CN114066438A

CN114066438A - 基于模型的监控数据展示方法、装置、设备和存储介质

Info

Publication number: CN114066438A
Application number: CN202111348222.9A
Authority: CN
Inventors: 林佳驰
Original assignee: Ping An Securities Co Ltd
Current assignee: Ping An Securities Co Ltd
Priority date: 2021-11-15
Filing date: 2021-11-15
Publication date: 2022-02-18

Abstract

本申请涉及人工智能技术领域，提供一种基于模型的监控数据展示方法、装置、计算机设备和存储介质，方法包括：响应用户的监控数据查看请求，并对用户进行验证；若验证通过，建立调用的录入模块与各监控工具之间的连接，并基于录入模块从监控工具中获取监控数据；从预先训练生成的多个异常预测模型中确定目标异常预测模型；基于目标异常预测模型对各监控数据进行异常分析得到对应的异常分析结果；基于异常分析结果对各监控数据进行状态标注得到标注后的监控数据；通过预设看板展示标注后的监控数据。通过本申请能提高对于监控数据获取整理的效率与异常分析的处理效率。本申请还可以应用于区块链领域，上述监控数据可以存储于区块链上。

Description

基于模型的监控数据展示方法、装置、设备和存储介质

技术领域

本申请涉及人工智能技术领域，具体涉及一种基于模型的监控数据展示方法、装置、计算机设备和存储介质。

背景技术

随着网络信息技术的快速发展，越来越多的业务需要依托业务系统进行办理，例如转账业务、支付业务、缴费业务等。通常，为了保证业务系统的正常运转，需要对业务的某些指标数据进行监控，以便及时发现业务中存在的异常情况。目前，对于不同的业务系统，运维人员通常需要使用不同的监控工具来相应对不同业务系统的指标数据进行监控，以获取到不同业务系统的监控数据。并在得到不同业务系统的监控数据后，还要对各种监控数据进行人工的异常分析及整理以生成相应的整理数据，这种监控数据的处理方式的自动化程度低，处理效率低，缺乏智能性，难以满足人们对业务系统监控日益增长的高要求。

发明内容

本申请的主要目的为提供一种基于模型的监控数据展示方法、装置、计算机设备和存储介质，旨在解决现有的监控数据的处理方式的自动化程度低，处理效率低，缺乏智能性的技术问题。

本申请提出一种基于模型的监控数据展示方法，所述方法包括步骤：

若接收到用户的监控数据查看请求，则响应所述监控数据查看请求，基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理；其中，所述监控数据查看请求携带监控工具名称与所述用户信息；

若身份验证与权限验证均通过，按照预设规则建立调用的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据；其中，所述监控工具与所述监控工具名称具有对应关系；

获取预先训练生成的多个异常预测模型，并从所述异常预测模型中确定出目标异常预测模型；其中，每一个所述异常预测模型模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干监控数据样本，以及与所述监控数据样本对应的类别标签；

基于所述目标异常预测模型对各所述监控数据进行异常分析，得到与各所述监控数据分别对应的异常分析结果；

基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据；

通过预设看板展示所述标注后的监控数据。

可选地，所述基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理的步骤，包括：

判断预设的用户权限数据表中是否存储有与所述用户信息相同的指定用户信息；

若存储有所述指定用户信息，从所述用户权限数据表中查询出与所述指定用户信息对应的权限有效期信息，并判断当前时间是否处于所述权限有效期信息对应的时间区间内；

若处于所述权限有效期信息对应的时间区间内，从所述用户权限数据表中查询出与所述指定用户信息对应的权限分值；

从所述操作权限分值表中查询出与查看监控数据的业务操作对应的查看权限分值区间；

判断所述权限分值是否处于所述查看权限分值区间内；

若处于所述查看权限分值区间内，在当前界面展示动态提示信息，获取所述用户基于所述动态提示信息输入的姿态信息；其中，所述姿态信息包括手部动作与脸部动作；

判断所述手部动作是否与预存储的与所述用户信息对应的标准手部动作相同；

若所述手部动作与所述标准手部动作相同，则判断所述脸部动作是否与预存储的与所述用户信息对应的标准脸部动作相同；

若所述脸部动作信息与所述标准脸部动作信息相同，判定身份验证与权限验证均通过，否则判定身份验证与权限验证未均通过。

可选地，所述按照预设规则建立调用的录入模块与各监控工具之间的连接的步骤，包括：

基于所述监控工具名称获取指定监控工具的产品类型；其中，所述产品类型至少包括第一类型、第二类型与第三类型，所述指定监控工具为所有所述监控工具中的任意一个工具；

若所述产品类型为所述第一类型，基于与所述第一类型对应的第一连接方式建立所述录入模块与所述指定监控工具之间的连接；

若所述产品类型为所述第二类型，基于与所述第二类型对应的第二连接方式建立所述录入模块与所述指定监控工具之间的连接；

若所述产品类型为所述第三类型，基于与所述第三类型对应的第三连接方式建立所述录入模块与所述指定监控工具之间的连接。

可选地，所述从所述异常预测模型中确定出目标异常预测模型的步骤，包括：

获取预设的测试样本集；

基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值；

从所有所述异常预测模型中筛选出综合评价分值大于预设分数阈值的第一异常预测模型；

基于所述测试样本集生成各所述第一异常预测模型的预测处理时间；

从所述第一异常预测模型中筛选出预测处理时间最小的第二异常预测模型；

将所述第二异常预测模型作为所述目标异常预测模型。

可选地，所述基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值的步骤，包括：

将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的精确率；其中，所述第三异常预测模型为所有所述异常预测模型中的任意一个模型；

将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的召回率；

获取与所述精确率对应的第一权重，以及获取与所述召回率对应的第二权重；

计算所述第一权重与所述第二权重之间的第一比值；

基于所述精确率、所述召回率与所述第一比值，调用预设的计算公式生成所述第三异常预测模型的综合评价分值。

可选地，所述基于所述测试样本集生成各所述第一异常预测模型的预测处理时间的步骤，包括：

获取所述测试样本集；其中，所述测试样本集包括多个测试样本数据；

在第四预测模型获取到每一个所述测试样本数据时，分别统计所述第四预测模型输出与每一个所述测试样本数据分别对应的预测结果的处理时间；其中，所述第四预测模型为所有所述第一异常预测模型中的任意一个模型；

从所有所述处理时间中剔除掉数值最大的第一处理时间与数值最小的第二处理时间，得到对应的第三处理时间；

计算所有所述第三处理时间的和值，并获取所有所述第三处理时间的数量；

计算所述和值与所述数量之间的第二比值；

将所述第二比值作为所述第四预测模型的预测处理时间。

可选地，所述获取预先训练生成的多个异常预测模型的步骤之前，包括：

获取预设数量的训练样本集，并从所述训练样本集中随机筛选出指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集，所述指定训练样本集包括若干指定监控数据样本，以及与所述指定监控数据样本对应的指定类别标签；

通过所述指定监控数据样本与所述指定类别标签对预设的机器学习模型进行训练，得到对应的初始异常预测模型；

获取预设的验证样本集，并基于所述验证样本集对所述初始异常预测模型进行准确度测试，得到对应的预测准确率；

判断所述预测准确率是否大于预设的准确率阈值；

若是，将所述初始异常预测模型作为与所述指定训练样本集对应的异常预测模型。

本申请还提供一种基于模型的监控数据展示装置，包括：

验证模块，用于若接收到用户的监控数据查看请求，则响应所述监控数据查看请求，基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理；其中，所述监控数据查看请求携带监控工具名称与所述用户信息；

连接模块，用于若身份验证与权限验证均通过，按照预设规则建立调用的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据；其中，所述监控工具与所述监控工具名称具有对应关系；

第一确定模块，用于获取预先训练生成的多个异常预测模型，并从所述异常预测模型中确定出目标异常预测模型；其中，每一个所述异常预测模型模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干监控数据样本，以及与所述监控数据样本对应的类别标签；

分析模块，用于基于所述目标异常预测模型对各所述监控数据进行异常分析，得到与各所述监控数据分别对应的异常分析结果；

标注模块，用于基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据；

展示模块，用于通过预设看板展示所述标注后的监控数据。

本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本申请中提供的基于模型的监控数据展示方法、装置、计算机设备和存储介质，具有以下有益效果：

本申请中提供的基于模型的监控数据展示方法、装置、计算机设备和存储介质，在接收到用户的监控数据查看请求，并完成对于用户的验证处理后，会先建立预设的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据，之后再使用从预先训练生成的多个异常预测模型中确定出的目标异常预测模型对各所述监控数据进行异常分析得到与各所述监控数据对应的异常分析结果，后续基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据，最后通过预设看板展示所述标注后的监控数据。本申请通过录入模块与异常预测模型的使用，可以实现以自动化的方式来进行与监控工具对应的监控数据的获取，以及自动进行对于得到的监控数据的异常分析与相应的状态标注，大大减少了人工工作量，有效地提高了监控数据获取整理的效率，提高了对于监控数据的异常分析的处理效率，提高了监控数据展示的便捷性与智能性。

附图说明

图1是本申请一实施例的基于模型的监控数据展示方法的流程示意图；

图2是本申请一实施例的基于模型的监控数据展示装置的结构示意图；

图3是本申请一实施例的计算机设备的结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等方向。

参照图1，本申请一实施例的基于模型的监控数据展示方法，包括：

S10：若接收到用户的监控数据查看请求，则响应所述监控数据查看请求，基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理；其中，所述监控数据查看请求携带监控工具名称与所述用户信息；

S20：若身份验证与权限验证均通过，按照预设规则建立调用的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据；其中，所述监控工具与所述监控工具名称具有对应关系；

S30：获取预先训练生成的多个异常预测模型，并从所述异常预测模型中确定出目标异常预测模型；其中，每一个所述异常预测模型模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干监控数据样本，以及与所述监控数据样本对应的类别标签；

S40：基于所述目标异常预测模型对各所述监控数据进行异常分析，得到与各所述监控数据分别对应的异常分析结果；

S50：基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据；

S60：通过预设看板展示所述标注后的监控数据。

如上述步骤S10至S60所述，本方法实施例的执行主体为一种基于模型的监控数据展示装置。在实际应用中，上述基于模型的监控数据展示装置可以通过虚拟装置，例如软件代码实现，也可以通过写入或集成有相关执行代码的实体装置实现，且可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。本实施例中的基于模型的监控数据展示装置，能够有效提高监控数据获取整理的效率，提高对于监控数据的异常分析的处理效率，智能便捷地实现了对于监控数据的可视化展示。具体地，若接收到用户的监控数据查看请求，则响应所述监控数据查看请求，基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理。其中，所述监控数据查看请求为用户输入的用于查看相关的监控工具所采集的监控数据的请求。所述监控数据查看请求携带监控工具名称与所述用户信息。可根据监控工具名称查找到相关的监控工具。所述用户信息可包括用户姓名或用户id想信息。另外，对用户进行验证处理的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。

若身份验证与权限验证均通过，按照预设规则建立调用的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据。其中，所述监控工具与所述监控工具名称具有对应关系。其中，通过录入模块从监控工具中获取到的监控数据至少可以包括以下数据：监控源，监控状态，监控工具名称，监控类别，更新时间。另外，所述按照预设规则建立调用的录入模块与各监控工具之间的连接的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。然后获取预先训练生成的多个异常预测模型，并从所述异常预测模型中确定出目标异常预测模型。其中，每一个所述异常预测模型模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干监控数据样本，以及与所述监控数据样本对应的类别标签。另外，异常预测模型的训练生成过程以及目标异常预测模型的确定过程均会在后续的具体实施例中进行进一步的描述。

之后基于所述目标异常预测模型对各所述监控数据进行异常分析，得到与各所述监控数据分别对应的异常分析结果。其中，异常分析结果包括数据不存在异常以及数据存在异常。基于所述目标异常预测模型对各所述监控数据进行异常分析是指，将得到的监控数据输入至所述目标异常预测模型内，通过所述目标异常预测模型输出与该监控数据对应的异常分析结果。具体的，所述目标异常预测模型为随机森林模型，在将监控数据输入至目标异常预测模型后，目标异常预测模型内包含的每一棵CART决策树都会对该监控数据进行类别归类以输出相应的预测分类结果，先会从当前CART决策树的根节点开始进行判断，然后遍历整个CART决策树，从而做出对于该监控数据的预测分类结果，依此类推，选择下一棵CART决策树重复执行相同的判断处理，直至目标异常预测模型内所有的CART决策树都输出了预测分类结果，最后随机森林依据少数服从多数的原则，将得票数量最多的一类预测分类结果作为与该监控数据对应的异常分析结果。后续基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据。其中，如果监控数据的异常分析结果为数据不存在异常，则可对该监控数据进行绿色标注，以通过绿色标注标识该监控数据为正常的数据，而如果监控数据的异常分析结果为数据存在异常，则可对该监控数据进行红色标注，以通过红色标注标识该监控数据为异常的数据。通过对异常数据进行关于异常状态的标注，使得用户可以清楚的查看出监控数据的异常状态，提高了用户的使用体验。

最后通过预设看板展示所述标注后的监控数据。其中，在得到了标注后的监控数据后，可将该标注后的监控数据存储于数据库内以完成对于数据的安全存储。另外，在通过预设看板对所述标注后的监控数据进行数据展示的时候，可以先将看板划分为与监控工具分别对应的多个区域，区域与监控工具有一一对应的关系，进而在各个区域中分别展示相对应的监控数据，以提高数据展示的智能性与规范性，提高用户使用体验。具体的，可先获取监控工具的数量以及每一个监控工具的重要度分值，重要度分值是指监控工具需要监控的数据的重要性，可根据实际需求预先设置各监控工具的重要度分值。然后根据监控数据的数量将看板划分为与该数量相同的多个展示区域，每一个展示区域的面积不同。其中，根据每一个监控工具的重要度分值确定出每一个展示区域的面积，且重要度分值越大则展示区域的面积越大。并根据重要度分值将监控工具采集到的监控数据对应展示在相应的展示区域内，即重要度分值最大的监控工具的监控数据会展示在面积最大的展示区域，重要度分值第二大的监控工具的监控数据会展示在面积第二大的展示区域，依此类推，直至完成对于所有监控数据的展示。其中，也可预先设置好多个关于看板的展示区域的排版，然后从所有排版中筛选出与监控工具的数量相匹配的多个指定排版，之后可向用户展示该多个指定排版的选择信息，以便用户从中挑选出自身所需的目标排版来进行展示，或者可从用户的排版选择记录中挑选出用户最常用或最近一次使用的排版最为此次的目标排版，在确定出目标排版后，再基于该目标排版在看板上对应展示所述监控数据。现有的数据展示通过是采用固定的信息展示，不会根据数据的重要性进行视觉上的优先展示，数据展示缺乏智能性，用户无法及时查阅到重要的数据，使用体验感不好。针对上述数据展示方式所存在的问题，在通过各监控工具得到监控数据后，会根据监控工具的数量与各监控数据的重要性来设置相匹配的排版，在看板中为重要性高的监控数据设置面积大的展示区域，为重要性低的监控数据设置面积小的展示区域，有利于用户能够优先查看到重要性更高的重要数据，使得数据推送展示更加智能，更符合用户的需求。

本实施例通过录入模块与异常预测模型的使用，可以实现以自动化的方式来进行与监控工具对应的监控数据的获取，以及自动进行对于得到的监控数据的异常分析与相应的状态标注，大大减少了人工工作量，有效地提高了监控数据获取整理的效率，提高了对于监控数据的异常分析的处理效率，提高了监控数据展示的便捷性与智能性。

进一步地，本申请一实施例中，上述步骤S10，包括：

S100：判断预设的用户权限数据表中是否存储有与所述用户信息相同的指定用户信息；

S101：若存储有所述指定用户信息，从所述用户权限数据表中查询出与所述指定用户信息对应的权限有效期信息，并判断当前时间是否处于所述权限有效期信息对应的时间区间内；

S102：若处于所述权限有效期信息对应的时间区间内，从所述用户权限数据表中查询出与所述指定用户信息对应的权限分值；

S103：从所述操作权限分值表中查询出与查看监控数据的业务操作对应的查看权限分值区间；

S104：判断所述权限分值是否处于所述查看权限分值区间内；

S105：若处于所述查看权限分值区间内，在当前界面展示动态提示信息，获取所述用户基于所述动态提示信息输入的姿态信息；其中，所述姿态信息包括手部动作与脸部动作；

S106：判断所述手部动作是否与预存储的与所述用户信息对应的标准手部动作相同；

S107：若所述手部动作与所述标准手部动作相同，则判断所述脸部动作是否与预存储的与所述用户信息对应的标准脸部动作相同；

S108：若所述脸部动作信息与所述标准脸部动作信息相同，判定身份验证与权限验证均通过，否则判定身份验证与权限验证未均通过。

如上述步骤S100至S108所述，所述基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理的步骤，具体可包括：首先判断预设的用户权限数据表中是否存储有与所述用户信息相同的指定用户信息。其中，所述用户权限数据表为预先创建的记录有合法的用户信息，与每一个合法的用户信息一一对应的权限分值，以及与各合法用户的权限分值一一对应的权限有效期信息的第一数据表。若是，从所述用户权限数据表中查询出与所述指定用户信息对应的权限有效期信息，并判断当前时间是否处于所述权限有效期信息对应的时间区间内。其中，权限有效期信息是为了对用户的权限分值进行时间上的限定所对应的信息。例如可规定某个身份的用户在某个时间段内具有某些权限，或者规定某个身份的用户使用某个权限的时间长度。另外，对当前时间进行验证，目的是为了确定当前用户的权限分值的有效期。如果当前时间处于所述权限有效期信息对应的时间区间内，则表明用户的权限分值当前仍处于有效状态。而如果当前时间不处于所述权限有效期信息对应的时间区间内，则表明用户的权限分值当前处于失效状态。若是，从所述用户权限数据表中查询出与所述指定用户信息对应的权限分值。以及从所述操作权限分值表中查询出与查看监控数据的业务操作对应的查看权限分值区间。其中，所述操作权限分值表为预先创建的记录有各种业务操作、以及与各种业务操作一一对应的权限分值区间的第二数据表。然后判断所述权限分值是否处于所述查看权限分值区间内。若是，在当前界面展示动态提示信息，获取所述用户基于所述动态提示信息输入的姿态信息。其中，所述姿态信息包括手部动作与脸部动作。所述动态提示信息是用于提示用户输入对应的姿态信息，例如眨眼，闭眼，抿嘴，点头等信息。另外，所述标准姿态信息可包括标准手部动作信息与标准脸部动作信息，所述标准脸部动作信息可包括标准眨眼信息与标准嘴巴动作，所述标准眨眼信息可以是通过眼部纹理特征，眼睑动态特征，眼球显示面积特征等内容构成，所述标准嘴巴信息可以是嘴角动态弧度，肌肉纹理动态特征等等内容构成。所述标准手部动作信息为与用户信息对应的用户预设的特定手部动作。之后判断所述手部动作是否与预存储的与所述用户信息对应的标准手部动作相同。其中，可基于所述标准手部动作信息判别上述手部动作信息是否符合验证标准，以判断出手部动作信息是否与标准手部动作信息相同。若是，则判断所述脸部动作是否与预存储的与所述用户信息对应的标准脸部动作相同。其中，可基于所述标准脸部动作信息判别上述脸部动作信息是否符合验证标准，以判断出脸部动作信息是否与标准脸部动作信息相同。若是，判定身份验证与权限验证均通过，否则判定身份验证与权限验证未均通过。本实施例中，在接收到用户的监控数据查看请求后，会先对用户进行权限验证与身份验证处理，即通过查询用户权限数据表来获取用户的权限分值与权限有效期信息，并通过操作权限分值表查询出与查看监控数据对应的业务操作的查看权限分值区间，进而进行对权限分值与查看权限分值区间的数值比较，判断当前时间是否处于所述权限有效期信息对应的时间区间内，以及对用户进行关于姿态信息的身份验证处理，以通过多重验证方式来完成对于用户的验证处理，提高了验证处理的准确性。只有在用户通过了全部的验证时，后续才会对用户输入的监控数据查看请求进行进一步响应，从而可以有效地避免出现为非法用户或无权限用户提供查看监控数据的服务的情况，有效地保证了监控数据的安全性，提高了监控数据查看展示的处理安全性。

进一步地，本申请一实施例中，上述步骤S20，包括：

S200：基于所述监控工具名称获取指定监控工具的产品类型；其中，所述产品类型至少包括第一类型、第二类型与第三类型，所述指定监控工具为所有所述监控工具中的任意一个工具；

S201：若所述产品类型为所述第一类型，基于与所述第一类型对应的第一连接方式建立所述录入模块与所述指定监控工具之间的连接；

S202：若所述产品类型为所述第二类型，基于与所述第二类型对应的第二连接方式建立所述录入模块与所述指定监控工具之间的连接；

S203：若所述产品类型为所述第三类型，基于与所述第三类型对应的第三连接方式建立所述录入模块与所述指定监控工具之间的连接。

如上述步骤S200至S203所述，所述按照预设规则建立调用的录入模块与各监控工具之间的连接的步骤，具体可包括：基于所述监控工具名称获取指定监控工具的产品类型。其中，所述产品类型至少包括第一类型、第二类型与第三类型，所述指定监控工具为所有所述监控工具中的任意一个工具。另外，预先创建有监控工具类型映射表，该映射表内存储有每一个监控工具的名称，以及与各监控工具的名称一一对应的产品类型。从而可通过该映射表查询出指定监控工具的产品类型。此外，所述第一类型可为基于传统Web的监控工具，第二类型可为商业化监控工具，第三类型可为用于数据订阅的监控工具等。若所述产品类型为所述第一类型，基于与所述第一类型对应的第一连接方式建立所述录入模块与所述指定监控工具之间的连接。其中，所述第一连接方式可为本地对接方式，即在传统Web的监控工具的规则配置中直接调用所述录入模块以进行两者的连接。若所述产品类型为所述第二类型，基于与所述第二类型对应的第二连接方式建立所述录入模块与所述指定监控工具之间的连接。其中，所述第二方式可为调用脚本驱动方式，由于商业化监控工具中的监控规则配置都是封装好的，因而需要设置调用脚本驱动模式来调用录入模块以进行两者的连接。录入模块支持python工具扩展，相关脚本可由开发人员根据实际需求进行撰写生成并存储于装置内。若所述产品类型为所述第三类型，基于与所述第三类型对应的第三连接方式建立所述录入模块与所述指定监控工具之间的连接。其中，所述第三方式为api对接方式，以通过录入模块内部的api进程来对接用于数据订阅的监控工具以完成两者的连接，进而录入模块可以通过该api进程一直订阅该监控工具的数据。本实施例中，对于不同产品类型的监控工具，会对应使用与各监控工具的产品类型相应的连接方式来建立与录入模块之间的连接，以确保录入模块与各监控工具的成功连接，从而有利于后续能够基于录入模块从与所述监控工具名称对应的监控工具中实现快速的获取相应的监控数据，调高了对于不同来源的监控数据的获取效率与获取智能性。

进一步地，本申请一实施例中，上述步骤S30，包括：

S300：获取预设的测试样本集；

S301：基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值；

S302：从所有所述异常预测模型中筛选出综合评价分值大于预设分数阈值的第一异常预测模型；

S303：基于所述测试样本集生成各所述第一异常预测模型的预测处理时间；

S304：从所述第一异常预测模型中筛选出预测处理时间最小的第二异常预测模型；

S305：将所述第二异常预测模型作为所述目标异常预测模型。

如上述步骤S300至S305所述，所述从所述异常预测模型中确定出目标异常预测模型的步骤，具体可包括：首先获取预设的测试样本集。其中，所述测试样本集可基于所述训练样本集生成，如可随机从训练样本集中获取预设数值比例的数据作为该测试样本集，且该预设数值比例可根据实际需求进行设置，例如可设为20％。另外，所述测试样本集包括多个测试样本数据，以及与各所述测试样本数据分别对应的类别标签。然后基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值。其中，计算生成所述综合评价分值的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。之后从所有所述异常预测模型中筛选出综合评价分值大于预设分数阈值的第一异常预测模型。其中，对于所述预设分数阈值的取值不作具体限定，可根据实际需求进行设置。后续基于所述测试样本集生成各所述第一异常预测模型的预测处理时间。其中，计算生成所述预测处理时间的具体实现过程将在后续的具体实施例中进行进一步的描述，在此不予赘述。最后从所述第一异常预测模型中筛选出预测处理时间最小的第二异常预测模型，并将所述第二异常预测模型作为所述目标异常预测模型。本实施例通过使用预设的测试样本集生成各所述异常预测模型的综合评价分值与预测处理时间，进而可基于得到的综合评价分值与预测处理时间来确定出目标异常预测模型，由于得到的目标异常预测模型具有较高的综合评价分值以及较快的处理效率，使得后续利用该目标异常预测模型来对监控数据进行异常预测，能够有效提高得到的与监控数据对应的异常分析结果的数据准确性，以及提高对于监控数据的异常分析的处理效率。

进一步地，本申请一实施例中，上述步骤S301，包括：

S3010：将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的精确率；其中，所述第三异常预测模型为所有所述异常预测模型中的任意一个模型；

S3011：将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的召回率；

S3012：获取与所述精确率对应的第一权重，以及获取与所述召回率对应的第二权重；

S3013：计算所述第一权重与所述第二权重之间的第一比值；

S3014：基于所述精确率、所述召回率与所述第一比值，调用预设的计算公式生成所述第三异常预测模型的综合评价分值。

如上述步骤S3010至S3014所述，所述基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值的步骤，具体可包括：首先将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的精确率。其中，所述第三异常预测模型为所有所述异常预测模型中的任意一个模型。以及将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的召回率。具体的，可通过混淆矩阵(或称为误差矩阵)来计算生成所述精确率与召回率。混淆矩阵用于衡量一个分类器的准确程度。对于二分类问题，将其样例根据真实类别和分类器的预测类别的组合划分为真正例(TruePositive)、假正例(FalsePositive)、真反例(TrueNegative)、假反例(FalseNegative)四种情形。混淆矩阵(ConfusionMatrix)可如下表：

基于混淆矩阵，可以根据以下公式计算精确率与召回率：精确率P＝TP/(TP+FP)，表示真实情况和预测结果皆为真/预测结果为真；召回率R＝TP/(TP+FN)，表示真实情况和预测结果皆为真/真实情况为真。然后获取与所述精确率对应的第一权重，以及获取与所述召回率对应的第二权重。其中，对于所述第一权重与第二权重的取值不作具体限定，可根据实际需求进行设置，举例地，第一权重为1，第二权重为0.5，或者第一权重为0.5，第二权重为1，等等。之后计算所述第一权重与所述第二权重之间的第一比值。其中，所述第一比值是指所述第一权重除以所述第二权重后得到的数值。最后基于所述精确率、所述召回率与所述第一比值，调用预设的计算公式生成所述第三异常预测模型的综合评价分值。其中，所述第三异常预测模型的综合评价分值是指结合所述第三异常预测模型的精确率、召回率、以及精确率与召回率之间的比值来计算生成的，该综合评价分值用于表征第三异常预测模型的数据综合处理能力。具体的，可将所述精确率、召回率以及第一比值代入至预设的计算公式内来生成相应的综合评价分值。所述计算公式具体为：

其中，

为所述第一比值，P为精确率，R为召回率。举例地，假如精确率为0.9，召回率为0.8，精确率的第一权重为1，召回率的第二权重为0.5，则可得第一比值为1/0.5＝2，

本实施例中，通过基于测试样本集来生成第三异常预测模型的精确率与召回率，进而可以使用与召回率与召回率相关的计算公式来快速的生成第三异常预测模型的综合评价分值，有利于后续可以基于得到的第三异常预测模型的综合评价分值来快速准确地从所有异常预测模组中确定出目标异常预测模型。由于综合评价分值对应着模型的数据综合处理能力的评价值，因而最终确定的目标异常预测模型具有较高的数据综合处理能力与处理效率，使得后续在利用目标异常预测模型对监控数据进行预测处理时，能够在保证目标异常预测模型输出的异常分析结果的准确性的基础上，有效提高对监控数据的异常分析处理的处理效率。

进一步地，本申请一实施例中，上述步骤S303，包括：

S3030：获取所述测试样本集；其中，所述测试样本集包括多个测试样本数据；

S3031：在第四预测模型获取到每一个所述测试样本数据时，分别统计所述第四预测模型输出与每一个所述测试样本数据分别对应的预测结果的处理时间；其中，所述第四预测模型为所有所述第一异常预测模型中的任意一个模型；

S3032：从所有所述处理时间中剔除掉数值最大的第一处理时间与数值最小的第二处理时间，得到对应的第三处理时间；

S3033：计算所有所述第三处理时间的和值，并获取所有所述第三处理时间的数量；

S3034：计算所述和值与所述数量之间的第二比值；

S3035：将所述第二比值作为所述第四预测模型的预测处理时间。

如上述步骤S3030至S3035所述，所述基于所述测试样本集生成各所述第一异常预测模型的预测处理时间的步骤，具体可包括：首先获取所述测试样本集。其中，所述测试样本集包括多个测试样本数据。然后在第四预测模型获取到每一个所述测试样本数据时，分别统计所述第四预测模型输出与每一个所述测试样本数据分别对应的预测结果的处理时间。其中，所述第四预测模型为所有所述第一异常预测模型中的任意一个模型。具体的，假如第四预测模型接收到测试样本数据x的时间为T1，第四预测模型成功输出测试样本数据x的预测结果y时的时间为T2，则可得到该第四预测模型对应于验证样本数据x的处理时间为T＝T2-T1。举例地，假如第四预测模型中包括6个测试样本数据C1，C2，C3，C4，C5，C6，采用上述的处理时间的统计方式对每一个测试样本数据进行计算后可得到：C1的处理时间为1.2s，C2的处理时间为1.5s，C3的处理时间为1.8s，C4的处理时间为1.6s，C5的处理时间为1.1s，C6的处理时间为0.8s。之后从所有所述处理时间中剔除掉数值最大的第一处理时间与数值最小的第二处理时间，得到对应的第三处理时间。其中，参照上述举例，可得到第一处理时间为C3的处理时间1.8s，第二处理时间为C6的处理时间为0.8s，从而得到第三处理时间包括C1的处理时间1.2s，C2的处理时间1.5s，C4的处理时间1.6s以及C5的处理时间1.1s。后续计算所有所述第三处理时间的和值，并获取所有所述第三处理时间的数量。其中，参照上述举例可计算得到所有所述第三处理时间的和值＝1.2+1.5+1.6+1.1＝5.4s，所述第三处理时间的数量为4。最后计算所述和值与所述数量之间的第二比值。并将所述第二比值作为所述第四预测模型的预测处理时间。其中，参照上述举例可计算得到所述第四预测模型的预测处理时间＝5.4/4＝1.35s。通过对数值最大的第一处理时间与数值最小的第二处理时间进行剔除，再计算剩余的所有第三处理时间的平均值作为相应的预测处理时间，可以使得生成的处理时间不容易受到处理时间中的极端数值的影响，有利于提高得到的预测处理时间的准确性。本实施例中，通过使用测试样本集可以快速地计算出每一个第一异常预测模型的预测处理时间，有利于后续能够基于该预测处理时间以及各异常预测模型的综合评价分值来对所有异常预测模型进行筛选处理以生成最终的目标异常预测模型，进而可基于目标异常预测模型来准确地对接收到的监控数据进行预测处理并生成相应的异常分析结果。由于基于异常预测模型筛选得到的目标异常预测模型具有较高的数据综合处理能力与处理效率，使得后续在利用目标异常预测模型对监控数据进行预测处理时，能够在保证目标异常预测模型输出的异常分析结果的准确性的基础上，有效提高对监控数据的异常分析处理的处理效率。

进一步地，本申请一实施例中，上述步骤S30之前，包括：

S310：获取预设数量的训练样本集，并从所述训练样本集中随机筛选出指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集，所述指定训练样本集包括若干指定监控数据样本，以及与所述指定监控数据样本对应的指定类别标签；

S311：通过所述指定监控数据样本与所述指定类别标签对预设的机器学习模型进行训练，得到对应的初始异常预测模型；

S312：获取预设的验证样本集，并基于所述验证样本集对所述初始异常预测模型进行准确度测试，得到对应的预测准确率；

S313：判断所述预测准确率是否大于预设的准确率阈值；

S314：若是，将所述初始异常预测模型作为与所述指定训练样本集对应的异常预测模型。

如上述步骤S310至S314所述，所述获取预先训练生成的多个异常预测模型的步骤之前，还可包括对于所述异常预测模型的训练生成过程。具体地，首先获取预设数量的训练样本集，并从所述训练样本集中随机筛选出指定训练样本集。其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集，所述指定训练样本集包括若干指定监控数据样本，以及与所述指定监控数据样本对应的指定类别标签。然后通过所述指定监控数据样本与所述指定类别标签对预设的机器学习模型进行训练，得到对应的初始异常预测模型。其中，机器学习模型包括LogisticRegression(逻辑回归)模型、Randomforest(随机森林)模型和Naivebayes(朴素贝叶斯)模型等。优选使用随机森林模型(也可称作随机森林分类器)作为所述机器学习模型。随机森林是利用样本对多棵决策树进行训练并预测样本结果的一种分类器，决策树的训练过程采用的是自上而下的递归方法，其基本思想是以信息熵为度量构建一颗熵值下降最快的树，直到叶子节点的熵值为零，此时每个叶子节点的样本都属于同一类别。当输入新样本时，随机森林中各决策树分别判断投票，得票数最多的便作为最终的分类结果。随机森林通过决策树的集成学习与多数投票机制，拥有较好的抗噪声能力和不易过拟合，能够较好地对监控数据的异常状态进行判断。当机器学习模型为随机森林模型时，具体的，通过所述指定监控数据样本与所述指定类别标签对随机森林模型进行训练，得到对应的初始异常预测模型的过程可包括：步骤一，先对随机森林模型进行初始化。首先，设置bagging框架的参数，具体包含弱学习器的最大迭代次数、是否对样本集进行有放回抽样来构建树、是否采用袋外样本来评估模型的好坏；具体可设置n_estimators＝50，即弱学习器的最大迭代次数为50，生成50棵决策树组成随机森林；设置bootstrap＝true，即采用可放回抽样的方式获取子样本集。其余参数取默认值。然后，设置决策树参数，具体包含构建决策树模型时考虑的最大特征数、决策树最大深度、不纯度的衡量指标；具体可设置criterion＝gini，即设置生成决策树时所采用的最佳分割属性的判决方法为gini，用基尼系数来计算节点的不纯度，其它参数取默认值，基尼系数的计算公式为：

其中，Gini(D)代表基尼系数，D代表给定节点，总共有K类标签，k代表标签的任意分类，代表标签k在节点上所占的比例，p_k代表样本属于第k类标签的概率。步骤二，利用随机森林算法对指定训练样本集中包括的指定监控数据样本，以及与所述监控数据样本对应的指定类别标签进行训练，生成随机森林分类模型；指定监控数据样本包括以下5个特征数据：监控源，监控状态，监控工具名称，监控类别，更新时间；指定类别标签可包括数据存在异常，以及数据不存在异常。首先，采用bagging集成算法从指定训练样本集中随机抽取m个样本；其中，假设指定训练样本集中共有n个训练样本，从指定训练样本中使用bootstrap方法随机抽取m个训练样本，组成一个新的训练集，m小于n。然后，从所有特征d中随机选择i个特征(i<d)，并从k个特征中选择最佳分割属性作为节点建立CART决策树；其中，在建立CART决策树时，随机选择i个特征(k<5)，然后从i个特征中选择最佳分割属性作为节点建立CART决策树；之后，重复以上两个步骤50次，建立50棵CART决策树，形成随机森林分类模型，即所述初始异常预测模型。其中，CART决策树的生成就是递归地构建二叉决策树的过程。CART用基尼(Gini)系数最小化准则来进行特征选择，生成二叉树。在训练生成了随机森林分类模型后。通过将待处理的监控数据输入到训练好的随机森林分类模型中，随机森林中的每棵决策树都会给出该监控数据的异常分析结果，随机森林依据少数服从多数的原则，将得票多的异常分析结果输出为最终预测的结果，从而高精度的完成对于该监控数据的异常分析预测。之后获取预设的验证样本集，并基于所述验证样本集对所述初始异常预测模型进行准确度测试，得到对应的预测准确率。最后判断所述预测准确率是否大于预设的准确率阈值。若是，将所述初始异常预测模型作为与所述指定训练样本集对应的异常预测模型。具体的，在对机器学习模型训练一段时间得到初始异常预测模型后，利用所述验证样本集对所述初始异常预测模型进行准确度测试，即将验证样本集中的若干验证样本输入到初始异常预测模型中，在将任意一个测试样本输入到初始异常预测模型后，该初始异常预测模型内包含的每一棵决策树都会对该测试样本进行类别归类以输出相应的预测分类结果，即从初始异常预测模型当前CART决策树的根节点开始进行判断，遍历整个CART决策树，从而做出对于该测试样本的预测分类结果，依此类推，选择下一棵CART决策树重复执行相同的判断处理，直至所有的CART决策树都输出了预测分类结果。然后随机森林会依据少数服从多数的原则，将得票数量最多的一类预测分类结果作为与该测试样本对应的最终预测标签结果。初始异常预测模型预测得到每一个验证样本的预测标签结果，并将每一验证样本的预测标签结果与对该验证样本所标注的类别标签进行对比，如果一致，则该初始异常预测模型对该验证样本的预测准确，如果不一致，则该初始异常预测模型对该验证样本的预测错误，从而统计得到初始异常预测模型的预测准确率(预测准确率＝预测准确的验证样本的数量/验证样本的总数量)，如果所得到的预测准确率满足设定的准确率要求，即大于所述准确率阈值，则该初始异常预测模型收敛，从而结束该初始异常预测模型的训练，并将结束训练的初始异常预测模型作为异常预测模型，并用于对监控数据进行异常分析识别。进一步地，若预测准确率小于或等于所述准确率阈值，那么说明所述训练后的初始异常预测模型的训练还没有达到了预设标准，可能是用于训练的训练样本集的样本数量过少或验证样本集的样本数量过少，因而，在这种情况时，则增大指定监控数据样本的预设数量(即增大了样本数量，例如，每次增加固定数量或每次增加随机数量)，然后在这基础上重新执行上述的训练步骤与测试步骤，如此循环执行，直至达到了训练后的初始异常预测模型的模型准确率大于预设的准确率阈值的要求，则结束模型训练。本实施例通过基于包括指定监控数据样本，以及与所述监控数据样本对应的指定类别标签的训练样本集来对预设的机器学习模型进行训练及验证，从而可以智能快速的生成符合实际使用需求的异常预测模型，有利于后续在得到与监控工具对应的监控数据时，能够基于该异常预测模型对该监控数据进行异常分析，进而准确快速地生成与各监控数据对应的异常分析结果，从而可以有利于后续在对监控数据进行展示的同时可以同步展示监控数据的异常分析结果，使得用户可以根据各监控数据的异常分析结果来执行相应的处理，提高了监控数据展示的智能性，也提高了用户的使用体验。

本申请实施例中的基于模型的监控数据展示方法还可以应用于区块链领域，如将上述监控数据等数据存储于区块链上。通过使用区块链来对上述监控数据进行存储和管理，能够有效地保证上述监控数据的安全性与不可篡改性。

上述区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

参照图2，本申请一实施例中还提供了一种基于模型的监控数据展示装置，包括：

验证模块1，用于若接收到用户的监控数据查看请求，则响应所述监控数据查看请求，基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理；其中，所述监控数据查看请求携带监控工具名称与所述用户信息；

连接模块2，用于若身份验证与权限验证均通过，按照预设规则建立调用的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据；其中，所述监控工具与所述监控工具名称具有对应关系；

第一确定模块3，用于获取预先训练生成的多个异常预测模型，并从所述异常预测模型中确定出目标异常预测模型；其中，每一个所述异常预测模型模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干监控数据样本，以及与所述监控数据样本对应的类别标签；

分析模块4，用于基于所述目标异常预测模型对各所述监控数据进行异常分析，得到与各所述监控数据分别对应的异常分析结果；

标注模块5，用于基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据；

展示模块6，用于通过预设看板展示所述标注后的监控数据。

本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于模型的监控数据展示方法的步骤一一对应，在此不再赘述。

进一步地，本申请一实施例中，上述验证模块1，包括：

第一判断单元，用于判断预设的用户权限数据表中是否存储有与所述用户信息相同的指定用户信息；

第一查询单元，用于若存储有所述指定用户信息，从所述用户权限数据表中查询出与所述指定用户信息对应的权限有效期信息，并判断当前时间是否处于所述权限有效期信息对应的时间区间内；

第二查询单元，用于若处于所述权限有效期信息对应的时间区间内，从所述用户权限数据表中查询出与所述指定用户信息对应的权限分值；

第三查询单元，用于从所述操作权限分值表中查询出与查看监控数据的业务操作对应的查看权限分值区间；

第二判断单元，用于判断所述权限分值是否处于所述查看权限分值区间内；

展示单元，用于若处于所述查看权限分值区间内，在当前界面展示动态提示信息，获取所述用户基于所述动态提示信息输入的姿态信息；其中，所述姿态信息包括手部动作与脸部动作；

第三判断单元，用于判断所述手部动作是否与预存储的与所述用户信息对应的标准手部动作相同；

第四判断单元，用于若所述手部动作与所述标准手部动作相同，则判断所述脸部动作是否与预存储的与所述用户信息对应的标准脸部动作相同；

第一判定单元，用于若所述脸部动作信息与所述标准脸部动作信息相同，判定身份验证与权限验证均通过，否则判定身份验证与权限验证未均通过。

进一步地，本申请一实施例中，上述连接模块2，包括：

第一获取单元，用于基于所述监控工具名称获取指定监控工具的产品类型；其中，所述产品类型至少包括第一类型、第二类型与第三类型，所述指定监控工具为所有所述监控工具中的任意一个工具；

第一连接单元，用于若所述产品类型为所述第一类型，基于与所述第一类型对应的第一连接方式建立所述录入模块与所述指定监控工具之间的连接；

第二连接单元，用于若所述产品类型为所述第二类型，基于与所述第二类型对应的第二连接方式建立所述录入模块与所述指定监控工具之间的连接；

第三连接单元，用于若所述产品类型为所述第三类型，基于与所述第三类型对应的第三连接方式建立所述录入模块与所述指定监控工具之间的连接。

进一步地，本申请一实施例中，上述确定模块3，包括：

第二获取单元，用于获取预设的测试样本集；

第一生成单元，用于基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值；

第一筛选单元，用于从所有所述异常预测模型中筛选出综合评价分值大于预设分数阈值的第一异常预测模型；

第二生成单元，用于基于所述测试样本集生成各所述第一异常预测模型的预测处理时间；

第二筛选单元，用于从所述第一异常预测模型中筛选出预测处理时间最小的第二异常预测模型；

第一确定单元，用于将所述第二异常预测模型作为所述目标异常预测模型。

进一步地，本申请一实施例中，上述第一生成单元，包括：

第一计算子单元，用于将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的精确率；其中，所述第三异常预测模型为所有所述异常预测模型中的任意一个模型；

第二计算子单元，用于将所述测试样本集输入至第三异常预测模型内，计算生成所述第三异常预测模型的召回率；

第一获取子单元，用于获取与所述精确率对应的第一权重，以及获取与所述召回率对应的第二权重；

第三计算子单元，用于计算所述第一权重与所述第二权重之间的第一比值；

生成子单元，用于基于所述精确率、所述召回率与所述第一比值，调用预设的计算公式生成所述第三异常预测模型的综合评价分值。

进一步地，本申请一实施例中，上述第二生成单元，包括：

第二获取子单元，用于获取所述测试样本集；其中，所述测试样本集包括多个测试样本数据；

统计子单元，用于在第四预测模型获取到每一个所述测试样本数据时，分别统计所述第四预测模型输出与每一个所述测试样本数据分别对应的预测结果的处理时间；其中，所述第四预测模型为所有所述第一异常预测模型中的任意一个模型；

处理子单元，用于从所有所述处理时间中剔除掉数值最大的第一处理时间与数值最小的第二处理时间，得到对应的第三处理时间；

第三获取子单元，用于计算所有所述第三处理时间的和值，并获取所有所述第三处理时间的数量；

第三计算子单元，用于计算所述和值与所述数量之间的第二比值；

确定子单元，用于将所述第二比值作为所述第四预测模型的预测处理时间。

进一步地，本申请一实施例中，上述基于模型的监控数据展示装置，包括：

获取模块，用于获取预设数量的训练样本集，并从所述训练样本集中随机筛选出指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集，所述指定训练样本集包括若干指定监控数据样本，以及与所述指定监控数据样本对应的指定类别标签；

训练模块，用于通过所述指定监控数据样本与所述指定类别标签对预设的机器学习模型进行训练，得到对应的初始异常预测模型；

测试模块，用于获取预设的验证样本集，并基于所述验证样本集对所述初始异常预测模型进行准确度测试，得到对应的预测准确率；

判断模块，用于判断所述预测准确率是否大于预设的准确率阈值；

第二确定模块，用于若是，将所述初始异常预测模型作为与所述指定训练样本集对应的异常预测模型。

参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和数据库。其中，该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括存储介质、内存储器。该存储介质存储有操作系统、计算机程序和数据库。该内存储器为存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户信息、标准姿态信息、监控数据、目标异常预测模型、异常分析结果以及标注后的监控数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机设备的显示屏是计算机中必不可少的一种图文输出设备，用于将数字信号转换为光信号，使文字与图形在显示屏的屏幕上显示出来。该计算机设备的输入装置是计算机与用户或其他设备之间进行信息交换的主要装置，用于把数据、指令及某些标志信息等输送到计算机中去。该计算机程序被处理器执行时以实现一种基于模型的监控数据展示方法。

上述处理器执行上述基于模型的监控数据展示方法的步骤：

若接收到用户的监控数据查看请求，则响应所述监控数据查看请求，基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理；其中，所述监控数据查看请求携带监控工具名称与所述用户信息；若身份验证与权限验证均通过，按照预设规则建立调用的录入模块与各监控工具之间的连接，并基于所述录入模块从所述监控工具中获取对应的监控数据；其中，所述监控工具与所述监控工具名称具有对应关系；获取预先训练生成的多个异常预测模型，并从所述异常预测模型中确定出目标异常预测模型；其中，每一个所述异常预测模型模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干监控数据样本，以及与所述监控数据样本对应的类别标签；基于所述目标异常预测模型对各所述监控数据进行异常分析，得到与各所述监控数据分别对应的异常分析结果；基于所述异常分析结果对各所述监控数据进行对应的状态标注，得到标注后的监控数据；通过预设看板展示所述标注后的监控数据。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的装置、计算机设备的限定。

本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于模型的监控数据展示方法，具体为：

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

Claims

1.一种基于模型的监控数据展示方法，其特征在于，包括：

通过预设看板展示所述标注后的监控数据。

2.根据权利要求1所述的基于模型的监控数据展示方法，其特征在于，所述基于用户信息、预设的用户权限数据表、操作权限分值表与标准姿态信息对所述用户进行身份验证处理与权限验证处理的步骤，包括：

判断所述权限分值是否处于所述查看权限分值区间内；

3.根据权利要求1所述的基于模型的监控数据展示方法，其特征在于，所述按照预设规则建立调用的录入模块与各监控工具之间的连接的步骤，包括：

4.根据权利要求1所述的基于模型的监控数据展示方法，其特征在于，所述从所述异常预测模型中确定出目标异常预测模型的步骤，包括：

获取预设的测试样本集；

将所述第二异常预测模型作为所述目标异常预测模型。

5.根据权利要求4所述的基于模型的监控数据展示方法，其特征在于，所述基于所述测试样本集，按照预设计算规则生成各所述异常预测模型的综合评价分值的步骤，包括：

计算所述第一权重与所述第二权重之间的第一比值；

6.根据权利要求4所述的基于模型的监控数据展示方法，其特征在于，所述基于所述测试样本集生成各所述第一异常预测模型的预测处理时间的步骤，包括：

计算所述和值与所述数量之间的第二比值；

将所述第二比值作为所述第四预测模型的预测处理时间。

7.根据权利要求1所述的基于模型的监控数据展示方法，其特征在于，所述获取预先训练生成的多个异常预测模型的步骤之前，包括：

判断所述预测准确率是否大于预设的准确率阈值；

8.一种基于模型的监控数据展示装置，其特征在于，包括：

展示模块，用于通过预设看板展示所述标注后的监控数据。

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种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权利要求1至7中任一项所述的方法的步骤。