CN113672675B - 数据检测方法、装置和电子设备 - Google Patents

Abstract

本公开实施例公开了的数据检测方法、装置和电子设备，通过对初始数据集合进行至少两次数据提取，获得至少两个子数据集合，然后又从子数据集合中随机抽取部分数据作为待检测数据，使得仅需检测待检测数据，即可确定初始数据集合是否符合预设标准。这样，即可利用较少的数据，实现对大量数据的检测，从而增加了对初始数据集合的检测效率。

Description

数据检测方法、装置和电子设备

技术领域

本公开涉及互联网技术领域，尤其涉及一种数据检测方法、装置和电子设备。

背景技术

随着计算机科学技术的发展，会产生海量的数据，而这些数据中可能有些数据是不正常的，而数据异常检测技术则是将检测海量数据中是否存在异常数据(不正常的数据)。

目前，在进行数据异常检测时，通过专家经验确定异常数据的一些特征，并对这些特征进行标注，之后，可以让机器学习异常数据的特征，从而实现检测海量数据中的异常数据。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开实施例提供了一种数据检测方法、装置和电子设备，可以使得在仅需检测少量的数据，即可判断初始数据集合是否符合预设标准，从而提升了对数据型数据集合的检测效率。

第一方面，本公开实施例提供了一种数据检测方法，包括：基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合；对每个子数据集合和所述初始数据集合均进行抽样，根据抽样结果，获得待检测数据集合；基于所述待检测数据集合的检测结果，确定所述初始数据集合是否符合预设标准。

第二方面，本公开实施例提供了一种数据检测装置，包括：提取单元，用于基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合；抽样单元，用于对每个子数据集合和所述初始数据集合均进行抽样，根据抽样结果，获得待检测数据集合；确定单元，用于基于所述待检测数据集合的检测结果，确定所述初始数据集合是否符合预设标准。

第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的数据检测方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的数据检测方法的步骤。

本公开实施例提供的数据检测方法、装置和电子设备，通过对初始数据集合进行至少两次数据提取，获得至少两个子数据集合，然后又从子数据集合中随机抽取部分数据作为待检测数据，使得仅需检测待检测数据，即可确定初始数据集合是否符合预设标准。这样，即可利用较少的数据，实现对大量数据的检测，从而增加了对初始数据集合的检测效率。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的数据检测方法的一个实施例的流程图；

图2是根据本公开的数据检测方法的一个实施例的数据分布示意图；

图3是根据本公开的数据检测方法的又一个实施例的数据分布示意图；

图4是根据本公开的数据检测方法的又一个实施例的数据分布示意图；

图5是根据本公开的数据检测方法的又一个实施例的数据分布示意图；

图6是根据本公开的数据检测装置的一个实施例的结构示意图；

图7是本公开的一个实施例的数据检测方法可以应用于其中的示例性系统架构；

图8是根据本公开实施例提供的电子设备的基本结构的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

请参考图1，其示出了根据本公开的数据检测方法的一个实施例的流程。该数据检测方法可以应用于终端设备。如图1所示该数据检测方法，包括以下步骤：

步骤101，基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合。

在这里，初始数据集合中的数据的数据类型可以为数值型。也即，初始数据结合中的数据为数值型数据。

在这里，分布特征可以理解为数值型数据的聚集特征。作为示例，若大部分数值型数据的某个数值特征均在某个数值区间内，仅有少部分数值型数据的该数值特征不再该数值区间内，则可以认为该少部分数值型数据中可能会出现异常数据。

作为示例，相近的数值数据会聚集在一起，而可能异常的数值数据则会被孤立出来，或者，当存在多个可能异常数值数据时，则该多个可能异常数值数据也可能会进行聚集。

作为示例，可以提取分布在数据簇的边缘的数值数据，也可以提取单独孤立出来的数值数据等，从而即可获得至少两个子数据集合。

作为示例，可以将可能为异常的数值数据进行提取，获得至少两个子数据集合。

步骤102，对每个子数据集合和初始数据集合均进行随机抽样，并可以根据抽样结果，获得待检测数据集合。

作为示例，对每个子数据集合进行均进行随机抽样，可以保证抽取的数据获得的待检测数据集合，可以更为准确地反映初始数据集合的情况(例如，可以较为准确的反映初始数据集合中是否存在异常数据)。

作为示例，当初始数据集合中存在一定数量(例如，1个)的数值数据为异常数据时，则可以表征初始数据集合不符合预设标准。

而初始数据集合中可能的异常数据在子数据集合内，因此，使得仅需检测子数据集合即可一定程度表征初始数据集合是否存在异常数据。

作为示例，可以对每个子数据集合进行随机抽样，获得待检测数据集合，从而可以进一步缩小需要检测的数据的数量，从而可以加快检测效率。而对子数据集合进行随机抽样，也可以使得待检测数据可以很好的表征初始数据集合中的数据的异常情况。

作为示例，由于子数据集合中的数据可能为异常数据；而通常，初始数据集合中大部分数据均不可能为异常数据，因此，从初始数据集合中也抽取出部分数据作为待检测数据，可以使得初始数据集合中的大部分数据也能被抽取出一定量进行检测，而这样作为兜底，可以保证抽取出的数据可以更好的表征初始数据集合。

步骤103，基于待检测数据集合的检测结果，确定初始数据集合是否符合预设标准。

在这里，检测结果至少可以包括：异常数据的数量、异常数据的具体异常参数等。

作为示例，当待检测数据集合的检测结果表征，待检测数据集合中包括异常数据，则可以表征初始数据集合不符合预设标准。

作为示例，初始数据集合中的数值型数据可以指示一个特征值，从而可以根据数值型数据指示的特征值，确定该数值型数据是否为异常数据。例如，数值型数据A用于指示年龄，且数值型数据A所指示的特征值为300，若初始数据集合中的数值型数据所指示的年龄范围应该在15-45之间，则可以表征数值型数据A为异常数据。当然，判断数值型数据是否为异常数据的方式还有很多，此处仅是举例说明，并不对数值型数据的具体判断方式进行限定。

可以看出，本申请通过对初始数据集合进行至少两次数据提取，获得至少两个子数据集合，然后又从子数据集合中随机抽取部分数据作为待检测数据，使得仅需检测待检测数据，即可确定初始数据集合是否符合预设标准。这样，即可利用较少的数据，实现对大量数据的检测，从而提升了对初始数据集合进行检查的检测效率。

在一些实施例中，若需要进行检测的数据的数据类型为非数值型，则可以将需要进行检测的数据进行数据类型的转换，从而获得初始数据集合(数值型数据集合)。

在一些实施例中，至少两个子数据集合可以包括：第一子数据集合和第二子数据集合，此时，步骤101(基于初始数据集合中数据的分布特征，对数据集合进行至少两次数据提取，获得至少两个子数据集合)具体可以包括：挖掘初始数据集合中的预定义孤立数据，得到第一子数据集合；基于初始数据集合中除第一子数据集合外的数据，得到第二子数据集合。

作为示例，可以利用孤立森林算法对初始数据集合中的预定义孤立数据进行挖掘，利用孤立森林算法，可以将初始数据集合分为非孤立样本集合和孤立样本集合。例如，孤立样本集合可以理解为：该集合内的的数据数量小于预设数量阈值，相应的，在孤立样本集合中的数据则可以理解为预定义孤立数据。

作为示例，由于预定义孤立数据与初始数据集合中的大部分数据差距较大，因此，预定义孤立数据有较大的可能为异常数据。从而可以将预定义孤立数据挖掘出来，得到第一子数据集合。

为了便于理解，可以如图2所示，图2为数值型数据的分布示意图，其中，每个小黑圆点可以表征至少一个数据，可以看出，矩形框201和矩形框202中的数据远离矩形框203中的数据，且矩形框203中的数据的数量远大于矩形框201和矩形框202中数据的数量，因此，可以将矩形框201和矩形框202中的数据进行提取，获得第一子数据集合。

作为示例，第一子数据集合中的数据为可能为异常数据，但是，初始数据集合中除了第一子数据集合之外的其它数据(边界数据)也可能为异常数据，因此，为了避免第一子数据集合的干扰，可以将初始数据集合中除第一子数据集合之外的其它数据进行处理，获得第二子数据集合。

为了便于理解，可以结合图2继续进行说明，例如，位于聚集边缘的数据也可能为异常数据，而矩形框201、矩形框202和矩形框203中均存在位于聚集边缘的数据(均可能存在为异常数据)，但是，矩形框201和矩形框202中的数据已经被提取到第一子数据集合，若又将矩形框201和矩形框202中的部分数据提取到第二子数据集合，则使得第一子数据集合和第二子数据集合中的存在相同的数据，从而使得获得的待检测数据可能有重复的数据。因此，为了避免第一子数据集合的干扰，可以将初始数据集合中除第一子数据集合外的其它数据进行提取，获得第二子数据集合。而通过这种方式，使得第一子数据集合中的数值型数据与第二子数据集合中的数值型数据不同。且由于在获得第二子数据集合时，仅是基于初始数据集合中除所述第一子数据集合外的数据，可以减少数据处理量，从而也就增加了获得第二子数据集合的效率。

在一些实施例中，可以对初始数据集合中除第一子数据集合外的数据进行聚类处理，并可以基于聚类结果，确定第二子数据集合。

在一些实施中，聚类结果包括至少一个聚类集合，此时，可以基于聚类集合中的数据与聚类集合质心点之间的距离，获得第二子数据集合。

作为示例，第二子数据集合中的数值型数据可以理解为聚类之后的边界数据(位于聚类簇边缘的数据)。

作为示例，对初始数据集合中除第一子数据集合外的数据进行聚类处理，可以使得获得至少一个聚类集合，而聚类集合中的数据与聚类集合质心点之间的距离，可以确定各聚类集合的边界数据，而不同的聚类集合是不同类型的数值型数据的集合，因此，可以确定出不同类型的聚类集合的边界数据，从而使得第二子数据集合更可能包括异常数据。

作为示例，可以根据聚类集合中的数据与聚类集合质心点之间的距离，确定每个聚类集合的边界数据，而可以将每个聚类集合的边界数据进行提取，获得第二子数据集合。例如，可以将数据与聚类集合质心点之间的距离大于预设阈值的数据，确定为该聚类集合的边界数据。

为了便于理解，可以结合图3进行说，图3为聚类之后获得的部分聚类集合的示意图，在将初始数据集合中除所述第一子数据集合外的数据进行聚类之后，可以获得多个聚类集合(聚类簇)，图3所示，获得了聚类集合301，聚类集合302和聚类集合303，此时，聚类集合301内虚线框3011和中的数据则可以立即为聚类集合301的部分边界数据，聚类集合302内虚线框3021和虚线框3022中的数据则可以立即为聚类集合302的部分边界数据，聚类集合303内虚线框3031中的数据则可以立即为聚类集合303的边界数据。

在一些实施例中，可以基于初始数据集合中除第一子数据集合外的数据的特征数目，确定聚类数目，根据聚类数目进行聚类。

在一些实施例中，可以对初始数据集合中除第一子数据集合外的数据的特征数目进行降维处理，也即，减少初始数据集合中除第一子数据集合外的数据的特征维度，从而可以使得聚类之后获得的聚类集合更少，从而也就可以加快聚类过程。

作为示例，可以利用K-means聚类算法进行聚类，此时，则可以不用采用利用点集到质心距离的平方的拐点法进行K值选取。而可以直接根据对特征进行降维后的剩下维度的一半作为K值的选取。若对特征进行降维后的剩下维度的一半后获得的K值小于10，则整个K值可以为10，即最小K值可以为10。

在一些实施例中，将初始数据集合中除第一子数据集合和第二子数据集合外的数据的聚类集合进行平滑处理，获得第三子数据集合。

作为示例，利用聚类挖掘边界数据时，容易受到极端边界值影响，因此，某些个别数据会影响对边界数据的挖掘。

为了便于理解，可以如图4所示，由于数据402和数据403的影响，使得在利用聚类算法挖掘边界数据时，仅挖掘了数据402和数据403，而对于矩形框401中的数据并没有挖掘出来，因此，为了挖掘出聚类之后的非光滑边界点。可以将初始数据集合中除第一子数据集合和第二子数据集合外的数据的聚类集合进行平滑处理，获得第三子数据集合。

作为示例，可以利用one-class SVM算法(异常点检测算法)对初始数据集合中除第一子数据集合和第二子数据集合外的数据的聚类集合进行平滑处理，而one-class SVM算法是采用类似球形闭包的思想，从而可以获得平滑的闭包，这样可以方便快速挖掘一些新奇数据(处于聚类边缘附近的一些可能为异常的数据)。

作为示例，one-class SVM算法也容易受孤立数据和边界数据的影响，因此在采用此算法时，可以基于初始数据集合中除第一子数据集合和第二子数据集合外的数据进行，也即，初始数据集合中除第一子数据集合和第二子数据集合外的其它数据，可以利用one-class SVM算法进行新奇点的挖掘，从而获得第三子数据集合。

作为示例，可以先利用孤立森林算法挖掘出初始数据集合中的孤立数据，然后利用K-menas聚类算法，挖掘出边界数据，之后再利用one-class SVM将剩下的数值型数据中的新奇数据进行挖掘。这样，可以使得利用one-class SVM可能更好的挖掘出异常数据。

作为示例，由于利用one-class SVM挖掘第三数据集合的过程比较耗时，因此，在除去第一子数据集合和第二子数据集合后的初始数据集合，还有超过预设数量的数值型数据时，可以将除第一子数据集合和第二子数据集合后剩下的数值型数据进行随机选取，以减少one-class SVM的处理量，从而加快处理效率。

为了便于理解第一子数据集合、第二子数据集合和第三子数据集合的获得过程，下面结合图5进行说明，图5为对初始数据集合进行至少两次数据提取，获得至少两个子数据集合的过程示意图。从图5可以看出，可以先利用孤立森林算法，从初始数据集合A挖掘出第一子数据集合，而初始数据集合A则变为数据集合B(数据集合B加上第一子数据集合等于初始数据集合A)。并可以继续利用K-menas聚类算法，从数据集合B挖掘出第二子数据集合，此时，数据集合B则变为数据集合C(数据集合C加上第二子数据集合等于数据集合B)。之后，在利用one-class SVM算法挖掘出第三子数据集合，之后，数据集合C则变为数据集合D(数据集合D加上第三子数据集合等于数据集合C)。而通过上述方式，可以较大程度的挖掘出数据集合中的可能为异常的数据，也就减少了需要检测的数据的数量。

在一些实施例中，步骤102(对每个子数据集合和数据集合均进行随机抽样，并可以根据抽样结果，获得待检测数据集合)具体可以包括：基于子数据集合的个数，确定从初始数据集合中抽取的数据的目标数目；从数据集合中随机抽取出目标数目的数据，以及从各子数据集合随机抽取出预设数目的数据，获得待检测数据集合。

在这里，预设数目用于指示从每个子数据集合中抽取的数据的数目。

作为示例，目标数目可以等于预设数目与子集合个数的乘积。

作为示例，可以根据实际情况设置预设数目，例如，预设数目为10，则可以从每个子数据集合中筛选出10个数据作为待检测数据。

作为示例，预设数目乘以子数据集合的个数可以等于目标数目。例如，预设数目为10，有3个子数据集合，则目标数目可以为30。也即，从各子数据集合中抽取的数目的总量可以等于从初始数据集合中抽取的总量。从而也就可以便于对比从子数据集合进行抽样是否更便于发现异常数据。

例如，从初始数据集合中抽取的30个数据均为正常数据，而从子数据集合中抽取出的30个数据，其中有10个数据为非正常数据，则可以表征从子数据集合抽取数据，更易发现异常数据。

作为示例，也可以根据各子数据集合中的数据的数目，确定各子数据集合需要抽取的数目。例如，需要从子数据集合中抽取的总数目为30，至少两个子数据集合包括子数据集合A和子数据集合B，而子数据集合A中的数据与子数据集合B中的数据比值为2:1，则可以从子数据集合A中抽取出20个数据，而仅从子数据集合B中抽取出10个数据。需要说明的是，在具体实施例中，可以根据实际情况设置从各子数据集合中选取出的数据的数目。

在一些实施例中，可以通过如下方式确定待检测数据集合的检查结果：可以根据待检测数据集合中各待检测数据的子检测结果，获得待检测数据集合的检测结果。

在这里，子检测结果用于指示待检测数据所指示的特征值是否符合预设条件。

作为示例，各待检测数据可以对应多个特征值，而每个特征值可能有对应的数值范围，而数值范围则可以理解为预设条件。

作为示例，也可以利用两种相近的数据重放方式对各待检测数据进行数据重放，而每种数据重放方式都可以生成相同个数的特征值，而两种数据重放方式生成的特征值之间的差异不应大于预设数值阈值，若生成的某个特征值之间的差异大于预设数值阈值，则可以表征该特征值不符合预设条件。例如，第一数据重放方式计算出用于指示年龄的特征值为25，而第二数据重放方式计算出用于指示年龄的特征值为13，则可以表征用于指示年龄的特征值不符合预设条件。

作为示例，待检测数据集合的检测结果可以包括：那些待检测数据所指示的特征值不符合预设条件。

在一些实施例中，可以通过如下方式确定待检测数据集合中任一待检测数据集合的子检测结果：

对待检测数据进行数据重放，获得该待检测数据所指示的至少一个特征值；基于该待检测数据所指示的至少一个特征值和范围列表，生成该待检测数据的子检测结果。

在这里，范围列表可以包括特征值所对应的数值范围。

作为示例，当特征值用于指示上班时长时，对应的数值范围可能为0-12，当特征值用于指示年龄时，对应的数值范围可能为18-65。

作为示例，为了提升公共指标的复用性，可以对数据仓库进行层级划分，也即，各待检测数据所对应的数据层级可能不同，例如，某些数据由数据明细层(DWD)生成，而某些数据由数据集市层生成等(当然，对数据仓库的具体分层方式可以根据实际情况进行设定)。因此，在对待检测数据进行数据重放的过程中，可以利用待检测数据集合中各待检测数据所对应的数据层级，获得各待检测数据所指示的特征的特征值，从而可以使得获得的特征值更加准确。

作为示例，在利用数据重放获得待检测数据的至少一个特征值的过程中，可以每次仅重放待检测数据的其中一个特征值，也即，每次仅计算出待检测数据的一个特征值，这样，可以避免特征值之间的相互干扰，从而可以使得计算出的特征值更加准确。

作为示例，当检测到不符合预设条件的特征值时，可以将该特征值、该待检测数据以及计算该特征值的数据层级均进行逐层下钻重放检测。从而可以便于确定待检测数据为异常数据的原因。

在一些场景中，也可以将待检测数据的各特征值，以及各数据层级的计算结果均可视化的展示出来，而这样，使得运维人员可以非常方便的自上而下或者自下而上的判断样本(某个待检测数据)对应的每个特征值是否产出合理，并可以方便对某个特征值，或对某个待检测数据打上标签。而通过这种方式，可以便于工作人员进行再一次复检，以使对待检测数据的判断结果更加准确。而通过可视化展示的方式，也可以提升工作人员在确定过程中的确定效率。

换言之，待检测数据集合的检测结果可以包括不符合条件的特特征值、该特征至所对应的待检测数据、该特征至所对应的数据层级。

作为示例，由于整个过程是无监督的，因此，采用数据重放的方式，获得各待检测数据的特征值，也可以便于工作人员进行手动筛选；也即，工作人员可以对获得的特征值进行校对，从而确定该特征值是否符合预设条件。

在一些实施例中，在进行步骤101之前，还可以对初始数据集合进行随机抽样，获得预设数量的样本，并检测该样本是否符合预设检测条件。

在这里，预设检测条件至少可以包括：数值型数据的类型是否符合规定、脏数据是否小于预设比例等。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种数据检测装置的一个实施例，该装置实施例与图1所示的数据检测方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的数据检测装置包括：提取单元601，用于基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合；抽样单元602，用于对每个子数据集合和所述初始数据集合均进行抽样，根据抽样结果，获得待检测数据集合；确定单元603，用于基于所述待检测数据集合的检测结果，确定所述初始数据集合是否符合预设标准。

在一些实施例中，所述至少两个子数据集合包括：第一子数据集合和第二子数据集合；以及，所述提取单元601具体还可以用于：挖掘所述初始数据集合中的预定义孤立数据，得到第一子数据集合；基于所述初始数据集合中除所述第一子数据集合外的数据，得到第二子数据集合。

在一些实施例中，所述提取单元601具体还可以用于：对所述初始数据集合中除所述第一子数据集合外的数据进行聚类处理；基于聚类结果，确定第二子数据集合。

在一些实施例中，所述提取单元601具体还可以用于：基于所述初始数据集合中除所述第一子数据集合外的数据的特征数目，确定聚类数目；根据所述聚类数目进行聚类。

在一些实施例中，所述处理结果包括：至少一个聚类集合；以及，所述提取单元601具体还可以用于：基于聚类集合中的数据与聚类集合质心点之间的距离，获得所述第二子数据集合。

在一些实施例中，所述至少两个子数据集合还包括：第三子数据集合，以及，所述提取单元601具体还可以用于：将所述初始数据集合中除所述第一子数据集合和第二子数据集合外的数据的聚类集合进行平滑处理，获得第三子数据集合。

在一些实施例中，抽样单元602具体还用于：基于子数据集合的个数，确定从所述初始数据集合中抽取的数据的目标数目；从所述初始数据集合中随机抽取出所述目标数目的数据，以及从各子数据集合随机抽取出预设数目的数据，获得所述待检测数据集合。

在一些实施例中，确定单元603具体还用于：根据待检测数据集合中各待检测数据的子检测结果，获得所述待检测数据集合的检测结果，其中，子检测结果用于指示待检测数据所指示的特征值是否符合预设条件。

在一些实施例中，确定单元603具体还用于：对待检测数据进行数据重放，获得该待检测数据所指示的至少一个特征值；基于该待检测数据所指示的至少一个特征值和范围列表，生成该待检测数据的子检测结果，其中，范围列表包括各特征值所对应的数值范围。

请参考图7，图7示出了本公开的一个实施例的数据检测方法可以应用于其中的示例性系统架构。

如图7所示，系统架构可以包括终端设备701、702、703，网络704，服务器707。网络704可以用以在终端设备701、702、703和服务器707之间提供通信链路的介质。网络704可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备701、702、703可以通过网络704与服务器705交互，以接收或发送消息等。终端设备701、702、703上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备701、702、703中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。

终端设备701、702、703可以是硬件，也可以是软件。当终端设备701、702、703为硬件时，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、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备701、702、703为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器707可以是提供各种服务的服务器，例如接收终端设备701、702、703发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备701、702、703。

需要说明的是，本公开实施例所提供的信息处理方法可以由终端设备执行，相应地，数据检测装置可以设置在终端设备701、702、703中。此外，本公开实施例所提供的信息处理方法还可以由服务器705执行，相应地，信息处理装置可以设置于服务器705中。

应该理解，图7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。

下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图7中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8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8所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过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，其包括承载在非暂态计算机可读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装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。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可以包括但不限于：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)、光纤、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。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读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该电子设备执行时，使得该电子设备：基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合；对每个子数据集合和所述初始数据集合均进行抽样，根据抽样结果，获得待检测数据集合；基于所述待检测数据集合的检测结果，确定所述初始数据集合是否符合预设标准。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元601还可以被描述为“对初始数据集合进行至少两次数据提取的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种数据检测方法，其特征在于，包括：

基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合；

对每个子数据集合和所述初始数据集合均进行抽样，根据抽样结果，获得待检测数据集合；

基于所述待检测数据集合的检测结果，确定所述初始数据集合是否符合预设标准；

所述至少两个子数据集合包括：第一子数据集合和第二子数据集合；以及

所述基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合，包括：

挖掘所述初始数据集合中的预定义孤立数据，得到第一子数据集合；

基于所述初始数据集合中除所述第一子数据集合外的数据，得到第二子数据集合。

2.根据权利要求1所述的方法，其特征在于，所述基于所述初始数据集合中除所述第一子数据集合外的数据，得到第二子数据集合，包括：

对所述初始数据集合中除所述第一子数据集合外的数据进行聚类处理；

基于聚类结果，确定第二子数据集合。

3.根据权利要求2所述的方法，其特征在于，所述对所述初始数据集合中除所述第一子数据集合外的数据进行聚类处理，包括：

基于所述初始数据集合中除所述第一子数据集合外的数据的特征数目，确定聚类数目；

根据所述聚类数目进行聚类。

4.根据权利要求2所述的方法，其特征在于，所述处理结果包括：至少一个聚类集合；以及

所述基于聚类结果，确定第二子数据集合，包括：

基于聚类集合中的数据与聚类集合质心点之间的距离，获得所述第二子数据集合。

5.根据权利要求4所述的方法，其特征在于，所述至少两个子数据集合还包括：第三子数据集合，以及，所述方法还包括：

将所述初始数据集合中除所述第一子数据集合和第二子数据集合外的数据的聚类集合进行平滑处理，获得第三子数据集合。

6.根据权利要求1所述的方法，其特征在于，所述对每个子数据集合和所述初始数据集合均进行随机抽样，根据抽样结果，获得待检测数据集合，包括：

基于子数据集合的个数，确定从所述初始数据集合中抽取的数据的目标数目；

从所述初始数据集合中随机抽取出所述目标数目的数据，以及从各子数据集合随机抽取出预设数目的数据，获得所述待检测数据集合。

7.根据权利要求1所述的方法，其特征在于，通过如下方式确定所述待检测数据集合的检测结果：

根据待检测数据集合中各待检测数据的子检测结果，获得所述待检测数据集合的检测结果，其中，子检测结果用于指示待检测数据所指示的特征值是否符合预设条件。

8.根据权利要求7所述的方法，其特征在于，通过如下方式确定待检测数据集合中任一待检测数据集合的子检测结果：

对待检测数据进行数据重放，获得该待检测数据所指示的至少一个特征值；

基于该待检测数据所指示的至少一个特征值和范围列表，生成该待检测数据的子检测结果，其中，范围列表包括各特征值所对应的数值范围。

9.一种数据检测装置，其特征在于，包括：

提取单元，用于基于初始数据集合中数据的分布特征，对初始数据集合进行至少两次数据提取，获得至少两个子数据集合；

抽样单元，用于对每个子数据集合和所述初始数据集合均进行抽样，根据抽样结果，获得待检测数据集合；

确定单元，用于基于所述待检测数据集合的检测结果，确定所述初始数据集合是否符合预设标准；

所述至少两个子数据集合包括：第一子数据集合和第二子数据集合；以及

所述提取单元，具体用于挖掘所述初始数据集合中的预定义孤立数据，得到第一子数据集合；基于所述初始数据集合中除所述第一子数据集合外的数据，得到第二子数据集合。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

11.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。