CN114298533A - 性能指标处理方法、装置、设备和存储介质 - Google Patents
性能指标处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114298533A CN114298533A CN202111613225.0A CN202111613225A CN114298533A CN 114298533 A CN114298533 A CN 114298533A CN 202111613225 A CN202111613225 A CN 202111613225A CN 114298533 A CN114298533 A CN 114298533A
- Authority
- CN
- China
- Prior art keywords
- performance
- performance index
- candidate
- target
- time
- 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
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本公开提供一种性能指标处理方法装置、设备和存储介质。所述性能指标处理方法可包括:当对象的目标性能指标在当前时刻发生异常时,确定所述对象的其他性能指标中在当前时刻发生异常的候选性能指标;从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点;基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性;根据确定的相关性从所述候选性能指标中确定与所述目标性能指标相关联的相关性能指标。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种用于自动匹配与目标性能指标的时间序列有关联关系的性能指标时间序列数据的性能指标处理方法、装置、设备和存储介质。
背景技术
音视频是现代人们生活中不可缺少的一部分。为了对音视频产品服务进行管理,工程师监控采集了大量的性能指标数据,诸如发布成功率、用户首屏时长和开播失败率等。这些指标反映了音视频产品的使用情况。性能指标的数据形式为一元/单时间序列,即每时刻仅有单个变量随时间变化。可将性能指标的指标数据称为时间序列。
在音视频产品的故障诊断工作中,为了深入了解目标性能指标异常发生的原因和影响,工程师通常会手动查询大量的其他性能指标的时间序列,并找到与目标性能指标的时间序列有关联关系的时间序列,从而确定与目标性能指标相关联的其他性能指标。然而,通过手动排查相关联的时间序列来确定与目标性能指标相关联的性能指标费时费力。
发明内容
本公开提供一种用于自动匹配与目标性能指标的时间序列有关联关系的性能指标时间序列数据的性能指标处理方法、性能指标处理装置、电子设备及存储介质,以至少解决上述提及的问题。
根据本公开实施例的第一方面,提供一种性能指标处理方法,可包括:当对象的目标性能指标在当前时刻发生异常时,确定所述对象的其他性能指标中在当前时刻发生异常的候选性能指标;从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点;基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性;根据确定的相关性从所述候选性能指标中确定与所述目标性能指标相关联的相关性能指标。
可选地,所述基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性,可包括:确定所述关键变化点在所述历史时间序列中的对应时刻;根据所述对应时刻,确定所述目标性能指标和所述每个候选性能指标在所述历史时间序列中具有相同时刻的关键变化点的数量;基于所述具有相同时刻的关键变化点的数量,确定所述目标性能指标与所述每个候选性能指标之间的相关性。
可选地,所述基于所述具有相同时刻的关键变化点的数量,确定所述目标性能指标与所述每个候选性能指标之间的相关性,可包括:根据所述具有相同时刻的关键变化点的数量和所述目标性能指标的关键变化点数量,计算针对所述目标性能指标的第一相关性结果;根据所述具有相同时刻的关键变化点的数量和所述每个候选性能指标的关键变化点数量,分别计算针对所述每个候选性能指标的第二相关性结果;通过分别将所述第一相关性结果和所述第二相关性结果与预定值进行比较,确定所述目标性能指标与所述每个候选性能指标之间的相关性。
可选地,可基于以下方式确定性能指标在当前时刻发生异常:基于性能指标在当前时刻的预定时间段内的时间序列,确定参考范围;如果所述性能指标在当前时刻的数值超出所述参考范围,则确定所述性能指标在当前时刻发生异常。
可选地,所述基于性能指标在当前时刻的预定时间段内的指标数据,确定参考范围,可包括:基于所述性能指标在当前时刻的预定时间段内的时间序列,获取所述时间序列的均值和标准差;根据所述均值和所述标准差,确定出所述参考范围。
可选地,所述从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点,可包括:基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的时间序列所对应的均值和标准差;将所述历史时间序列中超出参考范围的数据点确定为关键变化点,其中,所述参考范围由所述均值和所述标准差形成。
可选地,所述从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点,可包括:基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的差值序列;获取所述差值序列中的波谷点和/或波峰点,并将所述波谷点和所述波峰点作为所述关键变化点。
可选地,所述从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点,可包括:基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的差值序列;获取所述差值序列中的前后趋势变化差异超过阈值的数据点;将所述前后趋势变化差异超过阈值的数据点作为所述关键变化点。
根据本公开实施例的第二方面,提供一种性能指标处理装置,可包括:确定模块,被配置为执行当对象的目标性能指标在当前时刻发生异常时,确定所述对象的其他性能指标中在当前时刻发生异常的候选性能指标;提取模块,被配置为执行从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点;分析模块,被配置为执行基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性;并且根据确定的相关性从所述候选性能指标中确定与所述目标性能指标相关联的相关性能指标。
可选地,分析模块可被配置为执行:确定所述关键变化点在所述历史时间序列中的对应时刻;根据所述对应时刻,确定所述目标性能指标和所述每个候选性能指标在所述历史时间序列中具有相同时刻的关键变化点的数量;基于所述具有相同时刻的关键变化点的数量,确定所述目标性能指标与所述每个候选性能指标之间的相关性。
可选地,分析模块可被配置为执行:根据所述具有相同时刻的关键变化点的数量和所述目标性能指标的关键变化点数量,计算针对所述目标性能指标的第一相关性结果;根据所述具有相同时刻的关键变化点的数量和所述每个候选性能指标的关键变化点数量,分别计算针对所述每个候选性能指标的第二相关性结果;通过分别将所述第一相关性结果和所述第二相关性结果与预定值进行比较,确定所述目标性能指标与所述每个候选性能指标之间的相关性。
可选地,确定模块可被配置为执行:基于性能指标在当前时刻的预定时间段内的时间序列,确定参考范围;如果所述性能指标在当前时刻的数值超出所述参考范围,则确定所述性能指标在当前时刻发生异常。
可选地,确定模块可被配置为执行:基于所述性能指标在当前时刻的预定时间段内的时间序列,获取所述时间序列的均值和标准差;根据所述均值和所述标准差,确定出所述参考范围。
可选地,分析模块可被配置为执行:基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的时间序列所对应的均值和标准差;将所述历史时间序列中超出参考范围的数据点确定为关键变化点,其中,所述参考范围由所述均值和所述标准差形成。
可选地,分析模块可被配置为执行:基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的差值序列;获取所述差值序列中的波谷点和/或波峰点,并将所述波谷点和所述波峰点作为所述关键变化点。
可选地,分析模块可被配置为执行:基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的差值序列;获取所述差值序列中的前后趋势变化差异超过阈值的数据点;将所述前后趋势变化差异超过阈值的数据点作为所述关键变化点。
根据本公开实施例的第三方面,提供一种电子设备,所述电子设备可包括:至少一个处理器;至少一个存储计算机可执行指令的存储器,其中,所述计算机可执行指令在被所述至少一个处理器运行时,促使所述至少一个处理器执行如上所述的性能指标处理方法。
根据本公开实施例的第四方面,提供一种存储指令的计算机可读存储介质,当所述指令被至少一个处理器运行时,促使所述至少一个处理器执行如上所述的性能指标处理方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,所述计算机程序产品中的指令被电子装置中的至少一个处理器运行以执行如上所述的性能指标处理方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
通过提取时间序列的关键变化点并进行相关性计算,无监督地为目标性能指标从海量性能指标中找到不同类别的相关性能指标,从而为故障诊断提供更多的分析线索。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
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,并不构成对本公开的不当限定。
图1a至图1d是音视频产品的性能指标的示意图;
图2是根据本公开的实施例的性能指标处理方法的流程图;
图3是根据本公开的实施例的性能指标处理方法的流程示意图;
图4是根据本公开的实施例的性能指标处理装置的框图;
图5是根据本公开的实施例的性能指标处理设备的结构示意图;
图6是根据本公开的实施例的电子设备的框图。
在整个附图中,应注意,相同的参考标号用于表示相同或相似的元件、特征和结构。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
提供参照附图的以下描述以帮助对由权利要求及其等同物限定的本公开的实施例的全面理解。包括各种特定细节以帮助理解,但这些细节仅被视为是示例性的。因此,本领域的普通技术人员将认识到在不脱离本公开的范围和精神的情况下,可对描述于此的实施例进行各种改变和修改。此外,为了清楚和简洁,省略对公知的功能和结构的描述。
以下描述和权利要求中使用的术语和词语不限于书面含义,而仅由发明人用来实现本公开的清楚且一致的理解。因此,本领域的技术人员应清楚,本公开的各种实施例的以下描述仅被提供用于说明目的而不用于限制由权利要求及其等同物限定的本公开的目的。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
图1a至图1d分别示出了某个音视频产品的卡顿率性能指标、下载失败率性能指标、hd19播放比例性能指标和上传成功率性能指标的数据。当音视频产品发生问题和故障(例如网络故障、数据中心故障、软件漏洞等)后,性能指标的时间序列数据上也会表现出相应的异常变化(例如突增、突降等)。在日常的运维管理工作中,产品服务的故障难以避免,而且这些故障也会传播到有业务关联或者逻辑调用关系的其他指标上,导致这些指标数据也会表现出相应的异常。例如,对于发布成功率指标,当相关时间序列中有很多上传错误码个数、TCP建联失败率等指标时,本次故障的原因则有可能是用户的网络状态较差导致的。
