CN105577402A - 基于历史数据的业务异常监控方法及设备 - Google Patents
基于历史数据的业务异常监控方法及设备 Download PDFInfo
- Publication number
- CN105577402A CN105577402A CN201410537501.3A CN201410537501A CN105577402A CN 105577402 A CN105577402 A CN 105577402A CN 201410537501 A CN201410537501 A CN 201410537501A CN 105577402 A CN105577402 A CN 105577402A
- Authority
- CN
- China
- Prior art keywords
- monitoring period
- actual volume
- change
- period
- business rate
- 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.)
- Granted
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明的实施例公开了一种基于历史数据的业务异常监控方法及设备。该方法包括基于一段时间的历史数据,确定当前监控周期的业务量范围,以及在当前监控周期的实际业务量超出该业务量范围时,将当前监控周期识别为业务异常。根据本发明的实施例,基于历史数据来确定当前监控周期的业务量范围,即确定当前监控周期的实际业务量所允许波动的范围,因此该范围能够根据历史数据来相应变化,从而能够良好适应业务量在高峰、平峰和低谷时的波动。
Description
技术领域
本发明的实施例涉及业务监控领域,具体涉及一种基于历史数据的业务异常监控方法及设备。
背景技术
目前,监控***广泛应用于各个公司,用于各个公司监控其自身的业务量。例如,互联网公司可以通过监控***来监控某业务的在线人数、提交订单数、实现成交数等,从而确定该业务是否存在异常。
图1是图示了根据相关技术的监控方法的示意图,其中用粗实线示出了在一段时间内采集的实际业务量。其中,在时段1-286中,该实际业务量包括若干个高峰、平峰和低谷。同时,该监控方法还需要通过人工方式来设置阈值(如虚线所示)。进而,如果该实际业务量超出该阈值,则该监控***将确定该业务存在异常。例如,在攻击者使用病毒代码感染大量计算设备,并且通过这些计算设备向业务服务器提交大量订单时,该监控***可以监控到提交订单量突增并且超出相应的阈值,因此该监控***可以确定提交订单业务存在异常,并且可以发出报警。
然而,上述监控***在监控敏感度和准确度方面将表现不佳。具体来说,由于该监控方法始终采用固定的人工阈值,因此难以适应业务量的波动,特别是难以适应业务量在高峰、平峰和低谷之间的波动。例如,对于实际业务量不高的时段(例如时段56-76),实际业务量可能已经发生较大变化(例如从300增加到600),但是由于该变化仍然没有超过该固定的人工阈值(例如780),从而该监控方法难以敏感地、准确地监控到业务存在异常。
发明内容
本发明的实施例旨在提供一种基于历史数据的业务异常监控方法及设备,能够解决相关技术中监控方法难以敏感地、准确地监控到业务存在异常的问题。
根据本发明的一个方面,提供了一种基于历史数据的业务异常监控方法,包括:基于一段时间的历史数据,确定当前监控周期的业务量范围;以及在该当前监控周期的实际业务量超出该业务量范围时,将当前监控周期识别为业务异常。
在一个实施例中,基于一段时间的历史数据,确定当前监控周期的业务量范围包括:基于该段时间中的上一监控周期的实际业务量,确定该当前监控周期的预测业务变化量;以及基于该上一监控周期的实际业务量以及该预测业务变化量,确定该业务量范围。
在一个实施例中,基于该上一监控周期的实际业务量与该预测业务变化量,确定该业务量范围包括:将该业务量范围的上限确定为该上一监控周期的实际业务量与该预测业务变化量的和;以及将该业务量范围的下限确定为该上一监控周期的实际业务量与该预测业务变化量的差。
在一个实施例中,基于该段时间中的上一监控周期的实际业务量,确定该当前监控周期的预测业务变化量包括:基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率;以及基于该上一监控周期的实际业务量和该预测业务变化率,确定该当前监控周期的预测业务变化量。
在一个实施例中,在基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率之前,还包括:基于该段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定该第二监控周期的实际业务变化率;以及确定该第一监控周期的实际业务量与该第二监控周期的实际业务变化率之间的第一关联关系;其中基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率包括:基于该上一监控周期的实际业务量以及该第一关联关系,确定该预测业务变化率。
在一个实施例中,基于该段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定该第二监控周期的实际业务变化率包括:将该第二监控周期的实际业务变化率确定为该第二监控周期的实际业务量与该第一监控周期的实际业务量的商或者差。
在一个实施例中,确定该第一监控周期的实际业务量与该第二监控周期的实际业务变化率之间的第一关联关系包括:确定以该第一监控周期的实际业务量作为自变量、以该第二监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。
在一个实施例中,确定该函数包括:确定包括如下所有离散点的包络线作为该函数所对应的曲线:该所有离散点中的每个离散点分别对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率。
在一个实施例中,该所有离散点中的每个离散点的横坐标分别是该第一监控周期的实际业务量,该所有离散点中的每个离散点的纵坐标分别是该第二监控周期的实际业务变化率与1的差平方。
在一个实施例中,确定该函数包括:确定对如下离散点的拟合线作为该函数所对应的曲线:该离散点对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率;以及在预定大小的滑动窗口的滑动过程中,该第二监控周期的实际业务变化率是与该滑动窗口中的所有离散点中的每个离散点分别对应的监控周期的实际业务变化率中的最大值。
在一个实施例中,该离散点的横坐标是该第一监控周期的实际业务量,该离散点的纵坐标是该第二监控周期的实际业务变化率与1的差平方。
在一个实施例中,该函数是底数为欧拉数e的指数函数或者是幂函数。
在一个实施例中,在基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率之前,还包括:基于该段时间中的该上一监控周期以前的第三监控周期和第四监控周期的实际业务量,确定该第四监控周期的实际业务变化率;以及确定该第三监控周期的另一实际业务量与该第四监控周期的实际业务变化率之间的第二关联关系;其中基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率包括:基于该上一监控周期的实际业务量以及该第二关联关系,确定该预测业务变化率。
在一个实施例中,确定该第三监控周期的另一实际业务量与该第四监控周期的实际业务变化率之间的第二关联关系包括:确定以该第三监控周期的另一实际业务量作为自变量、以该第四监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。
根据本发明的另一个方面,提供了一种基于历史数据的业务异常监控设备,包括:第一确定装置,用于基于一段时间的历史数据,确定当前监控周期的业务量范围;以及识别装置,用于在该当前监控周期的实际业务量超出该业务量范围时,将当前监控周期识别为业务异常。
在一个实施例中,该第一确定装置包括:第一确定单元,用于基于该段时间中的上一监控周期的实际业务量,确定该当前监控周期的预测业务变化量;以及第二确定单元,用于基于该上一监控周期的实际业务量以及该预测业务变化量,确定该业务量范围。
在一个实施例中,该第二确定单元包括:第一确定子单元,用于将该业务量范围的上限确定为该上一监控周期的实际业务量与该预测业务变化量的和;以及第二确定子单元,用于将该业务量范围的下限确定为该上一监控周期的实际业务量与该预测业务变化量的差。
在一个实施例中,该第一确定单元包括:第三确定子单元,用于基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率;以及第四确定子单元,用于基于该上一监控周期的实际业务量和该预测业务变化率,确定该当前监控周期的预测业务变化量。
在一个实施例中,该业务异常监控设备还包括:第二确定装置,用于基于该段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定该第二监控周期的实际业务变化率;以及第三确定装置,用于确定该第一监控周期的实际业务量与该第二监控周期的实际业务变化率之间的第一关联关系;其中该第三确定子单元基于该上一监控周期的实际业务量以及该第一关联关系,确定该预测业务变化率。
在一个实施例中,该第二确定装置包括:第三确定单元,用于将该第二监控周期的实际业务变化率确定为该第二监控周期的实际业务量与该第一监控周期的实际业务量的商或者差。
在一个实施例中,该第三确定装置包括:第四确定单元,用于确定以该第一监控周期的实际业务量作为自变量、以该第二监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。
在一个实施例中,该第四确定单元用于确定包括如下所有离散点的包络线作为该函数所对应的曲线:该所有离散点中的每个离散点分别对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率。
在一个实施例中,该所有离散点中的每个离散点的横坐标分别是该第一监控周期的实际业务量,该所有离散点中的每个离散点的纵坐标分别是该第二监控周期的实际业务变化率与1的差平方。
在一个实施例中,该第四确定单元用于确定对如下离散点的拟合线作为该函数所对应的曲线:该离散点对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率;以及在预定大小的滑动窗口的滑动过程中,该第二监控周期的实际业务变化率是与该滑动窗口中的所有离散点中的每个离散点分别对应的监控周期的实际业务变化率中的最大值。
在一个实施例中,该离散点的横坐标是该第一监控周期的实际业务量,该离散点的纵坐标是该第二监控周期的实际业务变化率与1的差平方。
在一个实施例中,该函数是底数为欧拉数e的指数函数或者是幂函数。
在一个实施例中,该业务异常监控设备还包括:第四确定装置,用于基于该段时间中的该上一监控周期以前的第三监控周期和第四监控周期的实际业务量,确定该第四监控周期的实际业务变化率;以及第五确定装置,用于确定该第三监控周期的另一实际业务量与该第四监控周期的实际业务变化率之间的第二关联关系;其中该第三确定子单元基于该上一监控周期的实际业务量以及该第二关联关系,确定该预测业务变化率。
在一个实施例中,该第五确定装置包括:第五确定单元,用于确定以该第三监控周期的另一实际业务量作为自变量、以该第四监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是图示了根据相关技术的监控方法的示意图;
图2是图示了根据本发明的实施例的基于历史数据的业务异常监控方法的流程图;
图3是图示了根据图2的基于历史数据的业务异常监控方法的示意图;以及
图4是图示了根据本发明的实施例的基于历史数据的业务异常监控设备的结构框图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图2是图示了根据本发明的实施例的基于历史数据的业务异常监控方法的流程图,其中包括如下的步骤S202至步骤S204。
如图2所示,在步骤S202,基于一段时间的历史数据,确定当前监控周期的业务量范围。在步骤S204,在当前监控周期的实际业务量超出该业务量范围时,将当前监控周期识别为业务异常。
在这一实施例中,根据历史数据来确定当前监控周期的业务量范围,即确定当前监控周期的实际业务量所允许波动的范围,因此该范围能够根据历史数据来相应变化,从而能够良好适应业务量在高峰、平峰和低谷时的波动。
图3是图示了根据图2的基于历史数据的业务异常监控方法的示意图,其中用粗实线示出了在一段时间内的实际业务量。为了清楚说明,图3所采用的实际业务量曲线与图1相同。同时,图3还包括基于历史数据而确定的业务量范围(如虚线所示)。由于该业务量范围能够根据历史数据来相应变化,因此无论业务量在高峰、平峰和低谷波动,都能够敏感地、准确地监控到业务存在异常。
根据本发明的一个实施例,可以通过如下步骤来确定当前监控周期的业务量范围:步骤(1)基于这一段时间中的上一监控周期的实际业务量,确定当前监控周期的预测业务变化量;步骤(2)基于该上一监控周期的实际业务量以及该预测业务变化量,确定该业务量范围。对于步骤(2),例如可以将该业务量范围的上限确定为上一监控周期的实际业务量与预测业务变化量的和,并且将该业务量范围的下限确定为上一监控周期的实际业务量与预测业务变化量的差。
根据本发明的实施例,可以通过多种方式或算法来实现上述步骤(1)从而确定上述预测业务变化量。例如,上述预测业务变化量可以通过本发明所提供的如下操作来确定:基于上一监控周期的实际业务量,确定当前监控周期的预测业务变化率;基于上一监控周期的实际业务量和该预测业务变化率,确定该预测业务变化量。例如,该预测业务变化量可以为上一监控周期的实际业务量和该预测业务变化率的乘积。
根据本发明的实施例,可以通过多种方式或算法来确定上述预测业务变化率。例如,上述预测业务变化率可以根据上述历史数据来确定。具体来说,根据上述历史数据确定例如如下将详细描述的函数的第一关联关系,从而基于该第一关联关系和上一监控周期的实际业务量来确定该预测业务变化率。
在这一实施例中,上述函数可以描述如下:以一段时间中的上一监控周期以前的第一监控周期的实际业务量作为自变量、以一段时间中的上一监控周期以前的第二监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。其中,该函数所对应的曲线可以是包括如下所有离散点的包络线:所有离散点中的每个离散点分别对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率,其中该第二监控周期的实际业务变化率可以被确定为该第二监控周期的实际业务量与该第一监控周期的实际业务量的商或者差。附加地或者备选地,所有离散点中的每个离散点的横坐标分别是第一监控周期的实际业务量,所有离散点中的每个离散点的纵坐标分别是第二监控周期的实际业务变化率与1的差平方。
在这一实施例中,上述函数还可以描述如下:以一段时间中的上一监控周期以前的第一监控周期的实际业务量作为自变量、以一段时间中的上一监控周期以前的第二监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。其中,该函数所对应的曲线是对如下离散点的拟合线:该离散点对应于第一监控周期的实际业务量和第二监控周期的实际业务变化率;以及在预定大小的滑动窗口的滑动过程中,第二监控周期的实际业务变化率是与该滑动窗口中的所有离散点中的每个离散点分别对应的监控周期的实际业务变化率中的最大值,其中该第二监控周期的实际业务变化率可以被确定为该第二监控周期的实际业务量与该第一监控周期的实际业务量的商或者差。附加地或者备选地,该离散点的横坐标是该第一监控周期的实际业务量,该离散点的纵坐标是该第二监控周期的实际业务变化率与1的差平方。
在这一实施例中,上述函数可以是底数为欧拉数e的指数函数或者是幂函数。
本发明还提供了一个具体实施例,用来对上述根据本发明的实施例的基于历史数据的业务异常监控方法的实现过程进行详细描述。下面将参考附图来描述这一具体实施例。
在这一具体实施例中,基于历史数据的业务异常监控方法从总体上包括离线训练阶段和在线监控阶段。其中,离线训练阶段的任务在于根据一段时间的历史数据,训练得到当前监控周期的预测业务变化率相对于上一监控周期的实际业务量的关联关系;在线监控阶段的任务在于根据所得到的关联关系和上一监控周期的实际业务量来确定当前监控周期的预测业务变化率并且进而确定当前监控周期的业务量范围,以及根据该业务量范围来监控当前监控周期的实际业务量。例如,离线训练阶段可以根据之前一个月的历史数据来进行训练并且每天训练一次,而在线监控阶段可以根据上一监控周期的实际业务量来确定当前监控周期的业务量范围。
在这一具体实施例中,所训练得到的关联关系可以采用函数f(x)来表示,其中,x为上一监控周期的实际业务量,f(x)为当前监控周期的预测业务变化率。因此,根据上述本发明的实施例的基于历史数据的业务异常监控方法,本领域技术人员可以理解,当前监控周期的预测业务变化量可以为x与f(x)的乘积,即xf(x),而当前监控周期的业务量范围可以为[x-xf(x),x+xf(x)]。
如上所述,函数f(x)是根据一段时间的历史数据而训练得到的。具体来说,函数f(x)可以根据这一段时间中的第一监控周期和第二监控周期的实际业务量来确定。例如,将第二监控周期的实际业务变化率确定为第二监控周期的实际业务量与第一监控周期的实际业务量的商或者差,以及根据第二监控周期的实际业务变化率和第一监控周期的实际业务量来确定函数f(x)。
为了计算简便起见,本具体实施例可以例如采用如下步骤来确定函数f(x):
第一,选择最近1个月的历史数据,按时间先后顺序进行采集,以获得各个历史监控周期的实际业务量,记为向量A。其中,该采集方式可以是每间隔t分钟采集一次、每次对于采集时刻以前的累计r分钟的实际业务量进行采集,同时为使所确定的函数f(x)更准确,通常取r>t。例如,r=5,t=1。
第二,对向量A中相邻的两个监控周期的实际业务量求商,作为在后的监控周期的实际业务变化率,记为向量B。
第三,计算向量B与1的差平方,记为向量C。
第四,将向量A和向量C中相应的项组成矩阵U,例如下表1所示。
表1向量A和向量C所组成的矩阵U
向量A | 向量B | 向量C |
20 | 1 | 0 |
50 | 2.5 | 2.25 |
30 | 0.6 | 0.16 |
60 | 2 | 1 |
40 | 0.66 | 0.11 |
20 | 0.5 | 0.25 |
30 | 1.5 | 0.25 |
50 | 1.6 | 0.36 |
第五,按照向量A从小到大的顺序对矩阵U进行排序,从而得到矩阵V,例如下表2所示。
表2矩阵U排序所得到的矩阵V
向量A | 向量C |
20 | 0 |
20 | 0.25 |
30 | 0.16 |
30 | 0.25 |
40 | 0.11 |
50 | 0.36 |
50 | 2.25 |
60 | 1 |
第六,将预定大小的滑动窗口沿着矩阵V进行滑动,在滑动过程中,依次确定滑动窗口内的最大值并将其组成矩阵W。例如,在该滑动窗口能够覆盖上表2中的连续3行的情况下,矩阵W如下表3所示。
表3矩阵W
向量A | 向量C |
20 | 0.25 |
30 | 0.25 |
50 | 0.36 |
50 | 2.25 |
第七,假设函数f(x)是底数为欧拉数e的指数函数(即f(x)=ae-bx)或者是幂函数(即f(x)=axb+c)以对矩阵W进行拟合,从而得到函数f(x)作为离线训练***的输出。
在这一具体实施例中,当在线监控阶段启动时,载入离线训练***所输出的函数f(x)。然后,如上所述,根据上一监控周期的实际业务量x,计算当前监控周期的业务量范围[x-xf(x),x+xf(x)]。下面参照表4来描述针对这一具体实施例的计算示例。
表4实际业务量与业务量范围的对应关系表
例如,当在线监控阶段启动时,如果上一监控周期的业务量为400,那么当前监控周期的业务量范围为:[400*0.841385,400*1.158615]。
然后,采集当前监控周期的实际业务量x’并且与该业务量范围进行比较。如果x’在该业务量范围内,则识别为正常情况,否则识别为业务异常并且发出报警,从而提醒报警值班人员及时响应。
另外,本发明的实施例还提供了一种离线训练方法。该方法与上述方法的区别在于,基于该段时间中的上一监控周期以前的第三监控周期和第四监控周期的实际业务量,确定第四监控周期的实际业务变化率,以及确定第三监控周期的另一实际业务量与第四监控周期的实际业务变化率之间的第二关联关系。其中,对于第三监控周期的另一实际业务量,可以是与实际业务量相关的另一实际业务量。例如,当实际业务量是提交订单数时,另一实际业务量可以是在线人数、实现成交数等等。
图4是图示了根据本发明的实施例的基于历史数据的业务异常监控设备的结构框图。如图4所示,该业务异常监控设备包括第一确定装置402,用于基于一段时间的历史数据,确定当前监控周期的业务量范围;以及识别装置404,用于在所述当前监控周期的实际业务量超出所述业务量范围时,将当前监控周期识别为业务异常。
根据本发明的一个实施例,该第一确定装置包括:第一确定单元,用于基于该段时间中的上一监控周期的实际业务量,确定该当前监控周期的预测业务变化量;以及第二确定单元,用于基于该上一监控周期的实际业务量以及该预测业务变化量,确定该业务量范围。
根据本发明的一个实施例,该第二确定单元包括:第一确定子单元,用于将该业务量范围的上限确定为该上一监控周期的实际业务量与该预测业务变化量的和;以及第二确定子单元,用于将该业务量范围的下限确定为该上一监控周期的实际业务量与该预测业务变化量的差。
根据本发明的一个实施例,该第一确定单元包括:第三确定子单元,用于基于该上一监控周期的实际业务量,确定该当前监控周期的预测业务变化率;以及第四确定子单元,用于基于该上一监控周期的实际业务量和该预测业务变化率,确定该当前监控周期的预测业务变化量。
根据本发明的一个实施例,该业务异常监控设备还包括:第二确定装置,用于基于该段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定该第二监控周期的实际业务变化率;以及第三确定装置,用于确定该第一监控周期的实际业务量与该第二监控周期的实际业务变化率之间的第一关联关系;其中该第三确定子单元基于该上一监控周期的实际业务量以及该第一关联关系,确定该预测业务变化率。
根据本发明的一个实施例,该第二确定装置包括:第三确定单元,用于将该第二监控周期的实际业务变化率确定为该第二监控周期的实际业务量与该第一监控周期的实际业务量的商或者差。
根据本发明的一个实施例,该第三确定装置包括:第四确定单元,用于确定以该第一监控周期的实际业务量作为自变量、以该第二监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。
根据本发明的一个实施例,该第四确定单元用于确定包括如下所有离散点的包络线作为该函数所对应的曲线:该所有离散点中的每个离散点分别对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率。
根据本发明的一个实施例,该所有离散点中的每个离散点的横坐标分别是该第一监控周期的实际业务量,该所有离散点中的每个离散点的纵坐标分别是该第二监控周期的实际业务变化率与1的差平方。
根据本发明的一个实施例,该第四确定单元用于确定对如下离散点的拟合线作为该函数所对应的曲线:该离散点对应于该第一监控周期的实际业务量和该第二监控周期的实际业务变化率;以及在预定大小的滑动窗口的滑动过程中,该第二监控周期的实际业务变化率是与该滑动窗口中的所有离散点中的每个离散点分别对应的监控周期的实际业务变化率中的最大值。
根据本发明的一个实施例,该离散点的横坐标是该第一监控周期的实际业务量,该离散点的纵坐标是该第二监控周期的实际业务变化率与1的差平方。
根据本发明的一个实施例,该函数是底数为欧拉数e的指数函数或者是幂函数。
根据本发明的一个实施例,该业务异常监控设备还包括:第四确定装置,用于基于该段时间中的该上一监控周期以前的第三监控周期和第四监控周期的实际业务量,确定该第四监控周期的实际业务变化率;以及第五确定装置,用于确定该第三监控周期的另一实际业务量与该第四监控周期的实际业务变化率之间的第二关联关系;其中该第三确定子单元基于该上一监控周期的实际业务量以及该第二关联关系,确定该预测业务变化率。
根据本发明的一个实施例,该第五确定装置包括:第五确定单元,用于确定以该第三监控周期的另一实际业务量作为自变量、以该第四监控周期的实际业务变化率作为因变量的函数,该函数在[0,+∞)是收敛的。
综上所述,根据本发明上述实施例,根据历史数据来确定当前监控周期的实际业务量所允许波动的范围,因此该范围能够根据历史数据来相应变化,从而能够良好适应业务量在高峰、平峰和低谷时的波动。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (28)
1.一种基于历史数据的业务异常监控方法,包括:
基于一段时间的历史数据,确定当前监控周期的业务量范围;以及
在所述当前监控周期的实际业务量超出所述业务量范围时,将所述当前监控周期识别为业务异常。
2.根据权利要求1所述的业务异常监控方法,其中基于一段时间的历史数据,确定当前监控周期的业务量范围包括:
基于所述一段时间中的上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化量;以及
基于所述上一监控周期的实际业务量以及所述预测业务变化量,确定所述业务量范围。
3.根据权利要求2所述的业务异常监控方法,其中基于所述上一监控周期的实际业务量与所述预测业务变化量,确定所述业务量范围包括:
将所述业务量范围的上限确定为所述上一监控周期的实际业务量与所述预测业务变化量的和;以及
将所述业务量范围的下限确定为所述上一监控周期的实际业务量与所述预测业务变化量的差。
4.根据权利要求2所述的业务异常监控方法,其中基于所述一段时间中的上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化量包括:
基于所述上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化率;以及
基于所述上一监控周期的实际业务量和所述预测业务变化率,确定所述当前监控周期的预测业务变化量。
5.根据权利要求4所述的业务异常监控方法,
其中在基于所述上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化率之前,还包括:
基于所述一段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定所述第二监控周期的实际业务变化率;以及
确定所述第一监控周期的实际业务量与所述第二监控周期的实际业务变化率之间的第一关联关系;
其中基于所述上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化率包括:
基于所述上一监控周期的实际业务量以及所述第一关联关系,确定所述预测业务变化率。
6.根据权利要求5所述的业务异常监控方法,其中基于所述一段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定所述第二监控周期的实际业务变化率包括:
将所述第二监控周期的实际业务变化率确定为所述第二监控周期的实际业务量与所述第一监控周期的实际业务量的商或者差。
7.根据权利要求5所述的业务异常监控方法,其中确定所述第一监控周期的实际业务量与所述第二监控周期的实际业务变化率之间的第一关联关系包括:
确定以所述第一监控周期的实际业务量作为自变量、以所述第二监控周期的实际业务变化率作为因变量的函数,所述函数在[0,+∞)是收敛的。
8.根据权利要求7所述的业务异常监控方法,其中确定所述函数包括:
确定包括如下所有离散点的包络线作为所述函数所对应的曲线:所述所有离散点中的每个离散点分别对应于所述第一监控周期的实际业务量和所述第二监控周期的实际业务变化率。
9.根据权利要求8所述的业务异常监控方法,其中所述所有离散点中的每个离散点的横坐标分别是所述第一监控周期的实际业务量,所述所有离散点中的每个离散点的纵坐标分别是所述第二监控周期的实际业务变化率与1的差平方。
10.根据权利要求7所述的业务异常监控方法,其中确定所述函数包括:
确定对如下离散点的拟合线作为所述函数所对应的曲线:
所述离散点对应于所述第一监控周期的实际业务量和所述第二监控周期的实际业务变化率;以及
在预定大小的滑动窗口的滑动过程中,所述第二监控周期的实际业务变化率是与所述滑动窗口中的所有离散点中的每个离散点分别对应的监控周期的实际业务变化率中的最大值。
11.根据权利要求10所述的业务异常监控方法,其中所述离散点的横坐标是所述第一监控周期的实际业务量,所述离散点的纵坐标是所述第二监控周期的实际业务变化率与1的差平方。
12.根据权利要求7至11中任一项所述的业务异常监控方法,其中所述函数是底数为欧拉数e的指数函数或者是幂函数。
13.根据权利要求4所述的业务异常监控方法,
其中在基于所述上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化率之前,还包括:
基于所述一段时间中的所述上一监控周期以前的第三监控周期和第四监控周期的实际业务量,确定所述第四监控周期的实际业务变化率;以及
确定所述第三监控周期的另一实际业务量与所述第四监控周期的实际业务变化率之间的第二关联关系;
其中基于所述上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化率包括:
基于所述上一监控周期的实际业务量以及所述第二关联关系,确定所述预测业务变化率。
14.根据权利要求13所述的业务异常监控方法,其中确定所述第三监控周期的另一实际业务量与所述第四监控周期的实际业务变化率之间的第二关联关系包括:
确定以所述第三监控周期的另一实际业务量作为自变量、以所述第四监控周期的实际业务变化率作为因变量的函数,所述函数在[0,+∞)是收敛的。
15.一种基于历史数据的业务异常监控设备,包括:
第一确定装置,用于基于一段时间的历史数据,确定当前监控周期的业务量范围;以及
识别装置,用于在所述当前监控周期的实际业务量超出所述业务量范围时,将所述当前监控周期识别为业务异常。
16.根据权利要求15所述的业务异常监控设备,其中所述第一确定装置包括:
第一确定单元,用于基于所述一段时间中的上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化量;以及
第二确定单元,用于基于所述上一监控周期的实际业务量以及所述预测业务变化量,确定所述业务量范围。
17.根据权利要求16所述的业务异常监控设备,其中所述第二确定单元包括:
第一确定子单元,用于将所述业务量范围的上限确定为所述上一监控周期的实际业务量与所述预测业务变化量的和;以及
第二确定子单元,用于将所述业务量范围的下限确定为所述上一监控周期的实际业务量与所述预测业务变化量的差。
18.根据权利要求16所述的业务异常监控设备,其中所述第一确定单元包括:
第三确定子单元,用于基于所述上一监控周期的实际业务量,确定所述当前监控周期的预测业务变化率;以及
第四确定子单元,用于基于所述上一监控周期的实际业务量和所述预测业务变化率,确定所述当前监控周期的预测业务变化量。
19.根据权利要求18所述的业务异常监控设备,还包括:
第二确定装置,用于基于所述一段时间中的上一监控周期以前的第一监控周期和第二监控周期的实际业务量,确定所述第二监控周期的实际业务变化率;以及
第三确定装置,用于确定所述第一监控周期的实际业务量与所述第二监控周期的实际业务变化率之间的第一关联关系;
其中所述第三确定子单元基于所述上一监控周期的实际业务量以及所述第一关联关系,确定所述预测业务变化率。
20.根据权利要求19所述的业务异常监控设备,其中所述第二确定装置包括:
第三确定单元,用于将所述第二监控周期的实际业务变化率确定为所述第二监控周期的实际业务量与所述第一监控周期的实际业务量的商或者差。
21.根据权利要求19所述的业务异常监控设备,其中所述第三确定装置包括:
第四确定单元,用于确定以所述第一监控周期的实际业务量作为自变量、以所述第二监控周期的实际业务变化率作为因变量的函数,所述函数在[0,+∞)是收敛的。
22.根据权利要求21所述的业务异常监控设备,其中所述第四确定单元用于确定包括如下所有离散点的包络线作为所述函数所对应的曲线:所述所有离散点中的每个离散点分别对应于所述第一监控周期的实际业务量和所述第二监控周期的实际业务变化率。
23.根据权利要求22所述的业务异常监控设备,其中所述所有离散点中的每个离散点的横坐标分别是所述第一监控周期的实际业务量,所述所有离散点中的每个离散点的纵坐标分别是所述第二监控周期的实际业务变化率与1的差平方。
24.根据权利要求21所述的业务异常监控设备,其中所述第四确定单元用于确定对如下离散点的拟合线作为所述函数所对应的曲线:所述离散点对应于所述第一监控周期的实际业务量和所述第二监控周期的实际业务变化率;以及在预定大小的滑动窗口的滑动过程中,所述第二监控周期的实际业务变化率是与所述滑动窗口中的所有离散点中的每个离散点分别对应的监控周期的实际业务变化率中的最大值。
25.根据权利要求24所述的业务异常监控设备,其中所述离散点的横坐标是所述第一监控周期的实际业务量,所述离散点的纵坐标是所述第二监控周期的实际业务变化率与1的差平方。
26.根据权利要求21至25中任一项所述的业务异常监控设备,其中所述函数是底数为欧拉数e的指数函数或者是幂函数。
27.根据权利要求18所述的业务异常监控设备,还包括:
第四确定装置,用于基于所述一段时间中的所述上一监控周期以前的第三监控周期和第四监控周期的实际业务量,确定所述第四监控周期的实际业务变化率;以及
第五确定装置,用于确定所述第三监控周期的另一实际业务量与所述第四监控周期的实际业务变化率之间的第二关联关系;
其中所述第三确定子单元基于所述上一监控周期的实际业务量以及所述第二关联关系,确定所述预测业务变化率。
28.根据权利要求27所述的业务异常监控设备,其中所述第五确定装置包括:
第五确定单元,用于确定以所述第三监控周期的另一实际业务量作为自变量、以所述第四监控周期的实际业务变化率作为因变量的函数,所述函数在[0,+∞)是收敛的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410537501.3A CN105577402B (zh) | 2014-10-11 | 2014-10-11 | 基于历史数据的业务异常监控方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410537501.3A CN105577402B (zh) | 2014-10-11 | 2014-10-11 | 基于历史数据的业务异常监控方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105577402A true CN105577402A (zh) | 2016-05-11 |
CN105577402B CN105577402B (zh) | 2019-05-24 |
Family
ID=55887111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410537501.3A Active CN105577402B (zh) | 2014-10-11 | 2014-10-11 | 基于历史数据的业务异常监控方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105577402B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227640A (zh) * | 2016-07-27 | 2016-12-14 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及*** |
CN106492459A (zh) * | 2016-10-17 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种数据处理***、数据处理方法以及数据处理装置 |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN107766533A (zh) * | 2017-10-27 | 2018-03-06 | 携程旅游网络技术(上海)有限公司 | 话务量异常的自动检测方法及***、存储介质、电子设备 |
CN108712284A (zh) * | 2018-05-18 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种故障业务的定位方法、装置、及业务服务器 |
CN109582533A (zh) * | 2018-10-31 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、电子设备及存储介质 |
CN111143169A (zh) * | 2019-12-30 | 2020-05-12 | 杭州迪普科技股份有限公司 | 异常参数检测方法及装置、电子设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194106A1 (en) * | 2001-06-06 | 2002-12-19 | Robert Kocher | Stock trading limit order coupled link (LOCK) |
CN101631317A (zh) * | 2009-08-19 | 2010-01-20 | 哈尔滨工业大学 | 一种移动通信话务量的多步预测方法 |
CN102869033A (zh) * | 2012-09-21 | 2013-01-09 | 西南交通大学 | 基于arma-arch模型族的gsm通信***gprs数据业务的预测方法 |
CN103678514A (zh) * | 2013-11-26 | 2014-03-26 | 安徽科大讯飞信息科技股份有限公司 | 一种业务趋势预测方法及*** |
-
2014
- 2014-10-11 CN CN201410537501.3A patent/CN105577402B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194106A1 (en) * | 2001-06-06 | 2002-12-19 | Robert Kocher | Stock trading limit order coupled link (LOCK) |
CN101631317A (zh) * | 2009-08-19 | 2010-01-20 | 哈尔滨工业大学 | 一种移动通信话务量的多步预测方法 |
CN102869033A (zh) * | 2012-09-21 | 2013-01-09 | 西南交通大学 | 基于arma-arch模型族的gsm通信***gprs数据业务的预测方法 |
CN103678514A (zh) * | 2013-11-26 | 2014-03-26 | 安徽科大讯飞信息科技股份有限公司 | 一种业务趋势预测方法及*** |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106227640B (zh) * | 2016-07-27 | 2019-03-19 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及*** |
CN106227640A (zh) * | 2016-07-27 | 2016-12-14 | 北京市环境保护监测中心 | 一种基于自动监测仪器的异常数据检测方法及*** |
CN106492459A (zh) * | 2016-10-17 | 2017-03-15 | 腾讯科技(深圳)有限公司 | 一种数据处理***、数据处理方法以及数据处理装置 |
CN106492459B (zh) * | 2016-10-17 | 2020-08-07 | 腾讯科技(深圳)有限公司 | 一种数据处理***、数据处理方法以及数据处理装置 |
CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
CN107766533A (zh) * | 2017-10-27 | 2018-03-06 | 携程旅游网络技术(上海)有限公司 | 话务量异常的自动检测方法及***、存储介质、电子设备 |
CN107766533B (zh) * | 2017-10-27 | 2020-07-28 | 携程旅游网络技术(上海)有限公司 | 话务量异常的自动检测方法及***、存储介质、电子设备 |
CN108712284A (zh) * | 2018-05-18 | 2018-10-26 | 阿里巴巴集团控股有限公司 | 一种故障业务的定位方法、装置、及业务服务器 |
CN108712284B (zh) * | 2018-05-18 | 2020-11-24 | 创新先进技术有限公司 | 一种故障业务的定位方法、装置、及业务服务器 |
CN109582533A (zh) * | 2018-10-31 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、电子设备及存储介质 |
CN111143169A (zh) * | 2019-12-30 | 2020-05-12 | 杭州迪普科技股份有限公司 | 异常参数检测方法及装置、电子设备、存储介质 |
US20210203683A1 (en) * | 2019-12-30 | 2021-07-01 | Hangzhou Dptech Technologies Co., Ltd. | Abnormality detection |
US11709912B2 (en) * | 2019-12-30 | 2023-07-25 | Hangzhou Dptech Technologies Co., Ltd. | Abnormality detection |
CN111143169B (zh) * | 2019-12-30 | 2024-02-27 | 杭州迪普科技股份有限公司 | 异常参数检测方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105577402B (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105577402A (zh) | 基于历史数据的业务异常监控方法及设备 | |
CN108123849B (zh) | 检测网络流量的阈值的确定方法、装置、设备及存储介质 | |
CN112650580B (zh) | 一种基于边缘计算的工业大数据监测*** | |
CN111538951B (zh) | 一种异常定位方法及装置 | |
CN105426290A (zh) | 异常信息智能处理方法和*** | |
CN103853786A (zh) | 数据库参数的优化方法与*** | |
CN104348747A (zh) | Mpls-vpn网络中流量监控的方法和*** | |
CN103593707A (zh) | 一种配电网可靠性评估的方法和装置 | |
Wang et al. | Stealthy false data injection attacks against state estimation in power systems: Switching network topologies | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN104300532A (zh) | 一种基于矩阵因子的电压暂降评估流程 | |
CN108268357A (zh) | 实时数据处理方法和装置 | |
CN106228280A (zh) | 电网运行监控信息辨识分类*** | |
CN115441456A (zh) | 一种电网调度支持***故障诊断方法及装置 | |
CN105787283B (zh) | 一种基于时空相关性的土遗址监测数据修正拟合方法 | |
CN117391357B (zh) | 一种基于大数据的电网调度运行管理的调度自查*** | |
CN108845285B (zh) | 电能计量装置检测方法和*** | |
CN110348676A (zh) | 一种变电站自动化设备状态评价方法及*** | |
CN117807541A (zh) | 一种基于大数据的智慧园区安全管理*** | |
CN117149746A (zh) | 基于云原生和存算分离的数据仓库管理*** | |
CN110602070A (zh) | 一种网络安全的自动配置管理***及方法 | |
CN107301484B (zh) | 一种监控点设置方法及装置 | |
CN101192962A (zh) | 电信网管***中涉及粘滞值的告警产生和恢复方法 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN108899905B (zh) | 一种复杂电网中关键节点的辨识方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |