CN113515399A - 数据异常检测方法及装置 - Google Patents

数据异常检测方法及装置 Download PDF

Info

Publication number
CN113515399A
CN113515399A CN202110456570.1A CN202110456570A CN113515399A CN 113515399 A CN113515399 A CN 113515399A CN 202110456570 A CN202110456570 A CN 202110456570A CN 113515399 A CN113515399 A CN 113515399A
Authority
CN
China
Prior art keywords
data
maintenance
abnormal
result
anomaly detection
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
Application number
CN202110456570.1A
Other languages
English (en)
Inventor
熊慧君
吴声
徐修颖
杨萍萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110456570.1A priority Critical patent/CN113515399A/zh
Publication of CN113515399A publication Critical patent/CN113515399A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开提供了一种数据异常检测方法，应用于金融领域、人工智能技术领域或其它领域。数据异常检测方法包括：获取待测运维数据集，其中，待测运维数据集中的数据包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与时间点对应的运维指标数据；将待测运维数据集输入数据异常检测模型，输出检测结果，其中，数据异常检测模型是利用训练样本数据集训练得到的，训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与每个时间点对应的运维指标数据。本公开还提供了一种数据异常检测装置、电子设备、计算机可读存储介质及计算机程序产品。

Description

数据异常检测方法及装置
技术领域
本公开涉及金融领域、人工智能技术领域，更具体地，涉及一种数据异常检测方法、数据异常检测装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
近年来，随着人工智能的高速发展，智能化运维逐渐在运维领域崭露头角，不论是顶层的业务系统还是底层的网络、数据库、中间件、存储等组件，都是运维所要保证的重要对象，而与它们相关的各类时序指标数据为其健康度的重要体现。
在实现本公开构思的过程中，发明人发现相关技术中对运维指标数据的异常检测大多基于固定阈值，易产生误报，使得运维人员发现问题存在滞后性和盲区。
发明内容
有鉴于此，本公开提供了一种数据异常检测方法、数据异常检测装置、电子设备、计算机可读存储介质及计算机程序产品。
本公开的一个方面提供了一种数据异常检测方法，包括：
获取待测运维数据集，其中，上述待测运维数据集中的数据包括预设时间段内的运维时间序列数据，上述运维时间序列数据包括一段连续的时间点和与上述时间点对应的运维指标数据；
将上述待测运维数据集输入数据异常检测模型，输出检测结果，其中，上述数据异常检测模型是利用训练样本数据集训练得到的，上述训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，上述运维时间序列数据包括一段连续的时间点和与每个上述时间点对应的运维指标数据。
根据本公开的实施例，上述检测结果包括上述待测运维数据集中的异常时间点和与上述异常时间点对应的第一异常结果，上述方法还包括：
设置特殊处理时间段，上述特殊处理时间段为可以忽略异常运维数据的时间段；
对比上述特殊处理时间段和上述待测运维数据集中的异常时间点，
在上述特殊处理时间段包括上述检测结果中的异常时间点的情况下，删除上述第一异常结果；
在上述特殊处理时间段不包括上述检测结果中的异常时间点的情况下，保留上述第一异常结果。
根据本公开的实施例，上述方法还包括：
获取专家规则；
根据上述待测运维数据集和上述专家规则，得到专家检测结果；
根据上述专家检测结果和上述检测结果，确定是否发出提示信息。
根据本公开的实施例，上述专家检测结果包括上述待测运维数据集中的异常时间点和与上述异常时间点对应的第二异常结果；
上述根据上述专家检测结果和上述检测结果，确定是否发出提示信息包括：
根据上述第一异常结果和与上述第一异常结果对应的第一权重，得到第一提示值；
根据上述第二异常结果和与上述第二异常结果对应的第二权重，得到第二提示值；
当上述第一提示值和上述第二提示值的和大于预设阈值的情况下，发出提示信息。
根据本公开的实施例，上述方法还包括：从多个结果区间中，确定与上述第一提示值和上述第二提示值的和对应的目标结果区间，其中，上述多个结果区间中的每个结果区间具有对应的提示方式；
按照与上述目标结果区间对应的提示方式发出提示信息。
根据本公开的实施例，利用上述训练样本数据集训练得到上述数据异常检测模型的操作包括：
将上述训练样本数据集划分为训练集和测试集；
将上述训练集输入上述待训练的数据异常检测模型，输出第一预测序列，并得到待测试数据异常检测模型；
根据上述第一预测序列和上述训练集，得到预测误差分布估计；
根据上述测试集，对训练后的上述待训练的数据异常检测模型进行测试，得到第二预测序列；
根据上述第二预测序列和上述测试集，得到测试误差分布估计；
根据上述预测误差分布估计和上述测试误差分布估计，得到误差向量相似度；
在上述误差向量相似度不满足迭代停止条件的情况下，继续对上述数据异常检测模型进行迭代训练和测试，直到上述误差向量相似度符合迭代停止条件，得到数据异常检测模型。
根据本公开的实施例，上述待训练的数据异常检测模型包括长短期记忆网络模型。
根据本公开的实施例，上述误差向量相似度是基于上述第一预测序列和上述第二预测序列，利用多元高斯分布函数计算得到的。
本公开的另一个方面提供了一种数据异常检测装置，包括：
获取模块，用于获取待测运维数据集，其中，上述待测运维数据集中的数据包括预设时间段内的运维时间序列数据，上述运维时间序列数据包括一段连续的时间点和与上述时间点对应的运维指标数据；
检测模块，用于将上述待测运维数据集输入数据异常检测模型，输出检测结果，其中，上述数据异常检测模型是利用训练样本数据集训练得到的，上述训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，上述运维时间序列数据包括一段连续的时间点和与每个上述时间点对应的运维指标数据。
本公开的另一方面提供了电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个指令，其中，当上述一个或多个指令被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。
本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品，上述计算机程序产品包括计算机可执行指令，上述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，因为采用了通过数据异常检测模型对待测运维数据进行检测的技术手段，所以至少部分地克服了由于相关技术中仅基于固定阈值对运维指标数据进行检测导致的易产生误报的技术问题，进而达到了运维指标数据的异常检测结果准确、避免误报的技术效果。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的可以应用数据异常检测方法的示例性系统架构；
图2示意性示出了根据本公开实施例的数据异常检测的流程图；
图3示意性示出了根据本公开实施例的根据特殊处理时间段确定是否保留第一异常结果的流程图；
图4示意性示出了根据本公开实施例的确定是否发出提示信息的流程图；
图5示意性示出了根据本公开实施例的根据专家检测结果和检测结果，确定是否发出提示信息的流程图；
图6示意性示出了根据本公开实施例的利用训练样本数据集训练得到数据异常检测模型的流程图；
图7示意性示出了根据本公开实施例的利用训练样本数据集训练得到数据异常检测模型的示意；
图8示意性示出了根据本公开实施例的数据异常检测装置框图；以及
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开提供了一种数据异常检测方法，应用于金融领域、人工智能领域、计算机技术领域或其它领域。数据异常检测方法包括：获取待测运维数据集，其中，待测运维数据集中的数据包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与时间点对应的运维指标数据；将待测运维数据集输入数据异常检测模型，输出检测结果，其中，数据异常检测模型是利用训练样本数据集训练得到的，训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与每个时间点对应的运维指标数据。本公开还提供了一种数据异常检测装置、电子设备、计算机可读存储介质及计算机程序产品。
图1示意性示出了根据本公开实施例的可以应用数据异常检测方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的数据异常检测方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据异常检测装置一般可以设置于服务器105中。本公开实施例所提供的数据异常检测方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的数据异常检测装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的数据异常检测方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的数据异常检测装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。
例如，待测运维数据集可以原本存储在终端设备101、102、或103中的任意一个(例如，终端设备101，但不限于此)之中，或者存储在外部存储设备上并可以导入到终端设备101中。然后，终端设备101可以在本地执行本公开实施例所提供的数据异常检测方法，或者将待测运维数据集发送到其他终端设备、服务器、或服务器集群，并由接收该待测运维数据集的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的数据异常检测方法。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的数据异常检测的流程图。
需要说明的是，本公开实施例中的流程图所示的操作除非明确说明不同操作之间存在执行的先后顺序，或者不同操作在技术实现上存在执行的先后顺序，否则，多个操作之间的执行顺序可以不分先后，多个操作也可以同时执行。
如图2所示，该方法包括操作S201～S202。
在操作S201，获取待测运维数据集，其中，待测运维数据集中的数据包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与时间点对应的运维指标数据。
根据本公开的实施例，可以先按照预设格式接入运维指标数据，然后将接入的运维指标数据存储至消息管道Kafka，然后从Kafka中获取待测运维数据集。
根据本公开的实施例，预设格式的运维指标数据例如可以为{kpi.key：””，value：””，timestamp：””}}。
根据本公开的实施例，运维时间序列数据可以包括CPU指标数据、内存指标数据、存储量指标数据等。
根据本公开的实施例，预设时间段内的运维指标序列数据例如可以是4月1日到4月21日之间的运维时间序列数据。
根据本公开的实施例，一段连续的时间点可以为在一段时间内按照预设时间间隔确定的时间点。例如12点、12点10分、12点20分等。每个时间点都可以对应一个运维指标数据，例如，在12点，CPU指标数据为20，在12点20分，CPU指标数据为18，在12点20分，CPU指标数据为25。需要说明的是，预设时间间隔并不局限于上述示例中的10分钟，运维人员可以根据实际的运维需求对预设时间间隔进行灵活设置。
在操作S202，将待测运维数据集输入数据异常检测模型，输出检测结果，其中，数据异常检测模型是利用训练样本数据集训练得到的，训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与每个时间点对应的运维指标数据。
本公开实施例提供了一种数据异常检测方法，通过数据异常检测模型对待测运维数据进行检测，解决了由于相关技术中仅基于固定阈值对运维指标数据进行检测导致的易产生误报的技术问题，进而达到了运维指标数据的异常检测结果准确、避免误报的技术效果。
下面参考图3～图7，结合具体实施例对图2所示的方法做进一步说明。
根据本公开的实施例，检测结果包括待测运维数据集中的异常时间点和与异常时间点对应的第一异常结果。
根据本公开的实施例，检测结果可以包括预设时间段内运维指标数据出现异常的异常时间点，和与异常时间点对应的第一异常结果，检测结果可以以数组的形式显示待测运维数据集中的异常数据，例如，检测结果可以为{2021-04-20-15:34，5}，其中，2021-04-20-15:34可以为异常时间点，5可以为与异常时间点对应的第一异常结果。
根据本公开的实施例，第一异常结果可以是从0至10之间的整数，第一异常结果的数值越高，表明异常程度越高。
需要说明的是，本公开实施例对检测结果的形式的说明仅是示例性的，并非对检测结果做任何形式的限定。
图3示意性示出了根据本公开实施例的根据特殊处理时间段确定是否保留第一异常结果的流程图。
如图3所示，该方法包括操作S301～S304。
在操作S301，设置特殊处理时间段，特殊处理时间段为可以忽略异常运维数据的时间段。
根据本公开的实施例，在实际的运维工作中，通常会将要处理的数据积攒成批，在指定时间一次性进行处理，一次性处理数据的时间即为跑批时间，而在跑批时间内，运维指标数据出现异常是正常情况，也就是说在跑批时间内出现的异常数据需要进行特殊处理，因此，可以对运维数据的检测结果设置特殊处理时间段，从而在例如跑批时间及变更时间等特殊情况下，对检测结果进行特殊处理。
根据本公开的实施例，跑批时间和变更时间通常是周期性质的，例如，在每个周五的15点至16点之间进行跑批处理，因此，可以将每个周五的15点至16点之间设置为特殊处理时间段。
在操作S302，对比特殊处理时间段和待测运维数据集中的异常时间点，判断特殊处理时间段是否包括待测运维数据集中的异常时间点。
根据本公开的实施例，待测运维数据集中的异常时间点可以包括2021-04-16-12:20、2021-04-16-14:20、2021-04-16-15:20，特殊处理时间段可以包括2021-04-16-15:00至2021-04-16-16:00。在特殊处理时间段包括检测结果中的异常时间点的情况下，执行操作S303。
在操作S303，删除第一异常结果。
根据本公开的实施例，例如异常时间点2021-04-16-15:20，在特殊处理时间段2021-04-16-15:00至2021-04-16-16:00之内，因此与异常时间点2021-04-16-15:20对应的第一异常结果可能是由于跑批处理引起的异常，是可以接受的异常，因此可以将与异常时间点2021-04-16-15:20对应的第一异常结果删除。
在特殊处理时间段不包括检测结果中的异常时间点的情况下，执行操作S304。
在操作S304，保留第一异常结果。
根据本公开的实施例，异常时间点2021-04-16-12:20和2021-04-16-14:20并不在特殊处理时间段2021-04-16-15:00至2021-04-16-16:00之内，因此与异常时间点2021-04-16-12:20和2021-04-16-14:20分别对应的第一异常结果为不可忽略的异常结果，需要及时进行处理，因此可以保留与异常时间点2021-04-16-12:20和2021-04-16-14:20分别对应的第一异常结果。
本公开实施例在进行异常检测时，并非对数据异常检测模型检测出的所有异常结果进行处理，而是对异常结果设置特殊处理时间段，当数据异常检测模型检测出的异常结果中存在由于跑批时间或变更时间引起的可接受异常时，可以忽略这些可接受异常，从而实现了降低人力排除误报成本和减少误报异常的效果。
图4示意性示出了根据本公开实施例的确定是否发出提示信息的流程图。
如图4所示，该方法包括操作S401～S403。
在操作S401，获取专家规则。
根据本公开的实施例，例如，根据专家经验，CPU指标数据在2021-4-20-12:00、2021-4-20-13:00、2021-4-20-14:00和2021-4-20-15:00的数值分别应当为20、25、15和10，则可以根据专家经验，形成指标数据关于时间的阈值数据库，从而得到专家规则。
在操作S402，根据待测运维数据集和专家规则，得到专家检测结果。
根据本公开的实施例，可以将待测运维数据集和专家规则中的阈值数据库做比对，根据运维指标数据相较于阈值数据库中的阈值的偏移量，得到专家检测结果。
根据本公开的实施例，例如，待测运维数据集中包括时间点2021-4-20-12:00、2021-4-20-13:00、2021-4-20-14:00和2021-4-20-15:00，以及和上述时间点分别对应的运维指标数据15、25、20和13。根据专家经验确定专家规则：时间点2021-4-20-12:00、2021-4-20-13:00、2021-4-20-14:00和2021-4-20-15:0以及和上述时间点分别对应的阈值为20、25、15和10。根据待测运维数据集和专家规则进行对比，可以得出在2021-4-20-12:00，运维指标数据的偏移量为-5；在2021-4-20-13:00，运维指标数据的偏移量为0；在2021-4-20-14:00，运维指标数据的偏移量为5；在2021-4-20-15:00，运维指标数据的偏移量为3。
根据本公开的可选实施例，可以从多个偏移量区间中，确定运维指标数据相较于阈值数据库中的阈值的偏移量对应的偏移量区间，其中，每个偏移量区间表示运维指标数据的异常程度。其中，偏移量为负值时，可以对偏移量取绝对值。例如，多个偏移量区间可以包括第一偏移量区间[0-5]，表示轻度异常，第二偏移量区间[6-10]，表示中度异常，第三偏移量区间[11-15]，表示重度异常。
在操作S403，根据专家检测结果和检测结果，确定是否发出提示信息。
根据本公开的实施例，专家检测结果包括待测运维数据集中的异常时间点和与异常时间点对应的第二异常结果。
根据本公开的实施例，专家检测结果可以以数组的形式显示待测运维数据集中的异常数据，例如，专家检测结果可以为{2021-4-20-12:00，-5}，其中，2021-4-20-12:00可以为异常时间点，-5可以为与异常时间点对应的第二异常结果。
需要说明的是，本公开实施例对专家检测结果的形式的说明仅是示例性的，并非对检测结果做任何形式的限定。
图5示意性示出了根据本公开实施例的根据专家检测结果和检测结果，确定是否发出提示信息的流程图。
如图5所示，该方法包括操作S501～S503。
在操作S501，根据第一异常结果和与第一异常结果对应的第一权重，得到第一提示值。
根据本公开的实施例，可以为第一异常结果配置第一权重，第一权重表征第一异常结果的重要程度。
根据本公开的实施例，第一异常结果可以为X1，第一权重可以为W1，第一提示值可以为Y1，从而，Y1＝X1*W1。
在操作S502，根据第二异常结果和与第二异常结果对应的第二权重，得到第二提示值。
根据本公开的实施例，可以为第二异常结果配置第二权重，第二权重表征第二异常结果的重要程度。
根据本公开的实施例，第二异常结果可以为X2，第二权重可以为W2，第二提示值可以为Y2，从而，Y2＝X2*W2。
在操作S503，当第一提示值和第二提示值的和大于预设阈值的情况下，发出提示信息。
本公开实施例提供的数据异常检测方法在利用数据异常检测模型对待测运维数据集进行检测的基础上，还结合了专家规则。在确定是否发出异常提示信息时，综合考虑数据异常检测模型的检测结果以及专家规则的专家规则检测结果，从而进一步实现了减少错误异常提示，提高异常提示准确率的效果。
根据本公开的实施例，数据异常检测方法包括操作S501～S503以及下述操作。其中，操作S501～S503与上述参考图5描述的方法相同或类似，在此不再赘述。
从多个结果区间中，确定与第一提示值和第二提示值的和对应的目标结果区间，其中，多个结果区间中的每个结果区间具有对应的提示方式。
按照与目标结果区间对应的提示方式发出提示信息。
根据本公开的实施例，多个结果区间可以包括第一结果区间、第二结果区间和第三结果区间，当第一提示值和第二提示值的和对应第一结果区间时，可以通过第一提示方式提醒运维人员；当第一提示值和第二提示值的和对应第二结果区间时，可以通过第二提示方式提醒运维人员；当第一提示值和第二提示值的和对应第三结果区间时，可以通过第三提示方式提醒运维人员。
根据本公开的可选实施例，第一提示方式、第二提示方式和第三提示方式可以通过提醒的优先级来区分，例如，第一提示方式对应最低优先级，第二提示方式以及第三提示方式的优先级依次递增。
根据本公开的可选实施例，第一提示方式例如可以为对待测运维数据集中的异常数据进行颜色标识，第二提示方式例如可以为向运维人员发送异常提示信息，第三提示方式例如可以为以预设分贝对异常数据进行广播。
根据本发明的实施例，通过设置不同的结果区间，并且按照与目标结果区间对应的提示方式发出提示信息，从而可以使运维人员清晰的了解到此次异常的重要程度。
图6示意性示出了根据本公开实施例的利用训练样本数据集训练得到数据异常检测模型的流程图。
图7示意性示出了根据本公开实施例的利用训练样本数据集训练得到数据异常检测模型的示意。
如图6和图7所示，该方法包括操作S601～S607。
在操作S601，将训练样本数据集划分为训练集和测试集。
在操作S602，将训练集输入待训练的数据异常检测模型，输出第一预测序列，并得到待测试数据异常检测模型。
在操作S603，根据第一预测序列和训练集，得到预测误差分布估计。
在操作S604，根据测试集，对训练后的待训练的数据异常检测模型进行测试，得到第二预测序列。
在操作S605，根据第二预测序列和测试集，得到测试误差分布估计。
在操作S606，根据预测误差分布估计和测试误差分布估计，得到误差向量相似度。
在操作S607，在误差向量相似度不满足迭代停止条件的情况下，继续对数据异常检测模型进行迭代训练和测试，直到误差向量相似度符合迭代停止条件，得到数据异常检测模型。
根据本公开的实施例，待训练的数据异常检测模型包括长短期记忆网络模型。
根据本公开的实施例，待训练的数据异常检测模型可以包括长短期记忆网络模型(Long Short-Term Memory networks，LSTM)，但不限于此，还可以包括门控循环单元网络模型(Gated Recurrent Unit networks，GRU)或堆叠循环神经网络模型(StackedRecurrent Neural Network，SRNN)。
根据本公开的实施例，误差向量相似度是基于第一预测序列和第二预测序列，利用多元高斯分布函数计算得到的。
根据本公开的实施例，误差向量相似度可以通过以下等式(1)计算得到。
Figure BDA0003039823340000141
其中，τ表示预设阈值，H1表示第一假设检验条件，H0表示第二假设检验条件，v表示运维指标数据的个数，t表示时间序列长度，p(·)表示多元高斯分布函数，
Figure BDA0003039823340000151
表示训练样本数据和得到的预测值的差，其中
Figure BDA0003039823340000152
表示训练样本数据，
Figure BDA0003039823340000153
表示预测值。
根据本公开的实施例，第一假设检验条件可以为假设数据异常检测模型对训练样本数据集中的运维指标数据的预测结果全部正确；第二假设检验条件可以为假设数据异常检测模型对训练样本数据集中的运维指标数据的预测结果全部错误。
图8示意性示出了根据本公开实施例的数据异常检测装置框图。
如图8所示，数据异常检测装置800包括获取模块801和检测模块802。
获取模块801，用于获取待测运维数据集，其中，待测运维数据集中的数据包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与时间点对应的运维指标数据。
检测模块802，用于将待测运维数据集输入数据异常检测模型，输出检测结果，其中，数据异常检测模型是利用训练样本数据集训练得到的，训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，运维时间序列数据包括一段连续的时间点和与每个时间点对应的运维指标数据。
根据本公开的实施例，检测结果包括待测运维数据集中的异常时间点和与异常时间点对应的第一异常结果，数据异常检测装置还包括设置模块、对比模块、删除模块和保留模块。
设置模块，用于设置特殊处理时间段，特殊处理时间段为可以忽略异常运维数据的时间段。
对比模块，用于对比特殊处理时间段和待测运维数据集中的异常时间点。
删除模块，用于在特殊处理时间段包括检测结果中的异常时间点的情况下，删除第一异常结果。
保留模块，用于在特殊处理时间段不包括检测结果中的异常时间点的情况下，保留第一异常结果。
根据本公开的实施例，数据异常检测装置还包括规则获取模块、第一确定模块和第二确定模块。
规则获取模块，用于获取专家规则。
第一确定模块，用于根据待测运维数据集和专家规则，得到专家检测结果。
第二确定模块，用于根据专家检测结果和检测结果，确定是否发出提示信息。
根据本公开的实施例，专家检测结果包括待测运维数据集中的异常时间点和与异常时间点对应的第二异常结果。
根据本公开的实施例，第二确定模块包括第一确定单元、第二确定单元和提示信息发出单元。
第一确定单元，用于根据第一异常结果和与第一异常结果对应的第一权重，得到第一提示值。
第二确定单元，用于根据第二异常结果和与第二异常结果对应的第二权重，得到第二提示值。
提示信息发出单元，用于当第一提示值和第二提示值的和大于预设阈值的情况下，发出提示信息。
根据本公开的实施例，数据异常检测装置还包括第三确定模块和第四确定模块。
第三确定模块，用于从多个结果区间中，确定与第一提示值和第二提示值的和对应的目标结果区间，其中，多个结果区间中的每个结果区间具有对应的提示方式。
第四确定模块，用于按照与目标结果区间对应的提示方式发出提示信息。
根据本公开的实施例，数据异常检测装置还包括模型训练模块，模型训练模块包括划分单元、第一输出单元、第二输出单元、第三输出单元、第四输出单元、第五输出单元和第六输出单元。
划分单元，用于将训练样本数据集划分为训练集和测试集。
第一输出单元，用于将训练集输入待训练的数据异常检测模型，输出第一预测序列，并得到待测试数据异常检测模型。
第二输出单元，用于根据第一预测序列和训练集，得到预测误差分布估计。
第三输出单元，用于根据测试集，对训练后的待训练的数据异常检测模型进行测试，得到第二预测序列。
第四输出单元，用于根据第二预测序列和测试集，得到测试误差分布估计。
第五输出单元，用于根据预测误差分布估计和测试误差分布估计，得到误差向量相似度。
第六输出单元，用于在误差向量相似度不满足迭代停止条件的情况下，继续对数据异常检测模型进行迭代训练和测试，直到误差向量相似度符合迭代停止条件，得到数据异常检测模型。
根据本公开的实施例，待训练的数据异常检测模型包括长短期记忆网络模型。
根据本公开的实施例，误差向量相似度是基于第一预测序列和第二预测序列，利用多元高斯分布函数计算得到的。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，获取模块801和检测模块802中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，获取模块801和检测模块802中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块801和检测模块802中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图9示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图9示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，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。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的字符识别模型的训练方法和字符识别方法。
在该计算机程序被处理器901执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种数据异常检测方法，包括：
获取待测运维数据集，其中，所述待测运维数据集中的数据包括预设时间段内的运维时间序列数据，所述运维时间序列数据包括一段连续的时间点和与所述时间点对应的运维指标数据；
将所述待测运维数据集输入数据异常检测模型，输出检测结果，其中，所述数据异常检测模型是利用训练样本数据集训练得到的，所述训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，所述运维时间序列数据包括一段连续的时间点和与每个所述时间点对应的运维指标数据。
2.根据权利要求1所述的方法，其中，所述检测结果包括所述待测运维数据集中的异常时间点和与所述异常时间点对应的第一异常结果，所述方法还包括：
设置特殊处理时间段，所述特殊处理时间段为可以忽略异常运维数据的时间段；
对比所述特殊处理时间段和所述待测运维数据集中的异常时间点，
在所述特殊处理时间段包括所述检测结果中的异常时间点的情况下，删除所述第一异常结果；
在所述特殊处理时间段不包括所述检测结果中的异常时间点的情况下，保留所述第一异常结果。
3.根据权利要求2所述的方法，还包括：
获取专家规则；
根据所述待测运维数据集和所述专家规则，得到专家检测结果；
根据所述专家检测结果和所述检测结果，确定是否发出提示信息。
4.根据权利要求3所述的方法，其中，所述专家检测结果包括所述待测运维数据集中的异常时间点和与所述异常时间点对应的第二异常结果；
所述根据所述专家检测结果和所述检测结果，确定是否发出提示信息包括：
根据所述第一异常结果和与所述第一异常结果对应的第一权重，得到第一提示值；
根据所述第二异常结果和与所述第二异常结果对应的第二权重，得到第二提示值；
当所述第一提示值和所述第二提示值的和大于预设阈值的情况下，发出提示信息。
5.根据权利要求4所述的方法，还包括：
从多个结果区间中，确定与所述第一提示值和所述第二提示值的和对应的目标结果区间，其中，所述多个结果区间中的每个结果区间具有对应的提示方式；
按照与所述目标结果区间对应的提示方式发出提示信息。
6.根据权利要求1所述的方法，其中，利用所述训练样本数据集训练得到所述数据异常检测模型的操作包括：
将所述训练样本数据集划分为训练集和测试集；
将所述训练集输入所述待训练的数据异常检测模型，输出第一预测序列，并得到待测试数据异常检测模型；
根据所述第一预测序列和所述训练集，得到预测误差分布估计；
根据所述测试集，对训练后的所述待训练的数据异常检测模型进行测试，得到第二预测序列；
根据所述第二预测序列和所述测试集，得到测试误差分布估计；
根据所述预测误差分布估计和所述测试误差分布估计，得到误差向量相似度；
在所述误差向量相似度不满足迭代停止条件的情况下，继续对所述数据异常检测模型进行迭代训练和测试，直到所述误差向量相似度符合迭代停止条件，得到数据异常检测模型。
7.根据权利要求1或6所述的方法，其中，所述待训练的数据异常检测模型包括长短期记忆网络模型。
8.根据权利要求6所述的方法，其中，所述误差向量相似度是基于所述第一预测序列和所述第二预测序列，利用多元高斯分布函数计算得到的。
9.一种数据异常检测装置，包括：
获取模块，用于获取待测运维数据集，其中，所述待测运维数据集中的数据包括预设时间段内的运维时间序列数据，所述运维时间序列数据包括一段连续的时间点和与所述时间点对应的运维指标数据；
检测模块，用于将所述待测运维数据集输入数据异常检测模型，输出检测结果，其中，所述数据异常检测模型是利用训练样本数据集训练得到的，所述训练样本数据集中的训练样本包括预设时间段内的运维时间序列数据，所述运维时间序列数据包括一段连续的时间点和与每个所述时间点对应的运维指标数据。
10.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个指令，
其中，当所述一个或多个指令被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1至8中任一项所述的方法。
12.一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现权利要求1至8中任一项所述的方法。
CN202110456570.1A 2021-04-26 2021-04-26 数据异常检测方法及装置 Pending CN113515399A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110456570.1A CN113515399A (zh) 2021-04-26 2021-04-26 数据异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110456570.1A CN113515399A (zh) 2021-04-26 2021-04-26 数据异常检测方法及装置

Publications (1)

Publication Number Publication Date
CN113515399A true CN113515399A (zh) 2021-10-19

Family

ID=78063544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110456570.1A Pending CN113515399A (zh) 2021-04-26 2021-04-26 数据异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN113515399A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091979A (zh) * 2022-01-10 2022-02-25 新风光电子科技股份有限公司 基于人工智能的配电设备风险检测方法
CN114860535A (zh) * 2022-04-18 2022-08-05 地平线征程(杭州)人工智能科技有限公司 数据评估模型生成方法及装置、异常数据监控方法及装置
CN114881167A (zh) * 2022-05-24 2022-08-09 北京百度网讯科技有限公司 异常检测方法、装置、电子设备和介质
CN116401681A (zh) * 2023-03-13 2023-07-07 濮阳职业技术学院 基于大数据的信息管理方法、可读存储介质及计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008079A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 监控指标异常检测方法、模型训练方法、装置及设备
CN111860897A (zh) * 2020-08-05 2020-10-30 青岛特来电新能源科技有限公司 一种异常检测方法、装置、设备及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008079A (zh) * 2018-12-25 2019-07-12 阿里巴巴集团控股有限公司 监控指标异常检测方法、模型训练方法、装置及设备
CN111860897A (zh) * 2020-08-05 2020-10-30 青岛特来电新能源科技有限公司 一种异常检测方法、装置、设备及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091979A (zh) * 2022-01-10 2022-02-25 新风光电子科技股份有限公司 基于人工智能的配电设备风险检测方法
CN114860535A (zh) * 2022-04-18 2022-08-05 地平线征程(杭州)人工智能科技有限公司 数据评估模型生成方法及装置、异常数据监控方法及装置
CN114881167A (zh) * 2022-05-24 2022-08-09 北京百度网讯科技有限公司 异常检测方法、装置、电子设备和介质
CN116401681A (zh) * 2023-03-13 2023-07-07 濮阳职业技术学院 基于大数据的信息管理方法、可读存储介质及计算机设备

Similar Documents

Publication Publication Date Title
CN113515399A (zh) 数据异常检测方法及装置
CN109471783B (zh) 预测任务运行参数的方法和装置
CN114138625A (zh) 服务器健康状态的评估方法、系统、电子设备和存储介质
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN114238058A (zh) 监控方法、装置、设备、介质和程序产品
CN114462532A (zh) 模型训练方法、预测交易风险的方法、装置、设备及介质
CN112131381A (zh) 警情高发地的识别方法、装置、电子设备及存储介质
CN113535577B (zh) 基于知识图谱的应用测试方法、装置、电子设备和介质
CN113495825A (zh) 线路告警的处理方法、装置、电子设备及可读存储介质
CN113112352A (zh) 风险业务检测模型训练方法、风险业务检测方法及装置
CN113420935A (zh) 故障定位方法、装置、设备和介质
CN113076224A (zh) 数据备份方法、数据备份系统、电子设备及可读存储介质
CN113986671A (zh) 运维数据异常检测方法、装置、设备及介质
CN115795345A (zh) 信息处理方法、装置、设备及存储介质
CN114461499A (zh) 异常信息检测模型的构建方法和灰度环境异常检测方法
CN114218283A (zh) 异常检测方法、装置、设备、介质
CN113869904A (zh) 可疑数据识别方法、装置、电子设备、介质和计算机程序
CN113127362A (zh) 对象测试方法、对象测试装置、电子设备及可读存储介质
CN113961441A (zh) 告警事件处理方法、审计方法、装置、设备、介质和产品
CN112132722A (zh) 政务热线数量趋势异常确定方法、装置、电子设备及介质
CN114710397B (zh) 服务链路的故障根因定位方法、装置、电子设备及介质
CN115312208B (zh) 接诊数据展示方法、装置、设备、介质
CN109240878B (zh) 数据处理方法和装置
CN113362097B (zh) 一种用户确定方法和装置
CN114528224A (zh) 持续集成方法、装置、电子设备、存储介质和程序产品

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