CN116962272A - 一种网络指标的异常检测方法、装置、设备及存储介质 - Google Patents
一种网络指标的异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116962272A CN116962272A CN202310966986.7A CN202310966986A CN116962272A CN 116962272 A CN116962272 A CN 116962272A CN 202310966986 A CN202310966986 A CN 202310966986A CN 116962272 A CN116962272 A CN 116962272A
- Authority
- CN
- China
- Prior art keywords
- isolated
- score
- data
- tree
- abnormal
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 230000005856 abnormality Effects 0.000 title claims description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 108
- 238000013145 classification model Methods 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims description 72
- 238000002372 labelling Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 13
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000011158 quantitative evaluation Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- H04L43/55—Testing of service level quality, e.g. simulating service usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及计算机技术领域，公开了一种网络指标的异常检测方法、装置、设备及存储介质。该方法包括：获取网络指标数据和对应的数据特征；将数据特征输入到预训练的目标分类模型，并获取目标分类模型输出的各孤立树对应的第一孤立分；根据各孤立树对应的第一孤立分和目标权重，计算得到网络指标数据对应的分类得分，并在根据分类得分检测到网络指标数据为异常数据时，生成指标异常告警。本实施例的技术方案，通过基于孤立森林算法建立的目标分类模型，直接获取每棵孤立树对应的孤立分，进而基于各孤立分获取网络指标数据对应的分类得分，可以实现对网络指标数据的量化评估，可以避免设置额外的评估函数，可以提升网络指标的异常检测的准确度。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种网络指标的异常检测方法、装置、设备及存储介质。
背景技术
在大型互联网企业中，为了保证提供的网络服务的稳定性，企业的运维人员需要实时监控计算机系统的大量关键性能指标(Key Performance Indicator,KPI)。KPI是一种时间序列数据，包含时间戳(timestamp)和值(value)两个维度，通过周期性记录一项指标的这两个维度的值，可以持续监测系统性能的变化。绝大多数计算机系统或服务的故障都会即时甚至是提前反映在KPI上，若能做到对各种KPI的实时监测，运维人员便可以提前迅速发现问题并着手解决。
目前，现有的指标异常检测方法，包括采用孤立森林模型对待测试样本进行检测，以获取对应的路径，并通过预设的线性评估函数对路径进行评估，以获取待测试样本对应的异常分数；然而，在现有技术中，需要额外设置线性评估函数，且线性评估函数的准确度直接影响异常检测的准确度，易导致指标异常检测的准确度较低。
发明内容
本发明提供了一种网络指标的异常检测方法、装置、设备及存储介质，可以实现对网络指标数据的量化评估，可以避免设置额外的评估函数，可以提升网络指标的异常检测的准确度。
根据本发明的一方面，提供了一种网络指标的异常检测方法，包括：
获取网络指标数据，以及所述网络指标数据对应的数据特征；
将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分；
其中，所述目标分类模型基于孤立森林算法建立，所述目标分类模型包括多个孤立树，以及各所述孤立树对应的目标权重；
根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
根据本发明的另一方面，提供了一种网络指标的异常检测装置，包括：
网络指标数据获取模块，用于获取网络指标数据，以及所述网络指标数据对应的数据特征；
第一孤立分获取模块，用于将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分；
其中，所述目标分类模型基于孤立森林算法建立，所述目标分类模型包括多个孤立树，以及各所述孤立树对应的目标权重；
