CN117708622B - 运维系统的异常指标分析方法、系统和电子装置 - Google Patents
运维系统的异常指标分析方法、系统和电子装置 Download PDFInfo
- Publication number
- CN117708622B CN117708622B CN202311590591.8A CN202311590591A CN117708622B CN 117708622 B CN117708622 B CN 117708622B CN 202311590591 A CN202311590591 A CN 202311590591A CN 117708622 B CN117708622 B CN 117708622B
- Authority
- CN
- China
- Prior art keywords
- index
- abnormal
- value
- calculating
- indexes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 127
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000012423 maintenance Methods 0.000 title claims abstract description 15
- 230000001364 causal effect Effects 0.000 claims abstract description 62
- 230000010355 oscillation Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种运维系统的异常指标分析方法、系统和电子装置，所述方法包括S1:对基础指标时序数据进行预处理，得到异常指标数据；S2:对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；S3:计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性；S4:通过因果推测，计算出对目标异常指标影响最大的质心异常指标；S5:对质心异常指标进行排序，选取最大效应值对应的异常指标映射到同类簇的其他异常指标中。本发明通过对异常指标进行聚类分析，降低了分析的复杂度，然后再进行异常指标进行振荡处理，进而排除干扰对的异常指标，能够得到更准确的异常指标，使得异常指标的分析更可靠。
Description
技术领域
本申请涉及信息处理技术领域，特别涉及一种运维系统的异常指标分析方法、系统和电子装置。
背景技术
软件系统使用时，会产生大量的日志信息，这些日志信息对于分析故障、提升系统性能、安全分析以及用户行为分析等均具有重要的意义。日志是可观测性系统的三种基础数据(日志，指标，跟踪)来源之一，对诊断系统状态，复现问题发生时的状态，提供了清晰明确的记录。
日志分析中对指标的分析有很多维度，其中一个维度是时序数据的指标分析，用来识别周期性趋势、季节性变化或其他时间相关模式。根因分析方法是通过分析异常指标的变化，找出导致这些异常的根本原因的过程，是指标分析的重要技术之一。
现有技术中，根因分析方法主要基于相关性分析，通过计算指标之间的相关系数来判断它们之间的相关性，这类方法存在以下技术缺陷：
1、相关性分析无法准确地确定异常指标之间的因果关系，只能反应它们之间的相关性程度，根因的方向无法由相关性程度确定，异常指标的震荡原因也可能是受到其它外部污染因子的影响，导致在实际应用中往往无法准确识别出真正的根因，最终造成了误导和不准确的分析结果。
2、在大规模的异常指标体系中，传统的异常指标根因诊断方法需要进行大量的计算，耗费大量时间和资源，特别是对于复杂系统，高计算复杂度导致分析效率低下。
3、现有的异常指标根因分析方法缺乏明确的因果推测框架，无法清楚地描述异常指标之间的影响关系，不能准确地判断哪些异常指标是影响因素，哪些是被影响因素。
发明内容
为解决上述问题，本发明提供一种运维系统的异常指标分析方法，所述方法包括如下步骤：
S1:对基础指标时序数据进行预处理，得到异常指标数据；
S2:对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；
S3:计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标；
S4:通过因果推测，计算出对目标异常指标影响最大的质心异常指标；
S5:对质心异常指标进行排序，选取K个最大效应值对应的异常指标，映射到同类簇的其他异常指标中。
进一步地，步骤S2包括：
S21：以时序数据中的两条曲线作为初始核心曲线，搜索核心曲线之外且在预设半径中与核心曲线距离较近的曲线，将所有距离相近的曲线归为相同类簇；
S22：列举所有的类簇并根据类簇找到该类簇的中心曲线作为质心指标曲线；
S23：返回质心指标曲线、类簇个数和同类簇中所有异常指标曲线。
进一步地，步骤S3中，计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性包括：
S31：对指标时序数据进行Z值归一化处理；
S32:放大显著偏离零的值，提高震荡特性区分度，其公式为：
x为原始时序数据，a为增长程度，β为阈值，emin为自然常数e的min(x,β)中的小值的幂指数；
S33:对各个异常指标的原始数据放大之后，得到的震荡特征曲线为:
E＝{e1,e2…,eN}
其中的e的各个值即为上述公式f(α,β,x)对应计算得到的值。
进一步地，步骤S3中筛选出与目标指标具有正、负震荡相关的质心异常指标包括：
S34:通过步骤S32中f(α,β,x)计算得到指标G和指标H，固定指标H，计算G与H之间的偏移关系，其公式为：
s为(-l，L)之间的任意值，l代表曲线长度；
S35:通过向量之间的内积计算相关性，用以判断方向性，其公式为：
G[i]·H[i]代表两个指标之间的内积；
S36:计算正、负震荡相关性，对两个放大后的指标G，H进行相关度计算，相关度值为CC，其公式为：
S37:计算最小值和最大值，其公式为：
选取上一步中结果最小值作为minCC，最大值作为maxCC。
进一步地，步骤S4包括：
S41：在拓扑关系中计算异常指标之间是否存在因果效应；
S42:对于存在因果效应的异常指标，计算因果效应的强弱；
S43:对因果效应进行检验，用以验证因果关系的假设是否成立；
S44:计算因果值，得到因果值，因果值越大则代表因果效应越强。
进一步地，步骤S1包括：
S11:对基础指标时序数据进行预处理，生成可供分析的异常指标时序数据；
S12:对异常指标时序数据进行筛选并裁剪相应拓扑结构；
S13:判定异常指标量级，若指标过多则进行聚类，若过少则无需要进行聚类。
进一步地，，S11:对基础指标时序数据进行预处理，包括：
使用前项、后项和均值的方法对空值的时序数据进行填充；
对于某个数据点偏离平均值超过3个标准差则被视为异常点；
使用滑动指数平滑方式，对较新的数据点赋予更高的权重，对较旧的数据点赋予较低的权重。
本申请还提供一种异常指标分析系统，包括预处理单元、聚类处理单元、相关性计算单元以因果计算单元，其中：
预处理单元用以对基础指标时序数据进行预处理，得到异常指标数据；
聚类处理单元用以对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；
相关性计算单元用以计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标；
因果计算单元用以计算出对目标异常指标影响最大的质心异常指标。
本发明还提供一种计算机存储介质，所述计算机存储介质可存储有可执行程序，当所述可执行程序在计算机上运行时，所述计算机执行所述的运维系统的异常指标分析方法。
本发明还提供一种电子装置，所述电子装置包括处理器以及存储器，所述存储器用于存储可执行程序，所述处理器用于执行所述可执行程序以实现所述的运维系统的异常指标分析方法。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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为本申请实施例的异常指标分析方法流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
日志的异常指标通常指某种错误或者某类错误出现，通过一些分析手段进行分析，比如错误频率、错误类型、错误来源错误影响范围以及趋势等等，这些指标可以帮助识别和解决系统中的异常情况，从而提高系统的稳定性和可靠性。
现有技术分析异常指标主要是在相关性上进行改进。传统的相关性分析算法难以确定影响的方向性，以及是否存在外部混杂因素影响了分析结果，也容易忽略了异常指标的震荡。本申请在确定相关性的基础上，综合考虑相关性、相位移动、方向以及因果推测等提出改进，从而可以排除外部混杂因素的影响，消除偏见，更加准确确定地分析异常指标之间的因果关系。从而使得异常指标的分析更加可靠和客观，大大提高运维系统的能力。
本申请提供一种运维系统的异常指标分析方法，包括如下步骤：
S1:对基础指标时序数据进行预处理，得到异常指标数据；
S2:对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；
S3:计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标；
S4:通过因果推测，计算出对目标异常指标影响最大的质心异常指标；
S5:对质心异常指标进行排序，选取K个最大效应值对应的异常指标，映射到同类簇的其他异常指标中。
下面结合各种具体的优选实施方式详细说明本申请的技术方案。
S1:对基础指标时序数据进行预处理，得到异常指标数据。
对基础指标时序数据的预处理，包括后继系统各个组件、节点、服务和实例相关的机器和业务类指标时序数据，然后使用拓扑理论构建系统拓扑，描述系统各个组件、节点、服务和实例之间的调用关系。再进行处理，得到后续流程进行分析的异常指标数据。作为一种实施方式，包括S11-S13步骤。
S11:对基础指标时序数据进行预处理，生成可供分析的异常指标时序数据。
预处理取决于后续流程或者算法对数据的要求，本申请的预处理包括：空值填充、异常点去除、指数平滑，具体如下：
空值填充：使用前项、后项和均值填充方法，以解决空值存在的问题，存在空值，容易导致在后续使用异常指标分析的相关算法出现异常问题，导致各种误判。
去除异常点：对于某个数据点偏离平均值超过一个预设值，则视为异常点，比如设置为超过3个标准差则被视为异常点。
指数平滑：使用滑动指数平滑方式，对较新的数据点赋予更高的权重，而较旧的数据点赋予较低的权重。
S12:指标过滤，对异常指标时序数据进行筛选并裁剪相应拓扑结构，通过标准差、方差、关键字筛选方法进行。
通过计算指标时序数据的标准差和方差，并根据标准差和方差的变化率裁减掉拓扑相关联的指标，在保留目标指标的前提下，可做如下的处理：
若某组件、节点、服务和实例下的所有指标标准差变化过低，则裁剪掉整个组件、节点、服务和实例，反之则保留；
若某指标在选定时间段内不存在标准差与方差的变化，则将该指标从拓扑中删除；
若某指标类别不在关键词列表中，则也将该指标从拓扑中删除。
S13:判定异常指标量级，若指标过多则进行聚类，若过少则无需要进行聚类，具体量级，在实际项目中，结合计算复杂度、计算量以及项目的其他考虑因素综合，可由预设一个值或者设计算法来自动调整，超过预设的值则视为过多。
S2:对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心。
对于大型的运维系统来说，异常指标数据非常庞大，难以逐一进行分析，在实际项目中需要进一步降维或者归类，本申请提出一种新的聚类处理，可以有效地降维并且又能分析到关键的异常指标，具体包括步骤S21-S23：
S21：以时序数据中的两条曲线作为初始核心曲线，搜索核心曲线之外且在预设半径中与核心曲线距离较近的曲线，将所有距离相近的曲线归为相同类簇；
S22：列举所有的类簇并根据类簇找到该类簇的中心曲线作为质心指标曲线，质心为某类簇内所有数据点的平均值，是识别该类簇与其他类簇的不同特征的重要参考。
S23：返回质心指标曲线、类簇个数和同类簇中所有异常指标曲线。
S3:计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标。
分析异常指标之间的关系，重要的一种分析方式是分析其相关性，现有技术有多种相关性度量方法，如皮尔逊相关系数、斯皮尔曼相关系数、卡方检验和切比雪夫相关系数等。
本申请基于相关性的基础上，分析各个异常指标的震荡特征，即在确定了相关性的基础上计算指标的震荡值，进一步反映异常指标之间的关联程度，作为一种优选的实施方式，其步骤包括：
S31：对指标时序数据进行Z值归一化处理；
S32:放大显著偏离零的值，提高震荡特性区分度，其公式为：
x：原始时序数据；
a：增长程度，值越大，表明增长越快；
β：阈值；
emin指自然常数e的min(x,β)中的小值的幂指数。
S33:上述公式可以将异常指标的原始数据(即原始序列的每个点)进行放大，对各个异常指标的原始数据放大之后，得到的震荡特征曲线为:
E＝{e1,e2…,eN}
其中e的各个值即为上述公式f(α,β,x)对应计算得到的值。
筛选出与目标指标具有正、负震荡相关的质心异常指标，作为一种优选的实施方式，其步骤包括：
S34:通过步骤S32中f(α,β,x)计算得到指标G和指标H，固定指标H，计算G与H之间的偏移关系，其公式为：
s为(-l，l)之间的任意值，l代表曲线长度。
其中指标G和指标H分别为二个不同原始时序数据，通过公式f(α,β,x)计算得到，比如：
G的输入为{x1,x2,x3,···xN}，计算得到G＝{f(x1),f(x2),f(x3),···f(xN)}
H的输入为{y1,y2,y3,···yN}，计算得到H＝{f(y1),f(y2),f(y3),···f(yN)}
S35:通过向量之间的内积计算相关性，用以判断方向性，其公式为：
G[i]·H[i]代表两个指标之间的内积；
S36:计算正、负震荡相关性，对两个放大后的指标G，H进行相关度计算，相关度值为CC，其公式为：
S37:计算最小值和最大值，其公式为：
选取上一步中结果最小值作为minCC，最大值作为maxCC。
S4:通过因果推测，计算出对目标异常指标影响最大的质心异常指标。
通过因果辨识、因果估算和因果驳斥确定异常指标之间的因果关系，评估异常指标的因果效应，具体包括：
S41：因果辨识，在拓扑关系中计算异常指标之间是否存在因果效应；
S42:因果估算，对于存在因果效应的异常指标，计算因果效应的强弱。
在因果效应被识别以后，处理效应通常受到潜在混杂变量的影响，使用后门调节来消除因果效应中的混淆变量，用来估计出某个变量对于因果效应的影响，即使这个变量与因果效应之间存在其他变量的影响。
然后再使用线性回归的方式回归处理组数据，通过计算处理组与对照组之间因果差值排除潜在混杂变量的影响，最终通过因果差值反馈因果效应的强弱。
S43:因果驳斥，对因果效应进行检验，用以验证因果关系的假设是否成立。
首先需要识别后门路径，后面调节需要确定从处理到结果之间的所有路径，包括直接和间接的路径。
后门路径指处理与结果之间存在的非因果路径。在识别后门路径以后，需要选择适当的调节变量，既潜在混杂变量，调节变量内容，看调节后的结果是否影响路径。
S44:计算因果值，得到因果值，因果值越大则代表因果效应越强。
因果值通过反驳学习中获得，反驳是为了反驳上一步骤确定的因果关系是否牢靠，首先先确定因果关系，然后计算因果值，再反驳。计算因果值，其输入变量为已确定的因果估计目标、后门及线性回归确定的处理效应结果，得到反驳结果，最终得到因果强弱值。
基于上述方法实施例，本申请还提供一种异常指标分析系统，包括预处理单元、聚类处理单元、相关性计算单元以因果计算单元，其中：
预处理单元用以对基础指标时序数据进行预处理，得到异常指标数据；
聚类处理单元用以对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；
相关性计算单元用以计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标；
因果计算单元用以计算出对目标异常指标影响最大的质心异常指标。
本申请还提供一种计算机存储介质，所述计算机存储介质可存储有可执行程序，当所述可执行程序在计算机上运行时，所述计算机执行上述任一实施例所述的运维系统的异常指标分析方法。
本申请还提供一种电子装置，所述电子装置包括处理器以及存储器，所述存储器用于存储可执行程序，所述处理器用于执行所述可执行程序以实现上述运维系统的异常指标分析方法。
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，所述计算机程序可以存储于计算机可读存储介质中，所述存储介质可以包括但不限于：只读存储器(ROM，Read OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种运维系统的异常指标分析方法，其特征在于，包括如下步骤：
S1:对日志的基础指标时序数据进行预处理，得到异常指标数据，异常指标指某种错误或者某类错误；
S2:对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；
S3:计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标，具体为：
S31：对指标时序数据进行Z值归一化处理；
S32:放大显著偏离零的值，提高震荡特性区分度，其公式为：
；
为原始时序数据，为增长程度，为阈值，为自然常数e的中的小值的幂指数；
S33:对各个异常指标的原始数据放大之后，得到的震荡特征曲线为:
；
其中e的各个值即为公式对应计算得到的值；
S34:通过步骤S32中计算得到指标G和指标H，固定指标H，计算G与H之间的偏移关系，其公式为：
；
s为之间的任意值，代表曲线长度；
S35:通过向量之间的内积计算相关性，用以判断方向性，其公式为：
；
代表两个指标之间的内积;
S36:计算正、负震荡相关性，对两个放大后的指标G，H进行相关度计算，相关度值为CC，其公式为：
；
S37:计算最小值和最大值，其公式为：
；
；
选取上一步中结果最小值作为，最大值作为；
S4:通过因果推测，计算出对目标异常指标影响最大的质心异常指标;
S5:对质心异常指标进行排序，选取K个最大效应值对应的异常指标，映射到同类簇的其他异常指标中。
2.如权利要求1所述的异常指标分析方法，其特征在于，步骤S2包括：
S21：以时序数据中的两条曲线作为初始核心曲线，搜索核心曲线之外且在预设半径中与核心曲线距离较近的曲线，将所有距离相近的曲线归为相同类簇；
S22：列举所有的类簇并根据类簇找到该类簇的中心曲线作为质心指标曲线;
S23：返回质心指标曲线、类簇个数和同类簇中所有异常指标曲线。
3.如权利要求1所述的异常指标分析方法，其特征在于，步骤S4包括：
S41：在拓扑关系中计算异常指标之间是否存在因果效应；
S42:对于存在因果效应的异常指标，计算因果效应的强弱；
S43:对因果效应进行检验，用以验证因果关系的假设是否成立；
S44:计算因果值，得到因果值，因果值越大则代表因果效应越强。
4.如权利要求1所述的异常指标分析方法，其特征在于，步骤S1包括：
S11:对基础指标时序数据进行预处理，生成可供分析的异常指标时序数据；
S12:对异常指标时序数据进行筛选并裁剪相应拓扑结构；
S13:判定异常指标量级，若指标过多则进行聚类，若过少则无需要进行聚类。
5.如权利要求4所述的异常指标分析方法，其特征在于，S11:对基础指标时序数据进行预处理，包括：
使用前项、后项和均值的方法对空值的时序数据进行填充；
对于某个数据点偏离平均值超过3个标准差则被视为异常点；
使用滑动指数平滑方式，对较新的数据点赋予更高的权重，对较旧的数据点赋予较低的权重。
6.一种异常指标分析系统，其特征在于，包括预处理单元、聚类处理单元、相关性计算单元以因果计算单元，其中：
预处理单元用以对日志的基础指标时序数据进行预处理，得到异常指标数据，异常指标指某种错误或者某类错误；
聚类处理单元用以对异常指标数据进行聚类处理，得到N个聚类类别以及N个聚类类别的质心；
相关性计算单元用以计算N个聚类类别的质心指标时序数据与目标异常指标时序数据之间的震荡相关性，筛选出与目标指标具有正、负震荡相关的质心异常指标，具体为：
S31：对指标时序数据进行Z值归一化处理；
S32:放大显著偏离零的值，提高震荡特性区分度，其公式为：
；
为原始时序数据，为增长程度，为阈值，为自然常数e的中的小值的幂指数；
S33:对各个异常指标的原始数据放大之后，得到的震荡特征曲线为:
；
其中e的各个值即为公式对应计算得到的值；
S34:通过步骤S32中计算得到指标G和指标H，固定指标H，计算G与H之间的偏移关系，其公式为：
；
s为之间的任意值，代表曲线长度；
S35:通过向量之间的内积计算相关性，用以判断方向性，其公式为：
；
代表两个指标之间的内积;
S36:计算正、负震荡相关性，对两个放大后的指标G，H进行相关度计算，相关度值为CC，其公式为：
；
S37:计算最小值和最大值，其公式为：
；
；
选取上一步中结果最小值作为，最大值作为；
因果计算单元用以计算出对目标异常指标影响最大的质心异常指标。
7.一种计算机存储介质，其特征是，所述计算机存储介质可存储有可执行程序，当所述可执行程序在计算机上运行时，所述计算机执行权利要求1-5任一所述的运维系统的异常指标分析方法。
8.一种电子装置，其特征在于，所述电子装置包括处理器以及存储器，所述存储器用于存储可执行程序，所述处理器用于执行所述可执行程序以实现
权利要求1-5任一所述的运维系统的异常指标分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311590591.8A CN117708622B (zh) | 2023-11-27 | 2023-11-27 | 运维系统的异常指标分析方法、系统和电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311590591.8A CN117708622B (zh) | 2023-11-27 | 2023-11-27 | 运维系统的异常指标分析方法、系统和电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708622A CN117708622A (zh) | 2024-03-15 |
| CN117708622B true CN117708622B (zh) | 2024-07-26 |
Family
ID=90143297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311590591.8A Active CN117708622B (zh) | 2023-11-27 | 2023-11-27 | 运维系统的异常指标分析方法、系统和电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708622B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
| CN114090396A (zh) * | 2022-01-24 | 2022-02-25 | 华南理工大学 | 一种云环境多指标无监督异常检测和根因分析方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140081652A1 (en) * | 2012-09-14 | 2014-03-20 | Risk Management Solutions Llc | Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors |
| CN110995461B (zh) * | 2019-10-28 | 2021-06-22 | 厦门大学 | 网络故障诊断方法 |
| CN113361944B (zh) * | 2021-06-21 | 2022-04-22 | 鑫安利中（北京）科技有限公司 | 基于物联网和人工智能的安全生产指标异常快速感知方法 |
| CN114781529A (zh) * | 2022-04-28 | 2022-07-22 | 郑州云海信息技术有限公司 | 一种kpi异常检测方法、装置、设备及介质 |
| CN117009119A (zh) * | 2023-04-04 | 2023-11-07 | 西安电子科技大学青岛计算技术研究院 | 一种面向云原生的微服务智能运维系统、方法及应用 |
-
2023
- 2023-11-27 CN CN202311590591.8A patent/CN117708622B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
| CN114090396A (zh) * | 2022-01-24 | 2022-02-25 | 华南理工大学 | 一种云环境多指标无监督异常检测和根因分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708622A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| JP6821614B2 (ja) | モデル学習装置、モデル学習方法、プログラム | |
| Lim et al. | Identifying recurrent and unknown performance issues | |
| CA2935281C (en) | A multidimensional recursive learning process and system used to discover complex dyadic or multiple counterparty relationships | |
| WO2017205936A1 (en) | Classification of log data | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| US11580425B2 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
| CN112685324B (zh) | 一种生成测试方案的方法及系统 | |
| CN113127342B (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
| CN109522193A (zh) | 一种运维数据的处理方法、系统及装置 | |
| CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
| CN117540826A (zh) | 机器学习模型的优化方法、装置、电子设备及存储介质 | |
| CN110716761A (zh) | 信息处理平台上软件应用的执行参数的自动和自优化确定 | |
| CN117708622B (zh) | 运维系统的异常指标分析方法、系统和电子装置 | |
| Bayram et al. | DQSOps: Data Quality Scoring Operations Framework for Data-Driven Applications | |
| CN114674511B (zh) | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 | |
| WO2022125174A1 (en) | Forecasting based on bernoulli uncertainty characterization | |
| US20240152133A1 (en) | Threshold acquisition apparatus, method and program for the same | |
| CN113377630A (zh) | 一种通用的kpi异常检测框架实现方法 | |
| Ding et al. | Time Series Data Cleaning Under Expressive Constraints on Both Rows and Columns | |
| Wessman | Advanced Algorithms for Classification and Anomaly Detection on Log File Data: Comparative study of different Machine Learning Approaches | |
| US20220180227A1 (en) | Forecasting based on bernoulli uncertainty characterization | |
| CN112884167B (zh) | 一种基于机器学习的多指标异常检测方法及其应用系统 | |
| Xia et al. | Multi-source KPIs’ root cause localization in online service systems | |
| CN117408517A (zh) | 一种工程造价风险控制管理系统 |
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 |