CN116431435A - 异常指标数据监控方法、介质、装置和计算设备 - Google Patents
异常指标数据监控方法、介质、装置和计算设备 Download PDFInfo
- Publication number
- CN116431435A CN116431435A CN202310281719.6A CN202310281719A CN116431435A CN 116431435 A CN116431435 A CN 116431435A CN 202310281719 A CN202310281719 A CN 202310281719A CN 116431435 A CN116431435 A CN 116431435A
- Authority
- CN
- China
- Prior art keywords
- index
- time sequence
- data
- sequence data
- index value
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 230000005856 abnormality Effects 0.000 claims abstract description 160
- 230000000737 periodic effect Effects 0.000 claims abstract description 51
- 238000007689 inspection Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 15
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006870 function Effects 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
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开的实施方式提供了一种异常指标数据监控方法、介质、装置和计算设备。包括:获取指标时序数据,指标时序数据包括时间序列以及对应于该时间序列的指标值数据;对指标时序数据进行周期性检测,确定指标时序数据为非周期性指标时序数据或者周期性指标时序数据;对指标时序数据进行异常值检验,若指标时序数据为非周期性指标时序数据,则得到第一异常指标值;若指标时序数据为周期性指标时序数据,则得到第二异常指标值。以上方案,对确定了周期性的指标时序数据进行异常值检验,可以区分出有负面影响的第一异常指标值和需要进一步判别影响的第二异常指标值。从而避免不具有负面影响的异常数据产生的无效告警淹没有负面影响的真实告警。
Description
技术领域
本公开的实施方式涉及运维技术领域,更具体地,本公开的实施方式涉及一种异常指标数据监控方法、介质、装置和计算设备。
背景技术
本部分旨在为本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
在运维工作中,通过监控各项指标数据,与正常的指标数据进行对比,可以及时发现异常指标数据,针对异常指标数据进行告警,从而及时发现故障和解决故障。
实际应用中,通过监控指标数据确定异常指标数据存在误报的情况,对于周期性出现的异常,例如每日都出现的同一种异常指标数据可能是系统正常工作产生的正常指标数据被误报而确定的。因此,对于异常指标数据,需要通过验证来避免误报,从而减少告警的数量,提升运维工作的效率。
在相关技术中,从包含大量信息的历史日志中提取告警信息,通过人工判断的方式从告警信息中确定告警优先级,通过告警优先级对异常指标数据验证,这种方案会带来大量的资源、时间和人力的消耗,提升异常告警的成本。
发明内容
本公开提供一种异常指标数据监控方法、介质、装置和计算设备,用于提升监控异常数据的准确度。
在本公开实施方式的第一方面中,提供了一种异常指标数据监控方法,包括:获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据;对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据;对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值;其中,若所述指标时序数据为非周期性指标时序数据,则得到第一异常指标值,所述第一异常指标值对应于第一时刻;若所述指标时序数据为周期性指标时序数据,则得到第二异常指标值,所述第二异常指标值对应于第二时刻。
在本公开的一个实施例中,对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值,包括:基于第一异常检测模型对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值。
在本公开的另一个实施例中,获取指标时序数据,包括:获取所述指标时序数据的第一统计特征数据和第二统计特征数据,其中,所述第一统计特征数据反映所述指标时序数据的统计特征的统计指标,所述第二统计特征数据反映所述指标时序数据的变化规律的变化率指标。
在本公开的又一个实施例中,所述第一统计特征数据至少包括以下之一:基于所述指标时序数据所生成的均值、方差、标准差、偏度、峰度以及变异系数。
在本公开的再一个实施例中,所述第二统计特征数据至少包括:基于所述指标时序数据生成的同比变化率;和/或,基于所述指标时序数据生成的环比变化率。
在本公开的再一个实施例中,对所述指标时序数据进行异常值检验,以确定所述指标时序数据中的第一异常指标值和第二异常指标值,包括:基于所述第一异常指标值作出告警。
在本公开的再一个实施例中,所述方法还包括:对所述第二异常指标值进行过滤处理,得到过滤后的目标异常指标值;基于所述第一异常指标值和所述目标异常指标值作出告警。
在本公开的再一个实施例中,对所述第二异常指标值进行过滤,得到过滤后的目标异常指标值,包括:若所述指标时序数据为周期性指标时序数据,则通过所述周期性检测,得到所述指标时序数据的周期;基于所述第二异常指标值以及正常指标值确定所述时间序列中的异常时段;基于所述异常时段以及所述周期,确定与所述异常时段同期的历史异常时段;根据所述异常时段内的指标值数据以及所述历史异常时段内的历史指标值数据对所述第二异常指标值进行过滤处理,得到目标异常指标值。
在本公开的再一个实施例中,所述历史异常时段内的历史指标值数据包含多组;根据所述异常时段内的指标值数据以及所述历史异常时段内的历史指标值数据对所述第二异常指标值进行过滤处理,得到目标异常指标值,包括:将所述异常时段内的指标值数据与各组所述历史异常时段内的历史指标值数据进行同比运算,并对同比运算结果求均值,得到相应的同比比率均值;基于所述同比比率均值以及比率阈值对所述第二异常指标值进行过滤处理,得到目标异常指标值。
在本公开的再一个实施例中,基于所述同比比率均值以及比率阈值对所述第二异常指标值进行过滤处理,包括:确定小于所述比率阈值的所述同比比率均值的第一数量;若所述第一数量大于或者等于第一数量阈值,则将所述第二异常指标值确定为待过滤异常指标值;对所述待过滤异常指标值进行过滤处理。
在本公开的再一个实施例中,基于所述第二异常指标值以及正常指标值确定所述时间序列中的异常时段,包括:确定所述指标时序数据中的相邻的连续第二数量个第二异常指标值,以及连续第三数量个正常指标值;若所述第二数量大于或者等于第二数量阈值,并且所述第三数量大于或者等于第三数量阈值,则将所述连续第二数量个第二异常指标值的首个第二异常指标值对应的时刻确定为起始时刻,将所述连续第三数量个正常指标值的首个正常指标值对应的时刻确定为终止时刻;根据所述起始时刻以及所述终止时刻,确定所述异常时段。
在本公开的再一个实施例中,所述方法还包括:根据所述起始时刻和预设时长,确定相邻时段,其中,所述相邻时段的时长为所述预设时长,所述相邻时段与所述起始时刻相邻;基于所述相邻时段以及所述周期,确定与所述相邻时段之同期的历史相邻时段,其中,所述历史相邻时段内的历史指标值数据包含多组;将所述相邻时段内的指标值数据与各组所述历史相邻时段内的历史指标值数据进行同比运算,得到同比比率;将所述同比比率的预设分位数,确定为所述比率阈值。
在本公开的再一个实施例中,所述方法还包括:对所述待过滤异常指标值以及所述目标异常指标值添加标签;通过所述待过滤异常指标值、所述目标异常指标值以及所述标签进行有监督训练,得到第二异常检测模型。
在本公开的再一个实施例中,所述方法还包括:获取新的周期性指标时序数据;将所述新的周期性指标时序数据输入所述第二异常检测模型,以基于该第二异常检测模型的输出确定对应的目标异常指标值。
在本公开实施方式的第二方面中,提供了一种计算机可读存储介质,包括:所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的异常指标数据监控方法。
在本公开实施方式的第三方面中,提供了一种异常指标数据监控装置,所述装置包括:获取模块,用于获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据;检测模块,用于对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据;检验模块,用于对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值;其中,若所述指标时序数据为非周期性指标时序数据,则得到第一异常指标值,所述第一异常指标值对应于第一时刻;若所述指标时序数据为周期性指标时序数据,则得到第二异常指标值,所述第二异常指标值对应于第二时刻。
在本公开的一个实施例中,所述检验模块,具体用于基于第一异常检测模型对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值。
在本公开的另一个实施例中,所述装置还包括:统计模块,用于获取所述指标时序数据的第一统计特征数据和第二统计特征数据,其中,所述第一统计特征数据反映所述指标时序数据的统计特征的统计指标,所述第二统计特征数据反映所述指标时序数据的变化规律的变化率指标。
在本公开的又一个实施例中,所述第一统计特征数据至少包括以下之一:基于所述指标时序数据所生成的均值、方差、标准差、偏度、峰度以及变异系数。
在本公开的再一个实施例中,所述第二统计特征数据至少包括:基于所述指标时序数据生成的同比变化率;和/或,基于所述指标时序数据生成的环比变化率。
在本公开的再一个实施例中,所述装置还包括:告警模块,用于基于所述第一异常指标值作出告警。
在本公开的再一个实施例中,所述装置还包括:过滤模块,用于对所述第二异常指标值进行过滤处理,得到过滤后的目标异常指标值;所述过滤模块,还用于基于所述第一异常指标值和所述目标异常指标值作出告警。
在本公开的再一个实施例中,所述过滤模块,具体用于若所述指标时序数据为周期性指标时序数据,则通过所述周期性检测,得到所述指标时序数据的周期;所述过滤模块,具体还用于基于所述第二异常指标值以及正常指标值确定所述时间序列中的异常时段;所述过滤模块,具体还用于基于所述异常时段以及所述周期,确定与所述异常时段同期的历史异常时段;所述过滤模块,具体还用于根据所述异常时段内的指标值数据以及所述历史异常时段内的历史指标值数据对所述第二异常指标值进行过滤处理,得到目标异常指标值。
在本公开的再一个实施例中,所述历史异常时段内的历史指标值数据包含多组;所述过滤模块,具体用于将所述异常时段内的指标值数据与各组所述历史异常时段内的历史指标值数据进行同比运算,并对同比运算结果求均值,得到相应的同比比率均值;所述过滤模块,具体还用于基于所述同比比率均值以及比率阈值对所述第二异常指标值进行过滤处理,得到目标异常指标值。
在本公开的再一个实施例中,所述过滤模块,具体用于确定小于所述比率阈值的所述同比比率均值的第一数量;所述过滤模块,具体还用于若所述第一数量大于或者等于第一数量阈值,则将所述第二异常指标值确定为待过滤异常指标值;所述过滤模块,具体还用于对所述待过滤异常指标值进行过滤处理。
在本公开的再一个实施例中,所述过滤模块,具体用于确定所述指标时序数据中的相邻的连续第二数量个第二异常指标值,以及连续第三数量个正常指标值;所述过滤模块,具体还用于若所述第二数量大于或者等于第二数量阈值,并且所述第三数量大于或者等于第三数量阈值,则将所述连续第二数量个第二异常指标值的首个第二异常指标值对应的时刻确定为起始时刻,将所述连续第三数量个正常指标值的首个正常指标值对应的时刻确定为终止时刻;所述过滤模块,具体还用于根据所述起始时刻以及所述终止时刻,确定所述异常时段。
在本公开的再一个实施例中,所述装置还包括:运算模块,用于根据所述起始时刻和预设时长,确定相邻时段,其中,所述相邻时段的时长为所述预设时长,所述相邻时段与所述起始时刻相邻;所述运算模块,还用于基于所述相邻时段以及所述周期,确定与所述相邻时段之同期的历史相邻时段,其中,所述历史相邻时段内的历史指标值数据包含多组;所述运算模块,还用于将所述相邻时段内的指标值数据与各组所述历史相邻时段内的历史指标值数据进行同比运算,得到同比比率;所述运算模块,还用于将所述同比比率的预设分位数,确定为所述比率阈值。
在本公开的再一个实施例中,所述装置还包括:训练模块,用于对所述待过滤异常指标值以及所述目标异常指标值添加标签;所述训练模块,还用于通过所述待过滤异常指标值、所述目标异常指标值以及所述标签进行有监督训练,得到第二异常检测模型。
在本公开的再一个实施例中,所述装置还包括:执行模块,用于获取新的周期性指标时序数据;所述执行模块,还用于将所述新的周期性指标时序数据输入所述第二异常检测模型,以基于该第二异常检测模型的输出确定对应的目标异常指标值。
在本公开实施方式的第四方面中,提供了一种计算设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述计算设备执行如本公开实施方式的第一方面中任一项所述的异常指标数据监控方法。
根据本公开的实施方式,定时任务或应用端定时活动可能产生周期性的异常数据,这类异常数据对于系统稳定性和安全性没有明显负面影响。对确定了周期性的指标时序数据进行异常值检验,可以区分出有负面影响的第一异常指标值和需要进一步判别影响的第二异常指标值,从而避免不具有负面影响的异常数据产生的无效告警淹没有负面影响的真实告警。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
图1示意性地示出了根据本公开实施方式的应用场景的示意图;
图2示意性地示出了根据本公开一实施例的提供的异常指标数据监控方法的流程示意图;
图3示意性地示出了根据本公开一实施例提供的异常指标数据监控方法的流程示例图;
图4示意性地示出了根据本公开一实施例提供的异常值检验的示例图;
图5示意性地示出了根据本公开一实施例提供的确定异常时段的示例图;
图6示意性地示出了根据本公开一实施例提供的确定历史指标值数据的示例图;
图7示意性地示出了根据本公开一实施例提供的过滤异常指标值的示例图;
图8示意性地示出了根据本公开一实施例提供的存储介质的结构示意图;
图9示意性地示出了根据本公开一实施例提供的异常指标数据监控装置的结构示意图;
图10示意性地示出了根据本公开一实施例提供的异常指标数据监控装置的结构示意图;
图11示意性地示出了根据本公开一实施例提供的计算设备的结构示意图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解,给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开,而并非以任何方式限制本公开的范围。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道,本公开的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:完全的硬件、完全的软件(包括固件、驻留软件、微代码等),或者硬件和软件结合的形式。本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据,对数据的采集、传播、使用等,均符合国家相关法律法规要求,本公开实施方式/实施例可以互相组合。
根据本公开的实施方式,提出了一种异常指标数据监控的方法、介质、装置和计算设备。
此外,附图中的任何元素数量均用于示例而非限制,以及任何命名都仅用于区分,而不具有任何限制含义。
下面参考本公开的若干代表性实施方式,详细阐释本公开的原理和精神。
发明概述
本发明人发现,在相关技术中,从包含大量信息的历史日志中提取告警信息,通过人工判断的方式从告警信息中确定告警优先级,通过告警优先级对异常指标数据验证。然而系统定时任务或应用端定时活动可能产生周期性的异常数据,这类异常对于系统稳定性和安全性没有明显负面影响。通过人工判断的方式会导致这类异常淹没对于系统稳定性和安全性有明显负面影响的真实告警。
为了解决以上问题。本发明通过周期性检验确定这类异常数据,避免这类异常数据产生的无效告警淹没有负面影响的真实告警。
在介绍了本公开的基本原理之后,下面具体介绍本公开的各种非限制性实施方式。
应用场景总览
首先参考图1,图1为本公开实施方式提供的应用场景示意图。
如图1所示,对指标时序数据进行周期性检验,确定指标时序数据是非周期性指标时序数据或周期性指标时序数据。对非周期性指标时序数据进行检验得到的异常数据进行告警。对周期性指标时序数据进行检验得到的异常数据,确认其是否为频发的,若为非频发的,则进行过滤,若为频发的则进行告警。
示例性方法
下面结合图1的应用场景,参考图2-7来描述根据本公开示例性实施方式提供的异常指标数据监控方法。需要注意的是,上述应用场景仅是为了便于理解本公开的精神和原理而示出,本公开的实施方式在此方面不受任何限制。相反,本公开的实施方式可以应用于适用的任何场景。
本公开的实施方式的执行主体可以为异常指标数据监控装置,该异常指标数据监控装置的实现有多种。例如,异常指标数据监控装置可以为程序软件;或者,该装置还可以集成或安装或存储在实体设备上,例如,芯片、智能终端、电脑、服务器以及U盘等。
参考图2,图2为本公开一实施例提供的异常指标数据监控方法的流程示意图。如图2所示,包括:
S201、获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据。
其中,监控系统实时监控系统工作产生的指标值的原始数据,指标时序数据为从监控系统中获取的原始数据经过预处理得到的。
举例来说,指标时序数据的横轴为时间戳,纵轴为每个时间戳对应的指标值数据,时间戳根据监控系统记录原始数据的时间确定。
可选的,预处理包括时间序列缺失值的填补以及指标值数据的空值的填充。通过预处理,可以确保指标时序数据的准确性,从而提升异常指标数据监控的准确性。
可选的,获取指标时序数据,包括:获取所述指标时序数据的第一统计特征数据和第二统计特征数据,其中,所述第一统计特征数据反映所述指标时序数据的统计特征的统计指标,所述第二统计特征数据反映所述指标时序数据的变化规律的变化率指标。
再可选的,第一统计特征数据至少包括以下之一:基于所述指标时序数据所生成的均值、方差、标准差、偏度、峰度以及变异系数。
再可选的,第二统计特征数据至少包括:基于所述指标时序数据生成的同比变化率;和/或,基于所述指标时序数据生成的环比变化率。
举例来说,第一统计特征可以反映指标时序数据的陡峭程度以及分布规律等特征,第二统计特征可以反映指标时序数据的趋势等特征。从不同的统计特征中可以检验得到不同的异常值类型,从第一统计特征中的方差以及标准差数据可以检验得到指标时序数据的离散程度的异常值。
可以理解,通过获取多种类型的特征数据,可以从多个维度对异常值进行检验,从而提升异常值检验的准确度。
S202、对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据。
可选的,通过傅里叶变换、趋势分解类算法以及深度学习等方法中的至少一种确定指标时序数据的周期性。
举例来说,通过周期性检测,得到指标时序数据的周期,例如周期为1天,反映指标时序数据中同类型的指标值数据每隔1天出现一次。
S203、对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值;其中,若所述指标时序数据为非周期性指标时序数据,则得到第一异常指标值,所述第一异常指标值对应于第一时刻;若所述指标时序数据为周期性指标时序数据,则得到第二异常指标值,所述第二异常指标值对应于第二时刻。
举例来说,从非周期性指标时序数据中检验得到的异常指标值为第一异常指标值,例如只出现一次的故障引起的异常指标值。从周期性指标时序数据中检验得到的异常指标值为第二异常指标值,例如工程师每日同一时刻对数据库全扫产生的每日出现的异常指标值或者每日同一时刻出现的故障引起的异常指标值。第一异常指标值对于系统稳定性和安全性有负面影响,第二异常指标值则需要进一步判别是否对于系统稳定性和安全性有负面影响。
可选的,基于所述第一异常指标值作出告警。
举例来说,从非周期性指标时序数据中确定的第一异常指标值,不是周期性出现的,可以直接进行告警。从周期性指标时序数据中确定的第二异常指标值,需要进一步验证第二异常指标值是频发的还是非频发的,对于频发的第二异常指标值认为是正常指标值而进行过滤,不进行告警。
举例来说,若第二异常指标值在周期性指标时序数据中出现次数大于次数阈值,则说明第二异常指标值是频发的。
本申请实施例提供的异常指标数据监控方法,定时任务或应用端定时活动可能产生周期性的异常数据,这类异常数据对于系统稳定性和安全性没有明显负面影响。对确定了周期性的指标时序数据进行异常值检验,可以区分出有负面影响的第一异常指标值和需要进一步判别影响的第二异常指标值,从而避免不具有负面影响的异常数据产生的无效告警淹没有负面影响的真实告警。
在上述任意一个实施例的基础上,下面,结合图3,对异常指标数据监控的详细过程进行说明。
图3为本申请实施例提供的一种异常指标数据监控方法的流程示意图。如图3所示,该方法包括:
S301、获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据。
需要说明的是,S301的执行过程参见S201,此处不再赘述。
S302、对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据。
需要说明的是,S302的执行过程参见S202,此处不再赘述。
S303、基于第一异常检测模型对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值。
可选的,第一异常检测模型可以包括统计类方法,例如K-Sigma等,以及机器学习类算法,例如KNN、Iforest以及XGBoost等,以及深度学习类算法AE以及LSTM(长短期记忆人工神经网络,Long Short-Term Memory,简称LSTM)等。
再可选的,适应于不同的指标时序数据,采用不同的第一异常检测模型。
举例来说,对于非周期性指标时序数据,其不存在周期性规律,可以选择参数简单的K-Sigma算法进行异常值检验,得到第一异常指标值。对于周期性指标时序数据,存在周期性规律,可以选择参数复杂的IForest算法进行异常值检验,得到第二异常指标值。
举例来说,系统定时任务或应用端定时活动可能产生周期性的异常指标值具有周期性,对于非周期性指标时序数据,由于不存在周期性,因此不需要对第一异常指标值进行过滤,相反,对于周期性指标时序数据,需要过滤掉不影响系统稳定性和安全性的周期性指标值,从而提升运维的处理效率。
结合图示的示例对异常值检验进行举例介绍,参考图4,图4为本公开一示例的异常值检验的示例。对指标时序数据进行周期性检验,得到指标时序数据的周期性,对非周期性指标数据进行异常值检验得到第一异常指标值,对第一异常指标值直接进行告警。对周期性指标时序数据进行异常值检验得到第二异常指标值,第二异常指标值中过滤掉不影响系统运行的过滤指标值,得到目标异常指标值,对目标异常指标值进行告警。
S304、基于所述第二异常指标值以及正常指标值确定所述时间序列中的异常时段。
作为一种可选的实施方式,确定所述时间序列中的异常时段,包括:确定所述指标时序数据中的相邻的连续第二数量个第二异常指标值,以及连续第三数量个正常指标值;若所述第二数量大于或者等于第二数量阈值,并且所述第三数量大于或者等于第三数量阈值,则将所述连续第二数量个第二异常指标值的首个第二异常指标值对应的时刻确定为起始时刻,将所述连续第三数量个正常指标值的首个正常指标值对应的时刻确定为终止时刻;根据所述起始时刻以及所述终止时刻,确定所述异常时段。
结合图示的示例对确定异常时段进行举例介绍,参考图5,图5为本公开一示例的确定异常时段的示例图。举例来说,设置第二数量阈值为5,设置第三数量阈值为5。指标值1、指标值2、指标值3、指标值4以及指标值5共5个异常指标值连续,达到第二数量阈值。指标值6、指标值7、指标值8、指标值9以及指标值10共5个正常指标值连续,达到第三数量阈值,5个连续的异常指标值与5个连续的正常指标值相邻。将连续第二异常指标值的首个第二异常指标值即指标值1对应的时刻确定为起始时刻,将连续正常指标值的首个正常指标值即指标值6对应的时刻确定为终止时刻。对于指标值11,不符合上述规则,将其作为离散的异常指标值,对指标值11过滤,指标值11不用于确定异常时段。
需要说明的是,本公开不限定第二数量阈值和第三数量阈值的具体数值。
在该种可行的实现方式中,通过连续的异常指标值和连续的正常指标值来确定异常时段,可以过滤掉无意义的离散的异常指标值,从而提升监控的准确度。
S305、确定所述异常时段内的同比比率均值。
可选的,将所述异常时段内的指标值数据与各组所述历史异常时段内的历史指标值数据进行同比运算,并对同比运算结果求均值,得到相应的同比比率均值。
举例来说,周期为1天,异常时段为3月7日的10时至3月7日的11时,历史异常时段为3月6日的同时段(即3月6日的10时至3月6日的11时)、3月5日的同时段以及3月4日的同时段等。
结合图示的示例对确定历史指标值数据进行举例介绍,参考图6,图6为本公开一示例的确定历史指标值数据的示例图。根据异常时段,确定多个历史异常时段,例如,异常时段为10时至11时,则历史异常时段为10时至11时,将每个历史时段下的指标值确定为历史指标值数据。
具体的,计算同比运算结果包括:计算异常时段内的每个时刻的指标值数据与历史异常时段内的对应时刻的同比运算结果,计算同比运算结果的均值得到同比比率均值。
举例来说,异常时段以及历史异常时段的指标值如表1所示:
表1
3月4日 | 3月5日 | 3月6日 | 3月7日 | |
10时0分 | 指标值A2 | 指标值A3 | 指标值A4 | 指标值A1 |
10时1分 | 指标值B2 | 指标值B3 | 指标值B4 | 指标值B1 |
10时2分 | 指标值C2 | 指标值C3 | 指标值C4 | 指标值C1 |
… | … | … | … | … |
计算3月7日的10时0分的指标值数据A1与3月4日的10时0分的指标值数据A2的同比运算结果(A1-A2)/A2*100%,计算3月7日的10时1分的指标值数据B1与3月4日的10时0分的指标值数据B2的同比运算结果(B1-B2)/B2*100%,以此类推,计算得到3月7日和3月6日之间的n个同比运算结果,对n个同比运算结果求均值得到3月7日和3月6日之间的同比比率均值即((A1-A2)/A2*100%+(B1-B2)/B2*100%+(C1-C2)/C2*100%+…)/n。依次计算得到3月7日分别和任一历史异常时段的同比比率均值,例如3月7日和3月5日之间的同比比率均值为((A1-A3)/A3*100%+(B1-B3)/B3*100%+(C1-C3)/C3*100%+…)/n。
S306、确定比率阈值。
作为一种可选的实施方式,确定比率阈值包括:根据所述起始时刻和预设时长,确定相邻时段,其中,所述相邻时段的时长为所述预设时长,所述相邻时段与所述起始时刻相邻;基于所述相邻时段以及所述周期,确定与所述相邻时段之同期的历史相邻时段,其中,所述历史相邻时段内的历史指标值数据包含多组;将所述相邻时段内的指标值数据与各组所述历史相邻时段内的历史指标值数据进行同比运算,得到同比比率;将所述同比比率的预设分位数,确定为所述比率阈值。
可选的,根据所述起始时刻和预设时长,确定相邻时段,相邻时段与终止时刻相邻。
举例来说,异常时段的起始时刻为3月7日的10时0分,预设时长为3小时,则相邻时段为3月7日的7时至3月7日的10时,历史相邻时段为3月6日的同时段(即3月6日的7时至3月6日的10时)、3月5日的同时段以及3月4日的同时段。分别计算相邻时段内每个时刻的指标值数据与历史相邻时段内对应的时刻的历史指标值数据的同比比率。例如,计算3月7日的7时0分的指标值数据分别与3月6日、3月5日、3月4日、3月3日、3月2日以及3月1日的7时0分历史指标值数据,得到5个同比比率,同理计算得到3月7日的相邻时段内的其他时刻的指标值数据分别与历史相邻时段的对应的历史指标值数据的同比比率。取多个同比比率的预设分位数,例如99分位数,得到比率阈值。
可以理解,相邻时段与异常时段下的工况接近,因此可以根据相邻时段的指标值相对于历史相邻时段的指标值的相似程度,得到判断异常时段的指标值相对于历史异常时段的指标值的相似程度的标准。综合相邻时段的指标值相对于历史相邻时段的指标值的多个同比比率可以得到该相似程度,通过预设分位数可以根据实际场景灵活调节合适的判断标准。
S307、基于所述同比比率均值以及比率阈值对所述第二异常指标值进行过滤处理,得到目标异常指标值。
作为一种可选的实施方式,对第二异常指标值进行过滤处理,包括:确定小于所述比率阈值的所述同比比率均值的第一数量;若所述第一数量大于或者等于第一数量阈值,则将所述第二异常指标值确定为待过滤异常指标值;对所述待过滤异常指标值进行过滤处理。
举例来说,比率阈值用于评价相似程度,若同比比率均值小于比率阈值,则认为异常时段的指标值与历史异常时段的指标值相似,反之则认为不相似。设置第一数量阈值为2,若第一数量大于或者等于2,则说明异常时段的异常指标值与至少2个历史异常时段的历史指标值相似,则认为对应的异常时段的异常指标值在历史中频繁出现,则将其确定为由系统定时任务或应用端定时活动产生的,不影响系统工作,对其进行过滤处理。反之,若第一数量小于2,说明与异常时段的异常指标值相似的历史指标值的数量较少,则认为对应的异常时段的异常指标值在历史中出现次数较少,则认为是由故障等原因引起的偶发事件,需要进行告警。
结合图示的示例对过滤异常指标值进行举例介绍,参考图7,图7为本公开一示例的过滤异常指标值的示例图。指标值a-l为第二异常指标值,其中,指标值a以及指标值b在历史数据中不能确定出与之相似的异常指标值,而指标值c-l在历史数据中能确定出与之相似的异常指标值,则将指标值c-l确定为待过滤异常指标值,对指标值c-l进行过滤。
在该种可行的实现方式中,通过确定异常时段的异常指标值在历史中是否频繁出现,可以确定异常时段的异常指标值是否由正常工作产生的,从而确定是否为需要过滤的异常指标值,提升监控的准确度。
S308、基于所述第一异常指标值和所述目标异常指标值作出告警。
举例来说,第一异常指标值和目标异常指标值为故障引起的异常,因此对其进行告警。
一种可行的实现方式,异常指标数据监控方法还包括:对所述待过滤异常指标值以及所述目标异常指标值添加标签;通过所述待过滤异常指标值、所述目标异常指标值以及所述标签进行有监督训练,得到第二异常检测模型。
举例来说,待过滤异常指标值的标签为待过滤,目标异常指标值的标签为不过滤,通过有监督训练得到的第二异常检测模型可以学习异常指标值是否需要过滤。
可选的,第二异常检测模型通过多次迭代训练,以优化模型。可以理解,通过多次迭代训练,可以提升第二异常检测模型的检测效果。
在该种可行的实现方式中,通过有监督训练得到的第二异常检测模型,可以准确得到异常指标值与是否需要过滤之间的对应关系。
一种可行的实现方式,异常指标数据监控方法还包括:获取新的周期性指标时序数据;将所述新的周期性指标时序数据输入所述第二异常检测模型,以基于该第二异常检测模型的输出确定对应的目标异常指标值。
可选的,通过第二异常检测模型代替基于同比比率均值以及比率阈值对第二异常指标值进行过滤处理的方案。
再可选的,设置第二异常检测模型的性能阈值,随着多次迭代训练,当第二异常检测模型的性能达到性能阈值,则通过第二异常检测模型代替基于对比同比比率均值以及比率阈值的方法,对异常指标值进行过滤。
在该种可行的实现方式中,第二异常监测模型为通过多次迭代训练得到的,能准确过滤异常指标值,并且只需要输入新的周期性指标时序数据,第二异常监测模型即能快速输出目标异常指标值。因此,通过训练达到预期效果的第二异常检测模型代替基于对比同比比率均值以及比率阈值的方法,可以提升监控的准确度和效率。
示例性介质
在介绍了本公开示例性实施方式的方法之后,接下来,参考图7对本公开示例性实施方式的存储介质进行说明。
参考图8所示,存储介质80中存储着根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在装置,例如个人电脑上运行。然而,本公开的程序产品不限于此。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
可读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,其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备。
示例性装置
在介绍了本公开示例性实施方式的介质之后,接下来,参考图9对本公开示例性实施方式的异常指标数据监控装置进行说明,用于实现上述任一方法实施例中的方法,其实现原理和技术效果类似,在此不再赘述。
参考图9,图9为本公开一实施例提供的异常指标数据监控装置的结构示意图。如图9所示,包括:
获取模块91,用于获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据;
检测模块92,用于对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据;
检验模块93,用于对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值;其中,若所述指标时序数据为非周期性指标时序数据,则得到第一异常指标值,所述第一异常指标值对应于第一时刻;若所述指标时序数据为周期性指标时序数据,则得到第二异常指标值,所述第二异常指标值对应于第二时刻。
可选的,获取模块91可以执行图2实施例中的S201。
可选的,检测模块92可以执行图2实施例中的S202。
可选的,检验模块93可以执行图2实施例中的S203。
在一种可能的实施方式中,所述检验模块93,具体用于:
基于第一异常检测模型对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值。
图10为本申请实施例提供的一种异常指标数据监控装置的结构示意图。在图9所示实施例的基础上,如图10所示,模型训练装置100还包括:统计模块104、告警模块105、过滤模块106、运算模块107、训练模块108以及执行模块109,其中:
所述统计模块104,用于:获取所述指标时序数据的第一统计特征数据和第二统计特征数据,其中,所述第一统计特征数据反映所述指标时序数据的统计特征的统计指标,所述第二统计特征数据反映所述指标时序数据的变化规律的变化率指标。
在一种可能的实施方式中,所述第一统计特征数据至少包括以下之一:基于所述指标时序数据所生成的均值、方差、标准差、偏度、峰度以及变异系数。
在一种可能的实施方式中,所述第二统计特征数据至少包括:基于所述指标时序数据生成的同比变化率;和/或,基于所述指标时序数据生成的环比变化率。
所述告警模块105,用于:基于所述第一异常指标值作出告警。
所述过滤模块106,用于:对所述第二异常指标值进行过滤处理,得到过滤后的目标异常指标值;基于所述第一异常指标值和所述目标异常指标值作出告警。
在一种可能的实施方式中,所述过滤模块106,具体用于:
若所述指标时序数据为周期性指标时序数据,则通过所述周期性检测,得到所述指标时序数据的周期;
基于所述第二异常指标值以及正常指标值确定所述时间序列中的异常时段;
基于所述异常时段以及所述周期,确定与所述异常时段同期的历史异常时段;
根据所述异常时段内的指标值数据以及所述历史异常时段内的历史指标值数据对所述第二异常指标值进行过滤处理,得到目标异常指标值。
在一种可能的实施方式中,所述历史异常时段内的历史指标值数据包含多组;所述过滤模块106,具体用于:
将所述异常时段内的指标值数据与各组所述历史异常时段内的历史指标值数据进行同比运算,并对同比运算结果求均值,得到相应的同比比率均值;
基于所述同比比率均值以及比率阈值对所述第二异常指标值进行过滤处理,得到目标异常指标值。
在一种可能的实施方式中,所述过滤模块106,具体用于:
确定小于所述比率阈值的所述同比比率均值的第一数量;
若所述第一数量大于或者等于第一数量阈值,则将所述第二异常指标值确定为待过滤异常指标值;
对所述待过滤异常指标值进行过滤处理。
在一种可能的实施方式中,所述过滤模块106,具体用于:
确定所述指标时序数据中的相邻的连续第二数量个第二异常指标值,以及连续第三数量个正常指标值;
若所述第二数量大于或者等于第二数量阈值,并且所述第三数量大于或者等于第三数量阈值,则将所述连续第二数量个第二异常指标值的首个第二异常指标值对应的时刻确定为起始时刻,将所述连续第三数量个正常指标值的首个正常指标值对应的时刻确定为终止时刻;
根据所述起始时刻以及所述终止时刻,确定所述异常时段。
所述运算模块107,用于:根据所述起始时刻和预设时长,确定相邻时段,其中,所述相邻时段的时长为所述预设时长,所述相邻时段与所述起始时刻相邻;基于所述相邻时段以及所述周期,确定与所述相邻时段之同期的历史相邻时段,其中,所述历史相邻时段内的历史指标值数据包含多组;将所述相邻时段内的指标值数据与各组所述历史相邻时段内的历史指标值数据进行同比运算,得到同比比率;将所述同比比率的预设分位数,确定为所述比率阈值。
所述训练模块108,用于:对所述待过滤异常指标值以及所述目标异常指标值添加标签;通过所述待过滤异常指标值、所述目标异常指标值以及所述标签进行有监督训练,得到第二异常检测模型。
所述执行模块109,用于:获取新的周期性指标时序数据;将所述新的周期性指标时序数据输入所述第二异常检测模型,以基于该第二异常检测模型的输出确定对应的目标异常指标值。
示例性计算设备
在介绍了本公开示例性实施方式的方法、介质和装置之后,接下来,参考图11对本公开示例性实施方式的计算设备进行说明。
图11显示的计算设备110仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图11所示,计算设备110以通用计算设备的形式表现。计算设备110的组件可以包括但不限于:上述至少一个处理单元1101、上述至少一个存储单元1102,连接不同系统组件(包括处理单元1101和存储单元1102)的总线1103。
总线1103包括数据总线、控制总线和地址总线。
存储单元1102可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)11021和/或高速缓存存储器11022,可以进一步包括非易失性存储器形式的可读介质,例如只读存储器(ROM)11023。
存储单元1102还可以包括具有一组(至少一个)程序模块11024的程序/实用工具11025,这样的程序模块11024包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
计算设备110也可以与一个或多个外部设备1104(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口1105进行。并且,计算设备110还可以通过网络适配器1106与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图11所示,网络适配器1106通过总线1103与计算设备110的其它模块通信。应当理解,尽管图中未示出,可以结合计算设备110使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了异常指标数据监控装置的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
此外,尽管在附图中以特定顺序描述了本公开方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考若干具体实施方式描述了本公开的精神和原理,但是应该理解,本公开并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (10)
1.一种异常指标数据监控方法,包括:
获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据;
对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据;
对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值;其中,若所述指标时序数据为非周期性指标时序数据,则得到第一异常指标值,所述第一异常指标值对应于第一时刻;若所述指标时序数据为周期性指标时序数据,则得到第二异常指标值,所述第二异常指标值对应于第二时刻。
2.根据权利要求1所述的方法,对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值,包括:
基于第一异常检测模型对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值。
3.根据权利要求2所述的方法,获取指标时序数据,包括:
获取所述指标时序数据的第一统计特征数据和第二统计特征数据,其中,所述第一统计特征数据反映所述指标时序数据的统计特征的统计指标,所述第二统计特征数据反映所述指标时序数据的变化规律的变化率指标。
4.根据权利要求3所述的方法,所述第一统计特征数据至少包括以下之一:
基于所述指标时序数据所生成的均值、方差、标准差、偏度、峰度以及变异系数。
5.根据权利要求3所述的方法,所述第二统计特征数据至少包括:
基于所述指标时序数据生成的同比变化率;和/或,
基于所述指标时序数据生成的环比变化率。
6.根据权利要求3所述的方法,对所述指标时序数据进行异常值检验,以确定所述指标时序数据中的第一异常指标值和第二异常指标值,包括:
