CN113780329A - 用于识别数据异常的方法、装置、服务器和介质 - Google Patents

Abstract

本公开的实施例公开了用于识别数据异常的方法、装置、服务器和介质。该方法的一具体实施方式包括：获取预设时间段内的目标数据序列；确定该目标数据序列对应的预测值；基于该目标数据序列和该预测值，提取数据特征指标；将该数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。该实施方式减少了人员的工作量，提升了数据异常识别的准确性。

Description

用于识别数据异常的方法、装置、服务器和介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别数据异常的方法、装置、服务器和介质。

背景技术

随着互联网技术的发展，数据规模日益增加。对于大规模数据，如何及时有效地识别出异常值对于业务系统的正常运行等方面具有重要意义。

现有技术中，往往采用人为监控数据变化或通过设置波动阈值来判断数据是否异常。然而人为监控需要投入大量人力，并且难以确保人员能够及时发现大规模数据的异常。而由于实际的场景中数据通常都会波动，采用设置波动阈值“一刀切”而进行数据是否异常的判断准确性欠佳。

发明内容

本公开的实施例提出了用于识别数据异常的方法、装置、服务器和介质。

第一方面，本公开的实施例提供了一种用于识别数据异常的方法，该方法包括：获取预设时间段内的目标数据序列；确定目标数据序列对应的预测值；基于目标数据序列和预测值，提取数据特征指标；将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

第二方面，本公开的实施例提供了一种用于训练异常分级模型的方法，该方法包括：获取训练样本集合，其中，训练样本集合中的训练样本包括样本数据特征和对应的标注值，样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，标注值基于第一方面的方法生成；将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；根据代表值和准异常分级模型，生成异常分级模型，其中，异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

第三方面，本公开的实施例提供了一种用于识别数据异常的装置，该装置包括：获取单元，被配置成获取预设时间段内的目标数据序列；确定单元，被配置成确定目标数据序列对应的预测值；提取单元，被配置成基于目标数据序列和预测值，提取数据特征指标；生成单元，被配置成将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

第四方面，本公开的实施例提供了一种用于训练异常分级模型的装置，该装置包括：训练样本获取单元，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本数据特征和对应的标注值，样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，标注值基于权利要求7的方法生成；训练单元，被配置成将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；聚类单元，被配置成将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；模型生成单元，被配置成根据代表值和准异常分级模型，生成异常分级模型，其中，异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

第五方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第六方面，本公开的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中任一实现方式描述的方法。

本公开的实施例提供的用于识别数据异常的方法、装置、服务器和介质，通过基于目标数据序列以及所确定的目标序列的预测值提取数据特征指标，再将所提取的数据特征指标作为利用机器学习方法训练得到的自主学习模型的输入，从而得到用于表征是否存在数据异常的提示信息。从而一方面显著减少了人员的工作量，另一方面通过对数据特征指标的选取以及与机器学习模型的结合提升数据异常识别的准确性。而且，由于现有技术中数据量通常很大，普通的机器学习模型训练所需要的标注成本过高，采用自主学习模型可以在减少样本标注量的前提下满足训练要求。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于识别数据异常的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于识别数据异常的方法的一个应用场景的示意图；

图4是根据本公开的用于训练异常分级模型的方法的一个实施例的流程图；

图5是根据本公开的用于识别数据异常的装置的一个实施例的结构示意图；

图6是根据本公开的用于训练异常分级模型的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于识别数据异常的方法或用于识别数据异常的装置的示例性架构100。

如图1所示，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、无线通信链路或者光纤电缆等等。

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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、资讯类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持人机交互的各种电子设备，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。当终端设备101、102、103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105可以是提供各种服务的服务器，例如为终端设备101、102、103上的通讯客户端应用提供支持的后台服务器。后台服务器可以获取各客户端应用所产生的汇总数据，并根据上述汇总数据执行相应的处理(例如生成用于表征是否存在数据异常的提示信息)，还可以根据所生成的提示信息执行相应的处理策略，例如对选定的终端设备推送相应的信息。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，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。

需要说明的是，本公开的实施例所提供的用于识别数据异常的方法一般由服务器105执行，相应地，用于识别数据异常的装置一般设置于服务器105中。

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。

继续参考图2，示出了根据本公开的用于识别数据异常的方法的一个实施例的流程200。该用于识别数据异常的方法包括以下步骤：

步骤201，获取预设时间段内的目标数据序列。

在本实施例中，用于识别数据异常的方法的执行主体(如图1所示的服务器105)可以通过有线连接方式或者无线连接方式获取预设时间段内的目标数据序列。具体地，上述执行主体可以获取预先存储于本地的预设时间段内的目标数据序列，也可以基于与之通信连接的电子设备(例如图1所示的终端设备101、102、103)发送的交互信息生成预设时间段内的目标数据序列。

在本实施例中，上述目标数据序列中的元素可以是上述预设时间段中各个子时间段对应的目标数据。作为示例，上述预设时间段可以是某一日期的12:00-17:59的时间段。从而上述目标数据序列中的元素例如可以是12:00-12:59、13:00-13:59、14:00-14:59、15:00-15:59、16:00-16:59、17:00-17:59所对应的目标数据。上述目标数据可以根据实际应用场景而确定的各种类型的数据。作为示例，上述目标数据可以是电子商务系统的后台服务器所监测的按照不同商品类型或不同销售渠道(直营或代理商)或不同店铺而统计的订单数量。作为又一示例，上述目标数据也可以电子支付系统的后台服务器所监测的通过不同银行的进行支付的交易量或通过不同用户端(例如PC端、APP端)进行登录的用户数量等交易数据。作为再一示例，上述目标数据还可以包括各种类似于周期性信号的应用场景数据，例如游戏登陆用户数、声音信号、心脏电波的信号等。

需要说明的是，上述目标数据通常具有周期性且在每个周期内的总量基本恒定。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤获取预设时间段内的目标数据序列：

第一步，获取预设时间段内的各子时间段对应的原始数据序列。

在这些实现方式中，上述执行主体可以通过有线连接方式或者无线连接方式获取预设时间段内的各子时间段对应的原始数据序列。具体地，上述执行主体可以获取预先存储于本地的预设时间段内的各子时间段对应的原始数据序列，也可以基于与之通信连接的电子设备(例如图1所示的终端设备101、102、103)发送的交互信息生成预设时间段内的各子时间段对应的原始数据序列。其中，上述预设时间段例如是6个小时，上述子时间段例如是将上述预设时间段平均分成36份，即每个子时间段对应10分钟。上述原始数据序列中的每个原始数据例如可以是对应的子时间段所发生的订单的数量。

作为示例，上述预设时间段内的各子时间段对应的原始数据序列可以为[2,5,3,2,3,1,0,1,3,2,6,8,7,1,0,1,7,2,5,…]。

第二步，对原始数据序列进行预处理，生成预设时间段内的目标数据序列。

在这些实现方式中，上述执行主体可以通过各种方式对上述第一步所获取的原始数据序列进行预处理，从而生成预设时间段内的目标数据序列。作为示例，上述对原始数据序列进行预处理可以包括采用各种数据平滑方法(例如移动平均法)对数据进行平滑。

基于上述可选的实现方式，本方案通过对原始数据序列进行相应地预处理，可以避免由于直接使用原始数据进行模型训练而引起的效果不佳，从而提升用于识别数据异常的方法的效果。

基于上述可选的实现方式，可选地，上述执行主体还可以按照如下步骤对原始数据序列进行预处理，生成预设时间段内的目标数据序列：

S1、获取与原始数据序列对应的最小可统计阈值。

在这些实现方式中，上述执行主体可以通过各种方式获取与上述原始数据序列对应的最小可统计阈值。其中，上述最小可统计阈值可以预先设定的，例如21。

S2、确定原始数据序列的参考值。

在这些实现方式中，上述执行主体可以首先确定上述原始数据序列的参考值。其中，上述参考值可以用于反映上述原始数据序列的整体水平。作为示例，上述参考值可以为平均值或中位数。例如，上述执行主体可以将上述原始数据序列[2,5,3,2,3,1,0,1,3,2,6,8,7,1,0,1,7,2,5,…]的平均值4确定为上述参考值。

S3、响应于确定参考值小于最小可统计阈值，执行以下时间段聚合步骤：

S31、将该原始数据序列中每目标数目个相邻的子时间段对应的原始数据进行求和，生成新的原始数据序列。

在这些实现方式中，上述新的原始数据序列中的各新的原始数据可以为对应的上述目标数目个相邻的子时间段对应的原原始数据之和。作为示例，上述目标数目可以是预设数值，也可以是根据迭代此处而改变的数值(例如预设数值与迭代次数的乘积)。例如预设数值可以是6，则第一次循环将原始数据序列中的每6个原始数据进行求和，第二次循环将原始数据序列中的每12个原始数据(即新的原始数据序列中的每2个原始数据)进行求和，依次类推。上述执行主体可以将上述原始序列中第1-6个原始数据进行求和得到16，将第7-12个原始数据进行求和得到20，第13-18个原始数据进行求和得到18，以此类推。从而生成新的原始数据序列[16,20,18,…]。

S32、确定新的原始数据序列的参考值。

在这些实现方式中，上述执行主体可以利用与前述确定参考值一致的方式确定上述步骤S31所生成的原始数据序列的参考值。作为示例，上述新的原始数据序列的参考值例如可以是17。

S4、响应于确定新的原始数据序列的参考值小于最小可统计阈值，继续执行时间段聚合步骤。

在这些实现方式中，上述执行主体可以确定上述步骤S32所确定的新的原始序列的参考值是否小于上述最小可统计阈值。响应于确定小于，上述执行主体可以继续执行上述时间段聚合步骤，即执行步骤S31-S32。

作为示例，响应于确定上述新的原始数据序列的参考值17小于上述最小可统计阈值21，上述执行主体可以继续执行上述步骤S31(例如生成新的原始数据序列[36,37,…])和步骤S32(例如确定新的原始数据序列的参考值37)。

S5、响应于确定新的原始数据序列的参考值不小于最小可统计阈值，将新的原始数据序列确定为预设时间段内的目标数据序列。

在这些实现方式中，响应于确定新的原始数据序列的参考值不小于最小可统计阈值，上述执行主体可以将上述步骤S32所生成的新的原始数据序列确定为预设时间段内的目标数据序列。从而，上述新的原始数据序列中的各原始数据可以是原原始序列中若干个相邻的原始数据之和。

基于上述步骤S1-S5所描述的可选的实现方式，本方案通过放大数据的统计维度，避免了由于某些业务数据在单位时间(例如分钟级)内比较小，且经常为0而造成的难以反映数据波动趋势的情况，从而更加科学、准确、显式地反映数据在多个时间单位内的波动趋势。

基于上述第一步至第二步所描述的可选的实现方式，可选地，上述执行主体还可以按照如下步骤对原始数据序列进行预处理，生成预设时间段内的目标数据序列：

S’1、确定原始数据序列的参考值。

在这些实现方式中，上述执行主体可以首先确定上述原始数据序列的参考值。其中，上述参考值可以用于反映上述原始数据序列的整体水平。作为示例，上述参考值可以为平均值或中位数。

S’2、基于原始数据序列中各原始数据与参考值之间的比较，对原始数据序列中的原始数据进行重映射，生成映射后的数据。

在这些实现方式中，基于上述原始数据序列中各原始数据与上述步骤S’1所确定的参考值，上述执行主体可以通过各种方式对上述原始数据序列中的原始数据进行重映射，生成映射后的数据。

作为示例，上述执行主体可以按照如下步骤进行重映射：

S’21、确定原始数据序列中的原始数据与参考值之间的差异值(例如差值或比值)。

S’22、获取预设的分段倍数列表和分段倍数列表所包括的元素的数量。

在这些实现方式中，上述分段倍数列表中的元素按照数值由大至小的顺序排列。作为示例，上述分段倍数列表可以为[x,x/2,x/3,…x/(x-2),x/(x-1),1,(x-1)/x,(x-2)/x..,2/x,1/x,0]，其中，x∈N₊且x≥3。上述x的数值可以根据实际应用场景预先设定。例如，当x＝3时，上述分段倍数列表可以是[3,3/2,1,2/3,1/3,0]。

S’23、从预设的分段倍数列表中选取与原始数据序列中的原始数据对应的差异值相匹配的元素作为目标分段倍数。

在这些实现方式中，上述相匹配的元素例如可以是上述预设的分段倍数列表中不大于上述差异值(例如比值)的最大值。作为示例，原始数据序列可以为[36,37,38,…]，参考值可以为37。对于第1个原始数据，上述执行主体可以将比值36/37作为差异值。从而，上述目标分段倍数可以为2/3。上述原始数据序列中的其他数据可以以此类推。

S’24、根据目标分段倍数以及关联信息、原始数据和对应的差异值，生成原始数据序列中各原始数据对应的映射后的数据。

在这些实现方式中，上述执行主体可以根据原始数据序列中各原始数据对应的目标分段倍数以及关联信息、原始数据和对应的差异值，生成各原始数据对应的映射后的数据。其中，上述关联信息可以包括但不限于以下至少一项：重映射后的数据范围的最大值，目标分段倍数在上述分段倍数列表中的索引，目标分段倍数的下一个分段倍数。

作为示例，映射后的数据score可以通过以下公式计算：

score＝M-idx+(value-dif*list[idx])/[(list[idx+1]-list[idx])*dif]

其中，M可以是重映射后的数据范围的最大值，即重映射后的数据范围为[0,M]。idx可以为目标分段倍数在上述分段倍数列表中list的索引。value可以为原始数据序列中的原始数据。dif可以为上述差异值(例如比值)。

需要说明的是，上述原始数据序列中的其他数据可以以此类推，从而生成原始数据序列中各原始数据对应的映射后的数据。

S’3、基于映射后的数据，生成预设时间段内的目标数据序列。

在这些实现方式中，基于上述步骤S2所生成的映射后的数据，上述执行主体可以通过各种方式生成预设时间段内的目标数据序列。作为示例，上述执行主体可以将上述所生成的映射后的数据按照时序进行排列，从而生成上述预设时间段内的目标数据序列。作为又一示例，上述执行主体还可以将按照时序进行排列的上述映射后的数据预设时间段内的目标数据按照前述步骤S1-S5所描述的时间段进行聚合，根据上述聚合后的时间段对应的数据生成预设时间段内的目标数据。

基于上述步骤S’1-S’3所描述的可选的实现方式，本方案将数值范围在[0,+∞)的原始数据根据基于参考值生成的差异值进行数据重映射，在保证映射后的数据范围减小的基础上保留原始数据之间的差异性。可选地，还根据上述特定的公式减少了映射后的数据之间等比例放大或缩小而引起的存在较为尖锐的点的风险。

步骤202，确定目标数据序列对应的预测值。

在本实施例中，根据步骤201所获取的待替换的数据集的数据属性信息，上述执行主体可以通过各种方式从预设的备选数据集集合中确定目标备选数据集。作为示例，上述执行主体可以利用各种数据拟合方式生成上述目标数据序列的拟合曲线，并利用上述拟合曲线生成上述目标数据序列对应的预测值。基于上述步骤201的示例，上述目标数据序列对应的预测值例如可以用于表征18:00-18:59所对应的目标数据的预测数值。

在本实施例的一些可选的实现方式中，上述执行主体可以将目标数据序列输入至预先训练的时序预测模型，得到对应的预测值。其中，上述时序预测模型通常基于目标训练样本训练得到。上述目标训练样本中通常包括时间跨度不小于上述目标数据序列对应的时间跨度的样本数据。可选地，上述目标训练样本中包括时间跨度通常不小于上述目标数据序列所对应的周期的两倍。

在这些实现方式中，上述时序预测模型例如可以包括自回归移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)、长短期记忆(Long short-term memory,LSTM)网络。

步骤203，基于目标数据序列和预测值，提取数据特征指标。

在本实施例中，基于步骤201所获取的目标数据序列和步骤202所确定的预测值，上述执行主体可以通过各种方式提取数据特征指标。其中，上述数据特征指标可以用于表征上述目标数据序列和预测值的特征。作为示例，上述数据特征指标例如可以包括异常值(例如0)的出现次数。作为又一示例，上述数据特征指标例如可以包括异常值(例如0)连续出现次数的最大值。例如异常值连续出现3次、2次、5次，则上述异常值连续出现次数的最大值为5。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下步骤提取数据特征指标：

第一步，获取与预设时间段匹配的至少一个历史数据序列。

在这些实现方式中，上述历史数据序列对应的历史时间段可以与上述预设时间段相匹配。作为示例，上述预设时间段例如可以为2020年5月18日12:00-18:00，则上述至少一个历史数据序列对应的历史时间段可以包括但不限于以下至少一项：2019年5月18日12:00-17:59、2020年4月18日12:00-17:59、2020年5月17日12:00-17:59、2020年5月18日6:00-11:59、2020年5月18日0:00-5:59、2020年5月18日6:00-11:59、2019年5月18日18:00-23:59、2020年4月18日18:00-23:59、2020年5月17日18:00-23:59。

第二步，基于目标数据序列和至少一个历史数据序列，提取第一数据特征指标。

在这些实现方式中，上述第一数据特征指标可以用于指示预设时间段内的目标数据与历史时间段内的数据之间的差异。其中，上述第一数据特征指标可以包括但不限于以下至少一项：环比值的差异值，同比值的差异值，同比多段时间数据之和的差异值。上述差异值例如可以是真实值之间的比值或差值。

作为示例，上述环比值的差异值例如可以用于表征同一天内不同的历史时间段之间的真实值的差异

作为又一示例，上述同比值的差异值例如可以表征不同天数对应的同一历史时间段之间的真实值的差异。

作为再一示例，同比多段时间数据之和的差异值例如可以表征前x天中当前时间段及之前m个统计周期内的多段数据之和，与当天的当前时间段及之前的m个统计周期内的多段数据之和的差异值。

第三步，基于目标数据序列中的数据与对应的预测值，提取第二数据特征指标。

在这些实现方式中，上述第二数据特征指标可以用于指示同一时间段内的数据与对应的预测值之间的差异。上述差异例如可以是差值或比值。

第四步，基于目标数据序列和至少一个历史数据序列，提取第三数据特征指标。

在这些实现方式中，上述第三数据特征指标可以用于指示时间段内的数据变化趋势。作为示例，上述数据变化趋势例如可以用所选取的时间段对应的数据所对应的斜率表示。

步骤204，将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

在本实施例中，上述执行主体可以将步骤203所生成的数据特征指标输入至预先训练的自主学习模型，从而生成用于表征是否存在数据异常的提示信息。其中，上述自主学习模型可以基于预先构造的分类器通过主动学习训练得到。上述分类器可以包括但不限于以下至少一项：朴素贝叶斯、决策树、逻辑回归、支持向量机和神经网络。本文采用XGBoost(eXtreme Gradient Boosting)算法作为分类器。上述主动学习的方式可以包括但不限于以下至少一项：生成式成员查询，流式主动学习方法，基于未标注样本池的主动学习方法，批量式主动学习方法，半监督主动学习方法，结合生成对抗网络的学习方法。

在本实施例的一些可选的实现方式中，基于预处理包括重映射，上述执行主体可以对自主学习模型在训练过程中所计算的输出值进行逆变换，将数据的范围再变换至[0,+∞)。

在本实施例的一些可选的实现方式中，上述执行主体还可以继续执行以下步骤：

步骤205，响应于确定提示信息用于表征存在数据异常，向目标端发送告警信息。

在这些实现方式中，响应于确定提示信息用于表征存在数据异常，上述执行主体可以向目标端发送告警信息。其中，上述目标端可以是技术人员所使用的终端，也可以是中控系统的监控终端，此处不作限定。

步骤206，接收目标端反馈的告警处理反馈信息。

在这些实现方式中，上述告警处理反馈信息可以包括以下至少一项：异常数据严重等级，告警响应时间。上述异常数据严重等级例如可以是技术人员使用上述目标端标注的“高严重等级”、“中严重等级”或“低严重等级”。上述告警响应时间例如可以是从发送上述告警信息到接收到上述目标端发送的“去处理”的信息的时间间隔。

步骤207，基于告警处理反馈信息，生成用于训练异常分级模型的训练样本。

在这些实现方式中，上述训练样本可以包括用于表征异常严重程度的标注值。上述标注值可以与上述步骤206所接收的异常数据严重等级和告警响应时间相对应。例如，“低严重等级”和告警响应时间大于30分钟的标注值可以为0.1；“中严重等级”和告警响应时间大于10分钟且小于30分钟的标注值可以为0.5；“高严重等级”和告警响应时间小于10分钟的标注值可以为1.0。

基于上述可选的实现方式，本方案可以将异常信息发送至指定的接收人。而且，还可以通过记录异常信息接收方对告警信息的反馈(包括是否是异常数据以及问题的严重性等)补充样本标注数据，减少样本标注的代价。

继续参见图3，图3是根据本公开的实施例的用于识别数据异常的方法的应用场景的一个示意图。在图3的应用场景中，用户使用终端设备301、302、303等注册新用户。服务器304可以获取6:00-6:59时间段内每15分钟的新用户注册数量所形成的序列305。服务器304根据上述序列305确定时段6:45-6:59的预测值20(如图3中306所示)。基于上述序列305和预测值306，服务器304可以提取数据特征指标307。其中，上述数据特征指标307中例如可以包括前一日6:00-6:59时间段内每15分钟的新用户注册数量与上述序列306的比值(0.67,1,0.94,1.08)、时段6:45-6:59的真实值与预测值的比值0.9、数值小于预设数值10的个数1、数值为0的个数0。服务器304可以将上述数据特征指标307输入至预先训练的自主学习模型，生成用于表征存在数据异常的提示信息308。

目前，现有技术之一通常是采用人为监控数据变化或通过设置波动阈值来判断数据是否异常，导致人工成本过高以及准确性较差。而本公开的上述实施例提供的方法，通过基于目标数据序列以及所确定的目标序列的预测值提取数据特征指标，再将所提取的数据特征指标作为利用机器学习方法训练得到的自主学习模型的输入，从而得到用于表征是否存在数据异常的提示信息。从而一方面显著减少了人员的工作量，另一方面通过对数据特征指标的选取以及与机器学习模型的结合提升数据异常识别的准确性。而且，由于现有技术中数据量通常很大，普通的机器学习模型训练所需要的标注成本过高，采用自主学习模型可以在减少样本标注量的前提下满足训练要求。

进一步参考图4，其示出了用于训练异常分级模型的方法的一个实施例的流程400。该用于训练异常分级模型的方法的流程400，包括以下步骤：

步骤401，获取训练样本集合。

在本实施例中，用于训练异常分级模型的方法的执行主体(例如图1所示的服务器105)可以通过各种方式获取训练样本集合。其中，上述训练样本集合中的训练样本可以包括样本数据特征和对应的标注值。上述样本数据特征可以基于历史时间段内的数据统计特征和时间段对比特征生成。其中，上述数据统计特征例如可以包括但不限于以下至少一项：最近若干个时间段的数值的均值、方差、最大值、最小值中的至少一项,最近若干天该时间段的数值的均值、方差、最大值、最小值中的至少一项，最近若干个时间段中数值连续为0的最大个数,出现0的个数，连续告警次数。上述数据对比特征例如可以包括但不限于以下至少一项：当前时间段的数值与前N个时间段的数值之差或之比，当前时间段的数值与前N天的同一时间段的值之差或之比,当前时间段的数据与模型预测值之差或之比，与当前时间段相关联的数据的斜率值。

在本实施例中，上述标注值可以基于前述实施例步骤205-步骤207所描述的方法生成。

步骤402，将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型。

在本实施例中，上述执行主体可以基于初始模型通过机器学习方法，利用上述步骤401所获取的训练样本集合进行训练，以得到上述准异常分级模型。其中，上述初始模型例如可以包括回归模型。

步骤403，将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考。

在本实施例中，上述执行主体可以将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考。其中，上述代表值例如可以是属于同一类别的输出值的均值或该类别的聚类中心对应的值。作为示例，上述训练样本集合中的训练样本对应的输出值生成三个聚类，所对应的代表值分别为0.7、0.4、0.2。则上述执行主体可以将上述代表值作为等级判定的参考。

需要说明的是，上述输出值通常是上述训练完成的准异常分级模型的输出或训练后期的模型的输出，而非训练初期的输出，以提高后续分类的准确性。

步骤404，根据代表值和准异常分级模型，生成异常分级模型。

在本实施例中，根据上述步骤403所生成的代表值和步骤402所得到的准异常分级模型，上述执行主体可以生成异常分级模型。其中，上述异常分级模型可以用于表征数据特征与数据异常等级之间的对应关系。作为示例，上述执行主体可以将上述准异常分级模型与上述代表值与数据异常等级(例如高、中、低)之间的对应关系进行连接，从而形成上述异常分级模型。

从图4中可以看出，本实施例中的用于训练异常分级模型的方法的流程400体现了利用包括标注值的训练样本进行模型训练的步骤，以及将训练样本对应的输出值进行聚类以作为等级判定的参考的步骤。由此，本实施例描述的方案可以根据训练样本自主选择异常分级模型的分类阈值，与人工设定或手动调参相比更加快捷且适应性强，从而有助于提升异常数据异常等级识别的准确性。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于识别数据异常的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例提供的用于识别数据异常的装置500包括获取单元501、确定单元502、提取单元503和生成单元504。其中，获取单元501，被配置成获取预设时间段内的目标数据序列；确定单元502，被配置成确定目标数据序列对应的预测值；提取单元503，被配置成基于目标数据序列和所述预测值，提取数据特征指标；生成单元504，被配置成将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

在本实施例中，用于识别数据异常的装置500中：获取单元501、确定单元502、提取单元503和生成单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述获取单元501可以包括：获取模块(图中未示出)、生成模块(图中未示出)。其中。上述获取模块可以被配置成获取预设时间段内的各子时间段对应的原始数据序列。上述生成模块可以被配置成对原始数据序列进行预处理，生成预设时间段内的目标数据序列。

在本实施例的一些可选的实现方式中，上述生成模块可以被进一步配置成：获取与原始数据序列对应的最小可统计阈值；确定原始数据序列的参考值；响应于确定参考值小于最小可统计阈值，执行以下时间段聚合步骤：将原始数据序列中每目标数目个相邻的子时间段对应的原始数据进行求和，生成新的原始数据序列；确定新的原始数据序列的参考值；响应于确定新的原始数据序列的参考值小于最小可统计阈值，继续执行时间段聚合步骤；响应于确定新的原始数据序列的参考值不小于最小可统计阈值，将新的原始数据序列确定为预设时间段内的目标数据序列。

在本实施例的一些可选的实现方式中，上述生成模块可以被进一步配置成：确定原始数据序列的参考值；基于原始数据序列中各原始数据与参考值之间的比较，对原始数据序列中的原始数据进行重映射，生成映射后的数据；基于映射后的数据，生成预设时间段内的目标数据序列。

在本实施例的一些可选的实现方式中，上述确定单元502可以被进一步配置成：将目标数据序列输入至预先训练的时序预测模型，得到对应的预测值。其中，上述时序预测模型可以基于目标训练样本训练得到。上述目标训练样本中可以包括时间跨度不小于目标数据序列对应的时间跨度的样本数据。

在本实施例的一些可选的实现方式中，上述提取单元503可以被进一步配置成：获取与预设时间段匹配的至少一个历史数据序列，其中，历史数据序列对应的历史时间段与预设时间段相匹配；基于目标数据序列和至少一个历史数据序列，提取第一数据特征指标，其中，第一数据特征指标用于指示预设时间段内的目标数据与历史时间段内的数据之间的差异；基于目标数据序列中的数据与对应的预测值，提取第二数据特征指标，其中，第二数据特征指标用于指示同一时间段内的数据与对应的预测值之间的差异；基于目标数据序列和至少一个历史数据序列，提取第三数据特征指标，其中，第三数据特征指标用于指示时间段内的数据变化趋势。

在本实施例的一些可选的实现方式中，该用于识别数据异常的装置还可以包括：发送单元(图中未示出)，被配置成响应于确定提示信息用于表征存在数据异常，向目标端发送告警信息；接收单元(图中未示出)，被配置成接收目标端反馈的告警处理反馈信息，其中，告警处理反馈信息可以包括以下至少一项：异常数据严重等级，告警响应时间；样本生成单元(图中未示出)，被配置成基于告警处理反馈信息，生成用于训练异常分级模型的训练样本，其中，训练样本可以包括用于表征异常严重程度的标注值。

本公开的上述实施例提供的装置，通过提取单元503基于获取单元501所获取的目标数据序列以及确定单元502所确定的目标序列的预测值提取数据特征指标，再通过生成单元504将所提取的数据特征指标作为利用机器学习方法训练得到的自主学习模型的输入，从而得到用于表征是否存在数据异常的提示信息。从而一方面显著减少了人员的工作量，另一方面通过对数据特征指标的选取以及与机器学习模型的结合提升数据异常识别的准确性。而且，由于现有技术中数据量通常很大，普通的机器学习模型训练所需要的标注成本过高，采用自主学习模型可以在减少样本标注量的前提下满足训练要求。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了用于训练异常分级模型的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例提供的用于识别数据异常的装置600包括训练样本获取单元601、训练单元602、聚类单元603和模型生成单元604。其中，训练样本获取单元601，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本数据特征和对应的标注值，样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，标注值基于前述实施例所描述的方法生成；训练单元602，被配置成将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；聚类单元603，被配置成将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；模型生成单元604，被配置成根据代表值和准异常分级模型，生成异常分级模型，其中，异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

在本实施例中，用于训练异常分级模型的装置600中：训练样本获取单元601、训练单元602、聚类单元603和模型生成单元604的具体处理及其所带来的技术效果可分别参考图4对应实施例中的步骤401、步骤402、步骤403和步骤404的相关说明，在此不再赘述。

本公开的上述实施例提供的装置，通过训练单元602利用获取单元601所获取的包括标注值的训练样本进行模型训练，以及聚类单元603将训练样本对应的输出值进行聚类以作为等级判定的参考，通过模型生成单元604生成异常分级模型。从而可以根据训练样本自主选择异常分级模型的分类阈值，与人工设定或手动调参相比更加快捷且适应性强，从而有助于提升异常数据异常等级识别的准确性。

下面参考图7，其示出了适于用来实现本申请的实施例的电子设备(例如图1中的服务器105)700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请的实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、等的输入装置706；包括例如液晶显示器(LCD，Liquid Crystal Display)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，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。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本申请的实施例，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，本申请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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本申请的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所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。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，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(Radio Frequency，射频)等等，或者上述的任意合适的组合。

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，而未装配入该服务器中。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服务器执行时，使得该服务器：获取预设时间段内的目标数据序列；确定目标数据序列对应的预测值；基于目标数据序列和预测值，提取数据特征指标；将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息；或者使得该服务器：获取训练样本集合，其中，训练样本集合中的训练样本包括样本数据特征和对应的标注值，样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，标注值基于第一方面的方法生成；将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；根据代表值和准异常分级模型，生成异常分级模型，其中，异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

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实施例的操作的计算机程序代码，所述程序设计语言包括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”、Python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，图示了按照本公开的各种实施例的系统、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。

描述于本公开的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器，包括获取单元、确定单元、提取单元、生成单元。或者，可以描述为：一种处理器，包括训练样本获取单元、训练单元、聚类单元、模型生成单元。其中，这些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，获取单元还可以被描述为“获取预设时间段内的目标数据序列的单元”。

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，本公开的实施例中所涉及的发明范围，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发明构思的情况下，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的实施例中公开的(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。

Claims (12)

1.一种用于识别数据异常的方法，包括：

获取预设时间段内的目标数据序列；

确定所述目标数据序列对应的预测值；

基于所述目标数据序列和所述预测值，提取数据特征指标；

将所述数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

2.根据权利要求1所述的方法，其中，所述获取预设时间段内的目标数据序列，包括：

获取所述预设时间段内的各子时间段对应的原始数据序列；

对所述原始数据序列进行预处理，生成所述预设时间段内的目标数据序列。

3.根据权利要求2所述的方法，其中，所述对所述原始数据序列进行预处理，生成所述预设时间段内的目标数据序列，包括：

获取与所述原始数据序列对应的最小可统计阈值；

确定所述原始数据序列的参考值；

响应于确定所述参考值小于所述最小可统计阈值，执行以下时间段聚合步骤：将所述原始数据序列中每目标数目个相邻的子时间段对应的原始数据进行求和，生成新的原始数据序列；确定所述新的原始数据序列的参考值；

响应于确定所述新的原始数据序列的参考值小于所述最小可统计阈值，继续执行所述时间段聚合步骤；

响应于确定所述新的原始数据序列的参考值不小于所述最小可统计阈值，将所述新的原始数据序列确定为所述预设时间段内的目标数据序列。

4.根据权利要求2所述的方法，其中，所述对所述原始数据序列进行预处理，生成所述预设时间段内的目标数据序列，包括：

确定所述原始数据序列的参考值；

基于所述原始数据序列中各原始数据与所述参考值之间的比较，对所述原始数据序列中的原始数据进行重映射，生成映射后的数据；

基于映射后的数据，生成所述预设时间段内的目标数据序列。

5.根据权利要求1所述的方法，其中，所述确定所述目标数据序列对应的预测值，包括：

将所述目标数据序列输入至预先训练的时序预测模型，得到对应的预测值，其中，所述时序预测模型基于目标训练样本训练得到，所述目标训练样本中包括时间跨度不小于所述目标数据序列对应的时间跨度的样本数据。

6.根据权利要求1所述的方法，其中，所述基于所述目标数据序列和所述预测值，提取数据特征指标，包括：

获取与所述预设时间段匹配的至少一个历史数据序列，其中，历史数据序列对应的历史时间段与所述预设时间段相匹配；

基于所述目标数据序列和所述至少一个历史数据序列，提取第一数据特征指标，其中，所述第一数据特征指标用于指示预设时间段内的目标数据与历史时间段内的数据之间的差异；

基于所述目标数据序列中的数据与对应的预测值，提取第二数据特征指标，其中，所述第二数据特征指标用于指示同一时间段内的数据与对应的预测值之间的差异；

基于所述目标数据序列和所述至少一个历史数据序列，提取第三数据特征指标，其中，所述第三数据特征指标用于指示时间段内的数据变化趋势。

7.根据权利要求1-6之一所述的方法，其中，所述方法还包括：

响应于确定所述提示信息用于表征存在数据异常，向目标端发送告警信息；

接收所述目标端反馈的告警处理反馈信息，其中，所述告警处理反馈信息包括以下至少一项：异常数据严重等级，告警响应时间；

基于所述告警处理反馈信息，生成用于训练异常分级模型的训练样本，其中，所述训练样本包括用于表征异常严重程度的标注值。

8.一种用于训练异常分级模型的方法，包括：

获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本数据特征和对应的标注值，所述样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，所述标注值基于权利要求7所述的方法生成；

将所述训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；

将所述训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；

根据所述代表值和所述准异常分级模型，生成所述异常分级模型，其中，所述异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

9.一种用于识别数据异常的装置，包括：

获取单元，被配置成获取预设时间段内的目标数据序列；

确定单元，被配置成确定所述目标数据序列对应的预测值；

提取单元，被配置成基于所述目标数据序列和所述预测值，提取数据特征指标；

生成单元，被配置成将所述数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

10.一种用于训练异常分级模型的装置，包括：

训练样本获取单元，被配置成获取训练样本集合，其中，所述训练样本集合中的训练样本包括样本数据特征和对应的标注值，所述样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，所述标注值基于权利要求7所述的方法生成；

训练单元，被配置成将所述训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；

聚类单元，被配置成将所述训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；

模型生成单元，被配置成根据所述代表值和所述准异常分级模型，生成所述异常分级模型，其中，所述异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

11.一种服务器，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

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。

12.一种计算机可读介质，其上存储有计算机程序，其中，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。

Images