CN117874686B - 异常数据定位方法、装置、电子设备和计算机可读介质 - Google Patents
异常数据定位方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN117874686B CN117874686B CN202410269864.7A CN202410269864A CN117874686B CN 117874686 B CN117874686 B CN 117874686B CN 202410269864 A CN202410269864 A CN 202410269864A CN 117874686 B CN117874686 B CN 117874686B
- Authority
- CN
- China
- Prior art keywords
- blood
- edge
- node
- path
- monitoring node
- 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 132
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 344
- 239000008280 blood Substances 0.000 claims abstract description 302
- 210000004369 blood Anatomy 0.000 claims abstract description 302
- 230000005856 abnormality Effects 0.000 claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013058 risk prediction model Methods 0.000 claims description 8
- 230000006698 induction Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开的实施例公开了异常数据定位方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对目标血缘图谱进行图谱分解;根据血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合;分别以局部监测节点集合中的局部监测节点和全局监测节点集合中的全局监测节点为起始节点,对目标血缘图谱进行局部逆血缘边更新;分别对局部监测节点集合中的局部监测节点和全局监测节点集合中的全局监测节点进行异常节点监测;响应于监测到目标监测节点存在节点异常,以目标监测节点为起始节点,通过路径更新后目标血缘图谱,定位异常数据源;向与异常数据源关联的数据异常告警终端发送告警通知。该实施方式提高了异常数据的定位效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及异常数据定位方法、装置、电子设备和计算机可读介质。
背景技术
随着数字化转型的持续推进,信息系统在各行各业不断落地。伴随着信息系统的运行,随之产生了大量的数据。如何从实时产生的大量数据中心精准进行异常数据定位,对于信息系统稳定运行至关重要。目前,在进行异常数据定位时,通常采用的方式为:通过运维人员采用人工排障的方式进行异常数据定位。
然而,当采用上述方式时,经常会存在如下技术问题:
第一,数据之间的血缘关系较为复杂,采用人工进行异常数据定位的方式效率低下;
第二,血缘图谱随业务变化和更新,即相对应表征数据之间的血缘关系也会随之变化和更新,随着数据体量逐渐增大,采用针对全部血缘节点的监测方式,运维难度较大;
第三,异常数据的产生往往随业务逻辑线性传递,而由于血缘图谱呈现复杂的网状结构,极易出现溯源方向错误的情况,进而增加后期的、针对异常数据的排障时间消耗。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了异常数据定位方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种异常数据定位方法,该方法包括:对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态;根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,上述局部监测节点集合和上述全局监测节点集合的交集为空集;分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱;分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测;响应于监测到目标监测节点存在节点异常,以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,其中,上述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点;向与上述异常数据源关联的数据异常告警终端发送告警通知。
第二方面,本公开的一些实施例提供了一种异常数据定位装置,装置包括:图谱分解单元,被配置成对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态;生成单元,被配置成根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,上述局部监测节点集合和上述全局监测节点集合的交集为空集;局部逆血缘边更新单元,被配置成分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱;异常节点监测单元,被配置成分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测;定位单元,被配置成响应于监测到目标监测节点存在节点异常,以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,其中,上述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点;发送单元,被配置成向与上述异常数据源关联的数据异常告警终端发送告警通知。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的异常数据定位方法,提高了异常数据的定位效率。具体来说,造成异常数据定位效率底下的原因在于:数据之间的血缘关系较为复杂,采用人工进行异常数据定位的方式效率低下。基于此,本公开的一些实施例的异常数据定位方法,首先,对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态。受限于业务逻辑的线性传递性,通过以血缘路径为单位对目标血缘图谱进行图谱分解,使得得到的血缘路径描述信息与实际业务逻辑匹配。其次,根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,上述局部监测节点集合和上述全局监测节点集合的交集为空集。实践中,当业务逻辑复杂时,目标血缘图谱往往包含较多血缘节点和连接血缘节点的血缘边,通过确定局部监测节点和全局监测节点,从而实现后续异常节点监测的工作量。接着,分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱。实践中,目标血缘图谱往往根据业务逻辑的线性特点,采用单向的血缘边表征数据流动,但在后续的异常节点监测中单向血缘边难以高效进行逆向溯源,因此,通过局部逆血缘边更新,方便后续的异常溯源。进一步,分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测。此外,响应于监测到目标监测节点存在节点异常,以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,其中,上述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点。以此实现自动的异常数据源定位。最后,向与上述异常数据源关联的数据异常告警终端发送告警通知。通过此种方式,相较于人工进行异常数据定位的方式,大大提高了异常数据的定位效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的异常数据定位方法的一些实施例的流程图;
图2是对目标血缘图谱中的局部图谱结构进行局部逆血缘边更新的过程示意图;
图3是对目标血缘图谱中的局部图谱结构进行局部逆血缘边更新的另一过程示意图;
图4是对目标血缘图谱中的局部图谱结构进行局部逆血缘边更新的再一过程示意图;
图5是根据本公开的异常数据定位装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的异常数据定位方法的一些实施例的流程100。该异常数据定位方法,包括以下步骤:
步骤101,对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合。
在一些实施例中,异常数据定位方法的执行主体(例如,计算设备)可以对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合。其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态。目标血缘图谱可以是包含至少一个业务对应的数据流动关系的血缘图谱。实践中,上述执行主体可以根据业务对应的数据流动关系,对上述目标血缘图谱进行图谱分解,以生成上述血缘路径描述信息集合。
可选地,血缘路径描述信息集合中的血缘路径描述信息包括:血缘路径长度和血缘节点描述信息组。其中,血缘路径长度表征血缘路径描述信息对应的血缘路径的节点跳数。实践中,上述执行主体可以通过血缘路径描述信息对应血缘路径中包含的血缘节点的数量,作为血缘路径长度。例如,血缘路径A经过血缘节点A、血缘节点B和血缘节点C,则血缘路径A对应的血缘路径长度为3。血缘节点描述信息用于描述血缘路径描述信息对应血缘路径包含的血缘节点的节点状态。实践中,血缘节点描述信息可以包括但不限于:血缘节点对应业务数据的刷新状态和刷新批次、血缘节点对应业务数据的刷新频率、血缘节点对应业务数据最新一次数据异常时间。刷新状态表征血缘节点对应业务数据的当前状态,例如,更新中,更新完毕,待更新。刷新批次表征血缘节点对应业务数据的当前刷新批次,例如,第一批次。刷新频率表征血缘节点对应业务数据临近K次的平均刷新频率。例如,K为3。血缘节点A对应的业务数据分别进行了第一批次刷新、第二批次刷新和第三批次刷新,其中,第一批次刷新和第二批次刷新的时间间隔为12小时、第二批次刷新和第三批次刷新的时间间隔为8小时,则刷新频率为10小时/批次。
在一些实施例的一些可选的实现方式中,上述执行主体对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,可以包括以下步骤:
第一步,确定上述目标血缘图谱中包括的血缘节点集合中的每个血缘节点的入度值。
其中,入度值表征血缘节点作为目标血缘图谱中包含的血缘边的重点的次数的和。实践中,上述执行主体可以遍历上述血缘节点集合中的每个血缘节点,并确定血缘节点对应的入度,作为对应的入度值。
第二步,从上述血缘节点集合中筛选出入度值为0的血缘节点,作为候选血缘节点,得到候选血缘节点集合。
第三步,对于上述候选血缘节点集合中的每个候选血缘节点, 执行以下血缘路径描述信息生成步骤:
第一子步骤,以上述候选血缘节点为起始节点,对上述目标血缘图谱进行深度遍历,以生成血缘路径。
其中,血缘路径为以候选血缘节点为起始节点的、包含至少一个血缘节点的有向路径。实践中,上述执行主体采用DFS(Depth First Search,深度优先查找)算法,以上述候选血缘节点为起始节点,对上述目标血缘图谱进行深度遍历,以生成血缘路径。具体的,以上述候选血缘节点为起始节点进行深度遍历时,可能遍历到至少一条血缘路径。
第二子步骤,确定上述血缘路径包括的血缘节点数量,作为上述血缘路径对应血缘路径描述信息包括的血缘路径长度。
实践中,上述执行主体在通过第一子步骤进行深度遍历时,可以通过计数器,确定血缘路径包含的血缘节点的数量,作为血缘路径长度。
第三子步骤,确定上述血缘路径包括的血缘节点的节点状态,得到上述血缘路径对应血缘路径描述信息包括的血缘节点描述信息组。
实践中,对于血缘路径包含的每个血缘节点,上述执行主体可以读取上述血缘节点的节点状态,作为上述血缘节点对应的血缘节点描述信息。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。应该理解,计算设备的数目根据实现需要可以具有任意数目。
步骤102,根据血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合。
在一些实施例中,上述执行主体可以根据血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合。其中,局部监测节点为单条血缘路径中的核心血缘节点。全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点。上述局部监测节点集合和上述全局监测节点集合的交集为空集。
作为示例,首先,对于血缘路径描述信息集合中的每个血缘路径描述信息,上述执行主体可以通过遍历血缘路径描述信息对应血缘路径,以确定高数据异常概率的血缘节点,作为局部监测节点,得到局部监测节点集合。其中,局部监测节点的入度值和/或出度值小于等于1。然后,上述执行主体可以将目标血缘图谱中的、包含在血缘路径描信息对应血缘路径内的、入度值和/或出度值大于等于2的血缘节点,作为全局监测节点,得到上述全局监测节点集合。
在一些实施例的一些可选的实现方式中,上述执行主体根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,可以包括以下步骤:
第一步,确定上述血缘路径描述信息集合中的血缘路径信息对应的血缘路径的路径交叉点,作为全局监测节点,得到上述全局监测节点集合。
其中,路径交叉点对应的血缘节点的入度值大于等于2和/或出度值大于等于2。
第二步,对于上述血缘路径描述信息集合中的每个血缘路径描述信息,执行以下局部监测节点确定步骤:
第一子步骤,根据上述血缘路径描述信息包括的血缘路径长度和血缘节点描述信息组,生成血缘路径风险概率。
其中,血缘路径风险概率表征血缘路径描述信息对应血缘路径产生数据异常的概率。实践中,上述执行主体可以通过风险概率预测模型、血缘路径描述信息包括的血缘路径长度和血缘节点描述信息组,生成血缘路径风险概率。具体的,风险概率预测模型包括:路径特征提取模型、节点状态特征提取模型、特征拼接层和全连接层A。其中,路径特征提取模型用于提取血缘路径描述信息对应血缘路径的路径特征。节点状态特征提取模型用于提取血缘节点描述信息对应血缘节点的节点状态。特征拼接层用于将路径特征提取模型提取的特征和节点状态特征提取模型提取的特征进行特征拼接。全连接层A用于输出血缘路径风险概率。具体的,风险概率预测模型可以包括:5层串行连接的图卷积层,每2层图卷积层之间包含1个最大池化层。节点状态特征提取模型可以包括:4层Transformer层,其中,4层Transformer层采用对称结构,即前2层Transformer层用于编码操作,后2层Transformer层用于解码操作。
第二子步骤,根据上述血缘路径风险概率和上述血缘路径长度,确定针对上述血缘路径描述信息对应血缘路径的局部监测节点数量。
实践中,首先,上述执行主体可以根据血缘路径长度,映射得到与血缘路径长度对应的基础局部监测点数量。然后,上述执行主体可以将血缘路径风险概率和基础局部监测点数量的乘积值,确定为上述血缘路径描述信息对应血缘路径的局部监测节点数量。
第三子步骤,以上述局部监测节点数量为数量约束,根据上述血缘路径描述信息包括的血缘节点描述信息组,确定上述局部监测节点集合中的局部监测节点。
实践中,上述执行主体可以根据血缘节点描述信息组,确定上述血缘路径描述信息对应血缘路径上的每个血缘节点对应的数据异常概率,并根据数据异常概率,对血缘路径描述信息对应血缘路径上的每个血缘节点进行排序,将前M个血缘节点作为局部监测节点。其中M为局部监测节点数量。具体的,对于每个血缘节点描述信息,上述执行主体可以将血缘节点描述信息在节点状态特征提取模型输出的特征输入全连接层B,以得到数据异常概率。
上述“在一些实施例的一些可选的实现方式中”的内容,作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“血缘图谱随业务变化和更新,即相对应表征数据之间的血缘关系也会随之变化和更新,随着数据体量逐渐增大,采用针对全部血缘节点的监测方式,运维难度较大”。基于此,本公开首先,通过结合出度值和入度值筛选出全局监测节点。然后,通过生成血缘路径风险概率。实践中,随着血缘路径长度增长,血缘路径中包含的血缘节点产生数据异常的概率大大提高,因此,本公开通过结合血缘路径长度和血缘节点描述信息组,通过风险概率预测模型实现针对血缘路径的、血缘路径风险概率预测。接着,血缘路径往往包含较多的血缘节点,如何从血缘路径中选取血缘节点作为局部监测节点,影响了后续的监测灵敏度,因此,本公开通过结合节点状态特征提取模型输出的、针对血缘节点的特征作为针对血缘节点的数据异常概率,筛选出局部监测节点。通过此种方式大大降低了监测量,降低了运维难度。
步骤103,分别以局部监测节点集合中的局部监测节点和全局监测节点集合中的全局监测节点为起始节点,对目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱。
在一些实施例中,上述执行主体可以分别以局部监测节点集合中的局部监测节点和全局监测节点集合中的全局监测节点为起始节点,对目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱。
作为示例,如图2所示的对目标血缘图谱中的局部图谱结构进行局部逆血缘边更新的过程示意图,其中,“实心圆”血缘节点为全局监测节点。“斜条纹”血缘节点为局部监测节点。上述执行主体可以在与局部监测节点直接连接的血缘节点之间创建逆向血缘边,以及在与全局监测节点直接连接的血缘节点之间创建逆向血缘边,得到上述路径更新后目标血缘图谱。
在一些实施例的一些可选的实现方式中,上述执行主体分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱,可以包括以下步骤:
第一步,对于上述局部监测节点集合中的每个局部监测节点,执行以下第一血缘边更新步骤:
第一子步骤,根据上述局部监测节点对应的血缘路径风险概率,确定针对上述局部监测节点的第一血缘边更新范围。
其中,第一血缘边更新范围表征局部监测节点对应的、逆向血缘边更新的边数量。实践中,上述执行主体可以通过映射的方式,确定血缘路径风险概率对应的血缘边更新范围,作为第一血缘边更新范围。实践中,当血缘路径风险概率位于[0,20%)时,对应的边数量为1、当血缘路径风险概率位于[20%,50%)时,对应的边数量为3、当血缘路径风险概率位于[50%,100%]时,对应的边数量为5。
第二子步骤,以上述局部监测节点为起始节点,逆向对上述第一血缘边更新范围内涉及的血缘节点之间生成逆向血缘边。
作为示例,如图3所示的对目标血缘图谱中的局部图谱结构进行局部逆血缘边更新的另一过程示意图,其中,“斜条纹”血缘节点为局部监测节点。第一更新范围A可以为1,表征逆向血缘边更新的边数量为1。因此,上述执行主体会在局部监测节点和局部监测节点前一个血缘节点之间创建逆向血缘边。第一更新范围B可以为3,表征逆向血缘边更新的边数量为3。上述执行主体可以在局部监测节点前3个血缘节点之间分别添加逆向血缘边。第一更新范围C可以是5,表征逆向血缘边更新的边数量为5。上述执行主体可以在局部监测节点前5个血缘节点之间分别添加逆向血缘边。
第二步,对于上述全局监测节点集合中的每个全局监测节点,执行以下第二血缘边更新步骤:
第一子步骤,根据上述全局监测节点对应的至少两个血缘路径风险概率,确定针对上述全局监测节点的第二血缘边更新范围。
其中,由于全局监测节点是处于至少两条血缘路径的路径交叉处的血缘节点,且每条血缘路径对应一个血缘路径风险概率,因此,全局监测节点对应至少两个血缘路径风险概率。实践中,首先,上述执行主体可以全局监测节点对应的至少两个血缘路径风险概率的均值,作为风险概率均值。然后,上述执行主体可以通过映射的方式,确定风险概率均值对应的血缘边更新范围,作为第二血缘边更新范围。实践中,当风险概率均值位于[0,20%)时,对应的边数量为1、当风险概率均值位于[20%,50%)时,对应的边数量为3、当风险概率均值位于[50%,100%]时,对应的边数量为5。
第二子步骤,以上述全局监测节点为起始节点,辐射式对上述第一血缘边更新范围内涉及的血缘节点之间生成逆向血缘边,以及对上述第一血缘边更新范围内涉及的、未通过血缘边连接的血缘节点之间生成双向血缘边。
作为示例,如图4所示的对目标血缘图谱中的局部图谱结构进行局部逆血缘边更新的再一过程示意图,其中,“实心圆”血缘节点为全局监测节点。第二更新范围A可以为1。第二更新范围B可以为3,表征逆向血缘边更新的边数量为3。第二更新范围C可以是5,表征逆向血缘边更新的边数量为5。上述执行主体可以根据第二更新范围,采用局部监测节点的逆血缘边更新方式,实现对与全局监测节点相连接的每条血缘路径进行逆血缘边更新。
步骤104,分别对局部监测节点集合中的局部监测节点和全局监测节点集合中的全局监测节点进行异常节点监测。
在一些实施例中,上述执行主体可以分别对局部监测节点集合中的局部监测节点和全局监测节点集合中的全局监测节点进行异常节点监测。实践中,上述执行主体可以实时监测局部监测节点对应的业务数据变化,以及实时监测全局监测节点对应的业务数据的变化。
在一些实施例的一些可选的实现方式中,上述执行主体分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测,可以包括以下步骤:
第一步,确定上述局部监测节点集合中的局部监测节点对应的数据变化特征,以及上述全局监测节点集合中的全局监测节点对应的数据变化特征。
其中,数据变化特征包括:数据状态变化特征和数据变化频率特征。实践中,全局监测节点对应的业务数据和局部监测节点对应的业务数据随时间变化而变化,因此,上述执行主体可以通过时序性神经网络模型对局部监测节点对应的业务数据进行特征提取,以得到对应的数据变化特征,以及通过时序性神经网络模型对全局监测节点对应的业务数据进行特征提取,以得到对应的数据变化特征。
第二步,根据预训练的异常节点风险预测模型、局部监测节点对应的数据变化特征,以及全局节点对应的数据变化特征,实现对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点的异常节点监测。
其中,异常节点风险预测模型可以是残差神经网络模型,具体的,异常节点风险预测模型可以包括:3个串行连接的残差块和全连接层。残差块中包含5个串行连接的卷积层。全连接层用于生成监测节点对应的异常概率。具体的,上述执行主体可以将全局监测节点对应的数据变化特征输入异常节点风险预测模型,以生成对应的异常概率,以及将全局监测节点对应的数据变化特征输入异常节点风险预测模型,以生成对应的异常概率。具体的,当全局监测节点和局部监测节点数量较多时,可以通过并行设置多个异常节点风险预测模型,异步对全局监测节点和局部监测节点进行异常概率预测。
步骤105,响应于监测到目标监测节点存在节点异常,以目标监测节点为起始节点,通过路径更新后目标血缘图谱,定位异常数据源。
在一些实施例中,响应于监测到目标监测节点存在节点异常,上述执行主体可以以目标监测节点为起始节点,通过路径更新后目标血缘图谱,定位异常数据源。其中,目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点。上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点。实践中,上述执行主体可以通过深度遍历算法,以目标监测节点为起始节点,通过路径更新后目标血缘图谱,定位异常数据源。
在一些实施例的一些可选的实现方式中,上述执行主体以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,可以包括以下步骤:
第一步,以上述目标监测节点为起始节点,逆向遍历上述路径更新后目标血缘图谱,以及确定逆向遍历过程中涉及的血缘节点的异常数据诱发概率。
实践中,上述执行主体可以通过异常节点风险预测模型,确定逆向遍历过程中涉及的血缘节点的异常数据诱发概率。
第二步,根据异常数据诱发概率,从逆向遍历过程中涉及的血缘节点中筛选出满足筛选条件的血缘节点,作为上述异常数据源。
实践中,上述执行主可以从逆向遍历过程中涉及的血缘节点中筛选出对应异常数据诱发概率最大的血缘节点作为异常数据源。
上述“在一些实施例的一些可选的实现方式中”的内容,作为本公开的一个发明点,解决了背景技术提及的技术问题三,即“异常数据的产生往往随业务逻辑线性传递,而由于血缘图谱呈现复杂的网状结构,极易出现溯源方向错误的情况,进而增加后期的、针对异常数据的排障时间消耗”。实践中,为了降低血缘图谱的构建难度,往往根据数据对应的业务逻辑,构建单向的血缘边的血缘图谱,但在逆血缘的异常数据定位时,增加了定位难度,尤其是存在复杂网状结构时,往往需要进行长时间的遍历。基于此,本公开通过在局部监测节点和全局监测节点周围生成逆血缘边,以此实现在异常数据定位时的逆血缘查找,降低了遍历难度和时间消耗。
步骤106,向与异常数据源关联的数据异常告警终端发送告警通知。
在一些实施例中,上述执行主体可以通过有线连接,或无线连接的方式向与异常数据源关联的数据异常告警终端发送告警通知。实践中,例如,血缘节点对应的业务数据往往对应相应的数据来源,因此,上述数据异常告警终端可以是数据来源对应的终端。又如,上述数据异常告警终端也可以是对目标血缘图谱中的每个血缘节点进行异常监控和管理的终端。
需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的异常数据定位方法,提高了异常数据的定位效率。具体来说,造成异常数据定位效率底下的原因在于:数据之间的血缘关系较为复杂,采用人工进行异常数据定位的方式效率低下。基于此,本公开的一些实施例的异常数据定位方法,首先,对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态。受限于业务逻辑的线性传递性,通过以血缘路径为单位对目标血缘图谱进行图谱分解,使得得到的血缘路径描述信息与实际业务逻辑匹配。其次,根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,上述局部监测节点集合和上述全局监测节点集合的交集为空集。实践中,当业务逻辑复杂时,目标血缘图谱往往包含较多血缘节点和连接血缘节点的血缘边,通过确定局部监测节点和全局监测节点,从而实现后续异常节点监测的工作量。接着,分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱。实践中,目标血缘图谱往往根据业务逻辑的线性特点,采用单向的血缘边表征数据流动,但在后续的异常节点监测中单向血缘边难以高效进行逆向溯源,因此,通过局部逆血缘边更新,方便后续的异常溯源。进一步,分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测。此外,响应于监测到目标监测节点存在节点异常,以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,其中,上述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点。以此实现自动的异常数据源定位。最后,向与上述异常数据源关联的数据异常告警终端发送告警通知。通过此种方式,相较于人工进行异常数据定位的方式,大大提高了异常数据的定位效率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种异常数据定位装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该异常数据定位装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的异常数据定位装置500包括:图谱分解单元501、生成单元502、局部逆血缘边更新单元503、异常节点监测单元504、定位单元505和发送单元506。其中,图谱分解单元501,被配置成对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态;生成单元502,被配置成根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,上述局部监测节点集合和上述全局监测节点集合的交集为空集;局部逆血缘边更新单元503,被配置成分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱;异常节点监测单元504,被配置成分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测;定位单元505,被配置成响应于监测到目标监测节点存在节点异常,以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,其中,上述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点;发送单元506,被配置成向与上述异常数据源关联的数据异常告警终端发送告警通知。
可以理解的是,该异常数据定位装置500中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于异常数据定位装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器602中的程序或者从存储装置608加载到随机访问存储器603中的程序而执行各种适当的动作和处理。在随机访问存储器603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、只读存储器602以及随机访问存储器603通过总线604彼此相连。输入/输出接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从只读存储器602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载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(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,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。而在本公开的一些实施例中,计算机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,其中承载了计算机可读的程序代码。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。计算机可读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,该计算机可读信号介质可以发送、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程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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该电子设备执行时,使得该电子设备:对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态;根据上述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,上述局部监测节点集合和上述全局监测节点集合的交集为空集;分别以上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点为起始节点,对上述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱;分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测;响应于监测到目标监测节点存在节点异常,以上述目标监测节点为起始节点,通过上述路径更新后目标血缘图谱,定位异常数据源,其中,上述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,上述异常数据源是导致上述目标监测节点存在节点异常的血缘节点;向与上述异常数据源关联的数据异常告警终端发送告警通知。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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。在这点上,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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开的一些实施例中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,例如,可以描述为:一种处理器包括图谱分解单元、生成单元、局部逆血缘边更新单元、异常节点监测单元和定位单元。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,例如,异常节点监测单元还可以被描述为“分别对上述局部监测节点集合中的局部监测节点和上述全局监测节点集合中的全局监测节点进行异常节点监测的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种异常数据定位方法,包括:
对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态;
根据所述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,所述局部监测节点集合和所述全局监测节点集合的交集为空集;
分别以所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点为起始节点,对所述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱;
分别对所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点进行异常节点监测;
响应于监测到目标监测节点存在节点异常,以所述目标监测节点为起始节点,通过所述路径更新后目标血缘图谱,定位异常数据源,其中,所述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,所述异常数据源是导致所述目标监测节点存在节点异常的血缘节点;
向与所述异常数据源关联的数据异常告警终端发送告警通知。
2.根据权利要求1所述的方法,其中,在所述分别以所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点为起始节点,对所述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱之后,所述方法还包括:
将血缘图谱更新计时器重置为计时状态;
响应于所述血缘图谱更新计时器计时提醒,且未监测到所述局部监测节点集合中存在节点异常的局部监测节点以及未监测到所述全局监测节点集合中存在节点异常的全局监测节点,对所述路径更新后目标血缘图谱进行图谱更新;
响应于所述血缘图谱更新计时器未计时提醒,且监测到目标监测节点存在节点异常,将所述血缘图谱更新计时器重置为计时状态。
3.根据权利要求2所述的方法,其中,所述血缘路径描述信息集合中的血缘路径描述信息包括:血缘路径长度和血缘节点描述信息组,血缘路径长度表征血缘路径描述信息对应的血缘路径的节点跳数;以及
所述对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,包括:
确定所述目标血缘图谱中包括的血缘节点集合中的每个血缘节点的入度值;
从所述血缘节点集合中筛选出入度值为0的血缘节点,作为候选血缘节点,得到候选血缘节点集合;
对于所述候选血缘节点集合中的每个候选血缘节点, 执行以下血缘路径描述信息生成步骤:
以所述候选血缘节点为起始节点,对所述目标血缘图谱进行深度遍历,以生成血缘路径;
确定所述血缘路径包括的血缘节点数量,作为所述血缘路径对应血缘路径描述信息包括的血缘路径长度;
确定所述血缘路径包括的血缘节点的节点状态,得到所述血缘路径对应血缘路径描述信息包括的血缘节点描述信息组。
4.根据权利要求3所述的方法,其中,所述分别对所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点进行异常节点监测,包括:
确定所述局部监测节点集合中的局部监测节点对应的数据变化特征,以及所述全局监测节点集合中的全局监测节点对应的数据变化特征,其中,数据变化特征包括:数据状态变化特征和数据变化频率特征;
根据预训练的异常节点风险预测模型、局部监测节点对应的数据变化特征,以及全局节点对应的数据变化特征,实现对所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点的异常节点监测。
5.根据权利要求4所述的方法,其中,所述以所述目标监测节点为起始节点,通过所述路径更新后目标血缘图谱,定位异常数据源,包括:
以所述目标监测节点为起始节点,逆向遍历所述路径更新后目标血缘图谱,以及确定逆向遍历过程中涉及的血缘节点的异常数据诱发概率;
根据异常数据诱发概率,从逆向遍历过程中涉及的血缘节点中筛选出满足筛选条件的血缘节点,作为所述异常数据源。
6.一种异常数据定位装置,包括:
图谱分解单元,被配置成对目标血缘图谱进行图谱分解,以生成血缘路径描述信息集合,其中,血缘路径描述信息用于描述处于通路状态的血缘路径的路径状态;
生成单元,被配置成根据所述血缘路径描述信息集合,生成局部监测节点集合和全局监测节点集合,其中,局部监测节点为单条血缘路径中的核心血缘节点,全局监测节点为处于至少两条血缘路径的路径交叉处的核心血缘节点,所述局部监测节点集合和所述全局监测节点集合的交集为空集;
局部逆血缘边更新单元,被配置成分别以所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点为起始节点,对所述目标血缘图谱进行局部逆血缘边更新,以生成路径更新后目标血缘图谱;
异常节点监测单元,被配置成分别对所述局部监测节点集合中的局部监测节点和所述全局监测节点集合中的全局监测节点进行异常节点监测;
定位单元,被配置成响应于监测到目标监测节点存在节点异常,以所述目标监测节点为起始节点,通过所述路径更新后目标血缘图谱,定位异常数据源,其中,所述目标监测节点是存在节点异常的局部监测节点或存在节点异常的全局监测节点,所述异常数据源是导致所述目标监测节点存在节点异常的血缘节点;
发送单元,被配置成向与所述异常数据源关联的数据异常告警终端发送告警通知。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269864.7A CN117874686B (zh) | 2024-03-11 | 2024-03-11 | 异常数据定位方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269864.7A CN117874686B (zh) | 2024-03-11 | 2024-03-11 | 异常数据定位方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117874686A CN117874686A (zh) | 2024-04-12 |
CN117874686B true CN117874686B (zh) | 2024-05-10 |
Family
ID=90581630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410269864.7A Active CN117874686B (zh) | 2024-03-11 | 2024-03-11 | 异常数据定位方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117874686B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516971A (zh) * | 2019-08-29 | 2019-11-29 | 杭州网易再顾科技有限公司 | 异常检测的方法、装置、介质和计算设备 |
CN114969819A (zh) * | 2022-06-02 | 2022-08-30 | 蚂蚁区块链科技(上海)有限公司 | 数据资产风险发现方法和装置 |
CN116361059A (zh) * | 2023-05-19 | 2023-06-30 | 湖南三湘银行股份有限公司 | 一种银行业务异常根因诊断方法及诊断系统 |
CN116861040A (zh) * | 2023-07-31 | 2023-10-10 | 中国建设银行股份有限公司 | 生成脚本间血缘关系图的方法、装置、设备及存储介质 |
-
2024
- 2024-03-11 CN CN202410269864.7A patent/CN117874686B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110516971A (zh) * | 2019-08-29 | 2019-11-29 | 杭州网易再顾科技有限公司 | 异常检测的方法、装置、介质和计算设备 |
CN114969819A (zh) * | 2022-06-02 | 2022-08-30 | 蚂蚁区块链科技(上海)有限公司 | 数据资产风险发现方法和装置 |
WO2023231341A1 (zh) * | 2022-06-02 | 2023-12-07 | 蚂蚁区块链科技(上海)有限公司 | 数据资产风险发现方法和装置 |
CN116361059A (zh) * | 2023-05-19 | 2023-06-30 | 湖南三湘银行股份有限公司 | 一种银行业务异常根因诊断方法及诊断系统 |
CN116861040A (zh) * | 2023-07-31 | 2023-10-10 | 中国建设银行股份有限公司 | 生成脚本间血缘关系图的方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117874686A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114396705B (zh) | 空调故障检测方法、装置、电子设备及介质 | |
CN112150490B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
CN115357470B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN115293657B (zh) | 碳排放指标信息生成方法、装置、电子设备和介质 | |
CN114928574B (zh) | 信息发送方法、装置、电子设备和计算机可读介质 | |
CN113344737B (zh) | 设备控制方法、装置、电子设备和计算机可读介质 | |
CN111858381B (zh) | 应用程序容错能力测试方法、电子设备及介质 | |
CN117874686B (zh) | 异常数据定位方法、装置、电子设备和计算机可读介质 | |
CN116700250A (zh) | 路径规划方法、计算设备、装置、设备及介质 | |
CN110727558A (zh) | 信息提示方法、装置、存储介质及电子设备 | |
CN112507676B (zh) | 能源报表生成方法、装置、电子设备和计算机可读介质 | |
CN111726476B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN114035861A (zh) | 集群配置方法、装置、电子设备和计算机可读介质 | |
CN114047897B (zh) | 检测信息显示方法、装置、电子设备和计算机可读介质 | |
CN115309739B (zh) | 车载数据检索方法、装置、电子设备、介质和产品 | |
CN110633596A (zh) | 预测车辆方向角的方法和装置 | |
CN116107666B (zh) | 程序业务流信息生成方法、装置、电子设备和计算机介质 | |
CN116559362B (zh) | 基于地质构造的煤矿瓦斯异常检测方法、装置和电子设备 | |
CN116070947B (zh) | 面向安全生产事件的模拟预警方法、装置、设备和介质 | |
CN116862118B (zh) | 碳排放信息生成方法、装置、电子设备和计算机可读介质 | |
CN116260530B (zh) | 信息传输方法、装置、电子设备和计算机可读介质 | |
CN116702168B (zh) | 供应端信息检测方法、装置、电子设备和计算机可读介质 | |
CN115689444B (zh) | 基于历史案例的物流自动监控方法、装置、设备和介质 | |
CN116703263B (zh) | 电力设备配送方法、装置、电子设备和计算机可读介质 | |
CN115862183B (zh) | 传感器特征工程信息构建方法、装置、设备和计算机介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |