CN114048055A - 时序数据异常根因分析方法及系统 - Google Patents

时序数据异常根因分析方法及系统 Download PDF

Info

Publication number
CN114048055A
CN114048055A CN202111319005.7A CN202111319005A CN114048055A CN 114048055 A CN114048055 A CN 114048055A CN 202111319005 A CN202111319005 A CN 202111319005A CN 114048055 A CN114048055 A CN 114048055A
Authority
CN
China
Prior art keywords
data
root cause
time series
analysis
series 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
Application number
CN202111319005.7A
Other languages
English (en)
Inventor
钱豪阳
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.)
Shanghai Bilibili Technology Co Ltd
Original Assignee
Shanghai Bilibili Technology Co Ltd
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 Shanghai Bilibili Technology Co Ltd filed Critical Shanghai Bilibili Technology Co Ltd
Priority to CN202111319005.7A priority Critical patent/CN114048055A/zh
Publication of CN114048055A publication Critical patent/CN114048055A/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
    • 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
    • G06F11/0766—Error or fault reporting or storing
    • G06F11/0775—Content or structure details of the error report, e.g. specific table structure, specific error fields
    • 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
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods

Landscapes

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

Abstract

本申请公开了一种时序数据异常根因分析方法，该方法包括：根据输入的时间信息从数据库中获取待分析的数据；根据预设规则对所述数据进行预处理，包括数据筛选和预测；在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合；对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。本申请还公开了一种时序数据异常根因分析系统、电子装置和计算机可读存储介质。由此，能够有效提升时间序列数据异常点位根因分析的效率和准确率。

Description

时序数据异常根因分析方法及系统
技术领域
本申请涉及数据分析技术领域，尤其涉及一种时序数据异常根因分析方法、系统、电子装置及计算机可读存储介质。
背景技术
时序数据即时间序列数据，是一组按照时间发生先后顺序进行排列的数据点序列。时序数据上数值不符合常理和预期的数据点，称为异常点位。针对时序数据的异常点位，经常需要进行根因分析。根因分析的目的是为了找到问题的根本原因，是分析问题和解决问题的一种方法。它是一种结构化的问题处理方法，用以逐步找出问题的根本原因并加以解决，而不是仅仅关注问题的表面现象。例如在业务场景中，有的时候需要调查和分析视频卡顿数据为什么会异常，在哪里异常，寻求防止异常事故再次发生的必要措施，从而提高整体业务的安全和质量。
目前常用的根因分析算法包括HotSpot算法、Squeeze算法等。其中，Squeeze算法是针对HotSpot算法的改进。但是，现有的这些根因分析算法都是比较初期的实现算法，对于时间序列预测、聚类算法都使用了比较简单的方式，无法保证异常点位的根因分析效率和准确率。
发明内容
本申请的主要目的在于提出一种时序数据异常根因分析方法、系统、电子装置及计算机可读存储介质，旨在解决如何提升分析效率和准确率的问题。
为实现上述目的，本申请实施例提供了一种时序数据异常根因分析方法，所述方法包括：
根据输入的时间信息从数据库中获取待分析的数据；
根据预设规则对所述数据进行预处理，包括数据筛选和预测；
在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合；及
对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。
可选地，所述根据输入的时间信息从数据库中获取待分析的数据包括：
接收输入的时间信息；
验证所述时间信息的有效性和格式正确性；
当验证通过后，从数据库中获取所述时间信息对应的待分析的数据。
可选地，所述从数据库中获取所述时间信息对应的待分析的数据包括：
根据业务场景设置需要分析的数据的维度；
按照所述维度从所述数据库中获取所述时间信息对应的数据。
可选地，在视频播放业务场景下，所述维度包括省份、运营商、第三方内容分发网络厂商。
可选地，所述筛选的过程包括：
设置关键指标和所述关键指标对应项目的权重条件；
将不满足所述权重条件的数据剔除。
可选地，所述关键指标为播放卡顿率，所述关键指标对应项目为视频卡顿个数和视频播放次数，所述权重条件为所述视频播放次数大于第一阈值且所述视频卡顿个数大于第二阈值。
可选地，所述筛选的过程还包括：
设置时间序列完整度条件；
将不满足所述完整度条件的数据剔除。
可选地，所述完整度条件包括：分析点位内没有数据缺失，且真实值不为0。
可选地，所述完整度条件还包括：所述分析点位预测值大于第三阈值且小于第四阈值。
可选地，所述预测的过程包括：
设置多种时间序列预测算法及每种所述时间序列预测算法的权重；
获取各维度的时间序列数据的真实值；
分别采用所述多种时间序列预测算法根据所述真实值进行预测，生成相应的预测值；
结合每种所述时间序列预测算法得到的所述预测值和所述权重，计算得到最终的预测值。
可选地，所述在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合包括：
将所述处理后的数据转换为根因分析算法所需要的数据格式；
设置所述根因分析算法需要的多个阈值的多个可能值；
根据所述多个阈值及多个可能值设定多个搜索空间；
在每个所述搜索空间内分别采用所述根因分析算法对所述处理后的数据进行一次根因分析，得到一种根因分析结果；
综合所述多个搜索空间的根因分析结果得到所述根因集合。
可选地，所述方法还包括：
在对所述处理后的数据进行根因分析时，根据所述业务场景的数据量大小调整聚类区间的个数。
可选地，所述根因分析算法为Squeeze算法。
此外，为实现上述目的，本申请实施例还提供一种时序数据异常根因分析系统，所述系统包括：
获取模块，用于根据输入的时间信息从数据库中获取待分析的数据；
处理模块，用于根据预设规则对所述数据进行预处理，包括数据筛选和预测；
分析模块，用于在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合；
输出模块，用于对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。
为实现上述目的，本申请实施例还提供一种电子装置，所述电子装置包括：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时序数据异常根因分析程序，所述时序数据异常根因分析程序被所述处理器执行时实现如上述的时序数据异常根因分析方法。
为实现上述目的，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有时序数据异常根因分析程序，所述时序数据异常根因分析程序被处理器执行时实现如上述的时序数据异常根因分析方法。
本申请实施例提出的时序数据异常根因分析方法、系统、电子装置及计算机可读存储介质，给出了一种自动化分析时序数据异常点位可能原因的方案，可以减少很多手动分析工作量(节约时间成本)，也能更高效地持续输出一个标准化的结果(自动输出标准化数据)，方便查询统计和分析(数据的存储和后续获取)，有效提升了时间序列数据异常点位根因分析的效率和准确率。
附图说明
图1为实现本申请各个实施例的一种应用环境架构图；
图2为本申请第一实施例提出的一种时序数据异常根因分析方法的流程图；
图3为图2中步骤S20的细化流程示意图；
图4为图3中步骤S204的细化流程示意图；
图5为图2中步骤S22的第一细化流程示意图；
图6为图2中步骤S22的第二细化流程示意图；
图7为图2中步骤S24的细化流程示意图；
图8为通过多个脚本之间的配合实现所述时序数据异常根因分析方法的一种具体实施例的流程示意图；
图9为本申请第二实施例提出的一种电子装置的硬件架构示意图；
图10为本申请第三实施例提出的一种时序数据异常根因分析系统的模块示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请实施例中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
请参阅图1，图1为实现本申请各个实施例的一种应用环境架构图。本申请可应用于包括，但不仅限于客户端2、服务器4、数据库6的应用环境中。
其中，所述客户端2用于向用户显示当前应用的界面并接收用户的操作，例如接收用户输入的需要查询的日期并传输至服务器4(当然，也可以设置为定时任务，例如服务器4每天定时查询前一天的分析结果，则不需要用户输入日期)，接收服务器4返回的针对所述日期的时序数据异常根因分析结果并向用户展示所述结果等。所述客户端2可以为PC(Personal Computer，个人电脑)、手机、平板电脑、便携计算机等终端设备。
所述服务器4用于为所述客户端2提供数据和技术支持，例如根据所述日期从所述数据库6中获取相应数据，针对所述数据进行异常根因分析，并向所述客户端2返回分析结果。所述服务器4可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述数据库6用于存储各种业务场景的数据。以视频的播放卡顿率的异常根因分析为例，所述数据库6中可以存储所述视频对应的(播放)省份、运营商、第三方CDN(ContentDelivery Network，内容分发网络)厂商、播放次数、卡顿次数、播放时间等数据。
所述客户端2、服务器4、数据库6之间通过有线或无线网络通信连接，以进行数据传输和交互。值得注意的是，所述数据库6可以位于所述服务器4中，也可以单独存在于其他电子装置中。
实施例一
如图2所示，为本申请第一实施例提出的一种时序数据异常根因分析方法的流程图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。根据需要，还可以对该流程图中的部分步骤进行添加或删减。下面以所述服务器4作为执行主体对该方法进行说明。
该方法包括以下步骤：
S20，根据输入的时间信息从数据库中获取待分析的数据。
具体而言，进一步参阅图3，为上述步骤S20的细化流程示意图。在本实施例中，所述步骤S20具体包括：
S200，接收输入的时间信息。
所述时间信息可以是需要查询的日期，可以由用户在客户端中输入，也可以由定时任务自动输入。例如，当需要查询2021年6月29日的卡顿率数值异常根因分析结果时，接收输入的日期“2021年6月29日”。
S202，验证所述时间信息的有效性和格式正确性。
在针对所述时间信息对应的数据进行分析之前，首先需要验证所述时间信息的有效性和格式正确性。
S204，当验证通过后，从数据库中获取所述时间信息对应的待分析的数据。
当验证结果为所述时间信息有效且格式正确时，验证通过，从数据库中获取所述时间信息对应的待分析的数据。在本实施例中，为了减少数据量及保证分析结果的可信度，在获取数据时需要主动进行降维。
具体而言，进一步参阅图4，为上述步骤S204的细化流程示意图。在本实施例中，所述步骤S204具体包括：
S2040，根据业务场景设置需要分析的数据的维度。
所述设置维度也就是对数据源的选择和处理。本实施例可以针对视频卡顿、首帧异常、加载失败等业务场景进行异常根因分析。在这之前，可以预先针对所述业务场景分别调研，筛选、生成不同的代表维度。由于原始数据量太大(可能过亿)，会带来严重的性能问题，本实施例主动舍弃无法量化的维度、重复相似的维度、过于复杂的维度、元素过多的维度，优先保证性能，同时留下解释性足够的维度。解释性足够的维度组合和数据异常的波动曲线有较大的重合事件和相似波动程度，能够定位到数据出现异常的根本原因。可解释性就说明了对模型决策或分析结果的理解程度，因此需要足够的可解释性来提升结果的可理解性，从而提升分析结果的可信任程度。
例如，针对视频卡顿根因分析这一业务场景，可以设置所述维度为['省份&运营商&第三方CDN厂商']。在后续的分析结果中，可能会出现类似['山东&移动&华为']这样的维度组合，说明这个点位的卡顿率异常可能是山东省移动运营商华为CDN机器节点的异常导致的。
S2042，按照所述维度从所述数据库中获取所述时间信息对应的数据。
当设置好需要分析的数据的所述维度之后，根据所述维度和所述时间信息从所述数据库中获取对应的数据，用来进行根因分析。具体而言，首先从所述数据库中获取所述时间信息对应的数据，然后以所述维度和时间(例如日期)为条件聚合所述对应数据，得到的就是最终获取到的数据。例如，所述数据库中每一条数据可能包括十几个维度，而聚合之后只剩下几个维度，去掉了用不到的维度，避免了数据量过大导致的程序运行时间过长。
回到图2，S22，根据预设规则对所述数据进行预处理。
在本实施例中，所述预处理包括但不限于数据筛选和预测两个方面。
所述数据筛选主要是指根据量值KPI(Key Performance Indicator，关键绩效指标，在本实施例中指根因分析的关键指标，为数值型)权重和时间序列完整度对从所述数据库中获取到的数据进行筛选，剔除干扰数据。所述预测主要是指根据时间序列数据的真实值采用预测算法得到相应的预测值。
具体而言，进一步参阅图5，为上述步骤S22的第一细化流程示意图。在本实施例中，所述步骤S22具体包括：
S220，设置关键指标和所述关键指标对应项目的权重条件。
在本实施例中，考虑量值KPI权重，以减少算法耗时，提升准确性。所述量值KPI(关键指标)是选择了描述所述业务场景的一个维度作为KPI值。例如，在视频播放卡顿根因分析中，选择了播放卡顿率这一维度作为所述量值KPI。
同时，将所述关键指标相关的项目作为权重项目，设置动态阈值过滤掉数值过小的量值KPI，从而剔除了弱权重数据，留下了较高影响力和解释能力的候选根因组合，大大减少分析过程的耗时，也增加了真实根因被分析出来的几率。例如，将播放卡顿率的分子、分母(也就是视频卡顿个数和视频播放次数)的数值大小作为权重项目，设定所述权重条件为同时满足播放次数大于1000次(第一阈值)和卡顿个数大于10个(第二阈值)，满足所述权重条件的数据为较高权重数据，剔除低权重的数据。
S221，将不满足所述权重条件的数据剔除。
若从所述数据库中获取的数据中，有某些数据不满足所述权重条件，则将这些数据剔除，仅保留满足所述权重条件的数据。
S222，设置时间序列完整度条件。
本实施例中还考虑时间序列完整度，进一步提升分析效率和分析结果准确率。在进入根因分析算法进行分析前，为了排除干扰项和错误根因，添加了一个条件集，进行了时间序列完整度的判断和处理。
具体而言，所述完整度条件包括分析时间段窗口(时间序列数据的移动窗口，窗口长度为预先设置的参数)/分析点位内没有数据缺失，且数据真实值不为0。如果分析时间段窗口内有数据缺失，或者分析点位真实值为0，则判断所述时间序列数据不完整。所述分析点位是指所述分析时间段窗口内的数据。
在优选实施例中，所述完整度条件还包括分析点位预测值大于第三阈值(例如1/10000)且小于第四阈值(后面的阈值thre)。当分析点位预测值过小(例如小于1/10000)，或者预测值远超第四阈值，也都判断为不完整时间序列(在后续通过预测算法得到预测值后再进行判断和筛选)。若分析点位预测值过小，则表示所述分析时间段窗口内的所有数据的预测值都偏小，或者有一个或多个数据的预测值极其小；若分析点位预测值远超第四阈值，也表示所述分析时间段窗口内有数据异常(数据真实值本身异常或者预测过程异常等)，因此，这两种情况都要作为异常数据进行剔除。
S223，将不满足所述完整度条件的数据剔除。
对于不满足所述完整度条件的时间序列数据，表示所述时间序列数据不完整，需要进行剔除。
至此，根据量值KPI权重和完整度条件，完成了两轮的数据筛选。
本实施例对于筛选后的数据基于Squeeze算法进行根因分析。Squeeze算法是针对HotSpot算法的改进。HotSpot算法是清华NetMan Lab于2018年在IEEE发表的一种根因分析算法。它提出了一个假设Ripple Effect：如果维度组合(A＝a，*，*)是异常的，那么维度组合(A＝a，B＝b，C＝c)都会以相同的比例出现异常变化。基于该Ripple Effect，它提出了一个评估一个维度组合集合是不是根因的指标Potential Score。因为搜索空间一般极大，无法搜索完，HotSpot算法使用MCTS(蒙特卡洛树搜索)进行较高效的搜索，搜索PotentialScore最大的维度组合集合。Squeeze算法是清华NetMan Lab在ISSRE2019发表的根因分析算法。基本思想仍然是Ripple Effect和Potential Score，但是都进行了改进，变为Generalized Ripple Effect和Generalized Potential Score，更一般化，能适应更多实际情况。它的搜索是一个启发式的方法，可以在有保证的时间内得到足够好和足够稳定的结果。
要运用Squeeze算法，就需要有时间序列数据当前点位的真实值和预测值，真实值由上一个步骤(S20)从数据库中获取和生成，预测值需要通过时间序列预测算法得到。本实施例中结合MA(Moving Average，移动平均)、EWMA(Exponentially Weighted MovingAverage，指数加权移动平均)、ARIMA(AutoRegressive Integrated Moving Average，差分自回归移动平均)等多种时间序列预测算法，生成预测值。
进一步参阅图6，为上述步骤S22的第二细化流程示意图。在本实施例中，所述步骤S22还包括：
S224，设置多种时间序列预测算法及每种所述时间序列预测算法的权重。
在本实施例中，可以采用MA、EWMA、ARIMA三种时间序列预测算法。针对这三种算法分别设置一个权重值，三个权重值之和为1。由于每种时间序列预测算法得到进行预测，但是各自侧重不同的方面，因此在本实施例中根据具体业务场景需要分配每种算法的权重，最终的预测值通过三种算法得出的预测数据组合而成。
分配权重值的方式可以是判断时间序列的波动模式，例如判断所述时间序列的波动更受周期性影响、或更受季节性影响、或更受过去几天影响，然后按照判断结果对这三个算法分别计算一个权重值，权重值之和为1。
S225，获取各维度的时间序列数据的真实值。
在对从所述数据库中获取到的数据根据量值KPI权重和时间序列完整度进行筛选之后，根据完成筛选的数据可以得到各维度的时间序列数据的真实值。当然，也可以先针对从所述数据库中获取到的数据得到各维度的时间序列数据的真实值，并进行预测之后，再来进行数据筛选。
例如，假设从数据库中获取了某个视频从2021年6月1日到2021年6月28日的数据，所述维度为['省份&运营商&第三方CDN厂商']，在完成所述筛选之后，对于['山东&移动&华为']这一具体的维度组合，可以得到从2021年6月1日到2021年6月28日的卡顿率的时间序列数据的真实值。
S226，分别采用所述多种时间序列预测算法根据所述真实值进行预测，生成相应的预测值。
其中，时间序列的移动窗口长度为预先设置的参数。例如，假设移动窗口长度为五天，则根据从2021年6月24日到2021年6月28日的卡顿率的时间序列数据的真实值，分别采用MA、EWMA、ARIMA三种时间序列预测算法预测2021年6月29日的卡顿率，得到三种预测值。
S227，结合每种所述时间序列预测算法得到的所述预测值和所述权重，计算得到最终的预测值。
最后，将每种所述时间序列预测算法得到的所述预测值分别乘以对应的权重值，再相加得到最终的预测值。这样可以得到一个考虑了各种算法各自权重影响的时序预测值。最终预测值和真实值一起，作为根因分析算法模型所需数据，进行格式转化。
值得注意的是，所述数据筛选和数据预测这两个过程为所述预处理的两个方面，执行的先后顺序可以交换，也可以交叉进行，在此不再赘述。实际上，所述数据筛选中按照所述完整度条件对不满足条件的数据进行剔除时，需要先执行所述数据预测的过程。
回到图2，S24，在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合。
本实施例在进行根因分析时加入了参数网格和根因频次的考量。对于采用所述Squeeze算法进行根因分析时所用的参数(例如用于过滤出异常根因的阈值thre和用于聚类时筛选可能性分数的阈值theta)，进行了网格搜索，得出不同参数组合的根因分析结果。例如阈值thre设置3种可能值，阈值theta设置3种可能值，网格搜索就会进行3*3＝9次计算，每次计算都运用一次Squeeze算法。
具体而言，进一步参阅图7，为上述步骤S24的细化流程示意图。在本实施例中，所述步骤S24具体包括：
S240，将所述处理后的数据转换为根因分析算法所需要的数据格式。
也就是说，将所述最终预测值和真实值转换为所述Squeeze算法所需要的数据格式。例如，所述处理后的数据可能包括多个字段名(例如省份、运营商、第三CDN厂商)和每个字段下的具体内容，而根据所述Squeeze算法的要求，需要将这些数据转换为A字段(A1,A2,…)、B字段(B1,B2,…)这样的数据格式。
S242，设置所述根因分析算法需要的多个阈值的多个可能值。
在本实施例中，包括但不限于设置用于过滤出异常根因的阈值thre和用于聚类时筛选可能性分数的阈值theta的多个可能值(例如各设置3个可能值)。其中，所述阈值thre即上述时间序列完整度条件中预测值不能超过的那个阈值，所述阈值theta为所述Squeeze算法自带的一种阈值。每个所述阈值的不同可能值，决定了根因分析时判断条件的松紧程度(一般情况下，所述阈值的可能值越小，条件越宽松；反之，所述阈值的可能性越大，条件越严格)。通过设置所述多个阈值的多个可能值，再进行组合，可以得到不同程度的判断条件下的分析结果。
值得注意的是，有些时候针对某些阈值，设置的是计算比率，需要根据实际数据量和所述计算比率来计算出具体阈值。
S244，根据所述多个阈值及多个可能值设定多个搜索空间。
将所述多个阈值的多个可能值进行组合，可以得到多个搜索空间。例如阈值thre设置3种可能值，阈值theta设置3种可能值，将阈值thre的可能值和阈值theta的可能值进行组合，就可以设定3*3＝9个不同的搜索空间。
S246，在每个所述搜索空间内分别采用所述根因分析算法对所述处理后的数据进行一次根因分析，得到一种根因分析结果。
在上一步骤设定的多个搜索空间中，每个搜索空间分别采用所述Squeeze算法根据所述最终预测值和真实值进行一次根因分析，得到一种根因分析结果。例如，9个搜索空间中分别采用所述Squeeze算法进行根因分析，一共得到9种根因分析结果。
S248，综合所述多个搜索空间的根因分析结果得到所述根因集合。
将所有所述多个搜索空间的根因分析结果组合起来，就得到所述根因集合。例如，上述9个搜索空间最终得到的根因集合就是9种根因分析结果的组合。
回到图2，S26，对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。
针对同一批数据，根据网格搜索得到的不同根因分析结果进行频次统计，然后降序排序，以不同参数组合的多次分析结果代替一次分析的结果，筛选掉没有达到预设值的频次对应结果。
例如，在上述9个搜索空间得到的根因集合中，统计每种根因出现的频次，然后与预设值(例如9次)进行比较，将所述频次达到(大于或等于，由于每个搜索空间的)所述预设值的根因作为最终的分析结果进行返回，而频次未达到所述预设值的根因则被排除了。
另外，本实施例还针对所述Squeeze算法进行了聚类结果优化。Squeeze算法基于连续非零区间进行聚类，对聚类区间的数值比较敏感。所述聚类区间是指在进行数据聚类时，首先要将每个维度的数据分成等量的区间，这些区间即为聚类区间。因此，可以通过调整区间个数(将数据分为多少个聚类区间)来决定聚类的粗细粒度。在本实施例中，可以将所述业务场景的数据量大小作为优化目标，调整聚类区间的个数。
目前的现有技术中，异常点位的根因分析需要每次手写SQL去判断不同维度是否发生异常，非常耗时，同时也包含了很多的重复流程。本实施例从多方面对Squeeze算法进行了二次开发和优化，例如降维、主动选择维度、分层维度下钻、聚类算法优化、根因结果调优、多指标维度分析等方面，从而使得该方法可以应用于视频卡顿、首帧、加载失败等质量数据的根因分析上。
本实施例提出的时序数据异常根因分析方法，基于Squeeze算法进行优化，给出了一种自动化分析时序数据异常点位可能原因的方案，可以减少很多手动分析工作量(节约时间成本)，也能更高效地持续输出一个标准化的结果(自动输出标准化数据)，方便查询统计和分析(数据的存储和后续获取)，有效提升了时间序列数据异常点位根因分析的效率和准确率。
为了更详尽的对该方法的上述各步骤进行解释说明，以下以特定的具体业务场景为例进行说明。本领域技术人员当知，下述具体实施例的内容并不用于限制本发明的发明思想，本领域技术人员可以轻易依据下述实施例具体描述内容进行适当的内容发散和扩展。
业务场景一：卡顿分析
(1)假设分析2021年6月29日的卡顿率数值异常。首先输入2021年6月29日这一日期，从数据库中获取对应日期的数据。所述数据包含省份、运营商、第三方CDN厂商、卡顿视频个数、播放次数、卡顿次数、播放时间、卡顿率等维度，是根据日期、省份、运营商、第三方CDN厂商聚合得到的，避免了数据量过大导致的程序运行时间过长。
(2)选定['省份&运营商&第三方CDN厂商']三维作为此次分析的数据维度，卡顿率作为KPI指标，设定了视频所在平台、国家、视频格式、所用网络等前置条件，再设定时间序列移动窗口大小、阈值计算比率、阈值大小等参数。
(3)使用播放次数和卡顿视频个数作为KPI指标的权重项目，设定同时满足播放次数大于1000次和卡顿视频个数大于10个为较高权重数据，剔除低权重的数据。
(4)根据设定的完整度条件判断时间序列完整性，剔除不满足完整度条件的数据。
(5)预测值通过MA、EWMA、ARIMA三种算法得出的预测数据组合而成，预测值和真实值一起，作为Squeeze算法模型所需数据，进行格式转化。
(6)设定用于过滤出异常根因的阈值thre和用于聚类时筛选可能性分数的阈值theta可能值组合(这里分别都是6个可能值)，对组合的所有可能值分别用同一批数据带入计算，得出一批根因分析结果。对于这些结果，根据维度组合的出现频次降序排列，计算一个频次筛选预设值(例如36或30)，将达到所述预设值的结果展示出来。
例如，在限定了视频格式为点播，平台为安卓，网络为WIFI，国家为中国大陆后，示例日期的分析结果为['湖北&电信&七牛','湖南&电信&七牛','上海&电信&七牛']，可以作为一个初步分析结果，进行下一步验证和分析。例如这三个维度组合中都出现了电信和七牛，可以去验证是否是第三方CDN厂商七牛的问题，或者是电信的问题。
业务场景二：加载失败分析
(1)假设分析2021年6月27日的加载失败率数值异常。首先输入2021年6月27日这一日期，从数据库中获取对应日期的数据。所述数据包含省份、运营商、第三方CDN厂商、加载失败次数、播放次数、加载失败率等维度，是根据日期、省份、运营商、第三方CDN厂商聚合得到的，避免了数据量过大导致的程序运行时间过长。
(2)选定['省份&运营商&第三方CDN厂商']三维作为此次分析的数据维度，加载失败率作为KPI指标，设定了视频所在平台、国家、视频格式、所用网络等前置条件，再设定时间序列移动窗口大小、阈值计算比率、阈值大小等参数。
(3)使用加载失败次数和视频播放次数作为KPI指标的权重项目，设定同时满足播放次数大于1000次和加载失败次数大于5个为较高权重数据，剔除低权重的数据。
(4)根据设定的完整度条件判断时间序列完整性，剔除不满足完整度条件的数据。
(5)预测值通过MA、EWMA、ARIMA三种算法得出的预测数据组合而成，预测值和真实值一起，作为Squeeze算法模型所需数据，进行格式转化。
(6)设定用于过滤出异常根因的阈值thre和用于聚类时筛选可能性分数的阈值theta可能值组合(这里分别都是6个可能值)，对组合的所有可能值分别用同一批数据带入计算，得出一批根因分析结果。对于这些结果，根据维度组合的出现频次降序排列，计算一个频次筛选预设值(例如36或30)，将达到所述预设值的结果展示出来。
例如，在限定了视频格式为点播，平台为安卓，网络为WIFI，国家为中国大陆后，示例日期的分析结果为['黑龙江&电信&mCDN_明赋云','重庆&移动&other','安徽&移动&other']，可以作为一个初步分析结果，进行下一步验证和分析。对于other这个表示其他第三方CDN厂商的元素，一般不作考虑，因为它本身带宽较小，也很难具体分析，所以可以主要考虑mCDN_明赋云可能出现的问题。
业务场景三：首帧异常分析
(1)假设分析2021年6月30日的首帧数据异常。首先输入2021年6月30日这一日期，从数据库中获取对应日期的数据。所述数据包含省份、运营商、第三方CDN厂商、播放次数、首帧时间数据、首包时间数据、建联时间等维度，是根据日期、省份、运营商、第三方CDN厂商聚合得到的，避免了数据量过大导致的程序运行时间过长。
(2)选定['省份&运营商&第三方CDN厂商']三维作为此次分析的数据维度，首帧时间数据作为KPI指标，设定了视频所在平台、国家、视频格式、所用网络等前置条件，再设定时间序列移动窗口大小、阈值计算比率、阈值大小等参数。
(3)使用播放次数作为KPI指标的权重项目，设定满足播放次数大于1000次为较高权重数据，剔除低权重的数据。
(4)根据设定的完整度条件判断时间序列完整性，剔除不满足完整度条件的数据。
(5)预测值通过MA、EWMA、ARIMA三种算法得出的预测数据组合而成，预测值和真实值一起，作为Squeeze算法模型所需数据，进行格式转化。
(6)设定用于过滤出异常根因的阈值thre和用于聚类时筛选可能性分数的阈值theta可能值组合(这里分别都是6个可能值)，对组合的所有可能值分别用同一批数据带入计算，得出一批根因分析结果。对于这些结果，根据维度组合的出现频次降序排列，计算一个频次筛选预设值(例如36或30)，将达到所述预设值的结果展示出来。
例如，在限定了视频格式为点播，平台为安卓，网络为WIFI，国家为中国大陆后，示例日期的分析结果为[('河北&联通','显著首帧异常','建联正常&首包正常')]，可以作为一个初步分析结果，进行下一步验证和分析。在这里没有出现具体的第三方CDN厂商，说明很多CDN厂商的数据出现了劣化，可能是和地区和运营商有关，同时建联时间和首包时间正常，可以重点考虑首帧相关问题。
参阅图8所示，为通过多个脚本之间的配合实现所述时序数据异常根因分析方法的一种具体实施例的流程示意图。
在图8中，Shell脚本主要用于管理定时任务，每天固定时间调用根因分析API(Application Programming Interface，应用程序接口)，输入的日期为当前日期前一天。
Java项目接收到所述Shell脚本从API传入的日期后，主要用于验证所述日期的存在性、有效性，并调用Python脚本，传入所述日期，然后获取Python脚本的根因分析结果，再返回给Shell脚本。
Python脚本主要用于根据Java项目传入的所述日期从数据库获取相应数据，并根据所述数据进行异常点位根因分析(上述第一实施例的流程)，将分析结果返回给Java项目。各个步骤的具体实现过程参见上述第一实施例中的说明，在此不再赘述。
实施例二
如图9所示，为本申请第三实施例提出一种电子装置20的硬件架构示意图。本实施例中，所述电子装置20可包括，但不仅限于，可通过系统总线相互通信连接的存储器21、处理器22、网络接口23。需要指出的是，图9仅示出了具有组件21-23的电子装置20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。在本实施例中，所述电子装置20可以是所述服务器4。
所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述电子装置20的内部存储单元，例如该电子装置20的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述电子装置20的外部存储设备，例如该电子装置20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述电子装置20的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述电子装置20的操作系统和各类应用软件，例如时序数据异常根因分析系统60的程序代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制所述电子装置20的总体操作。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述时序数据异常根因分析系统60等。
所述网络接口23可包括无线网络接口或有线网络接口，该网络接口23通常用于在所述电子装置20与其他电子设备之间建立通信连接。
实施例三
如图10所示，为本申请第三实施例提出一种时序数据异常根因分析系统60的模块示意图。所述时序数据异常根因分析系统60可以被分割成一个或多个程序模块，一个或者多个程序模块被存储于存储介质中，并由一个或多个处理器所执行，以完成本申请实施例。本申请实施例所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，以下描述将具体介绍本实施例各程序模块的功能。
在本实施例中，所述时序数据异常根因分析系统60包括：
获取模块600，用于根据输入的时间信息从数据库中获取待分析的数据。
处理模块602，用于根据预设规则对所述数据进行预处理，包括数据筛选和预测。
分析模块604，用于在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合。
输出模块606，用于对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。
上述各个模块的具体功能参见上述第一实施例中的说明，在此不再赘述。
本实施例提出的时序数据异常根因分析系统，基于Squeeze算法进行优化，给出了一种自动化分析时序数据异常点位可能原因的方案，可以减少很多手动分析工作量(节约时间成本)，也能更高效地持续输出一个标准化的结果(自动输出标准化数据)，方便查询统计和分析(数据的存储和后续获取)，有效提升了时间序列数据异常点位根因分析的效率和准确率。
实施例四
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有时序数据异常根因分析程序，所述时序数据异常根因分析程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的时序数据异常根因分析方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
显然，本领域的技术人员应该明白，上述的本申请实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请实施例不限制于任何特定的硬件和软件结合。
以上仅为本申请实施例的优选实施例，并非因此限制本申请实施例的专利范围，凡是利用本申请实施例说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请实施例的专利保护范围内。

Claims (16)

1.一种时序数据异常根因分析方法，其特征在于，所述方法包括：
根据输入的时间信息从数据库中获取待分析的数据；
根据预设规则对所述数据进行预处理，包括数据筛选和预测；
在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合；及
对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。
2.根据权利要求1所述的时序数据异常根因分析方法，其特征在于，所述根据输入的时间信息从数据库中获取待分析的数据包括：
接收输入的时间信息；
验证所述时间信息的有效性和格式正确性；
当验证通过后，从数据库中获取所述时间信息对应的待分析的数据。
3.根据权利要求2所述的时序数据异常根因分析方法，其特征在于，所述从数据库中获取所述时间信息对应的待分析的数据包括：
根据业务场景设置需要分析的数据的维度；
按照所述维度从所述数据库中获取所述时间信息对应的数据。
4.根据权利要求3所述的时序数据异常根因分析方法，其特征在于，在视频播放业务场景下，所述维度包括省份、运营商、第三方内容分发网络厂商。
5.根据权利要求1至4任一项所述的时序数据异常根因分析方法，其特征在于，所述筛选的过程包括：
设置关键指标和所述关键指标对应项目的权重条件；
将不满足所述权重条件的数据剔除。
6.根据权利要求5所述的时序数据异常根因分析方法，其特征在于，所述关键指标为播放卡顿率，所述关键指标对应项目为视频卡顿个数和视频播放次数，所述权重条件为所述视频播放次数大于第一阈值且所述视频卡顿个数大于第二阈值。
7.根据权利要求5或6所述的时序数据异常根因分析方法，其特征在于，所述筛选的过程还包括：
设置时间序列完整度条件；
将不满足所述完整度条件的数据剔除。
8.根据权利要求7所述的时序数据异常根因分析方法，其特征在于，所述完整度条件包括：分析点位内没有数据缺失，且真实值不为0。
9.根据权利要求8所述的时序数据异常根因分析方法，其特征在于，所述完整度条件还包括：所述分析点位预测值大于第三阈值且小于第四阈值。
10.根据权利要求1至9任一项所述的时序数据异常根因分析方法，其特征在于，所述预测的过程包括：
设置多种时间序列预测算法及每种所述时间序列预测算法的权重；
获取各维度的时间序列数据的真实值；
分别采用所述多种时间序列预测算法根据所述真实值进行预测，生成相应的预测值；
结合每种所述时间序列预测算法得到的所述预测值和所述权重，计算得到最终的预测值。
11.根据权利要求1至10任一项所述的时序数据异常根因分析方法，其特征在于，所述在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合包括：
将所述处理后的数据转换为根因分析算法所需要的数据格式；
设置所述根因分析算法需要的多个阈值的多个可能值；
根据所述多个阈值及多个可能值设定多个搜索空间；
在每个所述搜索空间内分别采用所述根因分析算法对所述处理后的数据进行一次根因分析，得到一种根因分析结果；
综合所述多个搜索空间的根因分析结果得到所述根因集合。
12.根据权利要求11所述的时序数据异常根因分析方法，其特征在于，所述方法还包括：
在对所述处理后的数据进行根因分析时，根据所述业务场景的数据量大小调整聚类区间的个数。
13.根据权利要求11所述的时序数据异常根因分析方法，其特征在于，所述根因分析算法为Squeeze算法。
14.一种时序数据异常根因分析系统，其特征在于，所述系统包括：
获取模块，用于根据输入的时间信息从数据库中获取待分析的数据；
处理模块，用于根据预设规则对所述数据进行预处理，包括数据筛选和预测；
分析模块，用于在根据不同阈值设定的多个搜索空间中对处理后的数据进行算法分析，获得异常点位的根因集合；
输出模块，用于对所述根因集合按频次进行排序，将所述频次大于预设值的根因作为分析结果输出。
15.一种电子装置，其特征在于，所述电子装置包括：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时序数据异常根因分析程序，所述时序数据异常根因分析程序被所述处理器执行时实现如权利要求1至13中任一项所述的时序数据异常根因分析方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有时序数据异常根因分析程序，所述时序数据异常根因分析程序被处理器执行时实现如权利要求1至13中任一项所述的时序数据异常根因分析方法。
CN202111319005.7A 2021-11-09 2021-11-09 时序数据异常根因分析方法及系统 Pending CN114048055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111319005.7A CN114048055A (zh) 2021-11-09 2021-11-09 时序数据异常根因分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111319005.7A CN114048055A (zh) 2021-11-09 2021-11-09 时序数据异常根因分析方法及系统

Publications (1)

Publication Number Publication Date
CN114048055A true CN114048055A (zh) 2022-02-15

Family

ID=80207847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111319005.7A Pending CN114048055A (zh) 2021-11-09 2021-11-09 时序数据异常根因分析方法及系统

Country Status (1)

Country Link
CN (1) CN114048055A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146174A (zh) * 2022-07-26 2022-10-04 北京永信至诚科技股份有限公司 基于多维权重模型的重点线索推荐方法及系统
CN115454981A (zh) * 2022-08-30 2022-12-09 山东师范大学 南极器测气象数据的数据清洗和标记方法、系统
CN116594364A (zh) * 2023-06-13 2023-08-15 宁夏迎福食品科技有限公司 基于预制菜生产控制系统的优化方法及系统
CN116738170A (zh) * 2023-06-13 2023-09-12 无锡物联网创新中心有限公司 一种工业设备的异常分析方法及相关装置
WO2024093256A1 (zh) * 2022-10-31 2024-05-10 成都飞机工业（集团）有限责任公司 一种异常根因定位方法、装置、设备及介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115146174A (zh) * 2022-07-26 2022-10-04 北京永信至诚科技股份有限公司 基于多维权重模型的重点线索推荐方法及系统
CN115454981A (zh) * 2022-08-30 2022-12-09 山东师范大学 南极器测气象数据的数据清洗和标记方法、系统
WO2024093256A1 (zh) * 2022-10-31 2024-05-10 成都飞机工业（集团）有限责任公司 一种异常根因定位方法、装置、设备及介质
CN116594364A (zh) * 2023-06-13 2023-08-15 宁夏迎福食品科技有限公司 基于预制菜生产控制系统的优化方法及系统
CN116738170A (zh) * 2023-06-13 2023-09-12 无锡物联网创新中心有限公司 一种工业设备的异常分析方法及相关装置

Similar Documents

Publication Publication Date Title
CN114048055A (zh) 时序数据异常根因分析方法及系统
CN112801434A (zh) 性能指标健康度的监测方法、装置、设备和存储介质
CN115543577A (zh) 基于协变量的Kubernetes资源调度优化方法、存储介质及设备
CN114356712B (zh) 数据处理方法、装置、设备、可读存储介质及程序产品
CN117632905A (zh) 基于云端使用记录的数据库管理方法及系统
CN113806343B (zh) 一种车联网数据质量的评估方法和系统
CN110750299A (zh) 智能软件质量跟踪系统、方法及存储介质
CN112560939B (zh) 模型验证方法、装置及计算机设备
CN117993887A (zh) 一种基于最优化控制的智能决策方法、系统和介质
CN111738356A (zh) 特异化数据的对象特征生成方法、装置、设备及存储介质
CN116820709A (zh) 任务链的运行方法、装置、终端及计算机存储介质
CN112800089B (zh) 一种中间数据存储级别调整方法、存储介质及计算机设备
CN113343577B (zh) 一种基于机器学习的参数优化方法、装置、设备及介质
CN115168509A (zh) 风控数据的处理方法及装置、存储介质、计算机设备
CN114841664A (zh) 一种多任务处理顺序确定方法及装置
CN115168297A (zh) 绕行日志审计方法及装置
CN113495831A (zh) 基于关键字生成测试用例的方法、系统、设备及介质
CN111367640B (zh) 数据统计周期确定方法、装置、电子设备及存储介质
CN115242613B (zh) 目标节点确定方法以及装置
CN118332478B (zh) 基于改进eemd算法的光伏功率短期分段预测方法及系统
CN117332212B (zh) 一种基于混沌工程故障实验的智能化风险探索方法及系统
CN116843203B (zh) 服务接入处理方法、装置、设备、介质及产品
CN117056663A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN118606313A (zh) 一种数据处理方法、装置及电子设备
CN117911077A (zh) 电力营销风险预警方法、装置、终端及存储介质

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