CN113313591A - 一种数据异常的告警方法及装置 - Google Patents
一种数据异常的告警方法及装置 Download PDFInfo
- Publication number
- CN113313591A CN113313591A CN202110579790.3A CN202110579790A CN113313591A CN 113313591 A CN113313591 A CN 113313591A CN 202110579790 A CN202110579790 A CN 202110579790A CN 113313591 A CN113313591 A CN 113313591A
- Authority
- CN
- China
- Prior art keywords
- historical
- target
- alarm
- time period
- parameter
- 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 54
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000001413 cellular effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- -1 periodo Chemical group 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种数据异常的告警方法及装置,涉及计算机技术领域,用于解决现有监控方法产生的误告警问题,包括:获取目标货币对在第一时间段内的波动数据;根据目标货币对在第一时间段内的波动数据以及预设的神经网络模型,确定目标参数;若目标参数满足告警条件,则生成告警信息;告警条件为根据神经网络模型以及目标货币对在多个第二时间段内的波动数据确定得到的,多个第二时间段包括第一时间段之前的时间段。本发明实施例应用于外汇牌价的告警系统。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种数据异常的告警方法及装置。
背景技术
目前,现有的监控系统可以对外汇牌价的更新情况及波动情况进行监控。具体的,监控系统在获取任一货币对在预设时间段内的更新频率或者牌价波动率之后,与相应的固定阈值进行比较。当该货币对的更新频率低于一个固定阈值,或者该货币对的牌价波动率超过一个固定阈值时,则监控系统进行告警。
但是,由于导致外汇市场变化的因素复杂,原有的监控方法往往会产生误告警。
发明内容
本发明的实施例提供一种数据异常的告警方法及装置,用于解决现有监控方法产生的误告警问题。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,提供一种数据异常的告警方法,包括:获取目标货币对在第一时间段内的波动数据;一个时间段内的波动数据包括用于反映一个时间段是否位于工作时间内的时间标识,且一个时间段内的波动数据还包括目标货币对的接收更新次数以及下发更新次数,和/或,目标货币对的接收波动率以及下发波动率;根据目标货币对在第一时间段内的波动数据以及预设的神经网络模型,确定目标参数;目标参数用于反映一个时间段内的更新次数和/或波动率;若目标参数满足告警条件,则生成告警信息;告警条件为根据神经网络模型以及目标货币对在多个第二时间段内的波动数据确定得到的,多个第二时间段包括第一时间段之前的时间段。
第二方面,提供了一种告警装置,包括获取单元、确定单元以及生成单元;获取单元,用于获取目标货币对在第一时间段内的波动数据;一个时间段内的波动数据包括用于反映一个时间段是否位于工作时间内的时间标识,且一个时间段内的波动数据还包括目标货币对的接收更新次数以及下发更新次数,和/或,目标货币对的接收波动率以及下发波动率;确定单元,用于根据预设的神经网络模型以及获取单元获取到的目标货币对在第一时间段内的波动数据,确定目标参数;目标参数用于反映一个时间段内的更新次数和/或波动率;生成单元,用于若确定单元确定到的目标参数满足告警条件,则生成告警信息;告警条件为根据神经网络模型以及目标货币对在多个第二时间段内的波动数据确定得到的,多个第二时间段包括第一时间段之前的时间段。
第三方面,提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,指令当被计算机执行时使计算机执行第一方面的数据异常的告警方法。
第四方面,一种告警装置,包括:处理器以及存储器;其中,存储器用于存储一个或多个程序,一个或多个程序包括计算机执行指令,当告警装置运行时,处理器执行存储器存储的计算机执行指令,以使告警装置执行第一方面的数据异常的告警方法。
本发明的实施例提供一种数据异常的告警方法及装置,首先告警装置获取目标货币对在第一时间段内的波动数据,并基于获取到的波动数据以及预设的神经网络模型,得到用于反映目标货币对在一个时间段内的更新次数和/或波动率的目标参数。由于一个时间段内的波动数据包括用于反映一个时间段是否位于工作时间内的时间标识,且一个时间段内的波动数据还包括目标货币对的接收更新次数以及下发更新次数,和/或,目标货币对的接收波动率以及下发波动率,相较于现有技术,能够从多维度的信息出发,使得确定到的目标参数能够更加全面的反映目标货币对在第一时间段内波动的情况。同时,由于告警装置将告警条件,作为判断是否进行告警的依据,且该告警条件为告警装置在同等条件下根据多维度的历史时间段内的波动数据确定得到的,能够使得判断依据适用于目标参数。这样一来,在基于目标参数以及告警条件判断是否进行告警的情况下,可以使得告警结果更加准确。
附图说明
图1为本发明的实施例提供的一种告警系统的结构示意图;
图2为本发明的实施例提供的一种数据异常的告警方法流程示意图一;
图3为本发明的实施例提供的一种LSTM神经网络模型的循环结构示意图;
图4为本发明的实施例提供的一种LSTM单元的结构示意图;
图5为本发明的实施例提供的一种数据异常的告警方法流程示意图二;
图6为本发明的实施例提供的一种数据异常的告警方法流程示意图三;
图7为本发明的实施例提供的一种数据异常的告警方法流程示意图四;
图8为本发明的实施例提供的一种数据异常的告警方法流程示意图五;
图9为本发明的实施例提供的一种数据异常的告警方法流程示意图六;
图10为本发明的实施例提供的一种告警装置结构示意图一;
图11为本发明的实施例提供的一种告警装置结构示意图二;
图12为本发明的实施例提供的一种告警装置结构示意图三。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
需要说明的是,本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是,本发明实施例中,“的(英文:of)”,“相应的(英文:corresponding,relevant)”和“对应的(英文:corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
本发明实施例提供的数据异常的告警方法(后续简称为告警方法)可以适用于告警系统。图1示出了该告警系统的一种结构示意图。如图1所示,告警系统10用于对数据异常进行监控告警,告警系统10包括告警装置11以及服务器12。告警装置11与服务器12连接。告警装置11与服务器12之间可以采用有线方式连接,也可以采用无线方式连接,本公开实施例对此不作限定。
告警装置11可以用于与服务器12进行数据交互,例如,从服务器12中获取目标货币对在第一时间段内的波动数据,向服务器12发送告警信息。
告警装置11还可以用于根据目标货币对在第一时间段内的波动数据以及预设的神经网络模型,确定目标参数,并根据目标货币对在多个第二时间段内的波动数据以及神经网络模型确定告警条件。并进一步的,告警装置11可以根据上述步骤中确定的目标参数以及告警条件,判断目标参数是否满足告警条件,并进一步根据判断结果生成告警信息。
在不同的应用场景中,告警装置11和服务器12可以为相互独立的设备,也可以集成于同一设备中,本发明实施例对此不作具体限定。
当告警装置11和服务器12集成于同一设备时,告警装置11和服务器12之间的通信方式为该设备内部模块之间的通信。这种情况下,二者之间的通信流程与“告警装置11和服务器12之间相互独立的情况下,二者之间的通信流程”相同。
在本发明实施例提供的以下实施例中,本公开以告警装置11和服务器12相互独立设置为例进行说明。
图2是根据一些示例性实施例示出的一种数据异常的告警方法的流程示意图。在一些实施例中,上述数据异常的告警方法可以应用到如图1所示的告警装置或者服务器或者其他类似设备。
如图2所示,本发明实施例提供的数据异常的告警方法,包括下述S201-S204。
S201、告警装置获取目标货币对在第一时间段内的波动数据。
其中,一个时间段内的波动数据包括用于反映一个时间段是否位于工作时间内的时间标识,且一个时间段内的波动数据还包括目标货币对的接收更新次数以及下发更新次数,和/或,目标货币对的接收波动率以及下发波动率。
作为一种可能实现的方式,告警装置可以从服务器中获取目标货币对在第一时间段对应的时间标识,以及目标货币对在第一时间段内的接收更新次数以及下发更新次数。
需要说明的,目标货币对在一个时间段内的时间标识用于反映该时间段内外汇市场或者本地市场是否为假日。例如,如果目标货币对的外汇市场以及本地市场中存在任何一方为假日,则时间标识为“1”;如果目标货币对的外汇市场以及本地市场都为工作日,则时间标识为“0”。
接收更新次数用于表示一个时间段内服务器从外部接口接收到的目标货币对的价格更新的次数,下发更新次数用于表示一个时间段内服务器将目标货币对的价格发送给电子牌价器的次数。同时,告警装置还从服务器中获取目标货币对在第一时间段内的接收价格以及下发价格,并根据获取到的接收价格确定目标货币对在第一时间段内的接收波动率,以及,根据获取到的下发价格,确定目标货币对在第一时间段内的下发波动率。
接收波动率用于表示一个时间段内服务器从外部接口接收的目标货币对的价格波动情况,下发波动率用于表示一个时间段内服务器发送给电子牌价器的目标货币对的价格波动情况。
以下示出了一种确定目标货币对在一个时间段内的接收波动率的实现方式:
告警装置可以根据一·个时间段内接收到的目标货币对的接收价格以及以下公式一,计算目标货币对在该一个时间段内的下发波动率:
其中,Vs为目标货币对在一个时间段内的接收波动率,Pi为在一个时间段内第i次接收到的目标货币对的价格;Pi+1为在一个时间段内第i+1次接收到的目标货币对的价格,n代表一个时间段内接收到目标货币对的价格的次数。
同样,告警装置也可以采用与上述公式一类似的公式二,计算目标货币对在一个时间段内的下发波动率:
其中,VQ为目标货币对在一个时间段内的下发波动率,Qi为在一个时间段内第i次下发的目标货币对的价格;Qi+1为在一个时间段内第i+1次下发的目标货币对的价格,m代表一个时间段内下发的目标货币对的价格的次数。作为另外一种获取目标货币对在第一时间段内的接收波动率以及下发波动率的实现方式,告警装置可以直接从服务器中获取目标货币对在第一时间段内的接收波动率以及下发波动率。
服务器确定货币对在一个时间段内的接收波动率以及下发波动率具体实现方式,可以参照本发明实施例的上述描述,此处不再进赘述。不同在于,执行主体不同。
在第一种情况下,告警装置从服务器中获取到的一个时间段内的波动数据包括目标货币对在一个时间段内的时间标识、接收更新次数以及下发更新次数。
在第二种情况下,告警装置从服务器中获取到的一个时间段内的波动数据包括目标货币对在一个时间段内的时间标识、接收波动率以及下发波动率。
在第三种情况下,告警装置从服务器中获取到的一个时间段内的波动数据包括目标货币对在一个时间段内的时间标识、接收更新次数、下发更新次数、接收波动率以及下发波动率。
可选的,波动数据可以还包括目标货币对的标识、时间段的时长、交易量、中间价等信息。
需要说明的,上述数据按日期以逗号分隔值(comma-separated values,CSV)文件格式存储在数据库中,例如2019-08-22-Update Count-014001.csv,2019-08-22代表日期,Update Count代表下发更新次数,014001代表货币对标识。
S202、告警装置根据目标货币对在第一时间段内的波动数据以及预设的神经网络模型,确定目标参数。
其中,目标参数用于反映一个时间段内的更新次数和/或波动率。
作为一种可能实现的方式,告警装置将目标货币对在第一时间段内的波动数据输入到预设的神经网络模型中,将神经网络模型输出的数据作为目标参数。
作为另一种可能实现的方式,告警装置将目标货币对在第一时间段内的波动数据进行预处理,将预处理后的波动数据输入到预设的神经网络模型中,将神经网络模型输出的数据作为目标参数。
需要说明的,上述神经网络模型可以为基于无监督学习的神经网络,能够将输入的数据进行收敛、聚类处理。上述预处理可以为离散化处理操作,通过对波动数据离散化处理可以将原始数据转化为满足神经网络模型的输入数据,而且还可以有效降低由偶然原因引起的数据噪声。
在上述第一种情况下,目标参数用于反映目标货币对在第一时间段内的更新次数;在上述第二种情况下,目标参数用于反映目标货币对在第一时间段内的波动率;上述第三种情况下,目标参数用于反映目标货币对在第一时间段内的更新次数和波动率。
目标参数可以为一个参数或者多个参数,目标参数可以用矩阵的形式表示,此处不做具体限定。
此步骤的具体实施方式,可以参照本发明实施例的后续描述,此处不再进行赘述。
S203、告警装置判断目标参数是否满足告警条件。
其中,告警条件为根据神经网络模型以及目标货币对在多个第二时间段内的波动数据确定得到的,多个第二时间段包括第一时间段之前的时间段。
需要说明的,告警条件由多个第二时间段内的目标参数构成,告警条件可以为一个数值,可以为一个范围,可以为多个范围,可以为一个二维区域,还可以为一个三维空间,在此不做具体限定。
示例性的,在神经网络输出的参数的数量为一个的情况下,告警条件可以为一个数值或者为一个范围,在神经网络输出的参数的数量为多个的情况下,告警条件可以为多个范围,多个范围的数量与参数的数量相同。
此步骤的具体实现方式,可以参照本发明实施例的后续描述,此处不再进行赘述。
S204、若目标参数满足告警条件,则告警装置生成告警信息。
作为一种可能的实现方式,告警装置在确定标参数满足告警条件之后,生成告警信息。
后续的,告警装置向服务器发送告警信息,以使得服务器在接收到告警信息之后,进行告警。
需要说明的,告警信息用于指示数据异常,告警信息可以包括目标货币对名称、第一时间段的时长。
在一种设计中,本发明实施例提供的神经网络模型可以为长短期记忆(longshort-term memory,LSTM)神经网络模型,图3提供了一种LSTM神经网络模型的结构示意图。如图3所示,LSTM神经网络模型包括循环结构,该循环结构用于根据LSTM神经网络模型的长期记忆特点对不同时间段内的波动数据进行循环处理,且该循环结构包括多个LSTM单元。
图4提供了一种LSTM单元的结构示意图。如图4所示,LSTM单元包括遗忘门、输入门和输出门。
LSTM单元的遗忘门用于通过遗忘门参数决定需要从上一LSTM单元中丢弃的信息。
示例性的,遗忘门参数满足以下公式三:
fτ=σ(Wf·[hτ-1,xτ]+bf) 公式三
其中,fτ为LSTM单元在第τ个时间段内的遗忘门参数(大小位于0-1之间),σ为sigmoid函数,Wf为LSTM单元的遗忘门参数的权重矩阵,bf为LSTM单元的遗忘门参数的偏置项,hτ-1为LSTM单元在第τ-1个时间段内的输出值,xτ为目标货币对第τ个时间块的波动数据。
LSTM单元的输入门用于通过输入门参数确定加入LSTM单元中的信息,输入门参数由两部分组成,一部分由sigmoid函数σ构成,用于确定需要更新的信息;另一部分由tanh函数构成,用于确定备选的更新信息。
示例性的,输入门参数满足以下公式四、五:
iτ=σ(Wi·[hτ-1,xτ]+bi) 公式四
其中,iτ和为LSTM单元在第τ个时间段内的输入门参数的两部分参数;Wi为LSTM单元的输入门参数iτ的权重矩阵,bi为LSTM单元的输入门参数iτ的偏置项,WC为LSTM单元的输入门参数的权重矩阵,bC为LSTM单元的输入门参数的偏置项。
LSTM单元输出的一个时间段内的细胞状态由遗忘门参数和输入门参数共同决定;
示例性的,LSTM单元输出的一个时间段内的细胞状态满足以下公式六:
Cτ为LSTM单元在第τ个时间段内的细胞状态;Cτ-1为LSTM单元在第τ-1个时间段内的细胞状态。
LSTM单元的输出门通过输出门参数确定LSTM单元的输出,输出门参数同样由sigmoid函数组成;
示例性的,输出门参数满足以下公式七:
oτ=σ(Wo[hτ-1,xτ]+bo) 公式七
oτ为LSTM单元在第τ个时间段内的输出门参数,Wo为LSTM单元的输出门参数的权重矩阵,bo为LSTM单元的输出门参数的偏置项。
LSTM单元的最终输出值由输出门和细胞状态确定,最终输出值满足以下公式八:
hτ=oτ*tanh(Cτ) 公式八
hτ为LSTM单元在第τ个时间段内的输出值,用于表示第τ个时间段内的输出隐藏状态。
LSTM神经网络模型的循环结构中,初始细胞状态C1为一组随机值(一般为零矩阵),x1为初始时间段内的波动数据,LSTM单元的初始输出值h0为零矩阵。
根据o1和C1,依据预设输出公式计算可得初始LSTM单元的输出值h1。
根据o2和C2,依据预设输出公式计算可得h2。
根据o3和C3,依据预设输出公式计算可得h3。
依次的,参照上述计算过程可以由LSTM单元前一时间段内的输出门参数和细胞状态参数计算得到后一时间段内的LSTM单元的输出值,因此根据LSTM神经网络模型的循环结构的初始输出值h0不断迭代计算可得当前时间段之前预设个数个时间段的输出值,其中,当前时间段的前一时间段的输出值可以表示为hτ-1。
上述计算过程中的x1、x2、...、xτ-1可以由告警装置从服务器中获取到,为各个时间段内对应的波动数据。
在上述预设的神经网络模型为上述LSTM神经网络模型的情况下,为了能够确定告警条件,如图5所示,本发明实施例提供的数据异常的告警方法,在上述S203之前,还包括下述S301-S303。
S301、告警装置获取目标货币对在多个第二时间段内的波动数据。
此步骤的具体实现方式可以参照本发明实施例上述S201中的具体描述,此处不再进行赘述。不同之处在于,获取到的波动数据归属的时间段不同。
同时,此步骤中告警装置获取到的一个时间段内的波动数据所包括的内容可以参考S201中三种情况的描述。
S302、告警装置根据LSTM神经网络以及多个第二时间段内的波动数据,分别得到多个历史参数。
其中,一个历史参数对应一个第二时间段内的波动数据,且一个历史参数包括历史细胞状态以及历史输出隐藏状态。
此步骤的具体实现方式可以参照本发明实施例上述S202中的具体描述,此处不再进行赘述。不同之处在于,获取到的波动数据归属的时间段不同,且预设的神经网络模型为LSTM神经网络。
需要说明的,告警装置每输入一个时间段内的波动数据,则LSTM神经网络模型输出一个历史细胞状态Cτ以及一个历史输出隐藏状态hτ。
如果输入一个时间段的波动数据为S201中的第一种情况,则历史细胞状态Cτ用于表示货币对在一个时间段内需要记忆的更新次数,历史输出隐藏状态hτ用于表示货币对在一个时间段内需要隐藏的更新次数。
如果输入一个时间段的波动数据为S201中的第二种情况,则历史细胞状态Cτ用于表示货币对在一个时间段内需要记忆的波动率,历史输出隐藏状态hτ用于表示货币对在一个时间段内需要隐藏的波动率。
如果输入一个时间段的波动数据为S201中的第三种情况,则历史细胞状态Cτ用于表示货币对在一个时间段内需要记忆的更新次数以及波动率,历史输出隐藏状态hτ用于表示货币对在一个时间段内需要隐藏的更新次数以及波动率。
S303、告警装置根据多个历史参数所包括的多个历史细胞状态以及多个历史输出隐藏状态,确定告警条件。
作为一种可能实现的方式,告警装置根据多个历史细胞状态确定细胞状态范围,以及,根据多个历史输出隐藏状态确定输出隐藏状态范围输出隐藏状态范围,并将细胞状态范围和围输出隐藏状态范围确定为告警条件。
此步骤的具体实施方式,可以参照本发明实施例的后续描述,此处不再进行赘述。
在一种设计中,如图6所示,本发明实施例提供的告警条件包括细胞状态范围以及输出隐藏状态范围,在这种情况下,为了确定告警条件,本发明实施例提供的上述S303,具体可以包括下述S3031-S3032。
S3031、告警装置根据多个历史细胞状态,确定细胞状态范围。
其中,细胞状态范围的最大值大于多个历史细胞状态中的最大值,细胞状态范围的最小值小于多个历史细胞状态中的最小值。
作为一种可能实现的方式,告警装置从多个历史细胞状态中确定出一个历史细胞状态最大值,将历史细胞状态最大值与第一阈值之和确定为细胞状态范围的最大值;
同时,告警装置从多个历史细胞状态中确定出一个历史细胞状态最小值,将历史细胞状态最小值与第二阈值之差确定为细胞状态范围的最小值。
需要说明的,第一阈值与第二阈值均为大于0的数值,第一阈值与第二阈值可以由运维人员预先在告警装置中设置。在实际应用中,第一阈值与第二阈值可以相同,也可以不同,本发明实施例对此不作限定。
S3032、告警装置根据多个历史输出隐藏状态,确定输出隐藏状态范围。
其中,输出隐藏状态范围的最大值大于多个历史输出隐藏状态的最大值,输出隐藏状态范围的最小值小于多个历史输出隐藏状态的最小值。
作为一种可能实现的方式,告警装置从多个历史输出隐藏状态中确定出一个输出隐藏状态最大值,将输出隐藏状态最大值与第三阈值之和确定为输出隐藏状态范围的最大值。
同时,告警装置从多个历史输出隐藏状态中确定出一个历史输出隐藏状态最小值,将与历史输出隐藏状态最小值与第四阈值之差确定为输出隐藏状态范围的最小值。
需要说明的,第三阈值与第四阈值均为大于0的数值,第三阈值与第四阈值可以由运维人员预先在告警装置中设置。在实际应用中,第三阈值与第四阈值可以相同,也可以不同,本发明实施例对此不作限定。
在一种设计中,本发明实施例提供的目标参数包括目标细胞状态以及目标输出隐藏状态,在这种情况下,为了判断目标参数是否满足告警条件,如图7所示,本发明实施例提供的上述S203具体包括下述S2031-S2032。
S2031、告警装置判断目标细胞状态是否超出细胞状态范围,以及目标输出隐藏状态是否超出输出隐藏状态范围。
在实际应用中,可以先判断目标细胞状态是否超出细胞状态范围,并在目标细胞状态未超出细胞状态范围的情况下,判断目标输出隐藏状态是否超出输出隐藏状态范围;也可以先判断目标输出隐藏状态是否超出输出隐藏状态范围,并在目标输出隐藏状态未超出输出隐藏状态范围的情况下,判断目标细胞状态是否超出细胞状态范围。
S2032、若目标细胞状态超出细胞状态范围,或者目标输出隐藏状态超出输出隐藏状态范围,则告警装置确定目标参数满足告警条件。
示例性的,当目标细胞状态小于细胞状态范围的最小值时,告警装置确定目标参数满足告警条件。
在实际应用中,可以先执行S2031,后执行S2032,也可以先执行S2032,后执行S2031,还可以同时执行S2031以及S2032,本发明实施例对此不作限定。
在一种设计中,本发明实施例提供的告警条件还可以包括告警区域,在这种情况下,为了确定告警条件,如图8所示,本发明实施例提供的上述S303,具体可以包括下述S3033-S3034。
S3033、对于第一历史参数,告警装置根据第一历史参数包括的第一历史细胞状态以及第一历史输出隐藏状态,确定第一历史参数对应的历史告警位置。
其中,第一历史参数为多个历史参数中的任意一个,第一历史细胞状态以及第一历史输出隐藏状态分别为第一历史参数对应的历史告警位置中的坐标值。
作为一种可能实现的方式,告警装置分别将第一历史细胞状态、第一历史输出隐藏状态确定为第一历史参数对应的历史告警位置的坐标值,以得到第一历史参数对应的历史告警位置。
需要说明的,在第一历史细胞状态为x轴坐标值的情况下,第一历史输出隐藏状态为y轴坐标值;或者,在第一历史输出隐藏状态为x轴坐标值的情况下,第一历史细胞状态为y轴坐标值,本实施例对此不作限定。
可以理解的,通过S3033,告警装置能够确定上述多个历史参数对应的历史告警位置。
S3034、告警装置根据多个历史参数对应的历史告警位置,生成告警区域。
作为一种可能实现的方式,告警装置构建二维坐标系,并通过预设算法将多个历史参数对应的历史告警位置在二维坐标系中进行定位,将定位后形成的区域作为告警区域。
可选的,告警区域可以为规则图形,也可以为不规则图形,本发明实施例对此不作限定。
示例性的,在二维坐标系中,告警区域可以为由多个历史参数对应的历史告警位置互相连接,构成的最大区域,也可以为多个历史参数对应的历史告警位置组成的最大外接圆。
可选的,预设算法可以是二进制信息增益优化算法(binary information gainoptimization,BINGO)。
在一种设计中,本发明实施例提供的目标参数包括目标细胞状态以及目标输出隐藏状态,在这种情况下,为了判断目标参数是否满足告警条件,如图9所示,本发明实施例提供的上述S203具体包括下述S2033-S2035。
S2033、告警装置根据目标细胞状态以及目标输出隐藏状态,确定目标参数对应的目标告警位置。
其中,目标细胞状态以及目标输出隐藏状态分别为目标告警位置中的坐标值。
此步骤的具体实现方式可以参照本发明实施例上述S3033中的具体描述,此处不再进行赘述。不同之处在于,生成的告警位置不同,以及生成告警位置所需要的参数不同。
S2034、告警装置判断目标告警位置与告警区域的最小距离是否大于第五阈值。
以下示出了一种确定最小距离的具体示例:
告警装置从目标告警位置向告警区域发射射线,构成多条线段;其中,一条线段对应一条射线,上述一条线段为目标告警位置与上述一条射线上目标交点之间的线段,目标交点为一条射线与告警区域的至少一个交点中,距离目标告警位置最近的交点。进一步的,告警装置确定多条线段中长度最小的数值为最小距离。
S2035、若目标告警位置与告警区域的最小距离大于第五阈值,则告警装置确定目标参数满足告警条件。
需要说明的,第五阈值为大于0的数值,第五阈值可以由运维人员预先在告警装置中设置。
在一种设计中,为了能够进一步保证告警结果的准确性,如图2所示,本发明实施例提供的上述告警方法,还包括下述S205。
S205、若目标参数不满足告警条件,则告警装置根据目标参数,更新告警条件。
作为一种可能实现的方式,当告警条件包括细胞状态范围以及输出隐藏状态范围时,告警装置将目标参数对应的目标细胞状态更新至上述多个历史细胞状态,并执行上述步骤S3031,以及,将目标输出隐藏状态更新为多个历史输出隐藏状态,并执行上述步骤S3032。
作为另一种可能实现的方式,当告警条件包括告警区域时,告警装置将目标告警位置更新至多个历史参数对应的历史告警位置,并执行上述步骤S3034。
本发明的实施例提供一种数据异常的告警方法及装置,首先告警装置获取目标货币对在第一时间段内的波动数据,并基于获取到的波动数据以及预设的神经网络模型,得到用于反映目标货币对在一个时间段内的更新次数和/或波动率的目标参数。由于一个时间段内的波动数据包括用于反映一个时间段是否位于工作时间内的时间标识,且一个时间段内的波动数据还包括目标货币对的接收更新次数以及下发更新次数,和/或,目标货币对的接收波动率以及下发波动率,相较于现有技术,能够从多维度的信息出发,使得确定到的目标参数能够更加全面的反映目标货币对在第一时间段内波动的情况。同时,由于告警装置将告警条件,作为判断是否进行告警的依据,且该告警条件为告警装置在同等条件下根据多维度的历史时间段内的波动数据确定得到的,能够使得判断依据适用于目标参数。这样一来,在基于目标参数以及告警条件判断是否进行告警的情况下,可以使得告警结果更加准确。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对上述设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。可选的,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图10为本发明实施例提供的一种告警装置的结构示意图。如图10所示,告警装置40用于在目标参数满足告警条件时,生成告警信息,例如用于执行图2所示的告警方法。该告警装置40包括获取单元401、确定单元402以及生成单元403。
获取单元401,用于获取目标货币对在第一时间段内的波动数据;一个时间段内的波动数据包括用于反映一个时间段是否位于工作时间内的时间标识,且一个时间段内的波动数据还包括目标货币对的接收更新次数以及下发更新次数,和/或,目标货币对的接收波动率以及下发波动率。例如,如图2所示,获取单元401可以用于执行S201。
确定单元402,用于根据预设的神经网络模型以及获取单元402获取到的目标货币对在第一时间段内的波动数据,确定目标参数;目标参数用于反映一个时间段内的更新次数和/或波动率。例如,如图2所示,确定单元402可以用于执行S202。
生成单元403,用于若确定单元确定到的目标参数满足告警条件,则生成告警信息;告警条件为根据神经网络模型以及目标货币对在多个第二时间段内的波动数据确定得到的,多个第二时间段包括第一时间段之前的时间段。例如,如图2所示,生成单元403可以用于执行S204。
可选的,本发明实施例提供的神经网络模型为长短期记忆LSTM神经网络模型,在这种情况下,如图10所示,本发明实施例提供的获取单元401,还用于获取目标货币对在多个第二时间段内的波动数据。例如,如图5所示,获取单元401可以用于执行S301。
确定单元402,还用于根据LSTM神经网络以及获取单元获取到的多个第二时间段内的波动数据,分别得到多个历史参数;一个历史参数对应一个第二时间段内的波动数据,且一个历史参数包括历史细胞状态以及历史输出隐藏状态。例如,如图5所示,确定单元402可以用于执行S302。
确定单元402,还用于根据确定单元确定到的多个历史参数所包括的多个历史细胞状态以及多个历史输出隐藏状态,确定告警条件。例如,如图5所示,确定单元402可以用于执行S303。
可选的,本发明实施例提供的告警条件包括细胞状态范围以及输出隐藏状态范围,在这种情况下,如图10所示,本发明实施例提供的确定单元402,具体用于根据多个历史细胞状态,确定细胞状态范围;细胞状态范围的最大值大于多个历史细胞状态中的最大值,细胞状态范围的最小值小于多个历史细胞状态中的最小值。例如,如图6所示,确定单元402可以用于执行S3031。
确定单元402,具体用于根据多个历史输出隐藏状态,确定输出隐藏状态范围;输出隐藏状态范围的最大值大于多个历史输出隐藏状态的最大值,输出隐藏状态范围的最小值小于多个历史输出隐藏状态的最小值。例如,如图6所示,确定单元402可以用于执行S3032。
可选的,本发明实施例提供的目标参数包括目标细胞状态以及目标输出隐藏状态,在这种情况下,如图10所示,本发明实施例提供的告警装置40还包括判断单元404。判断单元404具体用于若目标细胞状态超出细胞状态范围,或者目标输出隐藏状态超出输出隐藏状态范围,则确定目标参数满足告警条件。例如,如图7所示,判断单元404可以用于执行S2032。
可选的,本发明实施例提供的告警条件还可以包括告警区域,在这种情况下,如图10所示,本发明实施例提供的确定单元402,具体用于:
对于第一历史参数,根据第一历史参数包括的第一历史细胞状态以及第一历史输出隐藏状态,确定第一历史参数对应的历史告警位置;第一历史参数为多个历史参数中的任意一个,第一历史细胞状态以及第一历史输出隐藏状态分别为第一历史参数对应的历史告警位置中的坐标值。例如,如图8所示,确定单元402可以用于执行S3033。
根据多个历史参数对应的历史告警位置,生成告警区域。例如,如图8所示,确定单元402可以用于执行S3034。
可选的,本发明实施例提供的目标参数包括目标细胞状态以及目标输出隐藏状态,在这种情况下,如图10所示,本发明实施例提供的告警装置40还包括判断单元404。判断单元404具体用于:
根据目标细胞状态以及目标输出隐藏状态,确定目标参数对应的目标告警位置;目标细胞状态以及目标输出隐藏状态分别为目标告警位置中的坐标值。例如,如图9所示,判断单元404可以用于执行S2033。
若目标告警位置与告警区域的最小距离大于第五阈值,则确定目标参数满足告警条件。例如,如图9所示,判断单元404可以用于执行S2035。
可选的,如图10所示,告警装置40还包括更新单元405。更新单元405,用于若目标参数不满足告警条件,则根据目标参数,更新告警条件。例如,如图2所示,更新单元405可以用于执行S205。
在采用硬件的形式实现上述集成的模块的功能的情况下,本发明实施例提供了上述实施例中所涉及的告警装置的一种可能的结构示意图。如图11所示,一种告警装置50,用于解决告警不准确的问题,例如用于执行图2所示的数据异常的告警方法。该告警装置50包括处理器501,存储器502以及总线503。处理器501与存储器502之间可以通过总线503连接。
处理器501是告警装置50的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器501可以是一个通用中央处理单元(central processing unit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器501可以包括一个或多个CPU,例如图11中所示的CPU 0和CPU 1。
存储器502可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
作为一种可能的实现方式,存储器502可以独立于处理器501存在,存储器502可以通过总线503与处理器501相连接,用于存储指令或者程序代码。处理器501调用并执行存储器502中存储的指令或程序代码时,能够实现本发明实施例提供的告警方法。
另一种可能的实现方式中,存储器502也可以和处理器501集成在一起。
总线503,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外围设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图11示出的结构并不构成对该告警装置50的限定。除图11所示部件之外,该告警装置50可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
作为一个示例,结合图10,告警装置40中的获取单元401、确定单元402、生成单元403、判断单元404以及更新单元405实现的功能与图11中的处理器501的功能相同。
可选的,如图11所示,本发明实施例提供的告警装置50还可以包括通信接口504。
通信接口504,用于与其他设备通过通信网络连接。该通信网络可以是以太网,无线接入网,无线局域网(wireless local area networks,WLAN)等。通信接口504可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
在一种设计中,本发明实施例提供的告警装置中,通信接口还可以集成在处理器中。
图12示出了本发明实施例中告警装置的另一种硬件结构。如图12所示,告警装置60可以包括处理器601以及通信接口602。处理器601与通信接口602耦合。
处理器601的功能可以参考上述处理器501的描述。此外,处理器601还具备存储功能,可以参考上述存储器502的功能。
通信接口602用于为处理器601提供数据。该通信接口602可以是通信装置的内部接口,也可以是通信装置对外的接口(相当于通信接口504)。
需要指出的是,图12中示出的结构并不构成对告警装置60的限定,除图12所示部件之外,该告警装置60可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元的划分进行举例说明。在实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。上述描述的系统,装置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。
本发明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中存储有指令,当计算机执行该指令时,该计算机执行上述方法实施例所示的方法流程中的各个步骤。
本发明的实施例提供一种包含指令的计算机程序产品,当指令在计算机上运行时,使得计算机执行上述方法实施例中的数据异常的告警方法。
其中,计算机可读存储介质,例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit,ASIC)中。在本发明实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
由于本发明的实施例中的告警装置、计算机可读存储介质、计算机程序产品可以应用于上述方法,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (16)
1.一种数据异常的告警方法,其特征在于,包括:
获取目标货币对在第一时间段内的波动数据;一个时间段内的波动数据包括用于反映所述一个时间段是否位于工作时间内的时间标识,且所述一个时间段内的波动数据还包括所述目标货币对的接收更新次数以及下发更新次数,和/或,所述目标货币对的接收波动率以及下发波动率;
根据所述目标货币对在所述第一时间段内的波动数据以及预设的神经网络模型,确定目标参数;所述目标参数用于反映所述一个时间段内的更新次数和/或波动率;
若所述目标参数满足告警条件,则生成告警信息;所述告警条件为根据所述神经网络模型以及所述目标货币对在多个第二时间段内的波动数据确定得到的,所述多个第二时间段包括所述第一时间段之前的时间段。
2.根据权利要求1所述的数据异常的告警方法,其特征在于,所述神经网络模型为长短期记忆LSTM神经网络模型,所述方法还包括:
获取所述目标货币对在所述多个第二时间段内的波动数据;
根据所述LSTM神经网络以及所述多个第二时间段内的波动数据,分别得到多个历史参数;一个历史参数对应一个第二时间段内的波动数据,且所述一个历史参数包括历史细胞状态以及历史输出隐藏状态;
根据所述多个历史参数所包括的多个历史细胞状态以及多个历史输出隐藏状态,确定所述告警条件。
3.根据权利要求2所述的数据异常的告警方法,其特征在于,所述告警条件包括细胞状态范围以及输出隐藏状态范围,所述根据所述多个历史参数所包括的多个历史细胞状态以及多个历史输出隐藏状态,确定所述告警条件,包括:
根据所述多个历史细胞状态,确定细胞状态范围;所述细胞状态范围的最大值大于所述多个历史细胞状态中的最大值,所述细胞状态范围的最小值小于所述多个历史细胞状态中的最小值;
根据所述多个历史输出隐藏状态,确定所述输出隐藏状态范围;所述输出隐藏状态范围的最大值大于所述多个历史输出隐藏状态的最大值,所述输出隐藏状态范围的最小值小于所述多个历史输出隐藏状态的最小值。
4.根据权利要求3所述的数据异常的告警方法,其特征在于,所述目标参数包括目标细胞状态以及目标输出隐藏状态;所述方法还包括:
若所述目标细胞状态超出所述细胞状态范围,或者所述目标输出隐藏状态超出所述输出隐藏状态范围,则确定所述目标参数满足所述告警条件。
5.根据权利要求2所述的数据异常的告警方法,其特征在于,所述告警条件包括告警区域,所述根据所述多个历史参数所包括的多个历史细胞状态以及多个历史输出隐藏状态,确定所述告警条件,包括:
对于第一历史参数,根据所述第一历史参数包括的第一历史细胞状态以及第一历史输出隐藏状态,确定所述第一历史参数对应的历史告警位置;所述第一历史参数为所述多个历史参数中的任意一个,所述第一历史细胞状态以及所述第一历史输出隐藏状态分别为所述第一历史参数对应的历史告警位置中的坐标值;
根据所述多个历史参数对应的历史告警位置,生成所述告警区域。
6.根据权利要求5所述的数据异常的告警方法,其特征在于,所述目标参数包括目标细胞状态以及目标输出隐藏状态,所述方法还包括:
根据所述目标细胞状态以及所述目标输出隐藏状态,确定所述目标参数对应的目标告警位置;所述目标细胞状态以及所述目标输出隐藏状态分别为所述目标告警位置中的坐标值;
若所述目标告警位置与所述告警区域的最小距离大于第五阈值,则确定所述目标参数满足所述告警条件。
7.根据权利要求2-6中任一项所述的数据异常的告警方法,其特征在于,所述方法还包括:
若所述目标参数不满足所述告警条件,则根据所述目标参数,更新所述告警条件。
8.一种告警装置,其特征在于,包括获取单元、确定单元以及生成单元;
所述获取单元,用于获取目标货币对在第一时间段内的波动数据;一个时间段内的波动数据包括用于反映所述一个时间段是否位于工作时间内的时间标识,且所述一个时间段内的波动数据还包括所述目标货币对的接收更新次数以及下发更新次数,和/或,所述目标货币对的接收波动率以及下发波动率;
所述确定单元,用于根据预设的神经网络模型以及所述获取单元获取到的所述目标货币对在所述第一时间段内的波动数据,确定目标参数;所述目标参数用于反映所述一个时间段内的更新次数和/或波动率;
所述生成单元,用于若所述确定单元确定到的所述目标参数满足告警条件,则生成告警信息;所述告警条件为根据所述神经网络模型以及所述目标货币对在多个第二时间段内的波动数据确定得到的,所述多个第二时间段包括所述第一时间段之前的时间段。
9.根据权利要求8所述的告警装置,其特征在于,所述神经网络模型为长短期记忆LSTM神经网络模型;
所述获取单元,还用于获取所述目标货币对在所述多个第二时间段内的波动数据;
所述确定单元,还用于根据所述LSTM神经网络以及所述获取单元获取到的所述多个第二时间段内的波动数据,分别得到多个历史参数;一个历史参数对应一个第二时间段内的波动数据,且所述一个历史参数包括历史细胞状态以及历史输出隐藏状态;
所述确定单元,还用于根据所述确定单元确定到的所述多个历史参数所包括的多个历史细胞状态以及多个历史输出隐藏状态,确定所述告警条件。
10.根据权利要求9所述的告警装置,其特征在于,所述告警条件包括细胞状态范围以及输出隐藏状态范围;所述确定单元,具体用于:
根据所述多个历史细胞状态,确定细胞状态范围;所述细胞状态范围的最大值大于所述多个历史细胞状态中的最大值,所述细胞状态范围的最小值小于所述多个历史细胞状态中的最小值;
根据所述多个历史输出隐藏状态,确定所述输出隐藏状态范围;所述输出隐藏状态范围的最大值大于所述多个历史输出隐藏状态的最大值,所述输出隐藏状态范围的最小值小于所述多个历史输出隐藏状态的最小值。
11.根据权利要求10所述的告警装置,其特征在于,所述目标参数包括目标细胞状态以及目标输出隐藏状态;所述告警装置还包括判断单元;
所述判断单元,具体用于若所述目标细胞状态超出所述细胞状态范围,或者所述目标输出隐藏状态超出所述输出隐藏状态范围,则确定所述目标参数满足所述告警条件。
12.根据权利要求9所述的告警装置,其特征在于,所述告警条件包括告警区域;所述确定单元具体用于:
对于第一历史参数,根据所述第一历史参数包括的第一历史细胞状态以及第一历史输出隐藏状态,确定所述第一历史参数对应的历史告警位置;所述第一历史参数为所述多个历史参数中的任意一个,所述第一历史细胞状态以及所述第一历史输出隐藏状态分别为所述第一历史参数对应的历史告警位置中的坐标值;
根据所述多个历史参数对应的历史告警位置,生成所述告警区域。
13.根据权利要求12所述的告警装置,其特征在于,所述目标参数包括目标细胞状态以及目标输出隐藏状态;所述告警装置还包括判断单元;所述判断单元,具体用于:
根据所述目标细胞状态以及所述目标输出隐藏状态,确定所述目标参数对应的目标告警位置;所述目标细胞状态以及所述目标输出隐藏状态分别为所述目标告警位置中的坐标值;
若所述目标告警位置与所述告警区域的最小距离大于第五阈值,则确定所述目标参数满足所述告警条件。
14.根据权利要求9-13中任一项所述的告警装置,其特征在于,所述告警装置还包括更新单元;
所述更新单元,用于若所述目标参数不满足所述告警条件,则根据所述目标参数,更新所述告警条件。
15.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当被计算机执行时使所述计算机执行如权利要求1-7中任一项所述的数据异常的告警方法。
16.一种告警装置,其特征在于,包括:处理器以及存储器;其中,所述存储器用于存储一个或多个程序,所述一个或多个程序包括计算机执行指令,当所述告警装置运行时,处理器执行所述存储器存储的所述计算机执行指令,以使所述告警装置执行权利要求1-7中任一项所述的数据异常的告警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579790.3A CN113313591A (zh) | 2021-05-26 | 2021-05-26 | 一种数据异常的告警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110579790.3A CN113313591A (zh) | 2021-05-26 | 2021-05-26 | 一种数据异常的告警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313591A true CN113313591A (zh) | 2021-08-27 |
Family
ID=77375042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110579790.3A Pending CN113313591A (zh) | 2021-05-26 | 2021-05-26 | 一种数据异常的告警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313591A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461067A (zh) * | 2018-09-12 | 2019-03-12 | 阿里巴巴集团控股有限公司 | 一种外汇报价异常数据的检测方法、装置及系统 |
CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
CN109688188A (zh) * | 2018-09-07 | 2019-04-26 | 平安科技(深圳)有限公司 | 监控告警方法、装置、设备及计算机可读存储介质 |
CN110874744A (zh) * | 2019-11-18 | 2020-03-10 | 中国银联股份有限公司 | 一种数据异常检测方法及装置 |
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 |
CN111984503A (zh) * | 2020-08-17 | 2020-11-24 | 网宿科技股份有限公司 | 一种监控指标数据异常数据识别的方法及装置 |
CN112052145A (zh) * | 2020-09-09 | 2020-12-08 | 中国工商银行股份有限公司 | 性能告警阈值的确定方法、装置、电子设备和介质 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
-
2021
- 2021-05-26 CN CN202110579790.3A patent/CN113313591A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109688188A (zh) * | 2018-09-07 | 2019-04-26 | 平安科技(深圳)有限公司 | 监控告警方法、装置、设备及计算机可读存储介质 |
CN109461067A (zh) * | 2018-09-12 | 2019-03-12 | 阿里巴巴集团控股有限公司 | 一种外汇报价异常数据的检测方法、装置及系统 |
CN109639450A (zh) * | 2018-10-23 | 2019-04-16 | 平安壹钱包电子商务有限公司 | 基于神经网络的故障告警方法、计算机设备及存储介质 |
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 |
CN110874744A (zh) * | 2019-11-18 | 2020-03-10 | 中国银联股份有限公司 | 一种数据异常检测方法及装置 |
CN111984503A (zh) * | 2020-08-17 | 2020-11-24 | 网宿科技股份有限公司 | 一种监控指标数据异常数据识别的方法及装置 |
CN112052145A (zh) * | 2020-09-09 | 2020-12-08 | 中国工商银行股份有限公司 | 性能告警阈值的确定方法、装置、电子设备和介质 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | 中国银联股份有限公司 | 数据处理方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
US11048729B2 (en) | Cluster evaluation in unsupervised learning of continuous data | |
CN111984503A (zh) | 一种监控指标数据异常数据识别的方法及装置 | |
EP3762869A1 (en) | Systems and methods for providing machine learning model evaluation by using decomposition | |
TW201905773A (zh) | 車險風險預測方法、裝置及伺服器 | |
CN110686633B (zh) | 一种滑坡位移预测方法、装置及电子设备 | |
US20190205762A1 (en) | Method for topological optimization of graph-based models | |
CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN110471821A (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
EP3742322A1 (en) | Operational policies or industrial field devices and distributed databases | |
JP2020071845A (ja) | 異常検知装置、異常検知方法および異常検知プログラム | |
CN109543710B (zh) | 一种模型训练方法及相关设备 | |
CN110895495A (zh) | 人因失误分析方法、系统、计算机设备及存储介质 | |
CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
CN114219596A (zh) | 一种基于决策树模型的数据处理方法及相关设备 | |
CN116562715B (zh) | 指标数据监测方法、装置、计算机设备和存储介质 | |
CN113253709A (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
CN113313591A (zh) | 一种数据异常的告警方法及装置 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
US10693855B1 (en) | Fraud detection | |
CN106156470B (zh) | 一种时间序列异常检测标注方法及系统 | |
CN113657516A (zh) | 医疗交易数据处理的方法、装置、电子设备和存储介质 | |
CN112613723A (zh) | 风险告警方法、系统、设备及介质 | |
CN114913567A (zh) | 口罩佩戴的检测方法、装置、终端设备及可读存储介质 | |
Zvyagin | Process of information processing when realizing the concept of “soft” measurements |
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 |