CN114443331A - 时序数据异常检测方法和装置 - Google Patents

时序数据异常检测方法和装置 Download PDF

Info

Publication number
CN114443331A
CN114443331A CN202011216002.6A CN202011216002A CN114443331A CN 114443331 A CN114443331 A CN 114443331A CN 202011216002 A CN202011216002 A CN 202011216002A CN 114443331 A CN114443331 A CN 114443331A
Authority
CN
China
Prior art keywords
abnormal
component
time sequence
detected
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
CN202011216002.6A
Other languages
English (en)
Inventor
王浩彬
王旭亮
全硕
任宏丹
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.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202011216002.6A priority Critical patent/CN114443331A/zh
Publication of CN114443331A publication Critical patent/CN114443331A/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
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本公开提出一种时序数据异常检测方法和装置，涉及人工智能领域。该方法包括：获取待检测的时序数据；将所述待检测的时序数据分解为周期分量、趋势分量和残差分量；分别判断周期分量、趋势分量和残差分量是否异常；根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定所述待检测的时序数据是否异常。从而，有效规避不同分量的异常特点不同、同一检测算法不能对特点不同的数据有效检测的情况，降低异常检验误差，例如能够检测出异常值不够明显大于周期变化或趋势变化的异常。

Description

时序数据异常检测方法和装置
技术领域
本公开涉及人工智能领域，特别涉及一种时序数据异常检测方法和装置。
背景技术
在云虚拟化系统运营过程中，系统对于资源调用及使用异常的检测能力是十分重要的。资源异常检测的灵敏性和准确性直接影响了系统运营效果。
在一些检测技术中，利用某种异常检验算法直接判断原始的待检测时序数据是否异常。
发明人发现，上述检测技术存在一些异常被遗漏的问题，例如，异常值不够明显大于周期变化或趋势变化的异常容易被遗漏。
发明内容
本公开实施例通过将待检测的时序数据分解为周期分量、趋势分量和残差分量，对各个分量独立地进行异常检测，再合并各个分量的检测结果以判定待检测的时序数据是否异常，可有效规避不同分量的异常特点不同、同一检测算法不能对特点不同的数据有效检测的情况，降低异常检验误差，例如能够检测出异常值不够明显大于周期变化或趋势变化的异常。
本公开一些实施例提出一种时序数据异常检测方法，包括：
获取待检测的时序数据；
将所述待检测的时序数据分解为周期分量、趋势分量和残差分量；
分别判断周期分量、趋势分量和残差分量是否异常；
根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定所述待检测的时序数据是否异常。
在一些实施例中，将所述待检测的时序数据分解为周期分量、趋势分量和残差分量包括：
利用基于局部加权回归的季节趋势分解算法，将所述待检测的时序数据分解为周期分量、趋势分量和残差分量。
在一些实施例中，分别判断周期分量、趋势分量和残差分量是否异常包括：
利用第一时序预测模型判断周期分量是否异常；
利用第二时序预测模型判断趋势分量是否异常；
利用孤立森林模型判断残差分量是否异常；
其中，第一时序预测模型与第二时序预测模型是相同的或不同的时序预测模型。
在一些实施例中，确定所述待检测的时序数据是否异常包括：根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，利用预设的投票机制，确定所述待检测的时序数据是否异常。
在一些实施例中，所述投票机制包括：
当任何一个分量异常时，所述待检测的时序数据异常；
或者，当所有分量中的多数分量异常时，所述待检测的时序数据异常；
或者，当所有分量异常均异常时，所述待检测的时序数据异常；
或者，对所有分量的异常结果进行加权统计，如果加权统计结果符合异常判断条件，确定所述待检测的时序数据异常。
在一些实施例中所述第一时序预测模型是利用历史时序数据的周期分量进行训练得到的；所述第二时序预测模型是利用历史时序数据的趋势分量进行训练得到的；所述孤立森林模型是利用历史时序数据的残差分量进行训练得到的。
在一些实施例中时序预测模型包括自回归AR模型，移动平均MA模型，自回归移动平均ARMA模型，或者，差分自回归移动平均ARIMA模型。
在一些实施例中待检测的时序数据包括云虚拟化系统的CPU资源时序数据、内存资源时序数据、存储资源时序数据、网络资源时序数据。
本公开一些实施例提出一种时序数据异常检测装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行时序数据异常检测方法。
本公开一些实施例提出一种时序数据异常检测装置，包括：
待检测数据获取模块，被配置为获取待检测的时序数据；
时序数据分解模块，被配置为将所述待检测的时序数据分解为周期分量、趋势分量和残差分量；
异常检测模块，被配置为分别判断周期分量、趋势分量和残差分量是否异常；根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定所述待检测的时序数据是否异常；
输出模块，被配置为输出所述待检测的时序数据是否异常的检测结果。
在一些实施例中，时序数据异常检测装置还包括：训练数据存储模块和训练模块；其中，
所述训练数据存储模块，被配置为存储历史时序数据；
所述时序数据分解模块，还被配置为将所述历史时序数据分解为周期分量、趋势分量和残差分量；
所述训练模块，被配置为利用历史时序数据的周期分量、趋势分量和残差分量分别训练第一时序预测模型、第二时序预测模型和孤立森林模型，其中，第一时序预测模型与第二时序预测模型是相同的或不同的时序预测模型。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现时序数据异常检测方法的步骤。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开。
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开一些实施例的时序数据异常检测方法的流程示意图。
图2示出本公开一些实施例的模型训练方法的流程示意图。
图3示出本公开一些实施例的时序数据异常检测装置的示意图。
图4示出本公开另一些实施例的时序数据异常检测装置的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
除非特别说明，否则，本公开中的“第一”“第二”等描述用来区分不同的对象，并不用来表示大小或时序等含义。
图1示出本公开一些实施例的时序数据异常检测方法的流程示意图。
如图1所示，该实施例的时序数据异常检测方法包括：步骤110-140。
在步骤110，获取待检测的时序数据。
例如，从云虚拟化系统获取待检测的时序数据。
待检测的时序数据例如包括云虚拟化系统的CPU资源时序数据、内存资源时序数据、存储资源时序数据、网络资源时序数据等，但不限于所举示例。
在步骤120，将待检测的时序数据分解为周期分量、趋势分量和残差分量。
利用基于局部加权回归的季节趋势分解算法，将待检测的时序数据分解为周期分量、趋势分量和残差分量。其中，季节趋势分解算法例如为基于Loess的季节趋势分解算法(Seasonal-Trend decomposition procedure based on Loess，STL)，其中，loess是一种局部加权回归(locally weighted regression)算法。
在步骤130，对各个分量独立地进行异常检测，分别判断周期分量、趋势分量和残差分量是否异常。
利用第一时序预测模型判断周期分量是否异常，例如，提取周期分量S，利用第一时序预测模型预测周期分量
Figure BDA0002760402730000051
当
Figure BDA0002760402730000052
与S的差值大于阈值τS时，判定为异常；利用第二时序预测模型判断趋势分量是否异常，例如提取趋势分量T，利用第二时序预测模型预测趋势分量
Figure BDA0002760402730000054
当
Figure BDA0002760402730000053
与T的差值大于阈值τT时，判定为异常；利用孤立森林模型判断残差分量是否异常，例如提取残差分量R，利用孤立森林模型确定残差分量R的树长，通过比较残差分量R的树长与树长期望，判断残差分量R是否为异常，例如，如果残差分量R的树长小于树长期望，判定残差分量R异常。其中，第一时序预测模型与第二时序预测模型是相同的或不同的时序预测模型。后续会结合图2具体描述各个模型的训练方法。第一时序预测模型是利用历史时序数据的周期分量进行训练得到的；第二时序预测模型是利用历史时序数据的趋势分量进行训练得到的；孤立森林模型是利用历史时序数据的残差分量进行训练得到的。
其中，时序预测模型包括自回归(Auto Regressive，AR)模型，移动平均(MovingAverage，MA)模型，自回归移动平均(Auto Regressive Moving Average，ARMA)模型，或者，差分自回归移动平均(Auto Regressive Integrated Moving Average，ARIMA)模型。
如果时序序列是平稳非白噪声序列，它们的均值和方差是常数，对于这类序列，可以采用AR，MA，ARMA等模型。如果时序序列的自相关图是拖尾，偏相关图是截尾，则用AR模型；如果时序序列的自相关图是截尾，偏相关图是拖尾，则用MA模型；如果时序序列的自相关图和偏相关图都是拖尾，则用ARMA模型。如果时序序列是非平稳序列，可以将它们转化为平稳序列，再按照平稳序列的算法进行拟合，例如，如果时序序列经过差分后平稳，可以使用ARIMA模型进行拟合。
在步骤140，根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，合并各个分量的检测结果，确定待检测的时序数据是否异常。
根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，利用预设的投票机制，确定待检测的时序数据是否异常。
投票机制包括：当任何一个分量异常时，待检测的时序数据异常；或者，当所有分量中的多数分量异常时，待检测的时序数据异常；或者，当所有分量异常均异常时，待检测的时序数据异常；或者，对所有分量的异常结果进行加权统计，如果加权统计结果符合异常判断条件，确定待检测的时序数据异常。
上述实施例，通过将待检测的时序数据分解为周期分量、趋势分量和残差分量，对各个分量独立地进行异常检测，再合并各个分量的检测结果以判定待检测的时序数据是否异常，可有效规避不同分量的异常特点不同、同一检测算法不能对特点不同的数据有效检测的情况，降低异常检验误差，例如能够检测出异常值不够明显大于周期变化或趋势变化的异常。
图2示出本公开一些实施例的模型训练方法的流程示意图。
如图2所示，该实施例的模型训练方法包括：步骤210-240。
在步骤210，获取多条历史时序数据。
例如，从云虚拟化系统获取历史时序数据。
在步骤220，将每条历史时序数据分解为周期分量S、趋势分量T和残差分量R。
在步骤230，独立地训练各个分量相应的模型。
在步骤230a，训练周期分量相应的第一时序预测模型：利用第一时序预测模型预测每条历史时序数据的周期分量
Figure BDA0002760402730000061
根据该历史时序数据的预测周期分量
Figure BDA0002760402730000062
与真实周期分量S之间的差距信息，例如，按照梯度下降法，更新第一时序预测模型的参数，直至满足预设的训练终止条件，例如，预测周期分量
Figure BDA0002760402730000063
与真实周期分量S之间的差距小于预设差距或达到预设的训练次数。
在步骤230b，训练趋势分量相应的第二时序预测模型：利用第二时序预测模型预测每条历史时序数据的趋势分量
Figure BDA0002760402730000071
根据该历史时序数据的预测趋势分量
Figure BDA0002760402730000072
与真实趋势分量T之间的差距信息，例如，按照梯度下降法，更新第二时序预测模型的参数，直至满足预设的训练终止条件，例如，预测趋势分量
Figure BDA0002760402730000073
与真实趋势分量T之间的差距小于预设差距或达到预设的训练次数。
在步骤230c，训练残差分量相应的孤立森林模型：主要包括通过采用多次迭代的方式构建二叉搜索树(Binary Search Tree)，然后将这些二叉搜索树组成森林(即，孤立森林模型)。具体来说，(1)构建二叉搜索树iTree：首先从训练数据(即，历史时序数据的残差分量R)中随机选择X个样本，若iTree已经达到限定高度或者仅剩一个样本，则算法收敛，否则，递归构建二叉搜索树，将小于当前根结点的样本放入左子结点，将大于当前根结点的样本放入右子结点；(2)构建二叉树森林iForest：根据样本数据容量迭代重复步骤(1)过程以创建二叉搜索树iTree，并将生成的iTree组成二叉树森林。当二叉树森林iForest构建完成后，就可以对样本进行预测了，预测过程就是对二叉搜索树进行递归中序遍历，记录从根结点到叶子结点的路径长度(即，树长)。
在步骤240，合并各个分量的检测结果，确定历史时序数据是否异常。
针对历史时序数据，根据其周期分量是否异常、趋势分量是否异常和残差分量是否异常，利用预设的投票机制，确定历史时序数据是否异常。具体投票机制参考前述。
从而，通过独立训练得到各个分量相应的模型。
图3示出本公开一些实施例的时序数据异常检测装置的示意图。
如图3所示，该实施例的时序数据异常检测装置300包括：模块310-340，还包括模块350-360。
待检测数据获取模块310，被配置为获取待检测的时序数据。
时序数据分解模块320，被配置为将时序数据(如待检测的时序数据或历史时序数据)分解为周期分量、趋势分量和残差分量。
异常检测模块330，被配置为分别判断周期分量、趋势分量和残差分量是否异常；根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定时序数据(如待检测的时序数据或历史时序数据)是否异常。
输出模块340，被配置为输出待检测的时序数据是否异常的检测结果。
训练数据存储模块350，被配置为存储历史时序数据。
训练模块360，被配置为利用历史时序数据的周期分量、趋势分量和残差分量分别训练第一时序预测模型、第二时序预测模型和孤立森林模型，其中，第一时序预测模型与第二时序预测模型是相同的或不同的时序预测模型。
训练模块360训练得到的模型可以输出给异常检测模块330，以便异常检测模块330利用各个模型判断相应的各个分量是否异常，包括：利用第一时序预测模型判断周期分量是否异常；利用第二时序预测模型判断趋势分量是否异常；利用孤立森林模型判断残差分量是否异常。
在预测时，依次执行待检测数据获取模块310，时序数据分解模块320，异常检测模块330，输出模块340。
在训练时，依次执行训练数据存储模块350，时序数据分解模块320，训练模块360。
图4示出本公开另一些实施例的时序数据异常检测装置的示意图。
如图4所示，该实施例的时序数据异常检测装置400包括：
存储器410以及耦接至该存储器410的处理器420，处理器420被配置为基于存储在存储器410中的指令，执行任一个实施例中的时序数据异常检测方法。
例如，获取待检测的时序数据；将所述待检测的时序数据分解为周期分量、趋势分量和残差分量；分别判断周期分量、趋势分量和残差分量是否异常；根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定所述待检测的时序数据是否异常。
其中，存储器410例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
本公开一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一个实施例中的时序数据异常检测方法的步骤。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机程序代码的非瞬时性计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种时序数据异常检测方法，其特征在于，包括：
获取待检测的时序数据；
将所述待检测的时序数据分解为周期分量、趋势分量和残差分量；
分别判断周期分量、趋势分量和残差分量是否异常；
根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定所述待检测的时序数据是否异常。
2.根据权利要求1所述的方法，其特征在于，将所述待检测的时序数据分解为周期分量、趋势分量和残差分量包括：
利用基于局部加权回归的季节趋势分解算法，将所述待检测的时序数据分解为周期分量、趋势分量和残差分量。
3.根据权利要求1所述的方法，其特征在于，分别判断周期分量、趋势分量和残差分量是否异常包括：
利用第一时序预测模型判断周期分量是否异常；
利用第二时序预测模型判断趋势分量是否异常；
利用孤立森林模型判断残差分量是否异常；
其中，第一时序预测模型与第二时序预测模型是相同的或不同的时序预测模型。
4.根据权利要求1所述的方法，其特征在于，确定所述待检测的时序数据是否异常包括：
根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，利用预设的投票机制，确定所述待检测的时序数据是否异常。
5.根据权利要求4所述的方法，其特征在于，所述投票机制包括：
当任何一个分量异常时，所述待检测的时序数据异常；
或者，当所有分量中的多数分量异常时，所述待检测的时序数据异常；
或者，当所有分量异常均异常时，所述待检测的时序数据异常；
或者，对所有分量的异常结果进行加权统计，如果加权统计结果符合异常判断条件，确定所述待检测的时序数据异常。
6.根据权利要求3所述的方法，其特征在于，
所述第一时序预测模型是利用历史时序数据的周期分量进行训练得到的；
所述第二时序预测模型是利用历史时序数据的趋势分量进行训练得到的；
所述孤立森林模型是利用历史时序数据的残差分量进行训练得到的。
7.根据权利要求3所述的方法，其特征在于，
时序预测模型包括自回归AR模型，移动平均MA模型，自回归移动平均ARMA模型，或者，差分自回归移动平均ARIMA模型。
8.根据权利要求1-7任一项所述的方法，其特征在于，
待检测的时序数据包括云虚拟化系统的CPU资源时序数据、内存资源时序数据、存储资源时序数据、网络资源时序数据。
9.一种时序数据异常检测装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-8中任一项所述的时序数据异常检测方法。
10.一种时序数据异常检测装置，包括：
待检测数据获取模块，被配置为获取待检测的时序数据；
时序数据分解模块，被配置为将所述待检测的时序数据分解为周期分量、趋势分量和残差分量；
异常检测模块，被配置为分别判断周期分量、趋势分量和残差分量是否异常；根据周期分量是否异常、趋势分量是否异常和残差分量是否异常，确定所述待检测的时序数据是否异常；
输出模块，被配置为输出所述待检测的时序数据是否异常的检测结果。
11.根据权利要求10所述的时序数据异常检测装置，还包括：训练数据存储模块和训练模块；其中，
所述训练数据存储模块，被配置为存储历史时序数据；
所述时序数据分解模块，还被配置为将所述历史时序数据分解为周期分量、趋势分量和残差分量；
所述训练模块，被配置为利用历史时序数据的周期分量、趋势分量和残差分量分别训练第一时序预测模型、第二时序预测模型和孤立森林模型，其中，第一时序预测模型与第二时序预测模型是相同的或不同的时序预测模型。
12.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-8中任一项所述的时序数据异常检测方法的步骤。
CN202011216002.6A 2020-11-04 2020-11-04 时序数据异常检测方法和装置 Pending CN114443331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011216002.6A CN114443331A (zh) 2020-11-04 2020-11-04 时序数据异常检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011216002.6A CN114443331A (zh) 2020-11-04 2020-11-04 时序数据异常检测方法和装置

Publications (1)

Publication Number Publication Date
CN114443331A true CN114443331A (zh) 2022-05-06

Family

ID=81360966

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011216002.6A Pending CN114443331A (zh) 2020-11-04 2020-11-04 时序数据异常检测方法和装置

Country Status (1)

Country Link
CN (1) CN114443331A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118614A (zh) * 2022-06-27 2022-09-27 平安银行股份有限公司 作业异常检测方法、装置、电子设备及存储介质
CN116418882A (zh) * 2023-06-09 2023-07-11 北京国旺盛源智能终端科技有限公司 基于hplc双模载波通信的存储器数据压缩方法
WO2024036727A1 (zh) * 2022-08-17 2024-02-22 深圳前海微众银行股份有限公司 数据异常检测方法、装置、设备、介质及程序产品

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118614A (zh) * 2022-06-27 2022-09-27 平安银行股份有限公司 作业异常检测方法、装置、电子设备及存储介质
CN115118614B (zh) * 2022-06-27 2023-09-01 平安银行股份有限公司 作业异常检测方法、装置、电子设备及存储介质
WO2024036727A1 (zh) * 2022-08-17 2024-02-22 深圳前海微众银行股份有限公司 数据异常检测方法、装置、设备、介质及程序产品
CN116418882A (zh) * 2023-06-09 2023-07-11 北京国旺盛源智能终端科技有限公司 基于hplc双模载波通信的存储器数据压缩方法
CN116418882B (zh) * 2023-06-09 2023-08-04 北京国旺盛源智能终端科技有限公司 基于hplc双模载波通信的存储器数据压缩方法

Similar Documents

Publication Publication Date Title
CN114443331A (zh) 时序数据异常检测方法和装置
CN107015875B (zh) 一种电子整机贮存寿命评估方法及装置
US12007745B2 (en) Apparatus for predicting equipment damage
CN111338692B (zh) 基于漏洞代码的漏洞分类方法、装置及电子设备
CN110263869A (zh) 一种Spark任务的时长预测方法及装置
CN112699045A (zh) 一种基于多种群遗传算法的软件测试用例生成方法
CN115514620B (zh) 一种异常检测的方法和云网络平台
CN112416662A (zh) 多时间序列数据异常检测方法与装置
CN111340233A (zh) 机器学习模型的训练方法及装置、样本处理方法及装置
CN115730947A (zh) 银行客户流失预测方法及装置
CN115048370A (zh) 用于大数据清洗的人工智能处理方法及大数据清洗系统
CN116627845A (zh) 一种基于Capture-Recapture的软件缺陷预测方法及系统
KR102407773B1 (ko) 설비 실시간 건전도를 반영한 설비 신뢰도 산출 시스템 및 방법
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN110543869A (zh) 滚珠丝杠寿命预测方法、装置、计算机设备及存储介质
CN115238779B (zh) 一种云盘的异常检测方法、装置、设备及介质
CN112241751A (zh) 一种异常检测方法和系统，及计算机可读存储介质
CN110968518A (zh) 自动化测试日志文件的分析方法及装置
CN114398235B (zh) 基于融合学习和假设检验的内存回收趋势预警装置及方法
CN115510998A (zh) 交易异常值检测方法及装置
CN112434808B (zh) 全栈式的前向型神经网络深度学习系统安全分析与检测方法
CN114842382A (zh) 一种生成视频的语义向量的方法、装置、设备及介质
CN114138328A (zh) 基于代码异味的软件重构预测方法
CN113139332A (zh) 一种自动化模型构建方法、装置及设备
CN115471725A (zh) 用于异常检测的图像处理方法及设备和神经网络构建方法

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