CN108228428A - 用于输出信息的方法和装置 - Google Patents
用于输出信息的方法和装置 Download PDFInfo
- Publication number
- CN108228428A CN108228428A CN201810113903.9A CN201810113903A CN108228428A CN 108228428 A CN108228428 A CN 108228428A CN 201810113903 A CN201810113903 A CN 201810113903A CN 108228428 A CN108228428 A CN 108228428A
- Authority
- CN
- China
- Prior art keywords
- index
- candidate
- target
- similarity
- time
- 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
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
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- 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
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例公开了用于输出信息的方法和装置。该方法的一具体实施方式包括:对于指标集合中的每个指标,分别利用皮尔逊相关系数算法和动态时间规整算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度和第二相似度;按照第一相似度从大到小的顺序和/或第二相似度从大到小的顺序,从指标集合中选取指标生成候选指标集合;对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是目标指标的原因指标;输出候选指标集合中确定为原因指标的各个候选指标。该实施方式缩短了定位原因指标的时间。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及***监控技术领域,尤其涉及用于输出信息的方法和装置。
背景技术
***监控是为了对被监控***的各种时间序列数据进行监控,以便在第一时间发现异常事件,并采取相应措施以减少异常事件造成的损失。在发现被监控***的某个指标发生异常后,经常需要找出导致该指标异常的原因指标,以便找到根本原因以解决问题。目前,主要是采用运维人员凭经验确定导致某指标异常的原因指标,这种方法维护成本高而且依赖于运维人员的个人经验。
发明内容
本申请实施例提出了用于输出信息的方法和装置。
第一方面,本申请实施例提供了一种用于输出信息的方法,该方法包括:获取被监控***在目标历史时段的目标指标的目标指标时间序列,其中,目标历史时段为被监控***的目标指标出现异常的目标异常时间点之前第一预设时长到目标异常时间点之后第二预设时长之间的时段;对于不包括目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度;按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合;对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标;输出候选指标集合中确定为原因指标的各个候选指标。
在一些实施例中,按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合,包括:用指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一指标集合,以及将第一指标集合中指标的个数确定为第一数目;在指标集合中按照对应的第二相似度从大到小的顺序选取第一数目个指标,以及用所选取的指标生成第二指标集合;合并第一指标集合和第二指标集合得到候选指标集合。
在一些实施例中,被监控***在目标历史时段该候选指标出现异常的时间点是通过如下异常时间点确定步骤得到的:基于被监控***在目标历史时段该候选指标的历史时间序列,利用预设的时间序列预测法确定被监控***在目标历史时段该候选指标的预测时间序列;根据被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定被监控***在目标历史时段该候选指标出现异常的时间点。
在一些实施例中,根据被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定被监控***在目标历史时段该候选指标出现异常的时间点,包括:根据被监控***在目标历史时段该候选指标的预测时间序列,确定被监控***在目标历史时段该候选指标的均值和标准差;查找被监控***在目标历史时段该候选指标的历史时间序列中该候选指标的值与所确定的均值之间的差值的绝对值大于K与所确定的标准差的乘积的时间点,其中,K为预设正整数;将找到的时间点确定为被监控***在目标历史时段该候选指标出现异常的时间点。
在一些实施例中,预设的时间序列预测法为二次指数平滑法。
在一些实施例中,对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标,包括:响应于确定被监控***在目标历史时段该候选指标未出现异常和/或被监控***在目标历史时段该候选指标出现异常的各个时间点与目标异常时间点之间的时间差均大于第四预设时长,确定该候选指标不是导致目标指标出现异常的原因指标;响应于确定被监控***在目标历史时段该候选指标出现异常的各个时间点中存在与目标异常时间点之间的时间差不大于第四预设时长的时间点,确定该候选指标是导致目标指标出现异常的原因指标。
在一些实施例中,在输出候选指标集合中确定为原因指标的各个候选指标之前,该方法还包括:对于候选指标集合中的确定为原因指标的每个候选指标,执行以下范围确定步骤:确定被监控***在目标历史时段该候选指标出现异常的各个时间点与目标异常时间点之间的各个时间差中的最小时间差;在预设时间差取值范围表中查找所确定的最小时间差所属的时间差取值范围;将该候选指标标记为与所找到的时间差取值范围对应的原因指标。
在一些实施例中,输出候选指标集合中确定为原因指标的各个候选指标,包括:将候选指标集合中确定为原因指标的各个候选指标按照对应的时间差取值范围类别进行输出。
在一些实施例中,利用皮尔逊相关系数算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度是通过如下第一相似度确定步骤得到的:利用皮尔逊相关系数算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第三相似度;利用皮尔逊相关系数算法计算被监控***在目标异常历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第四相似度,其中,目标异常历史时段为目标异常时间点之前第三预设时长到目标异常时间点之后第二预设时长之间的时段,其中,第三预设时长小于第一预设时长;按照第一预设权重和第二预设权重对第三相似度和第四相似度进行加权,并将加权结果确定为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度。
在一些实施例中,利用动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度是通过如下第二相似度确定步骤得到的:利用动态时间规整算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第五相似度;利用动态时间规整算法计算被监控***在目标异常历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第六相似度;按照第三预设权重和第四预设权重对第五相似度和第六相似度进行加权,并将加权结果确定为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度。
第二方面,本申请实施例提供了一种用于输出信息的装置,该装置包括:获取单元,配置用于获取被监控***在目标历史时段的目标指标的目标指标时间序列,其中,目标历史时段为被监控***的目标指标出现异常的目标异常时间点之前第一预设时长到目标异常时间点之后第二预设时长之间的时段;相似度确定单元,配置用于对于不包括目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度;候选指标生成单元,配置用于按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合;原因指标确定单元,配置用于对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标;输出单元,配置用于输出候选指标集合中确定为原因指标的各个候选指标。
在一些实施例中,候选指标生成单元包括:第一指标集合生成模块,配置用于用指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一指标集合,以及将第一指标集合中指标的个数确定为第一数目;
第二指标集合生成模块,配置用于在指标集合中按照对应的第二相似度从大到小的顺序选取第一数目个指标,以及用所选取的指标生成第二指标集合;合并模块,配置用于合并第一指标集合和第二指标集合得到候选指标集合。
在一些实施例中,被监控***在目标历史时段该候选指标出现异常的时间点是通过如下异常时间点确定步骤得到的:基于被监控***在目标历史时段该候选指标的历史时间序列,利用预设的时间序列预测法确定被监控***在目标历史时段该候选指标的预测时间序列;根据被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定被监控***在目标历史时段该候选指标出现异常的时间点。
在一些实施例中,根据被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定被监控***在目标历史时段该候选指标出现异常的时间点,包括:根据被监控***在目标历史时段该候选指标的预测时间序列,确定被监控***在目标历史时段该候选指标的均值和标准差;查找被监控***在目标历史时段该候选指标的历史时间序列中该候选指标的值与所确定的均值之间的差值的绝对值大于K与所确定的标准差的乘积的时间点,其中,K为预设正整数;将找到的时间点确定为被监控***在目标历史时段该候选指标出现异常的时间点。
在一些实施例中,预设的时间序列预测法为二次指数平滑法。
在一些实施例中,原因指标确定单元包括:第一确定模块,配置用于响应于确定被监控***在目标历史时段该候选指标未出现异常和/或被监控***在目标历史时段该候选指标出现异常的各个时间点与目标异常时间点之间的时间差均大于第四预设时长,确定该候选指标不是导致目标指标出现异常的原因指标;第二确定模块,配置用于响应于确定被监控***在目标历史时段该候选指标出现异常的各个时间点中存在与目标异常时间点之间的时间差不大于第四预设时长的时间点,确定该候选指标是导致目标指标出现异常的原因指标。
在一些实施例中,该装置还包括:范围确定单元,配置用于在输出候选指标集合中确定为原因指标的各个候选指标之前,对于候选指标集合中的确定为原因指标的每个候选指标,执行以下范围确定步骤:确定被监控***在目标历史时段该候选指标出现异常的各个时间点与目标异常时间点之间的各个时间差中的最小时间差;在预设时间差取值范围表中查找所确定的最小时间差所属的时间差取值范围;将该候选指标标记为与所找到的时间差取值范围对应的原因指标。
在一些实施例中,输出单元进一步用于:将候选指标集合中确定为原因指标的各个候选指标按照对应的时间差取值范围类别进行输出。
在一些实施例中,利用皮尔逊相关系数算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度是通过如下第一相似度确定步骤得到的:利用皮尔逊相关系数算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第三相似度;利用皮尔逊相关系数算法计算被监控***在目标异常历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第四相似度,其中,目标异常历史时段为目标异常时间点之前第三预设时长到目标异常时间点之后第二预设时长之间的时段,其中,第三预设时长小于第一预设时长;按照第一预设权重和第二预设权重对第三相似度和第四相似度进行加权,并将加权结果确定为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度。
在一些实施例中,利用动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度是通过如下第二相似度确定步骤得到的:利用动态时间规整算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第五相似度;利用动态时间规整算法计算被监控***在目标异常历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第六相似度;按照第三预设权重和第四预设权重对第五相似度和第六相似度进行加权,并将加权结果确定为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于输出信息的方法和装置,通过结合使用皮尔逊相关系数算法和动态时间规整算法计算两个指标对应的时间序列之间的相似度,能够避免单独使用皮尔逊相关系数可能带来的时间序列形变的问题,以及避免单独使用动态时间规整算法可能带来的无法识别两个时间序列之间负相关的问题,从而提高了确定两时间序列之间的相似度的可信度,并继而提高了确定导致目标指标出现异常的原因指标的准确度,以及缩短了定位原因指标的时间。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的用于输出信息的方法的一个实施例的流程图;
图3是根据本申请的用于输出信息的方法的又一个实施例的流程图;
图4是根据本申请的用于输出信息的装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
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申请。
图1示出了可以应用本申请的用于输出信息的方法或用于输出信息的装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有网络通信功能的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上运行的应用提供数据支持的后台数据服务器。后台数据服务器可以对接收到的数据请求(例如,网页页面请求)等数据进行分析等处理,并将处理结果(例如,网页页面数据)反馈给终端设备。
需要说明的是,本申请实施例所提供的用于输出信息的方法一般由服务器105执行,相应地,用于输出信息的装置一般设置于服务器105中。
需要说明的是,本申请实施例所提供的用于输出信息的方法也可以由与服务器105网络连接的其他电子设备执行,相应地,用于输出信息的装置一般设置于与服务器105网络连接的其他电子设备中。例如,上述其他电子设备可以是统计网站收到用户上传、发布的消息数,或者统计购物网站的订单数、销量、销售额等,又或者采集后台数据服务器在运行过程中产生的日志数据的服务器。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法,包括以下步骤:
步骤201,获取被监控***在目标历史时段的目标指标的目标指标时间序列。
在本实施例中,用于输出信息的方法运行于其上的电子设备(例如图1所示的服务器)可以首先本地或者远程地从与上述电子设备网络连接的其他电子设备获取被监控***在目标历史时段的目标指标的时间序列。然后,将所获取的时间序列作为目标指标时间序列。其中,上述目标历史时段为被监控***的目标指标出现异常的目标异常时间点之前第一预设时长到目标异常时间点之后第二预设时长之间的时段。例如,目标历史时段可以是目标异常时间点之前2小时到目标异常时间点之后1小时之间的时段。
这里,被监控***在目标历史时段的目标指标的时间序列是将被监控***在目标历史时段的目标指标的观测值和对应的发生时间,按其发生的时间先后顺序排列而成的序列。
这里,被监控***的目标指标出现异常的目标异常时间点可以是由技术人员人工指定的时间点,也可以是采用各种算法分析处理之后所得到的时间点。可以理解的是,实践中在对被监控***进行监控的过程中是按照每隔预设采样周期均匀采样的。这里,获取被监控***在目标历史时段的目标指标的目标指标时间序列时,可以是直接获取在对被监控***进行监控过程中采样得到的时间序列,也可以是对上述在对被监控***进行监控过程中采样得到的时间序列进行上采样或者下采样之后的时间序列,当然,还可以在获取到时间序列后对时间序列进行归一化。
步骤202,对于不包括目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度。
这里,指标集合中的指标均不同于目标指标。这里,指标集合可以是由对被监控***进行监控的各个指标中除目标指标之外的其他指标组成的。指标集合也可以是由技术人员根据实践中对于目标指标的观察,将对被监控***进行监控的各个指标中除目标指标之外的其他指标中不可能与目标指标产生关系的指标过滤掉之后形成的。
在本实施例中,上述电子设备(例如图1所示的服务器)可以对于不包括目标指标的指标集合中的每个指标,执行以下相似度确定步骤:
第一,可以获取被监控***在目标历史时段该指标的历史时间序列。
第二,可以利用皮尔逊相关系数算法计算被监控***在目标历史时段该指标的历史时间序列和步骤201中所获取的目标指标时间序列之间的第一相似度。
在本实施例的一些可选的实现方式中,上述电子设备可以直接利用皮尔逊相关系数算法计算被监控***在目标历史时段该指标的历史时间序列和步骤201中所获取的目标指标时间序列之间的相似度,并将计算所得的相似度作为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度。
在本实施例的一些可选的实现方式中,第二步还可以进行:
(1)、可以利用皮尔逊相关系数算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第三相似度。
(2)、可以利用皮尔逊相关系数算法计算被监控***在目标异常历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第四相似度。
这里,上述目标异常历史时段为目标异常时间点之前第三预设时长到目标异常时间点之后第二预设时长之间的时段,其中,第三预设时长小于第一预设时长。例如,目标历史时段可以是目标异常时间点之前2小时到目标异常时间点之后1小时之间的时段,而目标异常历史时段可以是目标异常时间点之前1小时(这里,第三预设时长只要小于前面的第一预设时长即可)到目标异常时间点之后1小时之间的时段。
可以理解的是,目标历史时段是包括目标异常历史时段的,而且相对于目标历史时段,目标异常历史时段更加靠近目标异常时间点,因此,目标异常历史时段内的时间序列更能体现被监控***在目标异常时间点附近的状态。
(3)、可以按照第一预设权重和第二预设权重对第三相似度和第四相似度进行加权,并将加权结果确定为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度。
具体地,可以按照如下公式进行:
S1=W1S3+W2S4 (1)
其中:
S1是计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度;
W1和W2分别是第一预设权重和第二预设权重;
S3和S4分别是第三相似度和第四相似度。
作为示例,可以令W1+W2=1。
第三,可以利用动态时间规整算法计算被监控***在目标历史时段该指标的历史时间序列和步骤201中所获取的目标指标时间序列之间的第二相似度。
在本实施例的一些可选的实现方式中,上述电子设备可以直接利用动态时间规整算法计算被监控***在目标历史时段该指标的历史时间序列和步骤201中所获取的目标指标时间序列之间的相似度,并将计算所得的相似度作为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度。
在本实施例的一些可选的实现方式中,第三步还可以进行:
(1)、可以利用动态时间规整算法计算被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第五相似度。
(2)、可以利用动态时间规整算法计算被监控***在目标异常历史时段该指标的历史时间序列和目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第六相似度。
(3)、可以按照第三预设权重和第四预设权重对第五相似度和第六相似度进行加权,并将加权结果确定为被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度。
具体地,可以按照如下公式进行:
S2=W3S5+W4S6 (2)
其中:
S2是计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第二相似度;
W3和W4分别是第三预设权重和第四预设权重;
S5和S6分别是第五相似度和第六相似度。
作为示例,可以令W3+W4=1。
第四,将上述计算所得的第一相似度和第二相似度分别确定为与该指标对应的第一相似度和第二相似度。
步骤203,按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合。
在本实施例中,用于输出信息的方法运行于其上的电子设备上可以按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合。
在本实施例的一些可选的实现方式中,上述电子设备可以用指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成候选指标集合。
在本实施例的一些可选的实现方式中,上述电子设备也可以用指标集合中对应的第二相似度大于第二预设相似度阈值的指标生成候选指标集合。
在本实施例的一些可选的实现方式中,上述电子设备还可以:首先用指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一候选指标子集合,再用指标集合中对应的第二相似度大于第二预设相似度阈值的指标生成第二候选指标子集合,最后,合并上述第一候选指标子集合和上述第二候选指标子集合得到候选指标集合。
在本实施例的一些可选的实现方式中,上述电子设备还可以:首先,按照第三预设权重和第四预设权重对指标集合中每个指标对应的第一相似度和第二相似度进行加权,然后将加权结果作为每个指标对应的第三相似度,最后,用指标集合中对应的第三相似度大于第三预设相似度阈值的指标生成候选指标集合。
在本实施例的一些可选的实现方式中,步骤203还可以如下进行:
首先,可以用指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一指标集合,以及将第一指标集合中指标的个数确定为第一数目。
然后,可以在指标集合中按照对应的第二相似度从大到小的顺序选取第一数目个指标,以及用所选取的指标生成第二指标集合。
最后,可以合并第一指标集合和第二指标集合得到候选指标集合。
步骤204,对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标。
这里,步骤203中生成的候选指标集合是按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取得到的,因此,相对于指标集合中未被选取的指标而言,候选指标集合中的候选指标与目标指标的相似程度更高。
为了从候选指标集合选取出导致目标指标出现异常的原因指标,可以对于候选指标集合中的每个候选指标,执行以下原因指标确定步骤:
第一,可以确定被监控***在目标历史时段该候选指标出现异常的时间点。
在本实施例的一些可选的实现方式中,可以由技术人员人工指定被监控***在目标历史时段该候选指标出现异常的时间点。
在本实施例的一些可选的实现方式中,还可以利用各种时间序列异常检测算法对被监控***在目标历史时段该候选指标的时间序列进行检测,以得到被监控***在目标历史时段该候选指标出现异常的时间点。其中,例如,时间序列异常检测算法可以是各种机器学习方法。
在本实施例的一些可选的实现方式中,被监控***在目标历史时段该候选指标出现异常的时间点还可以是通过如下异常时间点确定步骤得到的:
(1)、基于被监控***在目标历史时段该候选指标的历史时间序列,利用预设的时间序列预测法确定被监控***在目标历史时段该候选指标的预测时间序列。
这里,预设的时间序列预测法可以包括但不限于算数平均法、加权序时平均数法、简单移动平均法、加权移动平均法、趋势预测法、指数平滑法(包括一次指数平滑法、二次指数平滑法和三次指数平滑法)、LSTM(Long Short-Term Memory,长短期记忆)模型法、以及其他现在已知或将来开发的时间序列预测方法。
(2)、根据被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定被监控***在目标历史时段该候选指标出现异常的时间点。
这里,首先确定被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息。然后,可以采用各种实现方式,根据所确定的差异信息确定被监控***在目标历史时段该指标出现异常的时间点。
可选地,根据被监控***在目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定被监控***在目标历史时段该候选指标出现异常的时间点还可以如下进行:
首先,可以根据被监控***在目标历史时段该候选指标的预测时间序列,确定被监控***在目标历史时段该候选指标的均值和标准差。
其次,可以查找被监控***在目标历史时段该候选指标的历史时间序列中该候选指标的值与所确定的均值之间的差值的绝对值大于K与所确定的标准差的乘积的时间点。其中,K为预设正整数。例如,K可以为3。
最后,将找到的时间点确定为被监控***在目标历史时段该候选指标出现异常的时间点。
第二,可以基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标。
在本实施例中,上述电子设备可以采用各种实现方式,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标。
在本实施例的一些可选的实现方式中,上述电子设备可以响应于确定被监控***在目标历史时段该候选指标出现异常,确定该候选指标是导致目标指标出现异常的原因指标。
在本实施例的一些可选的实现方式中,上述电子设备还可以响应于确定被监控***在目标历史时段该候选指标未出现异常和/或被监控***在目标历史时段该候选指标出现异常的各个时间点与目标异常时间点之间的时间差均大于第四预设时长(例如,30分钟),确定该候选指标不是导致目标指标出现异常的原因指标。
在本实施例的一些可选的实现方式中,上述电子设备还可以响应于确定被监控***在目标历史时段该候选指标出现异常的各个时间点中存在与目标异常时间点之间的时间差不大于第四预设时长的时间点,确定该候选指标是导致目标指标出现异常的原因指标。
在本实施例的一些可选的实现方式中,上述电子设备还可以响应于确定被监控***在目标历史时段该候选指标出现异常的各个时间点中每个时间点与目标异常时间点之间的时间差均不大于第四预设时长,确定该候选指标是导致目标指标出现异常的原因指标。
步骤205,输出候选指标集合中确定为原因指标的各个候选指标。
这里,上述电子设备可以采用各种实现方式输出候选指标集合中确定为原因指标的各个候选指标。例如,可以将候选指标集合中确定为原因指标的各个候选指标以文字或者图像形式呈现在上述电子设备的显示设备中,或者以音频形式播放。又例如,还可以将候选指标集合中确定为原因指标的各个候选指标存储到上述电子设备中的指定文件中。还例如,还可以将候选指标集合中确定为原因指标的各个候选指标输出给上述电子设备中的其他功能模块,比如,输出给显示被监控***的指标的时间序列的功能模块,以供被监控***的运维人员可以实时查看引起目标指标出现异常的原因指标的时间序列,并分析原因后采取措施来减少被监控***的损失。
本申请的上述实施例提供的方法通过结合使用皮尔逊相关系数算法和动态时间规整算法来计算两个指标对应的时间序列之间的相似度,能够避免单独使用皮尔逊相关系数可能带来的时间序列形变的问题,以及避免单独使用动态时间规整算法可能带来的无法识别两个时间序列负相关的问题,从而了提高确定两时间序列之间的相似度的可信度,并继而提高确定导致目标指标出现异常的原因指标的准确度,以及缩短了定位原因指标的时间。
进一步参考图3,其示出了用于输出信息的方法的又一个实施例的流程300。该用于输出信息的方法的流程300,包括以下步骤:
步骤301,获取被监控***在目标历史时段的目标指标的目标指标时间序列。
步骤302,对于不包括目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度。
步骤303,按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合。
步骤304,对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标。
在本实施例中,步骤301-步骤304的具体操作与图2所示的实施例中步骤201-步骤204的操作基本相同,在此不再赘述。
步骤305,对于候选指标集合中的确定为原因指标的每个候选指标,执行范围确定步骤。
这里,范围确定步骤可以包括:
第一、确定被监控***在目标历史时段该候选指标出现异常的各个时间点与目标异常时间点之间的各个时间差中的最小时间差。
第二、在预设时间差取值范围表中查找所确定的最小时间差所属的时间差取值范围。
这里,预设时间差取值范围表中存储了至少一个互不重叠的时间差取值范围。
例如,预设时间差取值范围表中存储的至少一个时间差取值范围可以包括:小于5分钟,大于等于5分钟小于10分钟,大于等于10分钟小于15分钟,大于等于15分钟小于20分钟,大于等于20分钟等等。
又例如,假设候选指标集合中有10个确定为原因指标的候选指标:指标A、指标B、指标C、指标D、指标E、指标F、指标G、指标H、指标I和指标J。其中,针对指标A、指标B、指标C、指标D、指标E、指标F、指标G、指标H、指标I和指标J在第一步中所确定的最小时间差分别为3分钟、4分钟、1分钟、8分钟、9分钟、14分钟、11分钟、29分钟、15分钟和20分钟。继续延用上述关于预设时间差取值范围表的举例,那么可以确定上述指标A、指标B、指标C、指标D、指标E、指标F、指标G、指标H、指标I和指标J的最小时间差所属的时间差取值范围分别为:小于5分钟、小于五分钟、小于五分钟、大于等于5分钟小于10分钟、大于等于5分钟小于10分钟、大于等于10分钟小于15分钟、大于等于10分钟小于15分钟、大于等于20分钟、大于等于15分钟小于20分钟和大于等于20分钟。
第三、将该候选指标标记为与所找到的时间差取值范围对应的原因指标。
作为示例,这里,继续延用第二步中关于候选指标集合中的各个原因指标的举例,以及每个原因指标的最小时间差所属的时间差取值范围的距离,则这里,可以将指标A、指标B、指标C、指标D、指标E、指标F、指标G、指标H、指标I和指标J分别标记为与:小于5分钟、小于5分钟、小于5分钟、大于等于5分钟小于10分钟、大于等于5分钟小于10分钟、大于等于10分钟小于15分钟、大于等于10分钟小于15分钟、大于等于20分钟、大于等于15分钟小于20分钟和大于等于20分钟对应的原因指标。
步骤306,将候选指标集合中确定为原因指标的各个候选指标按照对应的时间差取值范围类别进行输出。
作为示例,延用步骤306中第三步的举例,则可以确定以下类别:
(1)、与“小于5分钟”这个时间差取值范围类别对应的原因指标有:指标A、指标B和指标C;
(2)、与“大于等于5分钟小于10分钟”这个时间差取值范围类别对应的原因指标有:指标D和指标E;
(3)、与“大于等于10分钟小于15分钟”这个时间差取值范围类别对应的原因指标有:指标F和指标G;
(4)、与“大于等于15分钟小于20分钟”这个时间差取值范围类别对应的原因指标有:指标H和指标J;
(5)、与“大于等于20分钟”这个时间差取值范围类别对应的原因指标有:指标I。
这样,可以在步骤306中按照上述不同的类别来输出候选指标集合中确定为原因指标的各个候选指标。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于输出信息的方法的流程300突出了将候选指标集合中确定为原因指标的各个候选指标按照对应的时间差取值范围类别进行输出的步骤。由此,本实施例描述的方案可以实现按照与目标指标的关联程度的大小分类进行输出,从而进一步提高了信息输出的内容丰富性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种用于输出信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的用于输出信息的装置400包括:获取单元401、相似度确定单元402、候选指标生成单元403、原因指标确定单元404和输出单元405。其中,获取单元401,配置用于获取被监控***在目标历史时段的目标指标的目标指标时间序列,其中,上述目标历史时段为上述被监控***的上述目标指标出现异常的目标异常时间点之前第一预设时长到上述目标异常时间点之后第二预设时长之间的时段;相似度确定单元402,配置用于对于不包括上述目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度;候选指标生成单元403,配置用于按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从上述指标集合中选取至少一个指标生成候选指标集合;原因指标确定单元404,配置用于对于上述候选指标集合中的每个候选指标,基于上述被监控***在上述目标历史时段该候选指标出现异常的时间点与上述目标异常时间点之间的时间差,确定该候选指标是否是导致上述目标指标出现异常的原因指标;输出单元405,配置用于输出上述候选指标集合中确定为原因指标的各个候选指标。
在本实施例中,用于输出信息的装置400的获取单元401、相似度确定单元402、候选指标生成单元403、原因指标确定单元404和输出单元405的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述候选指标生成单元403可以包括:第一指标集合生成模块4031,配置用于用上述指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一指标集合,以及将上述第一指标集合中指标的个数确定为第一数目;第二指标集合生成模块4032,配置用于在上述指标集合中按照对应的第二相似度从大到小的顺序选取上述第一数目个指标,以及用所选取的指标生成第二指标集合;合并模块4033,配置用于合并上述第一指标集合和上述第二指标集合得到上述候选指标集合。
在本实施例的一些可选的实现方式中,上述被监控***在上述目标历史时段该候选指标出现异常的时间点可以是通过如下异常时间点确定步骤得到的:基于上述被监控***在上述目标历史时段该候选指标的历史时间序列,利用预设的时间序列预测法确定上述被监控***在上述目标历史时段该候选指标的预测时间序列;根据上述被监控***在上述目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定上述被监控***在上述目标历史时段该候选指标出现异常的时间点。
在本实施例的一些可选的实现方式中,上述根据上述被监控***在上述目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定上述被监控***在上述目标历史时段该候选指标出现异常的时间点,可以包括:根据上述被监控***在上述目标历史时段该候选指标的预测时间序列,确定上述被监控***在上述目标历史时段该候选指标的均值和标准差;查找上述被监控***在上述目标历史时段该候选指标的历史时间序列中该候选指标的值与所确定的均值之间的差值的绝对值大于K与所确定的标准差的乘积的时间点,其中,K为预设正整数;将找到的时间点确定为上述被监控***在上述目标历史时段该候选指标出现异常的时间点。
在本实施例的一些可选的实现方式中,上述预设的时间序列预测法为二次指数平滑法。
在本实施例的一些可选的实现方式中,上述原因指标确定单元404可以包括:第一确定模块4041,配置用于响应于确定上述被监控***在上述目标历史时段该候选指标未出现异常和/或上述被监控***在上述目标历史时段该候选指标出现异常的各个时间点与上述目标异常时间点之间的时间差均大于第四预设时长,确定该候选指标不是导致上述目标指标出现异常的原因指标;第二确定模块4042,配置用于响应于确定上述被监控***在上述目标历史时段该候选指标出现异常的各个时间点中存在与上述目标异常时间点之间的时间差不大于第四预设时长的时间点,确定该候选指标是导致上述目标指标出现异常的原因指标。
在本实施例的一些可选的实现方式中,上述装置400还可以包括:范围确定单元406,配置用于在输出上述候选指标集合中确定为原因指标的各个候选指标之前,对于上述候选指标集合中的确定为原因指标的每个候选指标,执行以下范围确定步骤:确定上述被监控***在上述目标历史时段该候选指标出现异常的各个时间点与上述目标异常时间点之间的各个时间差中的最小时间差;在预设时间差取值范围表中查找所确定的最小时间差所属的时间差取值范围;将该候选指标标记为与所找到的时间差取值范围对应的原因指标。
在本实施例的一些可选的实现方式中,上述输出单元405可以进一步用于:将上述候选指标集合中确定为原因指标的各个候选指标按照对应的时间差取值范围类别进行输出。
在本实施例的一些可选的实现方式中,上述利用皮尔逊相关系数算法计算所得的上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的第一相似度可以是通过如下第一相似度确定步骤得到的:利用皮尔逊相关系数算法计算上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第三相似度;利用皮尔逊相关系数算法计算上述被监控***在目标异常历史时段该指标的历史时间序列和上述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第四相似度,其中,上述目标异常历史时段为上述目标异常时间点之前第三预设时长到上述目标异常时间点之后上述第二预设时长之间的时段,其中,上述第三预设时长小于上述第一预设时长;按照第一预设权重和第二预设权重对上述第三相似度和上述第四相似度进行加权,并将加权结果确定为上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的第一相似度。
在本实施例的一些可选的实现方式中,上述利用动态时间规整算法计算所得的上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的第二相似度可以是通过如下第二相似度确定步骤得到的:利用动态时间规整算法计算上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第五相似度;利用动态时间规整算法计算上述被监控***在上述目标异常历史时段该指标的历史时间序列和上述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第六相似度;按照上述第三预设权重和上述第四预设权重对上述第五相似度和上述第六相似度进行加权,并将加权结果确定为上述被监控***在上述目标历史时段该指标的历史时间序列和上述目标指标时间序列之间的第二相似度。
需要说明的是,本申请实施例提供的用于输出信息的装置中各单元的实现细节和技术效果可以参考本申请中其它实施例的说明,在此不再赘述。
下面参考图5,其示出了适于用来实现本申请实施例的电子设备的计算机***500的结构示意图。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机***500包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有***500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括硬盘等的存储部分506;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分507。通信部分507经由诸如因特网的网络执行通信处理。驱动器508也根据需要连接至I/O接口505。可拆卸介质509,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器508上,以便于从其上读出的计算机程序根据需要被安装入存储部分506。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分507从网络上被下载和安装,和/或从可拆卸介质509被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、相似度确定单元、候选指标生成单元、原因指标确定单元和输出单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,输出单元还可以被描述为“输出原因指标的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取被监控***在目标历史时段的目标指标的目标指标时间序列,其中,目标历史时段为被监控***的目标指标出现异常的目标异常时间点之前第一预设时长到目标异常时间点之后第二预设时长之间的时段;对于不包括目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的被监控***在目标历史时段该指标的历史时间序列和目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度;按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从指标集合中选取至少一个指标生成候选指标集合;对于候选指标集合中的每个候选指标,基于被监控***在目标历史时段该候选指标出现异常的时间点与目标异常时间点之间的时间差,确定该候选指标是否是导致目标指标出现异常的原因指标;输出候选指标集合中确定为原因指标的各个候选指标。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于输出信息的方法,包括:
获取被监控***在目标历史时段的目标指标的目标指标时间序列,其中,所述目标历史时段为所述被监控***的所述目标指标出现异常的目标异常时间点之前第一预设时长到所述目标异常时间点之后第二预设时长之间的时段;
对于不包括所述目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度;
按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从所述指标集合中选取至少一个指标生成候选指标集合;
对于所述候选指标集合中的每个候选指标,基于所述被监控***在所述目标历史时段该候选指标出现异常的时间点与所述目标异常时间点之间的时间差,确定该候选指标是否是导致所述目标指标出现异常的原因指标;
输出所述候选指标集合中确定为原因指标的各个候选指标。
2.根据权利要求1所述的方法,其中,所述按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从所述指标集合中选取至少一个指标生成候选指标集合,包括:
用所述指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一指标集合,以及将所述第一指标集合中指标的个数确定为第一数目;
在所述指标集合中按照对应的第二相似度从大到小的顺序选取所述第一数目个指标,以及用所选取的指标生成第二指标集合;
合并所述第一指标集合和所述第二指标集合得到所述候选指标集合。
3.根据权利要求2所述的方法,其中,所述被监控***在所述目标历史时段该候选指标出现异常的时间点是通过如下异常时间点确定步骤得到的:
基于所述被监控***在所述目标历史时段该候选指标的历史时间序列,利用预设的时间序列预测法确定所述被监控***在所述目标历史时段该候选指标的预测时间序列;
根据所述被监控***在所述目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定所述被监控***在所述目标历史时段该候选指标出现异常的时间点。
4.根据权利要求3所述的方法,其中,所述根据所述被监控***在所述目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定所述被监控***在所述目标历史时段该候选指标出现异常的时间点,包括:
根据所述被监控***在所述目标历史时段该候选指标的预测时间序列,确定所述被监控***在所述目标历史时段该候选指标的均值和标准差;
查找所述被监控***在所述目标历史时段该候选指标的历史时间序列中该候选指标的值与所确定的均值之间的差值的绝对值大于K与所确定的标准差的乘积的时间点,其中,K为预设正整数;
将找到的时间点确定为所述被监控***在所述目标历史时段该候选指标出现异常的时间点。
5.根据权利要求1-4中任一所述的方法,其中,所述预设的时间序列预测法为二次指数平滑法。
6.根据权利要求5所述的方法,其中,所述对于所述候选指标集合中的每个候选指标,基于所述被监控***在所述目标历史时段该候选指标出现异常的时间点与所述目标异常时间点之间的时间差,确定该候选指标是否是导致所述目标指标出现异常的原因指标,包括:
响应于确定所述被监控***在所述目标历史时段该候选指标未出现异常和/或所述被监控***在所述目标历史时段该候选指标出现异常的各个时间点与所述目标异常时间点之间的时间差均大于第四预设时长,确定该候选指标不是导致所述目标指标出现异常的原因指标;
响应于确定所述被监控***在所述目标历史时段该候选指标出现异常的各个时间点中存在与所述目标异常时间点之间的时间差不大于第四预设时长的时间点,确定该候选指标是导致所述目标指标出现异常的原因指标。
7.根据权利要求6所述的方法,其中,在输出所述候选指标集合中确定为原因指标的各个候选指标之前,所述方法还包括:
对于所述候选指标集合中的确定为原因指标的每个候选指标,执行以下范围确定步骤:确定所述被监控***在所述目标历史时段该候选指标出现异常的各个时间点与所述目标异常时间点之间的各个时间差中的最小时间差;在预设时间差取值范围表中查找所确定的最小时间差所属的时间差取值范围;将该候选指标标记为与所找到的时间差取值范围对应的原因指标。
8.根据权利要求7所述的方法,其中,所述输出所述候选指标集合中确定为原因指标的各个候选指标,包括:
将所述候选指标集合中确定为原因指标的各个候选指标按照对应的时间差取值范围类别进行输出。
9.根据权利要求8所述的方法,其中,所述利用皮尔逊相关系数算法计算所得的所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的第一相似度是通过如下第一相似度确定步骤得到的:
利用皮尔逊相关系数算法计算所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第三相似度;
利用皮尔逊相关系数算法计算所述被监控***在目标异常历史时段该指标的历史时间序列和所述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第四相似度,其中,所述目标异常历史时段为所述目标异常时间点之前第三预设时长到所述目标异常时间点之后所述第二预设时长之间的时段,其中,所述第三预设时长小于所述第一预设时长;
按照第一预设权重和第二预设权重对所述第三相似度和所述第四相似度进行加权,并将加权结果确定为所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的第一相似度。
10.根据权利要求9所述的方法,其中,所述利用动态时间规整算法计算所得的所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的第二相似度是通过如下第二相似度确定步骤得到的:
利用动态时间规整算法计算所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第五相似度;
利用动态时间规整算法计算所述被监控***在所述目标异常历史时段该指标的历史时间序列和所述目标指标时间序列之间的相似度,以及将计算所得的相似度确定为第六相似度;
按照所述第三预设权重和所述第四预设权重对所述第五相似度和所述第六相似度进行加权,并将加权结果确定为所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的第二相似度。
11.一种用于输出信息的装置,包括:
获取单元,配置用于获取被监控***在目标历史时段的目标指标的目标指标时间序列,其中,所述目标历史时段为所述被监控***的所述目标指标出现异常的目标异常时间点之前第一预设时长到所述目标异常时间点之后第二预设时长之间的时段;
相似度确定单元,配置用于对于不包括所述目标指标的指标集合中的每个指标,将分别利用皮尔逊相关系数算法和动态时间规整算法计算所得的所述被监控***在所述目标历史时段该指标的历史时间序列和所述目标指标时间序列之间的第一相似度和第二相似度,分别确定为与该指标对应的第一相似度和第二相似度;
候选指标生成单元,配置用于按照对应的第一相似度从大到小的顺序和/或对应的第二相似度从大到小的顺序,从所述指标集合中选取至少一个指标生成候选指标集合;
原因指标确定单元,配置用于对于所述候选指标集合中的每个候选指标,基于所述被监控***在所述目标历史时段该候选指标出现异常的时间点与所述目标异常时间点之间的时间差,确定该候选指标是否是导致所述目标指标出现异常的原因指标;
输出单元,配置用于输出所述候选指标集合中确定为原因指标的各个候选指标。
12.根据权利要求11所述的装置,其中,所述候选指标生成单元包括:
第一指标集合生成模块,配置用于用所述指标集合中对应的第一相似度大于第一预设相似度阈值的指标生成第一指标集合,以及将所述第一指标集合中指标的个数确定为第一数目;
第二指标集合生成模块,配置用于在所述指标集合中按照对应的第二相似度从大到小的顺序选取所述第一数目个指标,以及用所选取的指标生成第二指标集合;
合并模块,配置用于合并所述第一指标集合和所述第二指标集合得到所述候选指标集合。
13.根据权利要求12所述的装置,其中,所述被监控***在所述目标历史时段该候选指标出现异常的时间点是通过如下异常时间点确定步骤得到的:
基于所述被监控***在所述目标历史时段该候选指标的历史时间序列,利用预设的时间序列预测法确定所述被监控***在所述目标历史时段该候选指标的预测时间序列;
根据所述被监控***在所述目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定所述被监控***在所述目标历史时段该候选指标出现异常的时间点。
14.根据权利要求13所述的装置,其中,所述根据所述被监控***在所述目标历史时段该候选指标的历史时间序列和预测时间序列之间的差异信息,确定所述被监控***在所述目标历史时段该候选指标出现异常的时间点,包括:
根据所述被监控***在所述目标历史时段该候选指标的预测时间序列,确定所述被监控***在所述目标历史时段该候选指标的均值和标准差;
查找所述被监控***在所述目标历史时段该候选指标的历史时间序列中该候选指标的值与所确定的均值之间的差值的绝对值大于K与所确定的标准差的乘积的时间点,其中,K为预设正整数;
将找到的时间点确定为所述被监控***在所述目标历史时段该候选指标出现异常的时间点。
15.根据权利要求11-14中任一所述的装置,其中,所述预设的时间序列预测法为二次指数平滑法。
16.根据权利要求15所述的装置,其中,所述原因指标确定单元包括:
第一确定模块,配置用于响应于确定所述被监控***在所述目标历史时段该候选指标未出现异常和/或所述被监控***在所述目标历史时段该候选指标出现异常的各个时间点与所述目标异常时间点之间的时间差均大于第四预设时长,确定该候选指标不是导致所述目标指标出现异常的原因指标;
第二确定模块,配置用于响应于确定所述被监控***在所述目标历史时段该候选指标出现异常的各个时间点中存在与所述目标异常时间点之间的时间差不大于第四预设时长的时间点,确定该候选指标是导致所述目标指标出现异常的原因指标。
17.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113903.9A CN108228428B (zh) | 2018-02-05 | 2018-02-05 | 用于输出信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113903.9A CN108228428B (zh) | 2018-02-05 | 2018-02-05 | 用于输出信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108228428A true CN108228428A (zh) | 2018-06-29 |
CN108228428B CN108228428B (zh) | 2021-09-21 |
Family
ID=62670615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113903.9A Active CN108228428B (zh) | 2018-02-05 | 2018-02-05 | 用于输出信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108228428B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190803A (zh) * | 2018-08-14 | 2019-01-11 | 北京粉笔未来科技有限公司 | 预测方法、装置、计算设备及存储介质 |
CN109257185A (zh) * | 2018-11-21 | 2019-01-22 | 新华三技术有限公司 | 一种网络设备、业务卡、逻辑装置及通知信息传输方法 |
CN109347685A (zh) * | 2018-11-21 | 2019-02-15 | 新华三技术有限公司 | 一种网络设备、逻辑装置及通知信息传输方法 |
CN110955862A (zh) * | 2019-11-26 | 2020-04-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN112470477A (zh) * | 2018-12-28 | 2021-03-09 | Jvc建伍株式会社 | 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序 |
CN112988536A (zh) * | 2021-03-09 | 2021-06-18 | 北京奇艺世纪科技有限公司 | 一种数据异常检测方法、装置、设备及存储介质 |
CN113010805A (zh) * | 2021-02-23 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 指标数据的处理方法、装置、设备及存储介质 |
CN113656452A (zh) * | 2021-07-28 | 2021-11-16 | 北京宝兰德软件股份有限公司 | 调用链指标异常的检测方法、装置、电子设备及存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311197A (en) * | 1993-02-01 | 1994-05-10 | Trimble Navigation Limited | Event-activated reporting of vehicle location |
CN102082998A (zh) * | 2010-01-15 | 2011-06-01 | 上海海事大学 | 一种支持tdoa、toa和rssi三种模式的实时定位方法 |
CN103516571A (zh) * | 2013-07-22 | 2014-01-15 | 浙江中控研究院有限公司 | 一种双can总线保证数据通信可靠性的***架构及其方法 |
CN104317285A (zh) * | 2014-11-10 | 2015-01-28 | 广东中烟工业有限责任公司 | 一种卷烟生产过程中异常原因确定方法及装置 |
CN104316801A (zh) * | 2014-10-31 | 2015-01-28 | 国家电网公司 | 基于时间序列相似性匹配的电力***故障诊断方法 |
CN105741192A (zh) * | 2016-02-29 | 2016-07-06 | 南京信息工程大学 | 一种风电场风电机机舱短期风速组合预报方法 |
CN105913062A (zh) * | 2016-04-26 | 2016-08-31 | 深圳前海云汉金融科技有限公司 | 一种基于大数据的趋势曲线局部特征的匹配方法及终端 |
CN105959372A (zh) * | 2016-05-06 | 2016-09-21 | 华南理工大学 | 一种基于移动应用的互联网用户数据分析方法 |
CN106126391A (zh) * | 2016-06-28 | 2016-11-16 | 北京百度网讯科技有限公司 | ***监控方法和装置 |
CN106502815A (zh) * | 2016-10-20 | 2017-03-15 | 北京蓝海讯通科技股份有限公司 | 一种异常原因定位方法、装置和计算设备 |
CN106656837A (zh) * | 2016-10-14 | 2017-05-10 | 东软集团股份有限公司 | 网络拥塞问题的定位方法以及装置 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及*** |
CN106844576A (zh) * | 2017-01-06 | 2017-06-13 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、装置和监控设备 |
CN106991145A (zh) * | 2017-03-23 | 2017-07-28 | ***股份有限公司 | 一种监测数据的方法及装置 |
CN107144291A (zh) * | 2017-05-23 | 2017-09-08 | 维沃移动通信有限公司 | 一种数据处理方法及移动终端 |
CN107301564A (zh) * | 2017-06-12 | 2017-10-27 | 河南科技大学 | 基于聚类算法和回声状态网络的异常消费行为检测方法 |
-
2018
- 2018-02-05 CN CN201810113903.9A patent/CN108228428B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5311197A (en) * | 1993-02-01 | 1994-05-10 | Trimble Navigation Limited | Event-activated reporting of vehicle location |
CN102082998A (zh) * | 2010-01-15 | 2011-06-01 | 上海海事大学 | 一种支持tdoa、toa和rssi三种模式的实时定位方法 |
CN103516571A (zh) * | 2013-07-22 | 2014-01-15 | 浙江中控研究院有限公司 | 一种双can总线保证数据通信可靠性的***架构及其方法 |
CN104316801A (zh) * | 2014-10-31 | 2015-01-28 | 国家电网公司 | 基于时间序列相似性匹配的电力***故障诊断方法 |
CN104317285A (zh) * | 2014-11-10 | 2015-01-28 | 广东中烟工业有限责任公司 | 一种卷烟生产过程中异常原因确定方法及装置 |
CN105741192A (zh) * | 2016-02-29 | 2016-07-06 | 南京信息工程大学 | 一种风电场风电机机舱短期风速组合预报方法 |
CN105913062A (zh) * | 2016-04-26 | 2016-08-31 | 深圳前海云汉金融科技有限公司 | 一种基于大数据的趋势曲线局部特征的匹配方法及终端 |
CN105959372A (zh) * | 2016-05-06 | 2016-09-21 | 华南理工大学 | 一种基于移动应用的互联网用户数据分析方法 |
CN106126391A (zh) * | 2016-06-28 | 2016-11-16 | 北京百度网讯科技有限公司 | ***监控方法和装置 |
CN106656837A (zh) * | 2016-10-14 | 2017-05-10 | 东软集团股份有限公司 | 网络拥塞问题的定位方法以及装置 |
CN106502815A (zh) * | 2016-10-20 | 2017-03-15 | 北京蓝海讯通科技股份有限公司 | 一种异常原因定位方法、装置和计算设备 |
CN106844576A (zh) * | 2017-01-06 | 2017-06-13 | 北京蓝海讯通科技股份有限公司 | 一种异常检测方法、装置和监控设备 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及*** |
CN106991145A (zh) * | 2017-03-23 | 2017-07-28 | ***股份有限公司 | 一种监测数据的方法及装置 |
CN107144291A (zh) * | 2017-05-23 | 2017-09-08 | 维沃移动通信有限公司 | 一种数据处理方法及移动终端 |
CN107301564A (zh) * | 2017-06-12 | 2017-10-27 | 河南科技大学 | 基于聚类算法和回声状态网络的异常消费行为检测方法 |
Non-Patent Citations (1)
Title |
---|
郑黎明: "大规模通信网络流量异常检测与优化关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190803A (zh) * | 2018-08-14 | 2019-01-11 | 北京粉笔未来科技有限公司 | 预测方法、装置、计算设备及存储介质 |
CN109190803B (zh) * | 2018-08-14 | 2020-08-25 | 北京猿力未来科技有限公司 | 预测方法、装置、计算设备及存储介质 |
CN109257185A (zh) * | 2018-11-21 | 2019-01-22 | 新华三技术有限公司 | 一种网络设备、业务卡、逻辑装置及通知信息传输方法 |
CN109347685A (zh) * | 2018-11-21 | 2019-02-15 | 新华三技术有限公司 | 一种网络设备、逻辑装置及通知信息传输方法 |
CN109257185B (zh) * | 2018-11-21 | 2021-01-26 | 新华三技术有限公司 | 一种网络设备、业务卡、逻辑装置及通知信息传输方法 |
CN112470477B (zh) * | 2018-12-28 | 2024-06-11 | Jvc建伍株式会社 | 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序 |
CN112470477A (zh) * | 2018-12-28 | 2021-03-09 | Jvc建伍株式会社 | 图像编码装置、图像编码方法、图像编码程序、图像解码装置、图像解码方法及图像解码程序 |
CN110955862A (zh) * | 2019-11-26 | 2020-04-03 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN110955862B (zh) * | 2019-11-26 | 2023-10-13 | 新奥数能科技有限公司 | 一种用于设备模型趋势相似度的评估方法及装置 |
CN113010805A (zh) * | 2021-02-23 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 指标数据的处理方法、装置、设备及存储介质 |
CN113010805B (zh) * | 2021-02-23 | 2023-09-01 | 腾讯科技(深圳)有限公司 | 指标数据的处理方法、装置、设备及存储介质 |
CN112988536B (zh) * | 2021-03-09 | 2023-08-22 | 北京奇艺世纪科技有限公司 | 一种数据异常检测方法、装置、设备及存储介质 |
CN112988536A (zh) * | 2021-03-09 | 2021-06-18 | 北京奇艺世纪科技有限公司 | 一种数据异常检测方法、装置、设备及存储介质 |
CN113656452A (zh) * | 2021-07-28 | 2021-11-16 | 北京宝兰德软件股份有限公司 | 调用链指标异常的检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108228428B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108228428A (zh) | 用于输出信息的方法和装置 | |
CN108776808A (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
US11775412B2 (en) | Machine learning models applied to interaction data for facilitating modifications to online environments | |
CN108985446A (zh) | 用于告警的方法及装置 | |
CN111368980B (zh) | 状态检测方法、装置、设备及存储介质 | |
CN108880931A (zh) | 用于输出信息的方法和装置 | |
CN107451266A (zh) | 用于处理数据方法及其设备 | |
CN109976997A (zh) | 测试方法和装置 | |
CN108388563A (zh) | 信息输出方法和装置 | |
CN111526119A (zh) | 异常流量检测方法、装置、电子设备和计算机可读介质 | |
CN110334059A (zh) | 用于处理文件的方法和装置 | |
CN109902446A (zh) | 用于生成信息预测模型的方法和装置 | |
CN108182472A (zh) | 用于生成信息的方法和装置 | |
CN111181757A (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN110473042B (zh) | 用于获取信息的方法及装置 | |
CN111754278A (zh) | 物品推荐方法、装置、计算机存储介质和电子设备 | |
CN110766184A (zh) | 订单量预测方法和装置 | |
US20220414689A1 (en) | Method and apparatus for training path representation model | |
CN113780329A (zh) | 用于识别数据异常的方法、装置、服务器和介质 | |
CN111191677B (zh) | 用户特征数据生成方法、装置及电子设备 | |
CN109446384A (zh) | 用于生成人员组织架构信息的方法和*** | |
CN110866625A (zh) | 促销指标信息生成方法和装置 | |
CN116542781A (zh) | 任务分配方法、装置、计算机设备及存储介质 | |
CN114822741A (zh) | 患者分类模型的处理装置、计算机设备及存储介质 | |
CN109885564A (zh) | 用于发送信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |