CN113656452A - 调用链指标异常的检测方法、装置、电子设备及存储介质 - Google Patents
调用链指标异常的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113656452A CN113656452A CN202110858576.1A CN202110858576A CN113656452A CN 113656452 A CN113656452 A CN 113656452A CN 202110858576 A CN202110858576 A CN 202110858576A CN 113656452 A CN113656452 A CN 113656452A
- Authority
- CN
- China
- Prior art keywords
- anomaly detection
- real
- call chain
- data
- time data
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 350
- 238000004422 calculation algorithm Methods 0.000 claims description 100
- 230000005856 abnormality Effects 0.000 claims description 91
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 230000003068 static effect Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
Abstract
本发明提供的调用链指标异常的检测方法、装置、电子设备及存储介质,根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常;实现了通过至少两种异常检测模型,对调用链指标的实时数据进行检测,确定是否存在异常,减少了对调用链指标的阈值频繁维护的过程,在对调用链指标进行有效检测的基础上,提高了异常检测的准确度,保证了业务系统的正常运行。
Description
技术领域
本发明涉及计算机信息技术领域,尤其涉及一种调用链指标异常的检测方法、装置、电子设备及存储介质。
背景技术
随着计算机软件行业环境的变化,以及各业务系统的调用部署关系越发的复杂,各组件之间调用关系也越发复杂,服务治理下的应用实例之间的接口调用关系扩散,业务系统中的调用链异常检测能力将成为企业核心竞争力的重要组成部分。
目前,现有的判定单个指标的异常检测的方法,主要有基于通过人工手动设置的静态阈值和动态阈值这两种方式进行判定,当指标数据超出设定的阈值时,判定指标存在异常。但是,由于业务系统的调用链关系愈发复杂,不同调用链指标的阈值不同,通过人工手动设置阈值,已无法满足对不同指标的阈值进行及时更新的要求,且由于人工经验不足,容易导致阈值设置表不准确,造成错误的异常检测结果,影响系统的正常运行。
由此可见,现有的调用链指标的异常检测方法,通过人工设置阈值的方式检测指标数据是否异常,存在着工作量大,需要对大量的不同指标阈值进行频繁的更新维护,异常检测准确度低,影响业务系统正常运行的问题。
发明内容
本发明提供一种调用链指标异常的检测方法、装置、电子设备及存储介质,用以解决现有的调用链指标的异常检测方法,通过人工设置阈值的方式检测指标数据是否异常,存在着工作量大,无法及时对大量的不同指标阈值进行频繁的更新维护,异常检测准确度低,影响业务系统正常运行的问题;通过至少两种异常检测模型,对调用链指标的实时数据进行检测,确定是否存在异常,减少了对调用链指标的阈值频繁维护的过程,在对调用链指标进行有效检测的基础上,提高了异常检测的准确度,保证了业务系统的正常运行。
本发明提供一种调用链指标异常的检测方法,包括:
根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;
采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
根据本发明提供的调用链指标异常的检测方法,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
确定所述历史数据与所述实时数据中的最大值、最小值;
根据所述最大值、最小值,对任一所述历史数据与实时数据进行归一化处理,生成归一化历史数据、归一化实时数据;
对所述归一化历史数据、归一化实时数据进行排序,生成归一化数据序列。
根据本发明提供的调用链指标异常的检测方法,所述异常检测模型包括以下模型中的至少两种:基于回归算法的异常检测模型、基于加权平均算法的异常检测模型、基于孤立森林算法的异常检测模型;
其中,所述基于回归算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于加权平均算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于孤立森林算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的。
根据本发明提供的调用链指标异常的检测方法,所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常,包括:
将所述归一化数据序列导入基于回归算法的异常检测模型,获取当前时刻的第一预测值,通过所述第一预测值与所述归一化实时数据,生成第一异常检测值,比较所述第一异常检测值与所述基于回归算法的异常检测模型中的第一经验阈值,确定第一异常检测结果;
将所述归一化数据序列导入基于加权平均算法的异常检测模型,获取当前时刻的第二预测值,通过所述第二预测值与所述归一化实时数据,生成第二异常检测值,比较所述第二异常检测值与所述基于加权平均算法的异常检测模型中的第二经验阈值,确定第二异常检测结果;
将所述归一化数据序列导入基于孤立森林算法的异常检测模型,根据所述基于孤立森林算法的异常检测模型中的第三经验阈值,确定第三异常检测结果;
若所述第一异常检测结果、第二异常检测结果、第三异常检测结果中至少两个为异常,确定所述实时数据存在异常。
根据本发明提供的调用链指标异常的检测方法,在所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常之前,方法还包括:
获取第二预设时间段内的历史数据,确定任一所述异常检测模型的准确率与召回率;
通过所述准确率、召回率,计算任一所述异常检测模型的F1分数;
根据所述F1分数,对所述第一经验阈值、第二经验阈值、第三经验阈值进行优化。
根据本发明提供的调用链指标异常的检测方法,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
根据调用链指标的历史数据,计算所述调用链指标在当前时刻的阈值范围;
判断所述调用链指标在所述当前时刻的实时数据是否超出所述阈值范围;
若超出,获取所述调用链指标的归一化数据序列。
根据本发明提供的调用链指标异常的检测方法,在所述检测所述实时数据是否存在异常之后,方法还包括:
若所述实时数据存在异常,确定所述异常的异常类型;
根据所述异常类型,对所述实时数据进行标记;
根据所述标记,将所述实时数据与检测结果存储至关系型数据库,以作为展示所述实时数据异常的检测结果的数据来源。
本发明还提供一种调用链指标异常的检测装置,包括:
获取单元,用于根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;
检测单元,用于采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述调用链指标异常的检测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述调用链指标异常的检测方法的步骤。
本发明提供的调用链指标异常的检测方法、装置、电子设备及存储介质,根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常;实现了通过至少两种异常检测模型,对调用链指标的实时数据进行检测,确定是否存在异常,减少了对调用链指标的阈值频繁维护的过程,在对调用链指标进行有效检测的基础上,提高了异常检测的准确度,保证了业务系统的正常运行。
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是本发明实施例提供的调用链指标异常的检测方法的流程示意图;
图2是本发明另一实施例提供的一种基于多种异常检测算法的调用链异常指标的检测方法的流程示意图;
图3是本发明另一实施例提供的调用链指标异常的检测装置的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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作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。
首先对传统的调用链指标异常的检测方法进行说明。
随着计算机软件行业环境的深刻变化,业务系统服务的拓扑关系越发复杂,服务治理下的应用实例之间的接口调用关系扩散,业务系统的调用链异常检测能力将成为企业核心竞争力的重要组成部分。如何判断IT系统中服务链路是否正常?如何维护调用链异常指标的阈值?如何对调用链的指标进行有效的检测?如何有效的帮助业务系统定位服务链路上的故障点?为了解决上述的诸多问题,提出了对调用链异常指标进行检测的方法。
传统判定单个指标的异常检测的方法,主要有基于静态阈值和动态阈值这两种方式进行判定,即待判定点的值y,一般指当前时刻的目标指标的实际采集值y,如果该实际值y超过静态阈值或者超出动态阈值的上下限范围,即判定该点的值属于异常。
基于静态阈值的指标异常检测的实现思路:假设目标指标为cpu使用率,依据运维经验常识,可设定当目标指标cpu使用率在一段时间内大于95%时该指标为异常状态,此处“一段时间”根据实际场景需求而定,而95%即为该目标指标cpu使用率的静态阈值,也称恒定阈值。
基于动态阈值的指标异常检测的实现思路:假设目标指标为请求总数,当前时刻实际采集值为y0,并且检测的时间单位为每隔10s,即每隔10s对指标请求总数采集或检测一次,采集指标请求总数的历史时间序列数据,包含当前时刻往前1周的数据(具体周数可以根据系统实际负载和场景实际需求而定),接着计算1周内点个数n(7*24*60*6)个点的平均值μ,假设n个点分别对应x1,x2,…,xn,
则
计算3倍标准差3σ:
则当前时刻待判定目标点下限阈值为μ-3σ,上限阈值为μ+3σ,即如果y0<μ-3σ或者y0>μ+3σ即待判定点超出上下限阈值范围,即判定为异常点,注意此处的μ随着时间的迁移,计算点的不断迭代更新,μ也会动态更新,所以对应会会生成一条基于历史数据的动态基线。
软件系统对调用链的异常检测,是基于传统的静态阈值方案实现的。通过人工手动的、基于经验的方式,对调用链的检测指标进行阈值设置,当检测指标超过阈值时,产生告警。这种基于人工设置阈值的方式,在对于不同业务系统所提供的接口级服务来说,首先是一个工作量非常大的事情,因为每个业务点的阈值不是统一值,不同业务访问的资源所产生的耗时是不相同的。同时随着新服务发布的上线,梳理调用链的阈值将变得十分困难。靠人工的静态阈值管理方式面临如下问题:
人工经验并不准确,阈值设置过大,会导致告警丢失。阈值设置过小,会导致告警过于敏感。同时在不同时间段,业务系统的调用量会有区别,因此还要人工按照业务周期设置不同的检测阈值,使用十分困难。
人工设置阈值在新系统发布上线时,可能需要对调用链的阈值进行梳理,这是一个十分巨大的工作量。
基于静态阈值的配置方式,不同指标的静态阈值往往需要结合人工运维经验来设定,当系统指标数较少,该方式可行,但现在的运维系统指标数量庞大,如果对每个指标进行人工配置静态阈值,则人工工作量较大,且随着系统的升级,新指标的接入,指标数据随着时间迁移而使得分布形态的变化等,都需要更新静态阈值的配置等这些因素都导致单一的静态阈值配置方法变得低效甚至不可行。
基于动态阈值上下限的判定方式,相比静态阈值配置,在保证较高的准确度的基础上,省去了大量人工工作量,然而该方式的基本前提是基于指标具有统计假设:历史数据分布服从正态分布。虽然有部分指标天然服从正态分布,但也有部分运维指标的短期历史走势不一定服从正态分布,所以单一使用该方式也具有一定的缺陷性。
针对以上缺点,本发明实施例提供的调用链指标异常的检测方法,可以对业务系统中的基于静态阈值的调用链指标和基于动态阈值的调用链指标的异常进行检测,并对异常指标的数据进行标注,有利于后续运行过程中对异常指标数据的分类。
下面结合图1-图2描述本发明提供的一种调用链指标异常的检测方法。
图1为本发明实施例提供的调用链指标异常的检测方法的流程示意图。参见图1,该调用链指标异常的检测方法包括:
步骤101:根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列。
在业务系统的调用链中,包含有多种指标,本实施例中,涉及到的调用链指标包括请求总数、失败率、平均响应时间。对于需要进行检测的调用链,通过业务系统的检测任务划分出不同的检测范围,即将不同的需要进行异常检测的应用划分到不同的检测范围中;其中,不同的检测范围提供应用级的调用链检测结果入口,用以帮助用户划分从业务维度查看不同的调用链的异常状况。
具体的,实时采集调用链指标的数据并进行上报,作为调用链指标在当前时刻的实时数据。
对于调用链指标的历史数据,使用spark大数据技术对每一个实例的不同指标进行分钟级的聚合。这样的预处理过程是为了提升调用链异常检测的计算效率。聚合算法为一段时间内对于单个或多个实例的原始调用链数据进行求和,并且统计当前时间段内的调用量总次数、成功次数、失败次数、平均响应时间以及这段时间内统计的次数;再按照原始数据,计算出请求总数、失败率、平均响应时间这些指标的数据;最后将计算好的数据存储到关系型数据库。
将调用链指标的历史数据与当前时刻的实时数据进行归一化处理,对归一化处理后的历史数据和实时数据进行排序,生成归一化数据序列。
步骤102:采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
在得到归一化数据序列后,通过多种异常检测模型对归一化数据序列进行异常检测。本实施例中,使用了三种异常检测模型进行异常检测,当三种异常检测模型的检测结果中至少有两种为异常时,确定该实时数据存在异常,即该调用链指标存在异常。
本发明提供的调用链指标异常的检测方法,根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常;实现了通过至少两种异常检测模型,对调用链指标的实时数据进行检测,确定是否存在异常,减少了对调用链指标的阈值频繁维护的过程,在对调用链指标进行有效检测的基础上,提高了异常检测的准确度,保证了业务系统的正常运行。
进一步地,在上述实施例的基础上,根据本发明提供的调用链指标异常的检测方法,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
确定所述历史数据与所述实时数据中的最大值、最小值;
根据所述最大值、最小值,对任一所述历史数据与实时数据进行归一化处理,生成归一化历史数据、归一化实时数据;
对所述归一化历史数据、归一化实时数据进行排序,生成归一化数据序列。
在对调用链指标的实时数据进行检测之前,需要先获取一段时间内的该调用链指标的历史数据;例如,以调用量总次数callCnt为例,待检测指标callCnt时间序列历史值X={x1,x2,…,xn},其中x1,x2,…,xn分别对应第一个点到第n个点的调用总次数,每个点的时间间隔为采集时间单位,其中设定为每隔10s采集一次,最后一个点xn是目标检测点(即实时数据)。
进一步地,在历史数据和实时数据中,确定出最大值、最小值,通过数据归一化处理,生成归一化历史数据、归一化实时数据,将归一化历史数据与归一化实时数据按照历史数据与实时数据的生成顺序进行排序,即得到归一化数据序列。
具体的,针对X历史序列{x1,x2,…,xn},进行数据归一化,先求出{x1,x2,…,xn}中的最大值记为xmax,最小值记为xmin,即归一化后的序列为{x′1,x′2,…,x′n},其中
其中n=1,2,3…,n。
本实施例中,通过对历史数据和实时数据进行归一化处理,生成归一化序列,以进行后续的异常检测,从而使得不同的数据之间具有了统一的标准和量纲,增加了数据的可对比性,实现了后续对调用链指标异常检测的准确度。
进一步地,在上述实施例的基础上,根据本发明提供的调用链指标异常的检测方法,所述异常检测模型包括以下模型中的至少两种:基于回归算法的异常检测模型、基于加权平均算法的异常检测模型、基于孤立森林算法的异常检测模型;
其中,所述基于回归算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于加权平均算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于孤立森林算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的。
通过至少两种异常检测模型对调用链指标的实时数据进行检测。具体的,异常检测模型中包括基于回归算法的异常检测模型、基于加权平均算法的异常检测模型、基于孤立森林算法的异常检测模型。其中,任一异常检测模型均是基于历史数据的内容以及实时数据的异常检测结果训练得到的,即可以根据历史数据的内容,以及对指标数据的检测结果对异常检测模型进行训练。
具体的,基于回归算法的异常检测模型中,使用的是岭回归算法;基于加权平均算法的异常检测模型中,使用的是指数加权移动平均算法(Exponential Weighted MovingAverage,ewma);基于孤立森林算法的异常检测模型中,使用的即为孤立森林算法。
本实施例中,通过使用多种异常检测模型中的至少两种对调用链指标的实时数据进行异常检测,在提高了异常检测效率的基础上,进一步提高了异常检测的准确度。
进一步地,在上述实施例的基础上,根据本发明提供的调用链指标异常的检测方法,所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常,包括:
将所述归一化数据序列导入基于回归算法的异常检测模型,获取当前时刻的第一预测值,通过所述第一预测值与所述归一化实时数据,生成第一异常检测值,比较所述第一异常检测值与所述基于回归算法的异常检测模型中的第一经验阈值,确定第一异常检测结果;
将所述归一化数据序列导入基于加权平均算法的异常检测模型,获取当前时刻的第二预测值,通过所述第二预测值与所述归一化实时数据,生成第二异常检测值,比较所述第二异常检测值与所述基于加权平均算法的异常检测模型中的第二经验阈值,确定第二异常检测结果;
将所述归一化数据序列导入基于孤立森林算法的异常检测模型,根据所述基于孤立森林算法的异常检测模型中的第三经验阈值,确定第三异常检测结果;
若所述第一异常检测结果、第二异常检测结果、第三异常检测结果中至少两个为异常,确定所述实时数据存在异常。
基于回归算法的异常检测模型、基于加权平均算法的异常检测模型、基于孤立森林算法的异常检测模型都是基于历史数据以及实时数据的异常结果训练得到的,即其中的基于回归算法的异常检测模型与基于加权平均算法的异常检测模型可以根据历史数据,预测出调用链指标在当前时刻的第一预测值和第二预测值。
在基于回归算法的异常检测模型中,将归一化数据序列输入到基于回归算法的异常检测模型中,通过基于回归算法的异常检测模型进行预测,获取到在当前时刻的第一预测值,通过第一预测值与归一化实时数据,进一步获取到第一异常检测值,比较第一异常检测值与基于回归算法的异常检测模型中的第一经验阈值,当第一异常检测值大于第一经验阈值时,第一异常检测结果为异常。
在基于加权平均算法的异常检测模型中,,将归一化数据序列输入到基于加权平均算法的异常检测模型中,通过基于加权平均算法的异常检测模型进行预测,获取到第二预测值,通过第二预测值与归一化实时数据,进一步获取到第二异常检测值,比较第二异常检测值与基于加权平均算法的异常检测模型中的第二经验阈值,当第二异常检测值大于第二经验阈值时,第二异常检测结果为异常。
在基于孤立森林算法的异常检测模型中,已经通过历史数据对该基于孤立森林算法的异常检测模型进行训练,在设置第三经验阈值后,将归一化数据序列输入到该基于孤立森林算法的异常检测模型中,可以直接得到第三异常检测结果为正常或异常。
其中,第一经验阈值、第二经验阈值、第三经验阈值均可以由人为设置。
最后,当第一异常检测结果、第二异常检测结果、第三异常检测结果中至少两个为异常时,可以最终确定该调用链指标的实时数据存在异常。
具体的,将归一化后的序列{x′1,x′2,…,x′n},作为ridge回归算法(即岭回归算法)的输入,预测第n个点的值记为y',实际采集值xn归一化后的x′n=(xn-xmin)/(xn-xmax),如果abs(y′-x′n)/(y′+x′n)>0.2,则ridge回归算法判定待检测点xn为异常点,其中abs符号表示取y′-x′n的绝对值,将算法返回结果记为p1,p1=0表示异常,p1=1表示正常。其中,0.2为第一经验阈值。
将归一化后的序列{x′1,x′2,…,x′n},作为指数加权移动平均算法ewma的输入,预测第n个点的值记为y”,实际采集值xn归一化后的x′n=(xn-xmin)/(xn-xmax),如果abs(y″-x′n)/(y″+x′n)>0.15,则指数加权移动平均算法ewma判定待检测点xn为异常点,其中abs符号表示取y″-x′n的绝对值,将算法返回结果记为p2,p2=0表示异常,p2=1表示正常。其中,0.15为第二经验阈值。
将归一化后的序列{x′1,x′2,…,x′n},作为孤立森林算法iForest的输入,孤立森林的初始化参数contamination=0.1(即第三经验阈值),此处将算法返回的结果记为p3,p3=0表示异常,p3=1表示正常。
采用平均权重的投票机制,计算P=p1+p2+p3,如果P≤1则多种异常检测模型的判定结果为异常,否则为正常。
本实施例中,通过使用多种异常检测模型中的至少两种对调用链指标的实时数据进行异常检测,在提高了异常检测效率的基础上,进一步提高了异常检测的准确度。
进一步地,在上述实施例的基础上,根据本发明提供的调用链指标异常的检测方法,在所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常之前,方法还包括:
获取第二预设时间段内的历史数据,确定任一所述异常检测模型的准确率与召回率;
通过所述准确率、召回率,计算任一所述异常检测模型的F1分数;
根据所述F1分数,对所述第一经验阈值、第二经验阈值、第三经验阈值进行优化。
本实施例中的异常检测模型均为机器学习模型,在异常检测模型对调用链指标的实时数据进行检测的过程中,设置不同的第一经验阈值、第二经验阈值、第三经验阈值,对应着会产生不同的异常检测结果,因此,对不同异常检测模型中的经验阈值进行优化,能够进一步提高异常检测的准确度。
在基于机器学习的异常检查模型中,每一异常检测模型都对应着各自的准确率、召回率数据,通过准确率与召回率计算出F1分数,其中,F1分数越大,代表异常检测的效果越好。因此,在实际的异常检测模型中,需要尽量保证F1分数尽量大。
具体的,为使得该实施例具有更强的鲁棒性和检测效率,需离线训练较大样本数据,并对部分样本进行标注,通过校验准确率precision和召回率recall,计算出F1,以F1更高的方式寻找最佳的经验阈值,并迭代更新各异常检测模型中的经验阈值。
本实施例中,通过对各异常检测模型中的经验阈值进行优化,能够为各异常检测模型提供更强的鲁棒性,提高异常检测模型的检测效率与准确度。
进一步地,在上述实施例的基础上,根据本发明提供的调用链指标异常的检测方法,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
根据调用链指标的历史数据,计算所述调用链指标在当前时刻的阈值范围;
判断所述调用链指标在所述当前时刻的实时数据是否超出所述阈值范围;
若超出,获取所述调用链指标的归一化数据序列。
在通过至少两种异常检测模型对调用链指标的实时数据进行检测之前,需要对该实时数据是否可能存在异常进行初步确认。本实施例中,通过计算该调用链指标在当前时刻的阈值范围,判断实时数据是否在该阈值范围内,对该实时数据进行初步的异常检测。
具体的,针对该历史序列{x′1,x′2,…,x′n}建设动态基线,即分别计算x1的上下限x2的上下限…,xn的上下限这n个点对应的最小和最大的值在二维垂直坐标系中的连线分别组成动态基线的下限阈值线和上限阈值线,此处分别记为下限线Lmin和上限线Lmax。
计算目标检测点xn与下限线Lmin和上限线Lmax的关系,如果xn在下限线Lmin的下方或者上限线Lmax的上方,则第一此异常检测的动态基线判定机制初步判定目标检测点xn为疑似异常点。如果xn位于下限线Lmin和上限线Lmax之间则xn为正常点,无需进行下一步的基于机器学习算法的异常检测判定。
本实施例中,首先通过判断实时数据是否在当前时刻的阈值范围内,可以进一步减少异常检测的流程,防止未超出阈值范围的实时数据被重复检测,提高了异常检测的效率。
进一步地,在上述实施例的基础上,根据本发明提供的调用链指标异常的检测方法,在所述检测所述实时数据是否存在异常之后,方法还包括:
若所述实时数据存在异常,确定所述异常的异常类型;
根据所述异常类型,对所述实时数据进行标记;
根据所述标记,将所述实时数据与检测结果存储至关系型数据库,以作为展示所述实时数据异常的检测结果的数据来源。
通过异常检测模型,检测到调用链指标的实时数据存在异常之后,得到检测结果,其中检测结果中包含了异常的类型;不同的异常具有不同的类型,为不同类型的异常所对应的实时数据进行标记,根据标记将实时数据和针对该实时数据进行检测得到的检测结果存储至关系型数据库中,从而建立实时数据与检测结果的关联关系。当通过展示界面向技术人员展示检测结果时,通过关系型数据库获取到实时数据及其检测结果,可以向技术人员完整的展示检测结果的来源与类型。
本实施例中,通过对实时数据进行标记,并将实时数据和检测结果存储至关系型数据库中,可以为检测结果的展示提供数据来源,向技术人员完整的展示检测结果,使得技术人员获取到更充分完整的检测内容,更快的对异常进行处理。
图2为本发明另一实施例提供的一种基于多种异常检测算法的调用链异常指标的检测方法的流程示意图。参见图2,具体的,该基于多种异常检测算法的调用链异常指标的检测方法包括:
步骤201:创建检测范围,将需要异常检测的应用划分到不同的检测范围,不同的检测范围提供应用级的调用链检测结果入口,帮助用户划分从业务维度查看不同的调用链健康状况。
步骤202:实时采集调用链数据并上报。
步骤203:使用spark大数据技术对每一个实例的不同指标进行分钟级的聚合。这样的预处理过程是为了提升调用链异常检测的计算效率。
聚合算法为一段时间内对于单个或多个实例的原始调用链数据进行求和,并且统计当前时间段内的调用量总次数、成功次数、失败次数、平均响应时间以及这段时间内统计的次数;再按照原始数据,计算出请求总数、失败率、平均响应时间这些指标;最后将计算好的数据存储到关系型数据库。
步骤204:开发基于sanic框架的restapi服务,标准化历史指标数据输入和结果输出流程,将实例指标的历史样本数据以字符串的方式传递给算法服务后台,以降低传输成本和提升性能,后台对历史数据进行解析和预处理以及转换等基础操作后,送入标准算法方法进行模型训练得到相应算法的模型。
步骤205:根据历史数据,以环比、同比的角度,使用三倍标准差计算请求总数、失败率、平均响应时间的基线;使用之前计算好的动态基线预测当前指标数据是否产生异常。
步骤206:根据步骤205的异常检测结果,如果检测结果为异常,将数据发送给AI进行检测。本方案的基本思路是采用双重判定机制,先基于历史数据用spark计算出动态基线,将超出基线上下阈值范围的点判定为疑似异常点,再结合三种机器学习算法:孤立森林算法iForest,指数加权移动平均算法ewma,岭回归算法ridge,采用平均权重投票机制,联合判定该疑似异常点是否是真实的异常点,即三种算法中有2种或以上判定为异常点,则最终判定待检测点为异常点。
步骤207:根据AI预测的异常结果,对当前数据进行打标处理,然后将计算指标和计算结果存储到关系型数据库,用以为展示界面提供数据来源。
本方案涉及的调用链异常检测指标包含请求总数、失败率、平均响应时间。需要检测的调用链以检测任务获取,用户可以按照不同业务视图的不同维度创建检测范围。通过采集检测范围下的所有实例的调用链数据,对数据进行聚合清洗,得到调用链的请求总数、失败率、平均响应时间这样的指标数据。数据采集保证实时性及全面性,并对采集的数据进行存储。基于预处理后的数据,以业务系统为统计单元,计算出调用链异常指标的数学模型。
本方案使用多种异常检测算法来处理调用链的异常检测指标。并且对调用链的异常指标进行检测之后,以应用、实例为业务视图,提供业务系统级、实例级的调用链详情展示。本方案通过动态基线作为异常检测算法的第一步实现,当动态基线检测为异常后,将当前指标数据发送给AI,通过AI进行二次检测。其中不同检测指标使用的AI检测算法不同。
进一步地,本实施例中进行调用链异常检测的目的包括:
智能发现异常:依据调用链相关指标的历史数据,动态计算阈值范围,智能发现异常。
可视化展现:以不同级别链路信息展示检测结果,用户可快速判断异常节点。
提高异常告警精确度:通过智能化算法发现异常,降低人工配置成本,大幅提高异常告警精确度。
下面对本发明提供的调用链指标异常的检测装置进行描述,下文描述的调用链指标异常的检测装置与上文描述的调用链指标异常的检测方法可相互对应参照。
图3为本发明提供的调用链指标异常的检测装置的结构示意图,参见图3,该调用链指标异常的检测装置包括:
获取单元301,用于根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;
检测单元302,用于采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
本实施例提供的调用链指标异常的检测装置适用于上述各实施例提供的调用链指标异常的检测方法,在此不再赘述。
具体的,根据本发明提供的调用链指标异常的检测装置,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
确定所述历史数据与所述实时数据中的最大值、最小值;
根据所述最大值、最小值,对任一所述历史数据与实时数据进行归一化处理,生成归一化历史数据、归一化实时数据;
对所述归一化历史数据、归一化实时数据进行排序,生成归一化数据序列。
根据本发明提供的调用链指标异常的检测装置,所述异常检测模型包括以下模型中的至少两种:基于回归算法的异常检测模型、基于加权平均算法的异常检测模型、基于孤立森林算法的异常检测模型;
其中,所述基于回归算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于加权平均算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于孤立森林算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的。
根据本发明提供的调用链指标异常的检测装置,所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常,包括:
将所述归一化数据序列导入基于回归算法的异常检测模型,获取当前时刻的第一预测值,通过所述第一预测值与所述归一化实时数据,生成第一异常检测值,比较所述第一异常检测值与所述基于回归算法的异常检测模型中的第一经验阈值,确定第一异常检测结果;
将所述归一化数据序列导入基于加权平均算法的异常检测模型,获取当前时刻的第二预测值,通过所述第二预测值与所述归一化实时数据,生成第二异常检测值,比较所述第二异常检测值与所述基于加权平均算法的异常检测模型中的第二经验阈值,确定第二异常检测结果;
将所述归一化数据序列导入基于孤立森林算法的异常检测模型,根据所述基于孤立森林算法的异常检测模型中的第三经验阈值,确定第三异常检测结果;
若所述第一异常检测结果、第二异常检测结果、第三异常检测结果中至少两个为异常,确定所述实时数据存在异常。
根据本发明提供的调用链指标异常的检测装置,在所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常之前,方法还包括:
获取第二预设时间段内的历史数据,确定任一所述异常检测模型的准确率与召回率;
通过所述准确率、召回率,计算任一所述异常检测模型的F1分数;
根据所述F1分数,对所述第一经验阈值、第二经验阈值、第三经验阈值进行优化。
根据本发明提供的调用链指标异常的检测装置,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
根据调用链指标的历史数据,计算所述调用链指标在当前时刻的阈值范围;
判断所述调用链指标在所述当前时刻的实时数据是否超出所述阈值范围;
若超出,获取所述调用链指标的归一化数据序列。
根据本发明提供的调用链指标异常的检测装置,在所述检测所述实时数据是否存在异常之后,方法还包括:
若所述实时数据存在异常,确定所述异常的异常类型;
根据所述异常类型,对所述实时数据进行标记;
根据所述标记,将所述实时数据与检测结果存储至关系型数据库,以作为展示所述实时数据异常的检测结果的数据来源。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行调用链指标异常的检测方法,该方法包括:根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的调用链指标异常的检测方法,该方法包括:根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各提供的调用链指标异常的检测方法,该方法包括:根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (10)
1.一种调用链指标异常的检测方法,其特征在于,包括:
根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;
采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
2.根据权利要求1所述的调用链指标异常的检测方法,其特征在于,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
确定所述历史数据与所述实时数据中的最大值、最小值;
根据所述最大值、最小值,对任一所述历史数据与实时数据进行归一化处理,生成归一化历史数据、归一化实时数据;
对所述归一化历史数据、归一化实时数据进行排序,生成归一化数据序列。
3.根据权利要求1所述的调用链指标异常的检测方法,其特征在于,所述异常检测模型包括以下模型中的至少两种:基于回归算法的异常检测模型、基于加权平均算法的异常检测模型、基于孤立森林算法的异常检测模型;
其中,所述基于回归算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于加权平均算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的;所述基于孤立森林算法的异常检测模型是基于历史数据内容以及实时数据的异常检测结果训练得到的。
4.根据权利要求2或3所述的调用链指标异常的检测方法,其特征在于,所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常,包括:
将所述归一化数据序列导入基于回归算法的异常检测模型,获取当前时刻的第一预测值,通过所述第一预测值与所述归一化实时数据,生成第一异常检测值,比较所述第一异常检测值与所述基于回归算法的异常检测模型中的第一经验阈值,确定第一异常检测结果;
将所述归一化数据序列导入基于加权平均算法的异常检测模型,获取当前时刻的第二预测值,通过所述第二预测值与所述归一化实时数据,生成第二异常检测值,比较所述第二异常检测值与所述基于加权平均算法的异常检测模型中的第二经验阈值,确定第二异常检测结果;
将所述归一化数据序列导入基于孤立森林算法的异常检测模型,根据所述基于孤立森林算法的异常检测模型中的第三经验阈值,确定第三异常检测结果;
若所述第一异常检测结果、第二异常检测结果、第三异常检测结果中至少两个为异常,确定所述实时数据存在异常。
5.根据权利要求4所述的调用链指标异常的检测方法,其特征在于,在所述采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常之前,方法还包括:
获取第二预设时间段内的历史数据,确定任一所述异常检测模型的准确率与召回率;
通过所述准确率、召回率,计算任一所述异常检测模型的F1分数;
根据所述F1分数,对所述第一经验阈值、第二经验阈值、第三经验阈值进行优化。
6.根据权利要求1所述的调用链指标异常的检测方法,其特征在于,所述根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列,包括:
根据调用链指标的历史数据,计算所述调用链指标在当前时刻的阈值范围;
判断所述调用链指标在所述当前时刻的实时数据是否超出所述阈值范围;
若超出,获取所述调用链指标的归一化数据序列。
7.根据权利要求1所述的调用链异常指标的检测方法,其特征在于,在所述检测所述实时数据是否存在异常之后,方法还包括:
若所述实时数据存在异常,确定所述异常的异常类型;
根据所述异常类型,对所述实时数据进行标记;
根据所述标记,将所述实时数据与检测结果存储至关系型数据库,以作为展示所述实时数据异常的检测结果的数据来源。
8.一种调用链指标异常的检测装置,其特征在于,包括:
获取单元,用于根据调用链指标的历史数据与当前时刻的实时数据,获取所述调用链指标的归一化数据序列;
检测单元,用于采用至少两种异常检测模型对所述归一化数据序列分别进行异常检测,根据所得到的异常检测结果确定所述实时数据是否存在异常。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述调用链指标异常的检测方法的步骤。
10.一种非暂态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至7任一项所述调用链指标异常的检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858576.1A CN113656452A (zh) | 2021-07-28 | 2021-07-28 | 调用链指标异常的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858576.1A CN113656452A (zh) | 2021-07-28 | 2021-07-28 | 调用链指标异常的检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113656452A true CN113656452A (zh) | 2021-11-16 |
Family
ID=78478887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858576.1A Pending CN113656452A (zh) | 2021-07-28 | 2021-07-28 | 调用链指标异常的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113656452A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114793205A (zh) * | 2022-04-25 | 2022-07-26 | 咪咕文化科技有限公司 | 异常链路检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110008080A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 基于时间序列的业务指标异常检测方法、装置和电子设备 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
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 |
-
2021
- 2021-07-28 CN CN202110858576.1A patent/CN113656452A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN110008080A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 基于时间序列的业务指标异常检测方法、装置和电子设备 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114793205A (zh) * | 2022-04-25 | 2022-07-26 | 咪咕文化科技有限公司 | 异常链路检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
WO2022068645A1 (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN108600009B (zh) | 一种基于告警数据分析的网络告警根源定位方法 | |
CN112712113B (zh) | 一种基于指标的告警方法、装置及计算机系统 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
EP4020315A1 (en) | Method, apparatus and system for determining label | |
CN111045894A (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
KR102087959B1 (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
KR20150038905A (ko) | 데이터 전처리 장치 및 방법 | |
CN110569166A (zh) | 异常检测方法、装置、电子设备及介质 | |
CN112636967A (zh) | 一种根因分析方法、装置、设备及存储介质 | |
CN111754241A (zh) | 一种用户行为感知方法、装置、设备及介质 | |
CN116955092B (zh) | 基于数据分析的多媒体系统监控方法及系统 | |
US10904126B2 (en) | Automated generation and dynamic update of rules | |
CN113099476A (zh) | 网络质量检测方法、装置、设备及存储介质 | |
CN111984442A (zh) | 计算机集群系统的异常检测方法及装置、存储介质 | |
CN108390793A (zh) | 一种分析系统稳定性的方法及装置 | |
CN112463807A (zh) | 一种数据处理方法、装置、服务器及存储介质 | |
CN113656452A (zh) | 调用链指标异常的检测方法、装置、电子设备及存储介质 | |
CN107480703B (zh) | 交易故障检测方法及装置 | |
CN114138601A (zh) | 一种业务告警方法、装置、设备及存储介质 | |
CN113111139A (zh) | 一种基于物联传感器的告警检测方法和装置 | |
CN113504996A (zh) | 一种负载均衡检测方法、装置、设备及存储介质 | |
CN113342625A (zh) | 一种数据监控方法及系统 |
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 |