CN114565226A - 一种指标处理方法、服务器及存储介质 - Google Patents
一种指标处理方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN114565226A CN114565226A CN202210101838.4A CN202210101838A CN114565226A CN 114565226 A CN114565226 A CN 114565226A CN 202210101838 A CN202210101838 A CN 202210101838A CN 114565226 A CN114565226 A CN 114565226A
- Authority
- CN
- China
- Prior art keywords
- index
- basic
- indexes
- time period
- service
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 107
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000005065 mining Methods 0.000 claims abstract description 49
- 230000008859 change Effects 0.000 claims description 120
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 16
- 230000000875 corresponding effect Effects 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 238000000605 extraction Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012827 research and development Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种指标处理方法、服务器及存储介质,其中方法包括:获取目标能力服务的多种基础指标在第一时间段的指标特征;对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇;其中,一组关联指标簇对应目标能力服务的一个评估维度;根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果。本申请实施例可对指标进行精准的处理,为准确的评估能力服务提供支持。
Description
技术领域
本申请实施例涉及数据处理技术领域,具体涉及一种指标处理方法、服务器及存储介质。
背景技术
在利用中台进行企业数字化转型的过程中,企业的业务需要抽象成通用的能力服务,以便于支撑企业业务。能力服务是中台设计的重要概念,能力服务的好坏,直接影响中台的价值,因此需要对能力服务进行评估。
在能力服务的评估过程中需要依赖丰富多样的指标,因此如何对指标进行精准的处理,以为准确的评估能力服务提供支持,成为了本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此,本申请实施例提供一种指标处理方法、服务器及存储介质,以对指标进行精准的处理,为准确的评估能力服务提供支持。
为实现上述目的,本申请实施例提供如下技术方案。
第一方面,本申请实施例提供一种指标处理方法,包括:
获取目标能力服务的多种基础指标在第一时间段的指标特征;
对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇;其中,一组关联指标簇对应目标能力服务的一个评估维度;
根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果。
第二方面,本申请实施例提供一种服务器,包括至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机可执行指令,所述处理器调用所述一条或多条计算机可执行指令,以执行如上述所述的指标处理方法。
第三方面,本申请实施例提供一种存储介质,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令被执行时实现如上述所述的指标处理方法。
第四方面,本申请实施例提供一种计算机程序,所述计算机程序被执行时实现如上述所述的指标处理方法。
本申请实施例提供的指标处理方法在评估目标能力服务时,可获取目标能力服务的多种基础指标在第一时间段的指标特征,对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇;通过上述处理,本申请实施例可梳理目标能力服务的基础指标类别,并通过指标关联挖掘,将目标能力服务相关联的基础指标进行自动化组合,形成用于评估目标能力服务的至少一组关联指标簇;进而,本申请实施例可根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果。在本申请实施例中,一组关联指标簇可对应目标能力服务的一个评估维度,从而通过自动化组合的一组或多组的关联指标簇,本申请实施例可在一个或多个评估维度进行目标能力服务的评估,以得出目标能力服务的综合性评估结果。本申请实施例提供的指标处理方法,可对目标能力服务的多种基础指标进行指标关联挖掘,以将相关联的基础指标聚类为关联指标簇,从而通过关联指标簇在一个或多个评估维度,对目标能力服务进行评估,实现自动化、综合性的评估目标能力服务。可见,本申请实施例可通过对目标能力服务的基础指标进行精准的指标处理,实现聚类相关联的基础指标,并在此基础上,实现对目标能力服务进行精准的综合性评估。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的系统架构图。
图2为本申请实施例提供的指标处理方法的流程图。
图3为本申请实施例提供的指标关联挖掘和关联指标簇的示例图。
图4为本申请实施例提供的指标关联挖掘的方法流程图。
图5为本申请实施例进行指标关联挖掘的过程示例图。
图6为本申请实施例进行特征抽取的方法流程图。
图7为本申请实施例提供的评估规则的示例图。
图8为本申请实施例进行指标处理的示例图。
图9为本申请实施例提供的指标处理装置的框图。
图10为本申请实施例提供的服务器的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在进行企业数字化转型时,企业业务需要抽象成通用的能力服务,以便于支撑多个业务,例如企业的不同业务可抽象为购物车、订单等能力服务。在一些场合中,本申请实施例所指的能力服务也称为商业能力,其在企业的数字化转型过程中,用于承接企业的业务需求,匹配中台的底层能力。能力服务(也称为商业能力)是对中台能力的一种认证,其能够建立针对特定业务或行业的标准能力,能够基于业务的沉淀最终形成标准的中台服务产品。
针对企业的业务,业务的诉求是根据业务活动寻求相应的能力支持,因此在将业务抽象为能力服务之后,能力服务的好坏,直接影响中台在企业数字化转型中的价值,需要对能力服务进行精准的评估。
围绕着能力服务存在着不同类别、数量繁多的基础指标。在评估能力服务时,如果仅是通过罗列能力服务的一些基础指标,来得出评估结果,则缺乏对能力服务自动化、综合性的评估。因此如何对能力服务的基础指标进行处理,以比较直观的对能力服务进行综合性评估,显得尤为必要。基于此,本申请实施例提供新型的指标处理方案,通过对能力服务的多个基础指标进行指标关联挖掘,以挖掘出能力服务中相关联的基础指标;从而相关联的基础指标形成关联指标簇,进而以关联指标簇为单位对能力服务进行评估,例如通过不同的关联指标簇在不同的评估维度,对能力服务进行综合性评估,实现在不同评估维度对能力服务进行直观的综合性评估。
基于上述思路,图1示例性的示出了本申请实施例提供的系统架构,如图1所示,该系统架构可以包括:指标数据库110和服务器120。
在中台将企业业务抽象为能力服务并且将能力服务上线部署后,通过运行能力服务可以支持企业业务的运作。在能力服务的运行过程中,本申请实施例可对能力服务的基础指标进行实时或者定时采集,采集的基础指标可以存储在指标数据库110中。通过不断的对能力服务的基础指标进行采集,指标数据库110中存储的可以是带有时序属性的多种基础指标,例如多种基础指标在时域的指标特征。
在一个示例中,以指标数据库存储基础指标1至基础指标n为例(n为基础指标的种类数量,可根据具体情况而定,本申请实施例并不设限),针对其中的任一种基础指标,在时间t1至时间tm的m个时间分别采集基础指标后,则指标数据库中可存储该种基础指标在时间t1至时间tm分别对应的指标特征,比如基础指标1在时间t1至时间tm分别对应的指标值,基础指标2在时间t1至时间tm分别对应的指标值,以此推类,从而指标数据库针对任一种基础指标所存储的数据为时域的指标特征。作为可选实现,指标的指标特征可以是指标值,由于指标的指标特征可能随着时间动态变化,因此指标的指标特征可以是波动的。
服务器120可以为本申请实施例评估能力服务所使用的服务器设备,例如单一服务器或者多台服务器形成的服务器群组,服务器120可以与指标数据库110相通信,以便从指标数据库110中获取需评估的能力服务的基础指标,从而通过对基础指标进行处理,以实现评估能力服务。在一些实施例中,服务器120可以是中台对应的服务器,例如,中台在将企业业务抽象为能力服务并上线部署后,中台可实时或者定时对上线的能力服务进行评估。
作为可选实现,图2示例性的示出了本申请实施例提供的指标处理方法的可选流程图,通过图2所示方法流程,本申请实施例可对能力服务的基础指标进行精准处理,以准确的对能力服务进行综合性评估。图2所示方法流程可由服务器执行实现,参照图2,该方法流程可以包括如下步骤。
在步骤S210中,获取目标能力服务的多种基础指标在第一时间段的指标特征。
目标能力服务可以视为是本申请实施例需评估的能力服务,具体可根据中台需评估的能力服务情况而定,本申请实施例并不设限。在一个示例中,假设中台将企业业务抽象为购物车、订单等能力服务并上线部署,则本申请实施例可对购物车、订单等能力服务进行评估,此时,本申请实施例所指的目标能力服务可以是购物车、订单等能力服务中的任一项。
目标能力服务在上线部署后,目标能力服务运行的过程中将产生多种基础指标,各种基础指标的指标特征将随着时间推移不断的被采集,并存储到指标数据库中,从而指标数据库中将存储目标能力服务的各种基础指标的时序数据,包括目标能力服务的各种基础指标在各个时间的指标特征。在一些实施例中,目标能力服务的基础指标的种类可根据目标能力服务的具体情况而定,本申请实施例并不设限,作为一个示例,一个目标能力服务可能具有的基础指标例如:需求数、开发涉及应用数、开发工时、bug数、接口调用次数、能力服务调用次数、接口调用失败次数、CPU资源率等。
在对目标能力服务进行评估时,本申请实施例可从指标数据库中获取目标能力服务的各种基础指标的时序数据,包括目标能力服务的多种基础指标在第一时间段的指标特征。其中,第一时间段作为时间范围,则目标能力服务的多种基础指标在第一时间段的指标特征可以包括:目标能力服务的各种基础指标在第一时间段的各时间对应的指标特征。例如,目标能力服务的需求数、接口调用次数等各种基础指标在第一时间段的各时间对应的指标特征。
在一些实施例中,本申请实施例可定时对目标能力服务进行评估,例如,服务器可每隔设定时间段启动对目标能力服务的综合分析诊断,则第一时间段可以是当前的设定时间段。可选的,在距上一次评估目标能力服务的时间达到设定时间段后,服务器可再次评估目标能力服务,服务器再次评估目标能力服务的当前时间与上一次评估目标能力服务的时间对应的时间段,则为当前的第一时间段。例如,服务器在时间ta评估了一次目标能力服务,则在距时间ta的时间差达到设定时间段的时间tb,服务器可再评估一次目标能力服务,其中,时间ta至时间tb的时间段可称为当前的设定时间段,对应服务器当前对目标能力服务进行评估的第一时间段。
在另一些实施例中,第一时间段也可以是评估人员指定的时间段,例如评估人员可主动触发服务器对目标能力服务进行评估,并指定目标能力服务进行评估涉及的第一时间段,从而服务器可通过目标能力服务的基础指标在第一时间段的指标特征,进行目标能力服务的评估。
在步骤S211中,对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇。
服务器在从指标数据库获取到目标能力服务的多种基础指标在第一时间段的指标特征后,可对目标能力服务的多种基础指标进行指标关联挖掘,从而将相关联的基础指标在第一时间段的指标特征进行聚类,形成目标能力服务的一组或多组关联指标簇。
在一些实施例中,在进行指标关联挖掘时,本申请实施例可通过计算目标能力服务的基础指标之间的相关性分数,以通过基础指标之间的相关性分数,挖掘出目标能力服务相关联的基础指标。作为可选实现,在确定任意两种基础指标之间的相关性分数时,本申请实施例可通过该两种基础指标分别对应的变化率信息实现。在可能的实现中,变化率信息可以包括同比信息和环比信息;例如在获取到目标能力服务的多种基础指标在第一时间段的指标特征后,针对任一种基础指标,本申请实施例可计算基础指标的同比信息和环比信息,进而通过各种基础指标的同比信息和环比信息,确定出基础指标之间的相关性分数;基于基础指标之间的相关性分数,本申请实施例可将相关性较高的基础指标在第一时间段的指标特征进行聚类,形成关联指标簇。
在可能的实现中,目标能力服务相关联的基础指标可能存在多组,例如,从目标能力服务的多种基础指标中可能挖掘出多组相关联的基础指标(一组相关联的基础指标可以包括相关联的至少两种基础指标),从而一组相关联的基础指标在第一时间段的指标特征可进行聚类,形成一组关联指标簇。
在一个示例中,假设目标能力服务存在n种基础指标,分别为基础指标1至n,则在获取基础指标1至n在第一时间段的指标特征,并对基础指标1至n进行指标关联挖掘后,假设确定出s组相关联的基础指标,则本申请实施例可进一步形成s组关联指标簇,一组关联指标簇包括相关联的基础指标在第一时间段的指标特征的聚类结果。为便于理解,图3示例性的示出了指标关联挖掘和关联指标簇的示例图,如图3所示,在一个示例中,目标能力服务存在多种基础指标,分别为需求数、开发涉及应用数、bug数、开发工时、API(ApplicationProgramming Interface,应用程序接口)调用次数、API调用成功次数、目标能力服务调用次数和机器资源(例如CPU使用率等),则在获取这些多种基础指标在第一时间段的指标特征后,可对这些多种基础指标进行指标关联挖掘;假设指标关联挖掘结果为需求数、开发工时和目标能力服务调用次数相关联,目标能力服务调用次数和机器资源相关联,则需求数、开发工时和目标能力服务调用次数在第一时间段的指标特征可进行聚类,形成一组关联指标簇,目标能力服务调用次数和机器资源在第一时间段的指标特征可进行聚类,形成一组关联指标簇,从而得到多组关联指标簇。
在步骤S212中,确定各组关联指标簇在第一时间段的指标特征变化趋势。
在步骤S213中,判断所述至少一组关联指标簇中是否存在指标特征变化趋势异常的异常关联指标簇,若否,执行步骤S214,若是,执行步骤S215。
在一些实施例中,服务器在确定至少一组关联指标簇后,针对各组关联指标簇,服务器可基于关联指标簇中相关联的基础指标在第一时间段的指标特征,分析关联指标簇在第一时间段的指标特征变化趋势。需要说明的是,在对一组关联指标簇分析指标特征变化趋势时,本申请实施例是结合该组关联指标簇中相关联的多种基础指标在第一时间段的指标特征实现。
在确定各组关联指标簇在第一时间段的指标特征变化趋势后,本申请实施例可确定各组关联指标簇在第一时间段的指标特征变化趋势是否异常,从而从目标能力服务的关联指标簇中识别出指标特征变化异常的异常关联指标簇。在可能的实现中,针对任一组关联指标簇,本申请实施例可将关联指标簇在第一时间段的指标特征变化趋势与历史指标特征变化趋势进行比对,以通过比对结果,判断关联指标簇是否为异常的异常关联指标簇。例如,针对任一组关联指标簇,本申请实施例可判断关联指标簇在第一时间段的指标特征变化趋势与历史指标特征变化趋势是否一致,不一致的关联指标簇则为异常关联指标簇。异常关联指标簇的组数可能是一组或多组。
在一些实施例中,本申请实施例在每隔设定时间段评估目标能力服务时,可每隔设定时间段确定出各组关联指标簇的指标特征变化趋势,从而本申请实施例在第一时间段评估目标能力服务时,针对任一组关联指标簇,可将关联指标簇在第一时间段的指标特征变化趋势与历史设定时间段的指标特征变化趋势进行比对,以确定关联指标簇的指标特征变化趋势与历史指标特征变化趋势是否一致。也就是说,在可能的实现中,针对任一组关联指标簇,关联指标簇的历史指标特征变化趋势可以是关联指标簇在历史设定时间段的指标特征变化趋势。
步骤S213可以视为是关联指标簇的指标异常检测过程,用于判断关联指标簇中是否存在指标特征异常变化的异常关联指标簇。当目标能力服务不存在异常关联指标簇时,本申请实施例可确定目标能力服务的评估结果未变化,可执行步骤S214,结束流程;当目标能力服务的关联指标簇中存在异常关联指标簇时,本申请实施例可执行步骤S215,以基于异常关联指标簇,在异常关联指标簇对应的评估维度,重新评估目标能力服务。
在步骤S214中,结束流程。
步骤S213的判断结果为否,说明从所有关联指标簇的指标特征变化情况来看,目标能力服务的运行情况未变化,本申请实施例可不对目标能力服务进行重新评估(例如,保持目标能力服务已有的评估结果),结束流程。
在步骤S215中,根据所述异常关联指标簇在第一时间段的指标特征变化趋势,在所述异常关联指标簇对应的评估维度,确定目标能力服务的评估结果。
当步骤S213的判断结果为是,说明目标能力服务中存在第一时间段的指标特征相比于历史时间段存在明显变化的异常关联指标簇,这可能是目标能力服务的运行情况发生了变化,因此本申请实施例需在异常关联指标簇的评估维度,对目标能力服务进行重新评估,以得出目标能力服务在异常关联指标簇对应的评估维度的评估结果。在一些实施例中,目标能力服务的一组关联指标簇可以对应目标能力服务的一个评估维度,基于目标能力服务的多个关联指标簇,本申请实施例可以具有对目标能力服务进行评估的多个评估维度,从而为全面综合性的评估目标能力服务提供支持。
需要说明的是,在可能的替代实现中,图2所示步骤S213并不必须执行,例如本申请实施例在确定各组关联指标簇在第一时间段的指标特征变化趋势后,可分别根据各组关联指标簇在第一时间段的指标特征变化趋势,在各组关联指标簇对应的评估维度,确定目标能力服务的评估结果,从而得出目标能力服务在多组关联指标簇对应的多个评估维度的综合性评估结果。也就是说,在可能的替代实现中,本申请实施例并不需要判断目标能力服务的关联指标簇中是否存在异常关联指标簇,而是直接基于各组关联指标簇的指标特征变化趋势,分别评估目标能力服务。基于一组关联指标簇的指标特征变化趋势,确定目标能力服务在相应评估维度的评估结果的实现过程,可参照前文相应部分描述,此处不再赘述。
本申请实施例提供的指标处理方法在评估目标能力服务时,可获取目标能力服务的多种基础指标在第一时间段的指标特征,对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇;通过上述处理,本申请实施例可梳理目标能力服务的基础指标类别,并通过指标关联挖掘,将目标能力服务相关联的基础指标进行自动化组合,形成用于评估目标能力服务的至少一组关联指标簇;进而,本申请实施例可根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果。在本申请实施例中,一组关联指标簇可对应目标能力服务的一个评估维度,从而通过自动化组合的一组或多组的关联指标簇,本申请实施例可在一个或多个评估维度进行目标能力服务的评估,以得出目标能力服务的综合性评估结果。本申请实施例提供的指标处理方法,可对目标能力服务的多种基础指标进行指标关联挖掘,以将相关联的基础指标聚类为关联指标簇,从而通过关联指标簇在一个或多个评估维度,对目标能力服务进行评估,实现自动化、综合性的评估目标能力服务。可见,本申请实施例可通过对目标能力服务的基础指标进行精准的指标处理,实现聚类相关联的基础指标,并在此基础上,实现对目标能力服务进行精准的综合性评估。
在一些实施例中,本申请实施例可基于目标能力服务的基础指标在第一时间段的各时间的指标特征与历史相同时间的指标特征,确定基础指标的变化率信息,从而基于基础指标的变化率信息,确定基础指标之间的相关性分数,以实现对基础指标进行指标关联挖掘。作为可选实现,图4示例性的示出了本申请实施例提供的指标关联挖掘的可选方法流程图,参照图4,该方法流程可以包括如下步骤。
在步骤S410中,针对目标能力服务的任一种基础指标,根据基础指标在第一时间段的指标特征,确定基础指标的变化率信息。
在一些实施例中,在获取目标能力服务的多种基础指标在第一时间段的指标特征后,基于第一时间段为一个时间范围,因此第一时间段内存在多个时间。针对目标能力服务的任一种基础指标,本申请实施例可根据基础指标在第一时间段的各个时间的指标特征与历史相同时间的指标特征,计算变化率,以基于计算的变化率,确定基础指标的变化率信息。作为可选实现,基于基础指标在一个时间的指标特征与历史相同时间的指标特征计算变化率的方式可以是:(基础指标在一个时间的指标特征-历史相同时间的指标特征)/历史相同时间的指标特征。在进一步可选实现中,针对任一种基础指标在第一时间段的多个时间,本申请实施例可分别计算基础指标在各时间与历史相同时间的指标特征的变化率,从而得到基础指标在多个时间的变化率,进而基于基础指标在多个时间的变化率信息确定基础指标的变化率信息。目标能力服务的多种基础指标均进行上述处理,则可得到目标能力服务的各种基础指标的变化率信息。
在一些实施例中,所述变化率信息可以包括同比信息和环比信息,针对目能力服务的任一种基础指标,本申请实施例可计算基础指标的同比信息和环比信息,以得到基础指标的变化率信息。也就是说,在本实施例中,一种基础指标的变化率信息可以包括该基础指标的同比信息和环比信息,同比信息和环比信息需要分别计算。
作为可选实现,针对目标能力服务的任一种基础指标,本申请实施例可根据基础指标在第一时间段的各时间的指标特征与前一天相同时间的指标特征,确定基础指标在第一时间段的各时间的同比信息,以根据基础指标在第一时间段的各时间的同比信息,确定基础指标的同比信息。例如,一种基础指标在一个时间的同比信息的计算方式可以是:(基础指标在一个时间的指标-基础指标前一天相同时间的指标特征)/基础指标前一天相同时间的指标特征。一种基础指标在第一时间段的各个时间的指标特征,可分别按照上述计算方式计算同比信息,从而一种基础指标在第一时间段的各个时间的同比信息,可至少形成基础指标在第一时间段的同比信息。
作为可选实现,针对目标能力服务的任一种基础指标,本申请实施例可根据基础指标在第一时间段的各时间的指标特征与上一周相同时间的指标特征,确定基础指标在第一时间段的各时间的环比信息,以根据基础指标在第一时间段的各时间的环比信息,确定基础指标的环比信息。例如,一种基础指标在一个时间的环比信息的计算方式可以是:(基础指标在一个时间的指标-基础指标前一周相同时间的指标特征)/基础指标前一周相同时间的指标特征;一种基础指标在第一时间段的各个时间的指标特征,可分别按照上述计算方式计算环比信息,从而一种基础指标在第一时间段的各个时间的环比信息,可至少形成基础指标在第一时间段的环比信息。
可以看出,在本实施例中,基础指标在一个时间的同比信息是以一天为间距进行计算,基础指标在一个时间的环比信息是以一周为间距进行计算,当然,同比信息和环比信息并不一定严格按照一天和一周为间距进行计算,本申请实施例也可根据实际需求,设置计算同比信息和环比信息分别对应的时间间距。
需要说明的是,基础指标的指标特征可以视为是基础指标在时域上的特征,基于基础指标在第一时间段的指标特征所计算的变化率信息,可以认为是基础指标在时域的变化率信息。进一步的,为更为准确的计算基础指标的变化率信息,本申请实施例除考虑基础指标在时域上的特征外,还可进一步考虑基础指标在频域上的特征,从而在计算基础指标的变化率信息时,同时计算基础指标在时域的变化率信息和在频域的变化率信息,后文将对此展开说明。
在步骤S411中,根据目标能力服务的各种基础指标的变化率信息,确定目标能力服务的基础指标之间的相关性分数。
在通过步骤S410得到目标能力服务的各种基础指标的变化率信息后,本申请实施例可进一步计算基础指标之间的相关性分数,例如目标能力服务的两两基础指标之间的相关性分数。在一些实施例中,针对目标能力服务的任意两种基础指标,本申请实施例可基于皮尔逊相关系数以及该任意两种基础指标的变化率信息,计算得到该任意两种基础指标的相关性分数。需要说明的是,在统计学中,皮尔逊相关系数又称皮尔逊积矩相关系数,用于度量两个变量之间的相关性。
作为可选实现,在基础指标的变化率信息包括基础指标的同比信息和环比信息的情况下,针对目标能力服务的任意两种基础指标,本申请实施例可基于皮尔逊相关系数以及该任意两种基础指标的同比信息,计算得到该任意两种基础指标的同比相关性分数;同时,基于皮尔逊相关系数以及该任意两种基础指标的环比信息,计算得到该任意两种基础指标的环比相关性分数,从而基于该任意两种基础指标的同比相关性分数和环比相关性分数,确定出该任意两种基础指标的相关性分数。也就是说,在本实施例中,基础指标之间的相关性分数需要在同比信息和环比信息的层面进行分别计算。
在进一步的可选实现中,基础指标之间的相关性分数除时域外,还可考虑频域,例如,在时域上,基础指标之间的相关性分数可在同比信息和环比信息的层面分别计算,在频域上,基础指标之间的相关性分数可在同比信息和环比信息的层面分别计算。
需要说明的是,相关性分数是针对目标能力服务的任意两种基础指标而言,也就是说,本申请实施例需分别针对目标能力服务的任意两种基础指标计算相关性分数,从而在目标能力服务的任意两种基础指标形成多对基础指标的指标对的情况下,本申请实施例可计算得到多组相关性分数,一组相关性分数表示两种基础指标之间的相关性分数。
在步骤S412中,根据基础指标之间的相关性分数,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成至少一组关联指标簇。
在得到目标能力服务的两两基础指标之间的相关性分数后,本申请实施例可基于基础指标之间的相关性分数,将相关联的基础指标的指标特征进行聚类,形成目标能力服务的关联指标簇。
作为可选实现,本申请实施例可采用KNN(K-NearestNeighbor,K最邻近分类算法)算法,基于基础指标之间的相关性分数,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成关联指标簇。
在其他可能的实现中,本申请实施例可设定相关性分数阈值,基础指标之间的相关性分数高于相关性分数阈值,则视为基础指标之间存在相关联的关系,从而本申请实施例可将相关性分数高于相关性分数阈值的多种基础指标,确定为相关联的基础指标,将相关联的基础指标在第一时间段的指标特征进行聚类,形成关联指标簇。
在进一步的说明中,假设X和Y为能力服务的两种基础指标,则基础指标X和Y在第一时间段的指标特征为时序数据的形式,即基础指标X在第一时间段的各时间的指标特征形成基础指标X在时域的特征序列,基础指标Y在第一时间段的各时间的指标特征形成基础指标Y在时域的特征序列,假设X的特征序列和Y的特征序列相关联,即X的指标特征在时间上波动的特征序列与Y的指标特征在时间上波动的特征序列是相关联的;此时,若使用FP-growth、Apriori等关联挖掘算法进行相关联指标的挖掘,则由于这些关联挖掘算法不适用于带有时序数据的相关性挖掘,同时由于本申请实施例的能力服务(也称商业能力)在指标上涉及多个场景,例如存在机器指标的类型、业务指标的类型等,因此这些关联挖掘算法在计算指标之间的相关性时会存在以下难点:
难点1,能力服务涉及的指标类型繁多,并且存在周期性,趋势等各种时序情况,因此指标波动较难衡量;
难点2,各种指标的指标特征在时序上的波动范围不一致,无法直接衡量相关性;
难点3,不同指标的指标特征的采样频率可能不一致,导致不同指标的时序不同,比如接口失败调用次数的采样频率,与CPU耗时等机器资源的采样频率并不一致,无法使用Pearson等相关性计算方法;Pearson相关系数是用来衡量两个数据集合是否在一条线上面,它用来衡量定距变量间的线性关系;
难点4,不同指标的指标特征的波动存在时序偏移问题,例如CPU使用率的指标特征波动上升,但接口调用失败次数的指标特征波动下降,当这两种指标的指标特征的波动不发生在同一时间时,会存在一个时间偏移,且时间偏移的数值是未知,这对于指标之间的相关性计算的影响较大。
需要说明的是,FP-Growth算法是一种关联分析算法,它采取如下分治策略:将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree),但仍保留项集关联信息。Apriori算法是一种关联规则挖掘算法,它利用逐层搜索的迭代方法找出数据库中项集的关系,以形成规则,其过程由连接(类矩阵运算)与剪枝(去掉那些没必要的中间结果)组成。
为进一步解决上述问题,本申请实施例在进行指标关联挖掘时进一步提供改进方案,通过定义指标在时域和频域的波动特征(例如指标在时序的指标特征和在频域的频域特征),将目标能力服务的基础指标在时域的指标特征转化为基础指标在频域的频域特征,进而在时域和频域上,分别计算指标的变化率信息(例如同比信息和环比信息),从而结合基础指标在时域和频域的变化率信息,进行基础指标之间的相关性分析,以实现关联指标的挖掘。
在本申请实施例的进一步可选实现方式中,图5示例性的示出了本申请实施例进行指标关联挖掘的过程示例图,如图5所示,本申请实施例的指标关联挖掘过程可以包括如下阶段:预处理阶段510、指标对组合阶段520、特征抽取阶段530、相关性计算阶段540、聚类阶段550。
在预处理阶段510,本申请实施例在获取目标能力服务的多种基础指标在第一时间段的指标特征后,可对各种基础指标的指标特征进行预处理,例如针对在第一时间段的任意时间缺失指标特征的基础指标进行缺失值填充、将指标特征的数值进行归一化处理等。
在指标对组合阶段520,本申请实施例在获取目标能力服务的多种基础指标在第一时间段的指标特征后,可将目标能力服务的任意两种基础指标进行两两组合,从而形成多对指标对,一对指标对可以包括两种基础指标的组合。例如,目标能力服务具有基础指标1至n,则本申请实施例可将基础指标1和2进行组合、基础指标1和3进行组合、基础指标2和3进行组合,以此类推,从而任意两种不同的基础指标,可形成一对指标对。
在特征抽取阶段530,针对任一对指标对,本申请实施例可将指标对中各种基础指标在时域的指标特征转换为在频域的指标特征(基础指标在时域的指标特征可以是指标数据库中采集存储的指标值),然后计算指标对中的各种基础指标分别在时域和频域的变化率信息(例如同比信息和环比信息),以实现对指标对中的基础指标进行时域和频域层面的特征抽取。
作为可选实现,图6示例性的示出了本申请实施例进行特征抽取的可选方法流程图,如图6所示,该方法流程可以包括如下步骤。
在步骤S610中,针对任一对指标对,将指标对中各种基础指标在第一时间段的指标特征转换为频域特征。
在步骤S611中,确定指标对中各种基础指标的指标特征的变化率信息,以及指标对中各种基础指标的频域特征的变化率信息。
本申请实施例在将任意两种基础指标分别进行组合,形成多个指标对后,本申请实施例可以指标对为单位,计算指标对中各种基础指标的指标特征的变化率信息。为便于后续在计算相关性时,能够结合基础指标的频域信息,本申请实施例可同时将指标对中各种基础指标的指标特征转换为频域特征,例如基础指标的指标特征可以视为是基础指标的时域特征,本申请实施例可通过SR谱残法等时域至频域的转换方法,将基础指标的指标特征转换为频域特征。基础指标的频域特征可以视为是基础指标的各时间点的指标值在频域上对应的数值。在将指标对中各种基础指标的指标特征转换为频域特征后,本申请实施例可计算指标对中各种基础指标的频域特征的变化率信息。此时,基础指标的变化率信息除包括基础指标的指标特征的变化率信息外,还包括基础指标的频域特征的变化率信息,即基础指标的变化率信息包括:基础指标在时域的变化率信息和在频域的变化率信息。
作为可选实现,本申请实施例所指的变化率信息可以包括同比信息和/或环比信息。针对一种基础指标在时域层面计算同比信息和/或环比信息的方式可参照前文相应部分的描述,基础指标在频域层面计算同比信息和/或环比信息的方式,可同理参照。
在确定出指标对中各种基础指标的指标特征和频域特征的变化率信息后,本申请实施例可实现对指标对中的基础指标进行特征抽取。
回到图5所示,在相关性计算阶段540中,本申请实施例针对任一对指标对,可根据指标对中各种基础指标的指标特征的变化率信息(即指标对中各种基础指标在时域的变化率信息),计算指标对在时域的相关性分数,以及,根据指标对中各种基础指标的频域特征的变化率信息(即指标对中各种基础指标在频域的变化率信息),计算指标对在频域的相关性分数;进而,通过指标对在时域和频域的相关性分数,确定出指标对的相关性分数。指标对的相关性分数可以表达指标对中的基础指标之间的相关性分数。
本申请实施例抽取出指标对中基础指标的指标特征的变化率信息,和频域特征的变化率信息后,基于基础指标的指标特征为时域层面的特征,本申请实施例可基于指标对中各种基础指标的指标特征的变化率信息,确定出指标对在时域的相关性分数。在一些实施例中,本申请实施例可对指标对中的各种基础指标的指标特征的变化率信息,进行基于滑窗的DTW(Dynamic Time Warping,动态时间规整)处理(可进一步结合皮尔逊相关系数),从而确定出指标对在时域的相关性分数。需要说明的是,DTW是衡量两个时序数据距离的一种度量,兼顾到了时序映射不是一一对应的情况。
作为可选实现,针对任一对指标对,本申请实施例可通过滑窗对各种基础指标在时域的变化率信息分别进行分割,从而得到各种基础指标滑窗后的子序列信息,进而对各种基础指标滑窗后的子序列信息进行DTW处理,交叉计算出指标对中的基础指标在时域的相关性分数。
同时,本申请实施例可基于指标对中各种基础指标的频域特征的变化率信息,确定出指标对在频域的相关性分数。在一些实施例中,本申请实施例也可结合基于滑窗的DTW方式,确定出基础指标在频域的相关性分数。例如,将指标对中各种基础指标的频域特征的变化率信息,进行基于滑窗的DTW处理(可进一步结合皮尔逊相关系数),从而确定出指标对在频域的相关性分数。
作为可选实现,在得到指标对在时域和频域的相关性分数后,本申请实施例可取指标对在时域和频域的相关性分数中的最大值,以得到指标对的相关性分数。
为便于理解,下面以一个指标对包括指标A和指标B,且指标A在第一时间段包括两个时间点的指标特征A11和A12,指标B在第一时间段包括两个时间点的指标特征B11和B12为例,结合指标关联挖掘的伪代码对本申请实施例实现指标关联挖掘的可选示例进行介绍。
通过SR谱残法,将指标A和指标B的指标特征分别转换为频域特征,得到指标A的频域特征A21和A22、以及指标B的频域特征B21和B22;A21可以是A11对应转换后的频域特征,A22可以是A12对应转换后的频域特征,B21可以是B11对应转换后的频域特征,B22可以是B12对应转换后的频域特征。
对指标A和B的指标特征和频域特征分别进行z-score的归一化,伪代码例如:ASet.append(ZScore(A11,A12,A21,A22)),BSet.append(ZScore(B11,B12,B21,B22))。
分别计算指标A和B的指标特征的同比信息和环比信息,伪代码例如:A11,A12,B11,B12=cal_diff(A,B);分别计算指标A和B的频域特征的同比信息和环比信息,伪代码例如:A21,A22,B21,B22=cal_diff(SR(A),SR(B));
基于滑窗的DTW计算相关性,假设指标A的A11和A12的同比信息形成一个同比的波动序列a,指标B的B11和B12的同比信息形成一个同比的波动序列b,则可对每条波动序列计算相关性;具体如下:
滑窗分割波动序列a,伪代码例如:a_sub_set=sliding_window(a);
滑窗分割波动序列b,伪代码例如:b_sub_set=sliding_window(b);
基于滑窗后的子序列信息,通过DTW交叉计算a和b的相关性分数,伪代码例如:
score=avg(dtw_cross_correlation(a_sub_set,b_sub_set)),
scores.append(score)。
进一步的,指标A和B的指标特征在环比信息的相关性分数计算可同理实现;指标A和B的频域特征在同比信息和环比信息的相关性分数计算可同理实现。
从指标A和B的指标特征在同比信息和环比信息的相关性分数,以及指标A和B的频域特征在同比信息和环比信息的相关性分数中取最大值,作为指标A和B之间的相关性分数;伪代码例如:score_AB=max(scores)。
本申请实施例通过基础指标在时域和频域的同比信息和环比信息,来衡量基础指标的波动性,而同、环比是较为简洁的去除周期性、趋势等各种时序情况的方式;另外,将时序的指标特征转换到频域的频域特征后,能够更好的显示出指标的波动性,因此基于同比、环比信息的使用,以及指标特征到频域特征的转换,本申请实施例可以较为准确的衡量指标波动;另外,通过基于滑窗的DTW方式,本申请实施例能够解决指标的时序偏移问题,在将指标的变化率的波动序列经过滑窗滑动切割为子序列信息后,去做DTW相似性计算,能够准确的计算出指标之间的相关性。需要说明的是,DTW可用于不等长的时序相似度计算,在应对长时序的时候,效果偏差,因此本申请实施例在DTW算法基础上结合滑窗方式,基于滑窗后的子序列信息进行DTW处理,能够减少DTW的计算量,还可使得相关性计算的效果提升。可选的,时序在对应不同频率时,可对应不同的滑窗参数,不同的滑窗参数可决定滑窗后的子序列信息的长度。
回到图5所示,在聚类阶段550中,本申请实施例在确定指标对的相关性分数后,可得出目标能力服务中任意两种基础指标之间的相关性分数,从而通过KNN等方式,将相关联的基础指标在第一时间段的指标特征进行聚类,形成关联指标簇。基于关联指标簇,本申请实施例可直接确定关联指标簇对应的目标能力服务的评估结果,也可以在关联指标簇为异常关联指标簇时,为异常关联指标簇确定对应的目标能力服务的评估结果。
在一些实施例中,本申请实施例可预先定义目标能力服务的各组关联指标簇的评估规则,一组关联指标簇的评估规则可以在一个评估维度,描述该组关联指标簇的指标特征变化趋势,与目标能力服务的变化情况的映射关系。在可能的实现中,针对任一组关联指标簇,本申请实施例可预先定义关联指标簇的指标特征变化趋势,与目标能力服务的变化情况的映射关系,从而本申请实施例在基于一组关联指标簇在第一时间段的指标特征变化趋势,评估目标能力服务时,可基于该组关联指标簇的映射关系,评估出目标能力服务在该组关联指标簇对应的评估维度的变化情况,以实现对目标能力服务的评估;进而,在使用多组关联指标簇评估目标能力服务时,本申请实施例可在多组关联指标簇对应的多个评估维度,对目标能力服务进行综合性的评估。
作为可选实现,所述评估规则可以是文案规则,用于描述上述映射关系。该文案规则可以设置于中台,也称为中台研发方法论,用于描述关联指标簇、评估维度、关联指标簇的指标特征变化趋势以及目标能力服务的变化情况。在一个示例中,图7示例性的示出了评估规则的示例可进行参照。
作为一个示例,在图3示例基础上,图8示例性的示出了本申请实施例进行指标处理的示例图,如图8所示,本申请实施例在将目标能力服务的多种基础指标进行指标关联挖掘后,可得到需求数、开发工时和目标能力服务调用次数的关联指标簇,以及目标能力服务调用次数和机器资源的关联指标簇。针对需求数、开发工时和目标能力服务调用次数的关联指标簇,该关联指标簇可以对应目标能力服务复用度的评估维度,即通过该关联指标簇中需求数、开发工时和目标能力服务调用次数在第一时间段的指标特征变化趋势,本申请实施例可基于关联指标簇的指标特征变化趋势与目标能力服务复用度的变化情况的映射关系,从目标能力服务的复用度的维度,对目标能力服务进行评估;例如,第一时间段的需求数增加、开发工时减少、目标能力服务调用次数增加,则可评估目标能力服务在第一时间段的复用度提升。
针对目标能力服务调用次数和机器资源的关联指标簇,该关联指标簇可以对应目标能力服务的性能的评估维度,即通过该关联指标簇中目标能力服务调用次数和机器资源在第一时间段的指标特征变化趋势,本申请实施例可基于关联指标簇的指标特征变化趋势与目标能力服务的性能变化情况的映射关系,从目标能力服务的性能的维度,对目标能力服务进行评估;例如,第一时间段的目标能力服务调用次数增加,但机器资源降低,则可评估目标能力服务在第一时间段的性能提升。
本申请实施例在对中台的能力服务进行评估时,可对能力服务的多种基础指标进行指标关联挖掘,可在挖掘后的关联指标簇的基础上,通过不同的关联指标簇,在不同的评估维度对能力服务进行评估,并且评估时引入中台研发方法论,可得出能力服务直观的综合性评估结果。进一步的,由于能力服务的分析会涉及较多的指标类型,例如机器指标、运营指标、业务指标、研发指标等,因此本申请实施例通过将指标的指标特征转换为频域特征,并分别对指标在时域的指标特征和在频域的频域特征,进行基于滑动窗口的DTW处理,来进行相关性分析,能够提高指标关联挖掘的准确性。本申请实施例可通过对目标能力服务的基础指标进行精准的指标处理,以实现聚类相关联的基础指标,并在此基础上,实现对目标能力服务进行精准的综合性评估。
下面对本申请实施例提供的指标处理装置进行介绍,下文描述的装置内容可以认为是服务器为实现本申请实施例提供的指标处理方法,所需设置的功能模块。下文描述的装置内容可与上文描述的方法内容相互对应参照。
作为可选实现,图9示例性的示出了本申请实施例提供的指标处理装置的可选框图,该装置可应用于服务器,参照图9,该装置可以包括:
指标特征获取模块910,用于获取目标能力服务的多种基础指标在第一时间段的指标特征;
指标挖掘以及聚类模块911,用于对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇;其中,一组关联指标簇对应目标能力服务的一个评估维度;
评估确定模块912,用于根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果。
在一些实施例中,指标挖掘以及聚类模块911,用于对所述多种基础指标进行指标关联挖掘包括:
针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的变化率信息;
根据目标能力服务的各种基础指标的变化率信息,确定目标能力服务的基础指标之间的相关性分数。
在一些实施例中,指标挖掘以及聚类模块911,用于将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇包括:
根据基础指标之间的相关性分数,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成至少一组关联指标簇。
在一些实施例中,所述指标特征为基础指标在时域上的特征;所述基础指标的变化率信息包括:基础指标在时域的变化率信息和在频域的变化率信息。所述装置还可用于:针对目标能力服务的任一种基础指标,将所述基础指标在第一时间段的指标特征转换为频域特征。
在一些实施例中,指标挖掘以及聚类模块911,用于针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的变化率信息包括:
针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的指标特征的变化率信息,以得到所述基础指标在时域的变化率信息;以及,根据所述基础指标在第一时间段的频域特征,确定所述基础指标的频域特征的变化率信息,以得到所述基础指标在频域的变化率信息。
在一些实施例中,所述目标能力服务的任意两种基础指标形成一对指标对,以形成所述目标能力服务的至少一对指标对。在此基础上,指标挖掘以及聚类模块911,用于根据目标能力服务的各种基础指标的变化率信息,确定目标能力服务的基础指标之间的相关性分数包括:
针对任一对指标对,基于所述指标对中各种基础指标在时域的变化率信息,确定所述指标对在时域的相关性分数,以及,基于所述指标对中各种基础指标在频域的变化率信息,确定所述指标对在频域的相关性分数;
根据所述指标对在时域的相关性分数和在频域的相关性分数,确定所述指标对的相关性分数,其中,一对指标对的相关性分数表示该指标对中的基础指标之间的相关性分数。
在一些实施例中,指标挖掘以及聚类模块911,用于基于所述指标对中各种基础指标在时域的变化率信息,确定所述指标对在时域的相关性分数包括:
对所述指标对中各种基础指标在时域的变化率信息,分别进行基于滑窗的DTW处理,以确定出所述指标对在时域的相关性分数。
在一些实施例中,指标挖掘以及聚类模块911,用于针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的指标特征的变化率信息包括:
针对目标能力服务的任一种基础指标,将所述基础指标在第一时间段的各个时间的指标特征与历史相同时间的指标特征计算变化率,以得到所述基础指标的指标特征的变化率信息。
在一些实施例中,所述变化率信息包括同比信息和环比信息。
指标挖掘以及聚类模块911,用于根据基础指标之间的相关性分数,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成至少一组关联指标簇包括:
基于基础指标之间的相关性分数,采用KNN算法,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成所述至少一组关联指标簇。
在一些实施例中,评估确定模块912,用于根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果包括:
确定各组关联指标簇在第一时间段的指标特征变化趋势;
若所述至少一组关联指标簇中存在指标特征变化趋势异常的异常关联指标簇,根据所述异常关联指标簇在第一时间段的指标特征变化趋势,在所述异常关联指标簇对应的评估维度,确定目标能力服务的评估结果。
在一些实施例中,评估确定模块912,用于根据所述异常关联指标簇在第一时间段的指标特征变化趋势,在所述异常关联指标簇对应的评估维度,确定目标能力服务的评估结果包括:
从预先定义的目标能力服务的各组关联指标簇的评估规则中,获取所述异常关联指标簇的评估规则,其中,一组关联指标簇的评估规则用于在一个评估维度,描述所述关联指标簇的指标特征变化趋势,与目标能力服务的变化情况的映射关系;
根据所述异常关联指标簇的评估规则,确定所述异常关联指标簇在第一时间段的指标特征变化趋势所对应的目标能力服务的变化情况,以在所述异常关联指标簇对应的评估维度,得到目标能力服务的评估结果。
本申请实施例还提供一种服务器,该服务器可以通过设置本申请实施例提供的指标处理装置,以实现本申请实施例提供的指标处理方法。作为可选实现,图10示例性的示出了本申请实施例提供的服务器的可选框图,参照图10,该服务器可以包括:至少一个处理器01,至少一个通信接口02,至少一个存储器03和至少一个通信总线04。
在本申请实施例中,处理器01、通信接口02、存储器03、通信总线04的数量为至少一个,且处理器01、通信接口02、存储器03通过通信总线04完成相互间的通信。
可选的,通信接口02可以为用于进行网络通信的通信模块的接口。
可选的,处理器01可能是CPU,GPU(Graphics Processing Unit,图形处理器),NPU(嵌入式神经网络处理器),FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列),TPU(张量处理单元),AI芯片,特定集成电路ASIC(Application Specific IntegratedCircuit),或者是被配置成实施本申请实施例的一个或多个集成电路等。
存储器03可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatilememory),例如至少一个磁盘存储器。
其中,存储器03存储一条或多条计算机可执行指令,处理器01调用所述一条或多条计算机可执行指令,以执行本申请实施例提供的指标处理方法。
本申请实施例还提供一种存储介质,该存储介质可存储一条或多条计算机可执行指令,该一条或多条计算机可执行指令被执行时实现如本申请实施例提供的指标处理方法。
本申请实施例还提供一种计算机程序,该计算机程序被执行时实现如本申请实施例提供的指标处理方法。
上文描述了本申请实施例提供的多个实施例方案,各实施例方案介绍的各可选方式可在不冲突的情况下相互结合、交叉引用,从而延伸出多种可能的实施例方案,这些均可认为是本申请实施例披露、公开的实施例方案。
虽然本申请实施例披露如上,但本申请并非限定于此。任何本领域技术人员,在不脱离本申请的精神和范围内,均可作各种更动与修改,因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (12)
1.一种指标处理方法,其中,包括:
获取目标能力服务的多种基础指标在第一时间段的指标特征;
对所述多种基础指标进行指标关联挖掘,并将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇;其中,一组关联指标簇对应目标能力服务的一个评估维度;
根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果。
2.根据权利要求1所述的方法,其中,所述对所述多种基础指标进行指标关联挖掘包括:
针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的变化率信息;
根据目标能力服务的各种基础指标的变化率信息,确定目标能力服务的基础指标之间的相关性分数;
所述将相关联的基础指标在第一时间段的指标特征进行聚类,形成至少一组关联指标簇包括:
根据基础指标之间的相关性分数,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成至少一组关联指标簇。
3.根据权利要求2所述的方法,其中,所述指标特征为基础指标在时域上的特征;所述基础指标的变化率信息包括:基础指标在时域的变化率信息和在频域的变化率信息;所述方法还包括:针对目标能力服务的任一种基础指标,将所述基础指标在第一时间段的指标特征转换为频域特征;
所述针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的变化率信息包括:
针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的指标特征的变化率信息,以得到所述基础指标在时域的变化率信息;以及,根据所述基础指标在第一时间段的频域特征,确定所述基础指标的频域特征的变化率信息,以得到所述基础指标在频域的变化率信息。
4.根据权利要求3所述的方法,其中,所述目标能力服务的任意两种基础指标形成一对指标对,以形成所述目标能力服务的至少一对指标对;所述根据目标能力服务的各种基础指标的变化率信息,确定目标能力服务的基础指标之间的相关性分数包括:
针对任一对指标对,基于所述指标对中各种基础指标在时域的变化率信息,确定所述指标对在时域的相关性分数,以及,基于所述指标对中各种基础指标在频域的变化率信息,确定所述指标对在频域的相关性分数;
根据所述指标对在时域的相关性分数和在频域的相关性分数,确定所述指标对的相关性分数,其中,一对指标对的相关性分数表示该指标对中的基础指标之间的相关性分数。
5.根据权利要求4所述的方法,其中,所述基于所述指标对中各种基础指标在时域的变化率信息,确定所述指标对在时域的相关性分数包括:
对所述指标对中各种基础指标在时域的变化率信息,分别进行基于滑窗的动态时间规整DTW处理,以确定出所述指标对在时域的相关性分数。
6.根据权利要求3所述的方法,其中,所述针对目标能力服务的任一种基础指标,根据所述基础指标在第一时间段的指标特征,确定所述基础指标的指标特征的变化率信息包括:
针对目标能力服务的任一种基础指标,将所述基础指标在第一时间段的各个时间的指标特征与历史相同时间的指标特征计算变化率,以得到所述基础指标的指标特征的变化率信息。
7.根据权利要求2-6任一项所述的方法,其中,所述变化率信息包括同比信息和环比信息。
8.根据权利要求2所述的方法,其中,所述根据基础指标之间的相关性分数,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成至少一组关联指标簇包括:
基于基础指标之间的相关性分数,采用KNN算法,将相关联的基础指标在第一时间段的指标特征进行聚类,以形成所述至少一组关联指标簇。
9.根据权利要求1所述的方法,其中,所述根据所述至少一组关联指标簇,在至少一个评估维度,确定目标能力服务的评估结果包括:
确定各组关联指标簇在第一时间段的指标特征变化趋势;
若所述至少一组关联指标簇中存在指标特征变化趋势异常的异常关联指标簇,根据所述异常关联指标簇在第一时间段的指标特征变化趋势,在所述异常关联指标簇对应的评估维度,确定目标能力服务的评估结果。
10.根据权利要求9所述的方法,其中,所述根据所述异常关联指标簇在第一时间段的指标特征变化趋势,在所述异常关联指标簇对应的评估维度,确定目标能力服务的评估结果包括:
从预先定义的目标能力服务的各组关联指标簇的评估规则中,获取所述异常关联指标簇的评估规则,其中,一组关联指标簇的评估规则用于在一个评估维度,描述所述关联指标簇的指标特征变化趋势,与目标能力服务的变化情况的映射关系;
根据所述异常关联指标簇的评估规则,确定所述异常关联指标簇在第一时间段的指标特征变化趋势所对应的目标能力服务的变化情况,以在所述异常关联指标簇对应的评估维度,得到目标能力服务的评估结果。
11.一种服务器,其中,包括至少一个存储器和至少一个处理器,所述存储器存储一条或多条计算机可执行指令,所述处理器调用所述一条或多条计算机可执行指令,以执行如权利要求1-10任一项所述的指标处理方法。
12.一种存储介质,其中,所述存储介质存储一条或多条计算机可执行指令,所述一条或多条计算机可执行指令被执行时实现如权利要求1-10任一项所述的指标处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101838.4A CN114565226A (zh) | 2022-01-27 | 2022-01-27 | 一种指标处理方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210101838.4A CN114565226A (zh) | 2022-01-27 | 2022-01-27 | 一种指标处理方法、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565226A true CN114565226A (zh) | 2022-05-31 |
Family
ID=81713971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210101838.4A Pending CN114565226A (zh) | 2022-01-27 | 2022-01-27 | 一种指标处理方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565226A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086055A (zh) * | 2022-06-24 | 2022-09-20 | 电子科技大学 | 一种针对安卓移动设备加密恶意流量的检测装置及方法 |
CN116384841A (zh) * | 2023-05-31 | 2023-07-04 | 成都智慧企业发展研究院有限公司 | 一种企业数字化转型诊断评价方法及服务平台 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322510A1 (en) * | 2017-05-04 | 2018-11-08 | International Business Machines Corporation | Visualization and evaluation of capabilities and compliance for information technology platforms |
CN109862587A (zh) * | 2018-12-18 | 2019-06-07 | 中国移动通信集团云南有限公司 | 基于多特征时间序列与自编码器的移动网络质量评估方法 |
CN111934810A (zh) * | 2020-06-28 | 2020-11-13 | 广州市贝讯通信技术有限公司 | 小区干扰类型和干扰小区的确定方法及装置 |
CN113254250A (zh) * | 2021-06-16 | 2021-08-13 | 阿里云计算有限公司 | 数据库服务器异常成因检测方法、装置、设备和存储介质 |
CN113518011A (zh) * | 2021-09-10 | 2021-10-19 | 阿里云计算有限公司 | 异常检测方法和装置、电子设备及计算机可读存储介质 |
CN113780703A (zh) * | 2020-09-27 | 2021-12-10 | 北京京东振世信息技术有限公司 | 一种指标调整方法和装置 |
CN113852603A (zh) * | 2021-08-13 | 2021-12-28 | 京东科技信息技术有限公司 | 网络流量的异常检测方法、装置、电子设备和可读介质 |
CN113869801A (zh) * | 2021-11-30 | 2021-12-31 | 阿里云计算有限公司 | 一种企业数字中台的成熟状态评估方法和装置 |
-
2022
- 2022-01-27 CN CN202210101838.4A patent/CN114565226A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180322510A1 (en) * | 2017-05-04 | 2018-11-08 | International Business Machines Corporation | Visualization and evaluation of capabilities and compliance for information technology platforms |
CN109862587A (zh) * | 2018-12-18 | 2019-06-07 | 中国移动通信集团云南有限公司 | 基于多特征时间序列与自编码器的移动网络质量评估方法 |
CN111934810A (zh) * | 2020-06-28 | 2020-11-13 | 广州市贝讯通信技术有限公司 | 小区干扰类型和干扰小区的确定方法及装置 |
CN113780703A (zh) * | 2020-09-27 | 2021-12-10 | 北京京东振世信息技术有限公司 | 一种指标调整方法和装置 |
CN113254250A (zh) * | 2021-06-16 | 2021-08-13 | 阿里云计算有限公司 | 数据库服务器异常成因检测方法、装置、设备和存储介质 |
CN113852603A (zh) * | 2021-08-13 | 2021-12-28 | 京东科技信息技术有限公司 | 网络流量的异常检测方法、装置、电子设备和可读介质 |
CN113518011A (zh) * | 2021-09-10 | 2021-10-19 | 阿里云计算有限公司 | 异常检测方法和装置、电子设备及计算机可读存储介质 |
CN113869801A (zh) * | 2021-11-30 | 2021-12-31 | 阿里云计算有限公司 | 一种企业数字中台的成熟状态评估方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115086055A (zh) * | 2022-06-24 | 2022-09-20 | 电子科技大学 | 一种针对安卓移动设备加密恶意流量的检测装置及方法 |
CN116384841A (zh) * | 2023-05-31 | 2023-07-04 | 成都智慧企业发展研究院有限公司 | 一种企业数字化转型诊断评价方法及服务平台 |
CN116384841B (zh) * | 2023-05-31 | 2023-08-15 | 成都智慧企业发展研究院有限公司 | 一种企业数字化转型诊断评价方法及服务平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114565226A (zh) | 一种指标处理方法、服务器及存储介质 | |
CN111220889B (zh) | 晶圆测试数据处理方法及设备 | |
CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
CN111612038B (zh) | 异常用户检测方法及装置、存储介质、电子设备 | |
CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
US20060092954A1 (en) | Information processing system, information processing method, and computer readable medium | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
US9235463B2 (en) | Device and method for fault management of smart device | |
CN115174231A (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN111400126A (zh) | 网络服务异常数据检测方法、装置、设备和介质 | |
CN113723555A (zh) | 异常数据的检测方法及装置、存储介质、终端 | |
CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
CN108428138B (zh) | 一种基于客户分群的客户生存率分析装置及分析方法 | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及系统 | |
CN115221218A (zh) | 车辆数据的质量评估方法、装置、计算机设备和存储介质 | |
US20220091818A1 (en) | Data feature processing method and data feature processing apparatus | |
CN112632000B (zh) | 日志文件聚类方法、装置、电子设备和可读存储介质 | |
CN112612679A (zh) | 系统运行状态监控方法、装置、计算机设备和存储介质 | |
CN116975520A (zh) | Ab实验的可信度评估方法、装置、设备和存储介质 | |
CN115082135B (zh) | 一种在网时长差异识别方法、装置、设备及介质 | |
CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
CN114510405B (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
CN113946717A (zh) | 一种子图指标特征获得方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220531 |