CN115225455B - 异常设备检测方法及装置、电子设备、存储介质 - Google Patents
异常设备检测方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN115225455B CN115225455B CN202210675327.3A CN202210675327A CN115225455B CN 115225455 B CN115225455 B CN 115225455B CN 202210675327 A CN202210675327 A CN 202210675327A CN 115225455 B CN115225455 B CN 115225455B
- Authority
- CN
- China
- Prior art keywords
- network management
- abnormal
- equipment
- data
- user
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 161
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000008447 perception Effects 0.000 claims abstract description 160
- 239000013598 vector Substances 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000006399 behavior Effects 0.000 claims description 78
- 238000012360 testing method Methods 0.000 claims description 52
- 239000000523 sample Substances 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Abstract
本申请提供了一种异常设备检测方法及装置、电子设备、存储介质,其中,方法包括:获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;根据预设时间间隔对用户感知数据和网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;根据设备感知指标时间序列的特征数据和网管性能指标时间序列的特征数据,确定待检测设备的多维特征向量;计算多维特征向量与各个状态聚类中心的距离;当多维特征向量与异常状态聚类中心的距离最短时,确定待检测设备为异常设备。本申请实施例结合用户感知指标和网管性能指标进行分析,可以排查出用户感知不好的异常设备,并且可以提高检测结果的准确性。
Description
技术领域
本申请涉及网络信息分析技术领域,特别是涉及异常设备检测方法及装置、电子设备、存储介质。
背景技术
随着宽带网络的成熟发展,用户对宽带网络的要求也越来越高。现有技术中,运营商在对网络进行优化的过程中主要是基于网络管理系统(简称网管)的性能指标来定位存在隐患的网络设备,进而对存在隐患的设备进行优化。而网管的性能指标只能反映整个网络质量的平均质量,无法客观表征单个用户的宽带线路质量。因此,在日常业务运营过程中,常常存在网管的性能指标良好,但用户上网体验差,感知不好的情况,导致用户投诉,甚至离网。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
鉴于上述问题,提出了本申请以便提供克服上述问题或者至少部分地解决上述问题的异常设备检测方法及装置、电子设备、存储介质,包括:
一种异常设备检测方法,所述方法包括:
获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;
根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;
根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量;
计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;
当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
可选地,所述根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量,包括:
确定所述设备感知指标时间序列的第一平均值和第一标准差,以及所述网管性能指标时间序列的第二平均值和第二标准差;
根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素;
根据所述设备感知指标时间序列中的异常感知元素的第一数量和对应的第一时长、第一平均值和第一标准差,以及根据所述网管性能指标时间序列中的异常网管性能元素的第二数量和对应的第二时长、第二平均值和第二标准差,确定所述待检测设备的多维特征向量。
可选地,与所述待检测设备通信连接的用户终端设置有测试探针,所述测试探针用于模拟用户上网行为,所述获取待检测设备的用户感知数据,包括:
根据预设测试任务控制所述测试探针模拟用户上网行为,并获取所述测试探针模拟用户上网行为产生的用户行为数据;
从所述用户行为数据中获取用户感知指标对应的用户感知数据。
可选地,所述从所述用户行为数据中获取用户感知指标对应的用户感知数据,还包括:
删除所述用户行为数据中不满足预设数据范围的用户感知数据。
可选地,所述根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素,包括:
将所述设备感知指标时间序列中、与所述第一平均值的差值不符合所述第一差值阈值的感知元素确定为异常感知元素,以及,将所述网管性能指标时间序列中、与所述第二平均值的差值不符合所述第二差值阈值的网管性能元素确定为异常网管性能元素。
可选地,所述计算所述多维特征向量与各个状态聚类中心的距离,还包括:
获取多个设备的多维特征向量;
采用聚类算法对所述多个设备的多维特征向量进行聚类计算,得到异常状态聚类和正常状态聚类,并确定异常状态聚类中心和正常状态聚类中心。
可选地,所述方法还包括:
获取所述异常设备的相关信息;
将所述相关信息输出到可视化界面中,以按照预设展示需求进行展示。
一种异常设备检测装置,所述装置包括:
数据获取模块,用于获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;
序列生成模块,用于根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;
特征确定模块,用于根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量;
聚类计算模块,用于计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;
异常确定模块,用于当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
可选地,所述特征确定模块,包括:
平均值和标准差确定子模块,用于确定所述设备感知指标时间序列的第一平均值和第一标准差,以及所述网管性能指标时间序列的第二平均值和第二标准差;
异常元素确定子模块,用于根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素;
多维特征向量确定子模块,用于根据所述设备感知指标时间序列中的异常感知元素的第一数量和对应的第一时长、第一平均值和第一标准差,以及根据所述网管性能指标时间序列中的异常网管性能元素的第二数量和对应的第二时长、第二平均值和第二标准差,确定所述待检测设备的多维特征向量。
可选地,与所述待检测设备通信连接的用户终端设置有测试探针,所述测试探针用于模拟用户上网行为,所述数据获取模块,包括:
用户行为数据获取子模块,用于根据预设测试任务控制所述测试探针模拟用户上网行为,并获取所述测试探针模拟用户上网行为产生的用户行为数据;
用户感知数据获取子模块,用于从所述用户行为数据中获取用户感知指标对应的用户感知数据。
可选地,所述用户感知数据获取子模块,还用于删除所述用户行为数据中不满足预设数据范围的用户感知数据。
可选地,所述异常元素确定模块,用于将所述设备感知指标时间序列中、与所述第一平均值的差值不符合所述第一差值阈值的感知元素确定为异常感知元素,以及,将所述网管性能指标时间序列中、与所述第二平均值的差值不符合所述第二差值阈值的网管性能元素确定为异常网管性能元素。
可选地,所述聚类计算模块还包括:
多设备特征获取子模块,用于获取多个设备的多维特征向量;
聚类计算子模块,用于采用聚类算法对所述多个设备的多维特征向量进行聚类计算,得到异常状态聚类和正常状态聚类,并确定异常状态聚类中心和正常状态聚类中心。
可选地,所述装置还包括:
异常信息获取模块,用于获取所述异常设备的相关信息;
异常信息展示模块,用于将所述相关信息输出到可视化界面中,以按照预设展示需求进行展示。
一种电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的异常设备检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的异常设备检测方法的步骤。
本申请具有以下优点:
在本申请实施例中,通过获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;根据预设时间间隔对用户感知数据和网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;根据设备感知指标时间序列的特征数据和网管性能指标时间序列的特征数据,确定待检测设备的多维特征向量;计算多维特征向量与各个状态聚类中心的距离;各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;当多维特征向量与异常状态聚类中心的距离最短时,确定待检测设备为异常设备。本申请实施例在分析设备是否存在异常隐患的过程中,结合用户感知指标和网管性能指标进行分析,可以解决现有技术无法排查出网管性能指标正常,但用户感知不好的异常设备的问题,另外,本申请实施例通过设备感知指标时间序列和网管性能指标时间序列确定多维特征向量,并基于多维特征向量进行聚类计算,充分考虑了时序分布特征,可以提高检测结果的准确性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对本申请的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为本申请实施例的一种异常设备检测方法的步骤流程图;
图2为本申请实施例的正常设备的首屏时延、服务器连接时延、响应时延和下载时延的时间序列的示意图;
图3是图2所示的首屏时延的概率密度分布图;
图4是图2所示的服务器连接时延的概率密度分布图;
图5是图2所示的响应时延的概率密度分布图;
图6是图2所示的下载时延的概率密度分布图;
图7是本申请实施例中的异常设备汇总表的示意图;
图8为本申请实施例的一种异常设备检测装置的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。显然,所描述的实施例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作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。
本申请实施例的主要技术构思之一在于,通过待检测设备的设备感知指标时间序列和网管性能指标时间序列,确定待检测设备的多维特征向量,再基于多维特征向量进行聚类计算,以确定待检测设备是否为异常设备,可以检测出用户感知不好的异常设备,并提高检测结果的准确性。
本申请实施例提供的异常设备检测方法可以应用于电子设备中,用于确定待测试设备是否存在异常。其中,电子设备可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的集群,也可以实现单个服务器或单个终端设备。当电子设备是软件时,可以安装在上述列举的硬件设备中。
参照图1,示出了本申请一实施例提供的一种异常设备检测方法的步骤流程图,在本申请实施例中,该方法可以包括如下步骤:
步骤101,获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据。
步骤102,根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列。
步骤103,根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量;
步骤104,计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;
步骤105,当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
本申请实施例通过获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;根据预设时间间隔对用户感知数据和网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;根据设备感知指标时间序列的特征数据和网管性能指标时间序列的特征数据,确定待检测设备的多维特征向量;计算多维特征向量与各个状态聚类中心的距离;各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;当多维特征向量与异常状态聚类中心的距离最短时,确定待检测设备为异常设备。本申请实施例在分析设备是否存在异常隐患的过程中,结合用户感知指标和网管性能指标进行分析,可以解决现有技术无法排查出网管性能指标正常,但用户感知不好的异常设备的问题,另外,本申请实施例通过设备感知指标时间序列和网管性能指标时间序列确定多维特征向量,并基于多维特征向量进行聚类计算,充分考虑了时序分布特征,可以提高检测结果的准确性。
下面,将对本示例性实施例中异常设备检测方法作进一步地说明。
在步骤101中,获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据。
在本申请实施例中,待检测设备是指网络设备,可以包括OLT(Optical LineTerminal,光线路终端)设备、路由器、交换机等。用户感知指标与用户对网络质量和性能的主观感受相关。用户感知数据是与用户感知直接相关的、可以体现对应的用户感知指标的数据。示例性地,用户感知指标可以包括但不限于首屏时延、服务器连接时延、响应时延、下载时延、下载速率、丢包率等。示例性地,当用户感知指标是首屏时延指标时,对应的用户感知数据为首屏时延数据;当用户感知指标是服务器连接时延指标时,对应的用户感知数据为服务器连接时延数据。当然,具体需要获取哪些用户感知指标对应的用户感知数据可以由测试人员根据实际需求进行设置,本申请对此不做限制。一般地,待检测设备的用户感知指标有多个,不同的用户感知指标可以通过感知指标标识进行区分,感知指标标识可以是用户感知指标的名称。在获取待检测设备的用户感知数据的过程中,需要获取待检测设备的每个用户感知指标对应的用户感知数据。
网管性能指标是用于反映网络设备性能的指标,网管性能数据是网管实时检测网络设备采集得到的、用于体现对应网管性能指标的数据。示例性地,网管性能指标可以包括但不限于收发光功率、端口丢包率、上行流量、下行流量。示例性地,当网管性能指标是收发光功率指标时,对应的网管性能数据为收发光功率数据;当网管性能指标是端口丢包率指标时,对应的网管性能数据为端口丢包率数据。当然,具体需要获取哪些网管性能指标对应的网管性能数据可以由测试人员根据实际需求进行设置,本申请对此不做限制。一般地,待检测设备的网管性能指标可以有多个,不同的网管性能指标可以通过性能指标标识进行区分。在获取待检测设备的网管性能数据的过程中,需要获取待检测设备的每个网管性能指标对应的网管性能数据。
在本申请一些可选实施例中,与待检测设备通信连接的用户终端部署有测试探针,测试探针用于模拟用户上网行为,该用户终端可以包括家庭网关或硬件网关等,上述获取待检测设备的用户感知数据的过程,可以包括:
根据预设测试任务控制测试探针模拟用户上网行为,并获取测试探针模拟用户上网行为产生的用户行为数据;
从用户行为数据中获取用户感知指标对应的用户感知数据。
一般地,待检测设备通信连接的用户终端有多个,因此,根据预设测试任务可以同时控制与待检测设备通信连接的所有用户终端内置的测试探针模拟用户上网行为,并获取所有测试探针模拟用户上网行为产生的用户行为数据,再从用户行为数据中获取用户感知指标对应的用户感知数据。
其中,预设测试任务可以包括测试目标和测试周期,测试目标用于控制测试探针模拟的具体用户上网行为,测试周期用于控制测试探针模拟用户上网行为的时间。预设测试任务可以由测试人员根据实际需求进行设置。
测试目标可以是应用在互联网或城域网的目标地址,为了更好地模拟用户上网行为,测试目标应当覆盖多种业务类型,也即测试目标应当包括多个应用的目标地址。不同应用的目标地址的格式可能不同,示例性地,目标地址可以包括域名、IP(InternetProtocol,网际互连协议)、URL(Uniform Resource Locator,统一资源定位系统)等形式,也就是说,本申请可以控制测试探针模拟用户访问不同格式的目标地址对应的应用。
测试探针在模拟用户上网行为的过程中会产生用户行为数据,用户行为数据包括多个字段,例如用户序列编号字段、设备类型字段、用户感知指标字段等。在获取到用户行为数据之后,可以根据测试人员设置的目标用户感知指标字段,从用户行为数据中获取对应的数据,此时获取到的数据即为该用户感知指标字段对应的用户感知数据。例如,从首屏时延指标字段中获取到的数据即为首屏时延指标对应的用户感知数据。在实际应用中,可以采用开源软件flume(一种日志收集系统)、Kafka(一种高吞吐量的分布式发布订阅消息系统)、Spark Streaming(一种流式实时计算框架)技术获取用户行为数据,并对用户行为数据进行流式处理,以获取用户感知数据。
本实施例通过预设测试任务控制测试探针模拟用户上网行为,从而产生用户行为数据,进而从用户行为数据中获取用户感知数据,因此,测试人员可以根据实际的测试需求设置对应的预设测试任务,以获取到所需的测试数据,此外,测试人员还可以通过对所有待检测设备设置相同的预设测试任务,以同时判断多个待检测设备是否为异常设备,同时可以区别不同待检测设备之间的差异,从而提高检测结果的准确性。
进一步地,在本申请一可选实施例中,可以按照业务类型对测试目标进行分组,得到多个测试目标分组,针对同一个测试目标分组的用户上网行为具有相同的上网行为类型。也就是说,在本实施例中,用户感知指标有多个,并且与用户上网行为类型相关。在获取待检测设备的用户感知数据的过程中,可以先分别获取各个用户上网行为类型对应的用户行为数据,再从各个用户上网行为类型对应的用户行为数据中获取各个用户感知指标对应的用户感知数据。本实施例中,从不同用户上网行为类型的用户行为数据中获取到的用户感知数据,即使对应的用户感知指标字段相同,也属于不同用户感知指标中的用户感知数据。
需要说明的是,测试人员可以对不同用户上网行为类型设置不同的目标用户感知指标字段,以便在获取到不同用户上网行为类型对应的用户行为数据后,可以根据该用户上网行为类型对应的目标用户感知指标字段,从中获取到所需的用户感知指标对应的用户感知数据。
在一示例中,测试目标分组可以包括网页组、游戏组和视频组。网页组对应的目标用户感知指标字段可以包括下载速率指标字段、首屏时延指标字段、服务器响应时延指标字段;游戏组对应的目标用户感知指标字段可以包括下载速率指标字段、往返时延指标字段、服务器响应时延指标字段、丢包率指标字段;视频组对应的目标用户感知指标字段可以包括下载速率指标字段、停顿次数指标字段、停顿时长指标字段。当获取到由浏览网页行为产生的用户行为数据时,根据网页组对应的目标用户感知指标字段,从用户行为数据中获取网页下载速率指标对应的下载速率数据、网页首屏时延指标对应的首屏时延数据、网页服务器响应时延指标对应的服务器响应时延数据。
本实施例通过将用户上网行为进行分类处理,不仅可以方便测试人员针对性地设置目标用户感知指标字段,减少处理非必要数据的工作量,还可以增加后续步骤得到的特征向量的维度,从而提高检测结果的准确性。
进一步地,在本申请一些可选实施例中,上述从用户行为数据中获取用户感知指标对应的用户感知数据,还可以包括:
删除用户行为数据中不满足预设数据范围的用户感知数据。
为了保证获取到的用户感知数据的可靠性,在本实施例中,在从用户行为数据中提取出用户感知数据后,还需要对用户感知数据进行筛选处理,通过与预设数据范围进行比较,将受用户终端、内网、服务提供商等非网络质量因素影响导致的异常数据剔除,其中,预设数据范围可以由测试人员结合实际需求确定,不同用户感知指标对应的预设数据范围可以不同。
示例性地,在从用户行为数据中提取出用户感知数据之后,根据该用户感知数据对应的用户感知指标,可以确定对应的预设数据范围,该预设数据范围可以包括上门限值和下门限值,当该用户感知数据的值大于上门限值或小于下门限值时,说明该用户感知数据存在异常,则进行删除处理。反之,若该用户感知数据的值在下门限值和上门限制之间,则将该用户感知数据保存到预设的存储路径中,供后续步骤使用。
在其他示例中,获取待检测设备的用户感知数据的过程,可以通过获取实际用户上网行为产生的用户行为数据,进而从用户行为数据中获取用户感知指标对应的用户感知数据。其中,用户行为数据的获取以及从用户行为数据中获取用户感知指标对应的用户感知数据的过程,可以与上述实施例中描述的相同,此处不再赘述。
在步骤102中,根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列。
在获取到用户感知数据和网管性能数据之后,按照预设时间间隔对每个用户感知指标对应的用户感知数据、以及每个网管性能指标对应的网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列。
一般地,与待测试设备通信连接的用户终端为多个,对应地,获取到的每个用户感知指标对应的用户感知数据为多个用户终端的用户感知数据的数据集合,该多个用户终端可以是与待测试设备连接的所有用户终端,也可以是部分用户终端。例如,当待测试设备连接的用户终端的数量超过某个数量阈值时,可以获取指定数量的用户终端的用户感知数据。可选地,在不同时间获取的用户感知数据对应的用户终端可以不同,例如,当待测试设备连接有100个用户终端时,该100个用户终端分别用标号1-100表示,在第一时间段可以获取标号为1-50这50个用户终端的用户感知数据,在第二时间段可以获取标号为51-100这50个用户终端的用户感知数据,当然,在第二时间段也可以获取标号为11-70这60个用户终端的用户感知数据等,多个时间段获取到的用户感知数据的集合即为待测试设备的用户感知数据。上述按照预设时间间隔对用户感知数据进行采样处理,得到待测试设备的设备感知指标时间序列。示例性地,可以按照预设时间间隔对获取的用户感知数据进行采样处理,这样每个采样点都对应有多个用户终端的采样数据,然后再计算每个采样点对应的多个用户终端的采样数据的平均值,将计算得到的平均值作为该采样点对应的元素,根据每个采样点对应的元素,可以得到待测试设备每个用户感知指标对应的设备感知指标时间序列,也就是说,设备感知指标时间序列中包含的感知元素是待测试设备连接的多个用户终端的采样数据的平均值。
示例性地,当获取到的用户感知指标u对应的数据集合包括p个用户终端从2021年2月21日0时至24时的用户感知数据,假设预设时间间隔是1小时,则按照获取的时间先后顺序,每隔1小时对数据集合中的用户感知数据进行采样,得到24个采样点,每个采样点包括p个用户终端的采样数据,计算P个用户终端的采样数据的平均值,将该平均值作为该采样点的值;计算得到的24个采样点的值组成用户感知指标u的设备感知指标时间序列。
网管性能指标对应的网管性能数据可以由网管实时检测待检测设备采集得到,可以直接按照预设时间间隔对各个网管性能指标对应的网管性能数据进行采样处理,得到各个采样点的网管性能数据作为网管性能指标时间序列中的网管性能元素。
在步骤103中,根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量。
为了方便描述,将设备感知指标时间序列和网管性能指标时间序列统称为时间序列。在得到每个用户感知指标对应的设备感知指标时间序列和每个网管性能指标对应的网管性能指标时间序列后,可以进一步对各个时间序列进行处理,得到各个时间序列的特征数据,进而基于各个时间序列的特征数据确定待检测设备的多维特征向量。
在一可选实施例中,多维特征向量包括各个时间序列的平均值、标准差、异常元素数量以及异常时长,充分考虑时序分布特征,以提高后续分析结果的准确性。
为了便于区分,将设备感知指标时间序列中的平均值称为第一平均值、标准差称为第一标准差、异常元素称为异常感知元素、异常元素数量称为第一数量、异常时长称为第一时长;将网管性能指标时间序列中的平均值称为第二平均值、标准差称为第二标准差、异常元素称为异常网管性能元素、异常元素数量称为第二数量、异常时长称为第二时长。
上述根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量,可以包括:
确定所述设备感知指标时间序列的第一平均值和第一标准差,以及所述网管性能指标时间序列的第二平均值和第二标准差;
根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素;
根据所述设备感知指标时间序列中的异常感知元素的第一数量和对应的第一时长、所述设备感知指标时间序列的第一平均值和第一标准差,以及根据所述网管性能指标时间序列中的异常网管性能元素的第二数量和对应的第二时长、所述网管性能指标时间序列的第二平均值和第二标准差,确定所述待检测设备的多维特征向量。
本实施例中,对于每个设备感知指标时间序列,根据设备感知指标时间序列中的每个感知元素,可以计算得到第一平均值和第一标准差;同理,对于每个网管性能指标时间序列,根据网管性能指标时间序列中的每个网管性能元素,可以计算得到第二平均值和第二标准差。
在得到设备感知指标时间序列的第一平均值后,将设备感知指标时间序列中的每个感知元素与第一平均值进行比较,并将比较结果与第一差值阈值进行对比,根据对比结果确定感知元素是否为异常感知元素,从而确定异常感知元素,进而计算该设备感知指标时间序列中的异常感知元素的数量和总时长,即可得到第一数量和第一时长。同理,可以确定网管性能指标时间序列中的异常网管性能元素,进而计算异常网管性能元素的数量和总时长,即可得到第二数量和第二时长。
根据每个设备感知指标时间序列的第一平均值、第一标准差、第一数量和第一时长,以及每个网管性能指标时间序列的第二平均值、第二标准差、第二数量和第二时长,得到待检测设备的多维特征向量。
其中,根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素,可以包括:
将所述设备感知指标时间序列中、与所述第一平均值的差值不符合所述第一差值阈值的感知元素确定为异常感知元素,以及,将所述网管性能指标时间序列中、与所述第二平均值的差值不符合所述第二差值阈值的网管性能元素确定为异常网管性能元素。
每个时间序列的差值阈值一般不同,也就是说,第一差值阈值和第二差值阈值可以由测试人员根据实际需求进行设置。例如,首屏时延指标对应的首屏时延时间序列的第一差值阈值为[-∞,A],下载速率指标对应的下载速率时间序列的第一差值阈值为[B,∞]。假设首屏时延时间序列中的首屏时延元素与首屏时延时间序列的第一平均值的差值用a表示,当a大于A时,说明a不符合首屏时延时间序列的第一差值阈值,确定对应的首屏时延元素为异常首屏时延元素。假设下载速率时间序列中的下载速率元素与下载速率时间序列的第一平均值的差值用b表示,当b小于B时,说明b不符合下载速率时间序列的第一差值阈值,确定对应的下载速率元素为异常下载速率元素。
如图2所示,图2是获取已知的正常设备的首屏时延、服务器连接时延、响应时延和下载时延的时间序列的示意图。图3-6是图2中的首屏时延、服务器连接时延、响应时延和下载时延的时间序列的概率密度分布图,结合图2-6可以得出,正常设备对应的设备感知指标时间序列符合高斯分布,同理,通过采集已知的正常设备的网管性能指标时间序列,可以得出正常设备对应的网管性能指标时间序列也符合高斯分布。根据正常设备对应的设备感知指标时间序列和网管性能指标时间序列都符合高斯分布这一研究结果,在一示例中,可以采用3σ原则确定异常元素。也就是说,通过3σ原则确定各个时间序列的差值阈值,即差值阈值等于3σ,进而结合平均值和差值阈值,确定异常元素。
为了方便理解本示例中的多维特征向量的确定过程,下面结合具体例子进行说明。
以N个设备感知指标时间序列、M个网管性能指标时间序列为例,可以确定时间序列的总数量为N+M,用Xi表示时间序列,其中,i=0,1,…,N+M,计算Xi的平均值μi和标准差σi,并结合平均值μi和Xi序列对应的差值阈值Ei,确定Xi序列中的异常元素数量Ki和异常时长Di,得到4(N+M)维特征向量(K0,D0,μ0,σ0,K1,D1,μ1,σ1,…,KN+M,DN+M,μN+M,σN+M)。
进一步地,在本申请一可选实施例中,在上述得到第一数量的过程中,还可以将时间顺序相邻的异常感知元素进行合并,将合并后的数量确定为第一数量;同理,在得到第二数量的过程中,可以将时间顺序相邻的异常网管性能元素进行合并,将合并后的数量确定为第二数量。通过将时间顺序相邻的异常元素进行合并,也就是将连续的异常记为一次异常,使得异常数量(第一数量和第二数量)可以更好地表征出现异常的次数。
当然,在其他实施例中,上述多维特征向量还可以包括每个时间序列的平均值、标准差和异常时长,或者,多维特征向量包括每个时间序列的平均值和异常时长等都属于本申请的保护范围。
在步骤104中,计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的。
本实施例需要获取多个设备的多维特征向量,并采用聚类算法对多个设备的多维特征向量进行聚类计算,得到异常状态聚类和正常状态聚类,进而得到异常状态聚类的聚类中心和正常状态聚类的聚类中心。异常状态聚类的聚类中心也称异常状态聚类中心,正常状态聚类的聚类中心也称正常状态聚类中心。通过对多个设备的多维特征向量进行聚类,得到正常状态聚类和异常状态聚类,可以较为准确地总结正常设备和异常设备的规律。
示例性地,参与聚类计算的多个设备是多个待检测设备,该多个待检测设备的预设测试任务是相同的,具有相同的特征维度,以提高聚类计算的准确性,并且可以通过一次聚类计算同时确定多个待检测设备的状态。具体地,采用聚类算法对多个待检测设备的多维特征向量进行聚类,得到异常状态聚类和正常状态聚类。在采用聚类算法对所有待测试设备的多维特征向量进行聚类的过程中,需要计算各个待测试设备的多维特征向量与各个状态聚类中心的距离,以便根据计算出的距离确定待测试设备所属的聚类类型。
其中,聚类算法可以为K-means++算法,用于计算多维特征向量与各个状态聚类中心的距离的距离计算公式可以由测试人员根据实际情况进行设置,示例性地,距离计算公式可以包括曼哈顿距离、欧式距离、皮尔逊相关系数等中的任意一种。当然,也可以先采用多种距离计算公式分别进行计算,根据计算结果和实际应用场景的需求,从中确定出目标距离计算公式,进而采用目标距离计算公式计算多维特征向量与各个状态聚类中心的距离。
需要说明的是,聚类算法并不限于上述示例中的k-means++算法,采用其他聚类算法,例如k-means算法等也应当属于本申请的保护范围。
在步骤105中,当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
在得到多维特征向量与各个状态聚类中心的距离之后,可以比较多维特征向量与各个状态聚类中心的距离的大小,当多维特征向量与异常状态聚类中心的距离在多维特征向量与各个状态聚类中心的距离中的最小值时,说明多维特征向量与异常状态聚类中心的距离最短,此时,可以确定待检测设备为异常设备。
一般地,状态聚类中心包括正常状态聚类中心和异常状态聚类中心,当多维特征向量与异常状态聚类中心的距离小于多维特征向量与正常状态聚类中心的距离时,说明多为特征向量与异常状态聚类中心的距离最短,可以理解,该待检测设备属于异常状态聚类,因此,可以确定该待检测设备为异常设备;反之,当多维特征向量与异常状态聚类中心的距离大于多维特征向量与正常状态聚类中心的距离时,则确定该待检测设备属于正常状态聚类,因此,可以确定该待检测设备为正常设备。
通过本申请实施例提供的异常设备检测方法,可以自动检测出异常设备。
进一步地,在确定异常设备之后,本申请一可选实施例还可以包括:
获取异常设备的相关信息;
将相关信息输出到可视化界面中,以按照预设展示需求进行展示。
其中,相关信息可以包括设备IP、设备所处的地理位置、设备名称、以及核查结果等中的一种或多种,并且将相关信息输出到可视化界面中,以按照预设展示需求进行展示,可以方便测试人员对异常设备进行进一步分析,并对异常进行优化处理。
示例性地,可视化界面中可以包括多个筛选控件,例如,区域筛选控件、时间筛选控件等,通过区域筛选控件,可以在可视化界面中仅显示区域筛选控件选中的区域对应的异常设备的相关信息。通过时间筛选控件,可以在可视化界面中仅显示时间筛选控件选中的时间段对应的异常设备的相关信息。
示例性地,可视化界面中可以包括异常导出控件,响应于针对异常导出控件的触发操作,可以将选中的异常设备的相关信息汇总到同一表格中并导出,表格类型可以如图7所示,图7是一示例中,对全网OLT设备设置相同测试任务得到的异常设备汇总表。
本申请实施例通过获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;根据预设时间间隔对用户感知数据和网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;根据设备感知指标时间序列的特征数据和网管性能指标时间序列的特征数据,确定待检测设备的多维特征向量;计算多维特征向量与各个状态聚类中心的距离;各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;当多维特征向量与异常状态聚类中心的距离最短时,确定待检测设备为异常设备。本申请实施例在分析设备是否存在异常隐患的过程中,结合用户感知指标和网管性能指标进行分析,可以解决现有技术无法排查出网管性能指标正常,但用户感知不好的异常设备的问题,另外,本申请实施例通过设备感知指标时间序列和网管性能指标时间序列确定多维特征向量,并基于多维特征向量进行聚类计算,充分考虑了时序分布特征,可以提高检测结果的准确性。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图8,示出了本申请的一种异常设备检测装置实施例的结构框图,与上述异常设备检测方法实施例相对应,该异常设备检测装置具体可以包括如下模块:
数据获取模块801,用于获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;
序列生成模块802,用于根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;
特征确定模块803,用于根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量;
聚类计算模块804,用于计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;
异常确定模块805,用于当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
可选地,所述特征确定模块803,可以包括:
平均值和标准差确定子模块,用于确定所述设备感知指标时间序列的第一平均值和第一标准差,以及所述网管性能指标时间序列的第二平均值和第二标准差;
异常元素确定子模块,用于根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素;
多维特征向量确定子模块,用于根据所述设备感知指标时间序列中的异常感知元素的第一数量和对应的第一时长、第一平均值和第一标准差,以及根据所述网管性能指标时间序列中的异常网管性能元素的第二数量和对应的第二时长、第二平均值和第二标准差,确定所述待检测设备的多维特征向量。
可选地,与所述待检测设备通信连接的用户终端设置有测试探针,所述测试探针用于模拟用户上网行为,所述数据获取模块801,可以包括:
用户行为数据获取子模块,用于根据预设测试任务控制所述测试探针模拟用户上网行为,并获取所述测试探针模拟用户上网行为产生的用户行为数据;
用户感知数据获取子模块,用于从所述用户行为数据中获取用户感知指标对应的用户感知数据。
可选地,所述用户感知数据获取子模块,还用于删除所述用户行为数据中不满足预设数据范围的用户感知数据。
可选地,所述异常元素确定模块,用于将所述设备感知指标时间序列中、与所述第一平均值的差值不符合所述第一差值阈值的感知元素确定为异常感知元素,以及,将所述网管性能指标时间序列中、与所述第二平均值的差值不符合所述第二差值阈值的网管性能元素确定为异常网管性能元素。
可选地,所述聚类计算模块801还可以包括:
多设备特征获取子模块,用于获取多个设备的多维特征向量;
聚类计算子模块,用于采用聚类算法对所述多个设备的多维特征向量进行聚类计算,得到异常状态聚类和正常状态聚类,并确定异常状态聚类中心和正常状态聚类中心。
可选地,所述装置还可以包括:
异常信息获取模块,用于获取所述异常设备的相关信息;
异常信息展示模块,用于将所述相关信息输出到可视化界面中,以按照预设展示需求进行展示。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例还公开了电子设备,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的异常设备检测方法的步骤。
本申请实施例还公开了计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的异常设备检测方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例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,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(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。
本申请实施例是参照根据本申请实施例的方法、终端设备(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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种异常设备检测方法及装置、电子设备和存储介质,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种异常设备检测方法,其特征在于,所述方法包括:
获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;
根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;
根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量;
计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;
当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
2.根据权利要求1所述的方法,其特征在于,所述根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量,包括:
确定所述设备感知指标时间序列的第一平均值和第一标准差,以及所述网管性能指标时间序列的第二平均值和第二标准差;
根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素;
根据所述设备感知指标时间序列中的异常感知元素的第一数量和对应的第一时长、第一平均值和第一标准差,以及根据所述网管性能指标时间序列中的异常网管性能元素的第二数量和对应的第二时长、第二平均值和第二标准差,确定所述待检测设备的多维特征向量。
3.根据权利要求1所述的方法,其特征在于,与所述待检测设备通信连接的用户终端设置有测试探针,所述测试探针用于模拟用户上网行为,所述获取待检测设备的用户感知数据,包括:
根据预设测试任务控制所述测试探针模拟用户上网行为,并获取所述测试探针模拟用户上网行为产生的用户行为数据;
从所述用户行为数据中获取用户感知指标对应的用户感知数据。
4.根据权利要求3所述的方法,其特征在于,所述从所述用户行为数据中获取用户感知指标对应的用户感知数据,还包括:
删除所述用户行为数据中不满足预设数据范围的用户感知数据。
5.根据权利要求2所述的方法,其特征在于,所述根据所述第一平均值和第一差值阈值,确定所述设备感知指标时间序列中的异常感知元素,以及,根据所述第二平均值和第二差值阈值,确定所述网管性能指标时间序列中的异常网管性能元素,包括:
将所述设备感知指标时间序列中、与所述第一平均值的差值不符合所述第一差值阈值的感知元素确定为异常感知元素,以及,将所述网管性能指标时间序列中、与所述第二平均值的差值不符合所述第二差值阈值的网管性能元素确定为异常网管性能元素。
6.根据权利要求1所述的方法,其特征在于,所述计算所述多维特征向量与各个状态聚类中心的距离,还包括:
获取多个设备的多维特征向量;
采用聚类算法对所述多个设备的多维特征向量进行聚类计算,得到异常状态聚类和正常状态聚类,并确定异常状态聚类中心和正常状态聚类中心。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述异常设备的相关信息;
将所述相关信息输出到可视化界面中,以按照预设展示需求进行展示。
8.一种异常设备检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待检测设备的用户感知指标对应的用户感知数据、网管性能指标对应的网管性能数据;
序列生成模块,用于根据预设时间间隔对所述用户感知数据和所述网管性能数据进行采样处理,得到对应的设备感知指标时间序列和网管性能指标时间序列;
特征确定模块,用于根据所述设备感知指标时间序列的特征数据和所述网管性能指标时间序列的特征数据,确定所述待检测设备的多维特征向量;
聚类计算模块,用于计算所述多维特征向量与各个状态聚类中心的距离;所述各个状态聚类中心是基于多个设备的多维特征向量聚类得到的;
异常确定模块,用于当所述多维特征向量与异常状态聚类中心的距离最短时,确定所述待检测设备为异常设备。
9.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的异常设备检测方法的步骤。
10.一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计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的异常设备检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210675327.3A CN115225455B (zh) | 2022-06-15 | 异常设备检测方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210675327.3A CN115225455B (zh) | 2022-06-15 | 异常设备检测方法及装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115225455A CN115225455A (zh) | 2022-10-21 |
CN115225455B true CN115225455B (zh) | 2024-07-05 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601900A (zh) * | 2019-09-23 | 2019-12-20 | 中盈优创资讯科技有限公司 | 一种网络故障预警方法及装置 |
CN112416661A (zh) * | 2020-11-18 | 2021-02-26 | 清华大学 | 基于压缩感知的多指标时间序列异常检测方法和装置 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110601900A (zh) * | 2019-09-23 | 2019-12-20 | 中盈优创资讯科技有限公司 | 一种网络故障预警方法及装置 |
CN112416661A (zh) * | 2020-11-18 | 2021-02-26 | 清华大学 | 基于压缩感知的多指标时间序列异常检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107302547B (zh) | 一种web业务异常检测方法及装置 | |
CN110601900B (zh) | 一种网络故障预警方法及装置 | |
US20110276836A1 (en) | Performance analysis of applications | |
CN106657160B (zh) | 面向大流量基于可信度的网络恶意行为检测方法 | |
CN110457175B (zh) | 业务数据处理方法、装置、电子设备及介质 | |
CN108206769B (zh) | 过滤网络质量告警的方法、装置、设备和介质 | |
CN108683564B (zh) | 一种基于多维决策属性的网络仿真系统可信度评估方法 | |
CN110740065B (zh) | 劣化故障点的识别方法、装置及系统 | |
CN116719664B (zh) | 基于微服务部署的应用和云平台跨层故障分析方法及系统 | |
CN111327539A (zh) | 一种业务调度的方法、装置及设备 | |
EP2719152A1 (en) | Method for generating rules and parameters for assessing relevance of information derived from internet traffic | |
CN111611146A (zh) | 一种微服务故障预测方法和装置 | |
CN116781563A (zh) | 一种网页服务细粒度的评估装置、评估方法和评估系统 | |
KR20140051678A (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
JP2016045556A (ja) | ログ間因果推定装置、システム異常検知装置、ログ分析システム、及びログ分析方法 | |
CN113098912B (zh) | 用户账户异常的识别方法、装置、电子设备及存储介质 | |
CN116938683B (zh) | 一种基于网络安全异常检测的网络路径分析系统及方法 | |
CN115225455B (zh) | 异常设备检测方法及装置、电子设备、存储介质 | |
US9645877B2 (en) | Monitoring apparatus, monitoring method, and recording medium | |
CN115225455A (zh) | 异常设备检测方法及装置、电子设备、存储介质 | |
US9258203B1 (en) | Monitoring computer performance metrics utilizing baseline performance metric filtering | |
CN115840686A (zh) | 一种服务器性能测试方法、装置、电子设备以及存储介质 | |
KR100812946B1 (ko) | 이동 통신망에서의 서비스 품질 관리 시스템 및 방법 | |
KR20100045257A (ko) | 네트워크 트래픽 모니터링 방법 및 장치 | |
Uzun et al. | End-to-end internet speed analysis of mobile networks with mapReduce |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |