CN114844762B - 告警真实性检测方法和装置 - Google Patents
告警真实性检测方法和装置 Download PDFInfo
- Publication number
- CN114844762B CN114844762B CN202210408929.2A CN202210408929A CN114844762B CN 114844762 B CN114844762 B CN 114844762B CN 202210408929 A CN202210408929 A CN 202210408929A CN 114844762 B CN114844762 B CN 114844762B
- Authority
- CN
- China
- Prior art keywords
- index data
- data
- monitoring index
- determining
- alarm
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 109
- 238000012544 monitoring process Methods 0.000 claims abstract description 253
- 230000000737 periodic effect Effects 0.000 claims description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 38
- 238000012423 maintenance Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
- H04L41/0622—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time based on time
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种告警真实性检测方法和装置。其中,该方法包括:获取预设时间段内的监控指标数据,其中,所述预设时间段至少包括与第一告警事件对应的告警发生时刻;根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,所述目标监控指标数据为所述告警发生时刻对应的监控指标数据;基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值;在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件。根据本申请实施例的告警真实性检测方法,能够提高告警真实性检测的准确性,提高运维效率。
Description
技术领域
本申请属于智能运维技术领域,尤其涉及一种告警真实性检测方法和装置。
背景技术
随着网络规模的不断扩大以及网络架构的日益复杂,各式各样的告警信息也越来越多。
一般情况下,当资产的指标数据超出设置好的指标阈值时,即输出告警。目前,此类告警规则均需要运维人员依据历史数据,总结经验规则后进行配置,告警的准确性较低。也就是说,在一些情况下,由于指标阈值设置的不合理,虽然输出了告警,但是资产没有产生异动,也就不需要对告警进行处理。
现有技术中,由于无法判断告警的真实性,为了避免遗漏,运维人员会对所有告警进行排查判断。在判断告警为真实告警时,对告警进行处理,花费时间较长。且由于人工对告警真实性检测的准确性较低,导致运维效率较低。
发明内容
本申请实施例提供了一种告警真实性检测方法、装置、设备、计算机可读存储介质及计算机程序产品,能够提高告警真实性检测的准确性,提高运维效率。
第一方面,本申请实施例提供了一种告警真实性检测方法,该方法包括:
获取预设时间段内的监控指标数据,其中,所述预设时间段至少包括与第一告警事件对应的告警发生时刻;
根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,所述目标监控指标数据为所述告警发生时刻对应的监控指标数据;
基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值;
在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件。
在一种可能的实现方式中,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
在所述监控指标数据中存在多于第一预设值的数据完全一致的情况下,将所述目标监控指标数据确定为平稳型指标数据;
或者,
在所述监控指标数据的标准差与所述监控指标数据的平均值的商小于第二预设值的情况下,将所述目标监控指标数据确定为平稳型指标数据;
或者,
对所述监控指标数据和所述监控指标数据所处时刻进行相关检验,得到显著程度;
在所述显著程度大于第三预设值的情况下,将所述目标监控指标数据确定为平稳型指标数据。
在一种可能的实现方式中,所述基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值,包括:
基于标准分数算法,计算所述目标监控指标数据对应的第一标准分数值,将所述第一标准分数值的绝对值作为所述偏离值;
所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述偏离值大于第四预设值的情况下,确定所述第一告警事件为真实告警事件。
在一种可能的实现方式中,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
获取第一时间段和第二时间段内的监控指标数据,其中,所述第一时间段和所述第二时间段均位于所述预设时间段之前;
计算所述第一时间段和第二时间段内的监控指标数据的平均值;
计算所述平均值与所述监控指标数据的误差率;
在所述误差率小于第五预设值的情况下,将所述目标监控指标数据确定为周期型指标数据。
在一种可能的实现方式中,所述基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值,包括:
基于指数加权移动平均算法,计算所述目标监控数据对应的指数加权移动平均值;
计算所述指数加权移动平均值对于所述目标监控指标数据的偏差率,将所述偏差率作为所述偏离值;
所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述偏离值大于第六预设值的情况下,确定所述第一告警事件为真实告警事件。
在一种可能的实现方式中,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
对所述监控指标数据进行一阶差分,得到一阶差分后的监控指标数据;
在所述一阶差分后的监控指标数据为平稳型指标数据的情况下,将所述目标监控指标数据确定为趋势型指标数据。
在一种可能的实现方式中,所述基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值,包括:
基于标准分数算法,计算所述一阶差分后的监控指标数据对应的第二标准分数值,将所述第二标准分数值的绝对值作为所述偏离值;
所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述偏离值大于所述第七预设值的情况下,确定所述第一告警事件为真实告警事件。
在一种可能的实现方式中,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
在所述目标监控指标数据不是平稳型指标数据、周期型指标数据或趋势型指标数据的情况下,将所述目标监控指标数据确定为不平稳、无周期型指标数据。
在一种可能的实现方式中,所述基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值,包括:
获取第三时间段、第四时间段和第五时间段内的监控指标数据,其中,所述第三时间段位于所述预设时间段内,所述第四时间段和所述第五时间段均位于所述预设时间段之前;
基于动态基线算法,计算所述第三时间段、第四时间段和第五时间段内的监控指标数据在t分布下的预设值置信区间;
所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述目标监控指标数据在所述预设值置信区间外的情况下,确定所述第一告警事件为真实告警事件。
第二方面,本申请实施例提供了一种告警真实性检测装置,该装置包括:
获取模块,用于获取预设时间段内的监控指标数据,其中,所述预设时间段至少包括与第一告警事件对应的告警发生时刻;
第一确定模块,用于根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,所述目标监控指标数据为所述告警发生时刻对应的监控指标数据;
第二确定模块,用于在确定目标监控指标数据的数据类型之后,基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值;
第三确定模块,用于在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件。
第三方面,本申请实施例提供了一种电子设备,该设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现上述第一方面中任一种可能的实现方法中的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机可读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上述第一方面中任一种可能的实现方法中的方法。
第五方面,本申请实施例提供了一种计算机程序产品,该计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行如上述第一方面中任一种可能的实现方法中的方法。
本申请实施例的告警真实性检测方法和装置,在计算目标监控指标数据偏离监控指标数据对应的平均值的偏离值的基础上,通过将处于预设范围内的偏离值对应的告警判定为真实告警,对告警的真实性进行了检测。如此,运维人员可以根据检测结果确定告警的真实性。相对于在接收到告警之后,运维人员对告警的真实性进行人工排查判断,能够提高运维效率。另外,通过针对不同的数据类型,定制个性化的检测方案,能够针对性地对目标监控指标数据进行检测。进而,能够提高告警真实性检测的准确性,进一步提高运维效率。
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真实性检测方法的流程示意图;
图2是本申请实施例提供的一种平稳型指标数据的示意图;
图3是本申请实施例提供的一种周期型指标数据的示意图;
图4是本申请实施例提供的一种趋势型指标数据的示意图;
图5是本申请实施例提供的一种不平稳、无周期型指标数据的示意图;
图6是本申请实施例提供的一种基于不平稳、无周期型指标数据的告警真实性检测的示意图;
图7是本申请实施例提供的一种告警真实性检测装置的流程示意图;
图8是本申请实施例提供的一种电子设备的流程示意图。
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。
如背景技术部分所述,为了解决现有技术问题,本申请实施例提供了一种告警真实性检测方法、装置、设备、计算机可读存储介质及计算机程序产品。
下面首先对本申请实施例所提供的告警真实性检测方法进行介绍。
图1示出了本申请实施例提供的一种告警真实性检测方法的流程示意图。如图1所示,本申请实施例提供的告警真实性检测方法包括以下步骤:
S110、获取预设时间段内的监控指标数据,其中,预设时间段至少包括与第一告警事件对应的告警发生时刻;
S120、根据监控指标数据的数据特征,确定目标监控指标数据的数据类型,目标监控指标数据为告警发生时刻对应的监控指标数据;
S130、基于与数据类型对应的检测方式,确定目标监控指标数据偏离监控指标数据对应的平均值的偏离值;
S140、在偏离值处于预设范围的情况下,确定第一告警事件为真实告警事件。
本申请实施例的告警真实性检测方法,在计算目标监控指标数据偏离监控指标数据对应的平均值的偏离值的基础上,通过将处于预设范围内的偏离值对应的告警判定为真实告警,对告警的真实性进行了检测。如此,运维人员可以根据检测结果确定告警的真实性。相对于在接收到告警之后,运维人员对告警的真实性进行人工排查判断,能够提高运维效率。另外,通过针对不同的数据类型,定制个性化的检测方案,能够针对性地对目标监控指标数据进行检测。进而,能够提高告警真实性检测的准确性,进一步提高运维效率。
下面介绍上述各个步骤的具体实现方式。
在一些实施方式中,在S110中,监控指标数据可以为资产在运行过程中产生的指标数据。其中,资产可以为网络设备、安全设备、虚拟设备等。该监控指标数据可以包括流量、吞吐量、温度、内存利用率、CPU利用率、频率中的至少一种。另外,预设时间段例如可以是一天,当然也可以是其它时间段,在此不做限定。
作为一种示例,在资产运行过程中产生的指标数据超出预设阈值的情况下,即可以输出告警信息。其中,告警信息可以对应第一告警事件。另外,监控指标数据可以为时序数据。也就是说,对告警事件进行告警真实性检测,实质上可以是对与告警事件相关联的时序数据进行异常点真实性检验。其中,对时序数据进行异常点真实性检验可以是判断在监控指标数据中,告警发生时刻的监控指标数据是否为异常点。如果该告警发生时刻的监控指标数据是异常点,则可以将第一告警事件确定为真实告警事件。
在一些实施方式中,在S120中,数据特征可以为随时间变化的数据特征。根据监控指标数据的数据特征,可以将目标监控指标数据的数据类型确定为平稳型指标数据、周期型指标数据、趋势型指标数据和不平稳、无周期型指标数据等。其中,如果监控指标数据的数据特征为随时间变化,数据波动程度小于预设值,无明显变化,则可以将目标监控数据的数据类型确定为平稳型指标数据;如果监控指标数据的数据特征为随时间变化,数据呈周期性变动,则可以将目标监控数据的数据类型确定为周期型指标数据;如果监控指标数据的数据特征为随时间变化,数据呈上升趋势或下降趋势,则可以将目标监控数据的数据类型确定为趋势型指标数据;如果监控指标数据的数据特征为随时间变化,数据无任何规律,则可以将目标监控数据的数据类型确定为不平稳、无周期型指标数据。
基于此,为了提高检测结果的准确性,在一些实施方式中,S120具体可以包括:
在监控指标数据中存在多于第一预设值的数据完全一致的情况下,将目标监控指标数据确定为平稳型指标数据;
或者,
在监控指标数据的标准差与监控指标数据的平均值的商小于第二预设值的情况下,将目标监控指标数据确定为平稳型指标数据;
或者,
对监控指标数据和监控指标数据所处时刻进行相关检验,得到显著程度;
在显著程度大于第三预设值的情况下,将目标监控指标数据确定为平稳型指标数据。
这里,第一预设值可以为75%。即如果在预设时间段内的监控指标数据中,存在75%及以上的数据完全一致,则可以将上述监控指标数据确定为平稳型指标数据。相应地,可以将目标监控数据确定为平稳型指标数据。
其次,第二预设值可以为5%。即如果将监控指标数据的标准差除以监控指标数据的平均值,得到的商小于5%,则可以将目标监控数据确定为平稳型指标数据。
另外,对监控指标数据和监控指标数据所处时刻进行相关检验的方法可以为肯德尔(Kendall)秩相关系法。基于此,第三预设值可以为0.05。即在显著程度大于0.05的情况下,可以将目标监控指标数据确定为平稳型指标数据。
平稳型指标数据的示意图可以如图2所示。在图2中,虚线代表第一告警事件发生当日,且对应告警发生时刻前3个小时的监控指标数据,实线代表第一告警事件发生昨日,且对应告警发生时刻前后3个小时的监控指标数据,点状线代表第一告警事件发生上周,且对应告警发生时刻前后3个小时的监控指标数据。由图2可知,随时间变化,平稳型指标数据几乎无变化,波动程度非常小。
这样,通过在监控指标数据的波动程度小于预设值的情况下,将目标监控数据确定为平稳型指标数据,能够以检测平稳型指标数据的方式检测该目标监控指标数据。由于检测方式具有针对性,进而,能够提高检测结果的准确性。
基于此,为了进一步提高检测结果的准确性,在一些实施方式中,S120具体还可以包括:
获取第一时间段和第二时间段内的监控指标数据,其中,第一时间段和第二时间段均位于预设时间段之前;
计算第一时间段和第二时间段内的监控指标数据的平均值;
计算平均值与监控指标数据的误差率;
在误差率小于第五预设值的情况下,将目标监控指标数据确定为周期型指标数据。
这里,预设时间段内的监控数据可以为第一告警事件发生之日的监控指标数据。第一时间段内的监控指标数据可以为第一告警事件发生昨日,且对应告警发生时刻前后5分钟的监控指标数据。第二时间段内的监控指标数据可以为第一告警事件发生前一周,且对应告警发生时刻前后5分钟的监控指标数据。
作为一种示例,计算平均值与监控指标数据的误差率的过程可以为在计算平均值与监控指标数据的差值的基础上,将差值除以监控指标数据,得到误差率。基于此,第五预设值可以为5%。即在误差率小于5%的情况下,可以将目标监控指标数据确定为周期型指标数据。
周期型指标数据的示意图可以如图3所示。在图3中,虚线代表第一告警事件发生当日,且告警发生时刻前3个小时的监控指标数据,实线代表第一告警事件发生昨日,且对应告警发生时刻前后3个小时的监控指标数据,点状线代表第一告警事件发生上周,且对应告警发生时刻前后3个小时的监控指标数据。在图3,如果将第一告警事件发生之日、昨日和上周的同一时间作为同一时期,则随时间变化,周期型指标数据在同一时期的变化趋势可以是相同的。
这样,通过在误差率小于第五预设值的情况下,将目标监控数据确定为周期型指标数据,能够以检测周期型指标数据的方式检测该目标监控指标数据。由于检测方式具有针对性,进而,能够进一步提高检测结果的准确性。
基于此,为了进一步提高检测结果的准确性,在一些实施方式中,S120具体还可以包括:
对监控指标数据进行一阶差分,得到一阶差分后的监控指标数据;
在一阶差分后的监控指标数据为平稳型指标数据的情况下,将目标监控指标数据确定为趋势型指标数据。
这里,趋势型指标数据可以为上升型的趋势型指标数据和下降型的趋势型指标数据。
作为一种示例,判断一阶差分后的监控指标数据是否为平稳型指标数据的方法可以和上述判断目标监控指标数据是为平稳型指标数据的方法一致,在此不再赘述。其中,在通过Kendall秩相关系数法判断一阶差分后的监控指标数据是否为平稳型指标数据的情况下,如果Kendall秩相关系数大于0,则可以将目标监控指标数据确定为上升型的趋势型指标数据;如果Kendall秩相关系数小于0,则可以将目标监控指标数据确定为下降型的趋势型指标数据。
趋势型指标数据的示意图可以如图4所示。在图4中,虚线代表第一告警事件发生当日,且对应告警发生时刻前3个小时的监控指标数据,实线代表第一告警事件发生昨日,且对应告警发生时刻前后3个小时的监控指标数据,点状线代表第一告警事件发生上周,且对应告警发生时刻前后3个小时的监控指标数据。由图4可知,在11:30至14:30之间,目标监控指标数据可以为下降型的趋势型指标数据。在14:30至17:30之间,目标监控指标数据可以为上升型的趋势型指标数据。
这样,通过在一阶差分后的监控指标数据为平稳型指标数据的情况下,将目标监控数据确定为趋势型指标数据,能够以检测趋势型指标数据的方式检测该目标监控指标数据。由于检测方式具有针对性,进而,能够进一步提高检测结果的准确性。
基于此,为了进一步提高检测结果的准确性,在一些实施方式中,S120具体还可以包括:
在目标监控指标数据不是平稳型指标数据、周期型指标数据或趋势型指标数据的情况下,将目标监控指标数据确定为不平稳、无周期型指标数据。
这里,如果监控指标数据没有任何规律性,则可以将目标监控指标数据确定为不平稳、无周期型指标数据。
不平稳、无周期型指标数据的示意图可以如图5所示。在图5中,虚线代表第一告警事件发生当日,且对应告警发生时刻前3个小时的监控指标数据,实线代表第一告警事件发生昨日,且对应告警发生时刻前后3个小时的监控指标数据,点状线代表第一告警事件发生上周,且对应告警发生时刻前后3个小时的监控指标数据。由图5可知,不同时期的监控指标数据和同一时期的监控指标数据均可以没有任何相关性。
这样,通过在监控指标数据没有任何规律性的情况下,将目标监控数据确定为不平稳、无周期型指标数据,能够以检测不平稳、无周期型指标数据的方式检测该目标监控指标数据。由于检测方式具有针对性,进而,能够进一步提高检测结果的准确性。
在一些实施方式中,在S130中,偏离值可以为目标监控指标数据与监控指标数据对应的平均值的距离长短。另外,检测方式可以为计算目标监控指标数据偏离监控指标数据对应的平均值的偏离值的方法。由于不同类型的监控指标数据具有不同的数据特征,因此,针对不同类型的监控指标数据,计算偏离值的方法可以不同。
在一些实施方式中,在S140中,由于资产的监控指标数据的平均值可以代表资产的正常运行水平。因此,如果目标监控指标数据与监控指标数据对应的平均值的距离超过预设范围时,即可以确定该目标监控指标数据为异常点。换言之,如果偏离值处于预设范围内,则可以确定第一告警事件为真实告警事件。
基于此,为了加强该告警真实性检测方法在不同业务场景的适应能力,在一些实施方式中,S130具体可以包括:
基于标准分数算法,计算目标监控指标数据对应的第一标准分数值,将第一标准分数值的绝对值作为偏离值;
基于此,S140具体可以包括:
在偏离值大于第四预设值的情况下,确定第一告警事件为真实告警事件。
这里,目标监控指标数据可以为平稳型指标数据,标准分数算法可以为z-score标准分数算法。其中,z-score标准分数算法的计算公式可以为
其中,x可以为目标监控指标数据;μ可以为监控指标数据的平均值;σ可以为监控指标数据的标准差;z可以为第一标准分数值。
作为一种示例,第四预设值可以为1.5。即在第一标准分数值的绝对值大于1.5的情况下,可以将第一告警事件确定为真实告警事件。
这样,通过基于标准分数算法,对平稳型指标数据进行异常点检测,为平稳型的目标监控指标数据定制了个性化检测方案。因此,能够有效提升告警真实性检测的准确性,进而加强了该告警真实性检测方法在不同业务场景的适应能力。
基于此,为了进一步加强该告警真实性检测方法在不同业务场景的适应能力,在一些实施方式中,S130具体还可以包括:
基于指数加权移动平均算法,计算目标监控数据对应的指数加权移动平均值;
计算指数加权移动平均值对于目标监控指标数据的偏差率,将偏差率作为偏离值;
基于此,S140具体还可以包括:
在偏离值大于第六预设值的情况下,确定第一告警事件为真实告警事件。
这里,目标监控指标数据可以为周期型指标数据,指数加权移动平均算法的计算公式可以为:
vt=(1-β)(θt+βθt-1+...+βt-1θ1) (2)
其中,θt可以为时刻t的实际值,即θt可以为目标监控指标数据;vt可以为时刻t的预测值,即vt可以为指数加权移动平均值;系数β可以表示加权下降的速率,β值越小代表下降的速率越快。
另外,β值可以使用历史监控指标数据和历史指数加权移动平均值进行训练,并计算历史指数加权移动平均值的误差率。进而,可以将训练过程中,使历史指数加权移动平均值的误差率最小的β值确定为最终的β值。
作为一种示例,偏差率可以为偏差值与目标监控指标数据的商。而偏差值可以为目标监控指标数据和指数加权移动平均值的差。基于此,第六预设值可以为10%。如果偏差率大于10%,则可以将该目标监控指标数据作为异常值。进而,如果第一告警事件发生的前后例如10分钟内包含异常值,则可以将第一告警事件确定为真实告警事件。
这样,通过基于指数加权移动平均算法,对周期型指标数据进行异常点检测,为周期型的目标监控指标数据定制了个性化检测方案。因此,能够有效提升告警真实性检测的准确性,进而进一步加强了该告警真实性检测方法在不同业务场景的适应能力。
基于此,为了进一步加强该告警真实性检测方法在不同业务场景的适应能力,在一些实施方式中,S130具体还可以包括:
基于标准分数算法,计算一阶差分后的监控指标数据对应的第二标准分数值,将第二标准分数值的绝对值作为偏离值;
基于此,S140具体还可以包括:
在偏离值大于第七预设值的情况下,确定第一告警事件为真实告警事件。
这里,目标监控指标数据可以为趋势型指标数据,标准分数算法可以为z-score标准分数算法。其中,z-score标准分数算法的计算公式与上文中的z-score标准分数算法的计算公式一致,在此不再赘述。另外,在z-score标准分数算法中,x可以为一阶差分后的监控指标数据;z可以为第二标准分数值。
作为一种示例,第七预设值可以为1.5。即在第二标准分数值的绝对值大于1.5的情况下,可以将第一告警事件确定为真实告警事件。
这样,通过基于标准分数算法,对趋势型指标数据进行异常点检测,为趋势型的目标监控指标数据定制了个性化检测方案。因此,能够有效提升告警真实性检测的准确性,进而加强了该告警真实性检测方法在不同业务场景的适应能力。
基于此,为了进一步加强该告警真实性检测方法在不同业务场景的适应能力,在一些实施方式中,S130具体还可以包括:
获取第三时间段、第四时间段和第五时间段内的监控指标数据,其中,第三时间段位于预设时间段内,第四时间段和第五时间段均位于预设时间段之前;
基于动态基线算法,计算第三时间段、第四时间段和第五时间段内的监控指标数据在t分布下的预设值置信区间;
基于此,S140具体还可以包括:
在目标监控指标数据在预设值置信区间外的情况下,确定第一告警事件为真实告警事件。
这里,目标监控指标数据可以为不平稳、无周期型指标数据。另外,第三时间段可以为第一告警事件发生当日,且对应告警发生时刻前的90分钟;第四时间段可以为第一告警事件发生昨日,且对应告警发生时刻的前后90分钟;第四时间段可以为第一告警事件发生上周,且对应告警发生时刻的前后90分钟。
作为一种示例,对第三时间段、第四时间段和第五时间段内的监控指标数据可以进行t分布假设,并计算上述数据在t分布下的预设值置信区间。上述计算过程可以利用统计学软件完成。基于此,预设值置信区间可以为95%置信区间。即如果目标监控指标数据位于95%置信区间之外,则可以将第一告警事件确定为真实告警事件。
另外,一种基于不平稳、无周期型指标数据的告警真实性检测的示意图可以如图6所示。在图6中,监控指标数据可以为CPU利用率。以及,基于t分布的95%置信区间的上限可以为100%,下限可以为46.73%。由图6可知,第一告警事件的发生时刻为1月14日00:25,且此时的CPU利用率为93.38%。由于,93.38%位于46.73%和100%之间,在95%置信区间内。因此,可以将该第一告警事件确定为虚假告警。
这样,通过基于动态基线算法,对不平稳、无周期型指标数据进行异常点检测,为不平稳、无周期型的目标监控指标数据定制了个性化检测方案。因此,能够有效提升告警真实性检测的准确性,进而加强了该告警真实性检测方法在不同业务场景的适应能力。
为了更好地描述整个方案,基于上述各实施例,举一些具体例子。
例如,在获取预设时间段内的监控指标数据之后,可以根据监控指标数据的数据特征,确定监控指标数据的数据类型。由于监控指标数据包含目标监控指标数据,因此该监控指标数据的数据类型即可以为目标监控指标数据的数据类型。其中,目标监控指标数据的数据类型可以有四个,分别为平稳型指标数据、周期性指标数据、趋势型指标数据和不平稳、无周期型指标数据。在确定目标监控指标数据的数据类型之后,即可以针对不同的数据类型,定制个性化的告警真实性检测方案。
一方面,在告警发生时的最近1日,存在大于75%的监控指标数据完全一样,或者监控指标数据的标准差除以平均值小于5%,或者对监控指标数据和监控指标数据所处时刻进行相关检验,显著程度大于0.05的情况下,可以将目标监控指标数据确定为平稳型指标数据。进而,可以基于标准分数算法对该平稳型指标数据进行告警真实性检测。
另一方面,在计算第一告警事件发生昨日、且对应告警发生时刻前后5分钟的监控指标数据和第一告警事件发生前一周、且对应告警发生时刻前后5分钟的监控指标数据的平均值之后,计算平均值与监控指标数据的误差率。在误差率小于5%的情况下,可以将目标监控指标数据确定为周期型指标数据。进而,可以基于指数加权移动平均算法对该周期型指标数据进行告警真实性检测。
又一方面,在一阶差分后的监控指标数据为平稳型指标数据的情况下,可以将目标监控指标数据确定为趋势型指标数据。进而,可以基于标准分数算法对一阶差分后的监控指标数据进行告警真实性检测。检测结果即可以为该趋势型指标数据的检测结果。
再一方面,在目标监控指标数据均不是上述三种数据类型的情况下,可以将目标监控指标数据确定为不平稳、无周期型指标数据。进而,可以基于动态基线算法对该不平稳、无周期型指标数据进行告警真实性检测。
如此,通过针对不同的数据类型,定制个性化的检测方案,能够针对性地对目标监控指标数据进行检测。进而,能够提高告警真实性检测的准确性,进一步提高运维效率。
基于上述实施例提供的告警真实性检测方法,相应地,本申请还提供了告警真实性检测装置的具体实现方式。请参见以下实施例。
如图7所示,本申请实施例提供的告警真实性检测装置700包括以下模块:
获取模块710,用于获取预设时间段内的监控指标数据,其中,预设时间段至少包括与第一告警事件对应的告警发生时刻;
第一确定模块720,用于根据监控指标数据的数据特征,确定目标监控指标数据的数据类型,目标监控指标数据为告警发生时刻对应的监控指标数据;
第二确定模块730,用于在确定目标监控指标数据的数据类型之后,基于与数据类型对应的检测方式,确定目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值;
第三确定模块740,用于在偏离值处于预设范围的情况下,确定第一告警事件为真实告警事件。
下面对上述告警真实性检测装置700进行详细说明,具体如下所示:
在其中一些实施例中,第一确定模块720具体可以包括:
第一确定子模块,用于在监控指标数据中存在多于第一预设值的数据完全一致的情况下,将目标监控指标数据确定为平稳型指标数据;
或者,
第二确定子模块,用于在监控指标数据的标准差与监控指标数据的平均值的商小于第二预设值的情况下,将目标监控指标数据确定为平稳型指标数据;
或者,
检验子模块,用于对监控指标数据和监控指标数据所处时刻进行相关检验,得到显著程度;
第三确定子模块,用于在显著程度大于第三预设值的情况下,将目标监控指标数据确定为平稳型指标数据。
基于此,在其中一些实施例中,第二确定模块730具体可以包括:
第一计算子模块,用于基于标准分数算法,计算目标监控指标数据对应的第一标准分数值,将第一标准分数值的绝对值作为偏离值;
基于此,第三确定模块740具体可以包括:
第四确定子模块,用于在偏离值大于第四预设值的情况下,确定第一告警事件为真实告警事件。
在其中一些实施例中,第一确定模块720具体还可以包括:
第一获取子模块,用于获取第一时间段和第二时间段内的监控指标数据,其中,第一时间段和第二时间段均位于预设时间段之前;
第二计算子模块,用于计算第一时间段和第二时间段内的监控指标数据的平均值;
第三计算子模块,用于在计算第一时间段和第二时间段内的监控指标数据的平均值之后,计算平均值与监控指标数据的误差率;
第五确定子模块,用于在误差率小于第五预设值的情况下,将目标监控指标数据确定为周期型指标数据。
基于此,在其中一些实施例中,第二确定模块730具体还可以包括:
第四计算子模块,用于基于指数加权移动平均算法,计算目标监控数据对应的指数加权移动平均值;
第五计算子模块,用于计算指数加权移动平均值对于目标监控指标数据的偏差率,将偏差率作为偏离值;
基于此,第三确定模块740具体还可以包括:
第六确定子模块,用于在偏离值大于第六预设值的情况下,确定第一告警事件为真实告警事件。
在其中一些实施例中,第一确定模块720具体还可以包括:
差分子模块,用于对监控指标数据进行一阶差分,得到一阶差分后的监控指标数据;
第七确定子模块,用于在一阶差分后的监控指标数据为平稳型指标数据的情况下,将目标监控指标数据确定为趋势型指标数据。
基于此,在其中一些实施例中,第二确定模块730具体还可以包括:
第六计算子模块,用于基于标准分数算法,计算一阶差分后的监控指标数据对应的第二标准分数值,将第二标准分数值的绝对值作为偏离值;
基于此,第三确定模块740具体还可以包括:
第八确定子模块,用于在偏离值大于第七预设值的情况下,确定第一告警事件为真实告警事件。
在其中一些实施例中,第一确定模块720具体还可以包括:
第九确定子模块,用于在监控指标数据不是平稳型指标数据、周期型指标数据或趋势型指标数据的情况下,将目标监控指标数据确定为不平稳、无周期型指标数据。
基于此,在其中一些实施例中,第二确定模块730具体还可以包括:
第二获取子模块,用于获取第三时间段、第四时间段和第五时间段内的监控指标数据,其中,第三时间段位于预设时间段内,第四时间段和第五时间段均位于预设时间段之前;
第七计算子模块,用于基于动态基线算法,计算第三时间段、第四时间段和第五时间段内的监控指标数据在t分布下的预设值置信区间;
基于此,第三确定模块740具体还可以包括:
第十确定子模块,用于在目标监控指标数据在预设值置信区间外的情况下,确定第一告警事件为真实告警事件。
本申请实施例的告警真实性检测装置,在计算目标监控指标数据偏离监控指标数据对应的平均值的偏离值的基础上,通过将处于预设范围内的偏离值对应的告警判定为真实告警,对告警的真实性进行了检测。如此,运维人员可以根据检测结果确定告警的真实性。相对于在接收到告警之后,运维人员对告警的真实性进行人工排查判断,能够提高运维效率。另外,通过针对不同的数据类型,定制个性化的检测方案,能够针对性地对目标监控指标数据进行检测。进而,能够提高告警真实性检测的准确性,进一步提高运维效率。
基于上述实施例提供的告警真实性检测方法,本申请实施例还提供了电子设备的具体实施方式。图8示出了本申请实施例提供的电子设备800示意图。
电子设备800可以包括处理器810以及存储有计算机程序指令的存储器820。
具体地,上述处理器810可以包括中央处理器(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820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820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。在合适的情况下,存储器820可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器820可在综合网关容灾设备的内部或外部。在特定实施例中,存储器820是非易失性固态存储器。
存储器可包括只读存储器(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810通过读取并执行存储器820中存储的计算机程序指令,以实现上述实施例中的任意一种告警真实性检测方法。
在一个示例中,电子设备800还可包括通信接口830和总线840。其中,如图8所示,处理器810、存储器820、通信接口830通过总线840连接并完成相互间的通信。
通信接口830,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840包括硬件、软件或两者,将电子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(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(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840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。
该电子设备可以基于当前已获取预设时间段内的监控指标数据执行本申请实施例中的告警真实性检测方法,从而实现结合图1至图7描述的告警真实性检测方法和装置。
另外,结合上述实施例中的告警真实性检测方法,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真实性检测方法。
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(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(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 (12)
1.一种告警真实性检测方法,其特征在于,包括:
在第一告警事件发生的情况下,获取预设时间段内的监控指标数据,其中,所述预设时间段至少包括与第一告警事件对应的告警发生时刻;
根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,所述目标监控指标数据为所述告警发生时刻对应的监控指标数据;
基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值;
在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件;
所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
如果所述监控指标数据的数据特征为随时间变化,数据波动程度小于预设值,则将所述目标监控指标数据的数据类型确定为平稳型指标数据;如果所述监控指标数据的数据特征为随时间变化,数据呈周期性变动,则将所述目标监控指标数据的数据类型确定为周期型指标数据;如果所述监控指标数据的数据特征为随时间变化,数据呈上升趋势或下降趋势,则将所述目标监控指标数据的数据类型确定为趋势型指标数据;
所述基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值,包括:
在所述数据类型为所述平稳型指标数据的情况下,基于标准分数算法,计算所述目标监控指标数据对应的第一标准分数值,将所述第一标准分数值的绝对值作为所述偏离值;
在所述数据类型为周期型指标数据的情况下,基于指数加权移动平均算法,计算所述目标监控指标数据对应的指数加权移动平均值;
计算所述指数加权移动平均值对于所述目标监控指标数据的偏差率,将所述偏差率作为所述偏离值;
在所述数据类型为趋势型指标数据的情况下,基于标准分数算法,计算一阶差分后的监控指标数据对应的第二标准分数值,将所述第二标准分数值的绝对值作为所述偏离值。
2.根据权利要求1所述的告警真实性检测方法,其特征在于,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
在所述监控指标数据中存在多于第一预设值的数据完全一致的情况下,将所述目标监控指标数据确定为平稳型指标数据;
或者,
在所述监控指标数据的标准差与所述监控指标数据的平均值的商小于第二预设值的情况下,将所述目标监控指标数据确定为平稳型指标数据;
或者,
对所述监控指标数据和所述监控指标数据所处时刻进行相关检验,得到显著程度;
在所述显著程度大于第三预设值的情况下,将所述目标监控指标数据确定为平稳型指标数据。
3.根据权利要求1所述的告警真实性检测方法,其特征在于,所述数据类型为所述平稳型指标数据,所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述偏离值大于第四预设值的情况下,确定所述第一告警事件为真实告警事件。
4.根据权利要求1所述的告警真实性检测方法,其特征在于,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
获取第一时间段和第二时间段内的监控指标数据,其中,所述第一时间段和所述第二时间段均位于所述预设时间段之前;
计算所述第一时间段和第二时间段内的监控指标数据的平均值;
计算所述平均值与所述监控指标数据的误差率;
在所述误差率小于第五预设值的情况下,将所述目标监控指标数据确定为周期型指标数据。
5.根据权利要求1所述的告警真实性检测方法,其特征在于,所述数据类型为周期型指标数据,所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述偏离值大于第六预设值的情况下,确定所述第一告警事件为真实告警事件。
6.根据权利要求1所述的告警真实性检测方法,其特征在于,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
对所述监控指标数据进行一阶差分,得到一阶差分后的监控指标数据;
在所述一阶差分后的监控指标数据为平稳型指标数据的情况下,将所述目标监控指标数据确定为趋势型指标数据。
7.根据权利要求1所述的告警真实性检测方法,其特征在于,所述数据类型为趋势型指标数据,所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述偏离值大于第七预设值的情况下,确定所述第一告警事件为真实告警事件。
8.根据权利要求1所述的告警真实性检测方法,其特征在于,所述根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,包括:
在所述目标监控指标数据不是平稳型指标数据、周期型指标数据或趋势型指标数据的情况下,将所述目标监控指标数据确定为不平稳、无周期型指标数据。
9.根据权利要求8所述的告警真实性检测方法,其特征在于,所述基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值,包括:
获取第三时间段、第四时间段和第五时间段内的监控指标数据,其中,所述第三时间段位于所述预设时间段内,所述第四时间段和所述第五时间段均位于所述预设时间段之前;
基于动态基线算法,计算所述第三时间段、第四时间段和第五时间段内的监控指标数据在t分布下的预设值置信区间;
所述在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件,包括:
在所述目标监控指标数据在所述预设值置信区间外的情况下,确定所述第一告警事件为真实告警事件。
10.一种告警真实性检测装置,其特征在于,所述装置包括:
获取模块,用于在第一告警事件发生的情况下,获取预设时间段内的监控指标数据,其中,所述预设时间段至少包括与第一告警事件对应的告警发生时刻;
第一确定模块,用于根据所述监控指标数据的数据特征,确定目标监控指标数据的数据类型,所述目标监控指标数据为所述告警发生时刻对应的监控指标数据;
第二确定模块,用于在确定目标监控指标数据的数据类型之后,基于与所述数据类型对应的检测方式,确定所述目标监控指标数据偏离所述监控指标数据对应的平均值的偏离值;
第三确定模块,用于在所述偏离值处于预设范围的情况下,确定所述第一告警事件为真实告警事件;
所述第一确定模块具体用于:
如果所述监控指标数据的数据特征为随时间变化,数据波动程度小于预设值,则将所述目标监控指标数据的数据类型确定为平稳型指标数据;如果所述监控指标数据的数据特征为随时间变化,数据呈周期性变动,则将所述目标监控指标数据的数据类型确定为周期型指标数据;如果所述监控指标数据的数据特征为随时间变化,数据呈上升趋势或下降趋势,则将所述目标监控指标数据的数据类型确定为趋势型指标数据;
所述第二确定模块具体用于:
在所述数据类型为所述平稳型指标数据的情况下,基于标准分数算法,计算所述目标监控指标数据对应的第一标准分数值,将所述第一标准分数值的绝对值作为所述偏离值;
在所述数据类型为周期型指标数据的情况下,基于指数加权移动平均算法,计算所述目标监控指标数据对应的指数加权移动平均值;
计算所述指数加权移动平均值对于所述目标监控指标数据的偏差率,将所述偏差率作为所述偏离值;
在所述数据类型为趋势型指标数据的情况下,基于标准分数算法,计算一阶差分后的监控指标数据对应的第二标准分数值,将所述第二标准分数值的绝对值作为所述偏离值。
11.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-9任意一项所述的告警真实性检测方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读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1-9任意一项所述的告警真实性检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408929.2A CN114844762B (zh) | 2022-04-19 | 2022-04-19 | 告警真实性检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210408929.2A CN114844762B (zh) | 2022-04-19 | 2022-04-19 | 告警真实性检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114844762A CN114844762A (zh) | 2022-08-02 |
CN114844762B true CN114844762B (zh) | 2023-11-07 |
Family
ID=82565009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210408929.2A Active CN114844762B (zh) | 2022-04-19 | 2022-04-19 | 告警真实性检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114844762B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115378738B (zh) * | 2022-10-24 | 2023-03-24 | 中孚安全技术有限公司 | 一种基于分类算法的告警过滤方法、系统及设备 |
CN116628618B (zh) * | 2023-07-26 | 2023-09-22 | 中汽信息科技(天津)有限公司 | 一种车辆监控数据的处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964997A (zh) * | 2009-07-21 | 2011-02-02 | 中国移动通信集团黑龙江有限公司 | 网络性能预警方法及装置 |
CN103200039A (zh) * | 2012-01-09 | 2013-07-10 | 阿里巴巴集团控股有限公司 | 数据监控方法及装置 |
CN105610647A (zh) * | 2015-12-30 | 2016-05-25 | 华为技术有限公司 | 一种探测业务异常的方法和服务器 |
CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
CN112100037A (zh) * | 2020-09-25 | 2020-12-18 | 北京奇艺世纪科技有限公司 | 告警级别识别方法、装置、电子设备及存储介质 |
CN112527598A (zh) * | 2020-12-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 监控数据的方法、装置、设备、存储介质和程序产品 |
CN114331046A (zh) * | 2021-12-13 | 2022-04-12 | 湖南天云软件技术有限公司 | 一种告警事件处理方法、装置、设备及计算机存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039833B (zh) * | 2018-09-30 | 2022-11-22 | 网宿科技股份有限公司 | 一种监控带宽状态的方法和装置 |
-
2022
- 2022-04-19 CN CN202210408929.2A patent/CN114844762B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964997A (zh) * | 2009-07-21 | 2011-02-02 | 中国移动通信集团黑龙江有限公司 | 网络性能预警方法及装置 |
CN103200039A (zh) * | 2012-01-09 | 2013-07-10 | 阿里巴巴集团控股有限公司 | 数据监控方法及装置 |
CN105610647A (zh) * | 2015-12-30 | 2016-05-25 | 华为技术有限公司 | 一种探测业务异常的方法和服务器 |
CN108829535A (zh) * | 2018-06-08 | 2018-11-16 | 上海擎创信息技术有限公司 | 数据处理方法、终端及计算机可读存储介质 |
CN112100037A (zh) * | 2020-09-25 | 2020-12-18 | 北京奇艺世纪科技有限公司 | 告警级别识别方法、装置、电子设备及存储介质 |
CN112527598A (zh) * | 2020-12-10 | 2021-03-19 | 北京百度网讯科技有限公司 | 监控数据的方法、装置、设备、存储介质和程序产品 |
CN114331046A (zh) * | 2021-12-13 | 2022-04-12 | 湖南天云软件技术有限公司 | 一种告警事件处理方法、装置、设备及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
吴沐阳 ; 刘峥 ; 王洋 ; 李云 ; 李涛 ; .基于指标相关性的网络运维质量评估模型.计算机应用.(第09期),全文. * |
基于指标相关性的网络运维质量评估模型;吴沐阳;刘峥;王洋;李云;李涛;;计算机应用(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114844762A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114844762B (zh) | 告警真实性检测方法和装置 | |
TWI819385B (zh) | 異常告警方法、裝置、設備及存儲介質 | |
CN113918376B (zh) | 故障检测方法、装置、设备及计算机可读存储介质 | |
CN114564370B (zh) | 告警阈值的确定方法、装置、设备及计算机存储介质 | |
CN116108991A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN116385025A (zh) | 一种基于区块链的大数据溯源系统及方法 | |
CN113723716A (zh) | 一种客流分级预警异常告警方法、设备及存储介质 | |
CN115392812A (zh) | 一种异常根因定位方法、装置、设备及介质 | |
CN114285612B (zh) | 一种异常数据检测的方法、系统、装置、设备及介质 | |
CN109960626B (zh) | 端口异常的识别方法、装置、设备及介质 | |
KR101910866B1 (ko) | 컴퓨터 수행 가능한 서버 부하 모니터링 방법, 이를 수행하는 장치 및 이를 기록하는 기록매체 | |
CN115705413A (zh) | 异常日志的确定方法及装置 | |
CN115905341A (zh) | 数据质量异常的检测方法、装置、电子设备及存储介质 | |
CN115952059A (zh) | 运维异常值的识别方法、装置、智能运维系统及存储介质 | |
CN112581727B (zh) | 桥梁的位移漂移预警方法、装置、设备及存储介质 | |
CN114928467A (zh) | 一种网络安全运维关联分析方法及系统 | |
CN113919691A (zh) | 一种调频服务指标测算方法及相关装置 | |
CN114663097A (zh) | 账户识别方法、装置、设备及计算机存储介质 | |
CN111651503A (zh) | 一种配电网数据异常识别方法、系统及终端设备 | |
CN111176931A (zh) | 一种运营监控方法、装置、服务器及存储介质 | |
CN111371594B (zh) | 设备异常告警方法、装置及电子设备 | |
CN113382441B (zh) | 一种识别伴随用户的方法、装置、设备及可读存储介质 | |
CN118820030A (zh) | 日志检测的方法、装置、设备、存储介质及程序产品 | |
CN111327443B (zh) | 一种故障根源指标确定方法及装置 | |
CN118820024A (zh) | 模组预警的方法、装置、设备、存储介质及程序产品 |
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 |