CN115604745A - 高维kpi的异常检测方法、装置、计算机可读介质及设备 - Google Patents
高维kpi的异常检测方法、装置、计算机可读介质及设备 Download PDFInfo
- Publication number
- CN115604745A CN115604745A CN202211040346.5A CN202211040346A CN115604745A CN 115604745 A CN115604745 A CN 115604745A CN 202211040346 A CN202211040346 A CN 202211040346A CN 115604745 A CN115604745 A CN 115604745A
- Authority
- CN
- China
- Prior art keywords
- kpi
- abnormal
- kpis
- abnormal fluctuation
- clustering
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 174
- 230000002159 abnormal effect Effects 0.000 claims abstract description 263
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 65
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011524 similarity measure Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 abstract description 103
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 230000002457 bidirectional effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000006317 isomerization reaction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/50—Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请的实施例提供了一种高维KPI的异常检测方法、装置、计算机可读介质及设备。该方法包括：获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链；根据待检测KPI的实时数据分别与聚类中心KPI和异常波动传播链进行匹配，从而确定第一目标检测KPI和第二目标检测KPI，以分别调用与第一目标检测KPI和第二目标检测KPI相对应的异常检测模型对其进行异常检测。本申请实施例的技术方案提高KPI的异常检测效率，减少需要训练和维护模型的数量，并能保证异常检测结果的准确性。
Description
技术领域
本申请涉及计算机及通信技术领域，具体而言，涉及一种高维KPI的异常检测方法、装置、计算机可读介质及设备。
背景技术
伴随着移动通信技术的发展，移动通信网络的规模不断扩大，网元数量成百上千的增加，如何确保整个通信网络系统稳定、安全的运行，以及如何高效地发现故障和定位故障等将成为运营商需要面对的问题。近年来，随着机器学习、深度学习等技术的发展，结合了互联网人工智能和运维的AIOps(Artificial Intelligence for IT Operations，智能运维)应运而生。其中，关键性能指标KPI(Key Performance Indicator)的异常检测是移动通信智能运维的一个核心技术。
KPI是一种时间序列数据，当KPI中最新出现的观测值明显偏离历史数据时，如突升、突降、抖动等现象，往往意味着相关的应用和服务出现故障，需要在故障扩大影响范围前及时消除故障。传统的移动通信网络KPI异常检测往往是通过对每个KPI分别设置阈值来进行检测，但这种方法严重依赖运维专家的经验，同时随着移动通信网络复杂化、异构化使得KPI种类众多，形成高维度KPI数据，采用传统的异常检测方法存在效率低下和漏检的问题。
发明内容
本申请的实施例提供了一种高维KPI的异常检测方法、装置、计算机可读介质及设备，进而至少在一定程度上可以提高KPI的异常检测效率，减少需要训练和维护模型的数量，并能保证异常检测结果的准确性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种高维KPI的异常检测方法，该方法包括：
获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；
对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI；
获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配；
将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI；
将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI；
针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果；
根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。
根据本申请实施例的一个方面，提供了一种高维KPI的异常检测装置，该装置包括：
聚类模块，用于获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；
传播链构建模块，用于对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI；
第一匹配模块，用于获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配；将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI；
第二匹配模块，用于将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI；
处理模块，用于针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果；根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的高维KPI的异常检测方法。
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的高维KPI的异常检测方法。
根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的高维KPI的异常检测方法。
在本申请的一些实施例所提供的技术方案中，通过获取历史上出现的异常KPI的数据，并根据异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI，对未成功聚类的剩余异常KPI进行异常波动关联性分析，构建异常波动传播链，该异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI。获取各待检测KPI的实时数据，并将各待检测KPI的数据曲线分别与各聚类中心KPI的数据曲线进行匹配，将存在与任一聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI，将不存在与任一聚类中心KPI相匹配的待检测KPI与各异常波动传播链中的异常KPI进行匹配，确定与同一异常波动传播链相匹配的待检测KPI，并将与同一异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI，针对第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对第一目标检测KPI进行异常检测，以获取第一目标检测KPI对应的第一异常检测结果，根据第二目标检测KPI的类型，调用与类型对应的异常检测模型对第二目标检测KPI进行异常检测，以获取第二目标检测KPI的第二异常检测结果。
由此，无需针对每一个KPI构建异常检测模型，采用聚类中心KPI对应的异常检测模型即可对相匹配的至少一个第一目标检测KPI进行检测，减少需要训练和维护模型的数量。并且，对应于同一异常波动传播链的待检测KPI，由于同一异常波动传播链中的KPI的异常波动存在关联性，即在先的KPI发生异常波动，则会导致在后的KPI相应发生异常波动，因此，只需针对最先引起异常波动的待检测KPI进行异常检测，不仅可以减少检测量，提高了检测效率，同时也能保证异常检测结果的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。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的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了根据本申请的一个实施例的高维KPI的异常检测方法的流程示意图；
图2示出了根据本申请的一个实施例的图1的高维KPI的异常检测方法中确定各聚类中心KPI的流程示意图；
图3示出了根据本申请的一个实施例的图1的高维KPI的异常检测方法中步骤S120的流程示意图；
图4示出了应用了本申请一实施例提供的图3的高维KPI的异常检测方法后得到的相关性系数的热力图；
图5为根据本发明实施例的基于双向长短时记忆网络的变分自编码器的网络结构示意图；
图6示出了根据本申请的一个实施例的高维KPI的异常检测装置的框图；
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
需要说明的是，本申请实施例所提供的高维KPI的异常检测方法一般由服务器执行，相应地，高维KPI的异常检测装置一般设置于服务器中。但是，在本申请的其它实施例中，终端设备(例如智能手机、平板电脑、台式电脑、便携式电脑中的一种或多种)也可以与服务器具有相似的功能，从而执行本申请实施例所提供的高维KPI的异常检测方法的方案。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
图1示出了根据本申请的一个实施例的高维KPI的异常检测方法的流程示意图。参照图1所示，该高维KPI的异常检测方法至少包括步骤S110至步骤S170，详细介绍如下：
在步骤S110中，获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI。
其中，异常KPI是历史上出现异常数据的KPI，其可以从运维专家处理过的异常KPI收集。
在该实施例中，应该理解的，KPI数据是一种时间序列数据，若出现异常，则会导致突升、突降或者抖动的情况发生，从而引起异常KPI的曲线对应变化。因此，根据各异常KPI的数据可以确定其所对应的曲线形状。根据不同异常KPI的曲线形状，可以对应计算异常KPI之间的曲线形状相似度，从而基于该曲线形状相似度进行聚类处理，得到各聚类簇，并确定各聚类簇的聚类中心KPI。
请参考图2，图2示出了根据本申请的一个实施例的图1的高维KPI的异常检测方法中确定各聚类中心KPI的流程示意图，参照图2所示，确定各聚类中心KPI至少包括步骤S210至步骤S230，详细介绍如下：
在步骤S210中，对各所述异常KPI的数据进行预处理，所述预处理至少依次包括缺失值处理、异常值剔除和标准化处理。
在该实施例中，根据获取的各异常KPI的数据，对各KPI数据进行预处理，该预处理至少依次包括缺失值处理、异常值剔除和标准化处理。例如缺失值处理，可以对历史数据中所缺失的数据采用多项式插值法，异常值剔除可以采用统计学方法例如箱线图法、3-Sigma法等，标准化处理可以采用零均值标准等。
在步骤S220中，对预处理后的所述异常KPI的时间序列两两进行曲线相似性计算，得到曲线形状相似性矩阵。
在该实施例中，互相关计算两条异常KPI之间的滑动内积，对于相位偏差具有天然的鲁棒性，因此可以采用基于互相关的相似性度量算法。具体地，对于两个长度为n的异常KPI时间序列
和
及位移s，采用以下公式计算标准化互相关NCC以及曲线形状相似性度量SSM：
其中，
应该理解的，NCC的取值范围为[-1,1],因而曲线形状相似性度量SSM的取值范围为[0,2]，为0时表示两曲线具有完全相同的形状，SSM值越小则表示两曲线的形状相似性越高。将计算得到的所述曲线形状相似性度量SSM作为矩阵元素，以得到曲线形状相似性矩阵。
在步骤S230中，根据所述曲线形状相似性矩阵，采用聚类算法对曲线形状相似的异常KPI进行聚类，并确定聚类所得到的各聚类簇的聚类中心KPI。
在该实施例中，可以采用DBSCAN聚类算法(Density-Based Spatial Clusteringof Applications with Noise，具有噪声的基于密度的聚类方法)是一种基于密度的空间聚类算法，该算法将具有足够密度的区域划分为簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大集合。在得到各个聚类簇之后，并确定各个聚类簇的聚类中心KPI。应该理解的，属于同一聚类簇的异常KPI的曲线形状都与该聚类簇的聚类中心KPI存在较大的形状相似度。在其他实施例中，也可以采用其他聚类算法进行聚类，对此不作特殊限定。
请继续参考图1，在步骤S120中，对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI。
在该实施例中，若存在异常KPI未聚类成功的，则对剩余的异常KPI进行异常波动关联性分析，以确定异常KPI之间异常波动的关联程度。根据关联程度达到一定程度的至少两个异常KPI构建一条异常波动传播链，应该理解的，属于同一异常波动传播链中的KPI，若在先的异常KPI发生异常波动，则会导致在后的异常KPI相应发生异常波动或者是其中一条异常KPI发生异常波动，同时另一条异常KPI相应发生异常波动，因此，只需检测最先引起异常波动的KPI，即可确定在后的KPI是否会发生异常波动，以大大减少了检测量。
基于图1所示的实施例，图3示出了根据本申请的一个实施例的图1的高维KPI的异常检测方法中步骤S120的流程示意图。参照图3所示，步骤S120至少包括步骤S310至步骤S350，详细介绍如下：
在步骤S310中，采用时间序列预测算法对未成功聚类的剩余所述异常KPI进行预测，以获取各异常KPI对应的预测序列。
在该实施例中，可以采用时间序列预测算法对未成功聚类的剩余异常KPI进行预测，从而获取各异常KPI对应的预测序列。在一示例中，可以采用Holt-winters(三次指数平滑)、Wavelet decomposition(小波分解)或TimeSeries Decomposition(时间序列分解)等时间序列预测算法进行预测。
在步骤S320中，根据所述异常KPI的真实时间序列以及对应的预测序列之间的差值，提取各所述异常KPI的异常波动特征序列。
在该实施例中，用R＝{r1,…,rm}表示一条KPI时间序列，使用时间序列预测算法产生的预测序列为P＝{p,…,pm}，则异常波动特征序列为E＝{ε1,…,εm}，其中εi＝ri-pi,1≤i≤n。
在步骤S330中，根据所述异常波动特征序列两两进行异常波动特征相关性计算，确定所述异常波动特征序列之间的相关性系数。
在该实施例中，根据各异常KPI对应的异常波动特征序列，两两进行异常波动特征相关性计算，从而确定异常波动特征序列之间的相关性系数。
具体地，在本申请的一个实施例中，设两条长度为l的异常波动特征序列为
M＝{m1,m2，…,ml}和N＝{n1,n2…,nl}，固定异常波动特征序列N，让异常波动特征序列M在异常波动特征序列N上平移，计算异常波动特征序列M每次平移s个单位时的内积，其中，平移s个单位的异常波动特征序列M可以表示为：
通过以下公式计算异常波动特征序列Ms和N的相似度系数Corr：
遍历所有s的值，得到一个长度为2l-1的向量，设向量的最小值和最大值分别为minCorr和maxCorr，分别对应于移位的值s1和s2，则确定异常波动特征序列M和N之间的相似度系数为：
上式中，CORR值的范围在-1到1之间；通过CORR值可以得到，CORR值接近1或-1表示异常波动特征序列M和N的相关性越强；CORR值为正值表示异常波动特征序列M和N的波动方向相同，是正相关；负值的CORR值表示异常波动特征序列M和N的波动方向相反，是负相关；通过对s＜0或者s≥0的分析就可以判断异常波动是同时发生还是有先后顺序发生。
在步骤S340中，将所述相关性系数作为矩阵元素，以构建异常波动相关性矩阵。
在该实施例中，将相关性系数CORR值作为矩阵元素，从而构建异常波动相关性矩阵。
在步骤S350中，根据聚类算法对所述异常波动相关性矩阵进行聚类，以构建异常波动传播链，并确定每一所述异常波动传播链中最先引起异常波动的异常KPI。
在该实施例中，也可以采用DBSCAN聚类算法对异常波动相关性矩阵进行聚类，从而构建异常波动传播链，并确定每一异常波动传播链中最先引起异常波动的异常KPI。
具体地，图4示出了应用了本申请一实施例提供的图3的高维KPI的异常检测方法后得到的相关性系数的热力图。
请参考图4，假设未成功聚类的共有16个异常KPI，图4中小方格的值表示两个异常KPI的CORR值的绝对值，通过聚类算法可以把KPI1到KPI10聚为一类，把KPI11到KPI16聚为一类，从而构建异常波动传播链和找出最先异常波动的KPI。
在一示例中，异常波动传播链构建可以分为以下两种情形：
1)如果KPI对之间CORR值的绝对值都为1，则说明这些KPI之间绝对相关，然后根据异常波动的先后顺序，得出异常波动传播链，进而得出最先异常波动的KPI(即最重要的KPI)，以4个KPI为例，找最先异常波动的KPI分为以下情况：
表1
注：x→y,表示x先于y发生异常波动；
表示x和y同时发生异常波动。
2)如果KPI对之间CORR值的绝对值不全为1，需要对KPI分等级，如果某条KPI与其他KPI的CORR值的绝对值都大于0.97，则等级为1；如果与其他KPI的CORR值的绝对值中有一个小于0.97，则等级为2；如果与其他KPI的CORR值的绝对值中有两个及其以上小于0.97，则等级为3，因为等级为3的KPI与其他KPI的异常波动特征存在一定差异，对于等级为3的KPI单独构建异常波动传播链，而等级为1和等级为2的KPI可以一起构建异常波动传播链。
同时根据CORR值的绝对值赋予每个KPI一个分数，CORR值的绝对值为1得分为10，CORR值的绝对值为0.99得分为9，依次类推，CORR值的绝对值为0.90及以下得分都为0。需要说明的，以上数字仅为示例性举例，本领域技术人员可以根据在先经验确定对应的相关性系数的阈值，对此不作特殊限定。
再根据以下规则找到最先异常波动的KPI：
首先根据异常波动传播链，如果两个KPI有先后顺序发生异常波动，则先异常波动的KPI即为所求；如果两个KPI同时发生异常波动，则判断两个KPI的等级，等级高的KPI即为先异常波动的KPI，否则两个KPI等级一样的话，则判断两个KPI的分数，分数高的KPI即为先异常波动的KPI。
以图4中KPI11～KPI16为例，KPI13、KPI14和KPI16为等级1，KPI11和KPI12为等级2，KPI15为等级3，因此KPI11、KPI12、KPI13、KPI14和KPI16一起构建异常波动传播链；同时KPI11得分为39，KPI12得分为38，KPI13得分为42，KPI14得分为39，KPI16得分为42，根据得分可以找到最先异常波动的KPI,KPI15单独为一条异常波动传播链。
在本申请的一个实施例中，在根据所述异常波动特征序列两两进行异常波动特征相关性计算，确定所述异常波动特征序列之间的相关性系数之前，所述方法还包括：
对每一异常波动特征序列进行零均值标准化后，通过以下公式进行异常波动特征放大：
其中，c为增长率，d是函数f的截断值，c和d为一个固定数值。
在该实施例中，因为不同KPI的异常波动特征具有不同的值，因此需要对每个特征进行零均值标准化，并且，通过以上公式可以削弱噪声对所提取的异常波动特征的影响，减弱小的波动，增强大的波动。
请继续参考图1，在步骤S130中，获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配。
在一实施例中，可以实时采集各待检测KPI的实时数据，计算各待检测KPI对应的数据曲线分别与各聚类中心KPI的数据曲线之间的形状相似性距离，若某一待检测KPI的数据曲线与某个聚类中心KPI的数据曲线的形状相似性距离小于0.2，则该聚类中心KPI与该待检测KPI相匹配，反之，则不匹配。需要说明的，本领域技术人员可以根据在先经验确定对应的判断阈值，对此不作特殊限定。
在步骤S140中，将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI。
在步骤S150中，将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI。
在该实施例中，对于未存在与任一聚类中心KPI相匹配的待检测KPI，可以将其与异常波动传播链中的异常KPI进行比较，确定该待检测KPI是否与该异常波动传播链相匹配。例如未与任一聚类中心KPI匹配成功的待检测KPIA，而某一条异常波动传播链中包括KPIA，则表示该待检测KPIA与该异常波动传播链相匹配。可以将对应于同一条异常波动传播链的待检测KPI分为同一组，并从同一组待检测KPI中确定最先异常波动的待检测KPI作为第二目标检测KPI。
在步骤S160中，针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果。
在该实施例中，针对第一目标检测KPI，可以调用与其相匹配的聚类中心KPI对应的异常检测模型以对该第一目标检测KPI进行异常检测。在一示例中，可以预先根据各聚类中心KPI的数据构建并训练相对应的异常检测模型，该聚类中心KPI的数据应尽可能包括正常数据，以使异常检测模型能够学习到曲线的正常模式，以便异常检测的准确性。应该理解的，因为第一目标检测KPI的曲线形状与聚类中心KPI的曲线形状相似度较高，因此，可以通过该聚类中心KPI对应的异常检测模型对该第一目标检测KPI直接进行异常检测。并且，对应于同一聚类中心KPI的多个第一目标检测KPI均可以采用上述异常检测模型进行检测，从而降低了模型建立的成本。
在步骤S170中，根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。
在本申请一示例性实施例中，KPI数据可以分为三类即周期型KPI、波动型KPI和稳定型KPI。周期型KPI呈现出较完整的周期特征。稳定型KPI，大部分数据都保持一个较稳定的状态，波动幅度较小，仅有个别的数据会出现突变和抖动的现象。波动型KPI不随时间呈现出相应的规律，波浮不定。
根据不同类型的KPI数据，可以采用不同的无监督算法建立并训练异常检测模型，在进行模型训练之前，对训练数据进行预处理和特征提取，具体地，预处理包括缺失值的填充、重复值处理、异常值的剔除、数据的平滑去噪及数据零均值标准化。其中，缺失值填充可采用多项式插值法；重复值处理可利用集合数据结构的特点进行检查去除；异常值剔除可采用统计学方法如箱线图法、3-Sigma法等；数据平滑可采用局部线性回归等方法。此外，针对周期型KPI数据数据，为了更好地让模型学习到其数值规律，采用基于等长有重叠的时间滑窗对时序KPI数据进行分段。
可以提取的KPI特征可以分为以下几类：统计特征，计算某一段时间范围内的均值、中位数、众数、最大值、最小值、方差和分位数等；差分特征，计算当前时间点和上一个时间点或上一个周期中相同时间点的差；时间特征，统计当前时刻点是一天中第几个小时、是星期几、是否为白天、是否为周末和是否为节假日。
对于周期型KPI可以使用Holt-winters预测模型(霍尔特—温特)和XGBoost回归模型(极端梯度提升树)等算法，对于波动型KPI训练高斯混合模型等算法，对于稳定性KPI可以直接设定阈值等算法。
作为一种优选实施例，周期型KPI可以采用基于双向长短时记忆网络的变分自编码器，如图5为根据本发明实施例的基于双向长短时记忆网络的变分自编码器的网络结构示意图，具体地，左半部分是编码器，编码器由一层双向长短时记忆网络构成，序列X通过编码器表示出μZ(即均值)和σZ(即标准差)，之后采样出Z(即隐变量)，最后通过解码器重构出序列
解码器是与编码器所对称的结构，损失函数如下：
需要说明的是，因模型训练前对KPI数据进行了异常值剔除的预处理操作，故基于双向长短时记忆网络的变分自编码器学习到的是无异常状态下的数据特征。当异常出现时，某一时刻的真实值可能与基于长短时记忆网络的变分自编码器预测值出现较大偏差，因此需要确定一个阈值区间来判断该时刻的真实值是否为异常。在训练基于双向长短时记忆网络的变分自编码器得到每个时刻的预测值之后，计算每个预测值与该时刻真实值之间的偏差，得到偏差序列，之后，利用3-sigma法得到偏差序列的阈值区间，用于异常判断。
作为一种优选实施例，波动型KPI采用高斯混合模型，高斯混合模型表示为如下：
其中，αk为系数，αk≥0，
为第k个高斯分布的概率密度函数。
需要说明的是，将数据预处理后的KPI数据输入高斯混合模型进行训练，得到高斯混合模型参数并计算得到每个时刻数据在的整体分布中的概率，利用箱线图法得到概率的上下阈值。异常检测时，结合概率上下阈值，判断是否为异常。
在本申请一示例性实施例中，若存在某些待检测KPI不存在与之相匹配的聚类中心KPI，也不对应于任意一条异常波动传播链，则可以根据该待检测KPI，调用与该待检测KPI的类型相对应的异常检测模型对其进行异常检测，以避免漏检。
基于前述实施例，在本申请的一个实施例中，该高维KPI的异常检测方法还包括：
若所述第一目标检测结果和/或所述第二目标检测结果指示发生异常，则根据异常的持续时间，确定异常的严重程度。
在该实施例中，若确定第一目标检测KPI或第二目标检测KPI的实时数据发生异常时，可以根据异常的持续时间，确定异常的严重程度，在一示例中，严重程度可以分为严重异常、中等异常和轻微异常，以便于运维人员及时处理，避免性能指标持续恶化。
由此，基于前述实施例，本申请实施例所提供的高维KPI的异常检测方法，通过寻找KPI曲线的曲线相似性以及异常波动的关联性，降低了建模成本，保证检测效果的同时减少了检测量。另外，通过建立无监督模型，可以高效、准确、及时地发现异常，以便于运维人员的后续故障定位处理。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的高维KPI的异常检测方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的高维KPI的异常检测方法的实施例。
图6示出了根据本申请的一个实施例的高维KPI的异常检测装置的框图。
参照图6所示，根据本申请的一个实施例的高维KPI的异常检测装置，包括：
聚类模块610，用于获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；
传播链构建模块620，用于对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI；
第一匹配模块630，用于获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配；将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI；
第二匹配模块640，用于将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI；
处理模块650，用于针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果；根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。
图7示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图7示出的电子设备的计算机系统仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统包括中央处理单元(Central Processing Unit，CPU)701，其可以根据存储在只读存储器(Read-Only Memory，ROM)702中的程序或者从储存部分708加载到随机访问存储器(Random Access Memory，RAM)703中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 703中，还存储有系统操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(Input/Output，I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分707；包括硬盘等的储存部分708；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Di sc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (10)
1.一种高维KPI的异常检测方法，其特征在于，包括：
获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；
对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI；
获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配；
将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI；
将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI；
针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果；
根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。
2.根据权利要求1所述的方法，其特征在于，根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI，包括：
对各所述异常KPI的数据进行预处理，所述预处理至少依次包括缺失值处理、异常值剔除和标准化处理；
对预处理后的所述异常KPI的时间序列两两进行曲线相似性计算，得到曲线形状相似性矩阵；
根据所述曲线形状相似性矩阵，采用聚类算法对曲线形状相似的异常KPI进行聚类，并确定聚类所得到的各聚类簇的聚类中心KPI。
3.根据权利要求2所述的方法，其特征在于，对预处理后的所述异常KPI的时间序列两两进行曲线相似性计算，得到曲线形状相似性矩阵，包括：
采用基于互相关的相似性度量算法，对于两个长度为n的异常KPI时间序列
和
及位移s，采用以下公式计算标准化互相关NCC以及曲线形状相似性度量SSM：
其中，
将计算得到的所述曲线形状相似性度量SSM作为矩阵元素，以得到曲线形状相似性矩阵。
4.根据权利要求1所述的方法，其特征在于，对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，包括：
采用时间序列预测算法对未成功聚类的剩余所述异常KPI进行预测，以获取各异常KPI对应的预测序列；
根据所述异常KPI的真实时间序列以及对应的预测序列之间的差值，提取各所述异常KPI的异常波动特征序列；
根据所述异常波动特征序列两两进行异常波动特征相关性计算，确定所述异常波动特征序列之间的相关性系数；
将所述相关性系数作为矩阵元素，以构建异常波动相关性矩阵；
根据聚类算法对所述异常波动相关性矩阵进行聚类，以构建异常波动传播链，并确定每一所述异常波动传播链中最先引起异常波动的异常KPI。
5.根据权利要求4所述的方法，其特征在于，根据所述异常波动特征序列两两进行异常波动特征相关性计算，确定所述异常波动特征序列之间的相关性系数，包括：
设两条长度为l的异常波动特征序列为M＝{m1,m2，…,ml}和N＝{n1,n2…,nl}，固定异常波动特征序列N，让异常波动特征序列M在异常波动特征序列N上平移，计算异常波动特征序列M每次平移s个单位时的内积，其中，平移s个单位的异常波动特征序列M可以表示为：
通过以下公式计算异常波动特征序列Ms和N的相关性系数Corr：
遍历所有s的值，得到一个长度为2l-1的向量，设向量的最小值和最大值分别为minCorr和maxCorr，分别对应于移位的值s1和s2，则确定异常波动特征序列M和N之间的相关性系数为：
6.根据权利要求4所述的方法，其特征在于，在根据所述异常波动特征序列两两进行异常波动特征相关性计算，确定所述异常波动特征序列之间的相关性系数之前，所述方法还包括：
对每一异常波动特征序列进行零均值标准化后，通过以下公式进行异常波动特征放大：
其中，c为增长率，d是函数f的截断值，c和d为一个固定数值。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：
若所述第一目标检测结果和/或所述第二目标检测结果指示发生异常，则根据异常的持续时间，确定异常的严重程度。
8.一种高维KPI的异常检测装置，其特征在于，包括：
聚类模块，用于获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；
传播链构建模块，用于对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI；
第一匹配模块，用于获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配；将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI；
第二匹配模块，用于将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI；
处理模块，用于针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果；根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的高维KPI的异常检测方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的高维KPI的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211040346.5A CN115604745A (zh) | 2022-08-29 | 2022-08-29 | 高维kpi的异常检测方法、装置、计算机可读介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211040346.5A CN115604745A (zh) | 2022-08-29 | 2022-08-29 | 高维kpi的异常检测方法、装置、计算机可读介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115604745A true CN115604745A (zh) | 2023-01-13 |
Family
ID=84843777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211040346.5A Pending CN115604745A (zh) | 2022-08-29 | 2022-08-29 | 高维kpi的异常检测方法、装置、计算机可读介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115604745A (zh) |
-
2022
- 2022-08-29 CN CN202211040346.5A patent/CN115604745A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112232447B (zh) | 一种电力设备状态监测数据的完整样本集的构建方法 | |
| CN115412455B (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| CN111625516A (zh) | 检测数据状态的方法、装置、计算机设备和存储介质 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN116108371B (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
| CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
| CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
| CN115391160B (zh) | 一种异常变更检测方法、装置、设备及存储介质 | |
| CN116910559A (zh) | 一种面向电网超算中心智能运维应用的指标异常检测方法 | |
| CN115081673B (zh) | 一种油气管道的异常预测方法、装置、电子设备及介质 | |
| CN116383645A (zh) | 一种基于异常检测的系统健康度智能监测评估方法 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN115705413A (zh) | 异常日志的确定方法及装置 | |
| CN115604745A (zh) | 高维kpi的异常检测方法、装置、计算机可读介质及设备 | |
| CN117350585A (zh) | 一种基于智能制造生产工序的电缆加工质量评价方法 | |
| CN115935285A (zh) | 基于掩码图神经网络模型的多元时间序列异常检测方法和系统 | |
| Zhao et al. | Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis | |
| CN113391987A (zh) | 一种上线软件系统的质量预测方法及装置 | |
| CN113792749A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
| CN118171047B (zh) | 缺失数据的填充方法及装置、电子设备和存储介质 | |
| CN117951695B (zh) | 一种工业未知威胁检测方法及系统 | |
| CN118585755B (zh) | 基于人工智能的充电桩安全性监测与故障诊断方法及系统 | |
| CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
| CN114936205A (zh) | 一种特征筛选方法、装置、存储介质及电子设备 | |
| CN118797265A (zh) | 自动特征工程方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |