CN115827383A - 数据异常监测方法和装置 - Google Patents
数据异常监测方法和装置 Download PDFInfo
- Publication number
- CN115827383A CN115827383A CN202211534163.9A CN202211534163A CN115827383A CN 115827383 A CN115827383 A CN 115827383A CN 202211534163 A CN202211534163 A CN 202211534163A CN 115827383 A CN115827383 A CN 115827383A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- target
- time
- threshold
- data
- 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
Images
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种数据异常监测方法和装置。所述方法包括:响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值,获取目标业务监测项在目标监测时间的目标业务数据,根据监测阈值,确定目标业务数据是否异常。采用本方法能够提高数据异常监测结果准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种数据异常监测方法和装置。
背景技术
随着计算机技术的发展,为了保证服务器的稳定,出现了对数据进行异常监测的技术。目前的数据异常监测方法,都是通过根据预先采集大量历史数据量信息对数据进行异常监测。
然而,目前的数据异常监测方法,由于依赖于大量的历史数据,所以当历史数据的数据量波动较大时,则无法对数据量的异常进行监测,存在着异常监测结果不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高数据异常监测结果准确性的数据异常监测方法和装置。
第一方面,本申请提供了一种数据异常监测方法。所述方法包括:
响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
获取所述目标业务监测项在所述目标监测时间的目标业务数据;
根据所述监测阈值,确定所述目标业务数据是否异常。
在其中一个实施例中,所述根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值,包括:
基于阈值估计模型,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;其中,所述阈值估计模型根据所述目标业务监测项在历史监测时间的历史业务数据确定,所述历史监测时间和所述目标监测时间具有相同的最小时间单位。
在其中一个实施例中,所述根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值,包括:
若阈值评估模型所对应的最小时间单位,与所述目标监测时间的最小时间单位不同,则获取所述目标业务监测项在历史监测时间的历史业务数据;其中,所述历史监测时间和所述目标监测时间具有相同的最小时间单位;采用所述历史业务数据,对所述阈值评估模型进行更新;基于更新后的阈值评估模型,根据所述目标监测时间,确定所述目标监测时间对应的监测阈值。
在其中一个实施例中,所述最小时间单位为时、分或秒;所述历史监测时间的最小时间单位对应的时间,与所述目标监测时间的最小时间单位对应的时间相同。
在其中一个实施例中,所述采用所述历史业务数据,对所述阈值评估模型进行更新,包括:
对所述历史业务数据进行预处理;其中,所述预处理至少包括数据清洗;采用预处理后的历史业务数据,对所述阈值评估模型进行更新。
在其中一个实施例中,所述方法还包括:
若所述目标业务数据异常,根据所述监测阈值与所述目标业务数据之间的差值,确定预警模式;采用所述预警模式,输出预警信息。
第二方面,本申请还提供了一种数据异常监测装置。所述装置包括:
阈值确定模块,用于响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
数据获取模块,用于获取所述目标业务监测项在所述目标监测时间的目标业务数据;
异常确定模块,用于根据所述监测阈值,确定所述目标业务数据是否异常。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
获取所述目标业务监测项在所述目标监测时间的目标业务数据;
根据所述监测阈值,确定所述目标业务数据是否异常。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,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以下步骤:
响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
获取所述目标业务监测项在所述目标监测时间的目标业务数据;
根据所述监测阈值,确定所述目标业务数据是否异常。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
获取所述目标业务监测项在所述目标监测时间的目标业务数据;
根据所述监测阈值,确定所述目标业务数据是否异常。
上述数据异常监测方法和装置,通过响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值,同时获取目标业务监测项在目标监测时间的目标业务数据,最后根据监测阈值,确定目标业务数据是否异常。上述方案,能够根据目标监测时间确定对应的监测阈值,保证了监测阈值的准确性,进而提高了数据异常监测的准确性。
附图说明
图1为一个实施例中数据异常监测方法的应用环境图;
图2为一个实施例中数据异常监测方法的流程示意图;
图3为一个实施例中对阈值评估模型进行更新的流程示意图;
图4为另一个实施例中数据异常监测方法的流程示意图;
图5为一个实施例中数据异常监测装置的结构框图;
图6为另一个实施例中数据异常监测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的数据异常监测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如,历史业务数据、目标业务数据等数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。例如,服务器104响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值,获取目标业务监测项在目标监测时间的目标业务数据,根据监测阈值,确定目标业务数据是否异常;进一步的,服务器104可以将目标业务数据异常结果送给终端102进行展示。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和物联网设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种数据异常监测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S201,响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值。
其中,业务监测项指的是根据业务构建出的,用于对业务进行数据异常监测的指标;对应的,目标业务监测项即为监测目标业务是否异常的指标;可选的,目标业务监测项可以的数量可以为一个或多个。
监测请求指的是基于目标业务监测项对目标业务进行数据异常监测的请求,其中,监测请求可以包括目标监测时间等信息;目标监测时间指的是基于目标业务监测项对目标业务进行数据监测的具体监测时间。
可选的,业务监测人员在具有对目标业务进行数据异常监测需求的情况下,可以通过所持终端中嵌入的能够请求服务器进行数据异常监测的工具,输入想要进行数据异常监测的目标业务监测项以及目标监测时间等信息,并点击提交,进而触发产生针对目标业务的目标业务监测项的监测请求,其中,工具可以是APP、可视化界面和小程序等。
进一步的,服务器接收到对目标业务监测项的监测请求后,根据监测请求中的目标监测时间,从目标业务下目标业务监测项的所有的历史数据中提取出与目标监测时间相对应的历史业务数据;可选的,可以将这些历史业务数据输入到经过训练的神经网络模型中,神经网络模型基于输入的历史业务数据,以及自身预设的参数能够输出目标业务监测项在目标监测时间的监测阈值。
示例性的,业务监测人员如果想要对软件A在今年十一月购物节时的购物订单量进行数据异常监测时,可以在终端页面上输入“十一月”、“软件A购物订单”等具体信息,通过点击提交按钮,可以将网页上的信息转化成针对软件A在今年十一月的购物订单的监测请求;进一步的,服务器会从软件A购物订单的历史数据中提取出往年十一月购物节时的购物订单量,并基于往年十一月购物节时的购物订单量得到今年十一月购物节时的购物订单量的监测阈值,并基于得到的监测阈值在今年十一月对软件A购物订单量进行监测。
可以理解的是,在本实施例中的监测阈值不是固定不变的,每一目标监测时间都有与之对应的监测阈值。例如,对于温度的监测阈值在夏季为零上35度,冬季为零下8度。
S202,获取目标业务监测项在目标监测时间的目标业务数据。
其中,目标业务数据指的是目标业务监测项在目标监测时间内生成的业务数据;目标业务数据可以包括但不限于业务时间、业务种类,以及业务数据量等信息。
具体的,服务器基于接收到的目标监测请求可以对目标业务监测项在目标监测时间内生成的业务数据进行监测,获取到目标业务数据。
示例性的,服务器在接收到针对软件A在今年十一月购物节时的购物订单量进行数据异常监测的请求后,服务器在今年十一月时会对软件A上的购物订单量进行实时监测,同时获取到在今年十一月的购物订单量,即目标业务数据。
S203,根据监测阈值,确定目标业务数据是否异常。
具体的,服务器通过比对目标业务数据内的业务数据量和监测阈值的大小,当目标业务数据内的业务数据量大于监测阈值时,确定目标业务数据异常;当目标业务数据内的业务数据量小于监测阈值时,确定目标业务数据正常。
上述数据异常监测方法中,通过响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值,同时获取目标业务监测项在目标监测时间的目标业务数据,最后根据监测阈值,确定目标业务数据是否异常。上述方案,能够根据目标监测时间确定对应的监测阈值,保证了监测阈值的准确性,进而提高了数据异常监测的准确性。
进一步的,为了能够更好地展示出数据异常监测的结果,在一个实施例中,若目标业务数据异常,根据监测阈值与目标业务数据之间的差值,确定预警模式;采用预警模式,输出预警信息。
具体的,在目标业务数据异常时,计算监测阈值与目标业务数据之间的差值,若差值大于某一预设阈值,则会向终端发送一个闪烁的红色图标,点击该图标后能够出现包括异常时间、异常业务监测项,以及异常数据量等预警信息,监测阈值与目标业务数据之间的差值越大,图标闪烁越快,即,能够更好地提醒监测人员进行处理;若监测阈值与目标业务数据之间的差值小于某一预设阈值,则会向终端发送一个普通的红色图标,点击该图标后能够出现包括异常时间、异常业务监测项,以及异常数据量等预警信息。
在上述实施例的基础上,提供一个根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的优选实施例,具体包括:
基于阈值估计模型,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值。
其中,阈值估计模型根据目标业务监测项在历史监测时间的历史业务数据确定,历史监测时间和目标监测时间具有相同的最小时间单位。其中,最小时间单位为时、分或秒;进一步的,历史监测时间的最小时间单位对应的时间,与目标监测时间的最小时间单位对应的时间相同。例如,如果目标监测时间为12日下午四点,即目标监测时间的最小时间单位为时,那么历史监测时间可以为11日下午四点、10日下午四点等,即历史监测时间的最小时间单位对应也应该是时。
具体的,将目标业务监测项在历史监测时间的历史业务数据作为样本输入到阈值估计模型中,并对阈值估计模型进行训练,就能够确定目标监测时间内的阈值估计模型;进一步的,在得到阈值估计模型后,可以通过样本数据对阈值估计模型进行进一步的测评,在测评通过后,即可将阈值估计模型进行上线推广。
更进一步的,将目标监测时间输入到阈值估计模型中,阈值估计模型即可输出目标监测时间对应的监测阈值。
在本实施例中,通过引入阈值估计模型,能够更精准的得到目标监测时间对应的监测阈值,进一步的提高了数据异常监测的准确性。
在上述实施例的基础上,如图3所示,对确定目标监测时间对应的监测阈值作进一步阐述,具体包括以下步骤:
S301,响应于对目标业务监测项的监测请求,若阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则获取目标业务监测项在历史监测时间的历史业务数据。
其中,历史监测时间和目标监测时间具有相同的最小时间单位。
具体的,在接收到监测请求后,若发现目标业务监测项的阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则无法通过将目标监测时间输入到目标业务监测项的阈值评估模型得到监测阈值;进一步的,为了得到监测阈值,需要先获取目标业务监测项在历史监测时间的历史业务数据。
S302,采用历史业务数据,对阈值评估模型进行更新。
可选的,可以将获取到的目标业务监测项在历史监测时间的历史业务数据输入到阈值评估模型中,阈值评估模型基于输入的历史业务数据能够进行更新,使得阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位相同。
为了使阈值评估模型更新的更加准确,还可以采用下述方法对阈值评估模型进行更新:
第一步骤,对历史业务数据进行预处理。
其中,预处理至少包括数据清洗。具体的,数据清洗可以包括检查数据一致性,处理数据无效值和缺失值等。
具体的,将采集到的历史业务数据中包含的重复项、缺少项进行删除等操作,使得历史业务数据变成格式统一的数据,便于下一步的操作。
第二步骤,采用预处理后的历史业务数据,对阈值评估模型进行更新。
具体的,将预处理后的历史业务数据作为样本数据输入到阈值评估模型,阈值评估模型基于输入的历史业务数据能够进行更新,使得阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位相同。
S303,基于更新后的阈值评估模型,根据目标监测时间,确定目标监测时间对应的监测阈值。
具体的,将目标监测时间输入到更新后的阈值评估模型中,阈值评估模型根据目标监测时间,能够输出目标监测时间对应的监测阈值。
在本实施例中,通过引入对阈值评估模型的更新,使得阈值评估模型输出的监测阈值更准确,进而提高了数据异常监测的准确性。
图4为另一个实施例中数据异常监测方法的流程示意图,在上述实施例的基础上,本实施例提供了一种数据异常监测的可选实例。结合图4,具体实现过程如下:
S401,获取对目标业务监测项的监测请求,并将监测请求中的目标监测时间的最小时间单位,与阈值评估模型所对应的最小时间单位进行对比。
S402,若阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则获取目标业务监测项在历史监测时间的历史业务数据。
S403,对获取到的历史业务数据进行预处理。
S404,采用预处理后的历史业务数据,对阈值评估模型进行更新。
S405,基于更新后的阈值评估模型,根据目标监测时间,确定目标监测时间对应的监测阈值。
S406,获取目标业务监测项在目标监测时间的目标业务数据。
S407,根据监测阈值,确定目标业务数据是否异常。
上述S401-S407的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的数据异常监测方法的数据异常监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个数据异常监测装置实施例中的具体限定可以参见上文中对于数据异常监测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种数据异常监测装置1,包括:阈值确定模块10、数据获取模块20和异常确定模块30,其中:
阈值确定模块10,用于响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;
数据获取模块20,用于获取目标业务监测项在目标监测时间的目标业务数据;
异常确定模块30,用于根据监测阈值,确定目标业务数据是否异常。
在一个实施例中,阈值确定模块10具体用于:
基于阈值估计模型,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;其中,阈值估计模型根据目标业务监测项在历史监测时间的历史业务数据确定,历史监测时间和目标监测时间具有相同的最小时间单位。
在一个实施例中,如图6所示,阈值确定模块10包括:
数据获取单元11,用于若阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则获取目标业务监测项在历史监测时间的历史业务数据;其中,历史监测时间和目标监测时间具有相同的最小时间单位;
模型更新单元12,用于采用历史业务数据,对阈值评估模型进行更新;
阈值确定单元13,用于基于更新后的阈值评估模型,根据目标监测时间,确定目标监测时间对应的监测阈值。
在一个实施例中,阈值确定模块10中涉及到的最小时间单位为时、分或秒;历史监测时间的最小时间单位对应的时间,与目标监测时间的最小时间单位对应的时间相同。
在一个实施例中,模型更新单元21具体用于:
对历史业务数据进行预处理;其中,预处理至少包括数据清洗;采用预处理后的历史业务数据,对阈值评估模型进行更新。
在一个实施例中,数据异常监测装置1还包括展示模块,该展示模块具体用于:
若目标业务数据异常,根据监测阈值与目标业务数据之间的差值,确定预警模式;采用预警模式,输出预警信息。
上述数据异常监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史业务数据和目标业务数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据异常监测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;
获取目标业务监测项在目标监测时间的目标业务数据;
根据监测阈值,确定目标业务数据是否异常。
在一个实施例中,处理器执行计算机程序中对根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的逻辑时,具体实现以下步骤:
基于阈值估计模型,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;其中,阈值估计模型根据目标业务监测项在历史监测时间的历史业务数据确定,历史监测时间和目标监测时间具有相同的最小时间单位。
在一个实施例中,处理器执行计算机程序中对根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的逻辑时,具体实现以下步骤:
若阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则获取目标业务监测项在历史监测时间的历史业务数据;其中,历史监测时间和目标监测时间具有相同的最小时间单位;采用历史业务数据,对阈值评估模型进行更新;基于更新后的阈值评估模型,根据目标监测时间,确定目标监测时间对应的监测阈值。
在一个实施例中,处理器执行计算机程序中的逻辑时,还涉及最小时间单位为时、分或秒;历史监测时间的最小时间单位对应的时间,与目标监测时间的最小时间单位对应的时间相同。
在一个实施例中,处理器执行计算机程序中对采用历史业务数据,对阈值评估模型进行更新的逻辑时,具体实现以下步骤:
对历史业务数据进行预处理;其中,预处理至少包括数据清洗;采用预处理后的历史业务数据,对阈值评估模型进行更新。
在一个实施例中,处理器执行计算机程序中的逻辑时,具体实现以下步骤:
若目标业务数据异常,根据监测阈值与目标业务数据之间的差值,确定预警模式;采用预警模式,输出预警信息。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;
获取目标业务监测项在目标监测时间的目标业务数据;
根据监测阈值,确定目标业务数据是否异常。
在一个实施例中,计算机程序中对根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的这一代码逻辑被处理器执行时,具体实现以下步骤:
基于阈值估计模型,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;其中,阈值估计模型根据目标业务监测项在历史监测时间的历史业务数据确定,历史监测时间和目标监测时间具有相同的最小时间单位。
在一个实施例中,计算机程序中对根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的这一代码逻辑被处理器执行时,具体实现以下步骤:
若阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则获取目标业务监测项在历史监测时间的历史业务数据;其中,历史监测时间和目标监测时间具有相同的最小时间单位;采用历史业务数据,对阈值评估模型进行更新;基于更新后的阈值评估模型,根据目标监测时间,确定目标监测时间对应的监测阈值。
在一个实施例中,计算机程序中的代码逻辑被处理器执行时,还涉及最小时间单位为时、分或秒;历史监测时间的最小时间单位对应的时间,与目标监测时间的最小时间单位对应的时间相同。
在一个实施例中,计算机程序中对采用历史业务数据,对阈值评估模型进行更新的这一代码逻辑被处理器执行时,具体实现以下步骤:
对历史业务数据进行预处理;其中,预处理至少包括数据清洗;采用预处理后的历史业务数据,对阈值评估模型进行更新。
在一个实施例中,计算机程序中的代码逻辑被处理器执行时,具体实现以下步骤:
若目标业务数据异常,根据监测阈值与目标业务数据之间的差值,确定预警模式;采用预警模式,输出预警信息。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
响应于对目标业务监测项的监测请求,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;
获取目标业务监测项在目标监测时间的目标业务数据;
根据监测阈值,确定目标业务数据是否异常。
在一个实施例中,计算机程序被处理器执行根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的操作时,具体实现以下步骤:
基于阈值估计模型,根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值;其中,阈值估计模型根据目标业务监测项在历史监测时间的历史业务数据确定,历史监测时间和目标监测时间具有相同的最小时间单位。
在一个实施例中,计算机程序被处理器执行根据监测请求中的目标监测时间,确定目标监测时间对应的监测阈值的操作时,具体实现以下步骤:
若阈值评估模型所对应的最小时间单位,与目标监测时间的最小时间单位不同,则获取目标业务监测项在历史监测时间的历史业务数据;其中,历史监测时间和目标监测时间具有相同的最小时间单位;采用历史业务数据,对阈值评估模型进行更新;基于更新后的阈值评估模型,根据目标监测时间,确定目标监测时间对应的监测阈值。
在一个实施例中,计算机程序被处理器执行时,还涉及最小时间单位为时、分或秒;历史监测时间的最小时间单位对应的时间,与目标监测时间的最小时间单位对应的时间相同。
在一个实施例中,计算机程序被处理器执行采用历史业务数据,对阈值评估模型进行更新的操作时,具体实现以下步骤:
对历史业务数据进行预处理;其中,预处理至少包括数据清洗;采用预处理后的历史业务数据,对阈值评估模型进行更新。
在一个实施例中,计算机程序被处理器执行时,具体实现以下步骤:
若目标业务数据异常,根据监测阈值与目标业务数据之间的差值,确定预警模式;采用预警模式,输出预警信息。
需要说明的是,本申请所涉及的数据(包括但不限于用于历史业务数据、目标业务数据等),均为经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种数据异常监测方法,其特征在于,所述方法包括:
响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
获取所述目标业务监测项在所述目标监测时间的目标业务数据;
根据所述监测阈值,确定所述目标业务数据是否异常。
2.根据权利要求1所述的方法,其特征在于,所述根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值,包括:
基于阈值估计模型,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;其中,所述阈值估计模型根据所述目标业务监测项在历史监测时间的历史业务数据确定,所述历史监测时间和所述目标监测时间具有相同的最小时间单位。
3.根据权利要求1所述的方法,其特征在于,所述根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值,包括:
若阈值评估模型所对应的最小时间单位,与所述目标监测时间的最小时间单位不同,则获取所述目标业务监测项在历史监测时间的历史业务数据;其中,所述历史监测时间和所述目标监测时间具有相同的最小时间单位;
采用所述历史业务数据,对所述阈值评估模型进行更新;
基于更新后的阈值评估模型,根据所述目标监测时间,确定所述目标监测时间对应的监测阈值。
4.根据权利要求2或3所述的方法,其特征在于,所述最小时间单位为时、分或秒;所述历史监测时间的最小时间单位对应的时间,与所述目标监测时间的最小时间单位对应的时间相同。
5.根据权利要求3所述的方法,其特征在于,所述采用所述历史业务数据,对所述阈值评估模型进行更新,包括:
对所述历史业务数据进行预处理;其中,所述预处理至少包括数据清洗;
采用预处理后的历史业务数据,对所述阈值评估模型进行更新。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标业务数据异常,根据所述监测阈值与所述目标业务数据之间的差值,确定预警模式;
采用所述预警模式,输出预警信息。
7.一种数据异常监测装置,其特征在于,所述装置包括:
阈值确定模块,用于响应于对目标业务监测项的监测请求,根据所述监测请求中的目标监测时间,确定所述目标监测时间对应的监测阈值;
数据获取模块,用于获取所述目标业务监测项在所述目标监测时间的目标业务数据;
异常确定模块,用于根据所述监测阈值,确定所述目标业务数据是否异常。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,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权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534163.9A CN115827383A (zh) | 2022-12-02 | 2022-12-02 | 数据异常监测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534163.9A CN115827383A (zh) | 2022-12-02 | 2022-12-02 | 数据异常监测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115827383A true CN115827383A (zh) | 2023-03-21 |
Family
ID=85544815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534163.9A Pending CN115827383A (zh) | 2022-12-02 | 2022-12-02 | 数据异常监测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115827383A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056584A (zh) * | 2023-10-08 | 2023-11-14 | 杭州海康威视数字技术股份有限公司 | 基于动态相似度阈值的信息系统异常变动监测方法及设备 |
-
2022
- 2022-12-02 CN CN202211534163.9A patent/CN115827383A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117056584A (zh) * | 2023-10-08 | 2023-11-14 | 杭州海康威视数字技术股份有限公司 | 基于动态相似度阈值的信息系统异常变动监测方法及设备 |
CN117056584B (zh) * | 2023-10-08 | 2024-01-16 | 杭州海康威视数字技术股份有限公司 | 基于动态相似度阈值的信息系统异常变动监测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6393805B2 (ja) | カラムナデータベース内のヒストグラムを使用した効率的なクエリー処理 | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
KR20200052245A (ko) | 다수의 시스템 지시자의 모니터링 | |
CN115827383A (zh) | 数据异常监测方法和装置 | |
CN115641019A (zh) | 指标异常分析方法、装置、计算机设备和存储介质 | |
CN116629435A (zh) | 风险预测方法、装置、计算机设备和存储介质 | |
CN113946983A (zh) | 产品可靠性薄弱环节评估方法、装置和计算机设备 | |
WO2024098668A1 (zh) | 基于5g的核电设备异常诊断方法、装置和计算机设备 | |
US20210279230A1 (en) | Determining feature contributions to data metrics utilizing a causal dependency model | |
CN116933035A (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN114092275A (zh) | 企业经营异常监测方法、装置、计算机设备和存储介质 | |
CN114462859A (zh) | 工作流处理方法、装置、计算机设备和存储介质 | |
CN114186855A (zh) | 监控预警方法、装置、计算机设备、存储介质和程序产品 | |
CN114461895A (zh) | 医疗资讯推送方法、装置、计算机设备和存储介质 | |
EP3693888A2 (en) | Using transformations to verify computer vision quality | |
CN115312208B (zh) | 接诊数据展示方法、装置、设备、介质 | |
CN117151873A (zh) | 异常提示方法、装置、计算机设备和存储介质 | |
CN118153957A (zh) | 工程项目信息输出方法、装置、计算机设备和存储介质 | |
CN117056307A (zh) | 数据库管理方法、装置、设备、存储介质和程序产品 | |
CN117950943A (zh) | 基于etw的显卡性能监控方法及装置、存储介质、设备 | |
CN116663951A (zh) | 用户留存数据分析模型构建以及分析方法、装置和设备 | |
CN114723545A (zh) | 基于资源信息系统的数据处理方法、装置、计算机设备 | |
CN116577586A (zh) | 电力设备故障监测方法、装置、计算机设备和存储介质 | |
CN114282768A (zh) | 交易监控方法、装置、计算机设备及存储介质 | |
CN117389601A (zh) | 金融软件影响溯源分析方法、装置、设备和存储介质 |
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 |