CN108920336A - 一种基于时间序列的服务异常提醒方法及装置 - Google Patents

Abstract

本申请公开了一种基于时间序列的服务异常提醒方法及装置，所述方法包括：按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值；根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值，所述预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的；根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒；在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。该方法及装置可以提高提醒效率，减少误报、漏报的情况。

Description

一种基于时间序列的服务异常提醒方法及装置

技术领域

本申请涉及计算机技术领域，尤其涉及一种基于时间序列的服务异常提醒方法及装置。

背景技术

随着计算机技术的发展，终端设备能够向用户提供的服务越来越多，例如个性化的手机操作***、个性化的手机桌面等。对于服务开发者来说，设置服务监控报警***是保障服务的高可用性的有效手段之一，在服务出现问题时，如果开发者能够第一时间发现，并对服务进行修复是及时止损的好方法。

目前的服务监控报警***，主要依赖服务开发人员的主观经验设置提醒指标的阈值，并在服务的提醒指标超过对应的阈值时进行提醒，例如，当服务在规定时间内出现的错误次数超过设定次数时进行提醒。

然而，在依据开发人员的主观经验设置提醒指标的阈值时，不仅需要经过大量的实践才能确定出较为合理的提醒指标阈值，而且当服务所依存的内部或外部环境发生变化时，又要依据新的主观经验对阈值进行调整，这不仅效率低下，漏报和误报的情况也比较严重。

发明内容

本申请实施例提供一种基于时间序列的服务异常提醒方法及装置，以提高提醒效率，以及减少漏报和误报的情况。

第一方面，本申请实施例提供一种基于时间序列的服务异常提醒方法，所述方法包括：

按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值，所述时间段位于当前时刻之前，且所述时间段包含所述当前时刻；

根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值，所述预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的；

根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒；

在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。

第二方面，本申请实施例还提供一种基于时间序列的服务异常提醒装置，所述装置包括：

第一获取模块，用于按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值，所述时间段位于当前时刻之前，且所述时间段包含所述当前时刻；

预测模块，用于根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值，所述预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的；

提醒模块，用于根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒；

添加模块，在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。

本申请实施例采用的上述至少一个技术方案，一方面，由于可以基于预设提醒指标的历史真实值的时间序列拟合得到的预测模型，预测出预设提醒指标在当前时刻之前一段时间内的预测值，并通过比较预设提醒指标在该时间段内的真实值与预测值，自动确定在该时间段内是否进行服务异常提醒，而不需要依据服务开发人员的主观经验设定阈值判断是否进行服务异常提醒，因此可以提高提醒效率；另一方面，由于能够将当前时间所在提醒周期内的预设提提醒指标的真实值添加至所述预设提醒指标的历史真实值中，对所述预测模型进行更新，使得上述至少一个技术方案具备自我学习能力，能够随着时间的推移自动更新预测模型，因此能够减少误报和漏报的情况。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的基于时间序列的服务异常提醒方法的一种流程示意图。

图2为本申请实施例提供的预设提醒指标的一种分布示意图。

图3为本申请实施例提供的预设提醒指标的另一种分布示意图。

图4为图1所示的实施例中的步骤S103的一种详细流程示意图。

图5为本申请实施例提供的基于时间序列的服务异常提醒方法的另一种流程示意图。

图6为本申请实施例提供的基于时间序列的服务异常提醒装置的一种结构示意图。

图7为图6所示的实施例中的模块603的一种详细结构示意图。

图8为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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。

为了解决现有技术中的提醒方案效率低下，以及误报漏报比较严重的问题，本申请实施例提供了一种基于时间序列的服务异常提醒方法和装置，下面分别进行说明。

需要说明的是，实施本申请实施例提供的一种基于时间序列的服务异常提醒方法及装置的执行主体，可以是终端也可以是服务器，本申请实施例对实施上述方法及装置的具体实施主体不做限定。

还需要说明的是，本申请实施例中述及的服务既可以是线上服务也可以是线下服务，线上服务例如可以是云存储服务、网络服务、电商服务等等，线下服务例如可以是终端的操作***服务等。

下面先对本申请实施例提供的一种基于时间序列的服务异常提醒方法进行说明。

如图1所示，本申请实施例提供的一种基于时间序列的服务异常提醒方法，可以包括如下步骤：

步骤101、按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值。

上述时间段位于当前时刻之前，且所述时间段包含所述当前时刻。上述预时间间隔通常小于服务异常提醒的提醒周期(提醒周期的确定将在下文详细说明，此处暂不说明)，和/或，上述指定长度小于所述提醒周期。

预设提醒指标是衡量目标服务运行情况的指标，例如，预设提醒指标可以是使用该服务的用户上报的服务出现异常或错误的次数；再如，预设提醒指标还可以是用户访问该服务的访问频率或访问次数，等等。

举例来说，按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值，可以是：每隔15分钟获取预设提醒指标在当前时刻之前(包括当前时刻)的15分钟内每一分钟对应的真实值，共15个。

在本申请实施例中，上述预设时间间隔与上述指定长度可以相等，也可以不相等。例如，预设时间间隔和所述指定长度均可以为15分钟，或者预设时间间隔可以为5分钟，而所述指定长度为15分钟。

步骤102、根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值。

其中，预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的。真实值的时间序列，可以理解为是按照时间自然向后推移的顺序对应分布的真实值。具体如图2和图3所示，预设提醒指标的真实值按照从4月19日向4月25日这样自然推移的顺序对应分布。

由于用户使用服务的行为具有周期性、季节性，进而使得预设提醒指标的分布也具备周期性、季节性，具体如图2所示，预设提醒指标——错误出现的次数，在时间序列上有两个明显的特征：一是周期性，具体是错误出现的次数在每天的变化趋势大致相同(也即提醒周期等于1天)，每天在中午和晚上分别出现午高峰和晚高峰，且每天的午高峰和晚高峰的值相对稳定，凌晨8点左右错误出现的次数出现波动；二是独立性，错误出现的次数只受服务***内部环境的影响，不会随着访问流量的波动而改变，即历史真实值(也称样本)数据量足够大时，错误出现次数的变化和服务***内部出现的异常存在一一对应关系。因此，可以通过对预设提醒指标的历史真实值的时间序列进行拟合，得到能够预测某一时段的预设提醒指标的值的预测模型。

进一步地，由于三次指数平滑算法可以对同时含有趋势和季节性的时间序列进行预测，因此，作为一个例子，本申请实施例提供的一种基于时间序列的服务异常提醒方法还可以包括：获取所述预设提醒指标的历史真实值的时间序列；根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预测模型。

更为具体的，可以先根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预设提醒指标的残差数据预测模型、所述预设提醒指标的趋势性数据预测模型以及所述预设提醒指标的季节性数据预测模型；然后将所述残差数据预测模型、所述趋势性数据预测模型和所述季节性数据预测模型的累加或累乘预测模型，确定为预测所述预设提醒指标的预测模型。下面会举例介绍，利用三次指数平滑算法确定预设提醒指标的预测模型的过程。

为了更清楚地理解三次指数平滑算法，下面先对一次指数平滑算法和二次指数平滑算法进行简要的介绍。

一次指数平滑算法基于以下递推关系：

s_i＝αx_i+(1-α)s_i-1

其中，s_i表示当前时刻之前i个数据的平滑值(称为残差数据)，α表示一次平滑系数，α∈[0,1]，α越接近1，平滑后的值越接近当前时刻的数据值，数据越不平滑，α越接近0，平滑后的值越接近前i个数据的平滑值，数据越平滑，通常通过不断地尝试找到α的最佳值。

基于一次指数平滑算法得到的预测模型可以为：

x_i+h＝s_i

其中，x_i+h表示预测值，i为最后一个历史真实值对应的时刻(对应于图2中的横坐标)。不难看出，基于一次指数平滑算法拟合得到的预测模型，预测出的时间序列是一条水平直线，不能反映时间序列的趋势和季节性。

二次指数平滑算法保留了趋势的信息，使得预测出的时间序列可以包含历史时间序列的变化趋势。二次指数平滑算法通过添加一个新的变量t来表示平滑后的趋势(称为趋势性数据)，使得二次指数平滑算法存在如下递推关系：

s_i＝αx_i+(1-α)(s_i-1+t_i-1)

t_i＝β(s_i-s_i-1)+(1-β)t_i-1

其中，β表示二次平滑系数，t表示趋势性数据，其余符号的物理含义与一次平滑算法中相同。

二次平滑指数算法的预测模型可以为：

x_i+h＝s_i+ht_i

其中，h表示相邻两个时间点之间的时长。

基于二次指数平滑算法拟合得到的预测模型，预测出的时间序列是一条斜的直线。不难看出，基于二次指数平滑算法拟合得到的预测模型虽然能够预测出时间序列的变化趋势，但不能预测时间序列的周期性或季节性变化规律。

