告警,本发明实施例对告警方法不作具体限定,本发明实施例对该告警方法不作具体限定,本领域技术人员可以根据实际情况设定。
如图2所示,告警器可以是蜂鸣器,也可以是闪烁灯,发出告警的方式可以是发出蜂鸣声或者发出特定颜色/频率的光以提示工作人员及时知晓,本实施例对告警器的类型以及告警方式均不作限定,本领域技术人员可以根据实际需要确定。
本发明提供的告警方法,获取预设的历史实际数据,并根据历史实际数据确定预设的指数平滑算法中的平滑参数;基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据;根据当前预测数据、历史实际数据以及当前实际数据进行告警。本发明通过历史数据和算法做自动学习预测和预警,不涉及具体业务规则的配置,只需要在应用层面收集此应用的日志即可,减少了误报或者漏报,提高了告警准确性和业务系统的安全性。
作为本发明实施例一个可选实施方式,上述步骤S11包括:
根据历史实际数据利用预设的梯度下降算法确定预设的指数平滑算法中的平滑参数。
示例性地,梯度下降法指的是对于一个可微分的函数,找到这个可微分函数的最小值,即找到给定点的梯度,然后朝着梯度相反的方向,就能让函数值下降的最快。重复利用这个方法,反复求取梯度,最后就能到达最小值。通过这种梯度下降法我们可以获取到平滑指数的最优解。
在梯度下降法中,包括如下概念:
步长:步长决定了在梯度下降迭代的过程中,每一步沿梯度负方向前进的长度,数值越小越精确。本发明实施例中将步长设置为0.01;
特征值:样本数据,在本发明实施例中指的是预设的历史实际数据。
假设函数:一般使用与预设的指数平滑算法一致的函数,在本发明实施例中,为了简化计算,使用了一次指数平滑法。
损失函数:为了评估模型拟合的好坏,通常用损失函数来度量拟合的程度。损失函数极小化,意味着拟合程度最好,对应的模型参数即为最优参数。本发明实施例中将损失函数设置为0.00000001。
具体地,可通过如下公式计算平滑参数:
以假设函数为一次指数平滑法为例进行描述,具体方法如下:
第一个预测值:S1i=αXi-1+(1-α)S1i-1,其中,Xi为历史实际数据;α为平滑参数;S1i为第一个当前预测数据预测值;S1i-1为第一个上一预测数据;
第二个预测值:S2i=αS1i+(1-α)S2i-1,其中,S2i为第二个当前预测数据预测值;S2i-1为第二个上一预测数据;
第一个预测值的偏差:S1’i=Xi-S1i;
第二个预测值的偏差:S2’i=S1i+α*S1’i-S2i-1+(1-α);
α=α-η*((S2i-Xi)*S2’i)
通过此公式反复计算,当计算出的α值小于损失函数时,我们认为得到最优平滑参数。本发明实施例通过梯度下降法计算得到的平滑参数更加准确,提高预测值的准确性。
作为本发明实施例一个可选实施方式,上述步骤S13包括:
首先,根据当前预测数据、历史实际数据以及当前实际数据确定当前预测数据的离散度。
示例性地,如图2所示,计算得到当前预测数据后,比较器通过当前预测数据和历史实际数据的相关参数(例如,离散度、相对偏差等)与预设阈值比较,确定是否要进行告警。
根据当前预测数据、历史实际数据和当前实际数据确定当前预测数据的离散度具体可以为:先利用标准差计算公式计算历史实际数据的第一标准差,再利用平均值计算公式计算历史实际数据的平均值,然后根据平均值和当前实际数据计算第二标准差,最后根据第二标准差和第一标准差的差值确定当前预测数据的离散度。
其次,当离散度大于预设的离散度阈值时,进行告警。
示例性地,该预设的离散度阈值为0,当离散度大于0时,发出相应的告警信号,当离散度小于或等于0时,不做告警。本发明实施例对该预设的离散度阈值不作具体限定,本领域技术人员可以根据实际情况自行设定。
作为本发明实施例一个可选实施方式,上述当离散度大于预设的离散度阈值时,进行告警,包括:
首先,当离散度大于预设的离散度阈值时,根据当前预测数据、历史实际数据以及当前实际数据确定当前预测数据的相对偏差。
示例性地,根据当前预测数据、历史实际数据以及当前实际数据确定当前预测数据的相对偏差具体可以为:先计算当前预测数据与当前实际数据的差值,然后利用平均值公式计算历史实际数据的平均值,根据差值和平均值的比值得到当前预测数据的相对偏差。
其次,根据相对偏差进行告警。
示例性地,根据相对偏差进行告警具体可以为:先确定当前预测数据所处的区间范围,然后根据区间范围确定与当前预测数据相对应的告警阈值,当相对偏差大于告警阈值时进行告警。
本发明实施例设置的当前预测数据以及对应的告警阈值范围如下:
1.当当前预测数据的区间范围为:当前预测数据<0.1时,告警阈值设置为400%,当相对偏差>400%时,发出告警信息;
2.当当前预测数据的区间范围为:0.1<当前预测数据<1时,告警阈值设置为300%,当相对偏差>300%,发出告警信息;
3.当当前预测数据的区间范围为:1<当前预测数据预测值<10时,告警阈值设置为200%,当相对偏差>200%,发出告警信息;
4.当当前预测数据的区间范围为:10<当前预测数据<100时,告警阈值设置为100%,当相对偏差>100%,发出告警信息;
5.当当前预测数据的区间范围为:100<当前预测数据<1000时,告警阈值设置为80%,当相对偏差>80%,发出告警信息;
6.当当前预测数据的区间范围为:1000<当前预测数据<5000时,告警阈值设置为50%,当相对偏差>50%,发出告警信息;
7.其他,告警阈值设置为20%,当相对偏差>20%,发出告警信息。
需要说明的是,上述当前预测数据的区间范围以及区间范围对应的告警阈值的设置均仅仅为示例,本发明实施例对该区间范围以及区间范围对应的告警阈值均不作具体限定,本领域技术人员可以根据实际情况设定。
本发明实施例通过在离散度大于预设的离散度阈值时进一步根据相对偏差确定是否要进行告警,提高告警准确性。
本发明实施例通过使用分段函数,对不同量级的当前预测数据做不同的告警阈值设置,进一步提高了告警准确性。
为了检验本发明方法的效果,将实际数据和预测数据仿真进行对比分析,结果如图3所示。其中,细线表示通过三次指数平滑算法确定平滑指数进而确定预测数据,粗线表示实际数据,结果显示,预测数据接近实际数据,预测效果好,告警准确性高。
本发明实施例还公开了一种告警装置,如图4所示,包括:
获取模块21,用于获取预设的历史实际数据,并根据历史实际数据确定预设的指数平滑算法中的平滑参数;具体实现方式见上述实施例中步骤S11的相关描述,在此不再赘述。
当前预测数据确定模块22,用于基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据;具体实现方式见上述实施例中步骤S12的相关描述,在此不再赘述。
告警模块23,用于根据当前预测数据、历史实际数据以及当前实际数据进行告警。具体实现方式见上述实施例中步骤S13的相关描述,在此不再赘述。
本发明提供的告警装置,获取预设的历史实际数据,并根据历史实际数据确定预设的指数平滑算法中的平滑参数;基于平滑参数和历史实际数据利用指数平滑算法确定当前预测数据;根据当前预测数据、历史实际数据以及当前实际数据进行告警。本发明通过历史数据和算法做自动学习预测和预警,不涉及具体业务规则的配置,只需要在应用层面收集此应用的日志即可,减少了误报或者漏报,提高了告警准确性和业务系统的安全性。
作为本发明实施例一个可选实施方式,上述获取模块21包括:
平滑参数确定模块,用于根据历史实际数据利用预设的梯度下降算法确定预设的指数平滑算法中的平滑参数。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
作为本发明实施例一个可选实施方式,上述告警模块23包括:
离散度确定模块,用于根据当前预测数据、历史实际数据以及当前实际数据确定当前预测数据的离散度。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
告警子模块,用于当离散度大于预设的离散度阈值时,进行告警。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
作为本发明实施例一个可选实施方式,上述离散度确定模块包括:
第一计算模块,用于计算历史实际数据的第一标准差。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
第二计算模块,用于计算历史实际数据的平均值。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
第三计算模块,用于根据平均值和当前实际数据计算第二标准差;具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
离散度确定子模块,用于根据第二标准差和第一标准差的差值确定当前预测数据的离散度。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
作为本发明实施例一个可选实施方式,告警子模块包括:
相对偏差确定模块,用于当离散度大于预设的离散度阈值时,根据当前预测数据、历史实际数据以及当前实际数据确定当前预测数据的相对偏差。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
第一告警子单元,用于根据相对偏差进行告警。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
作为本发明实施例一个可选实施方式,上述第一告警子单元包括:
区间范围确定模块,用于确定当前预测数据所处的区间范围。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
告警阈值确定模块,用于根据区间范围确定与当前预测数据相对应的告警阈值。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
第二告警子单元,用于当相对偏差大于告警阈值时进行告警。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
作为本发明实施例一个可选实施方式,上述相对偏差确定模块包括:
第四计算模块,用于计算当前预测数据与当前实际数据的差值。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
第五计算模块,用于计算历史实际数据的平均值。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
相对偏差确定子模块,用于根据差值和平均值得到当前预测数据的相对偏差。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
本发明实施例还提供了一种计算机设备,如图5所示,该计算机设备可以包括处理器31和存储器32,其中处理器31和存储器32可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit,CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器32作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的告警方法对应的程序指令/模块(例如,图4所示的获取模块21、当前预测数据确定模块22和告警模块)。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的告警方法。
存储器32可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器31所创建的数据等。此外,存储器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处理器31远程设置的存储器,这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器32中,当被所述处理器31执行时,执行如图1所示实施例中的告警方法。
上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种告警方法,其特征在于,包括如下步骤:
获取预设的历史实际数据,并根据所述历史实际数据确定预设的指数平滑算法中的平滑参数;
基于所述平滑参数和所述历史实际数据利用所述指数平滑算法确定当前预测数据;
根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史实际数据确定预设的指数平滑算法中的平滑参数包括:
根据所述历史实际数据利用预设的梯度下降算法确定预设的指数平滑算法中的平滑参数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警包括:
根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的离散度;
当所述离散度大于预设的离散度阈值时,进行告警。
4.根据权利要求3所述的方法,其特征在于,根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的离散度包括:
计算所述历史实际数据的第一标准差;
计算所述历史实际数据的平均值;
根据所述平均值和所述当前实际数据计算第二标准差;
根据所述第二标准差和所述第一标准差的差值确定所述当前预测数据的离散度。
5.根据权利要求3或4所述的方法,其特征在于,所述当所述离散度大于预设的离散度阈值时,进行告警,包括:
当所述离散度大于预设的离散度阈值时,根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的相对偏差;
根据所述相对偏差进行告警。
6.根据权利要求5所述的方法,其特征在于,根据所述相对偏差进行告警包括:
确定所述当前预测数据所处的区间范围;
根据所述区间范围确定与所述当前预测数据相对应的告警阈值;
当所述相对偏差大于所述告警阈值时进行告警。
7.根据权利要求5所述的方法,其特征在于,根据所述当前预测数据、所述历史实际数据以及当前实际数据确定所述当前预测数据的相对偏差包括:
计算所述当前预测数据与所述当前实际数据的差值;
计算所述历史实际数据的平均值;
根据所述差值和所述平均值得到所述当前预测数据的相对偏差。
8.一种告警装置,其特征在于,包括:
获取模块,用于获取预设的历史实际数据,并根据所述历史实际数据确定预设的指数平滑算法中的平滑参数;
当前预测数据确定模块,用于基于所述平滑参数和所述历史实际数据利用所述指数平滑算法确定当前预测数据;
告警模块,用于根据所述当前预测数据、所述历史实际数据以及当前实际数据进行告警。
9.一种计算机设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1-7任一所述的告警方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的告警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462131.3A CN112527608A (zh) | 2020-12-10 | 2020-12-10 | 一种告警方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011462131.3A CN112527608A (zh) | 2020-12-10 | 2020-12-10 | 一种告警方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112527608A true CN112527608A (zh) | 2021-03-19 |
Family
ID=74999311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011462131.3A Pending CN112527608A (zh) | 2020-12-10 | 2020-12-10 | 一种告警方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112527608A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113514148A (zh) * | 2021-07-09 | 2021-10-19 | 西安因联信息科技有限公司 | 基于低延迟数据平滑的设备振动预警方法及系统 |
CN115802199A (zh) * | 2022-10-26 | 2023-03-14 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122880A (zh) * | 2017-03-06 | 2017-09-01 | 国家电网公司 | 一种基于指数平滑法的电力设备告警信息趋势预测方法 |
CN109446017A (zh) * | 2018-09-03 | 2019-03-08 | 平安科技(深圳)有限公司 | 一种告警算法生成方法、监控系统及终端设备 |
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 |
US20190370610A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
CN110888788A (zh) * | 2019-10-16 | 2020-03-17 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及系统 |
CN111800807A (zh) * | 2019-04-08 | 2020-10-20 | 中移(苏州)软件技术有限公司 | 一种基站用户数量告警的方法及装置 |
-
2020
- 2020-12-10 CN CN202011462131.3A patent/CN112527608A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122880A (zh) * | 2017-03-06 | 2017-09-01 | 国家电网公司 | 一种基于指数平滑法的电力设备告警信息趋势预测方法 |
US20190370610A1 (en) * | 2018-05-29 | 2019-12-05 | Microsoft Technology Licensing, Llc | Data anomaly detection |
CN109446017A (zh) * | 2018-09-03 | 2019-03-08 | 平安科技(深圳)有限公司 | 一种告警算法生成方法、监控系统及终端设备 |
CN111800807A (zh) * | 2019-04-08 | 2020-10-20 | 中移(苏州)软件技术有限公司 | 一种基站用户数量告警的方法及装置 |
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 |
CN110888788A (zh) * | 2019-10-16 | 2020-03-17 | 平安科技(深圳)有限公司 | 异常检测方法、装置、计算机设备及存储介质 |
CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113514148A (zh) * | 2021-07-09 | 2021-10-19 | 西安因联信息科技有限公司 | 基于低延迟数据平滑的设备振动预警方法及系统 |
CN115802199A (zh) * | 2022-10-26 | 2023-03-14 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
CN115802199B (zh) * | 2022-10-26 | 2023-09-22 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110191094B (zh) | 异常数据的监控方法及装置、存储介质、终端 | |
CN109495502B (zh) | 一种工控网络安全健康指数评估方法和装置 | |
WO2021115116A1 (zh) | 一种性能指标的预警方法、装置、设备及存储介质 | |
JP4882469B2 (ja) | 気象予測プログラム、気象予測装置および気象予測方法 | |
CN105956734B (zh) | 动态设置it设备的性能的指标阈值的方法及系统 | |
CN112527608A (zh) | 一种告警方法、装置及计算机设备 | |
US9332362B2 (en) | Acoustic diagnosis and correction system | |
CN110445680B (zh) | 网络流量异常检测方法、装置及服务器 | |
CN110890998B (zh) | 一种确定阈值的方法及装置 | |
US20230203753A1 (en) | Method and apparatus for anomaly detection on a doctor blade of a papermaking machine, and computing device | |
WO2022213565A1 (zh) | 一种人工智能模型预测结果的复审方法及装置 | |
CN112733588A (zh) | 机器运行状态检测方法、装置及电子设备 | |
CN110781220A (zh) | 故障预警方法、装置、存储介质和电子设备 | |
CN115794532A (zh) | 多指标智能动态阈值监控方法及系统 | |
CN116701130A (zh) | 基于指标画像的动态基线优化方法、装置及电子设备 | |
WO2020233021A1 (zh) | 基于智能决策的测试结果分析方法及相关装置 | |
CN114285612B (zh) | 一种异常数据检测的方法、系统、装置、设备及介质 | |
CN110941558A (zh) | 一种智慧办公远程运维的方法及系统 | |
CN109712708B (zh) | 一种基于数据挖掘的健康状况预测方法及装置 | |
CN113008591B (zh) | 一种基于物联网的设备全生命周期监测方法及系统 | |
CN108445856B (zh) | 梁片生产工序监控方法、装置、管理系统及储存介质 | |
CN115231668A (zh) | 一种多维融合自动化药物投加方法、装置与设备 | |
CN114511115A (zh) | 一种机房空调性能评估方法及装置 | |
CN113807209A (zh) | 车位检测方法、装置、电子设备及存储介质 | |
CN111191900A (zh) | 公共交通出行服务车头时距和可靠性价值评估方法和装置 |
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 |