CN114328123A - 异常确定方法、训练方法、装置、电子设备以及存储介质 - Google Patents

Abstract

本公开提供了一种异常确定方法、异常确定模型的训练方法、装置、电子设备、存储介质以及程序产品，涉及数据处理技术领域，尤其涉及深度学习、大数据等技术领域。具体实现方案为：提取目标待处理数据的特征，得到目标特征向量，目标待处理数据包括当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的指标数据；以及基于目标特征向量，得到当前时刻的指标数据的标签，标签用于表征当前时刻的指标数据是否异常。

Description

异常确定方法、训练方法、装置、电子设备以及存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及深度学习、大数据等技术领域。具体涉及异常确定方法、异常确定模型的训练方法、装置、电子设备、存储介质以及程序产品。

背景技术

随着互联网业务的快速发展，用户对用于支持互联网业务得以开展的业务系统的依赖性越来越强，因此要求提高业务系统的稳定性。对业务系统的异常情况进行预警是提高业务系统的稳定性的一种方式。

发明内容

本公开提供了一种异常确定方法、异常确定模型的训练方法、装置、电子设备、存储介质以及程序产品。

根据本公开的一方面，提供了一种异常确定方法，包括：提取目标待处理数据的特征，得到目标特征向量，其中，所述目标待处理数据包括当前时刻的指标数据和与所述当前时刻相关联的多个历史时间序列的指标数据；以及基于所述目标特征向量，得到所述当前时刻的指标数据的标签，其中，所述标签用于表征所述当前时刻的指标数据是否异常。

根据本公开的另一方面，提供了一种异常确定模型的训练方法，包括：利用目标训练样本训练异常确定模型，得到训练后的异常确定模型，其中，所述目标训练样本包括样本数据和样本标签，其中，所述样本数据包括当前时刻的样本指标数据和与当前时刻相关联的多个历史时间序列的样本指标数据，所述样本标签包括所述当前时刻的样本标签，所述样本标签用于表征所述当前时刻的样本指标数据是否为异常。

根据本公开的另一方面，提供了一种异常确定装置，包括：提取模块，用于提取目标待处理数据的特征，得到目标特征向量，其中，所述目标待处理数据包括当前时刻的指标数据和与所述当前时刻相关联的多个历史时间序列的指标数据；以及确定模块，用于基于所述目标特征向量，得到所述当前时刻的指标数据的标签，其中，所述标签用于表征所述当前时刻的指标数据是否异常。

根据本公开的另一方面，提供了一种异常确定模型的训练装置，包括：训练模块，用于利用目标训练样本训练异常确定模型，得到训练后的异常确定模型，其中，所述目标训练样本包括样本数据和样本标签，其中，所述样本数据包括当前时刻的样本指标数据和与当前时刻相关联的多个历史时间序列的样本指标数据，所述样本标签包括所述当前时刻的样本标签，所述样本标签用于表征所述当前时刻的样本指标数据是否为异常。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本公开的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如本公开的方法。

根据本公开的另一方面，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本公开的方法。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1示意性示出了根据本公开实施例的可以应用异常确定方法及装置的示例性系统架构；

图2示意性示出了根据本公开实施例的异常确定方法的流程图；

图3示意性示出了根据本公开另一实施例的异常确定方法的流程图；

图4示意性示出了根据本公开另一实施例的获取基准数据的流程图；

图5示意性示出了根据本公开另一实施例的异常确定模型的训练方法的流程图；

图6示意性示出了根据本公开实施例的异常确定装置的框图；

图7示意性示出了根据本公开实施例的异常确定模型的训练装置的框图；以及

图8示意性示出了根据本公开实施例的适于实现异常确定方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供了一种异常确定方法、异常确定模型的训练方法、装置、电子设备、存储介质以及程序产品。

根据本公开的实施例，提供了一种异常确定方法，包括：提取目标待处理数据的特征，得到目标特征向量，其中，目标待处理数据包括当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的指标数据；以及基于目标特征向量，得到当前时刻的指标数据的标签，其中，标签用于表征当前时刻的指标数据是否异常。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

图1示意性示出了根据本公开实施例的可以应用异常确定方法及装置的示例性系统架构。

需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用异常确定方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的异常确定方法及装置。

如图1所示，根据该实施例的系统架构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，例如有线和/或无线通信链路等等。

用户可以使用终端设备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，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，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。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的异常确定方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的异常确定装置也可以设置于终端设备101、102、或103中。

或者，本公开实施例所提供的异常确定方法一般也可以由服务器105执行。相应地，本公开实施例所提供的异常确定装置一般可以设置于服务器105中。本公开实施例所提供的异常确定方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的异常确定装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。

例如，用户在终端设备101、102、103上登录应用程序，并进行例如浏览、搜索等操作，由服务器105对应用程序的各项指标进行监控，获取应用程序的历史时间序列的指标数据。基于指标数据对当前时刻的应用程序是否会发生异常进行预警。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对历史时间序列的指标数据进行分析，并最终实现对当前时刻的应用程序是否会发生异常进行预警。

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。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的异常确定方法的流程图。

如图2所示，该方法包括操作S210～S220。

在操作S210，提取目标待处理数据的特征，得到目标特征向量，其中，目标待处理数据包括当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的指标数据。

在操作S220，基于目标特征向量，得到当前时刻的指标数据的标签，其中，标签用于表征当前时刻的指标数据是否异常。

根据本公开的实施例，指标数据可以指应用程序的指标数据，例如应用程序的崩溃(Crash)率，但是并不局限于此，还可以将应用程序的卡顿数量作为指标数据。可以通过预测指标数据是否异常，来预测应用程序的运行是否异常，从而实现提前预警。

根据本公开的实施例，可以将当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的指标数据作为目标待处理数据，并基于目标待处理数据来确定当前时刻的指标数据是否异常。

根据本公开的实施例，与当前时刻相关联的多个历史时间序列可以是按照等间隔时间划分的多个历史时间序列，每个历史时间序列的时间长度可以相同。但是并不局限于此。与当前时刻相关联的多个历史时间序列还可以是按照不同时间周期从历史时间中划分出的多个历史时间序列。

根据本公开的实施例，与当前时刻相关联的多个历史时间序列可以包括与当前时刻处于同一时间周期的历史时间序列，还包括与当前时刻处于不同时间周期的至少一个历史时间序列。多个历史时间序列可以时长相同、且均处于同一历史时间段。例如，多个历史时间序列包括当前时刻的前三个小时的第一历史时间序列、前一天的与当前时刻相同的时刻的前三个小时的第二历史时间序列、前一天的与当前时刻相同的时刻的后三个小时的第三历史时间序列、前一周的与当前时刻相同的时刻的前三个小时的第四历史时间序列、前一周的与当前时刻相同的时刻的后三个小时的第五历史时间序列。利用与当前时刻处于同一时间周期的历史时间序列的指标数据，可以学习与当前时刻最关联的指标数据的特征，结合与当前时刻处于不同时间周期内的至少一个历史时间序列各自的指标数据的特征，还可以考虑到更多的周期性指标数据，例如节假日、发版周期等波动程度大、波动的周期个性化的指标数据。使得可以应用于周期连续性指标数据的异常识别领域，提高对异常时刻的预警的有效率。

根据本公开的实施例，可以利用时间序列特征提取模块例如Tsfresh模块来提取特征，可以通过时间序列特征提取模块设计提取统计特征、拟合特征、分类特征等多个不同特征种类的特征集合。可以利用本公开实施例提供的提取目标待处理数据的特征的操作，来建立自适应异常场景规律的特征集合，进而增加特征的多样性和准确性，从而降低确定当前时刻的指标数据是否异常的复杂度，以及增加得到标签的可解释性。由此来适应例如均值位移、趋势上涨、断崖式跌落、波动频率变化等多种异常场景。

根据本公开的实施例，针对操作S220，可以利用异常确定模型来基于目标特征向量，得到当前时刻的指标数据的标签。

根据本公开的实施例，异常确定模型可以包括以下至少一项：逻辑回归模型、决策树模型等。

根据本公开的实施例，可以利用决策树模型中的例如XGBoost(eXtreme GradientBoosting)模型。

根据本公开的实施例，在执行操作S210提取目标待处理数据的特征，得到目标特征向量之前，可以利用回归方法对待处理数据进行筛选，得到目标待处理数据。

利用本公开实施例提供的异常确定方法，可以将回归方法与异常确定模型融合，在利用异常确定模型确定当前时刻的指标数据是否异常的基础上，还增加筛选操作，提高确定异常的指标数据的精度。

根据本公开的实施例，可以利用回归方法中的多个回归算法对待处理数据进行筛选，得到目标待处理数据。

例如，按照预定时间窗口长度，从目标初始待处理数据中提取待处理数据。将待处理数据分别输入至多个回归算法中，得到多个回归结果，其中，多个回归结果与多个回归算法一一对应。

根据本公开的实施例，预定时间窗口长度可以是固定不变的时间窗口长度，例如3个小时，但是并不局限于此，还可以是按照周期变化的时间窗口长度。可以按照预定时间窗口长度、且不同时间周期内的相同时间段来从目标初始待处理数据中提取待处理数据。

例如，以3个小时的时间长度为预定时间窗口长度，从目标初始待处理数据中提取当前时刻的指标数据。例如，当前时刻的前3个小时的第一历史时间序列的指标数据，前一天的与当前时刻相同的时刻的前3个小时的第二历史时间序列的指标数据，前一天的与当前时刻相同的时刻的后3个小时的第三历史时间序列的指标数据，前一周的与当前时刻相同的时刻的前3个小时的第四历史时间序列的指标数据，前一周的与当前时刻相同的时刻的后3个小时的第五历史时间序列的指标数据。第一历史时间序列至第五历史时间序列中，均是3个小时的时间长度，按照一分钟的时间间隔，分别确定180个时刻的指标数据。还包括当前时刻的指标数据、前一天的与当前时刻相同的时刻的指标数据、前一周的与当前时刻相同的时刻的指标数据。综合确定得到待处理数据为903个时刻的指标数据。

根据本公开的实施例，响应于确定多个回归结果全部为用于表征当前时刻的指标数据为正常的回归结果，则可以停止后续操作S210和S220。

根据本公开的实施例，响应于确定多个回归结果中的至少一个回归结果为用于表征当前时刻的指标数据为异常的目标回归结果，将待处理数据作为目标待处理数据，执行后续操作S210和S220。

根据本公开的实施例，多个回归算法中的至少一个可以包括以下至少一项：多项式拟合算法、指数移动平均算法、孤立森林算法、标准差法。

例如，将待处理数据输入至多项式拟合算法中，得到第一回归结果。将待处理数据输入至指数移动平均算法中，得到第二回归结果。将待处理数据输入至孤立森林算法中，得到第三回归结果。将待处理数据输入至标准差法的3Sigma(三西格玛)算法中，得到第四回归结果。在第一回归结果至第四回归结果中至少一个为目标回归结果的情况下，则执行操作S210和S220。在第一回归结果至第四回归结果均为用于表征当前时刻的指标数据为正常的回归结果，则停止后续操作S210和S220。

利用本公开实施例提供的回归方法来对待处理数据进行筛选，可以通过多个回归算法来降低对人工经验的依赖，应用于维度数量不同、波动周期个性化、波动程度各异等特点的多种不同类型的指标数据的分析场景中，由此提高确定当前时刻的指标数据是否异常的普适性。

图3示意性示出了根据本公开另一实施例的异常确定方法的流程图。

如图3所示，可以获取初始待处理数据310，其中，初始待处理数据310包括当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的初始指标数据。但是并不局限于此。初始数据还可以是历史连续时间序列的各个时刻的指标数据。还可以获取多个历史时间序列的初始指标数据的用于表征初始指标数据是否异常的历史标签320。可以基于历史标签320对初始待处理数据310进行预处理，得到预处理后数据330。利用基准数据对预处理后数据330中的目标预处理后数据进行更新，得到目标初始待处理数据340。按照预定时间窗口长度，从目标初始待处理数据340中提取待处理数据350。利用回归方法对待处理数据350进行筛选，得到目标待处理数据360。提取目标待处理数据360的特征，得到目标特征向量370。将目标特征向量370输入至异常确定模型中，得到当前时刻的指标数据的标签，例如包括表征正常的标签381和表征异常的标签382。

根据本公开的实施例，预处理后数据中的目标预处理后数据可以指与当前时刻处于不同时间周期的至少一个历史时间序列的初始指标数据。例如，前一天的与当前时刻相同的时刻的前三个小时的第二历史时间序列的初始指标数据、前一天的与当前时刻相同的时刻的后三个小时的第三历史时间序列的初始指标数据、前一周的与当前时刻相同的时刻的前三个小时的第四历史时间序列的初始指标数据、前一周的与当前时刻相同的时刻的后三个小时的第五历史时间序列的初始指标数据。

根据本公开的实施例，可以利用基准数据对预处理后数据中的目标预处理后数据进行更新，即利用基准数据中的正常的指标数据替换目标预处理后数据中的异常的初始指标数据，得到目标初始待处理数据。目标初始待处理数据中的与目标预处理后数据相对应的指标数据均为正常的指标数据。

根据本公开的实施例，利用基准数据对预处理后数据中的目标预处理后数据进行更新，可以实现与当前时刻处于同一时间周期的历史时间序列的指标数据包括正常的指标数据，也包括异常的指标数据；而与当前时刻处于不同时间周期的至少一个历史时间序列的指标数据，例如第二历史时间序列的指标数据、第三历史时间序列的指标数据、第四历史时间序列的指标数据以及第五历史时间序列的指标数据，各自仅包括正常的指标数据。

利用本公开实施例提供的待处理数据的确定方式，可以利用与当前时刻处于不同时间周期的至少一个历史时间序列来学习正常的指标数据的波动的规律，利用与当前时刻处于同一时间周期的历史时间序列来学习反映实时的波动现象，通过实时波动与正常波动的差异对比，来提高对异常的指标数据的识别精度。

图4示意性示出了根据本公开另一实施例的获取基准数据的流程图。

如图4所示，可以获取初始待处理数据410，其中，初始待处理数据410包括当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的初始指标数据。但是并不局限于此，初始数据还可以是历史连续时间序列的各个时刻的指标数据。还可以获取多个历史时间序列的初始指标数据的用于表征初始指标数据是否异常的历史标签420。可以基于历史标签420对初始待处理数据410进行预处理，得到预处理后数据430。将预处理后数据410进行异常数据过滤，得到过滤后数据440。对过滤后数据440进行聚合，形成聚合后数据450。基于聚合后数据450，得到多个初始基准数据。多个初始基准数据可以包括第一初始基准数据461、第二初始基准数据462、以及第三初始基准数据463。可以对多个初始基准数据进行加权求和处理，得到基准数据470。

根据本公开的实施例，利用将预处理后数据进行异常数据过滤的操作，可以将异常的指标数据滤除，保留正常的指标数据。

根据本公开的实施例，可以将不同时间周期的相同时刻的过滤后数据进行聚合，形成聚合后数据。例如，将3点0分时刻的指标数据进行聚合，则可以将当日的3点时刻的指标数据、前一天的3点时刻的指标数据、…、直至前两个月的3点时刻的指标数据进行聚合。

根据本公开的实施例，可以按照时间段和时刻来提取聚合后数据中的指标数据，进行指数平滑处理，得到第一初始基准数据、第二初始基准数据、第三初始基准数据。第一初始基准数据的生成方式可以是：从聚合后数据中提取前N₁个星期的指标数据，并对前N₁个星期的指标数据进行平滑处理，得到第一初始基准数据。第二初始基准数据的生成方式可以是：从聚合后数据中提取前N₂天同一时刻的指标数据，进行平滑处理，得到第二初始基准数据。第三初始基准数据的生成方式可以是：从聚合后数据中提取前N₃个时刻的指标数据，进行平滑处理，得到第三初始基准数据。平滑处理可以是采用指数平滑处理方式，但是并不局限于此，还可以是采用移动平均处理方式。N₁、N₂、N₃可以分别是任意整数。

根据本公开的实施例，可以为第一初始基准数据、第二初始基准数据、第三初始基准数据分别配置权重，利用加权求和方式得到基准数据。基准数据中的指标数据均为正常的指标数据。可以利用基准数据中的正常的指标数据来替换目标预处理后数据中的异常的指标数据。

利用本公开实施例提供的基准数据的获取方式，将多个时间周期的指标数据进行聚合，并采用不同的时间周期的指标数据进行加权求和，能够使得基准数据更为合理、符合规律。

根据本公开的实施例，对初始待处理数据进行预处理，得到预处理后数据可以包括如下操作。

例如，对初始待处理数据进行缺失值填补，得到填补后数据。对填补后数据进行平滑处理，得到平滑后数据。对平滑后数据进行归一化处理，得到预处理后数据。

根据本公开的实施例，可以通过对初始待处理数据进行缺失值填补，来获得完整的数据。可以利用缺失值填补方式，来解决因缺失指标数据而导致的确定异常指标数据的精度下降的问题。

根据本公开的实施例，可以对填补后数据进行平滑处理，来得到剔除毛刺的平滑后数据。可以利用卡尔曼滤波方式来进行平滑处理。可以利用平滑处理来突出指标数据随时间变化的波动规律，降低毛刺的对波动规律的影响，进而提高后续确定异常的指标数据的准确性。

根据本公开的实施例，可以对平滑后数据进行归一化处理，以使得预处理后数据中的指标数据的数值范围在例如0～1之间，进而提升后续利用回归方法对待处理数据进行筛选操作在不同类型的指标数据之间的迁移能力。

图5示意性示出了根据本公开实施例的异常确定模型的训练方法的流程图。

如图5所示，该方法包括操作S510～S520。

在操作S510，利用回归方法对训练样本进行筛选，得到目标训练样本。

在操作S520，利用目标训练样本训练异常确定模型，得到训练后的异常确定模型，其中，目标训练样本包括样本数据和样本标签，其中，样本数据包括当前时刻的样本指标数据和与当前时刻相关联的多个历史时间序列的样本指标数据，样本标签包括当前时刻的样本标签，样本标签用于表征当前时刻的样本指标数据是否为异常。

根据本公开的实施例，异常确定模型的训练方法可以仅包括操作S520，但是并不局限于此，还可以包括操作S510和操作S520。

根据本公开的实施例，异常确定模型可以包括以下至少一项：逻辑回归模型、决策树模型。

根据本公开的实施例，可以采用决策树模型中的XGBoost模型。

根据本公开的实施例，与当前时刻相关联的多个历史时间序列可以包括与当前时刻处于同一时间周期的历史时间序列，还包括与当前时刻处于不同时间周期的至少一个历史时间序列。多个历史时间序列可以时长相同、且均处于同一历史时间段。例如，多个历史时间序列包括当前时刻的前三个小时的第一历史时间序列、前一天的与当前时刻相同的时刻的前三个小时的第二历史时间序列、前一天的与当前时刻相同的时刻的后三个小时的第三历史时间序列、前一周的与当前时刻相同的时刻的前三个小时的第四历史时间序列、前一周的与当前时刻相同的时刻的后三个小时的第五历史时间序列。利用与当前时刻处于同一时间周期的历史时间序列的样本指标数据，可以学习与当前时刻最关联的样本指标数据的特征，结合与当前时刻处于不同时间周期内的至少一个历史时间序列各自的样本指标数据，还可以考虑到更多的周期性指标数据的特征，例如节假日、发版周期等波动程度大、波动的周期个性化的样本指标数据。进而使得训练后的异常确定模型可以应用于周期连续性指标数据的异常识别领域，提高识别精度。

根据本公开的实施例，针对操作S520，利用训练样本训练异常确定模型，得到训练后的异常确定模型，可以通过如下操作来执行。

例如，提取样本数据的特征，得到目标样本特征向量；以及利用目标样本特征向量和样本标签训练异常确定模型，得到训练后的异常确定模型。

根据本公开的实施例，可以利用时间序列特征提取模块例如Tsfresh模块来执行提取样本数据的特征的操作。本公开实施例提供的时间序列特征提取模块可以利用方差过滤等方法实现自动化地特征提取，能够建立自适应异常场景规律的特征集合，进而可降低异常确定模型在训练过程中的过拟合的风险。

根据本公开的实施例，针对操作S510，利用回归方法对训练样本进行筛选，得到目标训练样本，可以通过如下操作来执行。

例如，将训练样本中的样本数据分别输入至多个回归算法中，得到多个样本回归结果，其中，多个样本回归结果与多个回归算法一一对应，其中，训练样本是按照预定时间窗口长度从目标初始训练样本中提取得到的；以及响应于确定多个样本回归结果中的至少一个样本回归结果为目标样本回归结果，将训练样本作为目标训练样本，其中，目标样本回归结果用于表征当前时刻的样本指标数据为异常。

根据本公开的实施例，多个回归算法中的至少一个可以包括以下至少一项：多项式拟合算法、指数移动平均算法、孤立森林算法、标准差法。

根据本公开的实施例，可以响应于确定多个样本回归结果均为用于表征当前时刻的样本指标数据为正常的样本回归结果，则删除该训练样本，不做后续处理。

利用本公开实施例提供的异常确定模型的训练方法，利用回归方法对训练样本进行筛选，可以提高异常的样本指标数据的数量，减少用于训练异常确定模型的目标训练样本的不均衡现象的发生。避免由过采样或者异常注入的方式来增加异常的样本指标数据的数量而导致的破坏波动规律的问题。此外，利用多个回归算法进行筛选，即采用多种筛选手段，能够筛选得到样本指标数据为不同波动类型、不同维度、或者波动的周期个性化的目标训练样本，由此提高异常确定模型的训练收敛速度。

根据本公开的实施例，本公开的多个回归算法中的每个回归算法，可以利用本公开实施例提供的训练样本来训练，得到训练后的回归算法。在利用目标训练样本训练异常确定模型的操作中，可以利用多个训练后的回归算法来从训练样本中筛选目标训练样本，由此来提高异常确定模型的训练的收敛速度。

根据本公开的实施例，训练样本可以通过如下操作来确定。

例如，获取初始样本数据；对初始样本数据进行预处理，得到预处理后样本数据；以及利用基准样本数据对预处理后样本数据中的目标预处理后样本数据进行更新，得到目标初始样本数据。

根据本公开的实施例，可以利用基准样本数据对预处理后样本数据中的目标预处理后样本数据进行更新，即利用基准样本数据中的正常的样本指标数据来替换目标预处理后样本数据中的异常的初始样本指标数据，得到目标初始样本数据。目标初始样本数据中的与目标预处理后样本数据相对应的样本指标数据均为正常波动的样本指标数据。

根据本公开的实施例，预处理后样本数据中的目标预处理后样本数据可以指与当前时刻处于不同时间周期的至少一个历史时间序列的初始样本指标数据。

根据本公开的实施例，可以利用与当前时刻处于不同时间周期的至少一个历史时间序列的样本指标数据来学习正常的样本指标数据的波动规律，利用与当前时刻处于同一时间周期的历史时间序列的样本指标数据来学习反映实时的样本指标数据的波动现象，通过实时波动与正常波动的差异对比，来提高对异常的指标数据的识别精度。

根据本公开的实施例，基准样本数据可以通过如下方式来获取。

例如，将预处理后样本数据进行异常数据过滤，得到过滤后样本数据；对过滤后样本数据中的多个历史时刻的过滤后样本数据进行聚合，形成聚合后样本数据；基于聚合后样本数据，得到多个初始基准样本数据；以及对多个初始基准样本数据进行加权求和处理，得到基准样本数据。

根据本公开的实施例，利用将预处理后样本数据进行异常数据过滤的操作，可以将异常的样本指标数据滤除，保留正常的样本指标数据。

根据本公开的实施例，可以按照不同时间段、不同时刻来提取聚合后样本数据中的样本指标数据，进行指数平滑处理，得到第一初始基准样本数据、第二初始基准样本数据、第三初始基准样本数据。

利用本公开实施例提供的基准样本数据的获取方式，可以将多个时间周期的样本指标数据进行聚合，并对不同的时间周期的样本指标数据进行加权求和，能够使得基准样本数据更为合理、符合规律。

根据本公开的实施例，对初始样本数据进行预处理，得到预处理后样本数据可以包括如下操作。

例如，对初始样本数据进行缺失值填补，得到填补后样本数据；对填补后样本数据进行平滑处理，得到平滑后样本数据；以及对平滑后样本数据进行归一化处理，得到预处理后样本数据。

根据本公开的实施例，在执行操作S510之前，可以对初始样本数据进行预处理操作，利用对平滑后样本数据进行归一化处理，使得在执行操作S510时，提高对不同类型的样本指标数据的迁移能力。

图6示意性示出了根据本公开实施例的异常确定装置的框图。

如图6所示，异常确定装置600可以包括提取模块610、确定模块620。

提取模块610，用于提取目标待处理数据的特征，得到目标特征向量，其中，目标待处理数据包括当前时刻的指标数据和与当前时刻相关联的多个历史时间序列的指标数据。

确定模块620，用于基于目标特征向量，得到当前时刻的指标数据的标签，其中，标签用于表征当前时刻的指标数据是否异常。

根据本公开的实施例，异常确定装置还可以包括筛选模块。

筛选模块，用于利用回归方法对待处理数据进行筛选，得到目标待处理数据。

根据本公开的实施例，筛选模块可以包括输入单元、筛选单元。

输入单元，用于将待处理数据分别输入至多个回归算法中，得到多个回归结果，其中，多个回归结果与多个回归算法一一对应，待处理数据是按照预定时间窗口长度，从目标初始待处理数据中提取得到的。

筛选单元，用于响应于确定多个回归结果中的至少一个回归结果为目标回归结果，将待处理数据作为目标待处理数据，其中，目标回归结果用于表征当前时刻的指标数据为异常。

根据本公开的实施例，异常确定装置还可以包括获取模块、预处理模块、更新模块。

获取模块，用于获取初始待处理数据。

预处理模块，用于对初始待处理数据进行预处理，得到预处理后数据。

更新模块，用于利用基准数据对预处理后数据中的目标预处理后数据进行更新，得到目标初始待处理数据。

根据本公开的实施例，预处理模块可以包括填补单元、平滑单元、归一化单元。

填补单元，用于对初始待处理数据进行缺失值填补，得到填补后数据。

平滑单元，用于对填补后数据进行平滑处理，得到平滑后数据。

归一化单元，用于对平滑后数据进行归一化处理，得到预处理后数据。

根据本公开的实施例，异常确定装置还可以包括过滤模块、聚合模块、预基准模块、加权模块。

过滤模块，用于将预处理后数据进行异常数据过滤，得到过滤后数据。

聚合模块，用于对过滤后数据中的多个历史时刻的过滤后数据进行聚合，形成聚合后数据。

预基准模块，用于基于聚合后数据，得到多个初始基准数据。

加权模块，用于对多个初始基准数据进行加权求和处理，得到基准数据。

根据本公开的实施例，多个回归算法中的至少一个回归算法包括以下至少一项：多项式拟合算法、指数移动平均算法、孤立森林算法、标准差法。

图7示意性示出了根据本公开实施例的异常确定模型的训练装置的框图。

如图7所示，异常确定模型的训练装置700可以包括样本筛选模块710、训练模块720。

样本筛选模块710，用于利用回归方法对训练样本进行筛选，得到目标训练样本。

训练模块720，用于利用目标训练样本训练异常确定模型，得到训练后的异常确定模型，其中，目标训练样本包括样本数据和样本标签，其中，样本数据包括当前时刻的样本指标数据和与当前时刻相关联的多个历史时间序列的样本指标数据，样本标签包括当前时刻的样本标签，样本标签用于表征当前时刻的样本指标数据是否为异常。

根据本公开的实施例，异常确定模型的训练装置可以仅包括训练模块720，但是并不局限于此，还可以包括样本筛选模块710和训练模块720。

根据本公开的实施例，训练模块可以包括样本提取单元、样本确定单元。

样本提取单元，用于提取样本数据的特征，得到目标样本特征向量。

样本确定单元，用于利用目标样本特征向量和样本标签训练异常确定模型，得到训练后的异常确定模型。

根据本公开的实施例，样本筛选模块可以包括样本输入单元、样本筛选单元。

样本输入单元，用于将训练样本中的样本数据分别输入至多个回归算法中，得到多个样本回归结果，其中，多个样本回归结果与多个回归算法一一对应，训练样本是按照预定时间窗口长度从目标初始训练样本中提取得到的。

样本筛选单元，用于响应于确定多个样本回归结果中的至少一个样本回归结果为目标样本回归结果，将训练样本作为目标训练样本，其中，目标样本回归结果用于表征当前时刻的样本指标数据为异常。

根据本公开的实施例，异常确定模型的训练装置还可以包括样本获取模块、样本预处理模块、样本更新模块。

样本获取模块，用于获取初始样本数据。

样本预处理模块，用于对初始样本数据进行预处理，得到预处理后样本数据。

样本更新模块，用于利用基准样本数据对预处理后样本数据中的目标预处理后样本数据进行更新，得到目标初始样本数据。

根据本公开的实施例，样本预处理模块可以包括样本填补单元、样本平滑单元、样本归一化单元。

样本填补单元，用于对初始样本数据进行缺失值填补，得到填补后样本数据。

样本平滑单元，用于对填补后样本数据进行平滑处理，得到平滑后样本数据。

样本归一化单元，用于对平滑后样本数据进行归一化处理，得到预处理后样本数据。

根据本公开的实施例，异常确定模型的训练装置还可以包括样本过滤模块、样本聚合模块、样本预基准模块、样本加权模块。

样本过滤模块，用于将预处理后样本数据进行异常数据过滤，得到过滤后样本数据。

样本聚合模块，用于对过滤后样本数据中的多个历史时刻的过滤后样本数据进行聚合，形成聚合后样本数据。

样本预基准模块，用于基于聚合后样本数据，得到多个初始基准样本数据。

样本加权模块，用于对多个初始基准样本数据进行加权求和处理，得到基准样本数据。

根据本公开的实施例，多个回归算法中的至少一个回归算法包括以下至少一项：多项式拟合算法、指数移动平均算法、孤立森林算法、标准差法。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。

根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。

根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。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/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如异常确定方法或者异常确定模型的训练方法。例如，在一些实施例中，异常确定方法或者异常确定模型的训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的异常确定方法或者异常确定模型的训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行异常确定方法或者异常确定模型的训练方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (31)

1.一种异常确定方法，包括：

提取目标待处理数据的特征，得到目标特征向量，其中，所述目标待处理数据包括当前时刻的指标数据和与所述当前时刻相关联的多个历史时间序列的指标数据；以及

基于所述目标特征向量，得到所述当前时刻的指标数据的标签，其中，所述标签用于表征所述当前时刻的指标数据是否异常。

2.根据权利要求1所述的方法，还包括：

利用回归方法对待处理数据进行筛选，得到所述目标待处理数据。

3.根据权利要求2所述的方法，其中，所述利用回归方法对待处理数据进行筛选，得到所述目标待处理数据包括：

将所述待处理数据分别输入至多个回归算法中，得到多个回归结果，其中，所述多个回归结果与所述多个回归算法一一对应，所述待处理数据是按照预定时间窗口长度，从目标初始待处理数据中提取得到的；以及

响应于确定所述多个回归结果中的至少一个回归结果为目标回归结果，将所述待处理数据作为所述目标待处理数据，其中，所述目标回归结果用于表征所述当前时刻的指标数据为异常。

4.根据权利要求3所述的方法，还包括：

获取初始待处理数据；

对所述初始待处理数据进行预处理，得到预处理后数据；以及

利用基准数据对所述预处理后数据中的目标预处理后数据进行更新，得到所述目标初始待处理数据。

5.根据权利要求4所述的方法，其中，所述对所述初始待处理数据进行预处理，得到预处理后数据包括：

对所述初始待处理数据进行缺失值填补，得到填补后数据；

对填补后数据进行平滑处理，得到平滑后数据；以及

对平滑后数据进行归一化处理，得到所述预处理后数据。

6.根据权利要求4或5所述的方法，还包括：

将预处理后数据进行异常数据过滤，得到过滤后数据；

对所述过滤后数据中的多个历史时刻的过滤后数据进行聚合，形成聚合后数据；

基于所述聚合后数据，得到多个初始基准数据；以及

对所述多个初始基准数据进行加权求和处理，得到所述基准数据。

7.根据权利要求3所述的方法，其中，所述多个回归算法中的至少一个回归算法包括以下至少一项：

多项式拟合算法、指数移动平均算法、孤立森林算法、标准差法。

8.一种异常确定模型的训练方法，包括：

利用目标训练样本训练异常确定模型，得到训练后的异常确定模型，

其中，所述目标训练样本包括样本数据和样本标签，其中，所述样本数据包括当前时刻的样本指标数据和与当前时刻相关联的多个历史时间序列的样本指标数据，所述样本标签包括所述当前时刻的样本标签，所述样本标签用于表征所述当前时刻的样本指标数据是否为异常。

9.根据权利要求8所述的方法，其中，所述利用训练样本训练异常确定模型，得到训练后的异常确定模型包括：

提取所述样本数据的特征，得到目标样本特征向量；以及

利用所述目标样本特征向量和所述样本标签训练所述异常确定模型，得到所述训练后的异常确定模型。

10.根据权利要求8或9所述的方法，还包括：

利用回归方法对训练样本进行筛选，得到所述目标训练样本。

11.根据权利要求10所述的方法，其中，所述利用回归方法对训练样本进行筛选，得到所述目标训练样本包括：

将所述训练样本中的样本数据分别输入至多个回归算法中，得到多个样本回归结果，其中，所述多个样本回归结果与所述多个回归算法一一对应，所述训练样本是按照预定时间窗口长度从目标初始训练样本中提取得到的；以及

响应于确定所述多个样本回归结果中的至少一个样本回归结果为目标样本回归结果，将所述训练样本作为所述目标训练样本，其中，所述目标样本回归结果用于表征所述当前时刻的样本指标数据为异常。

12.根据权利要求11所述的方法，还包括：

获取初始样本数据；

对所述初始样本数据进行预处理，得到预处理后样本数据；以及

利用基准样本数据对所述预处理后样本数据中的目标预处理后样本数据进行更新，得到所述目标初始样本数据。

13.根据权利要求12所述的方法，其中，所述对所述初始样本数据进行预处理，得到预处理后样本数据包括：

对所述初始样本数据进行缺失值填补，得到填补后样本数据；

对填补后样本数据进行平滑处理，得到平滑后样本数据；以及

对平滑后样本数据进行归一化处理，得到所述预处理后样本数据。

14.根据权利要求12或13所述的方法，还包括：

将预处理后样本数据进行异常数据过滤，得到过滤后样本数据；

对所述过滤后样本数据中的多个历史时刻的过滤后样本数据进行聚合，形成聚合后样本数据；

基于所述聚合后样本数据，得到多个初始基准样本数据；以及

对所述多个初始基准样本数据进行加权求和处理，得到所述基准样本数据。

15.一种异常确定装置，包括：

提取模块，用于提取目标待处理数据的特征，得到目标特征向量，其中，所述目标待处理数据包括当前时刻的指标数据和与所述当前时刻相关联的多个历史时间序列的指标数据；以及

确定模块，用于基于所述目标特征向量，得到所述当前时刻的指标数据的标签，其中，所述标签用于表征所述当前时刻的指标数据是否异常。

16.根据权利要求15所述的装置，还包括：

筛选模块，用于利用回归方法对待处理数据进行筛选，得到所述目标待处理数据。

17.根据权利要求16所述的装置，其中，所述筛选模块包括：

输入单元，用于将所述待处理数据分别输入至多个回归算法中，得到多个回归结果，其中，所述多个回归结果与所述多个回归算法一一对应，所述待处理数据是按照预定时间窗口长度，从目标初始待处理数据中提取得到的；以及

筛选单元，用于响应于确定所述多个回归结果中的至少一个回归结果为目标回归结果，将所述待处理数据作为所述目标待处理数据，其中，所述目标回归结果用于表征所述当前时刻的指标数据为异常。

18.根据权利要求17所述的装置，还包括：

获取模块，用于获取初始待处理数据；

预处理模块，用于对所述初始待处理数据进行预处理，得到预处理后数据；以及

更新模块，用于利用基准数据对所述预处理后数据中的目标预处理后数据进行更新，得到所述目标初始待处理数据。

19.根据权利要求18所述的装置，其中，所述预处理模块包括：

填补单元，用于对所述初始待处理数据进行缺失值填补，得到填补后数据；

平滑单元，用于对填补后数据进行平滑处理，得到平滑后数据；以及

归一化单元，用于对平滑后数据进行归一化处理，得到所述预处理后数据。

20.根据权利要求18或19所述的装置，还包括：

过滤模块，用于将预处理后数据进行异常数据过滤，得到过滤后数据；

聚合模块，用于对所述过滤后数据中的多个历史时刻的过滤后数据进行聚合，形成聚合后数据；

预基准模块，用于基于所述聚合后数据，得到多个初始基准数据；以及

加权模块，用于对所述多个初始基准数据进行加权求和处理，得到所述基准数据。

21.根据权利要求17所述的装置，其中，所述多个回归算法中的至少一个回归算法包括以下至少一项：

多项式拟合算法、指数移动平均算法、孤立森林算法、标准差法。

22.一种异常确定模型的训练装置，包括：

训练模块，用于利用目标训练样本训练异常确定模型，得到训练后的异常确定模型，

其中，所述目标训练样本包括样本数据和样本标签，其中，所述样本数据包括当前时刻的样本指标数据和与当前时刻相关联的多个历史时间序列的样本指标数据，所述样本标签包括所述当前时刻的样本标签，所述样本标签用于表征所述当前时刻的样本指标数据是否为异常。

23.根据权利要求22所述的装置，其中，所述训练模块包括：

样本提取单元，用于提取所述样本数据的特征，得到目标样本特征向量；以及

样本确定单元，用于利用所述目标样本特征向量和所述样本标签训练所述异常确定模型，得到所述训练后的异常确定模型。

24.根据权利要求22或23所述的装置，还包括：

样本筛选模块，用于利用回归方法对训练样本进行筛选，得到所述目标训练样本。

25.根据权利要求24所述的装置，其中，所述样本筛选模块包括：

样本输入单元，用于将所述训练样本中的样本数据分别输入至多个回归算法中，得到多个样本回归结果，其中，所述多个样本回归结果与所述多个回归算法一一对应，所述训练样本是按照预定时间窗口长度从目标初始训练样本中提取得到的；以及

样本筛选单元，用于响应于确定所述多个样本回归结果中的至少一个样本回归结果为目标样本回归结果，将所述训练样本作为所述目标训练样本，其中，所述目标样本回归结果用于表征所述当前时刻的样本指标数据为异常。

26.根据权利要求25所述的装置，还包括：

样本获取模块，用于获取初始样本数据；

样本预处理模块，用于对所述初始样本数据进行预处理，得到预处理后样本数据；以及

样本更新模块，用于利用基准样本数据对所述预处理后样本数据中的目标预处理后样本数据进行更新，得到所述目标初始样本数据。

27.根据权利要求26所述的装置，其中，所述样本预处理模块包括：

样本填补单元，用于对所述初始样本数据进行缺失值填补，得到填补后样本数据；

样本平滑单元，用于对填补后样本数据进行平滑处理，得到平滑后样本数据；以及

样本归一化单元，用于对平滑后样本数据进行归一化处理，得到所述预处理后样本数据。

28.根据权利要求26或27所述的装置，还包括：

样本过滤模块，用于将预处理后样本数据进行异常数据过滤，得到过滤后样本数据；

样本聚合模块，用于对所述过滤后样本数据中的多个历史时刻的过滤后样本数据进行聚合，形成聚合后样本数据；

样本预基准模块，用于基于所述聚合后样本数据，得到多个初始基准样本数据；以及

样本加权模块，用于对所述多个初始基准样本数据进行加权求和处理，得到所述基准样本数据。

29.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的异常确定方法或者权利要求8至14中任一项所述的异常确定模型的训练方法。

30.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至7中任一项所述的异常确定方法或者权利要求8至14中任一项所述的异常确定模型的训练方法。

31.一种计算机程序产品，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7中任一项所述的异常确定方法或者权利要求8至14中任一项所述的异常确定模型的训练方法。

Images