分类得分获取模块，用于根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的网络指标的异常检测方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的网络指标的异常检测方法。
本发明实施例的技术方案，首先，获取网络指标数据，以及网络指标数据对应的数据特征；然后，将网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取目标分类模型输出的各孤立树对应的第一孤立分；最后，根据各孤立树对应的第一孤立分和目标权重，计算得到网络指标数据对应的分类得分，并在根据分类得分检测到网络指标数据为异常数据时，生成指标异常告警，通过基于孤立森林算法建立的目标分类模型，直接获取每棵孤立树对应的孤立分，进而基于各孤立分获取网络指标数据对应的分类得分，可以实现对网络指标数据的量化评估，可以避免设置额外的评估函数，可以提升网络指标的异常检测的准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。
图1是根据本发明实施例一提供的一种网络指标的异常检测方法的流程图；
图2A是根据本发明实施例二提供的一种网络指标的异常检测方法的流程图；
图2B是根据本发明实施例二提供的一种分类模型的训练流程图；
图3是根据本发明实施例三提供的一种网络指标的异常检测装置的结构示意图；
图4是实现本发明实施例的网络指标的异常检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种网络指标的异常检测方法的流程图，本实施例可适用于对计算机系统或者服务指标进行异常检测的情况，该方法可以由网络指标的异常检测装置来执行，该网络指标的异常检测装置可以采用硬件和/或软件的形式实现，典型的，该网络指标的异常检测装置可配置于电子设备中，例如，计算机设备或者服务器等。如图1所示，该方法包括：
S110、获取网络指标数据，以及所述网络指标数据对应的数据特征。
其中，网络指标数据，可以是计算机系统或者服务的关键性能指标KPI数据，例如，可以是服务访问量、服务平均延迟、系统中央处理器使用率等。数据特征，可以是体现指标数据运行情况的特征信息，例如，可以是网络指标数据的获取时间、数值等。在本实施例中，可以通过预部署的指标采集系统，实时采集得到计算机系统或者业务的各项指标数据，并基于预设的特征提取规则，提取得到网络指标数据对应的数据特征。
可选的，数据特征可以包括时间特征和窗口值特征，获取所述网络指标数据对应的数据特征，可以包括：
获取所述网络指标数据的采集时间作为时间特征，并计算得到所述网络指标数据与第二预设数量的历史指标数据的平均值，以作为窗口值特征。
其中，历史指标数据，可以是当前的网络指标数据的获取时间点之前的指标数据。例如，网络指标数据是9时10分的服务平均延迟，则历史指标数据可以是9时9分以及之前的服务平均延迟。
在一个具体的例子中，可以将网络指标数据的获取时间(例如，时间戳)作为其对应的时间特征，典型的，时间特征可以包括获取时间点对应的分钟、小时、属于哪一天和哪一周。同时，可以计算得到当前的网络指标数据与其之前10个时间点的网络指标数据的平均值，以作为其对应的窗口值特征。
在本实施例中，通过选择时间特征和窗口值特征作为数据特征，以作为指标异常判断的数据支撑，可以提升指标异常判断的准确度和及时性。
S120、将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分。
其中，目标分类模型基于孤立森林算法建立，目标分类模型可以包括多个孤立树，以及各孤立树对应的目标权重。孤立树可以是二叉树，由多个节点组成，每个节点对输入特征进行二元判断。每个孤立树的输入是网络指标数据对应的数据特征，输出为网络指标数据对应的孤立分，分数越高表示这个数据点的离群程度越高。基于异常是低概率事件理论，数据点的离群程度越高表示其为异常值的概率越大，由此，当检测到某棵孤立树输出的孤立分大于预设的分数阈值，例如0.5，则该孤立树判断该网络指标数据为异常数据。
其中，孤立分，可以是0到1范围之间的数值。孤立树对应的目标权重，用于表征该孤立树输出的孤立分，占网络指标数据对应的分类得分的重要程度；可选的，目标权重，可以是预先设置的，或者可以是基于验证数据集对初始权重进行更新得到的。
S130、根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
在本实施例中，可以采用每棵孤立树对应的目标权重，作为其输出的第一孤立分的权重值，以进行加权求和，并可以将加权求和值作为网络指标数据对应的分类得分；或者，可以首先基于第一孤立分判断是否为异常数据，若是，则赋予异常判断得分为1，否则，则赋予异常判断得分为0；然后，采用每棵孤立树对应的目标权重，作为其对应的异常判断得分对应的权重值，以进行加权求和，并可以将加权求和值作为网络指标数据对应的分类得分。
具体的，在获取到分类得分之后，可以根据该分类得分，以及预设的分类得分与是否为异常数据之间的对应关系，判断该网络指标数据是否为异常数据；或者，可以将该分类得分与预设的分数阈值进行比较，若检测到大于该分数阈值，则可以确定该网络指标数据为异常数据，否则，则可以确定不为异常数据。一旦检测到该网络指标数据为异常数据，则可以生成当前指标对应的指标异常告警发送到运维人员，以使运维人员可以及时处置。
其中，指标异常告警的发送方式，可以包括系统消息、短信、邮件等方式。
本发明实施例的技术方案，首先，获取网络指标数据，以及网络指标数据对应的数据特征；然后，将网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取目标分类模型输出的各孤立树对应的第一孤立分；最后，根据各孤立树对应的第一孤立分和目标权重，计算得到网络指标数据对应的分类得分，并在根据分类得分检测到网络指标数据为异常数据时，生成指标异常告警，通过基于孤立森林算法建立的目标分类模型，直接获取每棵孤立树对应的孤立分，进而基于各孤立分获取网络指标数据对应的分类得分，可以实现对网络指标数据的量化评估，可以避免设置额外的评估函数，可以提升网络指标的异常检测的准确度。
在本实施例的一个可选的实施方式中，根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，可以包括：
根据各所述孤立树对应的第一孤立分，以及预设分数阈值，获取各所述孤立树对应的异常判断得分；
采用各所述孤立树对应的目标权重，对各所述孤立树对应的异常判断得分进行加权求和，并将和值作为所述网络指标数据对应的分类得分。
其中，预设分数阈值，可以是预设的用于判断数据点是否异常的孤立分值；典型的，可以是0.5；在本实施例中，若孤立分大于或者等于该预设分数阈值，则确定该棵孤立树判断当前的网络指标数据异常；若孤立分小于该预设分数阈值，则确定该棵孤立树判断当前的网络指标数据正常。
在一个具体的例子中，将每棵孤立树对应的第一孤立分与预设分数阈值0.5进行比较；若检测到第一孤立分大于或者等于0.5，则确定该棵孤立树对应的异常判断得分为1；否则，则确定该棵孤立树对应的异常判断得分为0。由此，可以获取每棵孤立树对应的异常判断得分。其中，异常判断得分为1，表示孤立树判断网络指标数据为异常；异常判断得分为0，表示孤立树判断网络指标数据为正常。
然后，可以将每棵孤立树对应的目标权重，与该棵孤立树对应的异常判断得分进行相乘，并将各棵孤立树对应的乘积进行相加，将最终的和值作为网络指标数据对应的分类得分。
例如，目标分类模型包括两棵孤立树，针对当前的网络指标数据，第一棵孤立树输出的孤立分为0.6，第二棵输出的孤立分为0.3，且两棵孤立树对应的目标权重均为0.5。由此，由于第一棵孤立树的孤立分大于0.5，则其对应的异常判断得分为1；同时由于第二棵孤立树的孤立分小于0.5，则其对应的异常判断得分为0。最后，当前的网络指标数据对应的分类得分为1×0.5+0×0.5＝0.5。
实施例二
图2A为本发明实施例二提供的一种网络指标的异常检测方法的流程图，本实施例是对上述技术方案的进一步细化，本实施例中的技术方案可以与上述一个或者多个实施方式结合。如图2A所示，该方法包括：
S210、获取网络指标数据，以及所述网络指标数据对应的数据特征。
S220、获取验证数据集，并获取所述验证数据集中各验证样本对应的数据特征。
其中，验证数据集，可以是多个验证样本的集合；验证样本，可以是未标注的不同指标的指标数据。在本实施例中，可以从互联网中获取已有的验证数据集，或者，可以通过数据采集系统采集计算机系统或者业务的网络指标数据，以生成验证数据集。然后，可以提取得到每个验证样本对应的时间特征和窗口值特征，以作为数据特征。
S230、获取基础分类模型，所述基础分类模型基于孤立森林算法建立，所述基础分类模型包括多棵孤立树，以及各所述孤立树对应的初始权重。
需要说明的是，在基础分类模型中，每棵孤立树的异常判断得分对最终结果都有相同的影响程度，故可以设置每棵孤立树对应的初始权重为1/N，N表示孤立树的数量。其中，基础分类模型中孤立树的数量，可以根据先验经验进行设置。
S240、将各所述验证样本对应的数据特征输入到所述基础分类模型，并获取所述基础分类模型输出的各所述验证样本匹配的各孤立树对应的第二孤立分。
具体的，将每个验证样本对应的时间特征和窗口值特征分别输入到基础分类模型的每棵孤立树，以获取每棵孤立树输出的第二孤立分。
S250、根据各所述验证样本匹配的各孤立树对应的第二孤立分，以及各所述孤立树对应的初始权重，计算得到各所述验证样本对应的分类得分。
具体的，针对每个验证样本，将各孤立树输出的第二孤立分与预设分数阈值进行比较，若第二孤立分大于或者等于预设分数阈值，则确定该孤立树对应的异常判断得分为1；若第二孤立分小于预设分数阈值，则确定该孤立树对应的异常判断得分为0。由此，针对每个验证样本，可以获取每棵孤立树输出的异常判断得分。最后，采用每棵孤立树对应的初始权重，对各孤立树对应的异常判断得分进行加权求和，将和值作为最终的分类得分。由此，可以获取每个验证样本对应的分类得分。
S260、根据各所述验证样本对应的分类得分，在所述各验证样本中筛选得到多个异常样本，并生成所述多个异常样本对应的标注任务发送到目标用户，以获取所述目标用户反馈的各所述异常样本对应的标注结果。
具体的，采用当前验证样本对应的分类得分减去预设的分数阈值，以获取差值；若检测到该差值小于或者等于预设的差值阈值，则可以确定当前验证样本为异常样本；而若检测到该差值大于预设的差值阈值，则可以确定当前验证样本为正常样本。由此，可以在各验证样本中筛选得到多个异常样本。然后，可以通过前端页面将各异常样本展示给目标用户，以使目标用户对各异常样本进行标注，从而获取每个异常样本对应的标注结果。
其中，目标用户在对异常样本进行标注时，若确定为异常样本，则设置标注结果为1；若确定为正常样本，则设置标注结果为0。可选的，在通过前端页面对异常样本进行展示时，每个异常样本都会展示其前后2小时的数据，以作为用户标注的数据参考。考虑到展示样本数量不固定，可以按照分类得分接近预设分数阈值的程度对各异常样本进行排序，并按照排序结果对各异常样本进行逐个展示。目标用户在进行异常样本的标注时，可以任意选择何时停止标注工作。当目标用户选择不对异常样本进行标注时，可以将基础分类模型直接作为目标分类模型。
需要说明的是，现有的样本标注方法通常是将大段数据展示给标注者，由于精力和注意力有限的原因，标注者很难对每一个数据点均作准确的标注，故很容易出于省事产生明显的偏好(比如不细看直接全部标为正常)。在本实施例中，需要标注样本数量很少，且没有硬性的数量限制，用户更容易在这样的过程中给出高质量的标注，故可以提升样本标注的质量。
S270、根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的目标权重，获取训练完成的目标分类模型。
具体的，在获取到每个异常样本对应的标注结果之后，可以采用标注结果与各孤立树针对各异常样本输出的孤立分进行比对，并根据比对结果对孤立树对应的初始权重进行更新。例如，针对当前异常样本，若标注结果与当前孤立树对应的第二孤立分同时大于、小于或者等于预设分数阈值，即标注结果与孤立树的判断结果一致，则可以增大当前孤立树对应的权重；而若不一致，则可以减小当前孤立树对应的权重。
可选的，可以采用预设的权重调整步长，进行权重的增大或者减小；或者，可以根据孤立树给出的孤立分的大小，确定权重增大或者减小的幅度，例如，当标注结果与孤立树的判断结果一致时，孤立树给出的孤立分越接近0或者1，权重增加幅度越大；当标注结果与孤立树的判断结果不一致时，孤立树给出的孤立分越接近0或者1，权重减小幅度越大。
需要说明的是，存在一个异常样本，即可以对孤立树进行一次权重更新；最后，可以对各孤立树对应的更新权重进行归一化处理，以获取最终的目标权重。在完成对每棵孤立树的权重更新后，即可获取训练完成的目标分类模型。
上述设置的好处在于，既可以避免现有有监督学习方法中巨大的人工标注工作量，又可以包含现有无监督学习方法所不具备的领域知识，兼顾了效率和效果；通过使用不需要标注的孤立森林算法作为基础分类模型，将孤立分作为“无把握”的判断依据，再将少量的人工标注作用在权重更新上，实现了将主动学习的思想巧妙的融合在指标异常检测的应用中。
S280、将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分。
其中，目标分类模型基于孤立森林算法建立，目标分类模型包括多个孤立树，以及各所述孤立树对应的目标权重。
S290、根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
在本实施例中，通过将主动学习方法整合到指标异常检测场景中，可以解决当前指标异常检测功能商业化中的一个较大的痛点，即检测算法很难开箱即用。由于不同的企业，如互联网企业、电信公司、银行等，各自业务特性不同，指标特性和检测需要也不同，而提供的功能都是预先开发设计好的，很难和用户的真实需求对齐，功能在落地后常常需要大量的调试和算法定制化修改才能达到用户的理想状态。在本实施例中，用户仅需做少量标注，便可快速让分类检测模型朝着自己想要的方向调整，极大的降低了成本。
本发明实施例的技术方案，通过在将网络指标数据对应的数据特征输入到预训练的目标分类模型之前，首先获取验证数据集，并获取验证数据集中各验证样本对应的数据特征；然后，获取基础分类模型，并将各验证样本对应的数据特征输入到基础分类模型，并获取基础分类模型输出的各验证样本匹配的各孤立树对应的第二孤立分；进而根据各验证样本匹配的各孤立树对应的第二孤立分，以及各孤立树对应的初始权重，计算得到各验证样本对应的分类得分；并根据各验证样本对应的分类得分，在各验证样本中筛选得到多个异常样本，并生成多个异常样本对应的标注任务发送到目标用户，以获取目标用户反馈的各异常样本对应的标注结果；最后，根据各异常样本匹配的各孤立树对应的第二孤立分，以及各异常样本对应的标注结果，对基础分类模型中各孤立树对应的初始权重进行更新，以获取各孤立树对应的目标权重，获取训练完成的目标分类模型；通过使用不需要标注的孤立森林算法作为基础分类模型，将孤立分作为异常判断依据，再将少量的人工标注作用在权重更新上，可以降低大量样本标注带来的人力成本，可以使目标分类模型更符合用户需求，可以提升指标异常判断的准确度。
在本实施例的一个可选的实施方式中，根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的目标权重，可以包括：
根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重；
对各所述孤立树对应的更新权重进行归一化处理，以获取各所述孤立树对应的归一化更新权重作为各所述孤立树对应的目标权重。
其中，标注结果，可以是用户针对每个异常样本给出的0或1的标签，0表示正常，1表示异常。
在本实施例中，可以根据每棵孤立树针对每个异常样本输出的第二孤立分，以及预设的分数阈值，确定每棵孤立树对每个异常样本的异常判断得分；然后，针对当前异常样本，可以将每棵孤立树对应的异常判断得分与标注结果进行比较，若确定当前孤立树对应的异常判断得分与标注结果一致，则可以增大其对应的初始权重；而若不一致，则可以减小其对应的初始权重。由此，针对每个异常样本，可以进行一次每棵孤立树的权重更新，例如，若异常样本的数量为K，则可以进行K次权重更新，以获取最终的更新权重。
最后，可以对每棵孤立树对应的更新权重进行归一化处理，以获取每棵孤立树对应的归一化更新权重，并可以将该归一化更新权重作为目标权重。例如，可以基于公式进行更新权重的归一化处理，K表示孤立树数量。
可选的，在进行权重更新时，可以根据每棵孤立树输出的孤立分，获取权重的增减幅度；例如，在当前孤立树对应的异常判断得分与标注结果一致时，孤立分与预设的得分阈值之间的差值越大，权重的增加幅度越大；在异常判断得分与标注结果不一致时，孤立分与预设的得分阈值之间的差值越大，权重的减小幅度越大。
在本实施例的另一个可选的实施方式中，根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重，可以包括：
采用公式wi1＝wi0+α(y-0.5)(si-0.5)，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重；
其中，wi1表示当前异常样本匹配的第i棵孤立树对应的更新权重，wi0表示第i棵孤立树对应的初始权重，α表示变化系数，为常量，y表示当前异常样本对应的标注结果，si表示当前异常样本匹配的第i棵孤立树对应的第二孤立分。
其中，si的取值为0到1，y的取值为0或1,1表示异常，0表示正常；α用于控制权重的更新大小，典型的，可以设置为初始权重＝1/孤立树数量。由上式可知，若孤立分和标注结果都在0.5的同侧，表示结果一致，则权重增加，且孤立分越接近0或1，权重增加值越大；若孤立分与标注结果在0.5的异侧，表示结果不一致，则权重减小，且孤立分越接近0或者1，权重减小值越大。
在本实施例的另一个可选的实施方式中，根据各所述验证样本对应的分类得分，在所述各验证样本中筛选得到多个异常样本，可以包括：
计算得到各所述验证样本对应的分类得分与预设分数阈值之间的得分差值；
按照得分差值从小到大的顺序，筛选得到第一预设数量的验证样本，以作为异常样本。
在本实施例中，在进行异常样本筛选时，可以查找得到分类得分最接近预设分数阈值(例如，0.5)的第一预设数量的验证样本，以作为异常样本，并可以将其反馈在前端页面给用户标注。
具体的，可以将每个验证样本对应的分类得分减去预设分数阈值，以计算得到每个验证样本对应的得分差值(绝对值)；然后，可以从验证样本中按照得分差值从小到大依次筛选得到一定数量的验证样本，以作为需要人工标注的异常样本。
在本实施例的一个具体的实施方式中，分类模型的训练流程可以如图2B所示。具体的，首先，基于无标注的训练数据训练得到初始的孤立森林模型，以作为基础分类模型；然后，采用该基础分类模型对验证数据集进行检测和筛选，以获取每个验证样本对应的总孤立得分，即分类得分；之后，根据每个验证样本对应的分类得分，筛选得到得分最接近0.5的一定数量的验证样本，以作为异常样本，并将异常样本发送到用户进行标注，以获取每个异常样本对应的标注结果；最后，根据每个异常样本对应的分类得分和标注结果，调整每棵孤立树对应的权重值，以获取最终的目标分类模型。
在本实施例中，基础分类模型是在无标注的情况下产生，同时后续又有用户的人工标注参与，使得模型可以向着用户希望的方向优化，使得模型的最终检测效果可以更加符合用户的需要。
实施例三
图3为本发明实施例三提供的一种网络指标的异常检测装置的结构示意图。如图3所示，该装置包括：网络指标数据获取模块310、第一孤立分获取模块320和分类得分获取模块330；其中，
网络指标数据获取模块310，用于获取网络指标数据，以及所述网络指标数据对应的数据特征；
第一孤立分获取模块320，用于将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分；
其中，所述目标分类模型基于孤立森林算法建立，所述目标分类模型包括多个孤立树，以及各所述孤立树对应的目标权重；
分类得分获取模块330，用于根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
本发明实施例的技术方案，首先，获取网络指标数据，以及网络指标数据对应的数据特征；然后，将网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取目标分类模型输出的各孤立树对应的第一孤立分；最后，根据各孤立树对应的第一孤立分和目标权重，计算得到网络指标数据对应的分类得分，并在根据分类得分检测到网络指标数据为异常数据时，生成指标异常告警，通过基于孤立森林算法建立的目标分类模型，直接获取每棵孤立树对应的孤立分，进而基于各孤立分获取网络指标数据对应的分类得分，可以实现对网络指标数据的量化评估，可以避免设置额外的评估函数，可以提升网络指标的异常检测的准确度。
可选的，分类得分获取模块330，具体用于根据各所述孤立树对应的第一孤立分，以及预设分数阈值，获取各所述孤立树对应的异常判断得分；
采用各所述孤立树对应的目标权重，对各所述孤立树对应的异常判断得分进行加权求和，并将和值作为所述网络指标数据对应的分类得分。
可选的，所述网络指标的异常检测装置，还包括：
验证数据集获取模块，用于获取验证数据集，并获取所述验证数据集中各验证样本对应的数据特征；
基础分类模型获取模块，用于获取基础分类模型，所述基础分类模型基于孤立森林算法建立，所述基础分类模型包括多棵孤立树，以及各所述孤立树对应的初始权重；
第二孤立分获取模块，用于将各所述验证样本对应的数据特征输入到所述基础分类模型，并获取所述基础分类模型输出的各所述验证样本匹配的各孤立树对应的第二孤立分；
分类得分计算模块，用于根据各所述验证样本匹配的各孤立树对应的第二孤立分，以及各所述孤立树对应的初始权重，计算得到各所述验证样本对应的分类得分；
异常样本筛选模块，用于根据各所述验证样本对应的分类得分，在所述各验证样本中筛选得到多个异常样本，并生成所述多个异常样本对应的标注任务发送到目标用户，以获取所述目标用户反馈的各所述异常样本对应的标注结果；
目标分类模型获取模块，用于根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的目标权重，获取训练完成的目标分类模型。
可选的，目标分类模型获取模块，包括：
更新权重获取单元，用于根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重；
更新权重归一化处理单元，用于对各所述孤立树对应的更新权重进行归一化处理，以获取各所述孤立树对应的归一化更新权重作为各所述孤立树对应的目标权重。
可选的，更新权重获取单元，具体用于采用公式wi1＝wi0+α(y-0.5)(si-0.5)，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重；
其中，wi1表示当前异常样本匹配的第i棵孤立树对应的更新权重，wi0表示第i棵孤立树对应的初始权重，α表示变化系数，为常量，y表示当前异常样本对应的标注结果，si表示当前异常样本匹配的第i棵孤立树对应的第二孤立分。
可选的，异常样本筛选模块，具体用于计算得到各所述验证样本对应的分类得分与预设分数阈值之间的得分差值；
按照得分差值从小到大的顺序，筛选得到第一预设数量的验证样本，以作为异常样本。
可选的，所述数据特征包括时间特征和窗口值特征，网络指标数据获取模块310，具体用于获取所述网络指标数据的采集时间作为时间特征，并计算得到所述网络指标数据与第二预设数量的历史指标数据的平均值，以作为窗口值特征。
本发明实施例所提供的网络指标的异常检测装置可执行本发明任意实施例所提供的网络指标的异常检测方法，具备执行方法相应的功能模块和有益效果。
需要说明的是，本实施例的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器(ROM)42、随机访问存储器(RAM)43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器(ROM)42中的计算机程序或者从存储单元48加载到随机访问存储器(RAM)43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出(I/O)接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如网络指标的异常检测方法。
在一些实施例中，网络指标的异常检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的网络指标的异常检测方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网络指标的异常检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种网络指标的异常检测方法，其特征在于，包括：
获取网络指标数据，以及所述网络指标数据对应的数据特征；
将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分；
其中，所述目标分类模型基于孤立森林算法建立，所述目标分类模型包括多个孤立树，以及各所述孤立树对应的目标权重；
根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
2.根据权利要求1所述的方法，其特征在于，根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，包括：
根据各所述孤立树对应的第一孤立分，以及预设分数阈值，获取各所述孤立树对应的异常判断得分；
采用各所述孤立树对应的目标权重，对各所述孤立树对应的异常判断得分进行加权求和，并将和值作为所述网络指标数据对应的分类得分。
3.根据权利要求1所述的方法，其特征在于，在将所述网络指标数据对应的数据特征输入到预训练的目标分类模型之前，还包括：
获取验证数据集，并获取所述验证数据集中各验证样本对应的数据特征；
获取基础分类模型，所述基础分类模型基于孤立森林算法建立，所述基础分类模型包括多棵孤立树，以及各所述孤立树对应的初始权重；
将各所述验证样本对应的数据特征输入到所述基础分类模型，并获取所述基础分类模型输出的各所述验证样本匹配的各孤立树对应的第二孤立分；
根据各所述验证样本匹配的各孤立树对应的第二孤立分，以及各所述孤立树对应的初始权重，计算得到各所述验证样本对应的分类得分；
根据各所述验证样本对应的分类得分，在所述各验证样本中筛选得到多个异常样本，并生成所述多个异常样本对应的标注任务发送到目标用户，以获取所述目标用户反馈的各所述异常样本对应的标注结果；
根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的目标权重，获取训练完成的目标分类模型。
4.根据权利要求3所述的方法，其特征在于，根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的目标权重，包括：
根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重；
对各所述孤立树对应的更新权重进行归一化处理，以获取各所述孤立树对应的归一化更新权重作为各所述孤立树对应的目标权重。
5.根据权利要求4所述的方法，其特征在于，根据各所述异常样本匹配的各孤立树对应的第二孤立分，以及各所述异常样本对应的标注结果，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重，包括：
采用公式wi1＝wi0+α(y-0.5)(si-0.5)，对所述基础分类模型中各所述孤立树对应的初始权重进行更新，以获取各所述孤立树对应的更新权重；
其中，wi1表示当前异常样本匹配的第i棵孤立树对应的更新权重，wi0表示第i棵孤立树对应的初始权重，α表示变化系数，为常量，y表示当前异常样本对应的标注结果，si表示当前异常样本匹配的第i棵孤立树对应的第二孤立分。
6.根据权利要求3所述的方法，其特征在于，根据各所述验证样本对应的分类得分，在所述各验证样本中筛选得到多个异常样本，包括：
计算得到各所述验证样本对应的分类得分与预设分数阈值之间的得分差值；
按照得分差值从小到大的顺序，筛选得到第一预设数量的验证样本，以作为异常样本。
7.根据权利要求1所述的方法，其特征在于，所述数据特征包括时间特征和窗口值特征，获取所述网络指标数据对应的数据特征，包括：
获取所述网络指标数据的采集时间作为时间特征，并计算得到所述网络指标数据与第二预设数量的历史指标数据的平均值，以作为窗口值特征。
8.一种网络指标的异常检测装置，其特征在于，包括：
网络指标数据获取模块，用于获取网络指标数据，以及所述网络指标数据对应的数据特征；
第一孤立分获取模块，用于将所述网络指标数据对应的数据特征输入到预训练的目标分类模型，并获取所述目标分类模型输出的各孤立树对应的第一孤立分；
其中，所述目标分类模型基于孤立森林算法建立，所述目标分类模型包括多个孤立树，以及各所述孤立树对应的目标权重；
分类得分获取模块，用于根据各所述孤立树对应的第一孤立分和目标权重，计算得到所述网络指标数据对应的分类得分，并在根据所述分类得分检测到所述网络指标数据为异常数据时，生成指标异常告警。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的网络指标的异常检测方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的网络指标的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966986.7A CN116962272B (zh) | 2023-08-02 | 2023-08-02 | 一种网络指标的异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310966986.7A CN116962272B (zh) | 2023-08-02 | 2023-08-02 | 一种网络指标的异常检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116962272A true CN116962272A (zh) | 2023-10-27 |
| CN116962272B CN116962272B (zh) | 2024-02-20 |
Family
ID=88449072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310966986.7A Active CN116962272B (zh) | 2023-08-02 | 2023-08-02 | 一种网络指标的异常检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116962272B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117747116A (zh) * | 2024-02-19 | 2024-03-22 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法及装置 |
| CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
| CN113327172A (zh) * | 2021-05-07 | 2021-08-31 | 河南工业大学 | 一种基于孤立森林的粮情数据离群点检测方法 |
| CN113824580A (zh) * | 2020-06-19 | 2021-12-21 | 北京市天元网络技术股份有限公司 | 一种网络指标预警方法及系统 |
| WO2022117063A1 (zh) * | 2020-12-03 | 2022-06-09 | 百果园技术(新加坡)有限公司 | 孤立森林的训练方法，网络爬虫的识别方法及装置 |
-
2023
- 2023-08-02 CN CN202310966986.7A patent/CN116962272B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109948669A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技（深圳）有限公司 | 一种异常数据检测方法及装置 |
| CN113824580A (zh) * | 2020-06-19 | 2021-12-21 | 北京市天元网络技术股份有限公司 | 一种网络指标预警方法及系统 |
| CN112637132A (zh) * | 2020-12-01 | 2021-04-09 | 北京邮电大学 | 一种网络异常检测方法、装置、电子设备和存储介质 |
| WO2022117063A1 (zh) * | 2020-12-03 | 2022-06-09 | 百果园技术(新加坡)有限公司 | 孤立森林的训练方法，网络爬虫的识别方法及装置 |
| CN113327172A (zh) * | 2021-05-07 | 2021-08-31 | 河南工业大学 | 一种基于孤立森林的粮情数据离群点检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117747116A (zh) * | 2024-02-19 | 2024-03-22 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
| CN117747116B (zh) * | 2024-02-19 | 2024-05-17 | 天津市第五中心医院 | 一种产科助产的生理指标智慧预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116962272B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657465A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
| CN116962272B (zh) | 一种网络指标的异常检测方法、装置、设备及存储介质 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN114580916A (zh) | 一种企业风险评估方法、装置、电子设备及存储介质 | |
| CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
| CN115204733A (zh) | 数据审计方法、装置、电子设备及存储介质 | |
| CN116820826A (zh) | 一种基于调用链的根因定位方法、装置、设备及存储介质 | |
| CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
| CN115134386B (zh) | 一种物联网态势感知系统、方法、设备及介质 | |
| CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
| CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
| CN116668264A (zh) | 一种告警聚类的根因分析方法、装置、设备及存储介质 | |
| CN115600607A (zh) | 一种日志检测方法、装置、电子设备及介质 | |
| CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
| CN113612777B (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
| CN114866437A (zh) | 一种节点检测方法、装置、设备及介质 | |
| CN114661562A (zh) | 一种数据告警方法、装置、设备及介质 | |
| CN114328123A (zh) | 异常确定方法、训练方法、装置、电子设备以及存储介质 | |
| CN114398558B (zh) | 信息推荐方法、装置、电子设备和存储介质 | |
| CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
| CN114493636A (zh) | 一种用户满意度确定方法、装置、电子设备及存储介质 | |
| CN115392403B (zh) | 一种异常变更检测方法、装置、设备及存储介质 | |
| CN116975632A (zh) | 一种线索分发模型训练方法、装置、设备和介质 | |
| CN117651000A (zh) | 应用于云上云下异构环境的混沌工程测试系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |