CN114564370B - 告警阈值的确定方法、装置、设备及计算机存储介质 - Google Patents
告警阈值的确定方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114564370B CN114564370B CN202210462871.XA CN202210462871A CN114564370B CN 114564370 B CN114564370 B CN 114564370B CN 202210462871 A CN202210462871 A CN 202210462871A CN 114564370 B CN114564370 B CN 114564370B
- Authority
- CN
- China
- Prior art keywords
- index data
- determining
- data
- time sequence
- alarm threshold
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000000737 periodic effect Effects 0.000 claims abstract description 71
- 238000013145 classification model Methods 0.000 claims abstract description 45
- 230000001788 irregular Effects 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
- G06F11/3093—Configuration details thereof, e.g. installation, enabling, spatial arrangement of the probes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Alarm Systems (AREA)
Abstract
本申请实施例提供了一种告警阈值的确定方法、装置、设备及计算机存储介质。方法包括:获取数据中心的时序指标数据,根据分类模型确定时序指标数据中的周期性指标数据,基于周期性指标数据的置信区间确定数据的告警阈值。根据本申请实施例的告警阈值的确定方法,能够通过计算周期性指标数据的置信区间确定数据的告警阈值,提高了时序指标数据告警阈值的设置效率。
Description
技术领域
本申请属于互联网技术领域,尤其涉及一种告警阈值的确定方法、装置、设备及计算机存储介质。
背景技术
目前,随着互联网技术的发展,互联网业务急剧增多,电子设备资产越来越庞大,在数据中心进行运维时,为了获得准确的数据,往往需要分别对不同的数据指标进行阈值的设置,实现自动化预警的目的。
现有的极限阈值的设置方法是由运维人员基于技术和经验进行设置的,耗费人力资源的同时,效率较低且准确率较低。
发明内容
本申请实施例提供一种告警阈值的确定方法、装置、设备及计算机存储介质,能够对数据进行分类后分别计算得到各类指标的基限值,提高了指标设置的效率和准确率。
第一方面,本申请实施例提供一种告警阈值的确定方法,方法包括:
获取数据中心的时序指标数据;
根据分类模型确定时序指标数据中的周期性指标数据,分类模型由历史指标数据训练得到;
计算周期性指标数据的t分布的置信区间,置信区间用于表征周期性指标数据分布概率满足预设阈值的范围;
根据置信区间确定周期性指标数据的告警阈值,告警阈值包括上限阈值和下限阈值。
第二方面,本申请实施例提供了一种告警阈值的确定装置,装置包括:
获取模块,用于获取数据中心的时序指标数据;
确定模块,用于根据分类模型确定时序指标数据中的周期性指标数据,分类模型由历史指标数据训练得到;
计算模块,用于计算周期性指标数据的t分布的置信区间,置信区间用于表征周期性指标数据分布概率满足预设阈值的范围;
确定模块,还用于根据置信区间确定周期性指标数据的告警阈值,告警阈值包括上限阈值和下限阈值。
第三方面,本申请实施例提供了一种告警阈值的确定设备,设备包括:
处理器,以及存储有计算机程序指令的存储器;
处理器读取并执行计算机程序指令,以实现第一方面的告警阈值的确定方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面的告警阈值的确定方法。
第五方面,本申请实施例提供了一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行第一方面的告警阈值的确定方法。
本申请实施例的告警阈值的确定方法、装置、设备及计算机存储介质,能够利用训练好的分类模型确定时序指标数据中的周期性指标数据,并进一步计算周期性指标数据的置信区间,确定数据的告警阈值,提高了告警阈值的设置效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种告警阈值的确定方法的流程示意图;
图2是本申请实施例提供的另一种告警阈值的确定方法的流程示意图;
图3是本申请实施例提供的又一种告警阈值的确定方法的流程示意图;
图4是本申请实施例提供的一种对时序指标数据进行阈值计算的算法流程图;
图5是本申请实施例提供的一种告警阈值的确定装置的结构示意图;
图6是本申请实施例提供的一种告警阈值的确定设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
随着互联网技术的急速发展,电子设备资产日益增加,在数据中心的运维领域,通过人为设定资产告警阈值的方法会耗费大量人力,且难以对指标数据在不同时段进行动态配置,同时也对运维人员提出了一定的技术要求。
为了解决现有技术问题,本申请实施例提供了一种告警阈值的确定方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的告警阈值的确定方法进行介绍。
图1示出了本申请一个实施例提供的告警阈值的确定方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S110、获取数据中心的时序指标数据。
获取预设时间段内数据中心的时序指标数据。其中,时序指标数据包括中央处理器(Central Processing Unit,CPU)空闲率、内存使用率、网络带宽等等;预设时间段可以设置,对此不作限定。
S120、根据分类模型确定时序指标数据中的周期性指标数据,分类模型由历史指标数据训练得到。
根据分类模型确定在预设时间段内呈周期性分布,且数据误差小于预设误差值时,确定该指标数据为周期性指标数据。其中,利用历史时序指标数据训练卷积神经网络(Convolutional Neural Networks,CNN)得到分类模型。具体地,获取数据中心的历史时序指标数据,历史时序指标数据包括周期性指标数据和非周期性指标数据。将历史时序指标数据随机划分为训练样本和测试样本,利用训练样本训练神经网络得到初始模型,利用测试样本对初始模型进行验证,得到分类模型。
在一种示例中,当预设时间段为当前时间的近一周时间时,分类模型基于当前时刻数据,前一天中同一时刻的前后5分钟内的数据和上周同一时刻的前后5分钟内的数据进行计算, 当前一天中同一时刻的前后5分钟内的数据的均值和上周同一时刻的前后5分钟内的数据的均值均小于预设误差率时,确定该指标数据为周期性指标数据,周期为一天。其中,误差率设置为5%,可以根据需求进行修改,对此不作限定。
S 130、计算周期性指标数据的t分布的置信区间,置信区间用于表征周期性指标数据分布概率满足预设阈值的范围。
计算目标时间段内周期性指标数据的标准差,基于计算的标准差计算目标时间段内数据的t分布的置信区间h。其中,置信区间表征周期性指标数据分布概率满足预设阈值的范围。具体地,可以根据置信区间确定周期性指标的告警阈值。
在一些实施例中,置信区间可以用于表示周期性指标数据的波动范围,即阈值范围,例如,通过计算得到的当前时间点的指标数据为4,计算得到的置信区间为3,则当前时间点的实际指标数据的阈值下限为1,上限为7,即阈值范围为(1,7)。
S140、根据置信区间确定周期性指标数据的告警阈值,周期性指标数据的告警阈值包括上限阈值和下限阈值。
基于当前时刻近第一预设时间段内的数据,通过加权移动平均算法计算当前时刻的指标数据x,利用置信区间h和指标数据x确定告警阈值的上限阈值为x-h,下限阈值为x+h。
在一些实施例中,基于预设权重和预设的移动跨期对周期性指标数据进行移动加权,得到当前时间点的预测的指标数据。例如,预设的移动跨期为3,预设的权重分别为0.5、0.3和0.2,当前时间点的前三个时间点的数据分别为2,3,4,则通过加权移动平均算法得到当前时间点的预测的指标数据x=(2×0.5+3×0.3+4×0.2)/(0.5+0.3+0.2)=2.7。其中,预设权重可以设置,预设的移动跨期可以根据经验设置,对此不作限定。
本申请实施例提供的告警阈值的确定方法,能够利用训练好的分类模型确定时序指标数据中的周期性指标数据,并进一步计算周期性指标数据的置信区间,确定数据的告警阈值,提高了告警阈值的设置效率。
在一些实施例中,如图2所示,根据分类模型确定时序指标数据中的周期性指标数
据之前,方法还包括:步骤S150、计算时序指标数据的标准分数,标准分数用于表征时序指
标数据的在预设取值范围内的分布位置;步骤S160、利用降维算法对时序指标数据的标准
分数进行降维处理。计算时序指标数据标准分数z-score分数,确定时序指标数据的分布情
况,即时序指标数据相较于平均值的偏离水平。再利用分段聚合近似(Piecewise
aggregate approximation,PAA)算法对时序指标数据的标准分数进行降维处理,具体地,
将预设时间段内时序指标数据按照预设时间长度或按照预设时间段数量划分为多个子时
间段,分别计算每个子时间段的均值作为该子时间段的值,降维处理后的数据量为划分的
子时间段数量。例如,对于给定长度为m的时序指标数据的标准分数的序列为Q=q1,q2,…,
qm进行降维处理,预设时间段数量为w,则该降维过程为压缩比k=m/w的降维过程。得到降维
后的数据序列为。其中,
预设时间长度可以设置,对此不作限定。
在一些实施例中,计算时序指标数据的标准分数,包括:计算时序指标数据的一阶差分,得到目标结果;根据目标结果计算时序指标数据的标准分数。对时序指标数据进行一阶差分计算,得到目标结果,计算结果的平均值μ和标准差σ,并进一步计算标准分数z,计算公式如下:
