CN113052272B - 一种异常检测方法、装置、电子设备及存储介质 - Google Patents
一种异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113052272B CN113052272B CN202110603501.9A CN202110603501A CN113052272B CN 113052272 B CN113052272 B CN 113052272B CN 202110603501 A CN202110603501 A CN 202110603501A CN 113052272 B CN113052272 B CN 113052272B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- processed
- data
- sequence data
- standard deviation
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Debugging And Monitoring (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种异常检测方法、装置、电子设备及存储介质,包括:获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差;根据所述标准差,确认所述待处理时序数据的离散程度;若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。该方法能够快速计算海量数据中的标准差,提高了实时异常检测的速度,保证了生产过程中的安全。
Description
技术领域
本发明涉及数据处理技术领域,更具体地说,涉及一种异常检测方法、装置、电子设备及存储介质。
背景技术
随着人工智能的不断应用,实时地监测各项指标的变化趋势对提高企业生产中的异常检测速度和产品质量均具有重要的意义。
现有技术中,例如汽车和轨道车辆的生产过程中,需要实时监测各个生产步骤中的数据来判断产品是否合格,若是通过基于常规的统计学来计算每个指标下采集的时序数据的标准差,来判断生产过程中是否存在异常,则需要遍历时序数据的每个原始值,计算特别耗时,同时,对CPU和内存的压力都非常大,因此,当面对海量数据进行实时异常检测的时候,常规的统计学计算标准差的方法明显不能胜任。
发明内容
本发明提供一种异常检测方法、装置、电子设备及存储介质,用以解决常规标准差的计算方法不能够处理海量数据实时异常检测的技术问题,以实现快速、高效计算标准差和提高实时异常检测速度的目的。
第一方面,本发明提供一种异常检测方法,包括:
获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;
对所述待处理时序数据进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;
根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差;
根据所述标准差,确认所述待处理时序数据的离散程度;
若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
根据本发明提供的一种异常检测方法,该方法还包括:
若所述待处理时序数据的离散程度小于或等于预设的阈值,则未检测到异常。
根据本发明提供的一种异常检测方法,所述待处理时序数据是从所述待检测目标中定时采集得到的,具体包括:
基于代理技术从所述待检测目标中定时采集各个实例的运行数据;
将所述运行数据以增量的形式存储,定时对所述运行数据进行加工汇聚处理,生成所述待处理时序数据。
根据本发明提供的一种异常检测方法,所述获取所述待处理时序数据中的每个时序子集的各个参数值,具体包括:
对所述待处理时序数据中的每个时序子集中时序数据进行计算,获取所述每个时序子集中的每个时序数据的平方之和、总条数和所有时序数据的相加之和。
根据本发明提供的一种异常检测方法,所述全量数据标准差计算公式,具体表征公式为:
其中, C、N和T为预设的中间变量,S表示所述待处理时序数据的标准差,C表示所述待处理时序数据的平方值之和,T表示所述待处理时序数据的原始值之和,N表示所述待处理时序数据的原始值的总条数。
第二方面,本发明提供一种异常检测装置,包括:
第一获取模块,用于获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;
第二获取模块,用于对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;
计算模块,用于根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差;
确认模块,用于根据所述标准差,确认所述待处理时序数据的离散程度;
检测模块,用于若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
根据本发明提供的一种异常检测装置,所述第一获取模块还用于:
基于代理技术从所述待检测目标中定时采集各个实例的运行数据;
将所述运行数据以增量的形式存储,定时对所述运行数据进行加工汇聚,生成所述待处理时序数据。
根据本发明提供的一种异常检测装置,所述第二获取模块还用于:
对所述待处理时序数据中的每个时序子集中时序数据进行计算,获取所述每个时序子集中的每个时序数据的平方之和、总条数和所有时序数据的相加之和。
第三方面,本发明还提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上任一所述的方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上任一所述的方法。
本发明提供的一种异常检测方法、装置、电子设备及存储介质,通过对获取的待处理时序数据进行计算处理,获取每个时序子集中的各个参数值,并基于各个参数值预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差,根据标准差,确认时序数据的离散程度,当离散程度大于预设阈值时,则说明生产中出现了异常,检测到了异常。该方法能够快速计算海量数据中的标准差,提高了实时异常检测的速度,保证了生产过程中的安全。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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为本发明提供的异常检测方法的流程示意图;
图2为本发明提供的异常检测装置的结构示意图;
图3为本发明提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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。
为了使本发明实施例的方案更容易理解,并且更好地体现与现有中标准差计算方案的区别,下面首先对现有技术中基本的标准差计算方法做简单说明。
方差(样本方差)是各个样本数据和平均数之差的平方和的平均数,是衡量随机变量或一组数据时离散程度的度量。在许多实际问题中,研究方差即偏离程度有着重要意义。其计算公式如下:
标准差是方差的算术平方根,用S表示,标准差也被称为标准偏差,或者实验标准差,在概率统计中最常使用作为统计分布程度上的测量依据,其计算公式如下:
标准差也能反应一个数据集的离散程度,某组观测量的平均值相同,但标准差有可能不同。
图1为本发明提供的异常检测方法的流程示意图。如图1所示,本发明提供的异常检测方法,包括:
步骤101:获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;
步骤102:对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;
步骤103:根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差;
步骤104:根据所述标准差,确认所述待处理时序数据的离散程度;
步骤105:若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
具体地,时序数据属于经济计量学专用名词,是指时间序列数据,时间序列数据是同一指标按时间顺序记录的数据列,在同一数据列中的各个数据必须是同口径的,要求具有可比性,
在本实施例中,所述待处理时序数据是从待检测目标中定时采集各个实例运行数据得到的,各个实例运行数据是指设备在运行过程中,根据各个生产指标采集得到的数据,如在汽车标准件的生产过程中,设备根据各个指标在生产过程中采集得到的按时间顺序记录的数据,其中,待检测目标比如可以具体是标准件、轮胎等,在线检测产品的合格性,需要说明的是,待检测目标还可以是指别的领域中需要实时监测的目标,如实时风控、实时征信、实时营销等,在此不作具体限定。
在步骤102中,对获取的待处理时序数据进行计算处理,主要是提取各个时序数据子集的相应参数,相应参数是指可以用于全量数据标准差计算公式中的各个参数。
在步骤103中,根据上述步骤获取的各个参数,利用中间变量计算公式可以求解出预设的中间变量;然后将获取的中间变量带入全量数据标准差计算公式中,计算出全局数据的标准差。需要说明的是,本实施例中,需要先计算出每个时序子集的各个参数,然后通过预设的中间变量和推导得出的全量数据标准差计算公式,就可以计算出全部时序数据的标准差,实现的是以子集求全局的方式,以空间换时间的方式。具体可参考下述实施例。
本发明实施例中,通过对时序数据的预计算处理,获取时序数据中的每个时序子集的各个参数,然后通过预设的中间变量和全量数据的标准差计算公式,确认出全局的时序数据的标准差,能够基于标准差计算出离散程度,将获取的离散程度与预设的阈值进行比较,若大于预设阈值时,则进行异常检测的处理。
本发明提供一种高效计算标准差的方法应用于处理海量数据的实时异常检测中,通过以子集求全局的方式,提高实时异常检测的速度,保证了生产过程中的安全。
在本发明的另一个实施例中,该方法还包括:
若所述待处理时序数据的离散程度小于或等于预设的阈值,则未检测到异常。
在本实施例中,当判断获取的待处理时序数据的离散程度小于或等于预设的阈值时,未检测到异常,则表示当前获取的时序数据正常,生产的产品参数正常,无需进行异常处理,能够提高实时异常检测的速度。
在本发明的另一个实施例中,所述待处理时序数据是从所述待检测目标中定时采集得到的,具体包括:
基于代理技术从所述待检测目标中定时采集各个实例的运行数据;
将所述运行数据以增量的形式存储,定时对所述运行数据进行加工汇聚处理,生成所述待处理时序数据。
具体地,代理技术是指Agent技术,是一种处于一定环境下包装的计算机系统,该技术在基于网络的分布计算中发挥着重要的作用。
在本实施例中,增量可以是时间戳,同一个指标的时序数据一般是每分钟采集到一条新的数据,对应的时间戳每次会增加1分钟。在此不作具体限定。
在本实施例中,加工是指不同指标之间通过组合处理后会形成总体的一个新指标。比如磁盘使用量和磁盘总量两个指标值相除,会形成新的指标磁盘使用率。在此不作具体限定。
在本实施例中,待处理时序数据是基于Agent技术从企业软件集群环境中定时采集各个实例的运行数据,然后将采集到的数据以增量的形式存储于数据仓库中,并定时对运行数据进行加工汇聚处理,生成符合指标要求的时序数据。
本发明实施例中提供的获取待处理时序数据的方式,能够很好地应用于企业生产环境中,使待处理时序数据更具有针对性。
在本发明的另一个实施例中,所述获取所述待处理时序数据中的每个时序子集的各个参数值,具体包括:
对所述待处理时序数据中的每个时序子集中时序数据进行计算,获取所述每个时序子集中的每个时序数据的平方之和、总条数和所有时序数据的相加之和。
其中,所述全量数据标准差计算公式,具体表征公式为:
其中,C、N和T为预设的中间变量,S表示所述待处理时序数据的标准差,C表示所述待处理时序数据的平方值之和,T表示所述待处理时序数据的原始值之和,N表示所述待处理时序数据的原始值的总条数。
具体地,全量数据标准差计算公式是基于统计学中常规的方差计算公式和中间变量推导得来的。
在上述表达式中,C表示所述待处理时序数据的平均值之和,T表示所述待处理时序数据的原始值之和,N表示所述待处理时序数据的原始值的总条数。也就是说,在获知各个时序子集的各个参数后,可以根据设定的中间变量计算公式得出中间变量值的大小,应用于后续全量数据标准差计算公式中。
其中,若对于单个时序数据集d i,则方差计算公式推导如下:
推广至全量数据D则有:
通过上述全量数据的方差计算公式分析可知,提前计算出各个时序子集中的c、n、 t,然后根据中间变量的定义公式算出C、N、T,进而计算出全量数据的方差,那么就可以得到全量数据的标准差:
在本实施例中,通过预处理阶段提前提取并计算存储每个时序子集的各个用于计算中间变量的参数,以空间换时间的方式,将原始迭代计算的方式精简为以子集求全局的方式,通过上述推导出的全量数据标准差计算公式能够快速高效计算出待处理时序数据的标准差。
本发明实施例中提供的标准差计算方法,在面对海量数据的情况下,对于分布于不同表当中的数据也能快速、高效地计算出标准差,提高实时异常检测的速度。
图2为本发明提供的异常检测装置的结构示意图,如图2所示,本发明提供的异常检测装置,包括:
第一获取模块201,用于获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;
第二获取模块202,用于对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;
计算模块203,用于根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差;
确认模块204,用于根据所述标准差,确认所述待处理时序数据的离散程度;
异常检测模块205,用于若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
本发明实施例中提供的异常检测装置,第一获取模块用于获取待检测目标的待处理时序数据,第二获取模块对获取的待处理时序数据的每个时序子集进行计算处理,获取每个时序子集中的各个参数值,计算模块用于基于各个参数值和全量数据标准差计算公式,获取所述待处理时序数据的标准差,确认模块用于根据标准差,确认待处理时序数据的离散程度,异常检测模块用于当离散程度大于预设阈值时,则检测到异常。该装置能够快速计算海量数据中的标准差,提高了实时异常检测的速度,保证了生产过程中的安全。
由于本发明实施例所述装置与上述实施例所述方法的原理相同,对于更加详细的解释内容在此不再赘述。
图3为本发明实施例提供的电子设备实体结构示意图,如图3所示,本发明提供一种电子设备,包括:处理器(processor)301、存储器(memory)302和总线303;
其中,处理器301、存储器302通过总线303完成相互间的通信;
处理器301用于调用存储器302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;根据所述每个时序子集的各个参数值,通过预设的中间变量全量数据标准差计算公式,获取所述待处理时序数据的标准差;根据所述标准差,确认所述待处理时序数据的离散程度;若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集得到的;对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;根据所述每个时序子集的各个参数值,通过预设的中间变量全量数据标准差计算公式,获取所述待处理时序数据的标准差;根据所述标准差,确认所述待处理时序数据的离散程度;若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种异常检测方法,其特征在于,包括:
获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集各个实例运行数据得到的;所述各个实例运行数据是指车辆生产过程中,根据各个生产指标采集得到的数据;
对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;
根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差,具体包括:对所述待处理时序数据中的每个时序子集中时序数据进行计算,获取所述每个时序子集中的每个时序数据的平方之和、总条数和所有时序数据的相加之和;
其中,所述全量数据标准差计算公式为:
其中,C、N和T为预设的中间变量,S表示所述待处理时序数据的标准差,C表示所述待处理时序数据的平方值之和,T表示所述待处理时序数据的原始值之和,N表示所述待处理时序数据的原始值的总条数;
通过预处理阶段提前提取并计算存储所述每个时序子集的用于计算中间变量的参数,以空间换时间的方式,将原始迭代计算的方式精简为以子集求全局的方式,通过所述全量数据标准差计算公式计算出所述待处理时序数据的标准差;
根据所述标准差,确认所述待处理时序数据的离散程度;
若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
2.根据权利要求1所述的异常检测方法,其特征在于,该方法还包括:
若所述待处理时序数据的离散程度小于或等于预设的阈值,则未检测到异常。
3.根据权利要求1所述的异常检测方法,其特征在于,所述待处理时序数据是从所述待检测目标中定时采集得到的,具体包括:
基于代理技术从所述待检测目标中定时采集各个实例的运行数据;
将所述运行数据以增量的形式存储,定时对所述运行数据进行加工汇聚处理,生成所述待处理时序数据。
4.一种异常检测装置,其特征在于,包括:
第一获取模块,用于获取待检测目标的待处理时序数据,其中,所述待处理时序数据是从所述待检测目标中定时采集各个实例运行数据得到的;所述各个实例运行数据是指车辆生产过程中,根据各个生产指标采集得到的数据;
第二获取模块,用于对所述待处理时序数据的每个时序子集进行计算处理,获取所述待处理时序数据中的每个时序子集的各个参数值;
计算模块,用于根据所述每个时序子集的各个参数值,通过预设的中间变量和全量数据标准差计算公式,获取所述待处理时序数据的标准差;具体包括:对所述待处理时序数据中的每个时序子集中时序数据进行计算,获取所述每个时序子集中的每个时序数据的平方之和、总条数和所有时序数据的相加之和;
其中,所述全量数据标准差计算公式为:
其中,C、N和T为预设的中间变量,S表示所述待处理时序数据的标准差,C表示所述待处理时序数据的平方值之和,T表示所述待处理时序数据的原始值之和,N表示所述待处理时序数据的原始值的总条数;
通过预处理阶段提前提取并计算存储所述每个时序子集的用于计算中间变量的参数,以空间换时间的方式,将原始迭代计算的方式精简为以子集求全局的方式,通过所述全量数据标准差计算公式计算出所述待处理时序数据的标准差;
确认模块,用于根据所述标准差,确认所述待处理时序数据的离散程度;
异常检测模块,用于若所述待处理时序数据的离散程度大于预设的阈值,则检测到异常。
5.根据权利要求4所述的异常检测装置,其特征在于,所述第一获取模块还用于:
基于代理技术从所述待检测目标中定时采集各个实例的运行数据;
将所述运行数据以增量的形式存储,定时对所述运行数据进行加工汇聚,生成所述待处理时序数据。
