CN109308226A - 数据异常确定方法及装置、存储介质和电子设备 - Google Patents

Abstract

本发明公开了一种数据异常确定方法及装置、存储介质和电子设备，涉及数据处理技术领域。该数据异常确定方法包括：获取用户端产出的数据；确定用于分析所述数据的模型；如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值；根据所述预测值确定所述数据是否异常。本公开可以及时判断出数据是否异常，而不需人为参与。

Description

数据异常确定方法及装置、存储介质和电子设备

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种数据异常确定方法、数据异常确定装置、存储介质和电子设备。

背景技术

一项业务可以包括多个数据处理环节，每个数据处理节点输出数据给下游数据节点，当某一节点的数据出现错误时，可能导致整个业务无法正常实现，甚至造成***的瘫痪。因此，需要一种技术来确定节点产出的数据是否异常。

目前，数据异常与否的判断仍依赖于人为的经验，也就是说，需要人为对数据进行分析来确定。一些情况下，在下游出现错误时，才会由开发人员人为判断输入至下游的数据是否异常。一方面，由于人为参与，耗费较多的人力成本和时间成本，且存在主观因素，可能出现前后判断不一致的情况；另一方面，在下游业务出现错误时再进行数据异常判断，这样大大降低了***运行的效率。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种数据异常确定方法及装置、存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的异常数据判断滞后且需要人为参与的问题。

根据本公开的一个方面，提供一种数据异常确定方法，包括：获取用户端产出的数据；确定用于分析所述数据的模型；如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值；根据所述预测值确定所述数据是否异常。

在本公开的一种示例性实施例中，所述数据包含所述模型的标识信息；其中，确定用于分析所述数据的模型包括：解析数据以得到所述模型的标识信息；根据所述标识信息确定用于分析所述数据的模型。

在本公开的一种示例性实施例中，确定用于分析所述数据的模型包括：确定所述数据的属性信息；基于预先配置的属性信息与模型的对应关系确定用于分析所述数据的模型。

在本公开的一种示例性实施例中，所述模型具有预测能力包括：所述模型的历史预测次数大于等于一预设次数。

在本公开的一种示例性实施例中，所述数据异常确定方法还包括：如果所述模型不具有预测能力，则将所述数据确定为正常数据，并将所述数据添加到所述模型的训练集中。

在本公开的一种示例性实施例中，根据所述预测值确定所述数据是否异常包括：将所述预测值与第一阈值进行比较，并根据比较的结果确定所述数据是否异常。

在本公开的一种示例性实施例中，根据所述预测值确定所述数据是否异常包括：计算所述预测值相对于历史平均预测结果的波动量；将所述波动量与第二阈值进行比较，并根据比较的结果确定所述数据是否异常。

根据本公开的一个方面，提供一种数据异常确定装置，包括数据获取模块、模型确定模块、预测值计算模块和异常确定模块。

具体的，数据获取模块，用于获取用户端产出的数据；模型确定模块，用于确定用于分析所述数据的模型；预测值计算模块，用于如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值；异常确定模块，用于根据所述预测值确定所述数据是否异常。

在本公开的一种示例性实施例中，所述数据包含所述模型的标识信息；其中，模型确定模块可以包括数据解析单元和第一模型确定单元。

具体的，模型解析单元可以用于解析数据以得到所述模型的标识信息；第一模型确定单元可以用于根据所述标识信息确定用于分析所述数据的模型。

在本公开的一种示例性实施例中，模型确定模块可以包括属性确定单元和第二模型确定单元。

具体的，属性确定单元可以用于确定所述数据的属性信息；第二模型确定单元可以用于基于预先配置的属性信息与模型的对应关系确定用于分析所述数据的模型。

在本公开的一种示例性实施例中，模型具有预测能力包括：模型的历史预测次数大于等于一预设次数。

在本公开的一种示例性实施例中，数据异常确定装置还可以包括正常数据确定模块。

具体的，正常数据确定模块可以用于如果所述模型不具有预测能力，则将所述数据确定为正常数据，并将所述数据添加到所述模型的训练集中。

在本公开的一种示例性实施例中，异常确定模块可以包括第一异常确定单元。

具体的，第一异常确定单元用于将所述预测值与第一阈值进行比较，并根据比较的结果确定所述数据是否异常。

在本公开的一种示例性实施例中，异常确定模块可以包括波动量计算单元和第二异常确定单元。

具体的，波动量计算单元可以用于计算所述预测值相对于历史平均预测结果的波动量；第二异常确定单元可以用于将所述波动量与第二阈值进行比较，并根据比较的结果确定所述数据是否异常。

根据本公开的一个方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的数据异常确定方法。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的数据异常确定方法。

在本公开的一些实施例所提供的技术方案中，获取用户端产出的数据，确定用于分析该数据的模型，如果模型具有预测能，则利用该模型计算数据的预测值，并根据预测值确定数据是否异常，一方面，本方案分析数据异常的方法采用了模型预测的过程，不需要人为参与，在节约了人力成本和时间成本的同时，避免了可能由于主观因素导致的判断错误；另一方面，可以在数据产出时进行判断，如果异常，避免了下游继续利用该数据进行业务操作的过程，提高了***运行的效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。在附图中：

图1示意性示出了根据本公开的示例性实施方式的数据异常确定方法的流程图；

图2示意性示出了根据本公开的示例性实施方式的确定数据是否异常的整个过程的流程图；

图3示意性示出了根据本公开的示例性实施方式的数据异常确定装置的方框图；

图4示意性示出了根据本公开的示例性实施方式的模型确定模块的方框图；

图5示意性示出了根据本公开的另一示例性实施方式的模型确定模块的方框图；

图6示意性示出了根据本公开的另一示例性实施方式的数据异常确定装置的方框图；

图7示意性示出了根据本公开的示例性实施方式的异常确定模块的方框图；

图8示意性示出了根据本公开的另一示例性实施方式的异常确定模块的方框图；

图9示出了根据本公开的示例性实施方式的存储介质的示意图；以及

图10示意性示出了根据本公开的示例性实施方式的电子设备的方框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示意性示出了本公开的示例性实施方式的数据异常确定方法的流程图。参考图1，所述数据异常确定方法可以包括以下步骤：

S12.获取用户端产出的数据。

本公开中所述的用户端可以指手机、平板、PC、智能手环等与个人相关的终端，另外，用户端还可以包括一些仪器设备，例如，探测仪、监控设备、智能机床等。

用户端在运行的过程中可以产出数据，例如，用户在使用手机进行导航时，手机可以产生用户所处位置的数据，并可以将这些数据发送至服务器。

虽然本公开着重描述用户端实时产出的数据，然而，步骤S12中的数据还可以是由用户端产出并保存在一存储单元的数据，在这种情况下，服务器可以从该存储单元获取产出的数据。

S14.确定用于分析所述数据的模型。

根据本公开的一些实施例，服务器获取的数据中可以包含模型的标识信息，该标识信息可以由用户端在产出数据时自动写入，或者在用户端由用户主动添加。在这种情况下，服务器可以对获取的数据进行解析，以得到模型的标识信息。接下来，服务器可以根据该标识信息确定出对应的模型，该模型即为用于分析数据的模型。

根据另外一些实施例，服务器在获取数据后，可以确定数据的属性信息。该属性信息可以是用于标识数据所属类别的信息，例如，数据的类别可以包括导航位置类数据、财务类数据、消费类数据、销售量数据等，不同类别的数据对应不同的属性信息。具体的，属性信息可以以一标识的形式存在于数据中，数据与属性信息的关系可以由开发人员根据实际情况自行设定。

属性信息可以与模型之间存在映射关系，也就是说，通过属性信息可以唯一确定出对应的模型，该映射关系可以由开发人员预先配置，并保存在服务器中。例如，可以通过查表的方式确定出属性信息对应的映射关系。在服务器确定数据的属性信息后，可以基于这种对应关系确定出用于分析数据的模型。

本公开实施例中采用的模型可以为ARIMA(AutoregressiveIntegrated MovingAverage Model，自回归积分滑动平均模型)。容易理解的是，数据类别的不同，对应的模型也会存在差异，本公开对具体采用的模型不做特殊限制。

本公开还可以包括构建模型的过程。具体的，首先，用户端可以向服务器发送json格式的建模请求，该模型请求可以包含但不限于模型名称、动态阈值、特征权值、模型算法、报警接收人等信息；接下来，服务器可以对该建模请求进行校验，具体可以验证建模请求的格式和包含的内容是否符合建模要求。如果通过验证，服务器可以执行建模过程并生成唯一ID的模型路径，用于保存模型的日志、预测结果、训练集数据等。如果未通过验证，则服务器可以向用户端发送一错误提示信息，以告知建模请求可能不满足建模要求。

另外，针对ARIMA模型，还可以采用统计分析软件SPSS(Statistical Product andService Solutions，统计产品与服务解决方案)构建模型。应当理解的是，本公开对模型构建的方式不做特殊限制。

S16.如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值。

在本公开的示例性实施方式中，模型具有预测能力可以包括模型的历史预测次数大于等于一预设次数。其中，可以进行试验以确定预设次数，例如，预测次数可以被配置为5，在这种情况下，如果模型的历史预测次数大于等于5，则可以确定该模型具有预测能力。

服务器在确定出模型具有预测能力时，可以利用模型计算数据的预测值。应当理解的是，不同的模型对应不同的计算过程，本公开对预测值的计算方法不做特殊限制。另外，还可以利用模型根据分类的原理对数据的预测值进行预测，也就是说，模型的不同分类结果对应不同的预测值。

此外，服务器在确定出模型不具有预测能力时，可以将获取的数据确定为正常数据，并将该数据添加到模型的训练集中。事实上，如果模型不具有预测能力，此时，用户端的用户可以人为确保用户端产出的数据是正确的数据，在服务器端，直接获取这些正确的数据，并将这些数据存入模型的训练集中，以确保之后模型预测的准确性。其中，关于用户人为确保用户端产出的数据是正确的数据，用户可以从历史数据库中获取历史正确的数据，并将这些数据发送给服务器。

S18.根据所述预测值确定所述数据是否异常。

根据本公开的一些实施例，服务器可以将预测值与第一阈值进行比较，并根据比较的结果确定数据是否异常。

具体的，如果预测值大于该第一阈值，则可以确定数据异常；如果预测值不大于该第一阈值，则可以确定数据正常。

可以对步骤S16中计算出的预测值进行归一化处理，在这种情况下，开发人员可以根据实际情况及一些实验结果设定第一阈值，例如将第一阈值设置为0.6，当预测值为0.48时，可以确定数据正常；当预测值为0.8时，可以确定数据异常。

根据另外一些实施例，首先，可以计算预测值相对于历史平均预测结果的波动量。具体的，可以将波动量表示为公式1：

波动量＝(历史平均预测结果-预测值)/预测值(公式1)

其中，历史平均预测结果可以指代正确数据的平均预测值。例如，历史平均预测结果为100，而预测值为50，则波动量为1。

接下来，可以将波动量与第二阈值进行比较，并根据比较结果确定数据是否正常。具体的，如果波动量大于该第二阈值，则可以确定数据异常；如果波动量不大于该第二阈值，则可以确定数据正常。

开发人员可以根据实际情况及一些实验结果设定第二阈值，例如将第二阈值设置为0.8，在上述波动量为1的实例中，可以确定出数据异常。

应当理解的是，上述第一阈值和第二阈值的设定仅是示例性的，本公开并不以此为限。

此外，针对确定出正常的数据，一方面，可以将该数据发送至下游业务端。以便下游业务利用该数据；另一方面，可以将该数据添加到该模型的训练集中。

针对确定出异常的数据，在本公开的一个实例中，服务器可以将数据异常的信息发送给用户端，用户端可以丢弃该数据，除记录日志外，不再对该数据进行任何处理；在本公开的另一个实例中，服务器可以对模型进行重新训练，也就是说，服务器可以格式化模型数据，并重新对该数据进行预测；在本公开的又一个实例中，服务器可以将数据异常的信息发送给用户端，在用户端，用户可以对该数据进行人为分析，如果用户确认该数据正常，则可以向服务器返回误判断的信息，服务器可以将该数据作为正常数据进行处理，并添加到模型训练集中。

下面将参考图2对本公开的确定数据是否异常的整个过程进行说明。

在步骤S202中，服务器可以获取用户端产出的数据；在步骤S204中，服务器可以确定出该数据对应的模型；在步骤S206中，服务器可以判断模型是否具有预测能力，如果不具有预测能力，确定出该数据正常，如果具有预测能力，则跳转至步骤S208；在步骤S208中，服务器可以计算数据的预测值。

接下来，服务器可以直接利用预测值确定数据是否异常，在这种情况下，由步骤S208跳转至步骤S210，在步骤S210中，服务器可以判断预测值是否大于第一阈值，如果大于第一阈值，则确定数据异常；如果不大于第一阈值，则确定数据正常。

另外，服务器可以采用波动量的方式确定数据是否异常，在这种情况下，由步骤S208跳转至步骤S212，在步骤S212中，服务器可以利用上述公式1计算波动量；在步骤S214中，服务器可以判断波动量是否大于第二阈值，如果大于第二阈值，则确定数据异常；如果不大于第二阈值，则确定数据正常。

在本公开的一些实施例所提供的数据异常确定方法中，一方面，本方案分析数据异常的方法采用了模型预测的过程，不需要人为参与，在节约了人力成本和时间成本的同时，避免了可能由于主观因素导致的判断错误；另一方面，可以在数据产出时进行判断，如果异常，避免了下游继续利用该数据进行业务操作的过程，提高了***运行的效率。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中还提供了一种数据异常确定装置。

图3示意性示出了本公开的示例性实施方式的数据异常确定装置的方框图。参考图3，根据本公开的示例性实施方式的数据异常确定装置3可以包括数据获取模块31、模型确定模块33、预测值计算模块35和异常确定模块37。

具体的，数据获取模块31可以用于获取用户端产出的数据；模型确定模块33可以用于确定用于分析所述数据的模型；预测值计算模块35可以用于如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值；异常确定模块37可以用于根据所述预测值确定所述数据是否异常。

根据本公开的示例性实施例，所述数据包含所述模型的标识信息；其中，参考图4，模型确定模块33可以包括数据解析单元401和第一模型确定单元403。

具体的，数据解析单元401可以用于解析数据以得到所述模型的标识信息；第一模型确定单元403可以用于根据所述标识信息确定用于分析所述数据的模型。

根据本公开的示例性实施例，参考图5，与上述模型确定模块33不同，另一实施例的模型确定模块51可以包括属性确定单元501和第二模型确定单元503。

具体的，属性确定单元501可以用于确定所述数据的属性信息；第二模型确定单元503可以用于基于预先配置的属性信息与模型的对应关系确定用于分析所述数据的模型。

根据本公开的示例性实施例，模型具有预测能力包括：模型的历史预测次数大于等于一预设次数。

根据本公开的示例性实施例，参考图6，数据异常确定装置6除相比于数据异常确定装置3，除包括数据获取模块31、模型确定模块33、预测值计算模块35和异常确定模块37，还可以包括正常数据确定模块61。

具体的，正常数据确定模块61可以用于如果所述模型不具有预测能力，则将所述数据确定为正常数据，并将所述数据添加到所述模型的训练集中。

根据本公开的示例性实施例，参考图7，异常确定模块37可以包括第一异常确定单元701。

具体的，第一异常确定单元701可以用于将所述预测值与第一阈值进行比较，并根据比较的结果确定所述数据是否异常。

根据本公开的示例性实施例，参考图8，本公开的另一异常确定模块81可以包括波动量计算单元801和第二异常确定单元803。

具体的，波动量计算单元801可以用于计算所述预测值相对于历史平均预测结果的波动量；第二异常确定单元803可以用于将所述波动量与第二阈值进行比较，并根据比较的结果确定所述数据是否异常。

在本公开的一些实施例所提供的数据异常确定装置中，一方面，本方案分析数据异常的方法采用了模型预测的过程，不需要人为参与，在节约了人力成本和时间成本的同时，避免了可能由于主观因素导致的判断错误；另一方面，可以在数据产出时进行判断，如果异常，避免了下游继续利用该数据进行业务操作的过程，提高了***运行的效率。

由于本发明实施方式的程序运行性能分析装置的各个功能模块与上述方法发明实施方式中相同，因此在此不再赘述。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。

参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

计算机可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

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、有线、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的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。

下面参照图10来描述根据本发明的这种实施方式的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同***组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1010执行，使得所述处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元1010可以执行如图1中所示的步骤S12至步骤S18。

存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)10201和/或高速缓存存储单元10202，还可以进一步包括只读存储单元(ROM)10203。

存储单元1020还可以包括具有一组(至少一个)程序模块10205的程序/实用工具10204，这样的程序模块10205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备1000也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种数据异常确定方法，其特征在于，包括：

获取用户端产出的数据；

确定用于分析所述数据的模型；

如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值；

根据所述预测值确定所述数据是否异常。

2.根据权利要求1所述的数据异常确定方法，其特征在于，所述数据包含所述模型的标识信息；其中，确定用于分析所述数据的模型包括：

解析数据以得到所述模型的标识信息；

根据所述标识信息确定用于分析所述数据的模型。

3.根据权利要求1所述的数据异常确定方法，其特征在于，确定用于分析所述数据的模型包括：

确定所述数据的属性信息；

基于预先配置的属性信息与模型的对应关系确定用于分析所述数据的模型。

4.根据权利要求1所述的数据异常确定方法，其特征在于，所述模型具有预测能力包括：

所述模型的历史预测次数大于等于一预设次数。

5.根据权利要求1或4所述的数据异常确定方法，其特征在于，所述数据异常确定方法还包括：

如果所述模型不具有预测能力，则将所述数据确定为正常数据，并将所述数据添加到所述模型的训练集中。

6.根据权利要求1所述的数据异常确定方法，其特征在于，根据所述预测值确定所述数据是否异常包括：

将所述预测值与第一阈值进行比较，并根据比较的结果确定所述数据是否异常。

7.根据权利要求1所述的数据异常确定方法，其特征在于，根据所述预测值确定所述数据是否异常包括：

计算所述预测值相对于历史平均预测结果的波动量；

将所述波动量与第二阈值进行比较，并根据比较的结果确定所述数据是否异常。

8.一种数据异常确定装置，其特征在于，包括：

数据获取模块，用于获取用户端产出的数据；

模型确定模块，用于确定用于分析所述数据的模型；

预测值计算模块，用于如果所述模型具有预测能力，则利用所述模型计算所述数据的预测值；

异常确定模块，用于根据所述预测值确定所述数据是否异常。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的数据异常确定方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的数据异常确定方法。