CN106656837A - 网络拥塞问题的定位方法以及装置 - Google Patents

Abstract

本发明公开了一种网络拥塞问题的定位方法以及装置。其中方法包括：获取海量运维数据，并对海量运维数据进行时间序列分析以定位异常点；根据异常点在时间序列上的分布以确定异常区间；根据异常区间确定运维数据分布变化的时间拐点；根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。该方法减少了人工成本，降低了问题定位成本，提高了定位效率，并提高了定位结果的准确率，且基于相关性分析和关联分析能追踪产生异常的根本原因，从而能够更加准确地定位出产生网络拥塞问题的原因。

Description

网络拥塞问题的定位方法以及装置

技术领域

本发明涉及互联网通信传输领域，尤其涉及一种网络拥塞问题的定位方法以及装置。

背景技术

相关技术中，通常采用以下方式以定位网络拥塞问题：运维人员可先确定问题发生的时间点，之后，可根据该问题发生的时间点通过人工来追查服务器日志，并凭借运维人员的经验去找出该问题产生的原因。然而，这种通过人工排查的方式来对网络拥塞问题进行定位，可能会出现由于运维人员对某个业务的技术经验不足而导致问题定位不准确的情况，进而导致定位结果的准确率低，而由于人工成本较高，也会导致问题定位成本高、定位效率低等。

发明内容

本发明的目的旨在至少在一定程度上解决上述的技术问题之一。

为此，本发明的第一个目的在于提出一种网络拥塞问题的定位方法。该方法减少了人工成本，降低了问题定位成本，提高了定位效率，并提高了定位结果的准确率。

本发明的第二个目的在于提出一种网络拥塞问题的定位装置。

为达上述目的，本发明第一方面实施例的网络拥塞问题的定位方法，包括：获取海量运维数据，并对所述海量运维数据进行时间序列分析以定位异常点；根据所述异常点在所述时间序列上的分布以确定异常区间；根据所述异常区间确定运维数据分布变化的时间拐点；根据所述时间拐点，通过相关性分析定位网络拥塞问题的产生原因。

根据本发明实施例的网络拥塞问题的定位方法，可获取海量运维数据，并对海量运维数据进行时间序列分析以定位异常点，之后，可根据异常点在时间序列上的分布以确定异常区间，并根据异常区间确定运维数据分布变化的时间拐点，最后，根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。即自动根据海量数据分布变化情况自分析问题产生的根源时间点，不需要运维人员过多的参与，减少了人工成本，降低了问题定位成本，提高了定位效率，且基于时间序列的数据分布变化分析，能找到异常发生的根源时间，而不是异常凸现的时间，提高了定位结果的准确率，并基于相关性分析和关联分析能追踪产生异常的根本原因，从而能够更加准确地定位出产生网络拥塞问题的原因。

根据本发明的一个实施例，所述根据所述异常区间确定运维数据分布变化的时间拐点，包括：根据所述异常区间，通过变点的贝叶斯分析对所述运维数据进行分析，得到所述运维数据分布发生改变的时间区间，并将所述运维数据分布发生改变的时间区间作为所述运维数据分布变化的时间拐点。

根据本发明的一个实施例，所述时间序列分析采用预先训练的线性模型和周期模型混合的方式。

根据本发明的一个实施例，所述对所述海量运维数据进行时间序列分析以定位异常点，包括：将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化；如果所述当前数据分布发生变化，则定位所述当前数据分布在所述时间序列上的时间点，并将所述时间点作为所述异常点。

根据本发明的一个实施例，所述将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化，包括：将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以对所述当前数据做出判断；如果多次触发异常报警，则假设所述当前数据分布发生变化。

为达上述目的，本发明第二方面实施例的网络拥塞问题的定位装置，包括：获取模块，用于获取海量运维数据；第一定位模块，用于对所述海量运维数据进行时间序列分析以定位异常点；第一确定模块，用于根据所述异常点在所述时间序列上的分布以确定异常区间；第二确定模块，用于根据所述异常区间确定运维数据分布变化的时间拐点；第二定位模块，用于根据所述时间拐点，通过相关性分析定位网络拥塞问题的产生原因。

根据本发明实施例的网络拥塞问题的定位装置，可通过获取模块获取海量运维数据，第一定位模块对海量运维数据进行时间序列分析以定位异常点，第一确定模块根据异常点在时间序列上的分布以确定异常区间，第二确定模块根据异常区间确定运维数据分布变化的时间拐点，第二定位模块根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。即自动根据海量数据分布变化情况自分析问题产生的根源时间点，不需要运维人员过多的参与，减少了人工成本，降低了问题定位成本，提高了定位效率，且基于时间序列的数据分布变化分析，能找到异常发生的根源时间，而不是异常凸现的时间，提高了定位结果的准确率，并基于相关性分析和关联分析能追踪产生异常的根本原因，从而能够更加准确地定位出产生网络拥塞问题的原因。

根据本发明的一个实施例，所述第二确定模块包括：分析单元，用于根据所述异常区间，通过变点的贝叶斯分析对所述运维数据进行分析，得到所述运维数据分布发生改变的时间区间；确定单元，用于将所述运维数据分布发生改变的时间区间作为所述运维数据分布变化的时间拐点。

根据本发明的一个实施例，所述时间序列分析采用预先训练的线性模型和周期模型混合的方式。

根据本发明的一个实施例，所述第一定位模块包括：假设单元，用于将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化；定位单元，用于在所述假设单元判断所述当前数据分布发生变化时，定位所述当前数据分布在所述时间序列上的时间点，并将所述时间点作为所述异常点。

根据本发明的一个实施例，所述假设单元具体用于：将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以对所述当前数据做出判断；如果多次触发异常报警，则假设所述当前数据分布发生变化。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，

图1是根据本发明一个实施例的网络拥塞问题的定位方法的流程图；

图2是根据本发明一个实施例的海量运维数据在时间序列上的分布情况的示例图；

图3是根据本发明一个实施例的网络拥塞问题的定位装置的结构示意图；

图4是根据本发明一个具体实施例的网络拥塞问题的定位装置的结构示意图；

图5是根据本发明另一个具体实施例的网络拥塞问题的定位装置的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图描述本发明实施例的网络拥塞问题的定位方法以及装置。

图1是根据本发明一个实施例的网络拥塞问题的定位方法的流程图。需要说明的是，本实施例的方法可以由网络拥塞问题的定位装置来执行，该装置可通过硬件和/或软件的方式实现，一般可集成于被维护对象中。其中，该本发明实施例的网络拥塞问题的定位方法属于互联网通信传输领域。

如图1所示，该网络拥塞问题的定位方法可以包括：

S110，获取海量运维数据，并对海量运维数据进行时间序列分析以定位异常点。

例如，假设本发明实施例的网络拥塞问题的定位方法应用于被维护对象中，则可搜集该被维护对象中的海量运维数据，并实时对该海量运维数据进行时间序列分析，定位异常点。其中，该运维数据可理解包括网络协议、网络流量、带宽、网络硬件(如CPU、内存等)数据库请求、异常访问等。

其中，在本发明的一个实施例中，上述时间序列分析可采用预先训练的线性模型和周期模型混合的方式。可以理解，该线性模型和周期模型分别是预先通过历史运维数据训练而得到的。本发明实施例的网络拥塞问题的定位方法在对海量运维数据进行时间序列分析时，通过采用线性模型和周期模型混合的方式，可以使得运维数据分布无论是发生趋势变化还是周期发生变化，都可以发现出该当前运维数据分布的改变，保证了异常点定位的准确性。

作为一种示例，该对海量运维数据进行时间序列分析以定位异常点的具体实现过程可如下：可将海量运维数据分别代入预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化，如果当前数据分布发生变化，则定位当前数据分布在时间序列上的时间点，并将时间点作为异常点。

具体而言，在本发明的一个实施例中，上述将海量运维数据分别代入预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化的具体实现过程可如下：将海量运维数据分别代入预先训练的线性模型和周期模型中以对当前数据做出判断，如果多次触发异常报警，则假设当前数据分布发生变化。

更具体地，在获得海量运维数据之后，可采用线性模型和周期模型混合的方式，将该海量运维数据分别代入预先训练的线性模型和周期模型中以对当前运维数据做出判断，如果输出多次触发异常报警的结果，则可假设该当前数据分布发生变化，即如果多次发出异常报警，则说明通过历史数据训练出来的线性模型或周期模型已经不能很好的对当前运维数据做出判断，也就是说，此时的运维数据分布发生了变化。在假设当前运维数据分布发生变化时，可定位该发生变化的当前运维数据分布对应在时间序列上的时间点，并将该时间点作为异常点。其中，历史数据可以是网络设备上传的在历史时间内的运维数据，例如，该历史数据可以是网络设备上传的在过去一个星期内所使用的网络流量。该历史时间不作具体限定，可以是一天、或一周，还可以是一个月等。

S120，根据异常点在时间序列上的分布以确定异常区间。

具体地，分别对海量运维数据中的每个运维数据进行时间序列分析，以得到发生变化的当前运维数据分布的异常点，并将该海量运维数据中所有发生变化的运维数据分布的异常点对应到时间序列上的时间，以得到发生变化的运维数据分布的时间区间，该发生变化的运维数据分布的时间区间即为异常区间。

S130，根据异常区间确定运维数据分布变化的时间拐点。

具体而言，在本发明的一个实施例中，可根据异常区间，通过BCP(BayesianAnalysis of Change Point，变点的贝叶斯分析)对运维数据进行分析，得到运维数据分布发生改变的时间区间，并将运维数据分布发生改变的时间区间作为运维数据分布变化的时间拐点。

更具体地，可根据异常区间，使用BCP对运维数据进行分析，找到分布发生改变的时间区间，并将该分布发生改变的时间区间作为运维数据分布变化的时间拐点，可以理解，这些发生分布变化的区间很可能就是产生网络拥塞问题的区间。例如，如图2所示，为海量运维数据在时间序列上的分布情况，假设中间骤降的区间(即图2中的A区间)之前都是正常的，即正常区间即为运维数据分布为发生改变，处于正常范围，中间部分发现了短暂的异常，之后末尾(即图2中B区间)的骤降是由于大量的运维数据分布发生了改变，采用传统的异常检测一般只能发现后面的区间(即如图2所示的B区间)，而根据异常区间，通过BCP对运维数据进行分析，以挖掘出如图2所示的A区间(如该区间即为所述的时间拐点)，而该区间很有可能就是网络拥塞问题发生的真正起始时间，需要运维人员重点分析。

也就是说，在将海量运维数据分别代入预先训练的线性模型和周期模型中以对当前数据做出判断，即发现是否有异常点出现，如果有异常点出现，且该异常点过多，则可假设(或猜测)当前数据分布发生变化，之后，可使用BCP模型对运维数据进行分析，以真正判断出运维数据分布变化在哪里，即确定出该运维数据分布变化的时间拐点。

S140，根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。

具体地，根据时间拐点确定该时间拐点中的运维数据，并通过相关性分析对该时间拐点中的运维数据进行分析，以定位出产生网络拥塞问题的原因。

根据本发明实施例的网络拥塞问题的定位方法，可获取海量运维数据，并对海量运维数据进行时间序列分析以定位异常点，之后，可根据异常点在时间序列上的分布以确定异常区间，并根据异常区间确定运维数据分布变化的时间拐点，最后，根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。即自动根据海量数据分布变化情况自分析问题产生的根源时间点，不需要运维人员过多的参与，减少了人工成本，降低了问题定位成本，提高了定位效率，且基于时间序列的数据分布变化分析，能找到异常发生的根源时间，而不是异常凸现的时间，提高了定位结果的准确率，并基于相关性分析和关联分析能追踪产生异常的根本原因，从而能够更加准确地定位出产生网络拥塞问题的原因。

为了实现上述实施例，本发明还提出了一种网络拥塞问题的定位装置。

图3是根据本发明一个实施例的网络拥塞问题的定位装置的结构示意图。需要说明的是，本发明实施例的网络拥塞问题的定位装置可通过硬件和/或软件的方式实现，一般可集成于被维护对象中。其中，该本发明实施例的网络拥塞问题的定位装置属于互联网通信传输领域。

如图3所示，该网络拥塞问题的定位装置可以包括：获取模块310、第一定位模块320、第一确定模块330、第二确定模块340和第二定位模块350。

具体地，获取模块310可用于获取海量运维数据。第一定位模块320可用于对海量运维数据进行时间序列分析以定位异常点。

例如，假设本发明实施例的网络拥塞问题的定位装置应用于被维护对象中，则获取模块310可搜集该被维护对象中的海量运维数据，第一定位模块320可实时对该海量运维数据进行时间序列分析，定位异常点。其中，该运维数据可理解包括网络协议、网络流量、带宽、网络硬件(如CPU、内存等)、数据库请求、异常访问等。

其中，在本发明的一个实施例中，该时间序列分析可采用预先训练的线性模型和周期模型混合的方式。可以理解，该线性模型和周期模型分别是预先通过历史运维数据训练而得到的。本发明实施例的网络拥塞问题的定位装置在对海量运维数据进行时间序列分析时，通过采用线性模型和周期模型混合的方式，可以使得运维数据分布无论是发生线性变化还是周期发生变化，都可以发现出该当前运维数据分布的改变，保证了异常点定位的准确性。

具体而言，在本发明的一个实施例中，如图4所示，该第一定位模块320可包括假设单元321和定位单元342。其中，假设单元321可用于将海量运维数据分别代入预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化。定位单元342可用于在假设单元321判断当前数据分布发生变化时，定位当前数据分布在时间序列上的时间点，并将时间点作为异常点。

作为一种示例，假设单元321将海量运维数据分别代入预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化的具体实现过程可如下：将海量运维数据分别代入预先训练的线性模型和周期模型中以对当前数据做出判断；如果多次触发异常报警，则假设当前数据分布发生变化。

更具体地，在获取模块310获得海量运维数据之后，假设单元321可采用线性模型和周期模型混合的方式，将该海量运维数据分别代入预先训练的线性模型和周期模型中以对当前运维数据做出判断，如果输出多次触发异常报警的结果，则可假设该当前数据分布发生变化，即如果多次发出异常报警，则说明通过历史数据训练出来的线性模型或周期模型已经不能很好的对当前运维数据做出判断，也就是说，此时的运维数据分布发生了变化。在假设单元321假设当前运维数据分布发生变化时，定位单元342可定位该发生变化的当前运维数据分布对应在时间序列上的时间点，并将该时间点作为异常点。

第一确定模块330可用于根据异常点在时间序列上的分布以确定异常区间。更具体地，第一定位模块320可分别对海量运维数据中的每个运维数据进行时间序列分析，以得到发生变化的当前运维数据分布的异常点，第一确定模块330将该海量运维数据中所有发生变化的运维数据分布的异常点对应到时间序列上的时间，以得到发生变化的运维数据分布的时间区间，该发生变化的运维数据分布的时间区间即为异常区间。

第二确定模块340可用于根据异常区间确定运维数据分布变化的时间拐点。具体而言，在本发明的一个实施例中，如图5所示，该第二确定模块340可包括：分析单元341和确定单元342。其中，分析单元341可用于根据异常区间，通过变点的贝叶斯分析BCP对运维数据进行分析，得到运维数据分布发生改变的时间区间。确定单元342可用于将运维数据分布发生改变的时间区间作为运维数据分布变化的时间拐点。

更具体地，分析单元341可根据异常区间，使用BCP对运维数据进行分析，找到分布发生改变的时间区间，确定单元342将该分布发生改变的时间区间作为运维数据分布变化的时间拐点，可以理解，这些发生分布变化的区间很可能就是产生网络拥塞问题的区间。例如，如图2所示，为海量运维数据在时间序列上的分布情况，假设中间骤降的区间(即图2中的A区间)之前都是正常的，即正常区间即为运维数据分布为发生改变，处于正常范围，中间部分发现了短暂的异常，之后末尾(即图2中B区间)的骤降是由于大量的运维数据分布发生了改变，采用传统的异常检测一般只能发现后面的区间(即如图2所示的B区间)，而根据异常区间，通过BCP对运维数据进行分析，以挖掘出如图2所示的A区间(如该区间即为所述的时间拐点)，而该区间很有可能就是网络拥塞问题发生的真正起始时间，需要运维人员重点分析。

第二定位模块350可用于根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。更具体地，第二定位模块350可根据时间拐点确定该时间拐点中的运维数据，并通过相关性分析对该时间拐点中的运维数据进行分析，以定位出产生网络拥塞问题的原因。

根据本发明实施例的网络拥塞问题的定位装置，可通过获取模块获取海量运维数据，第一定位模块对海量运维数据进行时间序列分析以定位异常点，第一确定模块根据异常点在时间序列上的分布以确定异常区间，第二确定模块根据异常区间确定运维数据分布变化的时间拐点，第二定位模块根据时间拐点，通过相关性分析定位网络拥塞问题的产生原因。即自动根据海量数据分布变化情况自分析问题产生的根源时间点，不需要运维人员过多的参与，减少了人工成本，降低了问题定位成本，提高了定位效率，且基于时间序列的数据分布变化分析，能找到异常发生的根源时间，而不是异常凸现的时间，提高了定位结果的准确率，并基于相关性分析和关联分析能追踪产生异常的根本原因，从而能够更加准确地定位出产生网络拥塞问题的原因。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种网络拥塞问题的定位方法，其特征在于，包括以下步骤：

获取海量运维数据，并对所述海量运维数据进行时间序列分析以定位异常点；

根据所述异常点在所述时间序列上的分布以确定异常区间；

根据所述异常区间确定运维数据分布变化的时间拐点；

根据所述时间拐点，通过相关性分析定位网络拥塞问题的产生原因。

2.如权利要求1所述的方法，其特征在于，所述根据所述异常区间确定运维数据分布变化的时间拐点，包括：

根据所述异常区间，通过变点的贝叶斯分析对所述运维数据进行分析，得到所述运维数据分布发生改变的时间区间，并将所述运维数据分布发生改变的时间区间作为所述运维数据分布变化的时间拐点。

3.如权利要求1所述的方法，其特征在于，其中，所述时间序列分析采用预先训练的线性模型和周期模型混合的方式。

4.如权利要求3所述的方法，其特征在于，所述对所述海量运维数据进行时间序列分析以定位异常点，包括：

将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化；

如果所述当前数据分布发生变化，则定位所述当前数据分布在所述时间序列上的时间点，并将所述时间点作为所述异常点。

5.如权利要求4所述的方法，其特征在于，所述将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化，包括：

将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以对所述当前数据做出判断；

如果多次触发异常报警，则假设所述当前数据分布发生变化。

6.一种网络拥塞问题的定位装置，其特征在于，包括：

获取模块，用于获取海量运维数据；

第一定位模块，用于对所述海量运维数据进行时间序列分析以定位异常点；

第一确定模块，用于根据所述异常点在所述时间序列上的分布以确定异常区间；

第二确定模块，用于根据所述异常区间确定运维数据分布变化的时间拐点；

第二定位模块，用于根据所述时间拐点，通过相关性分析定位网络拥塞问题的产生原因。

7.如权利要求6所述的装置，其特征在于，所述第二确定模块包括：

分析单元，用于根据所述异常区间，通过变点的贝叶斯分析对所述运维数据进行分析，得到所述运维数据分布发生改变的时间区间；

确定单元，用于将所述运维数据分布发生改变的时间区间作为所述运维数据分布变化的时间拐点。

8.如权利要求6所述的装置，其特征在于，其中，所述时间序列分析采用预先训练的线性模型和周期模型混合的方式。

9.如权利要求8所述的装置，其特征在于，所述第一定位模块包括：

假设单元，用于将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以假设当前数据分布是否发生变化；

定位单元，用于在所述假设单元判断所述当前数据分布发生变化时，定位所述当前数据分布在所述时间序列上的时间点，并将所述时间点作为所述异常点。

10.如权利要求9所述的装置，其特征在于，所述假设单元具体用于：

将所述海量运维数据分别代入所述预先训练的线性模型和周期模型中以对所述当前数据做出判断；

如果多次触发异常报警，则假设所述当前数据分布发生变化。