因此，作为一个例子，在本申请实施例中选用三次指数平滑算法引入季节性参数p，拟合得出预测模型。

三次指数平滑算法存在如下递推关系：

s_i＝α(x_i-p_i-k)+(1-α)(s_i-1+t_i-1)

t_i＝β(s_i-s_i-1)+(1-β)t_i-1

p_i＝γ(x_i-s_i)+(1-γ)p_i-k

其中，α表示一次平滑系数，β表示二次平滑系数，γ表示三次平滑系数；在本申请实施例由于需要预测的值为预设提醒指标，因此，具体的，s可表示所述预设提醒指标的残差数据预测模型，t可表示所述预设提醒指标的趋势性数据预测模型，p可表示所述预设提醒指标的季节性数据预测模型，i表示时间点，k表示所述提醒周期，h表示相邻两个时间点之间的时长(也称步长)，mod表示取余数运算符号。

在此基础上，基于三次指数平滑算法可以得出累加和累乘两种预测模型：

其中，累加预测模型可以表示为：

x_i+h＝s_i+ht_i+p_{i-k+(h mod k)}

累乘预测模型可以表示为：

x_i+h＝(s_i+ht_i)p_{i-k+(h mod k)}

在累加预测模型和累乘预测模型中，x表示所述预设提醒指标的预测值，其余符号的物理含义参见上文。

上述步骤102中所采用的预测模型既可以是累加预测模型，也可以是累乘预测模型。当然，在实际应用中，可以根据实际的预测效果从这两个模型中选择一个较佳的作为步骤102中的预测模型。

在本申请实施例中，上述例子中的累加预测模型和累乘预测模型中的参数α、β和γ的具体值，是不断对所述预设提醒指标的历史真实值进行拟合得到的，α、β和γ的取值都在[0,1]之间。

下面对不断拟合得到较佳的α、β和γ值的过程进行简要的介绍。

首先，设定α、β和γ的初始值，例如他们的取值依次为：0.2、0.1和0.45.

其次，选取预设提醒指标的历史真实值和校验真实值。

具体如图3所示，可以将预设提醒指标在3月31日00:00至4月3日00:00这3天内的时间序列作为历史真实值，将4月3日00:00至4月4日00:00这1天的时间序列作为校验真实值。

再次，确定s、t、p的初始值，通常情况下，s₀＝x₀，t₀＝x₁-x₀，采用累加预测模型时p₀＝0，采用累乘预测模型时p₀＝1，其中，x₀为所选取的历史真实值的时间序列中的第一个值，x₁为所选取的历史真实值的时间序列中的第二个值。

然后，不断改变α、β和γ的取值，直到拟合出的预测模型预测出的预测值与校验真实值能够很好地吻合，例如，直到利用3月31日00:00至4月3日00:00这3天内的时间序列拟合出的预测模型，计算出的4月3日00:00至4月4日00:00这1天的预测值与这一1天的校验真实值能够很好地吻合。最后，将能够很好地吻合时的α、β和γ的取值作为预设提醒指标的预测模型的参数，从而得到预设提醒指标的预测模型。

需要说明的是，在以图3所示时间序列进行拟合时，k的取值可以为24(单位为小时)，h的取值可以为1(单位为小时)，也即步长为1。

还需要说明的是，在本申请实施例中，采用三次指数平滑算法拟合得到预测模型的方式仅仅是一个例子，不应理解为对本申请的保护范围的限定，在实际应用中，还可以利用其他算法对预设提醒指标的历史真实值的时间序列进行拟合得到预设提醒指标的预测模型。

步骤103、根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒。

在步骤103中，主要是对所述时间段内的多个真实值和所述时间段内的多个预测值进行比较，如果真实值与预测值相比差别较大(差别较大意味着服务出现了异常，预设提醒指标不符合预期)，则确定在所述时间段进行服务异常提醒。

具体的，所述时间段可以包含预设数量的时间点，例如所述时间段为15分钟，每一分钟对应1个时间点，则该时间段内包含15个时间点。

在此基础上，在第一个例子中，上述步骤103可以包括：

确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，则确定在所述时间段内进行服务异常提醒。

其中，离散程度具体可以用方差(又称标准差)、极差或平均差来表示。

可以理解，在真实值的离散程度超过预测值的离散程度预设倍数时，说明真实值出现了异常，需要触发服务异常提醒。其中，预设倍数可以人为设定，通常情况下预设倍数大于1，例如预设倍数可以等于2。

例如，假设所述时间段为15分钟，包含15个时间点，那么可以确定出预设提醒指标在该时间段内的15个真实值、15个预测值，这15个真实值对应的方差为a，15个预测值对应的方差为b，则在满足如下条件时进行服务异常提醒：a大于或等于b的预设倍数。

图3中直观地显示了真实值的离散程度和预测值的离散程度，具体的，4月3日00:00之前的真实值的波动(图3中的阴影部分)较小(也即真实值的离散程度较小)，4月3日00:00之后部分的预测值的波动较大(也即预测值的离散程度较大)。

不难想象，如果所述时段内的多个真实值相比于预测值离散程度更大，说明该时段内的真实值发生了大的波动，服务有可能出现了异常，需要及时报警，以便开发人员修复故障及时止损。

在第二个例子中，上述步骤103可以包括：

确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

如果所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

其中，预设阈值也可以人为设定。在实际应用中，可以设置一个阈值函数y＝f(x)，其中，x表示预设提醒指标的实际值，并基于实际值x确定上述预设阈值，以及将|x-p|﹥f(x)的时间点确定为目标时间点，p在这里表示预设提醒指标的预测值。预设比例也可以人为设定，例如预设比例可以等于30％。

例如，假设所述时间段为15分钟，包含15个时间点，那么可以确定出预设提醒指标在该时间段内的15个真实值、15个预测值、15个差值的绝对值，以及15个差值的绝对值中大于或等于预设阈值的比例为c，则在满足如下条件时进行服务异常提醒：c大于预设比例。

在第三个例子中，如图4所示，上述步骤103可以包括：

步骤401、确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度。

步骤402、确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点。

步骤403、如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，且所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

其中，预设倍数可以与第一个例子中的预设倍数相同，预设比例可以与第二个例子中的预设比例相同。

例如，假设所述时间段为15分钟，包含15个时间点，那么可以确定出预设提醒指标在该时间段内的15个真实值、15个预测值、15个差值的绝对值；假设这15个真实值对应的方差为a，15个预测值对应的方差为b，以及15个差值的绝对值中大于或等于预设阈值的比例为c，则在同时满足如下两个条件时进行服务异常提醒：1、a大于或等于b的预设倍数；2、c大于预设比例。

由于第三个例子中将真实值与预测值的离散程度，以及真实值与预测值的差值的绝对值大于或等于预设阈值的占比结合在一起，确定是否进行服务异常提醒，因此，可以更好地避免误报和漏报。

需要说明的是，根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒的方式可以不限于上述三种，在实际应用中，基于本申请的发明构思，可以扩展出更多的例子，本申请实施例对此不做限定。

步骤104、在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。

如图2和图3所示，提醒周期可以是一天。具体如图2所示，假如所述时间段在4月21日00:00至4月22日00:00这一提醒周期内，则可以在4月22日00:00过后的某一时刻，将4月21日00:00至4月22日00:00这一提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中。

图1所示的实施例提供的一种基于时间序列的服务异常提醒方法，一方面，由于可以基于预设提醒指标的历史真实值的时间序列拟合得到的预测模型，预测出预设提醒指标在当前时刻之前一段时间内的预测值，并通过比较预设提醒指标在该时间段内的真实值与预测值，自动确定在该时间段内是否进行服务异常提醒，而不需要依据服务开发人员的主观经验设定阈值判断是否进行服务异常提醒，因此可以提高提醒效率；另一方面，由于能够将当前时间所在提醒周期内的预设提提醒指标的真实值添加至所述预设提醒指标的历史真实值中，对所述预测模型进行更新，使得上述方法具备自我学习能力，能够随着时间的推移自动更新预测模型，因此能够减少误报和漏报的情况。

下面参考图5对本申请提供的一种基于时间序列的服务异常提醒方法进行进一步地说明。

如图5所示，本申请实施例提供的一种基于时间序列的服务异常提醒方法可以包括：

步骤501、获取预设提醒指标在指定长度的时间段内的多个真实值，以及确定所述预设提醒指标在所述时间段内的多个预测值。

在实际应用中，可以将执行步骤501的模块称为预测器。

更为具体的，步骤501包括：

步骤5015、从预设提醒指标的历史真实值存储数据库5011中，获取所述预设提醒指标的历史真实值的时间序列，并基于获取的历史真实值的时间序列拟合确定预测模型；

步骤5016、基于获取的所述预设提醒指标的历史真实值的时间序列，确定提醒周期数据5012；

步骤5017、获取所述预设提醒指标在所述时间段内的多个真实值(也即获取实时数据)，并基于步骤5015中确定出的预测模型确定所述时间段内的多个预测值。

步骤502、根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒；

在实际应用中，可以将执行步骤502的模块称为比较器。

更为具体的，步骤502可以包括：

步骤5021、确定所述时间段内多个真实值的离散程度是否大于或等于所述时间段内多个预测值的离散程度的预设倍数，如果是，执行步骤5022；否则，结束本流程；

步骤5022、确定所述时间段内多个真实值与多个预测值的多个差值绝对值中，超过预设阈值的数量；判断超过预设阈值的差值绝对值的数量占所述多个差值绝对值的比例是否大于或等于预设比例，如果是，则执行步骤503；否则，结束本流程。

步骤503、在步骤502得到的结果为是时，进行服务异常提醒。

在实际应用中，服务异常提醒的具体方式可以是触发报警器报警。

同样的，图5所示的一种基于时间序列的服务异常提醒方法，由于可以基于预设提醒指标的历史真实值拟合得到的预测模型，预测出预设提醒指标在当前时刻之前一段时间内的预测值，并通过比较预设提醒指标在该时间段内的真实值与预测值，自动确定在该时间段内是否进行服务异常提醒，而不需要依据服务开发人员的主观经验设定阈值判断是否进行服务异常提醒，因此可以提高提醒效率。

相应于上述方法实施例，本申请实施例还提供了一种基于时间序列的服务异常提醒装置，下面进行介绍。

如图6所示，本申请实施例提供的一种基于时间序列的服务异常提醒装置，可以包括：第一获取模块601、预测模块602、提醒模块603和添加模块604。

第一获取模块601，用于按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值，所述时间段位于当前时刻之前，且所述时间段包含所述当前时刻。

预设时间间隔和/或指定长度小于提醒周期。

预设提醒指标是衡量目标服务运行情况的指标。

在本申请实施例中，上述预设时间间隔与上述指定长度可以相等，也可以不相等。

预测模块602，用于根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值，所述预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的。

由于用户使用服务的行为具有周期性、季节性，进而使得预设提醒指标的分布也具备周期性、季节性，因此，可以通过对按时间顺序分布的预设提醒指标的历史真实值进行拟合，得到能够预测某一时段的预设提醒指标的值的预测模型。

进一步地，由于三次指数平滑算法可以对同时含有趋势和季节性的时间序列进行预测，因此，可选地，作为一个例子，图6所示的装置还可以包括：第二获取模块和预测模型确定模块。

第二获取模块，用于获取所述预设提醒指标的历史真实值的时间序列。

预测模型确定模块，用于根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预测模型。

在一个例子中，所述预测模型确定模块具体用于：

根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预设提醒指标的残差数据预测模型、所述预设提醒指标的趋势性数据预测模型以及所述预设提醒指标的季节性数据预测模型；

将所述残差数据预测模型、所述趋势性数据预测模型和所述季节性数据预测模型的累加或累乘预测模型，确定为预测所述预设提醒指标的预测模型。

在一个更为具体的例子中，所述预测模型可以为所述残差数据预测模型、所述趋势性数据预测模型和所述季节性数据预测模型的累加预测模型，具体可以用下式表示：

x_i+h＝(s_i+ht_i)p_{i-k+(h mod k)}

或者，在另一个更为具体的例子中，所述预测模型可以为所述残差数据预测模型、所述趋势性数据预测模型和所述季节性数据预测模型的累乘预测模型，具体可以用下式表示：

x_i+h＝s_i+ht_i+p_{i-k+(h mod k)}

在上述累加预测模型和累乘预测模型中，x表示所述预设提醒指标的预测值，s表示所述预设提醒指标的残差数据预测模型，t表示所述预设提醒指标的趋势性数据预测模型，p表示所述预设提醒指标的季节性数据预测模型，i表示时间点，k表示所述提醒周期，h表示相邻两个时间点之间的时长，mod表示取余数运算符号。

其中，预设提醒指标的残差数据预测模型具体可以为：

s_i＝α(x_i-p_i-k)+(1-α)(s_i-1+t_i-1)

预设提醒指标的趋势性数据预测模型具体可以为：

t_i＝β(s_i-s_i-1)+(1-β)t_i-1

预设提醒指标的季节性数据预测模型可以为：

p_i＝γ(x_i-s_i)+(1-γ)p_i-k

α表示一次平滑系数，β表示二次平滑系数，γ表示三次平滑系数，且α、β和γ的具体值是不断对所述预设提醒指标的历史真实值进行拟合得到的。

在实际应用中，可以根据实际的预测效果从累加预测模型和累乘预测模型中选择一个较佳的作为模块602中的预设提醒指标的预测模型。且，累加预测模型和累乘预测模型中的参数α、β和γ的具体值，是不断对所述预设提醒指标的历史真实值进行拟合得到的，α、β和γ的取值都在[0,1]之间。

需要说明的是，在本申请实施例中，采用三次指数平滑算法拟合得到预测模型的方式仅仅是一个例子，不应理解为对本申请的保护范围的限定，在实际应用中，还可以利用其他算法对预设提醒指标的历史真实值进行拟合得到预测模型。

提醒模块603，用于根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒。

在提醒模块603中，主要是对所述时间段内的多个真实值和所述时间段内的多个预测值进行比较，如果真实值与预测值相比差别较大(差别较大意味着服务出现了异常，预设提醒指标不符合预期)，则确定在所述时间段进行服务异常提醒。

具体的，所述时间段可以包含预设数量的时间点。

在此基础上，在一个例子中，提醒模块603可包括：第一确定子模块和第一提醒子模块。其中：

第一确定子模块，用于确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

第一提醒子模块，用于如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，则确定在所述时间段内进行服务异常提醒。

不难想象，如果所述时段内的多个真实值相比于预测值离散程度更大，说明该时段内的真实值发生了大的波动，服务有可能出现了异常，需要及时报警，以便开发人员修复故障及时止损。

可选地，在另一个例子中，提醒模块603可包括：第二确定子模块和第二提醒子模块，其中：

第二确定子模块，用于确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

第二提醒子模块，用于如果所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

同样可以理解，如果所述时段内的多个时间点中超过预设比例的时间点对应的差值绝对值超过预设阈值，说明该时段内的真实值偏离了正常的变化趋势，服务有可能出现了异常，需要及时报警，以便开发人员修复故障及时止损。。

可选地，在又一个例子中，如图7所示，提醒模块603可包括：第一确定子模块701、第二确定子模块702和第三提醒子模块703。

第一确定子模块701，用于确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

第二确定子模块702，用于确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

第三提醒子模块703，用于如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，且所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

在图7所示的例子中，由于将真实值与预测值的离散程度，以及真实值与预测值的差值的绝对值大于或等于预设阈值的占比结合在一起，确定是否进行服务异常提醒，因此，可以更好地避免误报和漏报。

需要说明的是，根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒的方式可以不限于上述三种，在实际应用中，基于本申请的发明构思，可以扩展出更多的例子，本申请实施例对此不做限定。

添加模块604，在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。

图6所示的实施例提供的一种基于时间序列的服务异常提醒装置，一方面，由于可以基于预设提醒指标的历史真实值的时间序列拟合得到的预测模型，预测出预设提醒指标在当前时刻之前一段时间内的预测值，并通过比较预设提醒指标在该时间段内的真实值与预测值，自动确定在该时间段内是否进行服务异常提醒，而不需要依据服务开发人员的主观经验设定阈值判断是否进行服务异常提醒，因此可以提高提醒效率；另一方面，由于能够将当前时间所在提醒周期内的预设提提醒指标的真实值添加至所述预设提醒指标的历史真实值中，对所述预测模型进行更新，使得上述装置具备自我学习能力，能够随着时间的推移自动更新预测模型，因此能够减少误报和漏报的情况。

需要说明的是，由于装置实施例执行的内容与方法实施例类似，因此，本文对装置实施例部分描述的较为简略，相关之处请参见方法实施例部分。

图8示出了是本申请实施例提供的一种电子设备的结构示意图。请参考图8，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基于时间序列的服务异常提醒装置。处理器，执行存储器所存放的程序，并具体用于执行本申请实施例提供的基于时间序列的服务异常提醒方法。

上述如本申请图6所示实施例揭示的基于时间序列的服务异常提醒装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图6所示实施例中基于时间序列的服务异常提醒装置执行的方法，并具体用于执行本申请实施例提供的基于时间序列的服务异常提醒方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，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、方法、商品或者设备不仅包括那些要素，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、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种基于时间序列的服务异常提醒方法，其特征在于，所述方法包括：

按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值，所述时间段位于当前时刻之前，且所述时间段包含所述当前时刻；

根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值，所述预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的；

根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒；

在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。

2.根据权利要求1所述的方法，其特征在于，所述时间段包含预设数量的时间点，以及

所述根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒，包括：

确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，则确定在所述时间段内进行服务异常提醒。

3.根据权利要求1所述的方法，其特征在于，所述时间段包含预设数量的时间点，以及

所述根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒，包括：

确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

如果所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

4.根据权利要求1所述的方法，其特征在于，所述时间段包含预设数量的时间点，以及

所述根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒，包括：

确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，且所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

5.根据权利要求1-4任一项所述的方法，其特征在于，

所述预设时间间隔和/或所述指定长度小于所述提醒周期。

6.根据权利要求1-4任一项所述的方法，其特征在于，在所述根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值之前，所述方法还包括：

获取所述预设提醒指标的历史真实值的时间序列；

根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预测模型。

7.根据权利要求6所述的方法，其特征在于，所述根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预测模型，包括：

根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预设提醒指标的残差数据预测模型、所述预设提醒指标的趋势性数据预测模型以及所述预设提醒指标的季节性数据预测模型；

将所述残差数据预测模型、所述趋势性数据预测模型和所述季节性数据预测模型的累加或累乘预测模型，确定为预测所述预设提醒指标的预测模型。

8.一种基于时间序列的服务异常提醒装置，其特征在于，所述装置包括：

第一获取模块，用于按照预设时间间隔获取预设提醒指标在指定长度的时间段内的多个真实值，所述时间段位于当前时刻之前，且所述时间段包含所述当前时刻；

预测模块，用于根据预测模型确定所述预设提醒指标在所述时间段内的多个预测值，所述预测模型，是基于所述预设提醒指标的历史真实值的时间序列拟合得到的；

提醒模块，用于根据所述时间段内的多个真实值和所述时间段内的多个预测值，确定在所述时间段内是否进行服务异常提醒；

添加模块，在所述时间段所在的提醒周期结束后，将所述提醒周期内所述预设提醒指标的真实值添加至所述预设提醒指标的历史真实值中，以对所述预测模型进行更新。

9.根据权利要求8所述的装置，其特征在于，所述时间段包含预设数量的时间点，所述提醒模块包括：

第一确定子模块，用于确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

第一提醒子模块，用于如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，则确定在所述时间段内进行服务异常提醒。

10.根据权利要求8所述的装置，其特征在于，所述时间段包含预设数量的时间点，以及所述提醒模块包括：

第二确定子模块，用于确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

第二提醒子模块，用于如果所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

11.根据权利要求8所述的装置，其特征在于，其特征在于，所述时间段包含预设数量的时间点，所述提醒模块包括：

第一确定子模块，用于确定所述预设数量的时间点对应的真实值的第一离散程度，以及所述预设数量的时间点对应的预测值的第二离散程度；

第二确定子模块，用于确定所述预设数量的时间点中目标时间点的数量，所述目标时间点为对应的真实值与对应的预测值的差值绝对值大于或等于预设阈值的时间点；

第三提醒子模块，用于如果所述第一离散程度大于或等于所述第二离散程度的预设倍数，且所述目标时间点的数量占所述预设数量的比例大于或等于预设比例，则确定在所述时间段内进行服务异常提醒。

12.根据权利要求8-11任一项所述的装置，其特征在于，

所述预设时间间隔和/或所述指定长度小于所述提醒周期。

13.根据权利要求8-11任一项所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于获取所述预设提醒指标的历史真实值的时间序列；

预测模型确定模块，用于根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预测模型。

14.根据权利要求13所述的装置，其特征在于，所述预测模型确定模块具体用于：

根据三次指数平滑算法和所述历史真实值的时间序列，确定所述预设提醒指标的残差数据预测模型、所述预设提醒指标的趋势性数据预测模型以及所述预设提醒指标的季节性数据预测模型；

将所述残差数据预测模型、所述趋势性数据预测模型和所述季节性数据预测模型的累加或累乘预测模型，确定为预测所述预设提醒指标的预测模型。