CN105262647A - 一种异常指标检测方法及装置 - Google Patents
一种异常指标检测方法及装置 Download PDFInfo
- Publication number
- CN105262647A CN105262647A CN201510856629.0A CN201510856629A CN105262647A CN 105262647 A CN105262647 A CN 105262647A CN 201510856629 A CN201510856629 A CN 201510856629A CN 105262647 A CN105262647 A CN 105262647A
- Authority
- CN
- China
- Prior art keywords
- value
- sequence
- index
- state value
- measured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请提供了一种异常指标检测方法及装置,从N个主机中分别获取每一个主机的待测指标的序列,将目标时间区间划分为M个单位时间段,对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值,通过将各个单位时间段的目标值按照时间排列,得到目标序列,由目标序列中的各个数值生成状态值,如果状态值不满足预设条件,确定检测到异常指标,可见,本实施例中所述方法及装置,将待测指标的N个序列降维到目标序列,再将目标序列降维到状态值,最后依据此状态值确定指标是否异常,所以,依据状态值确定指标是否异常的方法更为简单。
Description
技术领域
本申请涉及计算机领域,尤其涉及一种异常指标检测方法及装置。
背景技术
对应用运行过程的监控能够保证***的稳定性。目前,监控应用运行过程的方式为:收集应用在主机上运行过程中的各项指标,通过指标判定应用是否正常运行。
为了对异常指标做出及时响应,有必要简化异常判定的过程,从而更简单地确定出异常指标。
发明内容
本申请提供了一种异常指标检测方法及装置,目的在于解决如何更简单地进行异常检测的问题。
为了实现上述目的,本申请提供了以下技术方案:
一种异常指标检测方法,包括:
从N个主机中分别获取每一个主机的待测指标的序列,其中,任意一个待测指标的序列由待测应用在此主机上运行的时间区间内的时刻所对应的所述待测指标的瞬时值组成,N为大于或等于1的整数;
将目标时间区间划分为M个单位时间段,所述目标时间区间依据所述待测应用在所述N个主机上运行的时间区间确定,其中,M为大于或等于1的整数;
对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值;
通过将所述各个单位时间段的目标值按照时间排列,得到目标序列;
由所述目标序列中的各个数值生成状态值;
如果所述状态值不满足预设条件,确定检测到异常指标。
可选地,根据权利要求1所述的方法,其特征在于,所述将目标时间区间划分为M个单位时间段包括:
从所述N个待测指标的序列中的各个瞬时值对应的时刻中选择第一预设时刻与第二预设时刻;
确定目标时间区间,所述目标时间区间的起始时刻为所述第一预设时刻,所述目标时间区间的结束时刻为所述第二预设时刻。
可选地,所述由所述目标序列中的各个数值生成状态值包括:
计算所述目标序列中的各个数值的均值,所述均值为所述状态值。
可选地,所述如果所述待测指标的状态值不满足预设条件,确定检测到异常指标包括:
如果所述待测指标的状态值不满足以下条件之一,确定检测到异常指标:
所述状态值不在预设的阈值范围内;
所述状态值与预测值之差的绝对值大于第一数值,所述预测值依据所述状态值得到;
多个历史状态值中与所述状态值的差异大于第二数值的历史状态值的数量在所述多个历史状态值中所占的比例大于第三数值,所述历史状态值为所述状态值之前的历史检测周期中得到的状态值。
可选地,还包括:
如果所述N个待测指标的序列中任意一个序列的均值与参考均值的差异大于第四数值,确定检测到异常指标,所述任意一个序列的均值为所述序列中瞬时值的均值,所述参考均值为所述N个待测指标的序列中的每一个序列的均值的平均值;
如果所述N小于第五数值,确定检测到异常指标。
一种异常指标检测装置,包括:
获取模块,用于从N个主机中分别获取每一个主机的待测指标的序列,其中,任意一个待测指标的序列由待测应用在此主机上运行的时间区间内的时刻所对应的所述待测指标的瞬时值组成,N为大于或等于1的整数;
划分模块,用于将目标时间区间划分为M个单位时间段,所述目标时间区间依据所述待测应用在所述N个主机上运行的时间区间确定,其中,M为大于或等于1的整数;
计算模块,用于对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值;
排序模块,用于通过将所述各个单位时间段的目标值按照时间排列,得到目标序列;
状态值生成模块,用于由所述目标序列中的各个数值生成状态值;
异常确定模块,用于如果所述状态值不满足预设条件,确定检测到异常指标。
可选地,所述划分模块包括:
选择单元,用于从所述N个待测指标的序列中的各个瞬时值对应的时刻中选择第一预设时刻与第二预设时刻;
确定单元,用于确定目标时间区间,所述目标时间区间的起始时刻为所述第一预设时刻,所述目标时间区间的结束时刻为所述第二预设时刻。
可选地,所述状态值生成模块用于由所述目标序列中的各个数值生成状态值包括:
所述状态值生成模块具体用于,计算所述目标序列中的各个数值的均值,所述均值为所述状态值。
可选地,所述异常确定模块用于如果所述状态值不满足预设条件,确定检测到异常指标包括:
所述异常确定模块具体用于,如果所述待测指标的状态值不满足以下条件之一,确定检测到异常指标:
所述状态值不在预设的阈值范围内;
所述状态值与预测值之差的绝对值大于第一数值,所述预测值依据所述状态值得到;
多个历史状态值中与所述状态值的差异大于第二数值的历史状态值的数量在所述多个历史状态值中所占的比例大于第三数值,所述历史状态值为所述状态值之前的历史检测周期中得到的状态值。
可选地,所述异常确定模块还用于:
如果所述N个待测指标的序列中任意一个序列的均值与参考均值的差异大于第四数值,确定检测到异常指标,所述任意一个序列的均值为所述序列中瞬时值的均值,所述参考均值为所述N个待测指标的序列中的每一个序列的均值的平均值;
如果所述N小于第五数值,确定检测到异常指标。
本申请所述的异常指标检测方法及装置,从N个主机中分别获取每一个主机的待测指标的序列,将目标时间区间划分为M个单位时间段,对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值,通过将各个单位时间段的目标值按照时间排列,得到目标序列,由目标序列中的各个数值生成状态值,如果状态值不满足预设条件,确定检测到异常指标,可见,本实施例中所述方法及装置,将待测指标的N个序列降维到目标序列(一个序列),再将目标序列降维到状态值(一个数值),最后依据此状态值确定指标是否异常,所以,与现有的序列间的运算相比,依据状态值确定指标是否异常的方法更为简单,并且,因为任一个待测指标的序列由待测指标在此主机上运行的时间区间内的时刻所对应的待测指标的瞬时值组成,目标序列由M个数值组成,任一个数值为N个序列中在单位时间段内的瞬时值的均值,可见,上述降维过程也可以通过序列中数值的简单运算实现,综上所述,本实施例中所述方法及装置,可以更简单地检测到异常指标。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种异常指标确定方法的流程图;
图2为本申请实施例公开的将N个待测指标的序列归一化为目标序列的方法的流程图;
图3为两个主机的待测指标序列的示意图;
图4为本申请实施例公开的又一种异常指标确定方法的流程图;
图5为本申请实施例公开的一种异常指标确定装置的结构示意图。
具体实施方式
本实施例所述的异常指标的确定方法及装置,可以应用在监控应用的运行过程的场景中,在本场景中,应用运行在N个主机上,N为大于或等于1的整数。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开的一种异常指标确定方法,如图1所示,包括以下步骤:
S101:从N个主机的每一个主机中分别获取待测指标的序列;
其中,任意一个待测指标的序列由待测应用在此主机上运行的时间区间内的时刻所对应的待测指标的瞬时值组成。
本实施例中,假设待测应用在一台主机上运行的过程中,待测指标的序列为:
以上各个瞬时值对应的时刻(时间戳)组成的序列为:
其中,m可以依据待测应用在一台主机上运行的时间长度确定,极端情况下,m为1。
本实施例中,具体地,待测指标可以为CPU利用率,内存占用大小,网络延迟等,其瞬时值为一个实数表示,不考虑单位及上下限。
在此步骤中,分别获取H1、H2……HN。
S102:将N个待测指标的序列归一化为目标序列;
也就是说,将H1、H2……HN归一化为一个序列,如图2所示,具体的归一化过程包括以下步骤:
S201:从N个待测指标的序列中的各个瞬时值对应的时刻中选择第一预设时刻与第二预设时刻;
任意一个序列中的所有瞬时值对应的时刻均包括在待测应用在此主机上运行的时间范围内,因此,所有序列中的全部瞬时值对应的时刻反映了待测应用在N个主机上运行的时间范围,本实施例中,从待测应用在N个主机上运行的时间范围中确定第一预设时刻和第二预设时刻,具体地,第一预设时刻可以为所有序列中的全部瞬时值对应的时刻中的最早时刻,第二预设时刻可以为所有序列中的全部瞬时值对应的时刻中的最晚时刻。
例如,如图3所示,以两个主机为例,主机(Host)A中获取的待测指标的序列为V1,HostB中获取的待测指标的序列为V2,其中,V1对应的时间区间为[T1,T2],V2对应的时间区间为[T2,T3],第一预设时刻为T1,第二预设时刻为T3。
S202:确定目标时间区间,目标时间区间的起始时刻为第一预设时刻,目标时间区间的结束时刻为第二预设时刻;
接上例,目标时间区间为[T1,T3]。
S203:将目标时间区间划分为M个单位时间段,其中,M为大于或等于1的整数;
实际应用中,可以依据实际需求划分出M个单位时间段,M个单位时间段可以是均等的,也可以不等长,这里不做限定。例如图3中,M为4。
S204:对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间段内的均值之和作为此单位时间段的目标值;
例如图3中,第一个单位时间段中,包括V1中的三个瞬时值对应的时刻,以及V2中三个瞬时值对应的时刻,则先计算V1的三个瞬时值的均值,再计算V2的三个瞬时值的均值,第一个单位时间段的目标值为这两个均值的总和。
S205:将各个单位时间段的目标值按照时间排列,构成目标序列。
例如图3中,将四个单位时间段的均值按照时间从先到后的顺序排序,得到目标序列。
图2所述的方法,也就是说,如果Host有多个状态值对应同一个单位时间,那么用其均值表示该Host与该单位时间的对应值;如果Host没有状态值对应到某单位时间上,那么该Host与该单位时间无对应值。这样每个Host的状态序列就归一化为了最多有N的值的状态序列,并且不同Host归一化后的状态序列在时间维度是对齐的。将每一个单位时间上的所有Host的对应值相加,得到该指标在该单位时间上的对应值,从而得到描述该指标状态的最多有N个值的状态序列,这样就完成了将多个状态值序列相加成一个状态值序列的处理。
在第一次降维后,进行第二次降维,即:
S103:由目标序列中的各个数值生成状态值;
本实施例中,具体地,状态值可以为目标序列中的各个数值的均值,即目标序列中的各个数值之和除以数值的数量。除此以外,也可以将目标序列中的各个数值进行其它运算得到状态值,这里不做限定。
S104:如果待测指标的状态值不满足预设条件,确定检测到异常指标。
本实施例中所述方法,将待测指标的N个序列先降维成一个序列,再降维为一个数值,依据此数值确定待测指标是否异常,简单易行,从而有利于提高异常响应的及时性。
需要说明的是,本实施例所述的方法,依据低维数据比高维数据运算简便这一客观原理,在对异常指标进行检测的过程中,通过两次降维运算,得到降维结果,再使用降维结果进行异常指标的检测,可见,本实施例所述的方法,为依据客观规律进行的技术方案。
本申请实施例公开的又一种异常指标确定方法,如图4所示,包括以下步骤:
S401:从N个主机的每一个主机中分别获取待测指标的序列,即H1、H2……HN;
S402:计算参考均值;
假设D=[H1,H2,H3…Hn],则参考均值为:
为了简化计算过程,本实施例中,Pi为此待测指标的序列的状态值。
S403:将N个待测指标的序列归一化为目标序列;
S404:由目标序列中的各个数值生成状态值;
S405:如果满足以下条件之一,则确定检测到异常指标。
A阈值策略:待测指标的状态值不在预设的阈值范围内;
具体地,如果大于阈值范围的上限,后者小于阈值范围的下限,均为不在阈值范围内,本实施例中,阈值范围可以依据不同的待测指标及历史经验预先设定。
B趋势策略:待测指标的状态值与预测值之差的绝对值大于第一数值;
通常,应用的运行状态与用户的使用情况一致,例如,当白天用户量比较大时,应用运行的指标之一负载(指标之一)就相应地比较高,相反晚上的负载就会相对低很多。使用阈值策略主要用于监控指标的最高、最低两个峰值,无法检测处于过渡中的状态是否异常。实际上,与用户服务量相关的应用的运行指标,其状态值均遵循一定的趋势平滑变化,不会出现突变,因此本实施例中,依据指标的是否发生突变,来判断指标是否异常。
定义原始数值序列为{xt},时间t从0开始;用{st}表示对应t的平滑后的值,用{bt}表示对应t的趋势值。如果知道t是个的值,那么t+m时间之后的预测值就为:
Ft+m=st+m·bt
这里st与bt定义如下:
s1=x1
b1=x1-x0
st=αxt+(1-α)(st-1+bt-1)
bt=β(st-st-1)+(1-β)bt-1
其中α(0<α<1)是数据平滑因子,β(0<β<1)是趋势平滑因子。
基于以上二次平滑模型的定义,只需要记录上次检测异常时的时间t、平滑值st、趋势值bt,如果当前检测的时间为t′,当前指标值为xt′,根据平滑模型,那么当前时间的预测值就为Ft′=st+(t′-t)·bt,如果|Ft′-xt′|超过一定阈值,就认为当前状态值异常,不符合平滑模型预期值。
注意每次检测后都需要更新所记录的上次检测时间为t′,平滑值为st′=αxt′+(1-α)(st+bt),趋势值为bt′=β(st′-st)+(1-β)bt。趋势策略同样适用于指标在单台主机的状态值,也适用于指标的整体状态值,扩展后的状态值所对应的时间,用原始状态序列对应时间序列的均值表示。
需要注意的是,这里所说的序列并不是同一个时刻,某个指标的状态序列;而是降维后的单个值(序列的状态值),在时间轴上的序列;即不同时刻,降维后的单一值组成的序列。即:x1就是1时刻降维后的值,x2即为2时刻降维后的值。各公式就是在已经有当前和历史降维值的前提下,测未来时刻降维后的值是多少,即为xt。
C周期策略:多个历史状态值中与所述状态值的差异大于第二数值的历史状态值的数量在多个历史状态值中所占的比例大于第三数值,其中,历史状态值为状态值之前的历史检测周期中得到的状态值;
定义参与检测的周期个数为X,周期长度为T,那么当前状态值S0要与前N个历史检测周期中得到的历史状态值{S1,S2,S3,…SN}进行对比,这里每个状态的时间间隔为T。如果S0与历史状态Si的差异超过一定阈值,就认为从Si来看,S0的状态是异常的,定义{S1,S2,S3,…SN}中认为S0为异常值的历史状态数为Y,如果Y/X>第三数值(例如1/2),则确定待测指标异常,不符合周期策略的预期。
D奇异值策略:如果N个待测指标的序列中任意一个序列的均值与参考均值的差异大于第四数值,确定待测指标异常,其中,任意一个序列的均值为所述序列中瞬时值的均值,参考均值如前所述;
通常认为从多机负载均衡的角度来衡量,指标在各个主机上的状态值应该一致,不存在某个主机的状态值比其在其它主机的状态值低很多或高很多的情况。如果存在这样的情况,则确定指标出现异常。
E可用性策略:如果N小于第五数值,确定检测到异常指标。
此条件不关注具体的状态值,只关注由多少主机汇报该指标。如果n小于一定阈值,即认为该指标状态异常,不符合可用性预期。
本实施例中,使用不同角度的五种条件作为指标是否异常的依据,只要不满足其中之一,则确定指标异常,五种条件从不同关注点出发,提出相应的检测策略,组成一套***的检测方案,覆盖了常见的异常判断准则,基本上满足了运维、开发人员对异常监控告警的需求,为自动化运维,自动化异常告警提供了一套通用的理论方案。
与上述方法实施例相对应地,本申请实施例还提供了一种异常指标检测装置,如图5所示,包括:
获取模块501,用于从N个主机中分别获取每一个主机的待测指标的序列,其中,任意一个待测指标的序列由待测应用在此主机上运行的时间区间内的时刻所对应的所述待测指标的瞬时值组成,N为大于或等于1的整数;
划分模块502,用于将目标时间区间划分为M个单位时间段,所述目标时间区间依据所述待测应用在所述N个主机上运行的时间区间确定,其中,M为大于或等于1的整数;
计算模块503,用于对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值;
排序模块504,用于通过将所述各个单位时间段的目标值按照时间排列,得到目标序列;
状态值生成模块505,用于由所述目标序列中的各个数值生成状态值;
异常确定模块506,用于如果所述状态值不满足预设条件,确定检测到异常指标。
具体地,划分模块502进一步包括:选择单元5021,用于从所述N个待测指标的序列中的各个瞬时值对应的时刻中选择第一预设时刻与第二预设时刻;以及确定单元5022,用于确定目标时间区间,所述目标时间区间的起始时刻为所述第一预设时刻,所述目标时间区间的结束时刻为所述第二预设时刻。
具体地,状态值生成模块505由所述目标序列中的各个数值生成状态值的具体实现方式为:计算所述目标序列中的各个数值的均值,所述均值为所述状态值。
具体地,异常确定模块确定检测到异常指标的具体实现方式为:如果所述待测指标的状态值不满足以下条件之一,确定检测到异常指标:所述状态值不在预设的阈值范围内;所述状态值与预测值之差的绝对值大于第一数值,所述预测值依据所述状态值得到;多个历史状态值中与所述状态值的差异大于第二数值的历史状态值的数量在所述多个历史状态值中所占的比例大于第三数值,所述历史状态值为所述状态值之前的历史检测周期中得到的状态值。
进一步地,如果所述N个待测指标的序列中任意一个序列的均值与参考均值的差异大于第四数值,确定检测到异常指标,所述任意一个序列的均值为所述序列中瞬时值的均值,所述参考均值为所述N个待测指标的序列中的每一个序列的均值的平均值;如果所述N小于第五数值,确定检测到异常指标。
本实施例所述的装置,将待测指标的N个序列经过两次降维得到一个数值,依据此数值确定待测指标是否异常,简单易行,从而有利于提高异常响应的及时性,并且,依据不同角度的检测条件进行异常指标的检测,从而具有较好的通用性。
本申请实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种异常指标检测方法,其特征在于,包括:
从N个主机中分别获取每一个主机的待测指标的序列,其中,任意一个待测指标的序列由待测应用在此主机上运行的时间区间内的时刻所对应的所述待测指标的瞬时值组成,N为大于或等于1的整数;
将目标时间区间划分为M个单位时间段,所述目标时间区间依据所述待测应用在所述N个主机上运行的时间区间确定,其中,M为大于或等于1的整数;
对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值;
通过将所述各个单位时间段的目标值按照时间排列,得到目标序列;
由所述目标序列中的各个数值生成状态值;
如果所述状态值不满足预设条件,确定检测到异常指标。
2.根据权利要求1所述的方法,其特征在于,所述将目标时间区间划分为M个单位时间段包括:
从所述N个待测指标的序列中的各个瞬时值对应的时刻中选择第一预设时刻与第二预设时刻;
确定目标时间区间,所述目标时间区间的起始时刻为所述第一预设时刻,所述目标时间区间的结束时刻为所述第二预设时刻。
3.根据权利要求1或2所述的方法,其特征在于,所述由所述目标序列中的各个数值生成状态值包括:
计算所述目标序列中的各个数值的均值,所述均值为所述状态值。
4.根据权利要求1所述的方法,其特征在于,所述如果所述待测指标的状态值不满足预设条件,确定检测到异常指标包括:
如果所述待测指标的状态值不满足以下条件之一,确定检测到异常指标:
所述状态值不在预设的阈值范围内;
所述状态值与预测值之差的绝对值大于第一数值,所述预测值依据所述状态值得到;
多个历史状态值中与所述状态值的差异大于第二数值的历史状态值的数量在所述多个历史状态值中所占的比例大于第三数值,所述历史状态值为所述状态值之前的历史检测周期中得到的状态值。
5.根据权利要求1或4所述的方法,其特征在于,还包括:
如果所述N个待测指标的序列中任意一个序列的均值与参考均值的差异大于第四数值,确定检测到异常指标,所述任意一个序列的均值为所述序列中瞬时值的均值,所述参考均值为所述N个待测指标的序列中的每一个序列的均值的平均值;
如果所述N小于第五数值,确定检测到异常指标。
6.一种异常指标检测装置,其特征在于,包括:
获取模块,用于从N个主机中分别获取每一个主机的待测指标的序列,其中,任意一个待测指标的序列由待测应用在此主机上运行的时间区间内的时刻所对应的所述待测指标的瞬时值组成,N为大于或等于1的整数;
划分模块,用于将目标时间区间划分为M个单位时间段,所述目标时间区间依据所述待测应用在所述N个主机上运行的时间区间确定,其中,M为大于或等于1的整数;
计算模块,用于对于每一个单位时间段,计算N个待测指标的序列中每一个序列对应此单位时间段内的时刻的瞬时值的均值,并将此单位时间内的均值之和作为此单位时间段的目标值;
排序模块,用于通过将所述各个单位时间段的目标值按照时间排列,得到目标序列;
状态值生成模块,用于由所述目标序列中的各个数值生成状态值;
异常确定模块,用于如果所述状态值不满足预设条件,确定检测到异常指标。
7.根据权利要求6所述的装置,其特征在于,所述划分模块包括:
选择单元,用于从所述N个待测指标的序列中的各个瞬时值对应的时刻中选择第一预设时刻与第二预设时刻;
确定单元,用于确定目标时间区间,所述目标时间区间的起始时刻为所述第一预设时刻,所述目标时间区间的结束时刻为所述第二预设时刻。
8.根据权利要求6或7所述的装置,其特征在于,所述状态值生成模块用于由所述目标序列中的各个数值生成状态值包括:
所述状态值生成模块具体用于,计算所述目标序列中的各个数值的均值,所述均值为所述状态值。
9.根据权利要求6所述的装置,其特征在于,所述异常确定模块用于如果所述状态值不满足预设条件,确定检测到异常指标包括:
所述异常确定模块具体用于,如果所述待测指标的状态值不满足以下条件之一,确定检测到异常指标:
所述状态值不在预设的阈值范围内;
所述状态值与预测值之差的绝对值大于第一数值,所述预测值依据所述状态值得到;
多个历史状态值中与所述状态值的差异大于第二数值的历史状态值的数量在所述多个历史状态值中所占的比例大于第三数值,所述历史状态值为所述状态值之前的历史检测周期中得到的状态值。
10.根据权利要求6或9所述的装置,其特征在于,所述异常确定模块还用于:
如果所述N个待测指标的序列中任意一个序列的均值与参考均值的差异大于第四数值,确定检测到异常指标,所述任意一个序列的均值为所述序列中瞬时值的均值,所述参考均值为所述N个待测指标的序列中的每一个序列的均值的平均值;
如果所述N小于第五数值,确定检测到异常指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510856629.0A CN105262647A (zh) | 2015-11-27 | 2015-11-27 | 一种异常指标检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510856629.0A CN105262647A (zh) | 2015-11-27 | 2015-11-27 | 一种异常指标检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105262647A true CN105262647A (zh) | 2016-01-20 |
Family
ID=55102164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510856629.0A Pending CN105262647A (zh) | 2015-11-27 | 2015-11-27 | 一种异常指标检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105262647A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106100937A (zh) * | 2016-08-17 | 2016-11-09 | 北京百度网讯科技有限公司 | ***监控方法和装置 |
CN107330994A (zh) * | 2017-06-30 | 2017-11-07 | 联想(北京)有限公司 | 运行状态的切换时刻获取方法及电子设备 |
CN107451029A (zh) * | 2016-06-01 | 2017-12-08 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及装置、设备 |
CN108566320A (zh) * | 2018-03-28 | 2018-09-21 | 青岛海信智慧家居***股份有限公司 | 一种信息上报的方法及电子设备 |
CN108694633A (zh) * | 2017-04-06 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 订单异常检测和处理法、装置、电子设备和可读存储介质 |
CN109034180A (zh) * | 2018-05-31 | 2018-12-18 | 东软集团股份有限公司 | 异常检测方法、装置、计算机可读存储介质及电子设备 |
CN109144820A (zh) * | 2018-08-31 | 2019-01-04 | 新华三信息安全技术有限公司 | 一种异常主机的检测方法及装置 |
CN109242135A (zh) * | 2018-07-16 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种模型运营方法、装置、及业务服务器 |
CN109558295A (zh) * | 2018-11-15 | 2019-04-02 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN110110160A (zh) * | 2017-12-29 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
CN110399903A (zh) * | 2019-06-28 | 2019-11-01 | 上海上湖信息技术有限公司 | 异常数据的检测方法及装置、计算机可读存储介质 |
CN113381902A (zh) * | 2020-03-10 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 跨地区的网络链路的检测方法、装置和计算机存储介质 |
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317681A (zh) * | 2014-09-02 | 2015-01-28 | 上海交通大学 | 针对计算机***的行为异常自动检测方法及检测*** |
CN104796301A (zh) * | 2015-03-31 | 2015-07-22 | 北京奇艺世纪科技有限公司 | 网络流量异常判断方法和装置 |
CN105071983A (zh) * | 2015-07-16 | 2015-11-18 | 清华大学 | 一种面向云计算在线业务的异常负载检测方法 |
-
2015
- 2015-11-27 CN CN201510856629.0A patent/CN105262647A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104317681A (zh) * | 2014-09-02 | 2015-01-28 | 上海交通大学 | 针对计算机***的行为异常自动检测方法及检测*** |
CN104796301A (zh) * | 2015-03-31 | 2015-07-22 | 北京奇艺世纪科技有限公司 | 网络流量异常判断方法和装置 |
CN105071983A (zh) * | 2015-07-16 | 2015-11-18 | 清华大学 | 一种面向云计算在线业务的异常负载检测方法 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451029A (zh) * | 2016-06-01 | 2017-12-08 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及装置、设备 |
CN107451029B (zh) * | 2016-06-01 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及装置、设备 |
CN106100937B (zh) * | 2016-08-17 | 2019-05-10 | 北京百度网讯科技有限公司 | ***监控方法和装置 |
CN106100937A (zh) * | 2016-08-17 | 2016-11-09 | 北京百度网讯科技有限公司 | ***监控方法和装置 |
CN108694633B (zh) * | 2017-04-06 | 2021-09-03 | 北京京东尚科信息技术有限公司 | 订单异常检测和处理法、装置、电子设备和可读存储介质 |
CN108694633A (zh) * | 2017-04-06 | 2018-10-23 | 北京京东尚科信息技术有限公司 | 订单异常检测和处理法、装置、电子设备和可读存储介质 |
CN107330994A (zh) * | 2017-06-30 | 2017-11-07 | 联想(北京)有限公司 | 运行状态的切换时刻获取方法及电子设备 |
US10917424B2 (en) | 2017-12-29 | 2021-02-09 | Advanced New Technologies Co., Ltd. | Method and device for determining data anomaly |
US10917426B2 (en) | 2017-12-29 | 2021-02-09 | Advanced New Technologies Co., Ltd. | Method and device for determining data anomaly |
CN110110160A (zh) * | 2017-12-29 | 2019-08-09 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
CN110110160B (zh) * | 2017-12-29 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 确定数据异常的方法及装置 |
CN108566320A (zh) * | 2018-03-28 | 2018-09-21 | 青岛海信智慧家居***股份有限公司 | 一种信息上报的方法及电子设备 |
CN109034180B (zh) * | 2018-05-31 | 2020-11-03 | 东软集团股份有限公司 | 异常检测方法、装置、计算机可读存储介质及电子设备 |
CN109034180A (zh) * | 2018-05-31 | 2018-12-18 | 东软集团股份有限公司 | 异常检测方法、装置、计算机可读存储介质及电子设备 |
CN109242135A (zh) * | 2018-07-16 | 2019-01-18 | 阿里巴巴集团控股有限公司 | 一种模型运营方法、装置、及业务服务器 |
CN109242135B (zh) * | 2018-07-16 | 2021-12-21 | 创新先进技术有限公司 | 一种模型运营方法、装置、及业务服务器 |
CN109144820A (zh) * | 2018-08-31 | 2019-01-04 | 新华三信息安全技术有限公司 | 一种异常主机的检测方法及装置 |
CN109558295A (zh) * | 2018-11-15 | 2019-04-02 | 新华三信息安全技术有限公司 | 一种性能指标异常检测方法及装置 |
CN110399903A (zh) * | 2019-06-28 | 2019-11-01 | 上海上湖信息技术有限公司 | 异常数据的检测方法及装置、计算机可读存储介质 |
CN113381902A (zh) * | 2020-03-10 | 2021-09-10 | 腾讯科技(深圳)有限公司 | 跨地区的网络链路的检测方法、装置和计算机存储介质 |
CN113381902B (zh) * | 2020-03-10 | 2024-01-30 | 腾讯科技(深圳)有限公司 | 跨地区的网络链路的检测方法、装置和计算机存储介质 |
CN116304958A (zh) * | 2023-05-22 | 2023-06-23 | 山东中都机器有限公司 | 一种井下水处理异常智能监测***及方法 |
CN116304958B (zh) * | 2023-05-22 | 2023-08-22 | 山东中都机器有限公司 | 一种井下水处理异常智能监测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105262647A (zh) | 一种异常指标检测方法及装置 | |
CN105183614A (zh) | 一种数据库故障预测方法及装置 | |
Khodabakhshi et al. | Ranking all units in data envelopment analysis | |
CN110069810A (zh) | 电池故障预测方法、装置、设备和可读存储介质 | |
CN102576326B (zh) | 操作监测设备、操作监测方法和程序存储介质 | |
CN105468510A (zh) | 对软件质量进行评估与追踪的方法和*** | |
CN105468512A (zh) | 一种对软件质量进行评估的方法和*** | |
CN103617466B (zh) | 一种商品需求预测模型的综合评价方法 | |
CN102129397A (zh) | 一种自适应磁盘阵列故障预测方法及*** | |
CN105979532B (zh) | 一种业务处理***的性能容量分析预警方法及装置 | |
WO2016141739A1 (zh) | 一种基于动态聚类的电力市场供需预警模型的建立方法 | |
CN117913830B (zh) | 一种抽水蓄能电站的资源调度方法和*** | |
US8140775B1 (en) | Allocating background workflows in a data storage system using autocorrelation | |
CN117971488A (zh) | 分布式数据库集群的存储管理方法及相关装置 | |
CN114118839A (zh) | 一种电网恢复力评估方法及装置、电子设备、存储介质 | |
CN116882820A (zh) | 用于电力营销的态势分析方法、装置及计算机设备 | |
CN112926801B (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN115907389A (zh) | 一种基于用户画像的城区尺度需求响应潜力电力用户定位方法、***及介质 | |
CN115375082A (zh) | 电热网协同运行决策处理方法、装置以及电子设备 | |
Bhattarai et al. | Definition of market performance metrics to enable design and valuation of retail transactive energy system markets | |
Oh et al. | A method for identifying market power | |
Belyaev | A practical approach to choosing alternate solutions to complex optimization problems under uncertainty | |
CN103189892A (zh) | 操作状态可视化***、操作状态可视化方法以及程序 | |
CN116979529B (zh) | 电力负荷评估方法、***、设备及存储介质 | |
CN104978604A (zh) | 一种基于业务能力模型的模拟仿真方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160120 |