6.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至3中任一所述的方法。
7.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110603501.9A CN113052272B (zh) | 2021-05-31 | 2021-05-31 | 一种异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110603501.9A CN113052272B (zh) | 2021-05-31 | 2021-05-31 | 一种异常检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052272A CN113052272A (zh) | 2021-06-29 |
CN113052272B true CN113052272B (zh) | 2021-10-08 |
Family
ID=76518589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110603501.9A Active CN113052272B (zh) | 2021-05-31 | 2021-05-31 | 一种异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052272B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298174A (zh) * | 2021-12-14 | 2022-04-08 | 中国四联仪器仪表集团有限公司 | 一种给水异常识别方法、系统、电子设备及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6351323B2 (ja) * | 2014-03-20 | 2018-07-04 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
CN108319981A (zh) * | 2018-02-05 | 2018-07-24 | 清华大学 | 一种基于密度的时序数据异常检测方法及装置 |
CN111767930A (zh) * | 2019-04-01 | 2020-10-13 | 北京百度网讯科技有限公司 | 物联网时序数据异常检测方法及其相关设备 |
CN111666187B (zh) * | 2020-05-20 | 2023-07-04 | 北京百度网讯科技有限公司 | 用于检测异常响应时间的方法和装置 |
CN112463530A (zh) * | 2020-11-23 | 2021-03-09 | 平安科技(深圳)有限公司 | 微服务系统的异常检测方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-31 CN CN202110603501.9A patent/CN113052272B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113052272A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107086944B (zh) | 一种异常检测方法和装置 | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
US8761909B2 (en) | Batch process monitoring using local multivariate trajectories | |
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 | |
CN111027615B (zh) | 基于机器学习的中间件故障预警方法和系统 | |
CN112801497B (zh) | 一种异常检测方法及装置 | |
CN115311829B (zh) | 一种基于海量数据的精准告警方法及系统 | |
CN107944721B (zh) | 一种通用的基于数据挖掘的机器学习方法、装置以及系统 | |
JPWO2020214587A5 (zh) | ||
CN109726737B (zh) | 基于轨迹的异常行为检测方法及装置 | |
Folmer et al. | Detection of temporal dependencies in alarm time series of industrial plants | |
CN113052272B (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
CN113988325A (zh) | 一种电力系统故障预警方法、装置、终端设备及存储介质 | |
CN114595210A (zh) | 一种多维数据的异常检测方法、装置及电子设备 | |
CN113657454A (zh) | 基于自回归BiGRU的核电旋转机械状态监测方法 | |
CN109308225B (zh) | 一种虚拟机异常检测方法、装置、设备及存储介质 | |
CN113360359B (zh) | 指标异常数据溯源方法、装置、设备及存储介质 | |
CN111176226A (zh) | 一种基于运行工况的设备特征参数报警阈值自动分析方法 | |
CN107977626B (zh) | 一种电子设备工作数据的分组方法 | |
CN112882898A (zh) | 基于大数据日志分析的异常检测方法、系统、设备及介质 | |
CN111555917A (zh) | 基于云平台的告警信息处理方法及装置 | |
CN111538755A (zh) | 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法 | |
CN115766513A (zh) | 一种异常检测方法和装置 | |
CN110597889A (zh) | 一种基于改进的Apriori算法的机床故障预测方法 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 |
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 |