WO2020173136A1

WO2020173136A1 - 应用系统的监控方法、装置、设备及存储介质

Info

Publication number: WO2020173136A1
Application number: PCT/CN2019/118226
Authority: WO
Inventors: 朱坤
Original assignee: 平安科技（深圳）有限公司
Priority date: 2019-02-27
Filing date: 2019-11-13
Publication date: 2020-09-03
Also published as: CN109992473B; CN109992473A

Abstract

一种应用系统的监控方法、装置、设备及存储介质，方法包括：提取应用系统的特征数据；基于支持向量机算法，根据历史用户行为数据进行模型训练以建立行为预测模型；将当前用户行为数据输入至行为预测模型以输出下一时刻对应的预测值；根据预测值与下一时刻的用户行为数据确定应用系统的异常状况。

Description

应用系统的监控方法、装置、设备及存储介质

本申请要求于 2019年 02月 27日提交中国专利局、申请号为 201910145580. 6、发明名称为 “应用系统的监控方法、装置、设备及存储介质” 的中国专利申请的优先权，其全部内容通过引用结合在本申请中。技术领域

本申请涉及互联网保险技术领域，尤其涉及一种应用系统的监控方法、装置、设备及存储介质。背景技术

随着公司网络业务的快速发展，各种网络业务的应用系统的数量不断增多，保险领域的应用系统也得到了飞速发展。一个保险业务的运行通常需要多个应用系统的支持。然而由于保险业务的多变、应用系统漏洞等原因，应用系统经常出现异常情况，因而导致保险业务难以正常运行。

目前，行业内相关的监控产品通常是通过监控应用程序的性能，例如 CPU、内存、网络带宽等数据来进行报警，从而监控应用系统是否异常。然而，由于保险业务受到诸多因素影响，多个应用系统关联复杂等原因，很多时候不能及时发现应用系统的异常，影响用户正常使用保险业务。为了更好的维护保险业务的正常使用，保障用户的体验和使用，有必要提供一种应用系统的监控方法，以及时监控应用系统是否异常。发明内容

本申请提供了一种应用系统的监控方法、装置、设备及存储介质，该监控方法能够及时地发现应用系统的问题以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生。

第一方面，本申请提供了一种应用系统的监控方法，所述方法包括：提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；

基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型；

将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值；

根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。第二方面，本申请还提供了一种应用系统的监控装置，所述装置包括：特征提取单元，用于提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；

模型建立单元，用于基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型；

输入输出单元，用于将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值；

异常确定单元，用于根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的应用系统的监控方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的应用系统的监控方法。

本申请公开了一种应用系统的监控方法、装置、设备及存储介质，通过基于支持向量机算法，根据历史用户行为数据进行模型训练，得到行为预测模型，用已经采集到的当前用户行为数据输入至行为预测模型，以输出下一时刻对应的预测值，再通过比较预测值和真实值（即下一时刻的用户行为数据）确定系统的异常状况，从而通过监控用户行为及时地发现应用系统的问题以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生。附图说明

为了更清楚地说明本申请实施例技术方案，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，下面描述中的附图是本申请的一些实施例，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是本申请的实施例一提供的应用系统的监控方法的步骤示意流程图；图 2是本申请的实施例二提供的应用系统的监控方法的步骤示意流程图；图 3为图 2中应用系统的监控方法的子步骤的示意流程图；

图 4是本申请的实施例三提供的应用系统的监控方法的步骤示意流程图；图 5是本申请的一实施例提供的一种应用系统的监控装置的示意性框图；图 6是本申请的另一实施例提供的一种应用系统的监控装置的示意性框图；图 7是图 6中应用系统的监控装置的子单元的示意性框图；

图 8是本申请的再一实施例提供的一种应用系统的监控装置的示意性框图；图 9是本申请实施例提供的一种计算机设备的示意性框图。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，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作 /步骤，也不是必须按所描述的顺序执行。例如，有的操作 /步騍还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

本申请的实施例提供了一种应用系统的监控方法、装置、计算机设备及存储介质。该应用系统的监控方法可用于监控保险业务的应用系统，针对应用系统的异常，能够及时地发现应用系统出现的异常状况。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图 1 , 图 1是本申请的实施例一提供的应用系统的监控方法的步骤示意流程图。该应用系统的监控方法，通过监控用户行为及时发现应用系统出现的异常状况，以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生，用户的体验效果好。该方法的执行主体可以为网络设备，例如服务器或网络优化设备。

如图 1所示，该应用系统的监控方法，具体包括：步骤 101 至步骤 1 04。

51 01、提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据。

具体的，在提取特征数据时，可以以预设单位时间作为提取的一个周期，提取每个应用系统的特征数据。单位时间可以根据实际需求进行设定，例如设定为一天、一个小时或一分钟。

特征数据用于反映应用系统的外在特征的数据，其与用户行为密切相关，能够反映机器或服务的运行状况，具有特定的变化规律。在某些实施方式中，在提取应用系统的特征数据时，可以获取应用系统某一个維度的特征数据，得到一种行为特征数据。当然，在其他实施方式中，也可以获取应用系统在 K个维度的特征数据，得到 K种用户行为特征数据，其中，上述 K值为大于 1 的整数。 K个维度可以为例如曝光数量、点击数量、交易数量等等， K种用户行为特征数据对应可以为曝光特征数据、点击特征数据、交易特征数据等。

可以理解的，每种用户行为在每个周期都有相应的用户行为数据。在本实施例中，当前用户行为数据是指应用系统在当前周期内所对应的用户行为数据。历史用户行为数据是指应用系统在当前周期之前的预设数量的周期内所对应的用户行为数据的集合。例如，当前周期为 T，预设数量为 u，则历史用户行为数据为应用系统在 T-1周期至 T-u周期的用户行为数据的集合。

其中，被监控的应用系统可以和应用系统的监控方法在同一个电子设备 (例如服务器) 上运行，也可以分别在不同的电子设备上运行。

51 02、基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型。

以每种用户行为的历史用户行为数据作为样本数据，可以建立一个机器学习模型来预测该用户行为在下一时刻的预测值。每种用户行为的历史用户行为数据可以看成一个时间序列 OC = 1, 2，..., T｝，下一时刻对应的预测值可以将当前时刻的用户行为数据输入至所述行为预测模型而输出。

具体的，所述行为预测模型可以描述为：

布：〜 NID(0, _(jd) , 且是与前一时刻的 X_{t k} > 0)不相关的随机序列。

需要说明的是，应用系统在正常工作时，其所支持的保险业务中用户行为数据的分布是有规律的。由于保险业务中用户的使用行为会发生变化，因而用户行为数据的分布规律会发生缓慢改变。因此行为预测模型不能是一成不变的，需要根据用户行为数据的分布规律的动态变化而变化。在实际应用中，每隔一段时间，应该按照新提取的特征数据，重新建立行为预测模型。这样，当前用户行为数据输入至行为预测模型，所输出的预测值能准确反映应用系统在下一时刻的用户行为数据的分布规律。

51 03、将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值。

具体的，在确定行为预测模型之后，保险监控系统可以定时或实时输入当前周期的用户行为数据至行为预测模型，从而输出预测值。所述预测值为基于所述行为预测模型和当前用户行为数据预测得到数据。

例如，将当前点击数据输入至点击预测模型，从而输出下一周期的点击数据的预测值。又如，将当前曝光数据输入至曝光预测模型，从而输出下一周期的曝光数据的预测值。

51 04、根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。

具体的，下一时刻应与当前周期的时间长度相同。若当前周期为 T，下一时刻可以为 T+1。下一时刻的用户行为数据是指从下一时刻的状态指标数据中提取的用户行为数据。

在一个实施例中，所述根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况之前，还包括：

从下一时刻的状态指标数据中提取下一时刻的用户行为数据。

在一个实施例中，所述根据所述预测值与下一时刻的用户行为数据确定应用系统的异常状况，具体包括：

若所述用户行为数据与所述预测值的比值小于预设阀值，确定所述应用系统存在异常。

在一实施例中，预设阀值的具体取值需要根据实际需要来确定。下一时刻的用户行为数据是指从下一时刻状态指标数据中提取的用户行为数据。

具体的，当上述比值大于等于第一预设阀值时，可以说明预测值与下一时刻的用户行为数据比较相近，用户能够正常使用保险业务，从而可以确定应用系统在下一时刻的状况与正常工作时的状况相近，因此可以确定应用系统在下一时刻处于正常状态。

当上述比值小于第一预设阀值时，确定应用系统处于异常状态。当比值小于第一预设阀值时，可以说明预测值与下一时刻的用户行为数据有很大不同，从而可以确定应用系统在所述下一时刻的状况与正常工作时的状况不同，用户使用保险业务受到影响，进而确定应用系统出现异常。在确定应用系统出现异常后，应及时通知技术人员到现场查看并維修，避免由于应用系统处于异常状态而影响用户的使用，从而保障用户的体验和使用。

例如，第一预设阀值为 8%，当在周六九点时预测十点时的网站点击数量为 50000 , 但到了十点时实际提取到的点击数量为 50 , 所述下一时刻用户行为数据与所述预测值的比值为 0. 1 %，小于第一预设阀值 8%，因而确定应用系统处于异常状态。如果十点时提取到的点击数量的真实值为 55000时，下一时刻的用户行为数据与所述预测值的比值为 1 10%，大于第一预设阀值 8%，因而确定应用系统处于正常状态。

上述实施例的监控方法，通过基于支持向量机算法，根据历史用户行为数据进行模型训练，得到行为预测模型，用已经采集到的当前用户行为数据输入至行为预测模型，以输出下一时刻对应的预测值，再通过比较所述预测值和下一时刻的用户行为数据确定系统的异常状况，从而通过监控用户行为及时地发现应用系统的问题以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生，用户的体验效果好。

请参阅图 2 , 图 2是本申请的实施例二提供的应用系统的监控方法的步骤示意流程图。该应用系统的监控方法，通过监控用户行为及时发现应用系统出现的异常状况，以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生，用户的体验效果好。该方法的执行主体可以为网络设备，例如服务器或网络优化设备。

如图 2所示，该应用系统的监控方法，具体包括：

5201、实时采集应用系统的状态指标数据。

应用系统的监控方法运行于其上的电子设备（例如服务器）可以通过有线连接方式或者无线连接方式周期性地采集系统的状态指标数据，生成状态指标数据序列。

其中，状态指标数据例如，搜索引擎响应用户点击数量，保险业务在展示媒介（例如网页、客户端页面）上的曝光数量、交易数量等等。

需要说明的是，每个应用系统在每个周期都有对应的状态指标数据。所述状态指标数据包括当前状态指标数据和历史状态指标数据，其中，当前状态指标数据是指在当前时刻采集的应用系统的状态指标数据。历史状态指标数据是指在当前时刻之前的时刻采集的应用系统的状态指标数据。历史用户行为数据是指从历史状态指标数据中按照采集时间由新到旧的顺序提取的用户行为数据。当前用户行为数据是指从当前状态指标数据中提取的用户行为数据。

具体的，以设定时间为一个周期，即按照设定时间作为采集状态指标数据的周期。设定时间可根据需要设定，例如 1分钟、 3分钟、 5分钟等。例如，假设设定时间为 5分钟，当前周期为 10 : 00至 1 0 : 05的时间段，则当前状态指标数据为在 10 : 00至 1 0 : 05的时间段内采集的系统的状态指标数据。

5202、从所述状态指标数据中提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据。

其中，每种用户行为在每个周期都有相应的用户行为数据。具体的，当前用户行为数据是指应用系统在当前周期内所对应的用户行为数据。历史用户行为数据是指应用系统在当前周期之前的预设数量的周期所对应的用户行为数据的集合。

5203、基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型。

具体的，每种用户行为的历史用户行为数据可以看成一个时间序列。基于支持向量机算法，根据历史用户行为数据可以建立该种用户行为对应的行为预测模型，通过将当前用户行为数据输入至该行为预测模型，能够预测下一时刻对应的预测值。

5204、将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值。

在确定行为预测模型之后，保险监控系统可以定时或实时输入当前用户行为数据至行为预测模型，从而输出下一时刻对应的预测值。所述预测值为基于所述行为预测模型和当前用户行为数据预测得到数据。

5205、根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。其中，下一时刻的用户行为数据是指从下一时刻的状态指标数据中提取的用户行为数据。

上述实施例的监控方法，通过实时采集应用系统的状态指标数据；从所述状态指标数据中提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；基于支持向量机算法，根据历史用户行为数据进行模型训练，得到行为预测模型，用已经采集到的当前用户行为数据输入至行为预测模型，以输出下一时刻对应的预测值，再通过比较所述预测值和下一时刻的用户行为数据确定系统的异常状况，从而通过监控用户行为及时地发现应用系统的问题以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生，用户的体验效果好。

对于上述实施例步骤 S202, 从所述状态指标数据中提取应用系统的特征数据，本申请提供了一实现该步骤的实施例，请参考图 3，图 3为从所述状态指标数据中提取应用系统的特征数据的子步骤的示意流程图，具体的包括：

5301、根据所述状态指标数据，构建数据矩阵。

具体的，将所述状态指标数据按照矩阵形式排列，构建数据矩阵 W。

5302、对所述数据矩阵进行标准化处理以得到标准矩阵。

S303、计算所述标准矩阵对应的协方差矩阵以及所述协方差矩阵的特征值。具体的，所述计算所述标准矩阵对应的协方差矩阵以及所述协方差矩阵的特征值，具体包括：

计算所述标准矩阵对应的协方差；

计算所述协方差矩阵的特征值。

在一实施方式中，所述计算所述标准矩阵对应的协方差矩阵，具体包括：基于协方差公式，计算所述标准矩阵对应的协方差矩阵；其中，所述协方差公式为：

c =-ir r ^T 具体的，所述计算所述协方差矩阵的特征值，具体为：根据 = ，计算所述协方差矩阵的特征值 ^。通过上述方式计算特征值 ^，也可以相应计算所述协方差矩阵的特征向量。

具体的，将所述特征值按降序排列，得到特征值序列。所述特征值序列中各特征值所对应的各特征向量也按照降序排列，得到特征向量序列。选择特征向量序列中不同范围内的一组特征向量即可实现特征向量序列的选择。 5304、根据所述特征值，计算所述特征值的贡献率。

具体的，所述根据所述特征值，所述计算所述特征值的贡献率，具体包括: 基于贡献率公式，根据所述特征值，计算所述特征值的贡献率；其中，所述贡献率公式为：

其中， g为所述贡献率， s为所述特征数据的维数； z为特征值的个数。

5305、根据所述贡献率，提取特征数据。

具体的，所述根据所述贡献率，提取特征数据，具体包括：

根据所述贡献率，确定主成分；根据所述主成分对应的标准化处理后的样本数据，构建特征数据。

具体的，所述根据所述贡献率，确定主成分，具体包括：选取所述贡献率大于或等于设定阀值的 S个特征值所对应的成分作为主成分。根据 S个所述主成分对应的标准化处理后的 S项样本数据，构建特征数据。

以用户行为数据包括点击数量、曝光数量、交易数量为例，假设设定阀值为 0. 80，经过计算，点击数量对应的特征值为 0. 5，曝光数量对应的特征值为

0. 4, 交易数量对应的特征值为 a 2，则贡献率 = °-^{5 + 0}-⁴ = 0.8182 , 此时 g

0.5 + 0.4 + 0.2

大于设定阀值 0. 80，提取点击数量、曝光数量作为特征数据。

需要说明的是，本实施例中，以点击数量、曝光数量作为特征数据为例进行说明提取特征数据的具体过程，但在实际场合中，特征数据也可以为交易数量，本申请对此不作限定。

请参阅图 4, 图 4是本申请的实施例三提供的应用系统的监控方法的步骤示意流程图。该应用系统的监控方法，通过监控用户行为及时、准确地发现应用系统出现的异常状况，以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生，用户的体验效果好。该方法的执行主体可以为网络设备，例如服务器或网络优化设备。

如图 4所示，该应用系统的监控方法，具体包括：

5401、实时采集应用系统的状态指标数据。

需要说明的是，每个应用系统在每个周期都有对应的状态指标数据。其中，当前状态指标数据是指在当前周期采集的系统的状态指标数据。历史状态指标数据是指在当前周期之前采集的系统的状态指标数据。历史用户行为数据是指从历史状态指标数据中按照采集时间由新到旧的顺序提取的用户行为数据。当前用户行为数据是指从当前状态指标数据中提取的用户行为数据。

5402、从所述状态指标数据中提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据。

5403、基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型。

具体的，每种用户行为的历史用户行为数据可以看成一个时间序列。基于支持向量机算法，根据历史用户行为数据可以建立该种用户行为对应的行为预测模型，通过将当前周期的用户行为数据输入至该行为预测模型，能够预测下一时刻对应的预测值。

5404、将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值。

在确定行为预测模型之后，保险监控系统可以定时或实时输入当前用户行为数据至行为预测模型，从而输出下一时刻对应的预测值。

5405、根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。

其中，下一时刻的用户行为数据是指从下一时刻的状态指标数据中提取的用户行为数据。

5406、当确定所述应用系统处于异常状态时，生成报警信息。

报警信息用于指示应用系统当前处于异常状态。

具体的，报警信息可以为文字报警信息、图片报警信息、音频报警信息、视频报警信息等，还可以进行相应的灯光报警、振动报警等。文字报警信息、图片报警信息、音频报警信息、视频报警信息等通过邮件、短信或者微信的至少一种消息通知媒介实现。

5407、根据预设报警策略，发送所述报警信息。

为了防止监控异常泛滥（例如当某些保险业务依赖的服务器宕机的极端情况下），报警系统压力过大，所述当确定所述应用系统处于异常状态时，生成报警信息之后，还包括：

根据预设报警策略，发送所述报警信息。

在某些实施方式中，所述预设报警策略可以包括以下的其中一种：当确定所述应用系统处于异常状态的次数为一次时，发送所述报警信息；或，

’ 当在第一预设时间内确定所述应用系统处于异常状态的次数大于或等于第二预设阀值时，发送所述报警信息；或，

当确定所述应用系统处于异常状态的次数等于第三预设阀值时，发送所述报警信息；或，

^°当所’述应用系统处于异常状态的次数等于第四预设阀值且持续第二预设时间时，发送所述报警信息。

具体的，为了进一步防止监控异常泛滥（例如当某些保险业务依赖的服务器宕机的极端情况下），报警系统压力过大，致使短信、邮件系统压力巨大，带来雪崩效应的问题，需要根据实际需要，将监控异常选择不同的报警策略发出报警信息。比如“点击数量” 的监控异常，可以定义为在 30s内发生 2次才发短信，也可以定义为 5mi n内最多报警 5次，一天内最多报警 50次；虽然报警信息得到了合并，但在数据存储上，依然记录每条报警，如在 6mi n内发生了 200次报警，虽然只发了一条短信，但后台仍然记录 200次报警记录。

其中，第一预设时间、第二预设时间、第二预设阀值、第三预设阀值、第四预设阀值可以根据实际需求进行设定。

上述实施例的监控方法，通过实时采集应用系统的状态指标数据；从所述状态指标数据中提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；基于支持向量机算法，根据历史用户行为数据进行模型训练，得到行为预测模型；将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值；根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况；当确定所述应用系统处于异常状态时，生成报警信息；根据预设报警策略，发送所述报警信息从而通过监控用户行为及时、准确地发现应用系统出现的异常状况以便后续技术人员针对该异常状况及时对应用系统进行改进，减少异常状况发生，用户的体验效果好。

可以理解的，行为预测模型可以有多个，包括点击预测模型、曝光预测模型等多个维度的用户行为的预测模型。在对应用系统进行监控的过程中，可以根据实际需要选择当前所需的行为预测模型。即，在对保险业务系统进行监控的过程中，多个维度的用户行为的行为预测模型可以只选择其中一个行为预测模型预测相应用户行为的预测值，也可以选择多个行为预测模型预测多个相应用户行为的预测值，以从多个維度确定应用系统的异常状况。

示例性的，为了提高监控的准确度，可以选择根据点击预测模型和曝光预测模型预测点击数量的预测值和曝光数量的预测值，以从点击数量和曝光数量两个维度确定应用系统的异常状况。即，根据点击预测模型预测点击数量的预测值，根据曝光预测模型预测曝光数量的预测值，从而从点击数量和曝光数量两个维度确定应用系统的异常状况，提高应用系统异常的监控效果。

需要说明的是，本申请提供的应用系统的监控方法，除了应用在保险应用系统的场景以外，还可以应用到其它应用系统的场景之中，例如游戏应用系统、购物应用系统、视频应用系统等应用场景，在此不做限定。

请参阅图 5 , 图 5是本申请的实施例还提供一种应用系统的监控装置的示意性框图，该应用系统的监控装置用于执行前述任一项应用系统的监控方法。其中，该应用系统的监控装置可以配置于服务器或终端中。

其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。

如图 5所示，应用系统的监控装置 500包括：特征提取单元 501、模型建立单元 502、输入输出单元 503、异常确定单元 504。

特征提取单元 501 , 用于提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据。

模型建立单元 502 , 用于基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型。

输入输出单元 503 , 用于将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值。

异常确定单元 504, 用于根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。

在一实施例中，如图 6所示，所述应用系统的监控装置还包括数据采集单元 505，用于实时采集应用系统的状态指标数据。在该实施例中，特征提取单元 501具体用于从所述状态指标数据中提取应用系统的特征数据。

在一实施例中，如图 7所示，所述特征提取单元 501包括数据构建单元 501 1、标准处理单元 5012、第一计算单元 5013、第二计算单元 5014和数据提取单元 5015。

其中，数据构建单元 501 1，用于根据所述状态指标数据，构建数据矩阵。标准处理单元 5012 , 用于对所述数据矩阵进行标准化处理以得到标准矩阵。第一计算单元 5013，用于计算所述标准矩阵对应的协方差矩阵以及所述协方差矩阵的特征值。

第二计算单元 5014，用于根据所述特征值，计算所述特征值的贡献率。数据提取单元 5015，用于根据所述贡献率，提取特征数据。

在一个实施例中，标准处理单元 5012，具体用于基于标准化公式，对所述数据矩阵进行标准化处理以得到标准矩阵，其中，所述标准化公式为：

其中， 2为所述特征值， g为所述贡献率， s为所述特征数据的維数； z为特征值的个数， S < Z 0

模型建立单元 502 , 具体用于基于支持向量机算法，根据所述历史用户行为数据进行模型训练，建立行为预测模型，其中，所述行为预测模型为：

x_t =（p, X 'U ，-2+.. -⁺（PpX t-p+dt 0_l d_{t l -} Oqdt-q

在一实施例中，如图 8所示，所述应用系统的监控装置还包括报警生成单元 506和报警发送单元 507。

其中，报警生成单元 506，用于当确定所述应用系统处于异常状态时，生成报警信息。

报警发送单元 507，用于根据预设报警策略，发送所述报警信息。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的应用系统的监控装置和各单元的具体工作过程，可以参考前述应用系统的监控方法实施例中的对应过程，在此不再赘述。

上述的应用系统的监控装置可以实现为一种计算机程序的形式，该计算机程序可以在如图 9所示的计算机设备上运行。

请参阅图 9 , 图 9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备可以是服务器或终端。参阅图 9, 该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储彳罙作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行一种应用系统的监控方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行一种应用系统的监控方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图 9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元 (Central Processing Unit, CPU) , 该处理器还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor , DSP)、专用集成电路 (Appl icat ion Specif ic Integrated Circuit, ASIC)、现成可编程门阵列 (FielchProgrammable Gate Array, FPGA) 或者他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型；将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值；根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。

在一实施例中，所述处理器在实现所述提取应用系统的特征数据之前，用于实现：

实时采集应用系统的状态指标数据。

在该实施例中，所述处理器在实现所述提取应用系统的特征数据时，用于实现：

' 从所述状态指标数据中提取应用系统的特征数据。

在一实施例中，所述处理器在实现所述从所述状态指标数据中提取应用系统的特征数据时，用于实现：根据所述状态指标数据，构建数据矩阵；

对所述数据矩阵进行标准化处理以得到标准矩阵；

计算所述标准矩阵对应的协方差矩以及所述协方差矩阵的特征值；根据所述特征值，计算所述特征值的贡献率；

根据所述贡献率，提取特征数据。

在一实施例中，所述处理器在实现所述对所述数据矩阵进行标准化处理得到标准矩阵时，用于实现：

基于标准化公式，对所述数据矩阵进行标准化处理以得到标准矩阵，其中，所述标准化公式为：

Y_b = ]-^—Y ^(W _a,b -：W_bf ；

表示所述数据 a-\

矩阵中第 a行第 b列的数据点；为标准化后的所述状态指标数据。

在一实施例中，所述处理器在实现所述根据所述特征值，计算所述特征值的贡献率时，用于实现：

基于贡献率公式，根据所述特征值，计算所述特征值的贡献率；其中，所述贡献率公式为：

其中， 2为所述特征值， g为所述贡献率， s为所述特征数据的維数； z为特征值的个数， _A' < _{Z 0}

在一实施例中，所述处理器在实现基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型时，具体用于实现：

基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行

在一实施例中，所述处理器在实现所述根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况之后，还用于实现：

当确定所述应用系统处于异常状态时，生成报警信息；

根据预设报警策略，发送所述报警信息。

本申请的实施例中还提供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程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项应用系统的监控方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡 (Smart Med i a Card , SMC) , 安全数字 (Secure D i g i ta l , SD) 卡，闪存卡 (F l ash Card)等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

权利要求书

1 . 一种应用系统的监控方法，包括：

提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；

将所述当前用户行为数据输入至所述行为预测模型以输出下一时刻对应的预测值，所述行为预测模型为：

根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况。

2. 根据权利要求 1所述的应用系统的监控方法，其中，所述提取应用系统的特征数据之前，还包括：

实时采集应用系统的状态指标数据；

所述提取应用系统的特征数据，包括：

从所述状态指标数据中提取应用系统的特征数据。

3. 根据权利要求 2所述的应用系统的监控方法，其中，所述从所述状态指标数据中提取应用系统的特征数据，包括：

根据所述状态指标数据，构建数据矩阵；

对所述数据矩阵进行标准化处理以得到标准矩阵；

根据所述贡献率，提取特征数据。

4. 根据权利要求 3所述的应用系统的监控方法，其中，所述对所述数据矩阵进行标准化处理得到标准矩阵，包括：基于标准化公式，对所述数据矩阵进行标准化处理以得到标准矩阵，其中，所述标准化公式为：

值，计算所述特征值的贡献率，包括：

基于贡献率公式，根据所述特征值，计算所述特征值的贡献率；其中，所述贡献率公式为：其中， 2为所述特征值， g为所述贡献率， S为所述特征数据的維数； Z为特征值的个数， ^ < Z ₀

6. 根据权利要求 1所述的应用系统的监控方法，其中，所述根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况之前，还包括：从下一时刻的状态指标数据中提取下一时刻的用户行为数据。

7. 根据权利要求 1所述的应用系统的监控方法，其中，所述根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况之后，还包括：当确定所述应用系统处于异常状态时，生成报警信息；

根据预设报警策略，发送所述报警信息。

8. 一种应用系统的监控装置，其中，包括：

特征提取单元，用于提取应用系统的特征数据，所述特征数据包括历史用户行为数据和当前用户行为数据；

模型建立单元，用于基于支持向量机算法，根据所述历史用户行为数据进

9. 一种计算机设备，其中，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如下步骤：

10. 根据权利要求 9所述的计算机设备，其中，所述提取应用系统的特征数据之前，还包括：

实时采集应用系统的状态指标数据；

所述提取应用系统的特征数据，包括：

从所述状态指标数据中提取应用系统的特征数据。

1 1 . 根据权利要求 1 0所述的计算机设备，其中，所述从所述状态指标数据中提取应用系统的特征数据，包括：

根据所述状态指标数据，构建数据矩阵；

对所述数据矩阵进行标准化处理以得到标准矩阵；

根据所述贡献率，提取特征数据。

12. 根据权利要求 1 1所述的计算机设备，其中，所述对所述数据矩阵进行标准化处理得到标准矩阵，包括：基于标准化公式，对所述数据矩阵进行标准

13. 根据权利要求 1 1所述的计算机设备，其中，所述根据所述特征值，计算所述特征值的贡献率，包括：

IX

S ^{= I}T—

IX

/ =1

其中， 2为所述特征值， g为所述贡献率， S为所述特征数据的維数； Z为特征值的个数， A' < Z ₀

14. 根据权利要求 9所述的计算机设备，其中，所述根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况之后，还包括：

当确定所述应用系统处于异常状态时，生成报警信息；

根据预设报警策略，发送所述报警信息。

15. 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程序，所述计算机程序被处理器执行时使所述处理器实现如下步騍：

基于支持向量机算法，根据所述历史用户行为数据进行模型训练以建立行为预测模型，所述行为预测模型为：

H ' X 'U 2+.. -⁺⁽P_pX _t-p+dt 0 d - 6 _qd_t-q

16. 根据权利要求 15所述的计算机可读存储介质，其中，所述提取应用系统的特征数据之前，还包括：

实时采集应用系统的状态指标数据；

所述提取应用系统的特征数据，包括：

从所述状态指标数据中提取应用系统的特征数据。

17. 根据权利要求 16所述的计算机可读存储介质，其中，所述从所述状态指标数据中提取应用系统的特征数据，包括：

根据所述状态指标数据，构建数据矩阵；

对所述数据矩阵进行标准化处理以得到标准矩阵；

根据所述贡献率，提取特征数据。

18. 根据权利要求 17所述的计算机可读存储介质，其中，所述对所述数据矩阵进行标准化处理得到标准矩阵，包括：基于标准化公式，对所述数据矩阵

19. 根据权利要求 17所述的计算机可读存储介质，其中，所述根据所述特征值，计算所述特征值的贡献率，包括：

20. 根据权利要求 15-19任一项所述的计算机可读存储介质，其中，所述根据所述预测值与下一时刻的用户行为数据确定所述应用系统的异常状况之后，还包括：

当确定所述应用系统处于异常状态时，生成报警信息；

根据预设报警策略，发送所述报警信息。