在相关技术中,例如,可使用皮尔森相关系数和斯皮尔曼等级相关系数,找到与异常WiFi热点的时间序列数据有相似变化趋势的时间序列。具有相似变化趋势的时间序列的相关系数取值较高,从而可以找到所有的相似异常模式数据。或者,可使用格兰杰因果分析算法分析时间序列间的预测相关关系,对某时间序列有线性预测帮助的时间序列为因,从而找到导致异常发生的相关时间序列。这些经典的性能指标处理方法关注的是时间序列在全局上的整体相关性,包括线性相关性和预测相关性。但是,这些方法缺少对时间序列中关键数据点的捕捉和分析,对故障诊断工作的帮助不够。
又例如,通过设计CoFlux算法研究时间序列间的异常波动关系,从而帮助进行故障诊断。这种方法首先使用特征工程提取时间序列的所有异常波动特征,然后基于这些异常波动特征使用互相关算法计算时间序列间的相关程度。时间序列的异常波动相关结果包括是否波动相关、波动正负是否一致、波动的先后顺序如何。这种方法关注的是时间序列的全局变化情况和历史规律,无法判断时间序列在最新时刻是否异常。虽然该算法计算异常波动的时间先后顺序来帮助进行因果判断,但是对于音视频数据,时间序列的时间粒度通常是秒级和分钟级别,这导致先后顺序难以区分。该算法也无法计算相关结果的单向性和双向性。此外,该算法的时间复杂度高,主要应用于离线分析,难以应用于在线的故障诊断。
基于此,本公开设计了一种基于关键变化点的性能指标处理方法,其可自动找到与目标时间序列有关联关系的时间序列,相比于经典的全局线性相关性和预测相关性,本公开专注于时间序列中的关键数据点;相比于时间序列的异常波动关联分析,本公开可先筛选最新时刻为异常的时间序列并进一步分析得到相关时间序列的单向性和双向性,更加有利于故障分析工作。
在下文中,根据本公开的各种实施例,将参照附图对本公开的方法、装置进行详细描述。
图2是根据本公开的实施例的性能指标处理方法的流程图。根据本公开的性能指标处理方法可应用于各种对象的性能指标,例如音视频产品、应用等的性能指标,以更快更好地排查服务故障。
根据本公开的性能指标处理方法可由任意电子设备执行。电子设备可以是用户所在终端。电子设备可以是智能手机、平板电脑、便携式计算机和台式计算机等中的至少一种。例如,电子设备可安装有目标应用,用于在目标性能指标发生故障时找到与其相关联的其他性能指标数据,从而更好更快地分析故障的发生原因。
参照图2,在步骤S201,当对象的目标性能指标在当前时刻发生异常时,确定对象的其他性能指标中在当前时刻发生异常的候选性能指标。对象可包括应用软件等。例如,应用的性能指标可包括发布成功率、用户首屏时长、开播失败率、卡顿率、下载失败率、hd19播放比例和上传成功率等,如图1a至图1d所示。在本公开中,目标性能指标可表示用户期望实时监测的指标,其他性能指标可表示除目标性能指标之外的性能指标。本公开对目标性能指标和其他性能指标的类型和数量不做限制。
针对目标性能指标的时间序列中每个数据点,可采用基于同环比的异常检测方法来确定目标性能指标是否发生异常。具体地,可基于性能指标在当前时刻的预定时间段内的时间序列,确定参考范围。如果该性能指标在当前时刻的数值超出确定的参考范围,则确定性能指标在当前时刻发生异常。
作为示例,可基于性能指标在当前时刻的预定时间段内的时间序列计算该时间序列的均值和标准差,如果该性能指标在当前时刻的数值包含在由均值和标准差确定的数值范围内,则确定该性能指标在当前时刻未发生异常;如果该性能指标在当前时刻的数值超出确定的参考范围,可确定该性能指标在当前时刻发生异常。此外,上述检测方法仅是示例性的,也可使用其他检测方法来确定当前时刻的数值是否异常。
可选取目标性能指标在当前时刻的附近数据(诸如包括当前时刻的在当前时刻之前一段时间的时间序列)(即环比)以及目标性能指标的历史数据中与当前时刻的同一时刻的附近数据(诸如包括该同一时刻的在该同一时刻之前一段时间的时间序列)(即同比),然后计算选取的数据的均值和标准差。如果目标性能指标在当前时刻的数值<均值+3倍的标准差并且当前时刻的数值>均值–3倍的标准差,则当前时刻的数据为正常;否则当前时刻的数据为异常。上述示例仅是示例性的,本公开不限于此。
在目标性能指标在当前时刻发生异常后,可触发本公开的指标性能处理算法。首先可按照上面描述的基于同环比的异常检测方法来确定应用的其他性能指标在当前时刻是否也发生了异常,并且可将在当前时刻是否也发生了异常的性能指标作为候选性能指标,以用于后面的指标关联性分析。
在步骤S202,从目标性能指标的历史时间序列和候选性能指标的历史时间序列中提取关键变化点。例如,关键变化点可包括指标时间序列中的异常点、波峰波谷点和前后趋势变化差异超过阈值的数据点中的至少一个。
对于异常点的提取,可基于目标性能指标和候选性能指标在历史时间(诸如三天、一周等)内的历史时间序列分别计算目标性能指标和候选性能指标的时间序列的均值和标准差,分别将目标性能指标和候选性能指标的历史时间序列中的超出由相应的均值和标准差形成的参考范围的数据点确定为异常点,作为关键变化点。
作为示例,针对目标性能指标和候选性能指标中的每个性能指标,获取每个性能指标的历史数据,诸如历史一段时间的时间序列。按照上面描述的基于同环比的异常检测方法从获取的历史数据中找到每个性能指标在这段时间内出现的异常点。
对于波峰波谷点的提取,基于目标性能指标和候选性能指标的历史时间序列,分别计算目标性能指标和候选性能指标的差值序列,获取差值序列中的波谷点和/或波峰点,并将波谷点和所述波峰点作为关键变化点。
具体地,可基于目标性能指标和候选性能指标在历史时间内的历史时间序列分别计算目标性能指标和候选性能指标的差值序列,针对差值序列中的每个数据点,如果该数据点之前特定时间段内的差值数据连续为负并且该数据点之后特定时间段内的差值数据连续为正,则将该数据点确定为波谷点,反之则将该数据点确定为波峰点,将波谷点和波峰点作为关键变化点。
作为示例,针对目标性能指标和候选性能指标中的每个性能指标,获取每个性能指标的历史数据,诸如历史一段时间的时间序列。然后计算每个性能指标时间序列的差值序列。对于每个差值序列中的每个数据点,如果某时间点之前一段时间(时间长度为超参,例如半个小时等)的差值数据连续为负并且之后一段时间的差值数据连续为正,则该时间点为波谷点;如果某时间点之前一段时间的差值数据连续为正并且之后的一段时间的差值数据连续为负,则该时间点为波峰点。
对于前后趋势变化差异较大的数据点,基于目标性能指标和候选性能指标的历史时间序列,分别计算目标性能指标和候选性能指标的差值序列,获取差值序列中的前后趋势变化差异超过阈值的数据点,将前后趋势变化差异超过阈值的数据点作为关键变化点。
具体地,可基于目标性能指标和候选性能指标在历史时间内的历史时间序列分别计算目标性能指标和候选性能指标的差值序列,针对差值序列中的每个数据点,基于差值序列计算该数据点之前特定时间段内的第一平均差值和该数据点之后特定时间段内的第二平均差值,如果第一平均差值和第二平均差值之间的比值大于阈值,则将该数据点确定为前后趋势变化差异较大的数据点,并且将前后趋势变化差异较大的数据点作为关键变化点。
作为示例,针对目标性能指标和候选性能指标中的每个性能指标,获取每个性能指标的历史数据,诸如历史一段时间的时间序列。然后计算每个性能指标时间序列的差值序列。对于每个差值序列中的每个数据点,计算某时间点之前和之后一段时间(时间长度为超参,例如半个小时)的平均差值,即平均差值前和平均差值后,如果max(平均差值前/平均差值后,平均差值后/平均差值前)>某阈值(阈值为超参,例如5),则确定该时间点的趋势变化差异较大,将该时间点确定为关键变化点。
上述提取关键变化点的示例方法仅是示例性的,本公开不限于此。
在步骤S203,基于提取的关键变化点,确定目标性能指标与候选性能指标的每个候选性能指标之间的相关性。在得到目标性能指标与候选性能指标的关键变化点之后,可利用关键变化点的时刻进行相关性计算。即,目标时间序列(目标性能指标的指标数据)和候选时间序列(候选性能指标的指标数据)的关键时刻是否相关,相关性结果反映了关键变化点时间位置的一致性程度。
具体地,可确定关键变化点在历史时间序列中的对应时刻,根据对应时刻确定目标性能指标和每个候选性能指标在历史时间序列中具有相同时刻的关键变化点的数量,基于具有相同时刻的关键变化点的数量来确定目标性能指标与每个候选性能指标之间的相关性。本公开可基于具有相同时刻的关键变化点的数量,准确量化不同指标的相关性,从而提高确定出的相关性能指标的准确性和可靠性。
可根据具有相同时刻的关键变化点的数量和目标性能指标的关键变化点数量,计算针对目标性能指标的第一相关性结果。可根据具有相同时刻的关键变化点的数量和每个候选性能指标的关键变化点数量,分别计算针对每个候选性能指标的第二相关性结果,通过分别将第一相关性结果和第二相关性结果与预定值进行比较来确定目标性能指标与每个候选性能指标之间的相关性。
作为示例,可确定在步骤S202提取的关键变化点在历史时间序列中的对应时刻,根据这些对应时刻确定目标性能指标和每个候选性能指标在历史时间序列中具有相同时刻的关键变化点的数量,基于具有相同时刻的关键变化点的数量来确定目标性能指标与每个候选性能指标之间的相关性。例如,可根据具有相同时刻的关键变化点的数量和目标性能指标的关键变化点数量计算针对目标性能指标的第一相关性结果,根据具有相同时刻的关键变化点的数量和每个候选性能指标的关键变化点数量分别计算针对每个候选性能指标的第二相关性结果,基于第一相关性结果和第二相关性结果与预定值的比较来确定目标性能指标与每个候选性能指标具有双向相关性还是单向相关性。
例如,相关性结果目标(即第一相关性结果)=#common(目标时间序列关键变化点时刻,候选相关时间序列关键变化点时刻)/#目标时间序列关键变化点。
相关性结果候选(第二相关性结果)=#common(目标时间序列关键变化点时刻,候选相关时间序列关键变化点时刻)/#候选相关时间序列关键变化点数量。
其中,#common()表示两个时间序列中具有相同时刻的关键变化点的个数,#目标时间序列关键变化点表示目标时间序列的关键变化点的个数,#候选相关时间序列关键变化点表示候选相关时间序列关键变化点的个数。
相关性结果目标和相关性结果候选的取值范围为0~1,取值越高,相关性程度越高;取值越低,相关性程度越低。相关性程度高和低的阈值为超参数,例如,相关性程度高阈值可以为0.8,低阈值可以为0.2。即将大于或等于0.8的相关性结果确定为高相关性结果,将小于或等于0.2的相关性结果确定为低相关性结果。
如果相关性结果目标为高且相关性结果候选为高,则确定目标时间序列与该候选相关时间序列为双向相关。
如果相关性结果目标为低且相关性结果候选为低,则确定目标时间序列与该候选相关时间序列为双向无关。
如果相关性结果目标为高且相关性结果候选为低,则确定目标时间序列与该候选相关时间序列为单向相关,并且该候选相关时间序列导致目标时间序列发生变化/异常。
如果相关性结果目为低且相关性结果候选为高,则确定目标时间序列与该候选相关时间序列为单向相关,并且目标时间序列导致该候选相关时间序列发生变化/异常。
根据本公开的实施例,通过综合考虑目标性能指标的相关性结果和候选性能指标的相关性结果,可确定候选性能指标和目标性能指标之间相互影响关系,从而更加准确地定位到目标性能指标的异常情况的原因。
在步骤S204,根据确定的相关性从候选性能指标中确定与目标性能指标相关联的相关性能指标。
可根据上述相关性结果无监督地为目标性能指标从海量性能指标中找到不同类别的相关性能指标,从而为故障诊断提供更多的分析线索,从而更好更快地分析故障的发生原因。
图3是根据本公开的实施例的性能指标处理方法的流程示意图。
参照图3,可实时地获取并监测目标时间序列和其他时间序列(即候选时间序列集合)。这里,目标时间序列可表示目标性能指标的指标数据,候选时间序列可表示候选性能指标的指标数据。
针对目标时间序列的每个时刻的数据点,可利用基于同环比的异常检测方法来确定目标时间序列在当前时刻是否发生异常。
作为示例,可选取目标时间序列在当前时刻(即最新时刻)的附近数据以及目标时间序列的历史指标数据中同一时刻的附近数据,并且计算所选取的指标数据的均值和标准差。如果当前时刻的指标数值<均值+3倍标准差并且当前时刻的指标数值>均值–3倍标准差,则可确定当前时刻的数据点为正常,否则,可确定当前时刻的数据点为异常。
当目标时间序列在当前时刻发生异常时,由于候选时间序列集合中的各个候选时间序列在当前时刻的表现情况非常重要,即只有在当前时刻也为异常的时间序列才有可能导致目标时间序列的本次异常,所以可触发对目标时间序列的指标性能处理算法。此时,需要确定候选时间序列集合中的各个候选时间序列在当前时刻是否也发生了异常。
由于候选时间序列的数量众多,为了快速筛选得到可能的相关时间序列,可利用如上所述的基于同环比的异常检测方式来确定候选时间序列在当前时刻是否发生异常。在候选时间序列集合中,可筛选得到当前时刻为异常的候选时间序列。
接下来,可提取目标时间序列和筛选出的候选时间序列的关键变化点。关键变化点可包括异常点、波峰波谷点、前后趋势变化差异大的数据点中的至少一种。
在提取关键变化点时,可分别获取目标时间序列和筛选出的候选时间序列在发生异常的当前时刻之前的一段历史指标数据,然后基于获取的这段历史指标数据来提取关键变化点。
作为示例,当提取异常点时,可利用上面描述的基于同环比的异常检测方式从获取的一段历史指标数据中提取异常点。
当提取波峰波谷点时,可首先计算各时间序列的差值序列。如果某时间点之前一段时间(时间长度为超参,例如半个小时)的差值数据连续为负并且该时间点之后的一段时间的差值数据连续为正,则该时间点为波谷点;如果某时间点之前一段时间的差值数据连续为正并且该时间点之后的一段时间的差值数据连续为负,则该时间点为波峰点。
在提取前后趋势变化差异较大的数据点时,由于各时间序列的差值序列能够很好地反应数据的趋势变化,所以可利用各时间序列的差值序列来确定趋势变化差异较大的数据点。
对于趋势变化差异较大的数据点,其前后数据差值的变化程度较大,因此可利用各时间序列的差值序列,计算某数据点前后一段时间(时间长度为超参,例如半个小时)的平均差值,即可得到该数据点的前一段时间的平均差值(平均差值前)和后一段时间的平均差值(平均差值后)。
如果max(平均差值前/平均差值后,平均差值后/平均差值前)>阈值(阈值为超参,例如5),则可确定该数据点的趋势变化差异较大,将该数据点作为趋势变化差异较大的数据点。
通过将性能指标的时间序列中具有代表性的数据点作为关键变化点,使得目标性能指标更加准确地匹配到相关联的其他性能指标,同时减少了用于匹配相关性能指标的计算量。
在得到目标时间序列和筛选出的候选时间序列(在下文中可被称为候选相关时间序列)的关键变化点之后,可利用这些关键变化点对应的时刻进行相关性计算,即,确定目标时间序列和候选相关时间序列的关键时刻(即与关键变化点对应的时刻)是否相关。相关性结果可反映关键变化点的时间位置的一致性程度。
作为示例,可利用以下等式来计算针对目标时间序列的相关性结果(相关性结果目标)和针对每个候选相关时间序列的相关性结果(相关性结果候选)。
相关性结果目标=#common(目标时间序列关键变化点时刻,候选相关时间序列关键变化点时刻)/#目标时间序列关键变化点。
相关性结果候选=#common(目标时间序列关键变化点时刻,候选相关时间序列关键变化点时刻)/#候选相关时间序列关键变化点数量。
其中,#common()表示两个时间序列中具有相同时刻的关键变化点的个数,#目标时间序列关键变化点表示目标时间序列的关键变化点的个数,#候选相关时间序列关键变化点表示候选相关时间序列关键变化点的个数。
相关性结果目标和相关性结果候选的取值范围为0~1,取值越高,相关性程度越高;取值越低,相关性程度越低。相关性程度高和低的阈值为超参数,例如,相关性程度高阈值可以为0.8,低阈值可以为0.2。
如果相关性结果目标为高且相关性结果候选为高,则确定目标时间序列与该候选相关时间序列为双向相关。
如果相关性结果目标为低且相关性结果候选为低,则确定目标时间序列与该候选相关时间序列为双向无关。
如果相关性结果目标为高且相关性结果候选为低,则确定目标时间序列与该候选相关时间序列为单向相关,并且该候选相关时间序列导致目标时间序列发生变化。
如果相关性结果目为低且相关性结果候选为高,则确定目标时间序列与该候选相关时间序列为单向相关,并且目标时间序列导致该候选相关时间序列发生变化。
可根据上面的相关性结果为目标时间序列找到不同类别的相关时间序列,从而为故障诊断提供更多的分析线索。
图4是根据本公开的实施例的性能指标处理装置的框图。
参照图4,性能指标处理装置400可包括确定模块401、提取模块402和分析模块403。性能指标处理装置400中的每个模块可由一个或多个模块来实现,并且对应模块的名称可根据模块的类型而变化。在各种实施例中,可省略性能指标处理装置400中的一些模块,或者还可包括另外的模块。此外,根据本公开的各种实施例的模块/元件可被组合以形成单个实体,并且因此可等效地执行相应模块/元件在组合之前的功能。
当对象的目标性能指标在当前时刻发生异常时,确定模块401可确定该对象的其他性能指标中在当前时刻发生异常的候选性能指标。对象可包括应用等。
作为示例,确定模块401可基于性能指标在当前时刻的预定时间段内的时间序列计算该时间序列的均值和标准差,如果该性能指标在当前时刻的数值包含在由均值和标准差形成的参考范围内,则确定该性能指标在当前时刻未发生异常;如果该性能指标在当前时刻的数值超出由均值和标准差形成的参考范围内,则确定该性能指标在当前时刻发生异常。
确定模块401可基于性能指标在当前时刻的预定时间段内的时间序列获取该时间序列的均值和标准差,根据均值和标准差,确定出参考范围。
提取模块402可从目标性能指标和候选性能指标的历史时间序列中提取关键变化点,关键变化点可包括指标数据的异常点、波峰波谷点和前后趋势变化差异超过阈值的数据点中的至少一个。
提取模块402可基于性能指标的历史时间序列,分别计算目标性能指标和候选性能指标的时间序列所对应的均值和标准差,将历史时间序列中超出参考范围的数据点确定为关键变化点,其中,参考范围由均值和标准差形成。
作为示例,提取模块402可基于目标性能指标和候选性能指标的历史时间序列分别计算目标性能指标和候选性能指标的指标数据的均值和标准差;分别将目标性能指标和候选性能指标的时间序列中超出由相应的均值和标准差形成的参考范围的数据点确定为异常点,然后将异常点作为关键变化点。
此外,提取模块402可基于性能指标的历史时间序列,分别计算目标性能指标和候选性能指标的差值序列,获取差值序列中的波谷点和/或波峰点,并将波谷点和所述波峰点作为所述关键变化点。
作为示例,基于目标性能指标和候选性能指标的历史时间序列分别计算目标性能指标和候选性能指标的差值序列;针对差值序列中的每个数据点,如果该数据点之前特定时间段内的差值数据连续为负并且该数据点之后特定时间段内的差值数据连续为正,则将该数据点确定为波谷点,反之则将该数据点确定为波峰点;将波谷点和波峰点作为关键变化点。
另外,提取模块402可基于性能指标的历史时间序列,分别计算目标性能指标和候选性能指标的差值序列,获取差值序列中的前后趋势变化差异超过阈值的数据点,将前后趋势变化差异超过阈值的数据点作为关键变化点。
作为示例,提取模块402可基于目标性能指标和候选性能指标的历史时间序列分别计算目标性能指标和候选性能指标的差值序列;针对差值序列中的每个数据点,基于差值序列计算该数据点之前特定时间段内的第一平均差值和该数据点之后特定时间段内的第二平均差值;如果第一平均差值和第二平均差值之间的比值大于阈值,则将该数据点确定为前后趋势变化差异超过阈值的数据点;将前后趋势变化差异超过阈值的数据点作为关键变化点。
分析模块403可基于提取的关键变化点确定目标性能指标与候选性能指标的每个候选性能指标之间的相关性;根据相关性结果从候选性能指标中确定与目标性能指标相关联的相关性能指标。在本公开中,基于相关性结果可确定与目标性能指标单向相关的相关性能指标、与目标性能指标双向相关的相关性能指标以及与目标性能指标双向无关的性能指标。
作为示例,分析模块403可确定关键变化点在历史时间序列中的对应时刻;根据对应时刻,确定目标性能指标和每个候选性能指标在历史时间序列中具有相同时刻的关键变化点的数量;基于具有相同时刻的关键变化点的数量,确定目标性能指标与每个候选性能指标之间的相关性。
例如,分析模块403可根据具有相同时刻的关键变化点的数量和目标性能指标的关键变化点数量,计算针对目标性能指标的第一相关性结果;根据具有相同时刻的关键变化点的数量和每个候选性能指标的关键变化点数量,分别计算针对每个候选性能指标的第二相关性结果;通过分别将第一相关性结果和第二相关性结果与预定值进行比较,确定目标性能指标与每个候选性能指标之间的相关性。这里,预定值可根据实际需求被不同地设置。
上面已根据图2和图3详细描述了对目标性能指标的关联分析操作,这里不再进行描述。
图5是本公开实施例的硬件运行环境的性能指标处理设备的结构示意图。
如图5所示,性能指标处理设备500可包括:处理组件501、通信总线502、网络接口503、输入输出接口504、存储器505以及电源组件506。其中,通信总线502用于实现这些组件之间的连接通信。输入输出接口504可以包括视频显示器(诸如,液晶显示器)、麦克风和扬声器以及用户交互接口(诸如,键盘、鼠标、触摸输入装置等),可选地,输入输出接口504还可包括标准的有线接口、无线接口。网络接口503可选的可包括标准的有线接口、无线接口(如无线保真接口)。存储器505可以是高速的随机存取存储器,也可以是稳定的非易失性存储器。存储器505可选的还可以是独立于前述处理组件501的存储装置。
本领域技术人员可以理解,图5中示出的结构并不构成对性能指标处理设备500的限定,可包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图5所示,作为一种存储介质的存储器505中可包括操作系统(诸如MAC操作系统)、数据存储模块、网络通信模块、用户接口模块、性能指标处理程序以及数据库。
在图5所示的性能指标处理设备500中,网络接口503主要用于与外部电子设备/终端进行数据通信;输入输出接口504主要用于与用户进行数据交互;性能指标处理设备500中的处理组件501、存储器505可被设置在性能指标处理设备500中,性能指标处理设备500通过处理组件501调用存储器505中存储的性能指标处理程序以及由操作系统提供的各种API,执行本公开实施例提供的性能指标处理方法。
处理组件501可以包括至少一个处理器,存储器505中存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器执行时,执行根据本公开实施例的性能指标处理方法。然而,上述示例仅是示例性的,本公开不限于此。
处理组件501可通过执行程序来实现对性能指标处理设备500所包括的组件的控制。
性能指标处理设备500可经由输入输出接口504接收或输出画面或音频。
作为示例,性能指标处理设备500可以是PC计算机、平板装置、个人数字助理、智能手机、或其他能够执行上述指令集合的装置。这里,性能指标处理设备500并非必须是单个的电子设备,还可以是任何能够单独或联合执行上述指令(或指令集)的装置或电路的集合体。性能指标处理设备500还可以是集成控制系统或系统管理器的一部分,或者可以被配置为执行与本地或远程(例如,经由无线传输)以接口互联的便携式电子设备。
在性能指标处理设备500中,处理组件501可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理组件501还可以包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
处理组件501可运行存储在存储器中的指令或代码,其中,存储器505还可以存储数据。指令和数据还可以经由网络接口503而通过网络被发送和接收,其中,网络接口503可以采用任何已知的传输协议。
存储器505可以与处理组件501集成为一体,例如,将RAM或闪存布置在集成电路微处理器等之内。此外,存储器505可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可以使用的其他存储装置。存储器和处理组件501可以在操作上进行耦合,或者可以例如通过I/O端口、网络连接等互相通信,使得处理组件501能够读取存储在存储器505中的数据。
根据本公开的实施例,可提供一种电子设备。图6是根据本公开实施例的电子设备的框图,该电子设备600可包括至少一个存储器602和至少一个处理器601,所述至少一个存储器602存储有计算机可执行指令集合,当计算机可执行指令集合被至少一个处理器601执行时,执行根据本公开实施例的性能指标处理方法。
处理器601可包括中央处理器(CPU)、图形处理器(GPU)、可编程逻辑装置、专用处理器系统、微控制器或微处理器。作为示例而非限制,处理器601还可包括模拟处理器、数字处理器、微处理器、多核处理器、处理器阵列、网络处理器等。
作为一种存储介质的存储器602可包括操作系统、数据存储模块、网络通信模块、用户接口模块、性能指标处理程序以及数据库。
存储器602可与处理器601集成为一体,例如,可将RAM或闪存布置在集成电路微处理器等之内。此外,存储器602可包括独立的装置,诸如,外部盘驱动、存储阵列或任何数据库系统可使用的其他存储装置。存储器602和处理器601可在操作上进行耦合,或者可例如通过I/O端口、网络连接等互相通信,使得处理器601能够读取存储在存储器602中的文件。
此外,电子设备600还可包括视频显示器(诸如,液晶显示器)和用户交互接口(诸如,键盘、鼠标、触摸输入装置等)。电子设备600的所有组件可经由总线和/或网络而彼此连接。
本领域技术人员可理解,图6中示出的结构并不构成对的限定,可包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
根据本公开的实施例,还可提供一种存储指令的计算机可读存储介质,其中,当指令被至少一个处理器运行时,促使至少一个处理器执行根据本公开的性能指标处理方法。这里的计算机可读存储介质的示例包括:只读存储器(ROM)、随机存取可编程只读存储器(PROM)、电可擦除可编程只读存储器(EEPROM)、随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)、闪存、非易失性存储器、CD-ROM、CD-R、CD+R、CD-RW、CD+RW、DVD-ROM、DVD-R、DVD+R、DVD-RW、DVD+RW、DVD-RAM、BD-ROM、BD-R、BD-R LTH、BD-RE、蓝光或光盘存储器、硬盘驱动器(HDD)、固态硬盘(SSD)、卡式存储器(诸如,多媒体卡、安全数字(SD)卡或极速数字(XD)卡)、磁带、软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘以及任何其他装置,所述任何其他装置被配置为执行以非暂时性方式存储计算机程序以及任何相关联的数据、数据文件和数据结构并将所述计算机程序以及任何相关联的数据、数据文件和数据结构提供给处理器或计算机使得处理器或计算机能执行所述计算机程序。上述计算机可读存储介质中的计算机程序可在诸如客户端、主机、代理装置、服务器等计算机设备中部署的环境中运行,此外,在一个示例中,计算机程序以及任何相关联的数据、数据文件和数据结构分布在联网的计算机系统上,使得计算机程序以及任何相关联的数据、数据文件和数据结构通过一个或多个处理器或计算机以分布式方式存储、访问和执行。
根据本公开的实施例中,还可提供一种计算机程序产品,该计算机程序产品中的指令可由计算机设备的处理器执行以完成上述性能指标处理方法。
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来限制。
Claims (10)
1.一种性能指标处理方法,其特征在于,包括:
当对象的目标性能指标在当前时刻发生异常时,确定所述对象的其他性能指标中在当前时刻发生异常的候选性能指标;
从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点;
基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性;
根据确定的相关性从所述候选性能指标中确定与所述目标性能指标相关联的相关性能指标。
2.根据权利要求1所述的性能指标处理方法,其特征在于,所述基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性,包括:
确定所述关键变化点在所述历史时间序列中的对应时刻;
根据所述对应时刻,确定所述目标性能指标和所述每个候选性能指标在所述历史时间序列中具有相同时刻的关键变化点的数量;
基于所述具有相同时刻的关键变化点的数量,确定所述目标性能指标与所述每个候选性能指标之间的相关性。
3.根据权利要求2所述的性能指标处理方法,其特征在于,所述基于所述具有相同时刻的关键变化点的数量,确定所述目标性能指标与所述每个候选性能指标之间的相关性,包括:
根据所述具有相同时刻的关键变化点的数量和所述目标性能指标的关键变化点数量,计算针对所述目标性能指标的第一相关性结果;
根据所述具有相同时刻的关键变化点的数量和所述每个候选性能指标的关键变化点数量,分别计算针对所述每个候选性能指标的第二相关性结果;
通过分别将所述第一相关性结果和所述第二相关性结果与预定值进行比较,确定所述目标性能指标与所述每个候选性能指标之间的相关性。
4.根据权利要求1所述的性能指标处理方法,其特征在于,基于以下方式确定性能指标在当前时刻发生异常:
基于性能指标在当前时刻的预定时间段内的时间序列,确定参考范围;
如果所述性能指标在当前时刻的数值超出所述参考范围,则确定所述性能指标在当前时刻发生异常。
5.根据权利要求4所述的性能指标处理方法,其特征在于,所述基于性能指标在当前时刻的预定时间段内的指标数据,确定参考范围,包括:
基于所述性能指标在当前时刻的预定时间段内的时间序列,获取所述时间序列的均值和标准差;
根据所述均值和所述标准差,确定出所述参考范围。
6.根据权利要求1所述的性能指标处理方法,其特征在于,所述从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点,包括:
基于所述历史时间序列,分别计算所述目标性能指标和所述候选性能指标的时间序列所对应的均值和标准差;
将所述历史时间序列中超出参考范围的数据点确定为关键变化点,其中,所述参考范围由所述均值和所述标准差形成。
7.一种性能指标处理装置,其特征在于,包括:
确定模块,被配置为执行当对象的目标性能指标在当前时刻发生异常时,确定所述对象的其他性能指标中在当前时刻发生异常的候选性能指标;
提取模块,被配置为执行从所述目标性能指标的历史时间序列和所述候选性能指标的历史时间序列中提取关键变化点;
分析模块,被配置为执行基于提取的关键变化点,确定所述目标性能指标与所述候选性能指标的每个候选性能指标之间的相关性;并且根据确定的相关性从所述候选性能指标中确定与所述目标性能指标相关联的相关性能指标。
8.一种电子设备,其特征在于,包括:
至少一个处理器;
至少一个存储计算机可执行指令的存储器,
其中,所述计算机可执行指令在被所述至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1到6中的任一项权利要求所述的性能指标处理方法。
9.一种存储指令的计算机可读存储介质,其特征在于,当所述指令被至少一个处理器运行时,促使所述至少一个处理器执行如权利要求1到6中的任一项权利要求所述的性能指标处理方法。
10.一种计算机程序产品,所述计算机程序产品中的指令被电子装置中的至少一个处理器运行以执行如权利要求1到6中的任一项权利要求所述的性能指标处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613225.0A CN114298533A (zh) | 2021-12-27 | 2021-12-27 | 性能指标处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111613225.0A CN114298533A (zh) | 2021-12-27 | 2021-12-27 | 性能指标处理方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298533A true CN114298533A (zh) | 2022-04-08 |
Family
ID=80970238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111613225.0A Pending CN114298533A (zh) | 2021-12-27 | 2021-12-27 | 性能指标处理方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298533A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757334A (zh) * | 2023-08-16 | 2023-09-15 | 江西科技学院 | 财务数据处理方法、系统、可读存储介质及计算机 |
-
2021
- 2021-12-27 CN CN202111613225.0A patent/CN114298533A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757334A (zh) * | 2023-08-16 | 2023-09-15 | 江西科技学院 | 财务数据处理方法、系统、可读存储介质及计算机 |
CN116757334B (zh) * | 2023-08-16 | 2023-11-24 | 江西科技学院 | 财务数据处理方法、系统、可读存储介质及计算机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11023355B2 (en) | Dynamic tracing using ranking and rating | |
US11558272B2 (en) | Methods and systems for predicting time of server failure using server logs and time-series data | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
US10171335B2 (en) | Analysis of site speed performance anomalies caused by server-side issues | |
US10147048B2 (en) | Storage device lifetime monitoring system and storage device lifetime monitoring method thereof | |
US8516499B2 (en) | Assistance in performing action responsive to detected event | |
US10263833B2 (en) | Root cause investigation of site speed performance anomalies | |
US20210349897A1 (en) | Anomaly detection system | |
US20190311297A1 (en) | Anomaly detection and processing for seasonal data | |
US20180121275A1 (en) | Method and apparatus for detecting and managing faults | |
US20190213117A1 (en) | Regression testing of an application that uses big data as a source of data | |
CN113903389A (zh) | 一种慢盘检测方法、装置及计算机可读写存储介质 | |
US8930773B2 (en) | Determining root cause | |
CN114298533A (zh) | 性能指标处理方法、装置、设备和存储介质 | |
CN117693747A (zh) | 多变量异常检测中信号跟随的被动推断 | |
US11929869B2 (en) | Scalable and real-time anomaly detection | |
AU2021269196B2 (en) | Performance event troubleshooting system | |
CN112000543B (zh) | 一种存储系统的时延性能检测方法、装置及设备 | |
JP6627258B2 (ja) | システムモデル生成支援装置、システムモデル生成支援方法、及び、プログラム | |
CN106649069B (zh) | 一种用户行为统计方法及系统 | |
CN116057902A (zh) | 服务的健康指数 | |
CN111258845A (zh) | 事件风暴的检测 | |
US20230409421A1 (en) | Anomaly detection in computer systems | |
US10169136B2 (en) | Dynamic monitoring and problem resolution | |
CN115827597A (zh) | 数据管理方法、装置、电子设备及介质 |
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 |