WO2021212756A1 - 指标异常分析方法、装置、电子设备及存储介质 - Google Patents

指标异常分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
WO2021212756A1
WO2021212756A1 PCT/CN2020/119108 CN2020119108W WO2021212756A1 WO 2021212756 A1 WO2021212756 A1 WO 2021212756A1 CN 2020119108 W CN2020119108 W CN 2020119108W WO 2021212756 A1 WO2021212756 A1 WO 2021212756A1
Authority
WO
WIPO (PCT)
Prior art keywords
preset
index
parameter range
time
real
Prior art date
Application number
PCT/CN2020/119108
Other languages
English (en)
French (fr)
Inventor
陈桢博
金戈
徐亮
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 WO2021212756A1 publication Critical patent/WO2021212756A1/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
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/324—Display of status information
    • G06F11/327—Alarm or error message display
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling

Definitions

  • This application relates to the field of computers, and in particular to an indicator abnormality analysis method, device, electronic equipment and storage medium.
  • the monitoring of abnormal conditions of various indicators of the business system is mainly managed by manual monitoring and manual intervention.
  • the main process is as follows: operation and maintenance personnel set indicator thresholds based on experience; in the actual monitoring process, when the actual monitoring of an indicator If the value reaches the threshold, it is judged to be abnormal, and an alarm message is issued.
  • the threshold is fixed, the real-time changing index situation cannot be fully considered, resulting in abnormal monitoring that does not conform to the objective situation.
  • this application provides an indicator abnormality analysis method, device, electronic equipment, and storage medium.
  • This application provides an indicator abnormality analysis method, which includes:
  • This application also provides an indicator abnormality analysis device, which includes:
  • the calculation module is used to periodically collect historical sequence data of preset indicators in the first preset time period, analyze and calculate the historical sequence data based on a preset analysis algorithm, and generate and save the parameter range set of the preset indicators ;
  • the acquisition module is used to collect real-time data of the index to be detected according to a preset collection frequency, and record the real-time data and the collection time point of the index to be detected;
  • a screening module configured to filter out the target parameter range corresponding to the preset index at the collection time point from the parameter range set
  • the judgment module is configured to compare the real-time data with the target parameter range, and judge whether the real-time data exceeds the target parameter range;
  • the early warning module is used to determine that the indicator to be detected is abnormal at the collection time point when it is judged that the real-time data exceeds the target parameter range, and send a prompt message to a preset terminal.
  • the present application also provides an electronic device, which includes a memory and a processor, the memory stores an indicator abnormality analysis program that can be run on the processor, and the indicator abnormality analysis program is used by the processor. The following steps can be achieved during execution:
  • This application also provides a computer-readable storage medium that includes an indicator anomaly analysis program, and when the indicator anomaly analysis program is executed by a processor, the following steps can be implemented:
  • Fig. 1 is a flowchart of a preferred embodiment of the method for analyzing an abnormality of an indicator of the application
  • FIG. 2 is a schematic diagram of a preferred embodiment of the electronic device of this application.
  • FIG. 3 is a schematic diagram of modules of a preferred embodiment of the indicator abnormality analysis device in FIG. 2.
  • This application provides an indicator abnormality analysis method.
  • the method can be executed by a device, and the device can be implemented by software and/or hardware.
  • FIG. 1 it is a flowchart of a preferred embodiment of a method for analyzing an abnormality of an indicator according to the present application.
  • the indicator abnormality analysis method includes: step S1-step S5.
  • Step S1 Periodically collect historical sequence data of preset indicators in a first preset time period, analyze and calculate the historical sequence data based on a preset analysis algorithm, and generate and save a parameter range set of the preset indicators;
  • the electronic device is used as the execution subject to describe each embodiment of the present application.
  • the historical sequence data of each preset indicator is collected at a fixed time point every day.
  • the foregoing first preset time period may be, for example, 14 days or 21 days before the current time point, and the foregoing historical sequence data includes historical collection values corresponding to all collection time points within the first preset time period.
  • the time granularity of historical series data of different indicators may be the same or different.
  • the electronic equipment After the electronic equipment collects the historical sequence data of each set index, it needs to analyze and predict the historical sequence data to obtain the parameter range of each preset index for subsequent abnormality detection.
  • Step S2 collecting real-time data of the index to be detected according to a preset collection frequency, and recording the real-time data and collection time point of the index to be detected;
  • the collection frequency (ie, collection time point) of each preset index needs to be set in advance.
  • the collection frequency of index A is collected every 1 minute
  • the collection frequency of index B is collected every 5 min.
  • the electronic equipment collects real-time data of indicator A every 1 minute, collects real-time data of indicator B every 5 minutes, and records the real-time data and collection time point of each indicator.
  • Step S3 Determine the target time window corresponding to the indicator to be detected according to the collection time point, and filter out the target parameter range corresponding to the target time window of the indicator to be detected from the parameter range set;
  • the parameter ranges corresponding to different indicators are different, and the parameter ranges corresponding to the same indicator in different time periods (time windows) are also different.
  • the parameter range corresponding to the index to be predicted is obtained from the pre-calculated and saved parameter range set as the first subset; then, the parameter range is determined according to the collection time point.
  • the parameter range corresponding to the target time window is selected from the first subset as the second subset; finally, the second subset is used as the to-be-detected The target parameter range corresponding to the indicator at the collection time point.
  • the parameter range corresponding to each time window is calculated with the time window of the preset step length. Therefore, the time window described in this embodiment is consistent with the time window in the parameter range calculation process.
  • the parameter range set includes parameter ranges corresponding to different preset indicators in different time windows, and the step length of the time window is smaller than the length of the time window.
  • the length of the time window is 30 minutes
  • the step length is 15 minutes, that is to say, within one day
  • one indicator corresponds to 96 time windows, and each corresponds to 96 parameter ranges.
  • the collection time point of indicator A As 10:25 as an example, there are two time windows containing the collection time point, namely: 10:00-10:30 and 10:15-10:45, so these two time windows It is the target time window corresponding to the collection time point.
  • filter out all the parameter ranges corresponding to indicator A from the parameter range set generate the parameter range sub-set of indicator A, and then filter the two parameters from the parameter range sub-set of indicator A.
  • the parameter range corresponding to each target time window is used as the target parameter range corresponding to indicator A at the collection time point of 10:25.
  • the length and step length of the time window can also be adjusted according to actual conditions.
  • the step length of the time window can also be 10 minutes, so each collection time point corresponds to 3 target time windows. Namely, there are 3 parameter ranges, which will not be described in detail.
  • Step S4 comparing the real-time data with the target parameter range, and judging whether the real-time data exceeds the target parameter range;
  • the determining whether the real-time data exceeds the target parameter range includes:
  • indicator A obtains the real-time data collected by indicator A at 10:25, obtain the parameter ranges corresponding to the two target time windows respectively, and take the intersection T of the parameter ranges corresponding to the two target time windows, if The real-time data belongs to the intersection T, that is, the real-time data belongs to the parameter range corresponding to different target time windows at the same time, then it is judged that the real-time data of indicator A does not exceed the target parameter range. If the real-time data does not belong to the intersection T, the real-time data of the judgment indicator A exceeds Target parameter range.
  • Step S5 When it is judged that the real-time data exceeds the target parameter range, it is judged that the index to be detected is abnormal at the collection time point, and a prompt message is sent to a preset terminal.
  • a preset terminal for example, a terminal used by system operation and maintenance personnel
  • the indicator abnormality analysis method proposed in the above embodiment detects the real-time data of the indicator through collection, and determines at least two time windows corresponding to the indicator at the time of collection, thereby determining at least two parameter ranges, and then according to the determined at least two parameters
  • the scope performs abnormal analysis and judgment on the real-time data of the indicator at the time collection point, and improves the accuracy and efficiency of the indicator anomaly analysis.
  • determining that the indicator to be detected is abnormal at the collection time point includes:
  • the preset condition includes: the preset index matches a predetermined list containing specified indicators (indicators that require alarm filtering), and the preset index is in the second preset time period The number of consecutive abnormalities within (for example, within 30 minutes) exceeds the first preset threshold (for example, 10 times). When the above preset conditions are met, 10 abnormalities are sent to the operation and maintenance personnel in a preset form (for example, mail) as one time.
  • the indicator abnormality analysis method further includes:
  • Receiving the feedback information sent by the preset terminal including: the alarm is correct or the alarm is wrong;
  • the target parameter range corresponding to the indicator to be detected at the collection time point is adjusted according to the real-time data.
  • the operation and maintenance personnel feedback for the indicator abnormality alarm of indicator A is correct, it indicates that the real-time data at the current collection time is abnormal, and the current real-time data is marked with an "abnormal" label, and the historical data is obtained from the subsequent calculation of the parameter range. Delete abnormal data points to avoid data interference and improve the accuracy of the parameter range. If the operation and maintenance personnel feedback an alarm error for the indicator abnormal alarm of indicator A, it means that the target parameter range corresponding to the current real-time data is wrong and needs to be adjusted to avoid similar error alarms in the future.
  • the historical sequence data is analyzed and calculated based on a preset analysis algorithm, and the parameter range set of the preset index is generated and saved, including: a1-a4.
  • the indicator types include: cyclical indicators and non-cyclical indicators.
  • the classification of the preset indicators according to the historical sequence data and a preset classification algorithm includes:
  • the similarity is the amplitude ratio
  • the period of the indicator is determined according to the known frequency signal waves whose similarity exceeds the second preset threshold.
  • only one-day indicators are used as periodic indicators. That is to say, if and only if the period of the signal wave whose similarity is greater than or equal to the second preset threshold is 1, the indicator is judged to be a periodic indicator.
  • the index with a frequency of 1 minute there are 1440 points of historical data for a day. Multiply it with the corresponding point on the sine wave with frequency 1, and add the 1440 results after the multiplication to get The result is recorded as a>0 (less than 0, the sine wave is not included), then the amplitude (similarity, that is, the amplitude ratio) of the sine wave with frequency 1 at these 1440 time series points is: a/(1440/2) ), the amplitude calculation of other frequencies is similar. Finally, in the part where the amplitude exceeds the threshold, the sine wave with the largest amplitude is selected, and its period is used as the period of the indicator.
  • FFT Fast Fourier Transform
  • the preset index is a working day periodic index
  • call the first preset analysis algorithm to analyze and calculate the historical sequence data to obtain the parameter range of each preset index in the working day periodic index
  • different types of indicators correspond to different analysis algorithms
  • different indicators of the first type of indicators may also correspond to different analysis algorithms.
  • the analysis algorithm corresponding to the cyclical index of working days is the first preset analysis algorithm
  • the analysis algorithm corresponding to the cyclical index of non-working days is the second preset analysis algorithm
  • the analysis algorithm corresponding to the non-cyclical index is the third Preset analysis algorithm.
  • the first preset analysis algorithm includes: a21-a27.
  • the third preset time is a part of the first preset time Time period, for example, 10 working days out of 14 days before the current time point.
  • a25 Divide the third matrix according to a preset time window, and arrange the residual values of each time window into a column to obtain a fourth matrix; wherein the time window has a duration of 30 minutes and a step size of 15 Minutes, each day will be divided according to this time window, each day can get 96 time windows, the two time windows before and after there will be 15 minutes of overlap, the residual matrix obtained just now is divided according to these time windows, and each time
  • the residual values of the window are arranged in a column, and each column contains 300 samples, so the residual matrix of 10*1440 can be updated to a matrix R of 300*96.
  • a26 Divide the first matrix according to the preset time window, and arrange the values of each time window into a column to obtain a fifth matrix, and calculate the average value and standard deviation of the fifth matrix by column ; Same as step a25, the first matrix is converted into a 300*96 matrix, and the average value and standard deviation are obtained by column, namely mu.hat and se, and the dimensions are both 1*96.
  • the matrix R is sampled with replacement.
  • Stat(R,index) sqrt(max(((n-1)*Mu ⁇ 2)/(Sq-n*Mu ⁇ 2))*n), repeat from the row dimension of matrix R 1:300 Extract 200 values as the value of index, calculate the value of Stat, repeat the extraction and calculation N times to obtain N Stat values, denoted as Stat, n is the number of time points in a time window, and the length of the time window And the collection granularity is related; N is the number of sampling artificially set, and the statistic Stat is calculated by using the extracted matrix combined with the formula. After each extraction, calculate it once, and obtain N Stat values after extracting N times;
  • LOESS locally weighted regression
  • i an acquisition time point
  • w (i) is the sum function of the weight of the data near the time point to be predicted
  • the Gaussian kernel is generally selected, namely:
  • ⁇ is a value artificially set to control the rate of change of ⁇ .
  • the data set: x: [1,2,3,6,8], y: [10,11,5,12,3], given the prediction data x 4, the data point (3,5) is in the prediction
  • the contribution of time to the predicted point is:
  • the calculation method of the weight of the remaining data points is similar. After the weight is calculated, the prediction method is the same as the general regression algorithm, so I will not repeat it here.
  • the traditional parameter regression method requires the distribution characteristics of the index data to be determined in advance, so this method cannot be applied to massive indexes with diverse distribution characteristics.
  • the number of features that the regression model participates in training is not very large, and the distribution characteristics between the indicators are not very complicated.
  • Using a general parameter regression model can achieve better generalization ability, but when the indicator is the number of features When they are huge, the correlation between these indicators and their respective distribution characteristics become extremely complicated.
  • the parameter regression model that is suitable for some distribution characteristics known or easy to fit, at this time, if you want to obtain a good fitting effect, the parameter The number is unknown and may be infinite. Therefore, choosing a suitable parameter regression model will be a problem.
  • the local weighted regression algorithm proposed in this embodiment is suitable for the calculation of a large number of indicators, and can save calculation resources and improve the calculation efficiency of the parameter range set.
  • the preset index is a non-working day periodic index
  • call the second preset analysis algorithm to analyze and calculate the historical sequence data to obtain the parameters of each preset index in the non-working day periodic index Scope;
  • the second preset analysis algorithm includes: a31-a33.
  • the fourth preset time is a part of the time period within the first preset time, for example, 4 non-working days out of 14 days before the current time point, according to the corresponding time point data of the 4 non-working days, Save it as a 4*1440 matrix. Then, based on the sliding window (length 30 min and step length 15 min) and the collected value, the confidence interval of the collected value (ie, the distribution interval (n-sigma)) is directly calculated.
  • the preset index is an acyclic index
  • the third preset analysis algorithm includes: a41-a43.
  • steps a41-a42 is substantially the same as the implementation of the non-working day periodic indicator, and will not be repeated here.
  • FIG. 2 is a schematic diagram of a preferred embodiment of the electronic device of this application.
  • the electronic device 1 may be a terminal device with data processing functions such as a server, a smart phone, a tablet computer, a portable computer, a desktop computer, etc.
  • the server may be a rack server, a blade server, or a tower. Server or rack server.
  • the electronic device 1 includes a memory 11, a processor 12 and a network interface 13.
  • the memory 11 includes at least one type of readable storage medium, and the readable storage medium includes flash memory, hard disk, multimedia card, card-type memory (for example, SD or DX memory, etc.), magnetic memory, magnetic disk, optical disk, and the like.
  • the memory 11 may be an internal storage unit of the electronic device 1 in some embodiments, such as a hard disk of the electronic device 1.
  • the memory 11 may also be an external storage device of the electronic device 1, such as a plug-in hard disk, a smart media card (SMC), and a secure digital (Secure Digital) equipped on the electronic device 1. , SD) card, flash card (Flash Card), etc.
  • the memory 11 may also include both an internal storage unit of the electronic device 1 and an external storage device.
  • the memory 11 can be used not only to store application software and various data installed in the electronic device 1, such as the indicator abnormality analysis program 10, etc., but also to temporarily store data that has been output or will be output.
  • the processor 12 may be a central processing unit (CPU), controller, microcontroller, microprocessor, or other data processing chip, for running program codes or processing stored in the memory 11 Data, for example, the indicator abnormality analysis program 10, etc.
  • CPU central processing unit
  • controller microcontroller
  • microprocessor microprocessor
  • other data processing chip for running program codes or processing stored in the memory 11 Data, for example, the indicator abnormality analysis program 10, etc.
  • the network interface 13 may optionally include a standard wired interface and a wireless interface (such as a WI-FI interface), and is usually used to establish a communication connection between the electronic device 1 and other electronic devices, for example, a client (not marked in the figure). ).
  • the components 11-13 of the electronic device 1 communicate with each other via a communication bus.
  • FIG. 2 only shows the electronic device 1 with components 11-13. Those skilled in the art can understand that the structure shown in FIG. 2 does not constitute a limitation on the electronic device 1, and may include less or more Multiple components, or a combination of certain components, or different component arrangements.
  • the electronic device 1 may also include a user interface.
  • the user interface may include a display (Display) and an input unit such as a keyboard (Keyboard).
  • the optional user interface may also include a standard wired interface and a wireless interface.
  • the display may be an LED display, a liquid crystal display, a touch-sensitive liquid crystal display, an organic light-emitting diode (OLED) touch device, and the like.
  • the display may also be called a display screen or a display unit, which is used to display the information processed in the electronic device 1 and to display a visualized user interface.
  • the memory 11 as a computer storage medium stores the program code of the indicator anomaly analysis program 10, and when the processor 12 executes the program code of the indicator anomaly analysis program 10, the following steps are implemented :
  • Step A1 Periodically collect historical sequence data of preset indicators in a first preset time period, analyze and calculate the historical sequence data based on a preset analysis algorithm, and generate and save the parameter range set of the preset indicators;
  • the historical sequence data of each preset indicator is collected at a fixed time point every day.
  • the foregoing first preset time period may be, for example, 14 days or 21 days before the current time point, and the foregoing historical sequence data includes historical collection values corresponding to all collection time points within the first preset time period.
  • the time granularity of historical series data of different indicators may be the same or different.
  • the electronic device 1 After the electronic device 1 collects the historical sequence data of each set index, it needs to analyze and predict the historical sequence data to obtain the parameter range of each preset index for subsequent abnormality detection.
  • Step A2 collecting real-time data of the index to be detected according to the preset collection frequency, and recording the real-time data and the collection time point of the index to be detected;
  • the collection frequency (ie, collection time point) of each preset index needs to be set in advance.
  • the collection frequency of index A is collected every 1 minute
  • the collection frequency of index B is collected every 5 min.
  • the electronic device 1 collects real-time data of indicator A every 1 minute, collects real-time data of indicator B every 5 minutes, and records the real-time data and collection time point of each indicator.
  • Step A3 Determine the target time window corresponding to the indicator to be detected according to the collection time point, and filter out the target parameter range corresponding to the target time window of the indicator to be detected from the parameter range set;
  • the parameter ranges corresponding to different indicators are different, and the parameter ranges corresponding to the same indicator in different time periods (time windows) are also different.
  • the parameter range corresponding to the index to be predicted is obtained from the pre-calculated and saved parameter range set as the first subset; then, the parameter range is determined according to the collection time point.
  • the parameter range corresponding to the target time window is selected from the first subset as the second subset; finally, the second subset is used as the to-be-detected The target parameter range corresponding to the indicator at the collection time point.
  • the parameter range corresponding to each time window is calculated with the time window of the preset step length. Therefore, the time window described in this embodiment is consistent with the time window in the parameter range calculation process.
  • the parameter range set includes parameter ranges corresponding to different preset indicators in different time windows, and the step length of the time window is smaller than the length of the time window.
  • the length of the time window is 30 minutes
  • the step length is 15 minutes, that is to say, within one day
  • one indicator corresponds to 96 time windows, and each corresponds to 96 parameter ranges.
  • the collection time point of indicator A As 10:25 as an example, there are two time windows containing the collection time point, namely: 10:00-10:30 and 10:15-10:45, so these two time windows It is the target time window corresponding to the collection time point.
  • filter out all the parameter ranges corresponding to indicator A from the parameter range set generate the parameter range sub-set of indicator A, and then filter the two parameters from the parameter range sub-set of indicator A.
  • the parameter range corresponding to each target time window is used as the target parameter range corresponding to indicator A at the collection time point of 10:25.
  • the length and step length of the time window can also be adjusted according to actual conditions.
  • the step length of the time window can also be 10 minutes, so each collection time point corresponds to 3 target time windows. Namely, there are 3 parameter ranges, which will not be described in detail.
  • Step A4 comparing the real-time data with the target parameter range, and judging whether the real-time data exceeds the target parameter range;
  • the determining whether the real-time data exceeds the target parameter range includes:
  • indicator A obtains the real-time data collected by indicator A at 10:25, obtain the parameter ranges corresponding to the two target time windows respectively, and take the intersection T of the parameter ranges corresponding to the two target time windows, if The real-time data belongs to the intersection T, that is, the real-time data belongs to the parameter range corresponding to different target time windows at the same time, then it is judged that the real-time data of indicator A does not exceed the target parameter range. If the real-time data does not belong to the intersection T, the real-time data of the judgment indicator A exceeds Target parameter range.
  • Step A5 When it is judged that the real-time data exceeds the target parameter range, it is judged that the index to be detected is abnormal at the collection time point, and a prompt message is sent to a preset terminal.
  • a preset terminal for example, a terminal used by system operation and maintenance personnel
  • determining that the indicator to be detected is abnormal at the collection time point includes:
  • the preset condition includes: the preset index matches a predetermined list containing specified indicators (indicators that require alarm filtering), and the preset index is in the second preset time period The number of consecutive abnormalities within (for example, within 30 minutes) exceeds the first preset threshold (for example, 10 times). When the above preset conditions are met, 10 abnormalities are sent to the operation and maintenance personnel in a preset form (for example, mail) as one time.
  • Receiving the feedback information sent by the preset terminal including: the alarm is correct or the alarm is wrong;
  • the target parameter range corresponding to the indicator to be detected at the collection time point is adjusted according to the real-time data.
  • the operation and maintenance personnel feedback for the indicator abnormality alarm of indicator A is correct, it indicates that the real-time data at the current collection time is abnormal, and the current real-time data is marked with an "abnormal" label, and the historical data is obtained from the subsequent calculation of the parameter range. Delete abnormal data points to avoid data interference and improve the accuracy of the parameter range. If the operation and maintenance personnel feedback an alarm error for the indicator abnormal alarm of indicator A, it means that the target parameter range corresponding to the current real-time data is wrong and needs to be adjusted to avoid similar error alarms in the future.
  • FIG. 3 is a schematic diagram of the module of the indicator abnormality analysis device.
  • the indicator abnormality analysis device includes: modules 110-150, wherein:
  • the calculation module 110 is configured to periodically collect historical sequence data of a preset index in a first preset time period, analyze and calculate the historical sequence data based on a preset analysis algorithm, and generate and save the parameter range of the preset index gather;
  • the collection module 120 is configured to collect real-time data of the index to be detected according to a preset collection frequency, and record the real-time data of the index to be detected and the collection time point;
  • the screening module 130 is configured to screen out the target parameter range corresponding to the preset index at the collection time point from the parameter range set;
  • the judgment module 140 is configured to compare the real-time data with the target parameter range, and judge whether the real-time data exceeds the target parameter range;
  • the early warning module 150 is configured to, when it is determined that the real-time data exceeds the target parameter range, determine that the indicator to be detected is abnormal at the collection time point, and send a prompt message to a preset terminal.
  • modules 110-150 are all similar to the above, and will not be described in detail here.
  • the embodiment of the present application also proposes a computer-readable storage medium.
  • the computer-readable storage medium may be non-volatile or volatile.
  • the computer-readable storage medium includes an indicator abnormality analysis program 10 When the indicator abnormality analysis program 10 is executed by the processor, any step of the indicator abnormality analysis method is realized.
  • the specific implementation of the computer-readable storage medium of the present application is substantially the same as the foregoing method embodiment, and will not be repeated here.
  • the blockchain referred to in this application is a new application mode of computer technology such as distributed data storage, point-to-point transmission, consensus mechanism, and encryption algorithm.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with cryptographic methods. Each data block contains a batch of network transaction information for verification. The validity of the information (anti-counterfeiting) and the generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Debugging And Monitoring (AREA)

Abstract

一种指标异常分析方法，电子装置及计算机存储介质，该方法包括：定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合（S1）；按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点（S2）；根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围（S3）；对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围（S4）；及当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息（S5）。利用本方法，可以提高指标异常检测的效率及准确性。本方法还涉及区块链技术，所述历史序列数据可存储于区块链节点中。

Description

指标异常分析方法、装置、电子设备及存储介质
本申请要求于2020年4月23日提交中国专利局、申请号为CN202010326325.4，发明名称为“指标异常分析方法、装置及存储介质”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
本申请涉及计算机领域，尤其涉及一种指标异常分析方法、装置、电子设备及存储介质。
背景技术
随着Internet业务的快速发展，公司对业务系统的依赖越来越强，这对业务系统的稳定性提出了更高的要求，实时监控业务系统各指标的异常情况显得尤为重要。
目前对业务系统各指标的异常情况进行监控主要采用人工监测和手动干预的方式进行管理，其主要流程如下：运维人员根据经验对指标阈值进行设定；实际监控过程中，当某指标的实际值达到阈值判定异常，发出告警信息。然而，发明人意识到由于阈值固定，无法充分考虑实时变化的指标情况，导致异常监控不符合客观情况。
另外，现有技术中，对于部分呈现周期性的指标数据，其异常检测需要基于模型算法实现，但是由于指标数据存在较强噪声干扰，因此要求模型具有较高的鲁棒性。
考虑到以上现有技术存在的问题，亟需提供一种指标异常分析方法。
发明内容
鉴于以上内容，本申请提供一种指标异常分析方法、装置、电子设备及存储介质。
本申请提供一种指标异常分析方法，该方法包括：
定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
本申请还提供一种指标异常分析装置，该装置包括：
计算模块，用于定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
采集模块，用于按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
筛选模块，用于从所述参数范围集合中筛选出所述预设指标在所述采集时间点对应的目标参数范围；
判断模块，用于对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
预警模块，用于当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
本申请还提供一种电子设备，该电子设备包括：存储器、处理器，所述存储器中存储有可在所述处理器上运行的指标异常分析程序，所述指标异常分析程序被所述处理器执行时可实现如下步骤：
定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
本申请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中包括指标异常分析程序，所述指标异常分析程序被处理器执行时，可实现如下步骤：
定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
附图说明
图1为本申请指标异常分析方法较佳实施例的流程图；
图2为本申请电子设备较佳实施例的示意图；
图3为图2中指标异常分析装置较佳实施例的模块示意图。
本申请目的的实现、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申请，并不用于限定本申请。
本申请提供一种指标异常分析方法。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
参照图1所示，为本申请指标异常分析方法较佳实施例的流程图。
在本申请指标异常分析方法一较佳实施例中，所述指标异常分析方法包括：步骤S1-步骤S5。
步骤S1，定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
以下以电子设备作为执行主体对本申请各实施例进行说明。
例如，在每天固定的一个时间点采集各预设指标的历史序列数据。上述第一预设时间段可以举例为当前时间点前14天或21天等，上述历史序列数据包括第一预设时间段内所有采集时间点对应的历史采集值。其中，不同指标的历史序列数据的时间粒度可能相同，也可能不同。
例如，以“访问服务耗时”这一指标为例，电子设备每天凌晨(2020年3月01日0：00)开始获取该指标2020年2月16日0:00至2020年2月29日24:00间所有采集时间点的历史采集值。
电子设备采集到各设指标的历史序列数据后，需对历史序列数据进行分析预测，以得到各预设指标的参数范围，供后续进行异常检测。
步骤S2，按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
可以理解的是，需要预先设置各预设指标的采集频率(即，采集时间点)，例如，指标A的采集频率为每1min采集一次，指标B的采集频率为每5min采集一次。电子设备每隔1分钟采集指标A的实时数据，每隔5分钟采集指标B的实时数据，并记录每个指标的实时数据及采集时间点。
步骤S3，根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
可以理解的是，不同指标对应的参数范围不同，且，同一个指标在不同的时间段(时间窗口)对应的参数范围也不同。在本实施例中，首先，从预先计算并保存好的所述参数范围集合中获取与所述待预测指标对应的参数范围，作为第一子集合；然后，根据所述采集时间点确定所述待预测指标对应的目标时间窗口，从所述第一子集合中筛选出与所述目标时间窗口对应的参数范围，作为第二子集合；最后，将所述第二子集合作为所述待检测指标在所述采集时间点对应的目标参数范围。
在计算参数范围的过程中以预设步长的时间窗口计算各时间窗口对应的参数范围，因此，本实施例中所述的时间窗口与参数范围计算过程中的时间窗口一致。
在本实施例中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。优选地，所述时间窗口的长度为30分钟，步长为15分钟，也就是说，在一天的时间内，一个指标对应96个时间窗口，分别对应的96个参数范围。
以指标A的采集时间点为10：25为例，有两个时间窗口包含该采集时间点，分别为：10：00-10：30和10：15-10：45，故这两个时间窗口即为采集时间点对应的目标时间窗口，首先从参数范围集合中筛选出指标A对应的所有参数范围，生成指标A的参数范围子集合，然后从指标A的参数范围子集合中筛选出这两个目标时间窗口对应的参数范围，作为指标A在10:25这个采集时间点对应的目标参数范围。
在其他实施例中，还可根据实际情况对时间窗口的长度和步长进行调整，例如，所述时间窗口的步长还可以为10分钟，那么每个采集时间点对应3个目标时间窗口，即3个参数范围，具体不作赘述。
步骤S4，对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；
在本实施例中，所述判断所述实时数据是否超出所述目标参数范围，包括：
分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
同样以指标A为例，获取指标A在10:25这一时刻采集的实时数据，分别获取两个目标时间窗口分别对应的参数范围，取两个目标时间窗口对应的参数范围的交集T，若实 时数据属于交集T，即，实时数据同时属于不同目标时间窗口对应的参数范围，则判断指标A的实时数据未超过目标参数范围，若实时数据不属于交集T，则判断指标A的实时数据超出目标参数范围。
步骤S5，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
若实时数据超出目标参数范围时，则认为指标存在异常或者出现异常的风险较高，需向预设终端(例如，系统运维人员使用的终端)发送预警信息提示对异常指标进行处理。
上述实施例提出的指标异常分析方法，通过采集才检测指标的实时数据，并确定指标在采集时间点对应的至少两个时间窗口，从而确定至少两个参数范围，然后根据确定的至少两个参数范围对指标在时间采集点的实时数据进行异常分析及判断，提高指标异常分析的准确性及效率。
考虑到部分指标出现短时异常属于正常情况，因此需要进行告警过滤压缩。在其他实施例中，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件；及
当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
在本实施例中，所述预设条件包括：所述预设指标与预先确定的包含指定指标(需进行告警过滤的指标)的列表匹配，且所述预设指标在第二预设时间段内(例如，30分钟内)连续异常次数超过第一预设阈值(例如，10次)。当满足上述预设条件时，以预设形成(例如，邮件)将10次异常作为一个时间发送至运维人员。
在其他实施例中，所述指标异常分析方法还包括：
接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
例如，若运维人员针对指标A的指标异常告警反馈的是告警正确，说明当前采集时间点的实时数据异常，为当前实时数据标注“异常”标签，在后续计算参数范围过程中从历史数据中删除异常数据点以免造成数据干扰，提高参数范围的准确性。若运维人员针对指标A的指标异常告警反馈的是告警错误，说明当前实时数据对应的目标参数范围有误，需对其进行调整，以免后续产生类似错误告警。
在其他实施例中，所述基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合，包括：a1-a4。
a1.根据所述历史序列数据及预设分类算法对所述预设指标进行分类，确定所述预设指标的指标类型；
其中，所述指标类型包括：周期性指标及非周期性指标。在本实施例中，所述根据所述历史序列数据及预设分类算法对所述预设指标进行分类，包括：
按照指标的粒度获取所述历史序列数据，分别将所述历史序列数据乘以多个已知频率(不同频率)的信号波，把得到的新的序列数据的所有点相加；
计算相加的结果与所述多个已知频率的信号波的相似度，其中，所述相似度为振幅占 比；
当存在所述相似度大于或等于第二预设阈值、且为预设周期的信号波时，判断所述历史序列数据具备周期性；及
当不存在所述相似度大于或等于第二预设阈值、且为预设周期的信号波时，判断所述历史序列数据不具备周期性。
其中，相似度为振幅占比，当振幅占比超过第二预设阈值时，根据相似度超过第二预设阈值的已知频率信号波确定所述指标的周期。为了适应业务指标的需求，仅将周期为1天的指标作为周期性指标。也就是说，当且仅当相似度大于或等于第二预设阈值的信号波的周期为1时，才判断指标为周期性指标。
以采集频率为1分钟的指标为例，一天的历史数据有1440个点，将其与频率为1的正弦波上对应的点相乘，并将相乘后的1440个结果进行相加，得到结果记为a>0(小于0，则不含此正弦波)，则这1440个时间序列点含有频率为1的正弦波的幅度(相似度，即振幅比)为：a/(1440/2)，其他频率的幅度计算类似，最终在幅度超过阈值的部分，选择幅度最大的正弦波，以它的周期作为该指标的周期。
需要说明的是，由于这种方法计算量大，因此采用FFT(快速傅里叶变换)，将原始数据点归一化到0-2π内且模长1的复数点，在计算时只需要计算一半点，即可得到另外一半的值，幅度计算如上所述。
a2.当所述预设指标为工作日周期性指标时，调用第一预设分析算法对所述历史序列数据进行分析计算，得到所述工作日周期性指标中各预设指标的参数范围；
在本实施例中，不同类型的指标对应不同的分析算法，第一类指标的不同指标也可能对应不同的分析算法。例如，工作日的周期性指标对应的分析算法为第一预设分析算法，非工作日的周期性指标对应的分析算法为第二预设分析算法，非周期性指标对应的分析算法为第三预设分析算法。
在本实施例中(粒度以1min为例，实际可能存在不同情况)，所述第一预设分析算法包括：a21-a27。
a21.从所述历史序列数据中获取所述预设指标在第三预设时间内的历史数据作为第一初始训练数据；其中，所述第三预设时间为第一预设时间内的部分时间段，例如，距离当前时间点前14天中的10个工作日。
a22.对所述第一初始训练数据进行平滑处理生成第一矩阵，作为第一目标训练数据；例如，在对指标P的10个工作日的数据进行平滑处理后，得到10个工作日的对应时间点数据，保存成10*1440的矩阵。
a23.对所述第一目标训练数据中每一天对应的同一时刻的数据进行加和求均值，并生成所述第一目标训练数据对应的第二矩阵；例如，将10天中对应同一时刻的数据加和取均值，得到一个1*1440的均值矩阵。
a24.基于所述第一矩阵及所述第二矩阵生成所述第一目标训练数据对应的第三矩阵；将第一目标训练数据的矩阵的每一行都减去均值矩阵，得到一个10*1440的残差矩阵，表示指标P在前10天每分钟的残差矩阵。
a25.按照预设时间窗口对所述第三矩阵进行划分，并将每个时间窗口的残差值排列为一列，得到第四矩阵；其中，所述时间窗口时长为30分钟，步长为15分钟，将每天按照该时间窗口进行划分，每天可以得到96个时间窗，前后两个时间窗会有15分钟重叠部分，将刚才得到的残差矩阵按照这些时间窗口进行划分，并将每个时间窗口的残差值排列为一列，每一列均含有300样本，因此可将10*1440的残差矩阵更新为300*96的矩阵R。
a26.按照所述预设时间窗口对所述第一矩阵进行划分，并将每个时间窗口的值排列为一列，得到第五矩阵，并对所述第五矩阵按列计算平均值及标准差；与步骤a25相同，将第一矩阵转换为300*96的矩阵，并按列求得平均值与标准差，即为mu.hat与se，维度均 为1*96。
a27.分别计算每个时间窗口对应的置信区间，将所述置信区间作为参数范围。
首先，对矩阵R进行有放回抽样。
定义：Stat(R,index)＝sqrt(max(((n-1)*Mu^2)/(Sq-n*Mu^2))*n)，从矩阵R的行维度1:300中重复抽取200个值作为index的值，计算Stat的值，重复抽取并计算N次，得到N个Stat的值，记为Stat，n是一个时间窗口内的时间点的个数，与时间窗口的长度以及采集粒度有关；N是人为设置的抽样次数，利用抽取得到的矩阵结合公式计算得到统计量Stat，每抽取一次，计算一次，抽取N次后得到N个Stat值；
Mu＝colMeans(RI)，表示RI每列的均值；Sq＝colSums(RI^2)，其中，RI＝R[index,])，表示矩阵R的按index指定的行排列的矩阵，则RI表示R的第1行，第4行，第2行，第1行，…按行排列生成的10*1440的矩阵，RI^2表示RI每个元素平方组成的矩阵，colSums表示每列的和。
然后，计算q.boot＝quantile(Stat,level)，表示Stat的level(0.975/0.025)处的分位数；计算上面得到的N个Stat值的上下分位数，其中，分位数根据业务规则设定调整。
最后，计算lb.boot＝mu.hat–a*q.boot*se；ub.boot＝mu.hat+a*q.boot*se；其中，a为置信带半径压缩参数，默认取1，mu.hat为96维列向量。通过mu.hat(1*96矩阵)、se(1*96矩阵)以及q.boot值(1*96矩阵)，可得到lb.boot以及ub.boot，均为1*96矩阵，对应96个时间窗口，从而确定各时间窗口对应的参数范围。
在本实施例中，采用局部加权回归(locally weighted regression，LOESS)算法进行平滑处理，LOESS回归的回归参数计算目标函数：
Figure PCTCN2020119108-appb-000001
其中，i表示一个采集时间点，w (i)是计算待预测的时间点附近的数据的权重的和函数，一般选择高斯核，即：
Figure PCTCN2020119108-appb-000002
其中，τ为人为设定的值，控制ω变化的速率。
例如数据集：x:[1,2,3,6,8]，y:[10,11,5,12,3]，给定预测数据x＝4，则数据点(3,5)在预测时对预测点的贡献为：
Figure PCTCN2020119108-appb-000003
数据点(8,3)在预测时对预测点的贡献为：
Figure PCTCN2020119108-appb-000004
其余数据点权重计算方式类似，在计算出权重以后，预测方式同一般回归算法一致，在此不作赘述。
需要说明的是，传统的采用参数回归的方法，需要事先确定指标数据的分布特性，故该方法无法适用于分布特性多样的海量指标。大部分情况下，回归模型参与训练的特征数量不是很多，而且指标间的分布特性不是很复杂，采用一般的参数回归模型，就能取得较好的泛化能力，但是，当指标也就是特征数量巨大时，这些指标之间的关联性以及各自的分布特性变得异常复杂，对于适应于一些分布特征已知或者容易拟合的参数回归模型，此时想要获得良好的拟合效果，参数的数量是未知的，可能会是无穷的，因此，选择一个合适的参数回归模型会是一个问题，同时，参数估计时会耗费大量计算资源，计算速度大幅降低，极大降低模型效率。本实施例提出的局部加权回归算法，适用于海量指标计算，且能节省计算资源，提高参数范围集合的计算效率。
a3.当所述预设指标为非工作日周期性指标时，调用第二预设分析算法对所述历史序列数据进行分析计算，得到所述非工作日周期性指标中各预设指标的参数范围；
在本实施例中，所述第二预设分析算法包括：a31-a33。
a31.从所述历史序列数据中获取所述预设指标在第四预设时间内的历史数据生成第二初始训练数据，并生成所述第二初始训练数据对应的第一矩阵；
a32.按照预设时间窗口对所述第二初始训练数据对应的第一矩阵进行划分，并将每个时间窗口的历史采集值排列为一列，得到所述第二初始训练数据对应的第二矩阵，并对所述第二初始训练数据对应的第二矩阵按列计算平均值及标准差；
a33.分别计算每个时间窗口对应的置信区间，将所述置信区间作为参数范围。
其中，所述第四预设时间为第一预设时间内的部分时间段，例如，距离当前时间点前14天中的4个非工作日，根据4个非工作日的对应时间点数据，保存成4*1440的矩阵。然后基于滑动窗口(长度为30min且步长为15min)以及采集值直接计算采集值的置信区间(即，分布区间(n-sigma))。
本实施例的具体实施方式与工作日相比大致相同，二者都采用采集值(也即是原数据)计算，但是两者置信区间的计算方式不同。在计算非工作日的置信区间时，不用进行LOESS算法平滑处理以及残差计算。
a4.当所述预设指标为非周期性指标时，调用第三预设分析算法对所述历史序列数据进行分析计算，得到所述非周期性指标中各预设指标的参数范围。
在本实施例中，所述第三预设分析算法包括：a41-a43。
a41.将所述历史序列数据作为第三初始训练数据，并生成所述第三初始训练数据对应的第一矩阵；
a42.按照预设时间窗口对所述第三初始训练数据对应的第一矩阵进行划分，并将每个时间窗口的历史采集值排列为一列，得到所述第三初始训练数据对应的第二矩阵，并对所述第三初始训练数据对应的第二矩阵按列计算平均值及标准差；及
a43.基于所述每个时间窗口对应的平均值及标准差计算每个时间窗口对应的上下边界，基于所述上下边界确定所述参数范围。
其中，步骤a41-a42的具体实施方式与非工作日周期性指标的实施方式大致相同，在此不作赘述。
例如，以时间窗口10:00-10:30为例，计算得到该时间窗口的平均值及标准差后，以(平均值+m*标准差)作为上边界，以(平均值-m*标准差)作为下边界，从而确定参数范围，其中，m为正整数，可根据实际需求进行调整。
本申请还提出一种电子设备。参照图2所示，为本申请电子设备较佳实施例的示意图。
在本实施例中，电子设备1可以是服务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有数据处理功能的终端设备，所述服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器。
该电子设备1包括存储器11、处理器12及网络接口13。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘。存储器11在另一些实施例中也可以是所述电子设备1的外部存储设备，例如该电子设备1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括该电子设备1的内部存储单元也包括外部存储设备。
存储器11不仅可以用于存储安装于该电子设备1的应用软件及各类数据，例如，指标异常分析程序10等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控 制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如，指标异常分析程序10等。
网络接口13可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该电子设备1与其他电子设备之间建立通信连接，例如，客户端(图中未标识)。电子设备1的组件11-13通过通信总线相互通信。
图2仅示出了具有组件11-13的电子设备1，本领域技术人员可以理解的是，图2示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
可选地，该电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。
可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
在图2所示的电子设备1实施例中，作为一种计算机存储介质的存储器11中存储指标异常分析程序10的程序代码，处理器12执行指标异常分析程序10的程序代码时，实现如下步骤：
步骤A1，定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
例如，在每天固定的一个时间点采集各预设指标的历史序列数据。上述第一预设时间段可以举例为当前时间点前14天或21天等，上述历史序列数据包括第一预设时间段内所有采集时间点对应的历史采集值。其中，不同指标的历史序列数据的时间粒度可能相同，也可能不同。
例如，以“访问服务耗时”这一指标为例，电子设备每天凌晨(2020年3月01日0：00)开始获取该指标2020年2月16日0:00至2020年2月29日24:00间所有采集时间点的历史采集值。
电子设备1采集到各设指标的历史序列数据后，需对历史序列数据进行分析预测，以得到各预设指标的参数范围，供后续进行异常检测。
步骤A2，按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
可以理解的是，需要预先设置各预设指标的采集频率(即，采集时间点)，例如，指标A的采集频率为每1min采集一次，指标B的采集频率为每5min采集一次。电子设备1每隔1分钟采集指标A的实时数据，每隔5分钟采集指标B的实时数据，并记录每个指标的实时数据及采集时间点。
步骤A3，根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
可以理解的是，不同指标对应的参数范围不同，且，同一个指标在不同的时间段(时间窗口)对应的参数范围也不同。在本实施例中，首先，从预先计算并保存好的所述参数范围集合中获取与所述待预测指标对应的参数范围，作为第一子集合；然后，根据所述采集时间点确定所述待预测指标对应的目标时间窗口，从所述第一子集合中筛选出与所述目标时间窗口对应的参数范围，作为第二子集合；最后，将所述第二子集合作为所述待检测指标在所述采集时间点对应的目标参数范围。
在计算参数范围的过程中以预设步长的时间窗口计算各时间窗口对应的参数范围，因此，本实施例中所述的时间窗口与参数范围计算过程中的时间窗口一致。
在本实施例中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。优选地，所述时间窗口的长度为30分钟，步长为15分钟，也就是说，在一天的时间内，一个指标对应96个时间窗口，分别对应的96个参数范围。
以指标A的采集时间点为10：25为例，有两个时间窗口包含该采集时间点，分别为：10：00-10：30和10：15-10：45，故这两个时间窗口即为采集时间点对应的目标时间窗口，首先从参数范围集合中筛选出指标A对应的所有参数范围，生成指标A的参数范围子集合，然后从指标A的参数范围子集合中筛选出这两个目标时间窗口对应的参数范围，作为指标A在10:25这个采集时间点对应的目标参数范围。
在其他实施例中，还可根据实际情况对时间窗口的长度和步长进行调整，例如，所述时间窗口的步长还可以为10分钟，那么每个采集时间点对应3个目标时间窗口，即3个参数范围，具体不作赘述。
步骤A4，对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；
在本实施例中，所述判断所述实时数据是否超出所述目标参数范围，包括：
分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
同样以指标A为例，获取指标A在10:25这一时刻采集的实时数据，分别获取两个目标时间窗口分别对应的参数范围，取两个目标时间窗口对应的参数范围的交集T，若实时数据属于交集T，即，实时数据同时属于不同目标时间窗口对应的参数范围，则判断指标A的实时数据未超过目标参数范围，若实时数据不属于交集T，则判断指标A的实时数据超出目标参数范围。
步骤A5，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
若实时数据超出目标参数范围时，则认为指标存在异常或者出现异常的风险较高，需向预设终端(例如，系统运维人员使用的终端)发送预警信息提示对异常指标进行处理。
考虑到部分指标出现短时异常属于正常情况，因此需要进行告警过滤压缩。在其他实施例中，当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件；及
当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
在本实施例中，所述预设条件包括：所述预设指标与预先确定的包含指定指标(需进行告警过滤的指标)的列表匹配，且所述预设指标在第二预设时间段内(例如，30分钟内)连续异常次数超过第一预设阈值(例如，10次)。当满足上述预设条件时，以预设形成(例如，邮件)将10次异常作为一个时间发送至运维人员。
在其他实施例中，所述处理器12执行所述指标异常分析程序10的程序代码时，还实现如下步骤：
接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
例如，若运维人员针对指标A的指标异常告警反馈的是告警正确，说明当前采集时间点的实时数据异常，为当前实时数据标注“异常”标签，在后续计算参数范围过程中从历史数据中删除异常数据点以免造成数据干扰，提高参数范围的准确性。若运维人员针对指标A的指标异常告警反馈的是告警错误，说明当前实时数据对应的目标参数范围有误，需对其进行调整，以免后续产生类似错误告警。
参照图3所示，为指标异常分析装置的模块示意图。
在所述指标异常分析装置一实施例中，指标异常分析装置包括：模块110-150，其中：
计算模块110，用于定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
采集模块120，用于按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
筛选模块130，用于从所述参数范围集合中筛选出所述预设指标在所述采集时间点对应的目标参数范围；
判断模块140，用于对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
预警模块150，用于当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
所述模块110-150所实现的功能或操作步骤均与上文类似，此处不再详述。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性，也可以是易失性，所述计算机可读存储介质中包括指标异常分析程序10，所述指标异常分析程序10被处理器执行时实现所述指标异常分析方法的任意步骤。本申请计算机可读存储介质的具体实施方式与上述方法实施例大致相同，在此不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。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、装置、物品或者方法中还存在另外的相同要素。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说 明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种指标异常分析方法，适用于电子设备，其中，该方法包括：
    定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
    按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
    根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
    对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
    当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
  2. 根据权利要求1所述的指标异常分析方法，其中，所述判断所述实时数据是否超出所述目标参数范围，包括：
    分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
    判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
    若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
  3. 根据权利要求2所述的指标异常分析方法，其中，所述当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
    当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件，所述预设条件包括：所述待检测指标与预先确定的包含指定指标的列表匹配，且所述预设指标在第二预设时间段内连续异常次数超过第一预设阈值；及
    当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
  4. 根据权利要求1所述的指标异常分析方法，其中，该方法还包括：
    接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
    当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
    当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
  5. 根据权利要求1至4中任意一项所述的指标异常分析方法，其中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。
  6. 根据权利要求5所述的指标异常分析方法，其中，所述预设分析算法包括：第一预设分析算法、第二预设分析算法及第三预设分析算法，所述基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合，包括：
    根据所述历史序列数据及预设分类算法对所述预设指标进行分类，确定所述预设指标的指标类型；
    当所述预设指标为工作日周期性指标时，调用第一预设分析算法对所述历史序列数据进行分析计算，得到所述工作日周期性指标中各预设指标的参数范围；
    当所述预设指标为非工作日周期性指标时，调用第二预设分析算法对所述历史序列数据进行分析计算，得到所述非工作日周期性指标中各预设指标的参数范围；及
    当所述预设指标为非周期性指标时，调用第三预设分析算法对所述历史序列数据进行 分析计算，得到所述非周期性指标中各预设指标的参数范围。
  7. 根据权利要求1所述的指标异常分析方法，其中，所述第一预设分析算法包括：
    从所述历史序列数据中获取所述预设指标在第三预设时间内的历史数据作为第一初始训练数据；
    对所述第一初始训练数据进行平滑处理生成第一矩阵，作为第一目标训练数据；
    对所述第一目标训练数据中每一天对应的同一时刻的数据进行加和求均值，并生成所述第一目标训练数据对应的第二矩阵；
    基于所述第一矩阵及所述第二矩阵生成所述第一目标训练数据对应的第三矩阵；
    按照预设时间窗口对所述第三矩阵进行划分，并将每个时间窗口的残差值排列为一列，得到第四矩阵；
    按照所述预设时间窗口对所述第一矩阵进行划分，并将每个时间窗口的值排列为一列，得到第五矩阵，并对所述第五矩阵按列计算平均值及标准差；及
    分别计算每个时间窗口对应的置信区间，将所述置信区间作为参数范围。
  8. 一种指标异常分析装置，其中，该装置包括：
    计算模块，用于定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
    采集模块，用于按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
    筛选模块，用于从所述参数范围集合中筛选出所述预设指标在所述采集时间点对应的目标参数范围；
    判断模块，用于对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
    预警模块，用于当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
  9. 一种电子设备，其中，该电子设备包括存储器及处理器，所述存储器中存储有可在所述处理器上运行的指标异常分析程序，所述指标异常分析程序被所述处理器执行时可实现如下步骤：
    定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
    按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
    根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
    对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
    当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
  10. 根据权利要求9所述的电子设备，其中，所述判断所述实时数据是否超出所述目标参数范围，包括：
    分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
    判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
    若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超出所述目标参数范围。
  11. 根据权利要求10所述的电子设备，其中，所述当判断所述实时数据超出所述目标 参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
    当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件，所述预设条件包括：所述待检测指标与预先确定的包含指定指标的列表匹配，且所述预设指标在第二预设时间段内连续异常次数超过第一预设阈值；及
    当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
  12. 根据权利要求9所述的电子设备，其中，所述指标异常分析程序被所述处理器执行时还包括步骤：
    接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
    当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
    当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
  13. 根据权利要求9至12中任意一项所述的电子设备，其中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。
  14. 根据权利要求13所述的电子设备，其中，所述预设分析算法包括：第一预设分析算法、第二预设分析算法及第三预设分析算法，所述基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合，包括：
    根据所述历史序列数据及预设分类算法对所述预设指标进行分类，确定所述预设指标的指标类型；
    当所述预设指标为工作日周期性指标时，调用第一预设分析算法对所述历史序列数据进行分析计算，得到所述工作日周期性指标中各预设指标的参数范围；
    当所述预设指标为非工作日周期性指标时，调用第二预设分析算法对所述历史序列数据进行分析计算，得到所述非工作日周期性指标中各预设指标的参数范围；及
    当所述预设指标为非周期性指标时，调用第三预设分析算法对所述历史序列数据进行分析计算，得到所述非周期性指标中各预设指标的参数范围。
  15. 一种计算机可读存储介质，其中，所述计算机可读存储介质中包括指标异常分析程序，所述指标异常分析程序被处理器执行时，可实现如下步骤：
    定期采集预设指标在第一预设时间段内的历史序列数据，基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合；
    按照预设采集频率采集待检测指标的实时数据，记录所述待检测指标的实时数据及采集时间点；
    根据所述采集时间点确定所述待检测指标对应的目标时间窗口，从所述参数范围集合中筛选出所述待检测指标的目标时间窗口对应的目标参数范围；
    对所述实时数据与所述目标参数范围进行比对，判断所述实时数据是否超出所述目标参数范围；及
    当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，并向预设终端发出提示信息。
  16. 根据权利要求15所述的计算机可读存储介质，其中，所述判断所述实时数据是否超出所述目标参数范围，包括：
    分别获取所述目标参数范围中不同目标时间窗口对应的参数范围，取所述不同目标时间窗口对应的参数范围的交集；
    判断所述实时数据是否属于所述不同目标时间窗口对应的参数范围的交集；及
    若是，则判断所述实时数据未超出所述目标参数范围，若否，则判断所述实时数据超 出所述目标参数范围。
  17. 根据权利要求16所述的计算机可读存储介质，其中，所述当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标在所述采集时间点存在异常，包括：
    当判断所述实时数据超出所述目标参数范围时，判断所述待检测指标是否满足预设条件，所述预设条件包括：所述待检测指标与预先确定的包含指定指标的列表匹配，且所述预设指标在第二预设时间段内连续异常次数超过第一预设阈值；及
    当所述待检测指标不满足所述预设条件时，记录本次异常，并重复采集下一个采集时间点的实时数据进行异常分析；当所述待检测指标满足所述预设条件时，生成异常告警信息反馈至所述预设终端。
  18. 根据权利要求15所述的计算机可读存储介质，其中，所述指标异常分析程序被处理器执行时还包括步骤：
    接收所述预设终端发送的反馈信息，包括：告警正确或者告警错误；
    当所述反馈信息为告警正确时，标注所述实时数据为异常数据；及
    当所述反馈信息为告警错误时，根据所述实时数据调整所述待检测指标在所述采集时间点对应的目标参数范围。
  19. 根据权利要求15至18中任意一项所述的计算机可读存储介质，其中，所述参数范围集合包括不同预设指标在不同时间窗口对应的参数范围，所述时间窗口的步长小于所述时间窗口的长度。
  20. 根据权利要求19所述的计算机可读存储介质，其中，所述预设分析算法包括：第一预设分析算法、第二预设分析算法及第三预设分析算法，所述基于预设分析算法对所述历史序列数据进行分析计算，生成并保存所述预设指标的参数范围集合，包括：
    根据所述历史序列数据及预设分类算法对所述预设指标进行分类，确定所述预设指标的指标类型；
    当所述预设指标为工作日周期性指标时，调用第一预设分析算法对所述历史序列数据进行分析计算，得到所述工作日周期性指标中各预设指标的参数范围；
    当所述预设指标为非工作日周期性指标时，调用第二预设分析算法对所述历史序列数据进行分析计算，得到所述非工作日周期性指标中各预设指标的参数范围；及
    当所述预设指标为非周期性指标时，调用第三预设分析算法对所述历史序列数据进行分析计算，得到所述非周期性指标中各预设指标的参数范围。
PCT/CN2020/119108 2020-04-23 2020-09-29 指标异常分析方法、装置、电子设备及存储介质 WO2021212756A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010326325.4 2020-04-23
CN202010326325.4A CN111625413A (zh) 2020-04-23 2020-04-23 指标异常分析方法、装置及存储介质

Publications (1)

Publication Number Publication Date
WO2021212756A1 true WO2021212756A1 (zh) 2021-10-28

Family

ID=72260993

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/119108 WO2021212756A1 (zh) 2020-04-23 2020-09-29 指标异常分析方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN111625413A (zh)
WO (1) WO2021212756A1 (zh)

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114152290A (zh) * 2021-12-09 2022-03-08 中国南方电网有限责任公司超高压输电公司广州局 换流站交流滤波器开关诊断方法
CN114237098A (zh) * 2021-12-02 2022-03-25 深圳市环球众一科技有限公司 一种电气产品的智能化数字管理系统
CN114675754A (zh) * 2022-01-27 2022-06-28 浪潮(山东)计算机科技有限公司 一种鼠标控制方法、装置、设备及存储介质
CN114706733A (zh) * 2022-05-30 2022-07-05 支付宝(杭州)信息技术有限公司 切面程序异常的监控方法和装置
CN114768158A (zh) * 2022-04-21 2022-07-22 广东永耀消防安全技术有限公司 一种智慧消防系统及其自动巡检方法
CN114826750A (zh) * 2022-04-29 2022-07-29 阿里巴巴（中国）有限公司 一种网络异常检测方法、服务器、服务器集群及存储介质
CN114881167A (zh) * 2022-05-24 2022-08-09 北京百度网讯科技有限公司 异常检测方法、装置、电子设备和介质
CN114979563A (zh) * 2022-04-13 2022-08-30 北京京能电力燃料有限公司 一种视频监控系统及方法
CN115062101A (zh) * 2022-08-18 2022-09-16 深圳比特耐特信息技术股份有限公司 基于人工智能的大数据可视化处理方法及可视化服务系统
CN115357470A (zh) * 2022-10-21 2022-11-18 北京国电通网络技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN115439085A (zh) * 2022-08-31 2022-12-06 广东立升科技有限公司 一种基于大数据的信创载体的全生命周期保密管理系统
CN115576958A (zh) * 2022-12-08 2023-01-06 杭银消费金融股份有限公司 一种生产设备监管报表的数据校验方法、设备及介质
CN115597902A (zh) * 2022-12-15 2023-01-13 山东复圣化工有限公司（Cn） 用于二氯异氰尿酸钠加工的翻转装置运行效率分析系统
CN115834414A (zh) * 2023-02-17 2023-03-21 北京派网科技有限公司 一种网络性能指标变化趋势的分析方法及系统
CN116050664A (zh) * 2023-03-11 2023-05-02 中环洁集团股份有限公司 一种垃圾产量预测方法、系统、电子设备和可读存储介质
CN116052275A (zh) * 2023-01-28 2023-05-02 北京安录国际技术有限公司 基于大数据的异常行为检测方法以及系统
CN116095305A (zh) * 2023-04-12 2023-05-09 长鑫存储技术有限公司 用于对图像采集系统进行监测的方法、设备及介质
CN116204690A (zh) * 2023-04-28 2023-06-02 泰力基业股份有限公司 一种具有自动灭火功能的配电箱数据传输系统
CN116228176A (zh) * 2023-05-10 2023-06-06 安徽皖欣环境科技有限公司 一种基于数据处理的污水处理数据高效管理系统
CN116269266A (zh) * 2023-05-22 2023-06-23 广州培生智能科技有限公司 基于ai的老年人健康监测方法和系统
CN116340851A (zh) * 2023-05-30 2023-06-27 西安高商智能科技有限责任公司 一种推进电机的生产质量检测系统
CN116343359A (zh) * 2023-02-16 2023-06-27 唐山三友化工股份有限公司 一种工业生产异常行为态势检测方法及系统
CN116387208A (zh) * 2023-06-02 2023-07-04 合肥喆塔科技有限公司 基于阈值管控的腔室匹配分析方法、系统、设备及介质
CN116421178A (zh) * 2023-04-19 2023-07-14 河北金盛达医疗用品有限公司 辅助监护的方法、装置、终端设备及可读存储介质
CN116506321A (zh) * 2023-04-28 2023-07-28 杭州富阳海康保泰安防技术服务有限公司 一种基于数据分析的运维智能终端
CN116500240A (zh) * 2023-06-21 2023-07-28 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质
CN116512272A (zh) * 2023-05-29 2023-08-01 天津诺瑞信精密电子有限公司 一种零部件加工监管方法、装置、设备及存储介质
CN116522386A (zh) * 2023-04-25 2023-08-01 北京智慧大王科技有限公司 一种应用人工智能的电商数据防护方法及服务器
CN116520755A (zh) * 2023-06-29 2023-08-01 深圳东原电子有限公司 一种音响的自动化产线监测预警方法及系统
CN116628428A (zh) * 2023-07-24 2023-08-22 华能信息技术有限公司 一种数据加工方法及系统
CN116699499A (zh) * 2023-05-29 2023-09-05 浙江东鸿电子股份有限公司 一种电表精度及可靠性自动检测系统
CN117076847A (zh) * 2023-10-12 2023-11-17 北京香田智能科技有限公司 一种片状物的处理方法
CN117094603A (zh) * 2023-10-17 2023-11-21 山东卫康生物医药科技有限公司 基于智能控制的医用功能食品生产线自动化管理系统
CN117171478A (zh) * 2023-09-05 2023-12-05 中国医学科学院北京协和医院 一种医学检测数据误差识别模型构建方法与装置
CN117293758A (zh) * 2023-11-24 2023-12-26 山东德源电力科技股份有限公司 基于故障识别的数字化配电馈线监测终端自动化保护方法
CN117313014A (zh) * 2023-11-27 2023-12-29 苏州科尔珀恩机械科技有限公司 一种窑炉运转能耗异常数据实时监测预警方法
CN117312635A (zh) * 2023-11-30 2023-12-29 江西日月明测控科技股份有限公司 在线检测数据分析处理方法、系统、电子设备及存储介质
CN117335409A (zh) * 2023-10-26 2024-01-02 河北建投电力科技服务有限公司 基于人工智能的电力用户负荷预测系统
CN117455666A (zh) * 2023-10-16 2024-01-26 厦门国际银行股份有限公司 一种基于神经网络的交易技术指标预测方法、装置及设备
CN117522230A (zh) * 2024-01-05 2024-02-06 国网数字科技控股有限公司 一种绿电数据分析方法、装置、设备及存储介质
CN117556364A (zh) * 2024-01-12 2024-02-13 济南福深兴安科技有限公司 一种矿用矿压安全智能监测系统
CN117804639A (zh) * 2024-02-29 2024-04-02 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统
CN117804639B (zh) * 2024-02-29 2024-05-17 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625413A (zh) * 2020-04-23 2020-09-04 平安科技（深圳）有限公司 指标异常分析方法、装置及存储介质
CN112148568B (zh) * 2020-09-25 2023-09-22 昆仑数智科技有限责任公司 一种设备监控系统及方法
CN112100037B (zh) * 2020-09-25 2023-07-25 北京奇艺世纪科技有限公司 告警级别识别方法、装置、电子设备及存储介质
CN112162878B (zh) * 2020-09-30 2021-09-28 深圳前海微众银行股份有限公司 数据库故障发现方法、装置、电子设备及存储介质
CN112380065B (zh) * 2020-11-18 2023-08-29 北京百度网讯科技有限公司 一种数据修复方法、装置、电子设备及存储介质
CN112232962A (zh) * 2020-11-19 2021-01-15 深圳前海微众银行股份有限公司 交易指标处理方法、装置和设备
CN112433918A (zh) * 2020-12-11 2021-03-02 中国农业银行股份有限公司 一种数据库资源监控方法及装置
CN112612671A (zh) * 2020-12-16 2021-04-06 深圳前海微众银行股份有限公司 系统监控方法、装置、设备及存储介质
CN112613995A (zh) * 2020-12-30 2021-04-06 中国工商银行股份有限公司 异常诊断方法和装置
CN112783725B (zh) * 2021-01-26 2024-04-09 中国工商银行股份有限公司 指标采集方法及装置
CN112598342B (zh) * 2021-03-05 2021-06-11 北京每日优鲜电子商务有限公司 用于数据展示设备的报警控制方法、装置、设备和介质
CN113704048A (zh) * 2021-03-31 2021-11-26 腾讯科技（深圳）有限公司 数据动态监测方法、装置、计算机设备和存储介质
CN113067891B (zh) * 2021-04-08 2022-10-18 深圳市中瓴智慧科技有限公司 智慧工地数据采集方法、装置、计算机设备及其存储介质
CN113237492B (zh) * 2021-04-27 2022-05-31 北京航天飞行控制中心 一种初相稳定性判定方法、存储介质及电子设备
CN113722177B (zh) * 2021-08-03 2024-03-29 北京达佳互联信息技术有限公司 时序指标异常检测方法、装置、系统、设备及存储介质
CN113746425B (zh) * 2021-08-26 2023-07-11 中国电建集团江西省电力建设有限公司 光伏逆变器参数异常分析方法、系统
CN114297036B (zh) * 2022-01-05 2023-06-09 腾讯科技（深圳）有限公司 数据处理方法、装置、电子设备及可读存储介质
CN114528190B (zh) * 2022-04-21 2022-07-01 云账户技术(天津)有限公司 单指标异常的检测方法、装置、电子设备及可读存储介质
CN115423323B (zh) * 2022-09-05 2023-05-23 浙江口碑网络技术有限公司 安全管理方法、装置、电子设备及计算机存储介质
CN115438452B (zh) * 2022-09-26 2023-04-18 中国科学院沈阳自动化研究所 一种时序网络信号的可靠性传输检测方法
CN115858505B (zh) * 2023-03-03 2023-05-05 天津市伟利达科技发展有限公司 一种用于识别变频器状态异常的数据处理方法
CN117434872B (zh) * 2023-12-07 2024-03-26 深圳市伟创高科电子有限公司 基于物联网终端实现电动车控制器数据的采集方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106383766A (zh) * 2016-09-09 2017-02-08 北京百度网讯科技有限公司 系统监控方法和装置
CN108320810A (zh) * 2018-04-11 2018-07-24 平安科技（深圳）有限公司 疾病异常数据检测方法及装置、计算机装置及存储介质
CN109213654A (zh) * 2018-07-05 2019-01-15 北京奇艺世纪科技有限公司 一种异常检测方法及装置
US20190124099A1 (en) * 2015-10-29 2019-04-25 Taras Matselyukh Anomaly detection in a data stream
CN111625413A (zh) * 2020-04-23 2020-09-04 平安科技（深圳）有限公司 指标异常分析方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190124099A1 (en) * 2015-10-29 2019-04-25 Taras Matselyukh Anomaly detection in a data stream
CN106383766A (zh) * 2016-09-09 2017-02-08 北京百度网讯科技有限公司 系统监控方法和装置
CN108320810A (zh) * 2018-04-11 2018-07-24 平安科技（深圳）有限公司 疾病异常数据检测方法及装置、计算机装置及存储介质
CN109213654A (zh) * 2018-07-05 2019-01-15 北京奇艺世纪科技有限公司 一种异常检测方法及装置
CN111625413A (zh) * 2020-04-23 2020-09-04 平安科技（深圳）有限公司 指标异常分析方法、装置及存储介质

Cited By (73)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114237098A (zh) * 2021-12-02 2022-03-25 深圳市环球众一科技有限公司 一种电气产品的智能化数字管理系统
CN114237098B (zh) * 2021-12-02 2022-08-16 深圳市环球众一科技有限公司 一种电气产品的智能化数字管理系统
CN114152290B (zh) * 2021-12-09 2023-09-26 中国南方电网有限责任公司超高压输电公司广州局 换流站交流滤波器开关诊断方法
CN114152290A (zh) * 2021-12-09 2022-03-08 中国南方电网有限责任公司超高压输电公司广州局 换流站交流滤波器开关诊断方法
CN114675754A (zh) * 2022-01-27 2022-06-28 浪潮(山东)计算机科技有限公司 一种鼠标控制方法、装置、设备及存储介质
CN114979563A (zh) * 2022-04-13 2022-08-30 北京京能电力燃料有限公司 一种视频监控系统及方法
CN114768158A (zh) * 2022-04-21 2022-07-22 广东永耀消防安全技术有限公司 一种智慧消防系统及其自动巡检方法
CN114826750B (zh) * 2022-04-29 2024-02-06 阿里巴巴（中国）有限公司 一种网络异常检测方法、服务器、服务器集群及存储介质
CN114826750A (zh) * 2022-04-29 2022-07-29 阿里巴巴（中国）有限公司 一种网络异常检测方法、服务器、服务器集群及存储介质
CN114881167A (zh) * 2022-05-24 2022-08-09 北京百度网讯科技有限公司 异常检测方法、装置、电子设备和介质
CN114706733A (zh) * 2022-05-30 2022-07-05 支付宝(杭州)信息技术有限公司 切面程序异常的监控方法和装置
CN114706733B (zh) * 2022-05-30 2022-09-20 支付宝(杭州)信息技术有限公司 切面程序异常的监控方法和装置
CN115062101A (zh) * 2022-08-18 2022-09-16 深圳比特耐特信息技术股份有限公司 基于人工智能的大数据可视化处理方法及可视化服务系统
CN115062101B (zh) * 2022-08-18 2022-11-11 深圳比特耐特信息技术股份有限公司 基于人工智能的大数据可视化处理方法及可视化服务系统
CN115439085A (zh) * 2022-08-31 2022-12-06 广东立升科技有限公司 一种基于大数据的信创载体的全生命周期保密管理系统
CN115357470B (zh) * 2022-10-21 2023-03-24 北京国电通网络技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN115357470A (zh) * 2022-10-21 2022-11-18 北京国电通网络技术有限公司 信息生成方法、装置、电子设备和计算机可读介质
CN115576958A (zh) * 2022-12-08 2023-01-06 杭银消费金融股份有限公司 一种生产设备监管报表的数据校验方法、设备及介质
CN115576958B (zh) * 2022-12-08 2023-03-07 杭银消费金融股份有限公司 一种生产设备监管报表的数据校验方法、设备及介质
CN115597902A (zh) * 2022-12-15 2023-01-13 山东复圣化工有限公司（Cn） 用于二氯异氰尿酸钠加工的翻转装置运行效率分析系统
CN115597902B (zh) * 2022-12-15 2023-03-28 山东复圣化工有限公司 用于二氯异氰尿酸钠加工的翻转装置运行效率分析系统
CN116052275A (zh) * 2023-01-28 2023-05-02 北京安录国际技术有限公司 基于大数据的异常行为检测方法以及系统
CN116343359A (zh) * 2023-02-16 2023-06-27 唐山三友化工股份有限公司 一种工业生产异常行为态势检测方法及系统
CN116343359B (zh) * 2023-02-16 2023-10-31 唐山三友化工股份有限公司 一种工业生产异常行为态势检测方法及系统
CN115834414B (zh) * 2023-02-17 2023-04-18 北京派网科技有限公司 一种网络性能指标变化趋势的分析方法及系统
CN115834414A (zh) * 2023-02-17 2023-03-21 北京派网科技有限公司 一种网络性能指标变化趋势的分析方法及系统
CN116050664A (zh) * 2023-03-11 2023-05-02 中环洁集团股份有限公司 一种垃圾产量预测方法、系统、电子设备和可读存储介质
CN116095305A (zh) * 2023-04-12 2023-05-09 长鑫存储技术有限公司 用于对图像采集系统进行监测的方法、设备及介质
CN116095305B (zh) * 2023-04-12 2023-08-25 长鑫存储技术有限公司 用于对图像采集系统进行监测的方法、设备及介质
CN116421178A (zh) * 2023-04-19 2023-07-14 河北金盛达医疗用品有限公司 辅助监护的方法、装置、终端设备及可读存储介质
CN116522386B (zh) * 2023-04-25 2023-12-29 速易购电子商务有限公司 一种应用人工智能的电商数据防护方法及服务器
CN116522386A (zh) * 2023-04-25 2023-08-01 北京智慧大王科技有限公司 一种应用人工智能的电商数据防护方法及服务器
CN116204690A (zh) * 2023-04-28 2023-06-02 泰力基业股份有限公司 一种具有自动灭火功能的配电箱数据传输系统
CN116506321B (zh) * 2023-04-28 2023-11-24 杭州富阳海康保泰安防技术服务有限公司 一种基于数据分析的运维智能终端
CN116506321A (zh) * 2023-04-28 2023-07-28 杭州富阳海康保泰安防技术服务有限公司 一种基于数据分析的运维智能终端
CN116228176A (zh) * 2023-05-10 2023-06-06 安徽皖欣环境科技有限公司 一种基于数据处理的污水处理数据高效管理系统
CN116228176B (zh) * 2023-05-10 2023-07-18 安徽皖欣环境科技有限公司 一种基于数据处理的污水处理数据高效管理系统
CN116269266A (zh) * 2023-05-22 2023-06-23 广州培生智能科技有限公司 基于ai的老年人健康监测方法和系统
CN116269266B (zh) * 2023-05-22 2023-08-04 广州培生智能科技有限公司 基于ai的老年人健康监测方法和系统
CN116512272A (zh) * 2023-05-29 2023-08-01 天津诺瑞信精密电子有限公司 一种零部件加工监管方法、装置、设备及存储介质
CN116699499A (zh) * 2023-05-29 2023-09-05 浙江东鸿电子股份有限公司 一种电表精度及可靠性自动检测系统
CN116512272B (zh) * 2023-05-29 2024-04-12 天津诺瑞信精密电子有限公司 一种零部件加工监管方法、装置、设备及存储介质
CN116699499B (zh) * 2023-05-29 2024-04-12 浙江东鸿电子股份有限公司 一种电表精度及可靠性自动检测系统
CN116340851A (zh) * 2023-05-30 2023-06-27 西安高商智能科技有限责任公司 一种推进电机的生产质量检测系统
CN116340851B (zh) * 2023-05-30 2023-07-28 西安高商智能科技有限责任公司 一种推进电机的生产质量检测系统
CN116387208B (zh) * 2023-06-02 2023-08-18 合肥喆塔科技有限公司 基于阈值管控的腔室匹配分析方法、系统、设备及介质
CN116387208A (zh) * 2023-06-02 2023-07-04 合肥喆塔科技有限公司 基于阈值管控的腔室匹配分析方法、系统、设备及介质
CN116500240B (zh) * 2023-06-21 2023-12-29 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质
CN116500240A (zh) * 2023-06-21 2023-07-28 江西索立德环保服务有限公司 一种土壤环境质量监测方法、系统及可读存储介质
CN116520755B (zh) * 2023-06-29 2023-09-26 深圳东原电子有限公司 一种音响的自动化产线监测预警方法及系统
CN116520755A (zh) * 2023-06-29 2023-08-01 深圳东原电子有限公司 一种音响的自动化产线监测预警方法及系统
CN116628428A (zh) * 2023-07-24 2023-08-22 华能信息技术有限公司 一种数据加工方法及系统
CN116628428B (zh) * 2023-07-24 2023-10-31 华能信息技术有限公司 一种数据加工方法及系统
CN117171478B (zh) * 2023-09-05 2024-04-26 中国医学科学院北京协和医院 一种医学检测数据误差识别模型构建方法与装置
CN117171478A (zh) * 2023-09-05 2023-12-05 中国医学科学院北京协和医院 一种医学检测数据误差识别模型构建方法与装置
CN117076847B (zh) * 2023-10-12 2023-12-15 北京香田智能科技有限公司 一种片状物的处理方法
CN117076847A (zh) * 2023-10-12 2023-11-17 北京香田智能科技有限公司 一种片状物的处理方法
CN117455666A (zh) * 2023-10-16 2024-01-26 厦门国际银行股份有限公司 一种基于神经网络的交易技术指标预测方法、装置及设备
CN117094603A (zh) * 2023-10-17 2023-11-21 山东卫康生物医药科技有限公司 基于智能控制的医用功能食品生产线自动化管理系统
CN117094603B (zh) * 2023-10-17 2024-01-05 山东卫康生物医药科技有限公司 基于智能控制的医用功能食品生产线自动化管理系统
CN117335409A (zh) * 2023-10-26 2024-01-02 河北建投电力科技服务有限公司 基于人工智能的电力用户负荷预测系统
CN117335409B (zh) * 2023-10-26 2024-04-19 河北建投电力科技服务有限公司 基于人工智能的电力用户负荷预测系统
CN117293758B (zh) * 2023-11-24 2024-02-02 山东德源电力科技股份有限公司 基于故障识别的数字化配电馈线监测终端自动化保护方法
CN117293758A (zh) * 2023-11-24 2023-12-26 山东德源电力科技股份有限公司 基于故障识别的数字化配电馈线监测终端自动化保护方法
CN117313014B (zh) * 2023-11-27 2024-03-22 苏州科恩新能科技股份有限公司 一种窑炉运转能耗异常数据实时监测预警方法
CN117313014A (zh) * 2023-11-27 2023-12-29 苏州科尔珀恩机械科技有限公司 一种窑炉运转能耗异常数据实时监测预警方法
CN117312635A (zh) * 2023-11-30 2023-12-29 江西日月明测控科技股份有限公司 在线检测数据分析处理方法、系统、电子设备及存储介质
CN117312635B (zh) * 2023-11-30 2024-02-02 江西日月明测控科技股份有限公司 在线检测数据分析处理方法、系统、电子设备及存储介质
CN117522230A (zh) * 2024-01-05 2024-02-06 国网数字科技控股有限公司 一种绿电数据分析方法、装置、设备及存储介质
CN117556364A (zh) * 2024-01-12 2024-02-13 济南福深兴安科技有限公司 一种矿用矿压安全智能监测系统
CN117556364B (zh) * 2024-01-12 2024-03-29 济南福深兴安科技有限公司 一种矿用矿压安全智能监测系统
CN117804639A (zh) * 2024-02-29 2024-04-02 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统
CN117804639B (zh) * 2024-02-29 2024-05-17 潍坊盛品印刷设备有限公司 一种胶装机温控传感器的温度校准方法及系统

Also Published As

Publication number Publication date
CN111625413A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
WO2021212756A1 (zh) 指标异常分析方法、装置、电子设备及存储介质
US10248528B2 (en) System monitoring method and apparatus
CN110708204B (zh) 一种基于运维知识库的异常处理方法、系统、终端及介质
US20210089917A1 (en) Heuristic Inference of Topological Representation of Metric Relationships
WO2021217855A1 (zh) 异常根因定位方法、装置、电子设备及存储介质
US20210250368A1 (en) Automated web traffic anomaly detection
CN106383766B (zh) 系统监控方法和装置
CN110750429A (zh) 运维管理系统的异常检测方法、装置、设备及存储介质
CN111045894B (zh) 数据库异常检测方法、装置、计算机设备和存储介质
CN105071983A (zh) 一种面向云计算在线业务的异常负载检测方法
US11966319B2 (en) Identifying anomalies in a data center using composite metrics and/or machine learning
CN111614690A (zh) 一种异常行为检测方法及装置
CN115952062A (zh) 数据异常检测方法、装置、设备及介质
CN112288163A (zh) 目标对象的目标因子预测方法及相关设备
CN112769612A (zh) 一种告警事件去误报方法及装置
CN111611519B (zh) 一种个人异常行为检测方法及装置
CN114493255A (zh) 基于知识图谱的企业异常监控方法及其相关设备
CN114465874A (zh) 故障预测方法、装置、电子设备与存储介质
CN110807050B (zh) 性能分析方法、装置、计算机设备及存储介质
CN114202256B (zh) 架构升级预警方法、装置、智能终端及可读存储介质
CN110572402A (zh) 基于网络访问行为分析的互联网托管网站检测方法、系统和可读存储介质
CN116756522B (zh) 概率预报方法、装置、存储介质及电子设备
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
Lee et al. Detecting anomaly teletraffic using stochastic self-similarity based on Hadoop
CN111210070A (zh) 一种数据分析方法、装置、电子设备及可读取存储介质

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: 20932640

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: 20932640

Country of ref document: EP

Kind code of ref document: A1