在一些实施例中,如图3所示,利用降维算法对时序指标数据的标准分数进行降维处理之前,方法还包括:步骤S170、利用线性拟合方式对时序指标数据中的缺失值进行处理。按照五分钟粒度对时序指标数据进行统计,对于数据缺失的时段,利用线性拟合的方式进行数据填补。其中,时间粒度可以修改,对此不作限定。
在一些实施例中,根据置信区间确定周期性指标数据的告警阈值,包括:获取目标时间段内的周期性指标数据;根据目标时间段内的周期性指标数据确定当前时间点的指标数据;根据置信区间和当前时间点的指标数据确定周期性指标数据的告警阈值。基于加权移动平均算法和目标时间段内的周期性指标数据计算得到当前时间点的指标数据,确定当前时间点的指标数据与置信区间h的和作为周期性指标数据的告警阈值上限,当前时间点的指标数据与置信区间h的差作为周期性指标数据的告警阈值下限。
在一种示例中,获取目标时间段内的周期性指标数据,目标时间段为前一天与当前时刻相同的时刻前后3小时、上周同一时刻前后3小时和当前时刻近1.5小时(不含当前点)。根据目标时间段内的数据利用加权移动平均算法计算当前时刻的数据值。计算上述时间段内数据的标准差,并进一步计算t分布的置信区间,基于该置信区间和当前时刻数据值确定周期性指标数据的告警阈值。
在一些实施例中,方法还包括:S180、根据分类模型确定时序指标数据中的平稳性
指标数据,平稳性指标数据为满足预设阈值条件的数据;S190、确定平稳性指标中的最大值
和最小值为平稳性指标数据的告警阈值。在进行模型训练时,非周期性指标数据包括平稳
性指标数据。根据分类模型,确定前一天内75%的数据相同或前一天内指标数据的标准差除
以指标数据的均值小于5%或计算时序指标数据的肯戴尔(Kendall)秩相关系数时,显著程
度大于0.05的指标数据为平稳指标数据。确定前一天与当前时刻相同的时刻前后3小时的
数据的最大值和最小值为平稳性指标数据的告警阈值。
在一些实施例中,方法还包括:根据分类模型确定时序指标数据中的无规律指标数据,无规律指标数据为周期性指标数据和平稳性指标数据以外的数据;根据无规律指标数据计算无规律指标数据的变化率;根据无规律指标数据和无规律指标数据的变化率确定无规律指标数据的告警阈值。在进行模型训练时,非周期性指标数据还包括无规律指标数据。根据分类模型确定时序指标数据中除周期性指标数据和平稳性指标数据之外的数据为无规律指标数据。计算前一天中与当前时刻相同的时刻前后3小时内数据变化率的最大值β,根据β确定告警阈值上限阈值为1.25βz,下限阈值为0.75βz。其中,z为下一点的数据值。
在一些实施例中,对时序指标数据进行阈值计算的算法流程如图4所示,对获取的指标实时数据利用指标分类模型进行分类,得到指标实时数据分类结果。对指标实时数据所属类别进行判断,根据指标实时数据的类别,进行周期性指标数据的阈值计算或平稳性指标数据的阈值计算或无规律性指标数据的阈值计算。其中,指标分类模型是基于指标历史数据训练得到的。具体地,对获取的指标历史数据进行一阶差分计算,并对一阶差分计算的结果进行标准分数的计算。通过线性拟合的方式对缺失数据进行填补。利用PAA算法对填补后的数据进行降维处理。降维处理后的数据划分为训练样本和测试样本,利用训练样本和测试样本训练神经网络得到指标分类模型。
本申请实施例提供的告警阈值的确定方法,利用训练好的分类模型划分时序指标数据中的周期性指标数据、平稳性指标数据和无规律指标数据,并基于不同的数据类型计算指标数据的告警阈值,在利用分类模型对数据进行分类前,通过计算标准分数,能够提升分类模型在不同指标上的适应能力,对指标数据的降维处理可以减少模型的计算量,提高了分类效率,基于本申请实施例提供的告警阈值的确定方法提高了告警阈值的设置效率及准确性。
图5是本申请实施例提供的一种告警阈值的确定装置500结构示意图。如图5所示,该装置可以包括获取模块510、确定模块520和计算模块530。
获取模块510,用于获取数据中心的时序指标数据,时序指标数据包括时序指标数据;
确定模块520,用于根据分类模型确定时序指标数据中的周期性指标数据,分类模型由历史指标数据训练得到;
计算模块530,用于计算周期性指标数据的t分布的置信区间,置信区间用于表征周期性指标数据分布概率满足预设阈值的范围;
确定模块520,还用于根据置信区间确定周期性指标数据的告警阈值,周期性指标数据的告警阈值包括上限阈值和下限阈值。
本申请实施例提供的告警阈值的确定装置,能够利用训练好的分类模型确定时序指标数据中的周期性指标数据,并进一步计算周期性指标数据的置信区间,确定数据的告警阈值,提高了告警阈值的设置效率。
在一些实施例中,装置还包括:计算模块530,还用于计算时序指标数据的标准分数,标准分数用于表征时序指标数据的在预设取值范围内的分布位置;处理模块,用于利用降维算法对时序指标数据的标准分数进行降维处理。
在一些实施例中,计算模块530,用于计算时序指标数据的标准分数,包括:计算模块530,用于计算时序指标数据的一阶差分,得到目标结果;计算模块530,还用于根据目标结果计算时序指标数据的标准分数。
在一些实施例中,装置还包括:处理模块,还用于利用线性拟合方式对时序指标数据中的缺失值进行处理。
在一些实施例中,确定模块520,用于根据置信区间确定周期性指标数据的告警阈值,包括:获取模块510,还用于获取目标时间段内的周期性指标数据;确定模块520,还用于根据目标时间段内的周期性指标数据确定当前时间点的指标数据;确定模块520,还用于根据置信区间和当前时间点的指标数据确定周期性指标数据的告警阈值。
在一些实施例中,装置还包括:确定模块520,还用于根据分类模型确定时序指标数据中的平稳性指标数据,平稳性指标数据为满足预设阈值条件的数据;确定模块520,还用于确定平稳性指标中的最大值和最小值为平稳性指标数据的告警阈值,平稳性指标数据的告警阈值包括上限阈值和下限阈值。
在一些实施例中,装置还包括:确定模块520,还用于根据分类模型确定时序指标数据中的无规律指标数据,无规律指标数据为周期性指标数据和平稳性指标数据以外的数据;计算模块530,还用于根据无规律指标数据计算无规律指标数据的变化率;确定模块520,还用于根据无规律指标数据和无规律指标数据的变化率确定无规律指标数据的告警阈值,无规律指标数据的告警阈值包括上限阈值和下限阈值。
本申请实施例提供的告警阈值的确定装置,能够利用训练好的分类模型划分时序指标数据中的周期性指标数据、平稳性指标数据和无规律指标数据,并基于不同的数据类型计算指标数据的告警阈值,在利用分类模型对数据进行分类前,通过计算标准分数,能够提升分类模型在不同指标上的适应能力,对指标数据的降维处理可以减少模型的计算量,提高了分类效率,基于本申请实施例提供的告警阈值的确定装置提高了告警阈值的设置效率及准确性。
图5所示装置中的各个模块/单元具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
图6示出了本申请实施例提供的告警阈值的确定设备的硬件结构示意图。
告警阈值的确定设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit ,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器602可以包括可移除或不可移除(或固定)的介质,或者存储器602是非易失性固态存储器。存储器602可在综合网关容灾设备的内部或外部。
在一个实例中,存储器602可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器602包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请的一方面的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现图1所示实施例中的方法/步骤S110至S140,并达到图1所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,告警阈值的确定设备还可包括通信接口603和总线610。其中,如图6所示,处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者,将告警阈值的确定设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该告警阈值的确定设备可以基于分类模型和获取的时序指标数据执行本申请实施例中的告警阈值的确定方法,从而实现结合图1描述的告警阈值的确定方法。
另外,结合上述实施例中的告警阈值的确定方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种告警阈值的确定方法。
本申请实施例提供一种计算机程序产品,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行上述实施例中的任意一种告警阈值的确定方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本申请的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种告警阈值的确定方法,其特征在于,包括:
获取数据中心的时序指标数据;
根据分类模型确定所述时序指标数据中的周期性指标数据,所述分类模型由历史时序指标数据训练得到;
计算所述周期性指标数据的t分布的置信区间,所述置信区间用于表征所述周期性指标数据分布概率满足预设阈值的范围;
根据所述置信区间确定所述周期性指标数据的告警阈值,所述周期性指标数据的告警阈值包括上限阈值和下限阈值;
所述方法还包括:
根据所述分类模型确定所述时序指标数据中的平稳性指标数据,所述平稳性指标数据为满足预设阈值条件的数据;
确定所述平稳性指标中的最大值和最小值为所述平稳性指标数据的告警阈值,所述平稳性指标数据的告警阈值包括上限阈值和下限阈值;
所述根据所述分类模型确定所述时序指标数据中的平稳性指标数据,包括:
根据所述分类模型确定预设前一天内满足75%的数据相同的时序指标数据为平稳性指标数据,或确定前一天内满足时序指标数据的标准差与均值的商小于5%的时序指标数据为平稳性指标数据,或确定预设时间段内满足肯戴尔Kendall秩相关系数的显著程度大于0.05的时序指标数据为平稳性指标数据。
2.根据权利要求1所述的方法,其特征在于,所述根据分类模型确定所述时序指标数据中的周期性指标数据之前,所述方法还包括:
计算所述时序指标数据的标准分数,所述标准分数用于表征所述时序指标数据的在预设取值范围内的分布位置;
利用降维算法对所述时序指标数据的标准分数进行降维处理。
3.根据权利要求2所述的方法,其特征在于,所述计算所述时序指标数据的标准分数,包括:
计算所述时序指标数据的一阶差分,得到目标结果;
根据所述目标结果计算所述时序指标数据的标准分数。
4.根据权利要求3所述的方法,其特征在于,所述利用降维算法对所述时序指标数据的标准分数进行降维处理之前,所述方法还包括:
利用线性拟合方式对所述时序指标数据中的缺失值进行处理。
5.根据权利要求1所述的方法,其特征在于,所述根据所述置信区间确定所述周期性指标数据的告警阈值,包括:
获取目标时间段内的周期性指标数据;
根据所述目标时间段内的周期性指标数据确定当前时间点的指标数据;
根据所述置信区间和所述当前时间点的指标数据确定所述周期性指标数据的告警阈值。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
根据所述分类模型确定所述时序指标数据中的无规律指标数据,所述无规律指标数据为所述周期性指标数据和所述平稳性指标数据以外的数据;
根据所述无规律指标数据计算所述无规律指标数据的变化率;
根据所述无规律指标数据和所述无规律指标数据的变化率确定所述无规律指标数据的告警阈值,所述无规律指标数据的告警阈值包括上限阈值和下限阈值。
7.一种告警阈值的确定装置,其特征在于,所述装置包括:
获取模块,用于获取数据中心的时序指标数据;
确定模块,用于根据分类模型确定所述时序指标数据中的周期性指标数据,所述分类模型由历史指标数据训练得到;
计算模块,用于计算所述周期性指标数据的t分布的置信区间,所述置信区间用于表征所述周期性指标数据分布概率满足预设阈值的范围;
所述确定模块,还用于根据所述置信区间确定所述周期性指标数据的告警阈值,所述周期性指标数据的告警阈值包括上限阈值和下限阈值;
所述装置还包括:
所述确定模块,还用于根据所述分类模型确定所述时序指标数据中的平稳性指标数据,所述平稳性指标数据为满足预设阈值条件的数据;
所述确定模块,还用于确定所述平稳性指标中的最大值和最小值为所述平稳性指标数据的告警阈值,所述平稳性指标数据的告警阈值包括上限阈值和下限阈值;
所述确定模块,还用于根据所述分类模型确定所述时序指标数据中的平稳性指标数据,包括:
所述确定模块,还用于根据所述分类模型确定前一天内满足75%的数据相同的时序指标数据为平稳性指标数据,或确定前一天内满足时序指标数据的标准差与均值的商小于5%的时序指标数据为平稳性指标数据,或确定预设时间段内满足肯戴尔Kendall秩相关系数的显著程度大于0.05的时序指标数据为平稳性指标数据。
8.一种告警阈值的确定设备,其特征在于,所述告警阈值的确定设备包括:处理器,以及存储有计算机程序指令的存储器;
所述处理器读取并执行所述计算机程序指令,以实现如权利要求1-6任意一项所述的告警阈值的确定方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的告警阈值的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210462871.XA CN114564370B (zh) | 2022-04-29 | 2022-04-29 | 告警阈值的确定方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210462871.XA CN114564370B (zh) | 2022-04-29 | 2022-04-29 | 告警阈值的确定方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114564370A CN114564370A (zh) | 2022-05-31 |
CN114564370B true CN114564370B (zh) | 2022-11-08 |
Family
ID=81721198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210462871.XA Active CN114564370B (zh) | 2022-04-29 | 2022-04-29 | 告警阈值的确定方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564370B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115190038B (zh) * | 2022-06-23 | 2024-04-19 | 联想(北京)有限公司 | 一种状态确定方法以及装置 |
CN115664940B (zh) * | 2022-12-28 | 2023-04-28 | 北京天维信通科技有限公司 | 分布式节点指标与告警缓存方法、装置和电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197011B (zh) * | 2018-01-29 | 2021-06-01 | 上海洞识信息科技有限公司 | 一种基于人工智能大数据平台的单指标预测和预警方法 |
CN109615226B (zh) * | 2018-12-12 | 2020-12-29 | 焦点科技股份有限公司 | 一种运营指标异常监测方法 |
CN110782045A (zh) * | 2019-10-17 | 2020-02-11 | 成都四方伟业软件股份有限公司 | 一种运维告警系统动态阈值的生成方法及装置 |
CN111800297A (zh) * | 2020-07-07 | 2020-10-20 | 浪潮云信息技术股份公司 | 基于Snmp的云物理主机智能监控方法及系统 |
CN112363890A (zh) * | 2020-11-18 | 2021-02-12 | 合肥城市云数据中心股份有限公司 | 基于Prophet模型的数据中心运维系统阈值自适应告警监测方法 |
CN113064796B (zh) * | 2021-04-13 | 2022-08-12 | 上海浦东发展银行股份有限公司 | 一种无监督指标异常检测方法 |
-
2022
- 2022-04-29 CN CN202210462871.XA patent/CN114564370B/zh active Active
Non-Patent Citations (1)
Title |
---|
医院评价指标标准值的研究;刘丽华;《解放军医院管理杂志》;19970330(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114564370A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114564370B (zh) | 告警阈值的确定方法、装置、设备及计算机存储介质 | |
CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN114844762B (zh) | 告警真实性检测方法和装置 | |
CN113723716A (zh) | 一种客流分级预警异常告警方法、设备及存储介质 | |
CN115291108A (zh) | 数据生成方法、装置、设备及计算机程序产品 | |
CN109960626B (zh) | 端口异常的识别方法、装置、设备及介质 | |
CN117192383B (zh) | 电池寿命的确定方法、装置、设备及介质 | |
CN115202802A (zh) | 告警阈值确定方法、装置、设备及存储介质、告警系统 | |
CN115705413A (zh) | 异常日志的确定方法及装置 | |
CN116108991A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN114157486B (zh) | 通信流量数据异常检测方法、装置、电子设备及存储介质 | |
CN111461118B (zh) | 兴趣特征确定方法、装置、设备及存储介质 | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN113986659A (zh) | 故障分析方法、装置、设备及计算机存储介质 | |
CN112749998A (zh) | 收入信息输出方法、装置、电子设备及计算机存储介质 | |
CN117273547B (zh) | 基于边缘计算的生产设备运行数据处理方法 | |
CN114547133B (zh) | 基于多维数据集的对话式归因分析方法、装置及设备 | |
CN115795376A (zh) | 阈值确定方法、装置、设备、介质和产品 | |
CN113239236B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
CN113098640B (zh) | 一种基于频道占用度预测的频谱异常检测方法 | |
CN116029621B (zh) | 台区电能表运行评估方法、装置、电子设备和存储介质 | |
CN111984634B (zh) | 告警事务提取方法、装置、设备及计算机存储介质 | |
CN115514621B (zh) | 故障监测方法、电子设备及存储介质 | |
CN118036807A (zh) | 确定业务变量值的方法、装置、设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231220 Address after: Room 601, 6th Floor, Hengyang Blockchain Industrial Park, Building 5, Emerging Financial Center, High tech Zone, Hengyang City, Hunan Province, 421000 Patentee after: Smart Grain Safety Technology (Hunan) Co.,Ltd. Address before: 410000 Room 301, R&D Headquarters, Central South University Science Park, Yuelu Street, Yuelu District, Changsha City, Hunan Province Patentee before: Tianyun Software Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |