WO2021017284A1 - 基于皮质学习的异常检测方法、装置、终端设备及存储介质 - Google Patents

基于皮质学习的异常检测方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
WO2021017284A1
WO2021017284A1 PCT/CN2019/117620 CN2019117620W WO2021017284A1 WO 2021017284 A1 WO2021017284 A1 WO 2021017284A1 CN 2019117620 W CN2019117620 W CN 2019117620W WO 2021017284 A1 WO2021017284 A1 WO 2021017284A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
abnormal
service
service data
learning
Prior art date
Application number
PCT/CN2019/117620
Other languages
English (en)
French (fr)
Inventor
马文佳
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021017284A1 publication Critical patent/WO2021017284A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • 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

Definitions

  • the invention relates to the technical field of computer operation and maintenance, and in particular to an abnormality detection method, device, terminal equipment and storage medium based on cortical learning.
  • IT systems have increasingly become the key infrastructure for core business processing.
  • service clusters need to be maintained, and in the operation and maintenance of service clusters
  • various indicators will be detected, and warnings can be generated in time when the data is abnormal, and relevant technical personnel can be notified to complete the corresponding maintenance work in time.
  • the abnormal detection method used for a certain indicator is usually used Fixed detection threshold and dynamic baseline.
  • the above detection methods are difficult to adapt to various changes in data, and are very sensitive to past abnormalities, thereby affecting the abnormal detection results of current data. For example, some small fluctuations in current data will be difficult to detect. Therefore, when detecting indicators that are sensitive to data changes, the detection effect will inevitably be reduced, and the operation and maintenance of the service cluster cannot be effectively assisted.
  • the main purpose of the present invention is to propose an abnormality detection method, device and terminal equipment based on cortical learning to solve the problem of the abnormal detection method used in the prior art for a certain indicator of the service cluster, which is difficult to adapt to various changes in data. And it will be very sensitive to past anomalies, which will affect the current data anomaly detection effect and cannot effectively assist in the operation and maintenance of the service cluster.
  • the first aspect of the embodiments of the present invention provides an abnormality detection method based on cortical learning, including:
  • the change of the service data is related to time, and the hierarchical learning mechanism based on cortical learning can realize the learning and training of the data change dimension and the time change dimension;
  • each of the service data organize the service data into one or more groups of feature arrangement data according to a preset feature arrangement, and output the feature arrangement data, wherein the service data changes Mode includes data change mode and time change mode;
  • Output the feature arrangement data to the Q function select any data as target data, calculate the abnormal probability of the target data, and calculate the non-abnormal probability of the target data according to the abnormal probability of the target data;
  • the non-abnormal probability of the target data is compared with the empirical threshold. If the non-abnormal probability of the target data is greater than the empirical threshold, the target data is abnormal service data, wherein the abnormality of the service data Conditions include extreme numerical abnormalities and abnormal data fluctuations.
  • the second aspect of the present invention provides an abnormality detection device based on cortical learning, including:
  • the service data acquisition module is used to acquire the service data of the service cluster
  • Model building module used to build a data model based on cortical learning
  • the pattern learning module is used to learn the change pattern of the service data through the data model.
  • the change of the service data is related to time.
  • the hierarchical learning mechanism based on cortical learning can realize the learning and training of the data change dimension and the time change dimension ;
  • the feature arrangement module is used to obtain the vector representation of each service data according to the change mode of each service data
  • the feature arrangement module is further configured to organize the service data into one or more groups of feature arrangement data according to the vector representation of each of the service data according to a preset feature arrangement, and output the feature arrangement Distribution data, wherein the service data change mode includes a data change mode and a time change mode;
  • the experience threshold setting module is used to set the experience threshold
  • the abnormal analysis module is used to output the feature arrangement data to the Q function, select any data as the target data, calculate the abnormal probability of the target data, and calculate the abnormal probability of the target data according to the abnormal probability of the target data Non-abnormal probability;
  • the abnormality analysis module is further configured to compare the non-abnormal probability of the target data with the empirical threshold. If the non-abnormal probability of the target data is greater than the empirical threshold, the target data is abnormal service data , Wherein the abnormal conditions of the service data include extreme numerical abnormalities and abnormal data fluctuations.
  • the abnormality detection device based on cortical learning further includes:
  • the operation and maintenance data acquisition module is used to acquire the operation and maintenance data of the service cluster, where the operation and maintenance data is data input when performing anomaly detection;
  • a model optimization module uses the operation and maintenance data to optimize the data model in real time and adjust the parameters of the data model
  • the abnormal data rollback module is used to enable the rollback of abnormal data.
  • abnormal data is identified in the operation and maintenance data
  • the optimization task of the data model is suspended and a prompt is given until the operation and maintenance in the data model is entered
  • the data is non-abnormal.
  • the pattern learning module is also used to learn new service data change patterns according to the optimized data model.
  • a third aspect of the embodiments of the present invention provides a terminal device, including a memory, a processor, and computer-readable instructions stored in the memory and running on the processor.
  • the processor executes the computer-readable instructions Implement the steps of the method provided in the first aspect above.
  • a fourth aspect of the embodiments of the present invention provides a non-volatile computer-readable storage medium.
  • the non-volatile computer-readable storage medium stores computer-readable instructions, which are implemented when executed by a processor. The steps of the method provided in the first aspect above.
  • the embodiment of the present invention proposes an abnormality detection method based on cortical learning, which uses historical service data to learn the change pattern of service data in a data model based on cortex learning, and on the basis of learning the change pattern of service data,
  • the service data is rearranged, the feature arrangement data is output, and then the feature arrangement data is substituted into the Q function, and the empirical threshold is used to determine whether the feature arrangement data conforms to the law and whether it exceeds the set empirical threshold, so as to determine whether the service data exists such as An abnormal situation in which extreme numerical values are abnormal or data fluctuates abnormally.
  • HTM Hierarchical Temporal Memeory
  • FIG. 1 is a schematic diagram of an implementation process of an abnormality detection method based on cortical learning provided by Embodiment 1 of the present invention
  • FIG. 2 is a schematic diagram of the implementation process of an abnormality detection method based on cortical learning provided by Embodiment 2 of the present invention
  • FIG. 3 is a schematic diagram of the composition structure of an abnormality detection device based on cortical learning provided in the third embodiment of the invention.
  • an embodiment of the present invention provides an abnormality detection method based on cortical learning, which learns small changes in data through a data model established based on cortical learning, thereby improving the accuracy of data abnormality detection.
  • the methods include but are not limited to The following steps:
  • the service data is data recorded in the service cluster, and the time span may be one day, one week, or one month, etc., depending on the operation and maintenance cycle.
  • cortical learning is a relatively new learning mode.
  • the simulation of biological neurons is more thorough than the current mainstream neural network, which is mainly manifested in that it has a huge memory module and does not require back propagation.
  • the change of data is related to time.
  • the hierarchical learning mechanism of cortical learning can realize the learning and training of the data change dimension and the time change dimension. Therefore, the model based on cortex learning is a nerve that can simultaneously learn data change and time change.
  • the network model analyzes and records service data change patterns and organizes service data.
  • S104 Rearrange the service data according to the change pattern of the service data, and output characteristic arrangement data.
  • each service data has a change trend, thereby forming a change pattern of the service data, and rearranging it according to the characteristic change curve, that is, obtaining the characteristic arrangement data.
  • step S104 may include:
  • bank transaction data which is a typical bimodal type.
  • the transaction volume In the morning, the transaction volume is at a peak around 10 o'clock, and in the afternoon, the transaction volume is at 3 o'clock and noon. In a small peak state, the data indicators of each peak are different.
  • the data pattern is different between weekdays and weekends.
  • the service data change mode includes data change mode and time change mode.
  • the data change mode is specifically bank transaction data
  • the time change mode is specifically the sequential change of daily business hours, but the time in the time change mode has tags, such as work Sundays, holidays, early, mid, late, etc.
  • the service data change pattern based on the bank service cluster is: time-transaction data change, which can be expressed by a sequence. The following is the service data change pattern on working days:
  • the transaction data at around 10 am is the peak value
  • the transaction data at about 3 pm is the peak value.
  • the peak value in the morning is 5, the peak value in the afternoon is 4; the transaction is around 12 noon
  • the data is a low peak
  • the transaction data at around 5 pm is a low peak, where the low peak at noon and the low peak in the afternoon are both 1.
  • the transaction data at around 11 am is the peak
  • the transaction data at around 3 to 4 pm is the peak.
  • the peak value in the morning is 5,
  • the peak value in the afternoon is 4; around 9 in the morning
  • the transaction data of is a low peak
  • the transaction data at around 5 pm is a low peak, where the low peak at noon and the low peak in the afternoon are both 1.
  • the transaction data at around 10 am is a high peak
  • the transaction data at around 3 to 4 pm is a high peak.
  • the peak value in the morning is 5, the peak value in the afternoon is 5; around 12 noon
  • the transaction data of is a low peak
  • the transaction data around 1 pm is a low peak.
  • the low peak at noon is 2 and the low peak in the afternoon is both 3.
  • the output of the model is expressed as:
  • an empirical threshold in any time period can be set to indicate the change threshold, abnormal threshold, abnormal rate, etc. of the data.
  • step S105 may include:
  • the data abnormality rate is an estimated value, which can be obtained from the abnormality rate detected in the historical operation and maintenance process.
  • the confidence level refers to the probability that the overall parameter value falls within a certain area of the sample statistical value.
  • the empirical threshold is generated according to the confidence interval, where the confidence interval refers to the error range between the sample statistical value and the overall parameter value under a certain confidence level. If the bank’s transaction data for each weekend is between 1 and 5, the error range should be 0.01 to 0.05. If the transaction data is between 0.99 and 5.05 as normal data, the bank’s empirical threshold of transaction data for each weekend is For 99% of 1 and 101% of 5, the performance is 0.99 to 5.05, and the error range is 0.01 to 0.05.
  • S106 Output the characteristic arrangement data to the Q function, and determine the abnormality of the service data according to the empirical threshold, where the abnormality of the service data includes extreme numerical abnormalities and abnormal data fluctuations.
  • the extreme value abnormality is directly derived from the empirical threshold.
  • the transaction data is normal data between 0.99 and 5.05. If the data exceeds 5.05 or is lower than 0.99, it means that the service data is abnormal and is Extreme numerical abnormality.
  • the abnormal data fluctuation is obtained by the analysis based on the feature arrangement data, where the feature arrangement of the service data is due to the training effect of the cortical learning model in the above steps S101 to S104, where the feature arrangement can be It is normal distribution, ⁇ function distribution, etc.
  • step S106 may include:
  • Pr is the abnormal probability of the target data x 0
  • p(x) is the normal distribution function
  • ⁇ is the standard deviation
  • ⁇ is the expected value
  • the non-abnormal probability of the target service data is 99.9%, which is greater than the empirical threshold, and the target data is abnormal data.
  • the transaction data of a bank on a certain day is arranged according to the characteristics of normal distribution and expressed as a matrix:
  • the approximate proportion of monthly abnormalities in transaction data is 1%, and the experience threshold is 99%.
  • (9.00, 2) is used as the target data:
  • the abnormal probability of the target service data obtained by calculation is 11%, the non-abnormal probability is 89%, and the empirical threshold is 99%. Therefore, the non-abnormal probability is less than the empirical threshold, and it is concluded that the target service data is not abnormal data.
  • the anomaly detection method based on cortical learning uses historically recorded service data to learn the change pattern of service data in a data model based on cortex learning. After learning the change pattern of service data, the service data Re-arrange the data, output the feature arrangement data, and then substitute the feature arrangement data in the Q function, use the empirical threshold to judge whether the feature arrangement data conforms to the law, and whether it exceeds the set empirical threshold, so as to judge whether the service data is extreme Abnormal values or abnormal data fluctuations.
  • HTM Hierarchical Temporal Memeory
  • the embodiment of the present invention provides an abnormality detection method based on cortical learning.
  • Model optimization is added on the basis of Embodiment 1, including but not limited to the following steps:
  • the operation and maintenance data is the data input when the abnormality detection is performed, which is different from the service data in the first embodiment, and can be regarded as new service data.
  • S202 Use the operation and maintenance data to optimize the data model in real time, and adjust parameters of the data model.
  • the model is a real-time learning mode, so when encountering abnormal data, the model parameters will be affected by the abnormal data, causing model pollution. Therefore, in the embodiment of the present invention, before step S202, the method further includes:
  • the optimization task of the data model is suspended and a prompt is given until the operation and maintenance data entered into the data model is non-abnormal data.
  • the model is rolled back and the input of the abnormal data will be skipped, thereby ensuring the purity of the normal data pattern.
  • S203 Learn a new service data change mode according to the optimized data model, and set a new experience threshold.
  • the data model is optimized in real time, and the parameters of the data model are adjusted to increase the accuracy of anomaly detection.
  • an embodiment of the present invention provides an abnormality detection device 30 based on cortical learning, including:
  • the service data obtaining module 31 is used to obtain service data of the service cluster
  • the model building module 32 is used to build a data model based on cortical learning
  • the pattern learning module 33 is used to learn the change pattern of the service data through the data model
  • the feature arrangement module 34 is used to rearrange the service data according to the change pattern of the service data and output the feature arrangement data, where the service data change pattern includes a data change pattern and a time change pattern;
  • the experience threshold setting module 35 is used to set the experience threshold
  • the abnormality analysis module 36 is used to output the feature arrangement data to the Q function, and judge the abnormality of the service data according to the empirical threshold, where the abnormality of the service data includes extreme numerical abnormalities and abnormal data fluctuations.
  • the feature arrangement module 34 includes:
  • the vector representation unit is used to obtain the vector representation of each service data according to the change mode of each service data
  • the feature arrangement data output unit is used to organize the service data into one or more groups of feature arrangement data according to the vector representation of each service data according to the preset feature arrangement.
  • the abnormality detection device 30 further includes:
  • the operation and maintenance data acquisition module is used to acquire the operation and maintenance data of the service cluster, where the operation and maintenance data is data input when performing anomaly detection;
  • a model optimization module uses the operation and maintenance data to optimize the data model in real time and adjust the parameters of the data model
  • the abnormal data rollback module is used to enable the rollback of abnormal data.
  • abnormal data is identified in the operation and maintenance data
  • the optimization task of the data model is suspended and a prompt is given until the operation and maintenance in the data model is entered
  • the data is non-abnormal.
  • the pattern learning module 33 is also used to learn new service data change patterns according to the optimized data model
  • the experience threshold setting module 35 is also used to set a new experience threshold.
  • the service data on the basis of learning the change pattern of the service data, the service data is rearranged, and the feature arrangement data is output, so that the Q function and experience can be used in the abnormal analysis module Threshold analysis of feature arrangement data, such as judging whether the feature arrangement data conforms to the law and whether it exceeds the set empirical threshold through the empirical threshold, so as to judge whether the service data has abnormal conditions such as extreme numerical abnormalities or abnormal data fluctuations.
  • the embodiment of the present invention also provides a terminal device including a memory, a processor, and computer-readable instructions stored in the memory and capable of running on the processor.
  • the processor executes the computer-readable instructions, the implementation is as in the embodiment The steps in the abnormal detection method based on cortical learning described in 1.
  • the embodiment of the present invention also provides a storage medium, the storage medium is a non-volatile computer-readable storage medium, and computer-readable instructions are stored thereon.
  • the computer-readable instructions are executed by a processor, the The steps in the abnormal detection method based on cortical learning described in Example 1.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

一种基于皮质学习的异常检测方法、装置及终端设备，适用于计算机运维技术领域。方法包括：获取服务集群的服务数据（S101）；建立基于皮质学习的数据模型（S102）；通过数据模型学习服务数据的变化模式（S103）；根据服务数据的变化模式将服务数据重新排布，输出特征排布数据（S104）；设置经验阈值（S105）；将特征排布数据输出至Q函数，根据经验阈值判断服务数据的异常情况（S106）。从而可以从特征排布数据判断服务数据的变化是否符合数据既往模式，准确判断服务数据的异常情况，提高异常检测的准确率。

Description

基于皮质学习的异常检测方法、装置、终端设备及存储介质
本申请要求于2019年07月30日提交中国专利局，申请号为201910696486.X，发明名称为“一种基于皮质学习的异常检测方法、装置及终端设备”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
本发明涉及计算机运维技术领域，尤其涉及一种基于皮质学习的异常检测方法、装置、终端设备及存储介质。
背景技术
随着信息化建设的射入发展，IT系统日益成为核心业务处理的关键基础设施，为了保证网络、服务器、数据库等IT资源的正常运行，需要对服务集群进行维护，而在服务集群的运维过程中，会对各种指标进行检测，在数据发生异常时能够及时产生警告，通知相关技术人员及时完成相对应的维护工作，目前，针对某一指标所采用的异常检测方法中，通常会使用固定的检测阈值和动态基线。
然而，上述检测方法难以适应数据的各种变化，且会对于过去的异常十分敏感，从而影响当前数据的异常检测结果，例如，对于当前数据的一些细小波动，将难以察觉。那么在对数据变化敏感的指标进行检测时，势必降低检测效果，无法有效的协助服务集群的运维。
发明内容
本发明的主要目的在于提出一种基于皮质学习的异常检测方法、装置及终端设备，以解决现有技术中针对服务集群的某一指标所采用的异常检测方 法，难以适应数据的各种变化，且会对于过去的异常十分敏感，影响当前数据的异常检测效果，无法有效的协助服务集群的运维的问题。
为实现上述目的，本发明实施例第一方面提供一种基于皮质学习的异常检测方法，包括：
获取服务集群的服务数据；
建立基于皮质学习的数据模型；
通过所述数据模型学习所述服务数据的变化模式，所述服务数据的变化与时间相关，基于皮质学习的层级学习机制可以实现数据变化维度和时间变化维度的学习和训练；
根据每个所述服务数据的变化模式，获取每个所述服务数据的向量表示；
根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据，并输出特征排布数据，其中，所述服务数据变化模式包括数据变化模式和时间变化模式；
设置经验阈值；
将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，根据所述目标数据的异常概率，计算所述目标数据的非异常概率；
将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
本发明第二方面提供一种基于皮质学习的异常检测装置，包括：
服务数据获取模块，用于获取服务集群的服务数据；
模型构建模块，用于建立基于皮质学习的数据模型；
模式学习模块，用于通过所述数据模型学习所述服务数据的变化模式，所述服务数据的变化与时间相关，基于皮质学习的层级学习机制可以实现数据变化维度和时间变化维度的学习和训练；
特征排布模块，用于根据每个所述服务数据的变化模式，获取每个所述服务数据的向量表示；
所述特征排布模块，还用于根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据，并输出特征排布数据，其中，所述服务数据变化模式包括数据变化模式和时间变化模式；
经验阈值设置模块，用于设置经验阈值；
异常分析模块，用于将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，根据所述目标数据的异常概率，计算所述目标数据的非异常概率；
所述异常分析模块，还用于将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
所述基于皮质学习的异常检测装置还包括：
运维数据获取模块，用于获取服务集群的运维数据，所述运维数据是进行异常检测时所输入的数据；
模型优化模块，使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数；及
异常数据回滚模块，用于开启异常数据回滚，在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止。
所述的模式学习模块，还用于根据优化后的数据模型学习新的服务数据变化模式。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机可读指令，上述处 理器执行上述计算机可读指令时实现如上第一方面所提供的方法的步骤。
本发明实施例的第四方面提供了一种非易失性计算机可读存储介质，上述非易失性计算机可读存储介质存储有计算机可读指令，上述计算机可读指令被处理器执行时实现如上第一方面所提供的方法的步骤。
本发明实施例提出一种基于皮质学习的异常检测方法，使用历史记录的服务数据，在基于皮质学习的数据模型中学习服务数据的变化模式，在学习了服务数据的变化模式的基础上，将服务数据重新排布，输出特征排布数据，然后在Q函数中代入特征排布数据，使用经验阈值判断特征排布数据是否符合规律，是否超过所设置的经验阈值，从而判断服务数据是否存在如极端数值异常或数据波动异常的异常情况。由于皮质学习(Hierarchical Temporal Memeory，HTM)强大的记忆模式与学习模式可以学习到数据微妙的变化，因此当服务数据出现细小不明显的变化时，可以从特征排布数据判断服务数据的变化是否符合数据既往模式，从而准确判断服务数据的异常情况，提高异常检测的准确率，有效的协助服务集群的运维。
附图说明
图1为本发明实施例一提供的基于皮质学习的异常检测方法的实现流程示意图；
图2为本发明实施例二提供的基于皮质学习的异常检测方法的实现流程示意图；
图3为发明实施例三提供的基于皮质学习的异常检测装置的组成结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本文中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
在后续的描述中，发明实施例序号仅仅为了描述，不代表实施例的优劣。
实施例一
如图1所示，本发明实施例提供一种基于皮质学习的异常检测方法，通过基于皮质学习所建立数据模型来学习数据的微小变化，从而提高数据的异常检测准确率，方法包括但不限于以下步骤：
S101、获取服务集群的服务数据；
在上述步骤S101中，服务数据为服务集群中记录的数据，其时间跨度可以为一天、一周或一个月等，根据运维的周期而定。
S102、建立基于皮质学习的数据模型。
上述步骤S102中，皮质学习是较新一种学习模式，对生物神经元的模拟相比现在主流的神经网络更加彻底，主要表现为其拥有巨大的记忆模块，且不需要反向传播。
S103、通过所述数据模型学习所述服务数据的变化模式，其中，所述服务数据变化模式包括数据变化模式和时间变化模式。
上述步骤S103中，数据的变化与时间相关，皮质学习的层级学习机制可以实现数据变化维度和时间变化维度的学习和训练，因此，基于皮质学习的模型为能够同时学习数据变化和时间变化的神经网络模型，其分析记录服务数据变化模式，整理服务数据。
S104、根据所述服务数据的变化模式将所述服务数据重新排布，输出特征排布数据。
在上述步骤S104中，每个服务数据具有一个变化趋势，从而形成服务数据的变化模式，将其按照特征变化的曲线重新排布，即获得特征排布数据。
在具体应用中，上述步骤S104可以包括：
S1041、根据每个所述服务数据变化模式，获取每个所述服务数据的向量表示；
S1042、根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据。
在具体应用中，工业中的数据具有特定模式，比如银行的交易数据，是典型的双峰型，其在上午时段，10点左右的交易量呈峰值，下午时段，3点左午的交易量呈小峰状态，每个峰值的数据指标都是不同的。
另外，工作日与周末的数据模式也不相同。
以银行的交易数据为例，说明基于银行服务数据，模型所学习到的服务数据变化模式：
首先，其服务数据变化模式包括数据变化模式和时间变化模式，数据变化模式具体为银行的交易数据，时间变化模式具体为每天营业时间的顺序变化，但时间变化模式中的时间具有标签，如工作日、节假日、上旬、中旬、下旬等。基于银行服务集群所得出的服务数据变化模式为:时间-交易数据的变化，可以由序列来表达，下面为在工作日的服务数据变化模式：
{(9.00,2),(10.00,5),(11.00,4),(12.00,1),(13.00,2),(14.00,3),(15.00,4),(16.00,3),(17.00,1)}。
上述服务数据变化中，上午10点左右的交易数据为高峰值，下午3点左右的交易数据为高峰值，其中，上午的高峰值为5，下午的高峰值为4；中午12点左右的交易数据为低峰值，下午5点左右的交易数据为低峰值，其中，中午的低峰值和下午的低峰值均为1。
下面为在周末的服务数据变化模式：
{(9.00,1),(10.00,2),(11.00,5),(12.00,2),(13.00,3),(14.00,4),(15.00,4),(16.00,3),(17.00,1)}。
上述服务数据变化中，上午11点左右的交易数据为高峰值，下午3至4点左右的交易数据为高峰值，其中，上午的高峰值为5，下午的高峰值为4；早上9点左右的交易数据为低峰值，下午5点左右的交易数据为低峰值，其中，中午的低峰值和下午的低峰值均为1。
下面为在月初的服务数据变化模式：
{(9.00,3),(10.00,5),(11.00,4),(12.00,2),(13.00,3),(14.00,4),(15.00,5),(16.00,5),(17.00,4)}。
上述服务数据变化中，上午10点左右的交易数据为高峰值，下午3至4点左右的交易数据为高峰值，其中，上午的高峰值为5，下午的高峰值为5；中午12点左右的交易数据为低峰值，下午1点左右的交易数据为低峰值，其中，中午的低峰值为2，下午的低峰值均3。
可见，银行的服务数据变化模式中，交易数据随时间不断变化，月初的交易数据始终处于较高水平，高峰值与低峰值相近，周末的交易数据高于工作日的交易数据，月初的交易数据高于周末的交易数据，但变化幅度低于周末的交易数据，因此，上述的银行的交易数据变化模式根据时间维度的不同，可以衍生多种服务数据变化模式，本实施例仅列出其中一二，如果要获得服务数据变化模式，学习其细微的数据变化，则需要HTM强大的记忆模式与学习模式，用向量来表示每个服务数据的变化，将每个向量表示的服务数据按特征排布，形成整个数据的特征排布，或几个时间段的服务数据特征排布。
例如，将工作日每天的服务数据整理为正态分布，则模型的输出表示为：
{(12.00,1),(9.00,2),(14.00,3),(11.00,4),(10.00,5),(15.00,4),(16.00,3),(13.00,2),(17.00,1)}。
S105、设置经验阈值。
上述步骤S105中，以时间变化模式为基础，可以设置任意时间段中经验阈值，用以表示数据的变化阈值、异常阈值、异常率等。
在具体应用中，上述步骤S105可以包括：
S1051、获取所述服务数据的过往异常率，设置置信水平；
S1052、通过所述置信水平产生所述经验阈值。
其中，数据异常率是估测值，可以由历史的运维过程中，所检测到的异常率获得。
在实际应用中，若银行从业人员知道自己的交易数据每月的异常情况大约的比例是1％，那么根据这个值，设置置信水平为99％，从而产生的经验阈值为99％。
在具体应用中，置信水平是指总体参数值落在样本统计值某一区内的概率。
而经验阈值根据置信区间产生，其中，置信区间是指在某一置信水平下，样本统计值与总体参数值间误差范围。如银行的每个周末的交易数据在1至5之间，则误差范围应为0.01至0.05，则交易数据在0.99至5.05之间为正常数据，则银行每个周末的交易数据的经验阈值即为1的99％以及5的101％，表现为0.99至5.05，误差范围为0.01至0.05。
S106、将所述特征排布数据输出至Q函数，根据所述经验阈值判断所述服务数据的异常情况，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
在上述步骤S106中，极端数值异常由经验阈值直接得出，如上述实例中，交易数据在0.99至5.05之间为正常数据，若数据超过5.05或低于0.99均为表示 服务数据异常，且为极端数值异常。
在本发明实施例中，数据波动异常由基于特征排布数据的分析获得，其中，服务数据呈特征排布是由于上述步骤S101至步骤S104中皮质学习模型的训练效果，其中，特征排布可以为正态分布、α函数分布等。
在具体应用中，以正态分布为例，上述步骤S106可以包括：
S1061、将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，公式为：
Figure PCTCN2019117620-appb-000001
其中，Pr是目标数据x 0的异常概率，p(x)是正态分布函数，σ为标准差，μ为期望值；
S1062、根据所述目标数据的异常概率，计算所述目标数据的非异常概率，公式为：
P＝1-Pr；
S1063、将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据。
在实际应用中，若经验阈值为99％，所计算的目标数据的异常概率为1％，那么目标服务数据的非异常概率为99.9％，大于经验阈值，则目标数据为异常数据。
下面结合实际的数据进行说明，如银行某天的交易数据，按正态分布特征排布后，通过矩阵表示为：
{(12.00,1),(9.00,2),(14.00,3),(11.00,4),(10.00,5),(15.00,4),(16.00,3),(13.00,2),(17.00,1)}；
其中，交易数据每月的异常情况大约的比例是1％，经验阈值为99％，此时将(9.00,2)作为目标数据：
通过计算获得目标服务数据的异常概率为11％，则非异常概率为89％，又， 经验阈值为99％，因此非异常概率小于经验阈值，得出目标服务数据不为异常数据。
本发明实施例提供的基于皮质学习的异常检测方法，使用历史记录的服务数据，在基于皮质学习的数据模型中学习服务数据的变化模式，在学习了服务数据的变化模式的基础上，将服务数据重新排布，输出特征排布数据，然后在Q函数中代入特征排布数据，使用经验阈值判断特征排布数据是否符合规律，是否超过所设置的经验阈值，从而判断服务数据是否存在如极端数值异常或数据波动异常的异常情况。由于皮质学习(Hierarchical Temporal Memeory，HTM)强大的记忆模式与学习模式可以学习到数据微妙的变化，因此当服务数据出现细小不明显的变化时，可以从特征排布数据判断服务数据的变化是否符合数据既往模式，从而准确判断服务数据的异常情况，提高异常检测的准确率，有效的协助服务集群的运维。
实施例二
如图2所示，本发明实施例提供一种基于皮质学习的异常检测方法，在实施例一的基础上增加模型优化，包括但不限于以下步骤：
S201、获取所述服务集群的运维数据。
在上述步骤S201中，运维数据是进行异常检测时所输入的数据，与实施例一中的服务数据不同，可以认为是新的服务数据。
S202、使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数。
在具体应用中，模型是实时学习的模式，因此当遇到被判定为异常数据时，模型参数将受到异常数据的影响，造成模型污染。因此，在本发明实施例中，上述步骤S202之前，还包括：
开启异常数据回滚；
在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止。
在上述的步骤中，当异常数据进入到模型记忆体后，将模型回滚并将跳出现异常数据的输入，从而保证正常数据模式的纯洁性。
S203、根据优化后的数据模型学习新的服务数据变化模式，并设置新的经验阈值。
在上述步骤S201至步骤S203中，实时优化数据模型，调整数据模型的参数，增加异常检测的准确性。
实施例三
如图3所示，本发明实施例提供了一种基于皮质学习的异常检测装置30，包括：
服务数据获取模块31，用于获取服务集群的服务数据；
模型构建模块32，用于建立基于皮质学习的数据模型；
模式学习模块33，用于通过数据模型学习服务数据的变化模式；
特征排布模块34，用于根据服务数据的变化模式将服务数据重新排布，输出特征排布数据，其中，服务数据变化模式包括数据变化模式和时间变化模式；
经验阈值设置模块35，用于设置经验阈值；
异常分析模块36，用于将特征排布数据输出至Q函数，根据经验阈值判断服务数据的异常情况，其中，服务数据的异常情况包括极端数值异常和数据波动异常。
在一个实施例中，特征排布模块34包括：
向量表示单元，用于根据每个服务数据变化模式，获取每个服务数据的向量表示；
特征排布数据输出单元，用于根据每个服务数据的向量表示，按照预设 的特征排布方式将服务数据整理为一组或多组特征排布数据。
所述异常检测装置30还包括：
运维数据获取模块，用于获取服务集群的运维数据，所述运维数据是进行异常检测时所输入的数据；
模型优化模块，使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数；及
异常数据回滚模块，用于开启异常数据回滚，在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止。
所述模式学习模块33，还用于根据优化后的数据模型学习新的服务数据变化模式；
所述的经验阈值设置模块35，还用于设置新的经验阈值。
在上述的特征排布数据输出单元中，在学习了服务数据的变化模式的基础上，将服务数据重新排布，输出特征排布数据，以使得在异常分析模块中，可以使用Q函数及经验阈值分析特征排布数据，如通过经验阈值判断特征排布数据是否符合规律，是否超过所设置的经验阈值等，从而判断服务数据是否存在如极端数值异常或数据波动异常的异常情况。
本发明实施例还提供一种终端设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时，实现如实施例一中所述的基于皮质学习的异常检测方法中的各个步骤。
本发明实施例还提供一种存储介质，所述存储介质为非易失性计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令被处理器执行时，实现如实施例一中所述的基于皮质学习的异常检测方法中的各个步骤。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其 依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (20)

  1. 一种基于皮质学习的异常检测方法，其特征在于，包括：
    获取服务集群的服务数据；
    建立基于皮质学习的数据模型；
    通过所述数据模型学习所述服务数据的变化模式，所述服务数据的变化与时间相关，基于皮质学习的层级学习机制可以实现数据变化维度和时间变化维度的学习和训练；
    根据每个所述服务数据的变化模式，获取每个所述服务数据的向量表示；
    根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据，并输出所述特征排布数据，其中，所述服务数据变化模式包括数据变化模式和时间变化模式；
    设置经验阈值；
    将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，根据所述目标数据的异常概率，计算所述目标数据的非异常概率；
    将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
  2. 如权利要求1所述的基于皮质学习的异常检测方法，其特征在于，所述设置经验阈值包括：
    获取所述服务数据的过往异常率，设置置信水平；
    通过所述置信水平产生所述经验阈值。
  3. 如权利要求2所述的基于皮质学习的异常检测方法，其特征在于，所述置信水平是指总体参数值落在样本统计值某一区间内的概率；
    置信区间是指在一个置信水平下，样本统计值与总体参数值之间的误差范围，所述经验阈值根据所述置信区间产生。
  4. 如权利要求1所述的基于皮质学习的异常检测方法，其特征在于，
    计算所述目标数据的异常概率的公式为：
    Figure PCTCN2019117620-appb-100001
    其中，Pr是目标数据x 0的异常概率，p(x)是正态分布函数，σ为标准差，μ为期望值；
    计算所述目标数据的非异常概率的公式为：P＝1-Pr。
  5. 如权利要求1所述的基于皮质学习的异常检测方法，其特征在于，所述方法还包括：
    获取所述服务集群的运维数据；
    使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数；
    根据优化后的数据模型学习新的服务数据变化模式，并设置新的经验阈值。
  6. 如权利要求5所述的基于皮质学习的异常检测方法，其特征在于，使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数之前，还包括：
    开启异常数据回滚；
    在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止。
  7. 一种基于皮质学习的异常检测装置，其特征在于，包括：
    服务数据获取模块，用于获取服务集群的服务数据；
    模型构建模块，用于建立基于皮质学习的数据模型；
    模式学习模块，用于通过所述数据模型学习所述服务数据的变化模式，所述服务数据的变化与时间相关，基于皮质学习的层级学习机制可以实现数 据变化维度和时间变化维度的学习和训练；
    特征排布模块，用于根据每个所述服务数据的变化模式，获取每个所述服务数据的向量表示；
    所述特征排布模块，还用于根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据，并输出特征排布数据，其中，所述服务数据变化模式包括数据变化模式和时间变化模式；
    经验阈值设置模块，用于设置经验阈值；
    异常分析模块，用于将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，根据所述目标数据的异常概率，计算所述目标数据的非异常概率；
    所述异常分析模块，还用于将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
  8. 如权利要求7所述的基于皮质学习的异常检测装置，其特征在于，所述装置还包括：
    运维数据获取模块，用于获取服务集群的运维数据，所述运维数据是进行异常检测时所输入的数据；
    模型优化模块，使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数；及
    异常数据回滚模块，用于开启异常数据回滚，在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止；
    所述模式学习模块，还用于根据优化后的数据模型学习新的服务数据变化模式。
  9. 一种终端设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时，实现以下步骤：
    获取服务集群的服务数据；
    建立基于皮质学习的数据模型；
    通过所述数据模型学习所述服务数据的变化模式，所述服务数据的变化与时间相关，基于皮质学习的层级学习机制可以实现数据变化维度和时间变化维度的学习和训练；
    根据每个所述服务数据的变化模式，获取每个所述服务数据的向量表示；
    根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据，并输出特征排布数据，其中，所述服务数据变化模式包括数据变化模式和时间变化模式；
    设置经验阈值；
    将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，根据所述目标数据的异常概率，计算所述目标数据的非异常概率；
    将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
  10. 如权利要求9所述的终端设备，其特征在于，所述设置经验阈值包括：
    获取所述服务数据的过往异常率，设置置信水平；
    通过所述置信水平产生所述经验阈值。
  11. 如权利要求10所述的终端设备，其特征在于，所述置信水平是指总体参数值落在样本统计值某一区间内的概率；
    置信区间是指在一个置信水平下，样本统计值与总体参数值之间的误差范围，所述经验阈值根据所述置信区间产生。
  12. 如权利要求9所述的终端设备，其特征在于，计算所述目标数据的异常概率的公式为：
    Figure PCTCN2019117620-appb-100002
    其中，Pr是目标数据x 0的异常概率，p(x)是正态分布函数，σ为标准差，μ为期望值；
    计算所述目标数据的非异常概率的公式为：P＝1-Pr。
  13. 如权利要求9所述的终端设备，其特征在于，所述处理器执行计算机可读指令还用以实现以下步骤：
    获取所述服务集群的运维数据；
    使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数；
    根据优化后的数据模型学习新的服务数据变化模式，并设置新的经验阈值。
  14. 如权利要求13所述的终端设备，其特征在于，使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数之前，所述处理器执行计算机可读指令还用以实现以下步骤：
    开启异常数据回滚；
    在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止。
  15. 一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时，实现以下步骤：
    获取服务集群的服务数据；
    建立基于皮质学习的数据模型；
    通过所述数据模型学习所述服务数据的变化模式，所述服务数据的变化与时间相关，基于皮质学习的层级学习机制可以实现数据变化维度和时间变化维度的学习和训练；
    根据每个所述服务数据的变化模式，获取每个所述服务数据的向量表示；
    根据每个所述服务数据的向量表示，按照预设的特征排布方式将所述服务数据整理为一组或多组特征排布数据，并输出特征排布数据，其中，所述服务数据变化模式包括数据变化模式和时间变化模式；
    设置经验阈值；
    将所述特征排布数据输出至Q函数，选择任一数据作为目标数据，计算所述目标数据的异常概率，根据所述目标数据的异常概率，计算所述目标数据的非异常概率；
    将所述目标数据的非异常概率与所述经验阈值比较，若所述目标数据的非异常概率大于所述经验阈值，则所述目标数据为异常的服务数据，其中，所述服务数据的异常情况包括极端数值异常和数据波动异常。
  16. 如权利要求15所述的存储介质，其特征在于，所述设置经验阈值包括：
    获取所述服务数据的过往异常率，设置置信水平；
    通过所述置信水平产生所述经验阈值。
  17. 如权利要求16所述的存储介质，其特征在于，所述置信水平是指总体参数值落在样本统计值某一区间内的概率；
    置信区间是指在一个置信水平下，样本统计值与总体参数值之间的误差范围，所述经验阈值根据所述置信区间产生。
  18. 如权利要求15所述的存储介质，其特征在于，所计算所述目标数据的异常概率的公式为：
    Figure PCTCN2019117620-appb-100003
    其中，Pr是目标数据x 0的异常概率，p(x)是正态分布函数，σ为标准差，μ为期望值；
    计算所述目标数据的非异常概率的公式为：P＝1-Pr。
  19. 如权利要求15所述的存储介质，其特征在于，所述计算机可读指令被处理器执行还用以实现以下步骤：
    获取所述服务集群的运维数据；
    使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数；
    根据优化后的数据模型学习新的服务数据变化模式，并设置新的经验阈值。
  20. 如权利要求19所述的存储介质，其特征在于，使用所述运维数据实时优化所述数据模型，调整所述数据模型的参数之前，所述计算机可读指令被处理器执行还用以实现以下步骤：
    开启异常数据回滚；
    在所述运维数据中识别到异常数据时，暂停所述数据模型的优化任务，并进行提示，直至进入所述数据模型中的运维数据为非异常数据为止。
PCT/CN2019/117620 2019-07-30 2019-11-12 基于皮质学习的异常检测方法、装置、终端设备及存储介质 WO2021017284A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910696486.X 2019-07-30
CN201910696486.XA CN110515796B (zh) 2019-07-30 2019-07-30 一种基于皮质学习的异常检测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
WO2021017284A1 true WO2021017284A1 (zh) 2021-02-04

Family

ID=68624100

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/117620 WO2021017284A1 (zh) 2019-07-30 2019-11-12 基于皮质学习的异常检测方法、装置、终端设备及存储介质

Country Status (2)

Country Link
CN (1) CN110515796B (zh)
WO (1) WO2021017284A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111200466B (zh) * 2019-12-10 2021-06-04 北京航空航天大学杭州创新研究院 一种数字信号解调的置信度阈值优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017124942A1 (zh) * 2016-01-19 2017-07-27 阿里巴巴集团控股有限公司 一种异常访问检测方法及设备
CN108965055A (zh) * 2018-07-17 2018-12-07 成都力鸣信息技术有限公司 一种基于历史时间取点法的网络流量异常检测方法
CN109978038A (zh) * 2019-03-19 2019-07-05 中国银联股份有限公司 一种集群异常判定方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080196103A1 (en) * 2007-02-09 2008-08-14 Chao-Yu Lin Method for analyzing abnormal network behaviors and isolating computer virus attacks
CN105224782B (zh) * 2014-10-16 2018-02-13 华北电力大学 一种基于故障模式的变电设备故障概率计算方法
CN106777084B (zh) * 2016-12-13 2020-09-18 清华大学 针对光变曲线在线分析及异常报警的方法及系统
CN108268970A (zh) * 2017-12-05 2018-07-10 盈盛资讯科技有限公司 一种基于htm的传送带故障预测方法、系统及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017124942A1 (zh) * 2016-01-19 2017-07-27 阿里巴巴集团控股有限公司 一种异常访问检测方法及设备
CN108965055A (zh) * 2018-07-17 2018-12-07 成都力鸣信息技术有限公司 一种基于历史时间取点法的网络流量异常检测方法
CN109978038A (zh) * 2019-03-19 2019-07-05 中国银联股份有限公司 一种集群异常判定方法及装置

Also Published As

Publication number Publication date
CN110515796B (zh) 2022-07-01
CN110515796A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
CN109034244B (zh) 基于电量曲线特征模型的线损异常诊断方法及装置
CN111737101B (zh) 基于大数据的用户行为监测方法、装置、设备及介质
WO2017076154A1 (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
WO2021004324A1 (zh) 资源数据的处理方法、装置、计算机设备和存储介质
WO2019109523A1 (zh) 经营数据审核方法、装置、设备及计算机可读存储介质
CN104811344A (zh) 网络动态业务监控方法及装置
CN109033513B (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
Li et al. A diagnostic procedure for high-dimensional data streams via missed discovery rate control
WO2021098384A1 (zh) 一种数据异常检测方法及装置
CN111198799A (zh) 一种基于lstm的机房功耗预警方法、系统、终端及存储介质
Wu et al. Predicting failure cascades in large scale power systems via the influence model framework
Hong et al. Pathwise estimation of probability sensitivities through terminating or steady-state simulations
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
CN116016115A (zh) 网络线路的流量监控方法、装置、设备、介质和程序产品
CN111461925A (zh) 一种配电网故障分析方法、装置、设备及存储介质
WO2021017284A1 (zh) 基于皮质学习的异常检测方法、装置、终端设备及存储介质
Chen et al. Data-driven safe controller synthesis for deterministic systems: A posteriori method with validation tests
CN114548493A (zh) 一种电能表电流过载预测方法与系统
WO2022133895A1 (zh) 基于设备监理的火电设备质量数据处理方法及装置
CN113821933A (zh) App流量预测方法、装置、计算机设备及存储介质
CN109829115B (zh) 搜索引擎关键词优化方法
CN109887253B (zh) 石油化工装置报警的关联分析方法
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN116128690B (zh) 一种碳排放量成本值计算方法、装置、设备及介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19939206

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19939206

Country of ref document: EP

Kind code of ref document: A1