基于所述第一异常指标值作出告警。
7.根据权利要求6所述的方法,所述方法还包括:
对所述第二异常指标值进行过滤处理,得到过滤后的目标异常指标值;
基于所述第一异常指标值和所述目标异常指标值作出告警。
8.一种计算机可读存储介质,包括:所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7中任一项所述的异常指标数据监控方法。
9.一种异常指标数据监控装置,所述装置包括:
获取模块,用于获取指标时序数据,所述指标时序数据包括时间序列以及对应于该时间序列的指标值数据;
检测模块,用于对所述指标时序数据进行周期性检测,确定所述指标时序数据为非周期性指标时序数据或者周期性指标时序数据;
检验模块,用于对所述指标时序数据进行异常值检验,得到所述指标时序数据中的第一异常指标值和第二异常指标值;其中,若所述指标时序数据为非周期性指标时序数据,则得到第一异常指标值,所述第一异常指标值对应于第一时刻;若所述指标时序数据为周期性指标时序数据,则得到第二异常指标值,所述第二异常指标值对应于第二时刻。
10.一种计算设备,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述计算设备执行如权利要求1至7任一项所述的异常指标数据监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281719.6A CN116431435A (zh) | 2023-03-20 | 2023-03-20 | 异常指标数据监控方法、介质、装置和计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310281719.6A CN116431435A (zh) | 2023-03-20 | 2023-03-20 | 异常指标数据监控方法、介质、装置和计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116431435A true CN116431435A (zh) | 2023-07-14 |
Family
ID=87084687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310281719.6A Pending CN116431435A (zh) | 2023-03-20 | 2023-03-20 | 异常指标数据监控方法、介质、装置和计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116431435A (zh) |
-
2023
- 2023-03-20 CN CN202310281719.6A patent/CN116431435A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
US20210064518A1 (en) | Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing | |
CN111563606A (zh) | 一种设备预测性维护方法及装置 | |
CN113282461B (zh) | 传输网的告警识别方法和装置 | |
US20170161963A1 (en) | Method of identifying anomalies | |
CN103761173A (zh) | 一种基于日志的计算机系统故障诊断方法及装置 | |
EP3686819A1 (en) | Cost analysis system and method for detecting anomalous cost signals | |
CN117439256A (zh) | 一种基于物联网的电站设备管理方法及系统 | |
CN112699048B (zh) | 基于人工智能的程序故障处理方法、装置、设备及存储介质 | |
CN113780986A (zh) | 一种用于软件研发过程的度量方法、系统、设备和介质 | |
CN112699106A (zh) | 一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法 | |
CN114503132A (zh) | 机器学习模型训练的调试和剖析 | |
CN113835947A (zh) | 一种基于异常识别结果确定异常原因的方法和系统 | |
CN116431435A (zh) | 异常指标数据监控方法、介质、装置和计算设备 | |
JP7062505B2 (ja) | 設備管理支援システム | |
CN114528314B (zh) | 一种工程建设项目监管系统及方法 | |
CN114662589A (zh) | 一种电表故障研判方法、装置、设备和可读存储介质 | |
CN113553352A (zh) | 一种电力二次设备家族性缺陷辨识方法及系统 | |
Choi et al. | A study for Unsafe Act classification under crew interaction during procedure-driven operation | |
CN112162528A (zh) | 一种数控机床的故障诊断方法、装置、设备和存储介质 | |
CN111861282A (zh) | 一种环评结果评估方法、装置和计算机可读存储介质 | |
CN116931843B (zh) | 基于大语言模型的用户在线管理系统 | |
US11960254B1 (en) | Anomaly detection and evaluation for smart water system management | |
CN117114248B (zh) | 一种水质监测系统健康度评价方法、计算机设备及介质 | |
WO2022033224A1 (zh) | 人员可靠性评估方法、系统、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |