CN113765734A - 网络访问量的检测方法及装置 - Google Patents
网络访问量的检测方法及装置 Download PDFInfo
- Publication number
- CN113765734A CN113765734A CN202110315939.7A CN202110315939A CN113765734A CN 113765734 A CN113765734 A CN 113765734A CN 202110315939 A CN202110315939 A CN 202110315939A CN 113765734 A CN113765734 A CN 113765734A
- Authority
- CN
- China
- Prior art keywords
- flow
- rrcf
- model
- sequence
- preset
- 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 64
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 6
- 230000005012 migration Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供一种网络访问量的检测方法及装置,包括:获取实时的数据流,并确定实时的数据流的当前的流量序列,数据流包括基于网络访问生成订单而产生的信息,流量序列用于表征订单数量的序列,根据实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,基于当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型,历史的流量序列是基于历史的数据流确定的,确定预设的RRCF模型与新增操作后的RRCF模型之间的差异信息,并根据差异信息确定检测结果,其中,检测结果表征网络访问量是否异常,降低了分析难度,提高了检测的准确性和可靠性,且实现了节约资源和成本的技术效果。
Description
技术领域
本申请实施例涉及互联网技术领域,尤其涉及一种网络访问量的检测方法及装置。
背景技术
随着互联网技术的发展,进入了电商互联网时代,各种购物营销手段、促销方式层出不穷,平台或商家在设置促销活动时,可能因设置错误等导致一些物品以超低价的方式进行销售,从而造成巨大损失,为了避免损失,通过对访问量进行检测成了众多平台或商家采用的方法。
在现有技术中,访问量的检测方法通常通过经验总结的方式实现,例如,对历史的访问量进行统计,根据历史的访问量、以及预测因降低价格而可能产生的访问量,确定访问量阈值,对实时访问量进行检测,并根据检测到的实时访问量与访问量阈值,确定访问量是否异常。
然而,通过上述方法,受到访问量阈值的影响,较难准确地区分访问量是正常或是异常,因此,可能存在访问量的检测的准确性偏低的问题。
发明内容
本申请实施例提供一种网络访问量的检测方法及装置,用以解决访问量的检测的准确性偏低的问题。
第一方面,本申请实施例提供一种网络访问量的检测方法,包括:
获取实时的数据流,并确定所述实时的数据流的当前的流量序列,其中,所述数据流包括基于网络访问生成订单而产生的信息,所述流量序列用于表征订单数量的序列;
根据所述实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,并基于所述当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型,其中,所述历史的流量序列是基于历史的数据流确定的;
确定所述预设的RRCF模型与所述新增操作后的RRCF模型之间的差异信息,并根据所述差异信息确定检测结果,其中,所述检测结果表征网络访问量是否异常。
在一些实施例中,确定所述实时的数据流的当前的流量序列,包括:
根据所述实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列;
根据所述初始的流量序列的分布信息,确定所述初始的流量序列在第二数量的时间滑动窗口内的流量属性信息,其中,所述流量属性信息包括所述当前的流量序列,所述第一数量大于所述第二数量。
在一些实施例中,在根据所述实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列之后,还包括:
根据预设的调整流量对所述的初始的流量序列进行增加的迁移转换处理。
在一些实施例中,根据所述实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,包括:
根据所述当前的数据流、历史的数据流、以及所述预设的RRCF模型的节点信息,确定所述当前的数据流相对于全部的数据流的数据流编号,其中,所述节点信息包括所述预设的RRCF模型中流量序列的数量信息;
根据所述数据流序列编号对所述预设的RRCF模型中的所述历史的流量序列进行遗忘操作。
在一些实施例中,根据所述数据流序列编号对所述预设的RRCF模型中的所述历史的流量序列进行遗忘操作,包括:
根据所述数据流序列编号和所述节点信息,确定所述当前的流量序列对应于所述预设的RRCF模型中的流量序列编号;
对所述预设的RRCF模型中的流量序列编号对应的历史的流量序列进行遗忘操作。
在一些实施例中,基于所述当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型,包括:
在遗忘操作后的RRCF模型的中的流量序列编号对应的位置,执行插入所述当前的流量序列的新增操作,得到所述新增操作后的RRCF模型。
在一些实施例中,所述流量属性信息还包括流量指数,所述流量指数用于表征由所述初始的流量序列转换为所述当前的流量序列时,流量的或增或将的幅度;根据所述差异信息确定检测结果,包括:
若所述流量指数表征流量为增,流量的增的幅度大于预设的第一阈值,且所述差异信息大于预设的差异阈值,则确定所述网络访问流异常;
若所述流量指数表征流量为增,流量的增的幅度小于预设的第一阈值,则确定所述网络访问量正常;或者,若所述流量指数表征流量为降,则确定所述网络访问量正常。
在一些实施例中,若所述网络访问流异常,则生成并输出异常提示消息。
第二方面,本申请实施例提供了一种网络访问量的检测装置,包括:
获取单元,用于获取实时的数据流,其中,所述数据流包括基于网络访问生成订单而产生的信息;
第一确定单元,用于确定所述实时的数据流的当前的流量序列,其中,所述流量序列用于表征订单数量的序列;
遗忘单元,用于根据所述实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,其中,所述历史的流量序列是基于历史的数据流确定的;
新增单元,用于基于所述当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型;
第二确定单元,用于确定所述预设的RRCF模型与所述新增操作后的RRCF模型之间的差异信息;
第三确定单元,用于根据所述差异信息确定检测结果,其中,所述检测结果表征网络访问量是否异常。
在一些实施例中,所述第一确定单元包括:
构建子单元,用于根据所述实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列;
第一确定子单元,用于根据所述初始的流量序列的分布信息,确定所述初始的流量序列在第二数量的时间滑动窗口内的流量属性信息,其中,所述流量属性信息包括所述当前的流量序列,所述第一数量大于所述第二数量。
在一些实施例中,所述第一确定单元包括:
增加子单元,用于根据预设的调整流量对所述的初始的流量序列进行增加的迁移转换处理。
在一些实施例中,所述遗忘单元包括:
第二确定子单元,用于根据所述当前的数据流、历史的数据流、以及所述预设的RRCF模型的节点信息,确定所述当前的数据流相对于全部的数据流的数据流编号,其中,所述节点信息包括所述预设的RRCF模型中流量序列的数量信息;
遗忘子单元,用于根据所述数据流序列编号对所述预设的RRCF模型中的所述历史的流量序列进行遗忘操作。
在一些实施例中,所述遗忘子单元,包括:
确定模块,用于根据所述数据流序列编号和所述节点信息,确定所述当前的流量序列对应于所述预设的RRCF模型中的流量序列编号;
遗忘模块,用于对所述预设的RRCF模型中的流量序列编号对应的历史的流量序列进行遗忘操作。
在一些实施例中,所述新增单元用于,在遗忘操作后的RRCF模型的中的流量序列编号对应的位置,执行插入所述当前的流量序列的新增操作,得到所述新增操作后的RRCF模型。
在一些实施例中,所述流量属性信息还包括流量指数,所述流量指数用于表征由所述初始的流量序列转换为所述当前的流量序列时,流量的或增或将的幅度;所述第三确定单元用于,若所述流量指数表征流量为增,流量的增的幅度大于预设的第一阈值,且所述差异信息大于预设的差异阈值,则确定所述网络访问流异常;若所述流量指数表征流量为增,流量的增的幅度小于预设的第一阈值,则确定所述网络访问量正常;或者,若所述流量指数表征流量为降,则确定所述网络访问量正常。
在一些实施例中,还包括:
生成单元,用于若所述网络访问流异常,则生成异常提示消息;
输出单元,用于输出所述异常提示消息。
第三方面,本申请实施例提供了一种电子设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面所述的方法。
本申请实施例提供的网络访问量的检测方法及装置,包括:获取实时的数据流,并确定实时的数据流的当前的流量序列,其中,数据流包括基于网络访问生成订单而产生的信息,流量序列用于表征订单数量的序列,根据实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,并基于当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型,其中,历史的流量序列是基于历史的数据流确定的,确定预设的RRCF模型与新增操作后的RRCF模型之间的差异信息,并根据差异信息确定检测结果,其中,检测结果表征网络访问量是否异常,通过根据实时的数据流对预设的RRCF模型中的历史的流量序列进行遗忘操作(可以理解为删除操作,且可以通过预设的RRCF模型中的遗忘模块实现),并基于当前的流量序列对遗忘操作后的RRCF模型(即删除操作后的RRCF模型)进行新增操作(可以理解为插入操作,且可以通过预设的RRCF模型中的新增模块实现),得到新增操作后的RRCF模型,且通过预设的RRCF模型与新增操作后的RRCF模型确定网络访问量是否异常,一方面,通过上述引入的特征,可以避免基于上述第一种相关技术的方法造成的检测的准确性和可靠性偏低的问题,也可以避免基于上述第二种相关技术的方法造成的成本偏高,且准确性偏低的问题,降低了分析难度,提高了检测的准确性和可靠性,且实现了节约资源和成本的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请实施例的网络访问量的检测方法的应用场景示意图;
图2为本申请一个实施例的网络访问量的检测方法的流程示意图;
图3为本申请另一实施例的网络访问量的检测方法的流程示意图;
图4为本申请实施例的时间滑动窗口的示意图;
图5为本申请实施例的RRCF模型的结构变化示意图;
图6为本申请一个实施例的网络访问量的检测装置的示意图;
图7为本申请另一实施例的网络访问量的检测装置的示意图;
图8为本申请实施例的网络访问量的检测方法的电子设备的框图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
对本申请实施例所涉及的名词进行解释如下:
网络:是指由若干节点和连接这些节点的链路构成,表示诸多对象及其相互联系。
时间滑动窗口:是指在某时间段内,可以对事件或事物进行处理或者反应。
网络访问量正常:与网络访问量正常为相对概念,是指网络访问量符合网络被访问的数量的常态,即在正常情况下,网络被访问的次数。
网络访问量异常:与网络访问量异常为相对概念,是指网络访问量不符合网络被访问的数量的常态,即网络访问量大于或小于正常情况下,网络被访问的次数。
请参阅图1,图1为本申请实施例的网络访问量的检测方法的应用场景示意图。
如图1所示,任意用户101均可以基于其终端设备102,对由服务器103提供的网络平台进行访问。
其中,终端设备102可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据;终端设备还可以是个人通信业务(PersonalCommunication Service,PCS)电话、无绳电话、会话发起协议(Session InitiationProtocol,SIP)话机、无线本地环路(Wireless Local Loop,WLL)站、个人数字助理(Personal Digital Assistant,PDA),平板型电脑、无线调制解调器(modem)、手持设备(handset)、膝上型电脑(laptop computer)、机器类型通信(Machine TypeCommunication,MTC)终端等设备;终端设备也可以称为系统、订户单元(SubscriberUnit)、订户站(Subscriber Station),移动站(Mobile Station)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device or User Equipment),等等,在此不作限定。
在如图1所示的应用场景,通过手机1021和笔记本电脑1022对终端设备102进行了示范性地展示。
示例性地,如图1所示,手机1021中可以下载有不同的应用程序(Application,APP),如图1中所示的应用程序A和应用程序B。
用户101可以通过触屏的方式,或者语音的方式向手机1021发起打开应用程序的指令。
例如,手机1021可以设置有声音采集器和分析处理器,手机1021可以通过声音采集器对用户101的“打开应用程序A”(或者“打开应用程序B”等)进行采集,并通过分析处理器对“打开应用程序A”(或者“打开应用程序B”等)进行语义分析等操作,从而完成对应用程序A(或者应用程序B等)的启动。
随着电商互联网时代的到来,用户可以通过基于应用程序实现购物、阅读、以及路线规划等操作。
例如,若应用程序A为具有浏览物品、选择且购买物体的应用程序,则用户101可以通过应用程序A可以实现对物品浏览、选择及购买。
一般而言,平台或商家可以通过网络促销活动,对物品进行促销。然而,由于平台或商家对价格设置的误差,或者其他因素,可能导致“价格红色风险事件”的发生,即物品的价格远远低于成本价格。而为了“价格红色风险事件”的发生,且确保电商互联网的正向发展,通常采用的方法为访问量的检测方法。
在相关技术中,通常采用的访问量的检测方法可以包括两种,一种是基于阈值实现对访问量的检测,另一种为基于模型实现对访问量的检测。
其中,第一种访问量的检测方法(即基于阈值实现对访问量的检测)包括:预测因降低价格而可能产生的访问量,获取如最近一周内的访问量,根据预测得到的访问量、以及最近一周内的访问量,计算得到访问量阈值,该访问量阈值可以理解为正常访问量的最大值,对实时的访问量进行检测,得到检测结果,具体地,可以判断检测到的访问量是否大于访问量阈值,若是,则确定检测结果为访问量异常,若否,则确定检测结果为访问量正常。
然而,采用该种访问量的检测方法,检测结果的可靠性依赖于访问量阈值,若访问量阈值较为准确,则检测结果的准确性也相应较高,而若访问量阈值偏差较大,则检测结果的准确性也相应偏低,因此,通过该种访问量的检测方法,可能存检测的准确性和可靠性偏低的问题。
第二种访问量的检测方法(即基于模型实现对访问量的检测)包括:从历史数据中,获取因降低价格而产生的访问量,通过人工的方式对访问量进行标注,并基于标注的访问量训练生成访问量异常识别模型,获取当前的访问量,将当前的访问量输入至访问量异常识别模型,输出识别结果,识别结果可以通过数字的方式实现,如若识别结果为0,则说明当前的访问量为正常的访问量,反之,若识别结果为1,则说明当前的访问量为异常的访问量。
然而,采用该中访问量的检测方法,需要结合人工的标注过程,存在人工成本偏高,且识别结果容易受到人为主观因素的影响的问题,且一般而言,模型的训练需要采用大量的数据,因此,可能存在分析成本偏高,且资源消耗偏高的问题。
为了解决上述问题中的至少一种,本申请的发明人经过创造性地劳动,得到了本申请的发明构思:根据实时的流数据对预设的RRCF模型进行遗忘操作,而后执行新增操作,并基于预设的RRCF模型(即未进行遗忘操作和新增操作之前的RRCF模型)与执行各操作(包括遗忘操作和新增操作)后的RRCF模型之间的差异信息,确定检测结果。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
请参阅图2,图2为本申请一个实施例的网络访问量的检测方法的流程示意图。
如图2所示,该方法包括:
S201:获取实时的数据流,并确定实时的数据流的当前的流量序列。
其中,数据流包括基于网络访问生成订单而产生的信息,流量序列用于表征订单数量的序列。
示例性地,本实施例的执行主体可以为网络访问量的检测装置(下文简称检测装置),检测装置可以为服务器(如本地服务器,又如云端服务器),也可以为终端设备,也可以为处理器,也可以为芯片,等等,本实施例不做限定。
具体地,当本实施例的网络访问量的检测方法应用于如图1所示的应用场景时,本实施例的执行主体(即检测装置)可以为如图1中所示的服务器。
其中,关于数据流的理解如下:
结合如图1所示的应用场景,用户可以通过应用程序A浏览、选择、以及对选择的物品进行下单操作,而检测装置基于用户的下单操作,可以获取用户的相关信息(如账号、位置等信息),且可以基于生成与订单相关的信息,如数量、型号等。
因此,在本实施例中,数据流可以包括基于网络访问生成订单而产生的消息,且具体可以包括:用户的相关信息、订单的相关信息、以及网络质量的相关信息,等等。
其中,关于流量序列的理解如下:
结合上述示例,数据流可以包括订单的相关信息,如订单的数量等,相应地,流量序列可以理解为订单在数量的序列,如检测装置以预设的时间窗口确定在每一时间窗口内的订单数量,由于时间具有一定的连续性,且具有先后顺序的关系,因此,可以基于时间的先后顺序,将多个时间窗口内的订单数量生成订单数量的序列。
应该理解地是,本实施例中的“实时的数据流”中的“实时”用于与后文中的“历史的数据流”以及“全部的数据流”进行区分,而不能理解为对数据流的内容的限定。
同理,“当前的流量序列”中的“当前”用于与后文中的“历史的流量序列”进行区分,而不能理解为对流量序列的内容的限定。
S202:根据实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,并基于当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型。
其中,历史的流量序列是基于历史的数据流确定的。
为加深对本实施例的方案的理解,先对异常检测(Robust Random Cut Forest,RRCF)模型进行示范性地描述。
RRCF模型是一种无监督在线学习模型,RRCF模型可以包括:模型构造(Mktree)模块、遗忘(Forget)模块和新增(Insert)、以及异常评估模块(Codisp),等等。
其中,模型构造用于,输入一个样本集合,用于构建各单个模型,并对单个模型的初始化。
遗忘模块用于,用于对单个模型中的相关信息进行删除。
新增模块,用于在单个模型中插入相关的信息。
S203:确定预设的RRCF模型与新增操作后的RRCF模型之间的差异信息,并根据差异信息确定检测结果。
其中,检测结果表征网络访问量是否异常。
在本实施例中,引入了:根据实时的数据流对预设的RRCF模型中的历史的流量序列进行遗忘操作(可以理解为删除操作,且可以通过预设的RRCF模型中的遗忘模块实现),并基于当前的流量序列对遗忘操作后的RRCF模型(即删除操作后的RRCF模型)进行新增操作(可以理解为插入操作,且可以通过预设的RRCF模型中的新增模块实现),得到新增操作后的RRCF模型,且通过预设的RRCF模型与新增操作后的RRCF模型确定网络访问量是否异常,一方面,通过上述引入的特征,可以避免基于上述第一种相关技术的方法造成的检测的准确性和可靠性偏低的问题,也可以避免基于上述第二种相关技术的方法造成的成本偏高,且准确性偏低的问题,降低了分析难度,提高了检测的准确性和可靠性,且实现了节约资源和成本的技术效果。
请参阅图3,图3为本申请另一实施例的网络访问量的检测方法的流程示意图。
如图3所示,该方法包括:
S301:获取实时的数据流。
其中,数据流包括基于网络访问生成订单而产生的信息。
示例性地,关于S301地描述,可以参见S201中的部分描述,此处不再赘述。
S302:根据实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列。
其中,流量序列用于表征订单数量的序列。
示例性地,关于流量序列地描述,可以参见S201中的部分描述,此处不再赘述。
例如,如图4所示,检测装置可以构建第一数量为(2n-1)的时间滑动窗口的初始的流量序列,其中,n为大于1的正整数。
其中,t_0可以理解为第一个时间滑动窗口开始的时刻,t_1可以理解为第一个时间滑动窗口结束的时刻,以此类推,此处不再一一列举。
在如图4所示的时间滑动窗口的示意图中,n可以为时间滑动窗口的数量,t可以为时间滑动窗口的时间,即一个时间滑动窗口的时间为t,若t的单位为分钟,则第一数量的总时间T=t*(2n-1)。
例如,若n=4,t=5分钟,则第一数量的总时间T就为35分钟。
相应地,该步骤可以理解为:初始的流量序列为35分钟内,4个时间滑动窗口组成的流量序列。也即,4个时间滑动窗口的订单数量组成的序列。
S303:根据预设的调整流量对的初始的流量序列进行增加的迁移转换处理。
其中,调整流量可以由检测装置基于需求、历史记录、以及试验等方式进行设置,本实施例不做限定。
也就是说,在本实施例中,可以基于调整流量c对初始的流量序列中的每个时间滑动窗口内的订单量均进行加c的运算操作,从而得到迁移转换处理后的序列通过迁移转换处理,可以避免因初始的流量序列中的部分时间滑动窗口内的订单量较小而被忽略,导致检测的全面性偏低的弊端,提高了检测的全面性和可靠性的技术效果。
S304:根据初始的流量序列的分布信息,确定初始的流量序列在第二数量的时间滑动窗口内的流量属性信息。
其中,流量属性信息包括当前的流量序列和流量指数,第一数量大于第二数量,流量指数用于表征由初始的流量序列转换为当前的流量序列时,流量的或增或将的幅度。
例如,结合上述示例,若第一数量为(2n-1),第二数量可以为n。也即,可以理解为:将(2n-1)的时间滑动窗口内的流量序列转换为n的时间滑动窗口内的流量序列。
相应地,可以在式2的基础上,结合式4得到流量指数ρ,式4:
值得说明地是,在本实施例中,通过将将第一数据量的时间滑动窗口内的初始的流量序列,转换为第二数量的时间滑动窗口内的流量属性(包括当前的流量序列和流量指数),可以较为准确的确定流量的或增或将的幅度,以便后续基于流量指数和当前的流量序列相对较为准确地确定出检测结果,提高检测的准确性和可靠性的技术效果。
S305:根据当前的数据流、历史的数据流、以及预设的RRCF模型的节点信息,确定当前的数据流相对于全部的数据流的数据流编号。
其中,节点信息包括预设的RRCF模型中流量序列的数量信息;
结合上述实施例可知,RRCF模型由预设的RRCF模型,会分别经过遗忘操作和新增操作,为了对不同阶段的RRCF模型进行区分,方便阅读和理解,在本实施例中,将最初的RRCF模型,即预设的RRCF模型称为第一RRCF模型,将经过遗忘操作的RRCF模型称为第二RRCF模型,将经过新增操作的RRCF模型称为第三RRCF模型。
全部的数据流包括历史的数据流和当前的数据流,数据流编号可以理解为:针对每一数据流,在第一RRCF模型中均有编号,也就是说,根据RRCF模型中的数据流编号,可以对不同的数据流进行区分。
在一些实施例中,第一RRCF模型可以对每一数据流进行计数编号,具体可以采用java自带的计数器功能(Int类型数据),以单个模型的节点信息(如单个模型的叶子节点个数等)做为计数器的初始值,每处理一条数据流,该计数器自动加1,当超过最大计数范围时(即超过正的最大值),java计数器会开始返回该Int类型负的最大值,依次循环计数。
且可以通过式5确定数据流编号index,式5:
其中,v为计数器返回的值,z为单个模型的节点信息(如单个模型的叶子节点个数等)。
S306:根据数据流序列编号和节点信息,确定当前的流量序列对应于预设的RRCF模型中的流量序列编号。
示例性地,可以通过式6确定当前的流量序列对应于预设的RRCF模型中的流量序列编号idx,式6:
idx=index%z(0≤idx<z}
S307:对预设的RRCF模型中的流量序列编号对应的历史的流量序列进行遗忘操作。
也即,对第一RRCF模型中的流量序列编号对应的历史的流量序列进行删除操作,得到第二RRCF模型。
值得说明地是,在对第一RRCF模型进行遗忘操作之前,可以先基于预设的参数对(随机)高斯分布的模型进行初始化处理,得到第一RRCF模型。
具体地,可以结合式7至式9得到第一RRCF模型model,其中,式7:
式8:
式9:
model=RRCF{RCTreek|1≤k≤N}
其中,第一RRCF模型可以理解为由N个单个模型组成的模型。
在一些实施例中,可以通过式9表示遗忘操作,式9:
model=RRCF{Forget(idx)k|1≤k≤N}
其中,Forget(idx)k为对第k个RCTree进行流量序列编号为idx的历史的流量序列进行遗忘操作。
值得说明地是,在本实施例中,通过基于数据流序列编号进行遗忘操作,可以较为快速准确地确定出执行遗忘操作内容,从而提高遗忘操作的准确性和可靠性。
且,尤其基于数据流序列编号确定流量序列编号,并对流量序列编号对应的历史的流量序列进行遗忘操作时,可以实现对执行遗忘操作的历史的流量序列地准确定位,从而进一步提高遗忘操作的可靠性和准确性的技术效果。
S308:在遗忘操作后的RRCF模型的中的流量序列编号对应的位置,执行插入当前的流量序列的新增操作,得到新增操作后的RRCF模型。
结合上述示例,该步骤可以理解为:在第二RRCF模型中的流量序号编号对应的位置,插入当前的流量序列,得到第三RRCF模型。
在一些实施例中,可以通过式10表示遗忘操作,式10:
同理,在本实施例中,通过确定执行新增操作的位置,并基于确定出的位置执行插入当前的流量序列,可以提高新增操作的准确性和可靠性的技术效果。
S309:确定预设的RRCF模型与新增操作后的RRCF模型之间的差异信息。
例如,请参阅图5,若图5中左侧的图为第一RRCF模型(包括结构a、b、以及c),右侧的图为第三RRC模型(在第一RRCF模型的基础上增加了当前的流量序列,图中用X表示当前的流量序列的结构),则差异信息可以理解为图5左侧的图与图5右侧的图的RRCF模型的结构发生改变的程度。
在一些实施例中,可以通过式11确定异常评分,式11:
其中,Codisp(idx)k为差异信息。
S311:根据异常评分和流量指数确定检测结果。
例如,若流量指数表征流量为增,且差异信息大于预设的差异阈值,则确定网络访问量异常。
其中,差异阈值可以由检测装置基于需求、历史记录、以及试验等进行设置,本实施例不做限定。
若流量指数表征流量为增,流量的增的幅度大于预设的第一阈值,且差异信息大于预设的差异阈值,则确定网络访问量异常。
同理,第一阈值可以由检测装置基于需求、历史记录、以及试验等进行设置,本实施例不做限定。
若流量指数表征流量为增,流量的增的幅度小于预设的第一阈值,则确定网络访问量正常。
若流量指数表征流量为降,则确定网络访问量正常。
S312:若检测结果表征网络访问量异常,则生成并输出异常提示消息。
在本实施例中,通过基于上述方法较为可靠且准确地确定检测结果,且在检测结果为网络访问量异常时,生成并输出异常提示消息,可以实现即时预警,提高平台运行的安全性的技术效果。
请参阅图6,图6为本申请一个实施例的网络访问量的检测装置的示意图。
如图6所示,该网络访问量的检测装置600包括:
获取单元601,用于获取实时的数据流,其中,数据流包括基于网络访问生成订单而产生的信息。
第一确定单元602,用于确定实时的数据流的当前的流量序列,其中,流量序列用于表征订单数量的序列。
遗忘单元603,用于根据实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,其中,历史的流量序列是基于历史的数据流确定的。
新增单元604,用于基于当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型。
第二确定单元605,用于确定预设的RRCF模型与所述新增操作后的RRCF模型之间的差异信息。
第三确定单元606,用于根据差异信息确定检测结果,其中,检测结果表征网络访问量是否异常。
请参阅图7,图7为本申请另一实施例的网络访问量的检测装置的示意图。
如图7所示,该网络访问量的检测装置700包括:
获取单元701,用于获取实时的数据流,其中,数据流包括基于网络访问生成订单而产生的信息。
第一确定单元702,用于确定实时的数据流的当前的流量序列,其中,流量序列用于表征订单数量的序列。
结合图7可知,在一些实施例中,第一确定单元702,包括:
构建子单元7021,用于根据实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列。
增加子单元7022,用于根据预设的调整流量对的初始的流量序列进行增加的迁移转换处理。
第一确定子单元7023,用于根据初始的流量序列的分布信息,确定初始的流量序列在第二数量的时间滑动窗口内的流量属性信息,其中,流量属性信息包括当前的流量序列,第一数量大于第二数量。
遗忘单元703,用于根据实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,其中,历史的流量序列是基于历史的数据流确定的。
结合图7可知,在一些实施例中,遗忘单元703,包括:
第二确定子单元7031,用于根据当前的数据流、历史的数据流、以及预设的RRCF模型的节点信息,确定当前的数据流相对于全部的数据流的数据流编号,其中,节点信息包括预设的RRCF模型中流量序列的数量信息。
遗忘子单元7032,用于根据数据流序列编号对预设的RRCF模型中的历史的流量序列进行遗忘操作。
在一些实施例中,遗忘子单元7032,包括:
确定模块,用于根据数据流序列编号和节点信息,确定当前的流量序列对应于预设的RRCF模型中的流量序列编号。
遗忘模块,用于对预设的RRCF模型中的流量序列编号对应的历史的流量序列进行遗忘操作。
新增单元704,用于基于当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型。
在一些实施例中,新增单元704用于,在遗忘操作后的RRCF模型的中的流量序列编号对应的位置,执行插入所述当前的流量序列的新增操作,得到所述新增操作后的RRCF模型。
第二确定单元705,用于确定预设的RRCF模型与所述新增操作后的RRCF模型之间的差异信息。
第三确定单元706,用于根据差异信息确定检测结果,其中,检测结果表征网络访问量是否异常。
在一些实施例中,流量属性信息还包括流量指数,流量指数用于表征由初始的流量序列转换为当前的流量序列时,流量的或增或将的幅度;第三确定单元706用于,若流量指数表征流量为增,流量的增的幅度大于预设的第一阈值,且差异信息大于预设的差异阈值,则确定网络访问流异常;若流量指数表征流量为增,流量的增的幅度小于预设的第一阈值,则确定网络访问量正常;或者,若流量指数表征流量为降,则确定网络访问量正常。
生成单元707,用于若网络访问流异常,则生成异常提示消息。
输出单元708,用于输出异常提示消息。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例,本申请还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
如图8所示,是根据本申请实施例的网络访问量的检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的网络访问量的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的网络访问量的检测方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的网络访问量的检测方法对应的程序指令/模块。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的网络访问量的检测方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据网络访问量的检测方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至网络访问量的检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
网络访问量的检测方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与网络访问量的检测方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且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。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种网络访问量的检测方法,包括:
获取实时的数据流,并确定所述实时的数据流的当前的流量序列,其中,所述数据流包括基于网络访问生成订单而产生的信息,所述流量序列用于表征订单数量的序列;
根据所述实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,并基于所述当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型,其中,所述历史的流量序列是基于历史的数据流确定的;
确定所述预设的RRCF模型与所述新增操作后的RRCF模型之间的差异信息,并根据所述差异信息确定检测结果,其中,所述检测结果表征网络访问量是否异常。
2.根据权利要求1所述的方法,其中,确定所述实时的数据流的当前的流量序列,包括:
根据所述实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列;
根据所述初始的流量序列的分布信息,确定所述初始的流量序列在第二数量的时间滑动窗口内的流量属性信息,其中,所述流量属性信息包括所述当前的流量序列,所述第一数量大于所述第二数量。
3.根据权利要求2所述的方法,在根据所述实时的数据流构建第一数量的时间滑动窗口内的初始的流量序列之后,还包括:
根据预设的调整流量对所述的初始的流量序列进行增加的迁移转换处理。
4.根据权利要求1至3中任一项所述的方法,根据所述实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,包括:
根据所述当前的数据流、历史的数据流、以及所述预设的RRCF模型的节点信息,确定所述当前的数据流相对于全部的数据流的数据流编号,其中,所述节点信息包括所述预设的RRCF模型中流量序列的数量信息;
根据所述数据流序列编号对所述预设的RRCF模型中的所述历史的流量序列进行遗忘操作。
5.根据权利要求4所述的方法,其中,根据所述数据流序列编号对所述预设的RRCF模型中的所述历史的流量序列进行遗忘操作,包括:
根据所述数据流序列编号和所述节点信息,确定所述当前的流量序列对应于所述预设的RRCF模型中的流量序列编号;
对所述预设的RRCF模型中的流量序列编号对应的历史的流量序列进行遗忘操作。
6.根据权利要求5所述的方法,其中,基于所述当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型,包括:
在遗忘操作后的RRCF模型的中的流量序列编号对应的位置,执行插入所述当前的流量序列的新增操作,得到所述新增操作后的RRCF模型。
7.根据权利要求2或3所述的方法,其中,所述流量属性信息还包括流量指数,所述流量指数用于表征由所述初始的流量序列转换为所述当前的流量序列时,流量的或增或将的幅度;根据所述差异信息确定检测结果,包括:
若所述流量指数表征流量为增,流量的增的幅度大于预设的第一阈值,且所述差异信息大于预设的差异阈值,则确定所述网络访问流异常;
若所述流量指数表征流量为增,流量的增的幅度小于预设的第一阈值,则确定所述网络访问量正常;或者,若所述流量指数表征流量为降,则确定所述网络访问量正常。
8.根据权利要求1至3中任一项所述的方法,还包括:
若所述网络访问流异常,则生成并输出异常提示消息。
9.一种网络访问量的检测装置,包括:
获取单元,用于获取实时的数据流,其中,所述数据流包括基于网络访问生成订单而产生的信息;
第一确定单元,用于确定所述实时的数据流的当前的流量序列,其中,所述流量序列用于表征订单数量的序列;
遗忘单元,用于根据所述实时的数据流对预设的异常检测RRCF模型中的历史的流量序列进行遗忘操作,其中,所述历史的流量序列是基于历史的数据流确定的;
新增单元,用于基于所述当前的流量序列对遗忘操作后的RRCF模型进行新增操作,得到新增操作后的RRCF模型;
第二确定单元,用于确定所述预设的RRCF模型与所述新增操作后的RRCF模型之间的差异信息;
第三确定单元,用于根据所述差异信息确定检测结果,其中,所述检测结果表征网络访问量是否异常。
10.一种电子设备,包括:存储器,处理器;
存储器;用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行如权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至9中任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315939.7A CN113765734A (zh) | 2021-03-24 | 2021-03-24 | 网络访问量的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315939.7A CN113765734A (zh) | 2021-03-24 | 2021-03-24 | 网络访问量的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113765734A true CN113765734A (zh) | 2021-12-07 |
Family
ID=78786746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315939.7A Pending CN113765734A (zh) | 2021-03-24 | 2021-03-24 | 网络访问量的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113765734A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114448814A (zh) * | 2022-04-08 | 2022-05-06 | 仲恺农业工程学院 | 一种基于5G plus智能实验室监控方法及系统 |
CN117424861A (zh) * | 2023-12-18 | 2024-01-19 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种网络资源管理方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069274A (zh) * | 2015-06-29 | 2015-11-18 | 华北水利水电大学 | 基于日照时空特征的有效遮挡地物筛选确定方法 |
US20170199902A1 (en) * | 2016-01-07 | 2017-07-13 | Amazon Technologies, Inc. | Outlier detection for streaming data |
US10129118B1 (en) * | 2016-03-29 | 2018-11-13 | Amazon Technologies, Inc. | Real time anomaly detection for data streams |
CN111294332A (zh) * | 2020-01-13 | 2020-06-16 | 交通银行股份有限公司 | 一种流量异常检测与dns信道异常检测系统及方法 |
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
-
2021
- 2021-03-24 CN CN202110315939.7A patent/CN113765734A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069274A (zh) * | 2015-06-29 | 2015-11-18 | 华北水利水电大学 | 基于日照时空特征的有效遮挡地物筛选确定方法 |
US20170199902A1 (en) * | 2016-01-07 | 2017-07-13 | Amazon Technologies, Inc. | Outlier detection for streaming data |
US10129118B1 (en) * | 2016-03-29 | 2018-11-13 | Amazon Technologies, Inc. | Real time anomaly detection for data streams |
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN111294332A (zh) * | 2020-01-13 | 2020-06-16 | 交通银行股份有限公司 | 一种流量异常检测与dns信道异常检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
王腾;焦学伟;高阳;: "一种基于Attention-GRU和iForest的周期性时间序列异常检测算法", 计算机工程与科学, no. 12, 15 December 2019 (2019-12-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114448814A (zh) * | 2022-04-08 | 2022-05-06 | 仲恺农业工程学院 | 一种基于5G plus智能实验室监控方法及系统 |
CN117424861A (zh) * | 2023-12-18 | 2024-01-19 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种网络资源管理方法、装置、设备及介质 |
CN117424861B (zh) * | 2023-12-18 | 2024-02-23 | 本溪钢铁(集团)信息自动化有限责任公司 | 一种网络资源管理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551239B2 (en) | Characterizing and modifying user experience of computing environments based on behavior logs | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
US9542458B2 (en) | Systems and methods for processing and displaying user-generated content | |
CN113765734A (zh) | 网络访问量的检测方法及装置 | |
CN112509690A (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN114791982B (zh) | 对象推荐方法和装置 | |
CN111178937B (zh) | 应用的用户奖励方法、装置、电子设备及可读存储介质 | |
CN112559721A (zh) | 人机对话系统的调整方法、装置、设备、介质和程序产品 | |
CN111241396A (zh) | 信息推送的方法和装置、电子设备、存储介质 | |
CN111756832A (zh) | 推送信息的方法、装置、电子设备及计算机可读存储介质 | |
CN115269989B (zh) | 对象推荐方法、装置、电子设备和存储介质 | |
CN112446716B (zh) | Ugc处理方法、装置、电子设备和存储介质 | |
CN111782794A (zh) | 问答响应方法和装置 | |
CN112764957A (zh) | 应用故障定界方法及装置 | |
CN114329230B (zh) | 信息生成方法和装置 | |
CN112149807B (zh) | 用户特征信息的处理方法和装置 | |
CN112329427B (zh) | 短信样本的获取方法和装置 | |
CN111339408B (zh) | 信息推荐方法和装置 | |
CN113805995A (zh) | 显示方法、装置及电子设备 | |
CN112149807A (zh) | 用户特征信息的处理方法和装置 | |
CN114329205A (zh) | 用于推送信息的方法和装置 | |
CN116662652A (zh) | 模型训练方法、资源推荐方法、样本生成方法和装置 | |
CN111563772A (zh) | 广告信息访问质量确定方法、装置、电子设备及存储介质 | |
CN115617968A (zh) | 对话方法及装置、设备和介质 | |
CN117194798A (zh) | 内容的推荐方法、装置、电子设备和介质 |
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 |