CN109558295A - 一种性能指标异常检测方法及装置 - Google Patents
一种性能指标异常检测方法及装置 Download PDFInfo
- Publication number
- CN109558295A CN109558295A CN201811371774.XA CN201811371774A CN109558295A CN 109558295 A CN109558295 A CN 109558295A CN 201811371774 A CN201811371774 A CN 201811371774A CN 109558295 A CN109558295 A CN 109558295A
- Authority
- CN
- China
- Prior art keywords
- value
- moment
- index
- detected
- normal distribution
- 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
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3024—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a central processing unit [CPU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3037—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a memory, e.g. virtual memory, cache
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例提供了一种性能指标异常检测方法及装置,其中,性能指标异常检测方法包括:获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取指定性能指标在待检测时刻前的多个历史时刻的第二指标值;根据各第二指标值,针对时间维度建立正态分布模型;基于正态分布模型,检测指定性能指标在待检测时刻是否异常。通过本方案,可以提高性能指标异常检测的准确性。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种性能指标异常检测方法及装置。
背景技术
随着互联网的高速发展,互联网用户数量逐年攀升,特别是大型的购物网站、门户网站等网站的用户访问量越来越大,给网站的应用服务器等电子设备带来了巨大的运行压力。因此,需要检测这些电子设备的性能,保证电子设备能够稳定运行。电子设备的性能检测主要是通过检测电子设备的性能指标(例如CPU(Central Processing Unit,中央处理器)使用率、内存使用率、网卡吞吐率、网页访问量等)是否处于正常状态,从而判断电子设备的性能是否稳定。
相应的性能指标异常检测方法中,首先需要人工标定出异常数据,对这些异常数据进行聚类处理,如果电子设备中出现新的性能指标值,通过分析该指标值与每个聚类中心的聚类结果,在该指标值属于某一类时,确定此时性能指标出现异常。
然而,由于电子设备的规模越来越大,数据也越来越多,人工标定异常数据时极易出现标定出错或者漏标定的情况,导致在进行性能指标异常检测时,存在大量的误报和漏报,检测结果的准确性较低。
发明内容
本发明实施例的目的在于提供一种性能指标异常检测方法及装置,以提高性能指标异常检测的准确性。具体技术方案如下:
第一方面,本发明实施例提供了一种性能指标异常检测方法,所述方法包括:
获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值;
根据各第二指标值,针对所述时间维度建立正态分布模型;
基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常。
第二方面,本发明实施例提供了一种性能指标异常检测装置,所述装置包括:
获取模块,用于获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值;
建立模块,用于根据各第二指标值,针对所述时间维度建立正态分布模型;
检测模块,用于基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常。
第三方面,本发明实施例提供了一种电子设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现本发明实施例第一方面所述的方法步骤。
第四方面,本发明实施例提供了一种机器可读存储介质,用于存储机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现本发明实施例第一方面所述的方法步骤。
本发明实施例提供的一种性能指标异常检测方法及装置,获取性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取性能指标在待检测时刻前的多个历史时刻的第二指标值,根据时间维度下的各第二指标值,针对该时间维度建立正态分布模型,基于正态分布模型,检测性能指标在待检测时刻是否异常。通过获取满足预设时间规律的时间维度下多个历史时刻的第二指标值,针对该时间维度建立正态分布模型,由于性能指标的指标值往往具有一定的时间规律性,一个指标值是否异常与满足预设时间规律的时间维度下历史时刻的第二指标值相关,因此,基于正态分布模型能够准确地检测出性能指标在待检测时刻是否异常,不需要人工进行异常数据的标定,降低了人工标定所带来的异常检测的误报和漏报的风险,从而提高了性能指标异常检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明实施例的性能指标异常检测方法的流程示意图;
图2为本发明实施例的性能指标异常检测装置的结构示意图;
图3为本发明实施例的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为了提高性能指标异常检测的准确性,本发明实施例提供了一种性能指标异常检测方法、装置、电子设备及机器可读存储介质。下面首先对本发明实施例所提供的一种性能指标异常检测方法进行介绍。
本发明实施例所提供的一种性能指标异常检测方法的执行主体可以为例如网站应用服务器、云平台服务器、网关、路由器、交换机等电子设备,实现本发明实施例所提供的一种性能指标异常检测方法的方式可以为设置于执行主体中的软件、硬件电路和逻辑电路中的至少一种。
如图1所示,本发明实施例所提供的一种性能指标异常检测方法,可以包括如下步骤:
S101,获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取指定性能指标在待检测时刻前的多个历史时刻的第二指标值。
性能指标是指互联网中的电子设备的运行性能相关的指标,性能指标主要分为两种类型:服务指标和机器指标。服务指标是指能够反映电子设备的规模、质量的性能指标,例如,网页响应时间、网页访问量、连接错误数量等;机器指标是指能够反映电子设备健康状态的性能指标,例如,CPU使用率、磁盘IO、网卡吞吐率等。指定性能指标可以是上述的任一种性能指标,指标值即为性能指标在某一时刻的具体取值。
对于一个性能指标而言,正常的指标值往往具有一定的时间规律性,但是异常的指标值与正常的指标值差异较大,通常无法满足正常的指标值的规律性,因此,可以按照满足预设时间规律的时间维度,获取指定性能指标在待检测时刻前的多个历史时刻的第二指标值。一个性能指标在某一时刻是否发生异常通常与该时刻的相邻时间段的指标值、周期内对应时刻的指标值相关,可以按照这样的规律去获取历史时刻的第二指标值,其中,满足预设时间规律的时间维度可以包括待检测时刻前的相邻时间段的维度、待检测时刻前的多个预设周期内待检测时刻的对应时刻所处时间段的维度等等。当然,由于相邻时间段划分的大小(10分钟内、30分钟内、1小时内等等)、预设周期的数目、预设周期的大小(1天、1周、1个月等等)可以自行设置,对应的时间维度实际有很多种,并且,其他能够满足性能指标时间规律性的维度也属于本发明实施例的保护范围,这里不再赘述。
可选的,满足预设时间规律的时间维度包括:待检测时刻前的相邻时间段的时间维度,和/或,待检测时刻前的多个预设周期内待检测时刻的对应时刻所处时间段的时间维度;
相应的,S101具体可以为:
获取待检测时刻前满足指定时间窗口大小的相邻时间段中各历史时刻的第二指标值;
和/或,
获取待检测时刻前满足指定数量的多个预设周期内待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值。
按照上述指标值的时间规律性,时间维度可以为以下两种时间维度中的至少一种:待检测时刻前的相邻时间段的时间维度、待检测时刻前的多个预设周期内待检测时刻的对应时刻所处时间段的时间维度。待检测时刻前的相邻时间段内的各第二指标值,可以理解为待检测时刻前满足指定时间窗口大小的相邻时间段中的各第二指标值,以CPU使用率为例,待检测时刻为2018年8月11日12:07,指定时间窗口为7分钟,则通过对第一指标值和第二指标值的获取,得到的指标值如表1。
表1
性能指标的名称 | 时间 | 指标值 |
CPU使用率 | 2018年11月8日12:00 | 0.60 |
CPU使用率 | 2018年11月8日12:01 | 0.60 |
CPU使用率 | 2018年11月8日12:02 | 0.61 |
CPU使用率 | 2018年11月8日12:03 | 0.62 |
CPU使用率 | 2018年11月8日12:04 | 0.67 |
CPU使用率 | 2018年11月8日12:05 | 0.99 |
CPU使用率 | 2018年11月8日12:06 | 0.91 |
CPU使用率 | 2018年11月8日12:07 | 0.99 |
待检测时刻前的多个预设周期内待检测时刻的对应时刻所处时间段内的第二指标值,可以理解为待检测时刻前满足指定数量的多个预设周期内待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值,以CPU使用率为例,待检测时刻为2018年8月11日12:07,预设周期设置为1天、指定数量为5,则可以分别提取1天前(2018年8月10日)、2天前(2018年8月9日)、3天前(2018年8月8日)、4天前(2018年8月7日)、5天前(2018年8月6日)在12:07的周围时间段(例如12:03~12:10)内的各第二指标值。
针对不同的性能指标的周期波动性和局部波动性不同,有的性能指标1个小时内的波动性较大,则可以将指定时间窗口大小设置的大一点;有的性能指标每天的波动性较大,则可以将指定数量设置的大一点。
因此,可选的,指定时间窗口大小的确定方式具体可以为:
获取初始时间窗口大小,以及待检测时刻前满足初始时间窗口大小的相邻时间段中各历史时刻的第二指标值;
根据相邻时间段中的各第二指标值,计算相邻时间段中所有第二指标值的均值及标准差;
根据均值及标准差,计算初始时间窗口内的指标值波动性;
根据初始时间窗口大小及初始时间窗口内的指标值波动性,确定指定时间窗口大小,其中,指定时间窗口大小与初始时间窗口内的指标值波动性成正比。
假设初始时间窗口大小为5,可以获取待检测时刻前相邻的5个时刻的第二指标值,然后对这5个第二指标值计算均值mean1和标准差sigmoid1,则初始时间窗口内的指标值波动性wave1=(max1-mean1)/sigmoid1,其中,max1为这5个第二指标值中最大的指标值。初始时间窗口内的指标值波动性越大则指定时间窗口大小越大,即指定时间窗口大小与初始时间窗口内的指标值波动性成正比,因此,对初始时间窗口大小和初始时间窗口内的指标值波动性做乘积,得到的结果即为指定时间窗口大小,即,指定时间窗口大小=初始时间窗口大小*初始时间窗口内的指标值波动性。
可选的,指定数量的确定方式具体可以为:
获取初始数量,以及待检测时刻前满足初始数量的多个预设周期内待检测时刻的对应时刻所处周期时间段中各时刻的第二指标值;
针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中所有第二指标值的第一均值;
根据各第一均值,计算所有周期时间段的第二均值及标准差;
根据第二均值及标准差,计算初始数量的多个预设周期间的指标值波动性;
根据初始数量及多个预设周期间的指标值波动性,确定指定数量,其中,指定数据与多个预设周期间的指标值波动性成正比。
假设初始数量为7,可以获取待检测时刻前7个预设周期内待检测时刻的对应时刻所处周期时间段中各时刻的第二指标值,假设周期时间段为5,即会获取到7组、每组5个第二指标值。然后针对每一组,计算每组中各第二指标值的第一均值,总共得到7个均值,再对这7个均值求均值mean2和标准差sigmoid2,则初始数量的多个预设周期间的指标值波动性wave2=(max2-mean2)/sigmoid2,其中,max2为这7个均值中的最大值。多个预设周期间的指标值波动性越大则指定数量越大,即指定数量与多个预设周期间的指标值波动性成正比,因此,对初始数量和多个预设周期间的指标值波动性做乘积,得到的结果即为指定数量,即,指定数量=初始数量*多个预设周期间的指标值波动性。周期时间段的设置可以与上述的时间窗口大小相同,也可以不同,这里不做限定,周期时间段的范围的确定可以是待检测时刻对应时刻的指标值位于周期时间段的正中间,也可以只要是包含的关系即可。
可选的,在执行S101之后,本发明实施例所提供的性能指标异常检测方法还可以执行如下步骤:
根据各第二指标值,计算所有第二指标值的均值及标准差;
根据标准差,确定第六阈值,其中,第六阈值为标准差的预设倍数;
分别判断各第二指标值与均值的差值绝对值是否超过第六阈值;
若任一第二指标值与均值的差值绝对值超过第六阈值,则删除该第二指标值,重新计算均值及标准差,直至所有第二指标值与均值的差值绝对值均不超过第六阈值。
为了防止噪声等脏数据对历史指标值产生干扰,可以设置一预设倍数,该预设倍数的取值一般较大,例如6倍,则可以根据标准差sigmoid确定第六阈值,如果存在第二指标值大于mean+6*sigmoid或者小于mean-6*sigmoid,则需要将这些第二指标值过滤掉再重新计算均值mean和标准差sigmoid,直至剩下的第二指标值没有大于mean+6*sigmoid或者小于mean-6*sigmoid的。
S102,根据各第二指标值,针对时间维度建立正态分布模型。
综上所述,在不同的时间维度下可以获取到多个历史时刻的第二指标值,而指标值的时间规律可以通过这些历史时刻的第二指标值的均值和标准差分析出来,因此,可以根据各第二指标值,建立正态分布模型。并且,除了通过待检测时刻的第一指标值本身与历史时刻的第二指标值的区别来判断待检测时刻的性能指标是否异常之外,还可以通过待检测时刻的变化幅度值与历史时刻的变化幅度值的区别来判断待检测时刻的性能指标是否异常,变化幅度值为当前时刻的指标值与上一时刻的指标值的差值绝对值。
可选,S102具体可以为:
根据相邻时间段中的各第二指标值,计算相邻时间段中所有第二指标值的均值及标准差;基于相邻时间段中所有第二指标值的均值及标准差,建立第一正态分布模型;
和/或,
根据相邻时间段中的各第二指标值,计算相邻时间段中各第二指标值的变化幅度值;根据各变化幅度值,计算相邻时间段中所有变化幅度值的均值及标准差;基于相邻时间段中所有变化幅度值的均值及标准差,建立第二正态分布模型。
针对待检测时刻前的相邻时间段的时间维度,可以针对该时间维度下的多个历史时刻的第二指标值建立第一正态分布模型,也可以针对该时间维度下的多个历史时刻的变化幅度值建立第二正态分布模型。当然,如果指标值和变化幅度值都考虑,可以进一步提高检测的准确性,因此,可以同时建立第一正态分布模型和第二正态分布模型。
可选的,S102具体还可以为:
根据各周期时间段中的所有第二指标值,计算所有周期时间段中所有第二指标值的均值及标准差;基于所有周期时间段中所有第二指标值的均值及标准差,建立第三正态分布模型;
和/或,
针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中各第二指标值的变化幅度值;根据各周期时间段中的所有变化幅度值,计算所有周期时间段中所有变化幅度值的均值及标准差;基于所有周期时间段中所有变化幅度值的均值及标准差,建立第四正态分布模型。
针对待检测时刻前的多个预设周期内待检测时刻的对应时刻所处时间段的时间维度,可以针对该时间维度下的多个历史时刻的第二指标值建立第三正态分布模型,也可以针对该时间维度下每个周期内的多个历史时刻的变化幅度值建立第四正态分布模型。当然,如果指标值和变化幅度值都考虑,可以进一步提高检测的准确性,因此,可以同时建立第三正态分布模型和第四正态分布模型。
综上所述,最终建立的正态分布模型可以包括上述第一正态分布模型、第二正态分布模型、第三正态分布模型和第四正态分布模型中的至少一个,当然,为了保证检测的高准确性,可以同时建立上述四个正态分布模型。以CPU使用率为例,待检测时刻为2018年8月11日12:07,则可以建立以下四个正态分布模型:
第一个正态分布模型是针对待检测时刻前N(指定时间窗口大小)个时刻的第二指标值建立,即基于2018年8月11日12:07之前的N个时刻的第二指标值计算均值mean和标准差sigmoid,建立正态分布模型;
第二个正态分布模型是针对待检测时刻前N个时刻的变化幅度值建立,即基于2018年8月11日12:07之前的N个时刻的N-1个变化幅度值计算均值mean和标准差sigmoid,建立正态分布模型;
第三个正态分布模型是针对待检测时刻前M(指定数量)个周期待检测时刻的对应时刻周围N个时刻的第二指标值建立,即基于2018年8月11日12:07上一个周期(2018年8月10日)12:07的前N/2个时刻和后N/2个时刻的第二指标值,前M个周期以此类推,计算所有第二指标值的均值mean和标准差sigmoid,建立正态分布模型;
第四个正态分布模型是针对待检测时刻前M(指定数量)个周期待检测时刻的对应时刻周围N个时刻的变化幅度值建立,即基于2018年8月11日12:07上一个周期(2018年8月10日)12:07的前N/2-1个时刻和后N/2个时刻的变化幅度值,前M个周期以此类推,计算所有变化幅度值的均值mean和标准差sigmoid,建立正态分布模型。
需要说明的一点,由于上述计算中指标值属于小数据样本,为了保证利用小数据样本可以更好的逼近总体的标准差,可以采用无偏估计的方式计算标准差,即标准差的计算公式如公式(1)所示。
其中,sigmoid表示标准差,n表示第二指标值或者变化幅度值的总数目,Xi表示第i个第二指标值或者第i个变化幅度值,代表均值。
S103,基于正态分布模型,检测指定性能指标在待检测时刻是否异常。
正态分布模型包括历史时刻的各第二指标值的均值和标准差,基于均值和标准差可以确定一个阈值,依次来判断第一指标值是否异常,一般情况下,如果第一指标值超过标准差的一定倍数,则会认为指定性能指标在待检测时刻出现异常。
可选的,S103具体可以为:
根据第一正态分布模型中的标准差,确定第一阈值,其中,第一阈值为标准差的预设倍数;若第一指标值与第一正态分布模型中均值的差值绝对值超过第一阈值,则确定在第一正态分布模型下,指定性能指标在待检测时刻异常;
和/或,
根据第二正态分布模型中的标准差,确定第二阈值,其中,第二阈值为标准差的预设倍数;根据第一指标值及待检测时刻的前一时刻的第二指标值,确定待检测时刻的变化幅度值;若该变化幅度值与第二正态分布模型中均值的差值绝对值超过第二阈值,则确定在第二正态分布模型下,指定性能指标在待检测时刻异常。
针对第一正态分布模型,可以基于标准差确定第一阈值,设定预设倍数为A1倍,则可以判断第一指标值是否大于mean+A1*sigmoid或者小于mean-A1*sigmoid,如果第一指标值大于mean+A1*sigmoid或者小于mean-A1*sigmoid,则认为在第一正态分布模型下,指定性能指标在待检测时刻异常。
针对第二正态分布模型,可以基于标准差确定第二阈值,设定预设倍数为A2倍,则可以判断待检测时刻的变化幅度值是否大于mean+A2*sigmoid或者小于mean-A2*sigmoid,如果待检测时刻的变化幅度值大于mean+A2*sigmoid或者小于mean-A2*sigmoid,则认为在第二正态分布模型下,指定性能指标在待检测时刻异常。
如果同时建立第一正态分布模型和第二正态分布模型,在分别判断这两个正态分布模型下,指定性能指标在待检测时刻是否异常时,A1和A2的取值可以相同也可以不同。当然,为了更便于分析,可以将A1和A2取相同的值。
可选的,S103具体可以为:
根据第三正态分布模型中的标准差,确定第三阈值,其中,第三阈值为标准差的预设倍数;若第一指标值与第三正态分布模型中均值的差值绝对值超过第三阈值,则确定在第三正态分布模型下,指定性能指标在待检测时刻异常;
和/或,
根据第四正态分布模型中的标准差,确定第四阈值,其中,第四阈值为标准差的预设倍数;根据第一指标值及待检测时刻的前一时刻的第二指标值,确定待检测时刻的变化幅度值;若该变化幅度值与第四正态分布模型中均值的差值绝对值超过第四阈值,则确定在第四正态分布模型下,指定性能指标在待检测时刻异常。
针对第三正态分布模型,可以基于标准差确定第三阈值,设定预设倍数为A3倍,则可以判断第一指标值是否大于mean+A3*sigmoid或者小于mean-A3*sigmoid,如果第一指标值大于mean+A3*sigmoid或者小于mean-A3*sigmoid,则认为在第三正态分布模型下,指定性能指标在待检测时刻异常。
针对第四正态分布模型,可以基于标准差确定第四阈值,设定预设倍数为A4倍,则可以判断待检测时刻的变化幅度值是否大于mean+A4*sigmoid或者小于mean-A4*sigmoid,如果待检测时刻的变化幅度值大于mean+A4*sigmoid或者小于mean-A4*sigmoid,则认为在第四正态分布模型下,指定性能指标在待检测时刻异常。
如果同时建立第三正态分布模型和第四正态分布模型,在分别判断这两个正态分布模型下,指定性能指标在待检测时刻是否异常时,A3和A4的取值可以相同也可以不同。当然,为了更便于分析,可以将A3和A4取相同的值。并且,如果同时建立第一正态分布模型、第二正态分布模型、第三正态分布模型和第四正态分布模型,在分别判断这四个正态分布模型下,指定性能指标在待检测时刻是否异常时,A1、A2、A3和A4的取值可以相同也可以不同。
可选的,S103具体还可以为:
确定在各正态分布模型下指定性能指标在待检测时刻是否异常的检测结果;
若检测结果为异常的正态分布模型的种类数大于第五阈值,则确定指定性能指标在待检测时刻异常。
如果建立的正态分布模型为多个,则针对每一个正态分布模型,都可以确定在该正态分布模型下指定性能指标在待检测时刻是否异常的检测结果,可以设置一个阈值(第五阈值),将检测结果为异常的正态分布模型的种类数与第五阈值进行比较,如果大于第五阈值,则可以确定指定性能指标在待检测时刻异常,如果希望尽可能查出更多的异常指标值,则可以将第五阈值设置的更小一点,如果希望查出的异常指标值的可信度更高,则可以将第五阈值设置的更大一点。例如,建立了四个正态分布模型,可以设置第五阈值为1,即只要有一个正态分布模型下指定性能指标在待检测时刻发生异常,则查出的异常指标值较多;如果设置第五阈值为3,即必须四个正态分布模型下指定性能指标在待检测时刻均发生异常,才可以确定指定性能指标发生异常,具有更高的可信度。
应用本实施例,获取性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取性能指标在待检测时刻前的多个历史时刻的第二指标值,根据时间维度下的各第二指标值,针对该时间维度建立正态分布模型,基于正态分布模型,检测性能指标在待检测时刻是否异常。通过获取满足预设时间规律的时间维度下多个历史时刻的第二指标值,针对该时间维度建立正态分布模型,由于性能指标的指标值往往具有一定的时间规律性,一个指标值是否异常与满足预设时间规律的时间维度下历史时刻的第二指标值相关,因此,基于正态分布模型能够准确地检测出性能指标在待检测时刻是否异常,不需要人工进行异常数据的标定,降低了人工标定所带来的异常检测的误报和漏报的风险,从而提高了性能指标异常检测的准确性。
根据性能指标的变化特点,可以设定指定时间窗口大小和指定数量,使得异常检测算法具有更高的灵活性、更为贴合性能指标的变化特点。并且,方法中的各阈值均可调,尤其是第五阈值,使得异常检测算法的输出更优。正对建立四个正态分布模型的情况,利用指标值的周期性和异常发生时一般伴随着变化幅度的巨变的规律,充分考虑了指标值的变化特点,能够有效地发现异常,具有准确性高、误报率低、自适应强等特点。
相应于上述方法实施例,本发明实施例还提供了一种性能指标异常检测装置,如图2所示,该性能指标异常检测装置可以包括:
获取模块210,用于获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值;
建立模块220,用于根据各第二指标值,针对所述时间维度建立正态分布模型;
检测模块230,用于基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常。
可选的,所述满足预设时间规律的时间维度包括:所述待检测时刻前的相邻时间段的时间维度,和/或,所述待检测时刻前的多个预设周期内所述待检测时刻的对应时刻所处时间段的时间维度;
所述获取模块210,具体可以用于:
获取所述待检测时刻前满足指定时间窗口大小的相邻时间段中各历史时刻的第二指标值;
和/或,
获取所述待检测时刻前满足指定数量的多个预设周期内所述待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值。
可选的,所述获取模块210,还可以用于获取初始时间窗口大小,以及所述待检测时刻前满足所述初始时间窗口大小的相邻时间段中各历史时刻的第二指标值;
所述装置还可以包括:
计算模块,用于根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中所有第二指标值的均值及标准差;根据所述均值及所述标准差,计算所述初始时间窗口内的指标值波动性;
确定模块,用于根据所述初始时间窗口大小及所述初始时间窗口内的指标值波动性,确定指定时间窗口大小,所述指定时间窗口大小与所述初始时间窗口内的指标值波动性成正比。
可选的,所述获取模块210,还可以用于获取初始数量,以及所述待检测时刻前满足所述初始数量的多个预设周期内所述待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值;
所述装置还可以包括:
计算模块,用于针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中所有第二指标值的第一均值;根据各第一均值,计算所有周期时间段的第二均值及标准差;根据所述第二均值及所述标准差,计算所述初始数量的多个预设周期间的指标值波动性;
确定模块,用于根据所述初始数量及所述多个预设周期间的指标值波动性,确定指定数量,所述指定数量与所述多个预设周期间的指标值波动性成正比。
可选的,所述建立模块220,具体可以用于:
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中所有第二指标值的均值及标准差;基于所述相邻时间段中所有第二指标值的均值及标准差,建立第一正态分布模型;
和/或,
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中各第二指标值的变化幅度值;根据各变化幅度值,计算所述相邻时间段中所有变化幅度值的均值及标准差;基于所述相邻时间段中所有变化幅度值的均值及标准差,建立第二正态分布模型;
所述检测模块230,具体可以用于:
根据所述第一正态分布模型中的标准差,确定第一阈值,所述第一阈值为所述标准差的预设倍数;若所述第一指标值与所述第一正态分布模型中均值的差值绝对值超过所述第一阈值,则确定在所述第一正态分布模型下,所述指定性能指标在所述待检测时刻异常;
和/或,
根据所述第二正态分布模型中的标准差,确定第二阈值,所述第二阈值为所述标准差的预设倍数;根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值,确定所述待检测时刻的变化幅度值;若所述变化幅度值与所述第二正态分布模型中均值的差值绝对值超过所述第二阈值,则确定在所述第二正态分布模型下,所述指定性能指标在所述待检测时刻异常。
可选的,所述建立模块220,具体可以用于:
根据各周期时间段中的所有第二指标值,计算所有周期时间段中所有第二指标值的均值及标准差;基于所有周期时间段中所有第二指标值的均值及标准差,建立第三正态分布模型;
和/或,
针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中各第二指标值的变化幅度值;根据各周期时间段中的所有变化幅度值,计算所有周期时间段中所有变化幅度值的均值及标准差;基于所有周期时间段中所有变化幅度值的均值及标准差,建立第四正态分布模型;
所述检测模块230,具体可以用于:
根据所述第三正态分布模型中的标准差,确定第三阈值,所述第三阈值为所述标准差的预设倍数;若所述第一指标值与所述第三正态分布模型中均值的差值绝对值超过所述第三阈值,则确定在所述第三正态分布模型下,所述指定性能指标在所述待检测时刻异常;
和/或,
根据所述第四正态分布模型中的标准差,确定第四阈值,所述第四阈值为所述标准差的预设倍数;根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值,确定所述待检测时刻的变化幅度值;若所述变化幅度值与所述第四正态分布模型中均值的差值绝对值超过所述第四阈值,则确定在所述第四正态分布模型下,所述指定性能指标在所述待检测时刻异常。
可选的,所述检测模块230,具体可以用于:
确定在各正态分布模型下所述指定性能指标在所述待检测时刻是否异常的检测结果;
若检测结果为异常的正态分布模型的种类数大于第五阈值,则确定所述指定性能指标在所述待检测时刻异常。
可选的,所述装置还可以包括:
计算模块,用于根据各第二指标值,计算所有第二指标值的均值及标准差;
确定模块,用于根据所述标准差,确定第六阈值,所述第六阈值为所述标准差的预设倍数;
判断模块,用于分别判断各第二指标值与所述均值的差值绝对值是否超过所述第六阈值;
删除模块,用于若任一第二指标值与所述均值的差值绝对值超过所述第六阈值,则删除该第二指标值,重新计算均值及标准差,直至所有第二指标值与所述均值的差值绝对值均不超过所述第六阈值。
应用本实施例,获取性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取性能指标在待检测时刻前的多个历史时刻的第二指标值,根据时间维度下的各第二指标值,针对该时间维度建立正态分布模型,基于正态分布模型,检测性能指标在待检测时刻是否异常。通过获取满足预设时间规律的时间维度下多个历史时刻的第二指标值,针对该时间维度建立正态分布模型,由于性能指标的指标值往往具有一定的时间规律性,一个指标值是否异常与满足预设时间规律的时间维度下历史时刻的第二指标值相关,因此,基于正态分布模型能够准确地检测出性能指标在待检测时刻是否异常,不需要人工进行异常数据的标定,降低了人工标定所带来的异常检测的误报和漏报的风险,从而提高了性能指标异常检测的准确性。
本发明实施例还提供了一种电子设备,如图3所示,包括处理器301和机器可读存储介质302,所述机器可读存储介质302存储有能够被所述处理器301执行的机器可执行指令,所述处理器301被所述机器可执行指令促使:实现本发明实施例所提供的性能指标异常检测方法的所有步骤。
上述机器可读存储介质可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-Volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processing,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA列(Field-Programmable Gate Array,现场可编程门阵)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。
本实施例中,处理器通过读取机器可读存储介质中存储的计算机程序,并通过运行该计算机程序,能够实现:通过获取满足预设时间规律的时间维度下多个历史时刻的第二指标值,针对该时间维度建立正态分布模型,由于性能指标的指标值往往具有一定的时间规律性,一个指标值是否异常与满足预设时间规律的时间维度下历史时刻的第二指标值相关,因此,基于正态分布模型能够准确地检测出性能指标在待检测时刻是否异常,不需要人工进行异常数据的标定,降低了人工标定所带来的异常检测的误报和漏报的风险,从而提高了性能指标异常检测的准确性。
另外,本发明实施例还提供了一种机器可读存储介质,用于存储机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现本发明实施例所提供的性能指标异常检测方法的所有步骤。
本实施例中,机器可读存储介质存储有在运行时执行本发明实施例所提供的性能指标异常检测方法的可执行指令,因此能够实现:通过获取满足预设时间规律的时间维度下多个历史时刻的第二指标值,针对该时间维度建立正态分布模型,由于性能指标的指标值往往具有一定的时间规律性,一个指标值是否异常与满足预设时间规律的时间维度下历史时刻的第二指标值相关,因此,基于正态分布模型能够准确地检测出性能指标在待检测时刻是否异常,不需要人工进行异常数据的标定,降低了人工标定所带来的异常检测的误报和漏报的风险,从而提高了性能指标异常检测的准确性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书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、电子设备及机器可读存储介质实施例而言,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。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (16)
1.一种性能指标异常检测方法,其特征在于,所述方法包括:
获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值;
根据各第二指标值,针对所述时间维度建立正态分布模型;
基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常。
2.根据权利要求1所述的方法,其特征在于,所述满足预设时间规律的时间维度包括:所述待检测时刻前的相邻时间段的时间维度,和/或,所述待检测时刻前的多个预设周期内所述待检测时刻的对应时刻所处时间段的时间维度;
所述按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值,包括:
获取所述待检测时刻前满足指定时间窗口大小的相邻时间段中各历史时刻的第二指标值;
和/或,
获取所述待检测时刻前满足指定数量的多个预设周期内所述待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值。
3.根据权利要求2所述的方法,其特征在于,所述指定时间窗口大小的确定方式,包括:
获取初始时间窗口大小,以及所述待检测时刻前满足所述初始时间窗口大小的相邻时间段中各历史时刻的第二指标值;
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中所有第二指标值的均值及标准差;
根据所述均值及所述标准差,计算所述初始时间窗口内的指标值波动性;
根据所述初始时间窗口大小及所述初始时间窗口内的指标值波动性,确定指定时间窗口大小,所述指定时间窗口大小与所述初始时间窗口内的指标值波动性成正比。
4.根据权利要求2所述的方法,其特征在于,所述指定数量的确定方式,包括:
获取初始数量,以及所述待检测时刻前满足所述初始数量的多个预设周期内所述待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值;
针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中所有第二指标值的第一均值;
根据各第一均值,计算所有周期时间段的第二均值及标准差;
根据所述第二均值及所述标准差,计算所述初始数量的多个预设周期间的指标值波动性;
根据所述初始数量及所述多个预设周期间的指标值波动性,确定指定数量,所述指定数量与所述多个预设周期间的指标值波动性成正比。
5.根据权利要求2所述的方法,其特征在于,所述根据各第二指标值,针对所述时间维度建立正态分布模型,包括:
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中所有第二指标值的均值及标准差;基于所述相邻时间段中所有第二指标值的均值及标准差,建立第一正态分布模型;
和/或,
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中各第二指标值的变化幅度值;根据各变化幅度值,计算所述相邻时间段中所有变化幅度值的均值及标准差;基于所述相邻时间段中所有变化幅度值的均值及标准差,建立第二正态分布模型;
所述基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常,包括:
根据所述第一正态分布模型中的标准差,确定第一阈值,所述第一阈值为所述标准差的预设倍数;若所述第一指标值与所述第一正态分布模型中均值的差值绝对值超过所述第一阈值,则确定在所述第一正态分布模型下,所述指定性能指标在所述待检测时刻异常;
和/或,
根据所述第二正态分布模型中的标准差,确定第二阈值,所述第二阈值为所述标准差的预设倍数;根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值,确定所述待检测时刻的变化幅度值;若所述变化幅度值与所述第二正态分布模型中均值的差值绝对值超过所述第二阈值,则确定在所述第二正态分布模型下,所述指定性能指标在所述待检测时刻异常。
6.根据权利要求2或5所述的方法,其特征在于,所述根据各第二指标值,针对所述时间维度建立正态分布模型,包括:
根据各周期时间段中的所有第二指标值,计算所有周期时间段中所有第二指标值的均值及标准差;基于所有周期时间段中所有第二指标值的均值及标准差,建立第三正态分布模型;
和/或,
针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中各第二指标值的变化幅度值;根据各周期时间段中的所有变化幅度值,计算所有周期时间段中所有变化幅度值的均值及标准差;基于所有周期时间段中所有变化幅度值的均值及标准差,建立第四正态分布模型;
所述基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常,包括:
根据所述第三正态分布模型中的标准差,确定第三阈值,所述第三阈值为所述标准差的预设倍数;若所述第一指标值与所述第三正态分布模型中均值的差值绝对值超过所述第三阈值,则确定在所述第三正态分布模型下,所述指定性能指标在所述待检测时刻异常;
和/或,
根据所述第四正态分布模型中的标准差,确定第四阈值,所述第四阈值为所述标准差的预设倍数;根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值,确定所述待检测时刻的变化幅度值;若所述变化幅度值与所述第四正态分布模型中均值的差值绝对值超过所述第四阈值,则确定在所述第四正态分布模型下,所述指定性能指标在所述待检测时刻异常。
7.根据权利要求6所述的方法,其特征在于,所述基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常,包括:
确定在各正态分布模型下所述指定性能指标在所述待检测时刻是否异常的检测结果;
若检测结果为异常的正态分布模型的种类数大于第五阈值,则确定所述指定性能指标在所述待检测时刻异常。
8.根据权利要求1所述的方法,其特征在于,在所述按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值之后,所述方法还包括:
根据各第二指标值,计算所有第二指标值的均值及标准差;
根据所述标准差,确定第六阈值,所述第六阈值为所述标准差的预设倍数;
分别判断各第二指标值与所述均值的差值绝对值是否超过所述第六阈值;
若任一第二指标值与所述均值的差值绝对值超过所述第六阈值,则删除该第二指标值,重新计算均值及标准差,直至所有第二指标值与所述均值的差值绝对值均不超过所述第六阈值。
9.一种性能指标异常检测装置,其特征在于,所述装置包括:
获取模块,用于获取指定性能指标在待检测时刻的第一指标值,并按照满足预设时间规律的时间维度,获取所述指定性能指标在所述待检测时刻前的多个历史时刻的第二指标值;
建立模块,用于根据各第二指标值,针对所述时间维度建立正态分布模型;
检测模块,用于基于所述正态分布模型,检测所述指定性能指标在所述待检测时刻是否异常。
10.根据权利要求9所述的装置,其特征在于,所述满足预设时间规律的时间维度包括:所述待检测时刻前的相邻时间段的时间维度,和/或,所述待检测时刻前的多个预设周期内所述待检测时刻的对应时刻所处时间段的时间维度;
所述获取模块,具体用于:
获取所述待检测时刻前满足指定时间窗口大小的相邻时间段中各历史时刻的第二指标值;
和/或,
获取所述待检测时刻前满足指定数量的多个预设周期内所述待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值。
11.根据权利要求10所述的装置,其特征在于,
所述获取模块,还用于获取初始时间窗口大小,以及所述待检测时刻前满足所述初始时间窗口大小的相邻时间段中各历史时刻的第二指标值;
所述装置还包括:
计算模块,用于根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中所有第二指标值的均值及标准差;根据所述均值及所述标准差,计算所述初始时间窗口内的指标值波动性;
确定模块,用于根据所述初始时间窗口大小及所述初始时间窗口内的指标值波动性,确定指定时间窗口大小,所述指定时间窗口大小与所述初始时间窗口内的指标值波动性成正比。
12.根据权利要求10所述的装置,其特征在于,
所述获取模块,还用于获取初始数量,以及所述待检测时刻前满足所述初始数量的多个预设周期内所述待检测时刻的对应时刻所处周期时间段中各历史时刻的第二指标值;
所述装置还包括:
计算模块,用于针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中所有第二指标值的第一均值;根据各第一均值,计算所有周期时间段的第二均值及标准差;根据所述第二均值及所述标准差,计算所述初始数量的多个预设周期间的指标值波动性;
确定模块,用于根据所述初始数量及所述多个预设周期间的指标值波动性,确定指定数量,所述指定数量与所述多个预设周期间的指标值波动性成正比。
13.根据权利要求10所述的装置,其特征在于,所述建立模块,具体用于:
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中所有第二指标值的均值及标准差;基于所述相邻时间段中所有第二指标值的均值及标准差,建立第一正态分布模型;
和/或,
根据所述相邻时间段中的各第二指标值,计算所述相邻时间段中各第二指标值的变化幅度值;根据各变化幅度值,计算所述相邻时间段中所有变化幅度值的均值及标准差;基于所述相邻时间段中所有变化幅度值的均值及标准差,建立第二正态分布模型;
所述检测模块,具体用于:
根据所述第一正态分布模型中的标准差,确定第一阈值,所述第一阈值为所述标准差的预设倍数;若所述第一指标值与所述第一正态分布模型中均值的差值绝对值超过所述第一阈值,则确定在所述第一正态分布模型下,所述指定性能指标在所述待检测时刻异常;
和/或,
根据所述第二正态分布模型中的标准差,确定第二阈值,所述第二阈值为所述标准差的预设倍数;根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值,确定所述待检测时刻的变化幅度值;若所述变化幅度值与所述第二正态分布模型中均值的差值绝对值超过所述第二阈值,则确定在所述第二正态分布模型下,所述指定性能指标在所述待检测时刻异常。
14.根据权利要求10或13所述的装置,其特征在于,所述建立模块,具体用于:
根据各周期时间段中的所有第二指标值,计算所有周期时间段中所有第二指标值的均值及标准差;基于所有周期时间段中所有第二指标值的均值及标准差,建立第三正态分布模型;
和/或,
针对各周期时间段,根据该周期时间段中的各第二指标值,计算该周期时间段中各第二指标值的变化幅度值;根据各周期时间段中的所有变化幅度值,计算所有周期时间段中所有变化幅度值的均值及标准差;基于所有周期时间段中所有变化幅度值的均值及标准差,建立第四正态分布模型;
所述检测模块,具体用于:
根据所述第三正态分布模型中的标准差,确定第三阈值,所述第三阈值为所述标准差的预设倍数;若所述第一指标值与所述第三正态分布模型中均值的差值绝对值超过所述第三阈值,则确定在所述第三正态分布模型下,所述指定性能指标在所述待检测时刻异常;
和/或,
根据所述第四正态分布模型中的标准差,确定第四阈值,所述第四阈值为所述标准差的预设倍数;根据所述第一指标值及所述待检测时刻的前一时刻的第二指标值,确定所述待检测时刻的变化幅度值;若所述变化幅度值与所述第四正态分布模型中均值的差值绝对值超过所述第四阈值,则确定在所述第四正态分布模型下,所述指定性能指标在所述待检测时刻异常。
15.根据权利要求14所述的装置,其特征在于,所述检测模块,具体用于:
确定在各正态分布模型下所述指定性能指标在所述待检测时刻是否异常的检测结果;
若检测结果为异常的正态分布模型的种类数大于第五阈值,则确定所述指定性能指标在所述待检测时刻异常。
16.根据权利要求9所述的装置,其特征在于,所述装置还包括:
计算模块,用于根据各第二指标值,计算所有第二指标值的均值及标准差;
确定模块,用于根据所述标准差,确定第六阈值,所述第六阈值为所述标准差的预设倍数;
判断模块,用于分别判断各第二指标值与所述均值的差值绝对值是否超过所述第六阈值;
删除模块,用于若任一第二指标值与所述均值的差值绝对值超过所述第六阈值,则删除该第二指标值,重新计算均值及标准差,直至所有第二指标值与所述均值的差值绝对值均不超过所述第六阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811371774.XA CN109558295B (zh) | 2018-11-15 | 2018-11-15 | 一种性能指标异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811371774.XA CN109558295B (zh) | 2018-11-15 | 2018-11-15 | 一种性能指标异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558295A true CN109558295A (zh) | 2019-04-02 |
CN109558295B CN109558295B (zh) | 2022-05-24 |
Family
ID=65866446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811371774.XA Active CN109558295B (zh) | 2018-11-15 | 2018-11-15 | 一种性能指标异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558295B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059013A (zh) * | 2019-04-24 | 2019-07-26 | 北京百度网讯科技有限公司 | 软件升级后正常运行的确定方法及装置 |
CN110245844A (zh) * | 2019-05-27 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 异常指标检测方法及装置 |
CN110445680A (zh) * | 2019-07-29 | 2019-11-12 | 新华三大数据技术有限公司 | 网络流量异常检测方法、装置及服务器 |
CN110460663A (zh) * | 2019-08-12 | 2019-11-15 | 深圳市网心科技有限公司 | 分布式节点间的数据分配方法、装置、服务器及存储介质 |
CN110890998A (zh) * | 2019-11-06 | 2020-03-17 | 厦门网宿有限公司 | 一种确定阈值的方法及装置 |
CN111131063A (zh) * | 2019-12-31 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 一种流量控制的方法、相关装置、设备以及存储介质 |
CN111400141A (zh) * | 2020-03-19 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
CN111459743A (zh) * | 2020-04-03 | 2020-07-28 | 成都安易迅科技有限公司 | 一种数据处理方法及装置、可读存储介质 |
CN111950822A (zh) * | 2019-05-15 | 2020-11-17 | 上海杰之能软件科技有限公司 | 交通工具牵引变压器冷却***的性能检测方法及装置、存储介质、终端 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN112395151A (zh) * | 2019-08-19 | 2021-02-23 | 无锡飞翎电子有限公司 | 干衣机及其滤网安装状态检测方法、装置和存储介质 |
CN112580908A (zh) * | 2019-09-27 | 2021-03-30 | 大唐移动通信设备有限公司 | 一种无线性能指标评估方法及装置 |
CN112731900A (zh) * | 2019-10-14 | 2021-04-30 | 北京京东乾石科技有限公司 | 一种无人驾驶车辆的监控方法和装置 |
CN112860524A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 异常行为检测方法、装置及设备 |
CN113094197A (zh) * | 2021-04-09 | 2021-07-09 | 中国工商银行股份有限公司 | 一种指令提交异常的判断方法、装置、设备和存储介质 |
CN113127305A (zh) * | 2021-04-22 | 2021-07-16 | 北京百度网讯科技有限公司 | 异常检测方法及装置 |
CN113553208A (zh) * | 2021-07-19 | 2021-10-26 | 神策网络科技(北京)有限公司 | 数据异常点的异常维度确定方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050278703A1 (en) * | 2004-06-15 | 2005-12-15 | K5 Systems Inc. | Method for using statistical analysis to monitor and analyze performance of new network infrastructure or software applications for deployment thereof |
CN104536868A (zh) * | 2014-11-26 | 2015-04-22 | 北京广通信达科技有限公司 | 一种it***运行指标动态阈值分析方法 |
CN105262647A (zh) * | 2015-11-27 | 2016-01-20 | 广州神马移动信息科技有限公司 | 一种异常指标检测方法及装置 |
CN105279257A (zh) * | 2015-10-15 | 2016-01-27 | 珠海世纪鼎利科技股份有限公司 | 一种基于正态分布的互联网大数据挖掘方法和*** |
CN105447323A (zh) * | 2015-12-11 | 2016-03-30 | 百度在线网络技术(北京)有限公司 | 一种数据异常波动检测方法和装置 |
CN106548035A (zh) * | 2016-11-24 | 2017-03-29 | 腾讯科技(深圳)有限公司 | 一种数据异常的诊断方法及装置 |
CN107066365A (zh) * | 2017-02-20 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 一种***异常的监测方法及装置 |
CN107908533A (zh) * | 2017-06-15 | 2018-04-13 | 平安科技(深圳)有限公司 | 一种数据库性能指标的监测方法、装置、计算机可读存储介质及设备 |
CN108234524A (zh) * | 2018-04-02 | 2018-06-29 | 广州广电研究院有限公司 | 网络数据异常检测的方法、装置、设备及存储介质 |
-
2018
- 2018-11-15 CN CN201811371774.XA patent/CN109558295B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050278703A1 (en) * | 2004-06-15 | 2005-12-15 | K5 Systems Inc. | Method for using statistical analysis to monitor and analyze performance of new network infrastructure or software applications for deployment thereof |
CN104536868A (zh) * | 2014-11-26 | 2015-04-22 | 北京广通信达科技有限公司 | 一种it***运行指标动态阈值分析方法 |
CN105279257A (zh) * | 2015-10-15 | 2016-01-27 | 珠海世纪鼎利科技股份有限公司 | 一种基于正态分布的互联网大数据挖掘方法和*** |
CN105262647A (zh) * | 2015-11-27 | 2016-01-20 | 广州神马移动信息科技有限公司 | 一种异常指标检测方法及装置 |
CN105447323A (zh) * | 2015-12-11 | 2016-03-30 | 百度在线网络技术(北京)有限公司 | 一种数据异常波动检测方法和装置 |
CN106548035A (zh) * | 2016-11-24 | 2017-03-29 | 腾讯科技(深圳)有限公司 | 一种数据异常的诊断方法及装置 |
CN107066365A (zh) * | 2017-02-20 | 2017-08-18 | 阿里巴巴集团控股有限公司 | 一种***异常的监测方法及装置 |
CN107908533A (zh) * | 2017-06-15 | 2018-04-13 | 平安科技(深圳)有限公司 | 一种数据库性能指标的监测方法、装置、计算机可读存储介质及设备 |
CN108234524A (zh) * | 2018-04-02 | 2018-06-29 | 广州广电研究院有限公司 | 网络数据异常检测的方法、装置、设备及存储介质 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059013A (zh) * | 2019-04-24 | 2019-07-26 | 北京百度网讯科技有限公司 | 软件升级后正常运行的确定方法及装置 |
CN111950822B (zh) * | 2019-05-15 | 2024-03-29 | 上海杰之能软件科技有限公司 | 交通工具牵引变压器冷却***的性能检测方法及装置、存储介质、终端 |
CN111950822A (zh) * | 2019-05-15 | 2020-11-17 | 上海杰之能软件科技有限公司 | 交通工具牵引变压器冷却***的性能检测方法及装置、存储介质、终端 |
CN110245844B (zh) * | 2019-05-27 | 2023-03-28 | 创新先进技术有限公司 | 异常指标检测方法及装置 |
CN110245844A (zh) * | 2019-05-27 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 异常指标检测方法及装置 |
CN112241511B (zh) * | 2019-07-19 | 2024-05-14 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN112241511A (zh) * | 2019-07-19 | 2021-01-19 | 上海杰之能软件科技有限公司 | 交通工具辅助电气***的性能检测方法及装置、终端 |
CN110445680A (zh) * | 2019-07-29 | 2019-11-12 | 新华三大数据技术有限公司 | 网络流量异常检测方法、装置及服务器 |
CN110460663A (zh) * | 2019-08-12 | 2019-11-15 | 深圳市网心科技有限公司 | 分布式节点间的数据分配方法、装置、服务器及存储介质 |
CN112395151A (zh) * | 2019-08-19 | 2021-02-23 | 无锡飞翎电子有限公司 | 干衣机及其滤网安装状态检测方法、装置和存储介质 |
CN112580908B (zh) * | 2019-09-27 | 2023-10-13 | 大唐移动通信设备有限公司 | 一种无线性能指标评估方法及装置 |
CN112580908A (zh) * | 2019-09-27 | 2021-03-30 | 大唐移动通信设备有限公司 | 一种无线性能指标评估方法及装置 |
CN112731900A (zh) * | 2019-10-14 | 2021-04-30 | 北京京东乾石科技有限公司 | 一种无人驾驶车辆的监控方法和装置 |
CN112731900B (zh) * | 2019-10-14 | 2023-08-04 | 北京京东乾石科技有限公司 | 一种无人驾驶车辆的监控方法和装置 |
CN110890998A (zh) * | 2019-11-06 | 2020-03-17 | 厦门网宿有限公司 | 一种确定阈值的方法及装置 |
CN110890998B (zh) * | 2019-11-06 | 2021-08-27 | 厦门网宿有限公司 | 一种确定阈值的方法及装置 |
CN111131063A (zh) * | 2019-12-31 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 一种流量控制的方法、相关装置、设备以及存储介质 |
CN111400141A (zh) * | 2020-03-19 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
WO2021185182A1 (zh) * | 2020-03-19 | 2021-09-23 | 深圳前海微众银行股份有限公司 | 一种异常检测的方法及装置 |
CN111459743A (zh) * | 2020-04-03 | 2020-07-28 | 成都安易迅科技有限公司 | 一种数据处理方法及装置、可读存储介质 |
CN112860524A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 异常行为检测方法、装置及设备 |
CN113094197A (zh) * | 2021-04-09 | 2021-07-09 | 中国工商银行股份有限公司 | 一种指令提交异常的判断方法、装置、设备和存储介质 |
CN113127305A (zh) * | 2021-04-22 | 2021-07-16 | 北京百度网讯科技有限公司 | 异常检测方法及装置 |
CN113127305B (zh) * | 2021-04-22 | 2024-02-13 | 北京百度网讯科技有限公司 | 异常检测方法及装置 |
CN113553208A (zh) * | 2021-07-19 | 2021-10-26 | 神策网络科技(北京)有限公司 | 数据异常点的异常维度确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109558295B (zh) | 2022-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558295A (zh) | 一种性能指标异常检测方法及装置 | |
CN109587001A (zh) | 一种性能指标异常检测方法及装置 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN107086944A (zh) | 一种异常检测方法和装置 | |
CN110601900B (zh) | 一种网络故障预警方法及装置 | |
CN104137078A (zh) | 操作管理设备、操作管理方法和程序 | |
CN109063885A (zh) | 一种变电站异常量测数据预测方法 | |
CN109241343A (zh) | 一种刷量用户识别***、方法及装置 | |
US20190364088A1 (en) | Anomaly detection of media event sequences | |
CN111612647B (zh) | 计量表异常数据检测方法、装置、计量表及可读存储介质 | |
CN103675022A (zh) | Tds 检测方法、检测装置和检测*** | |
KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
WO2017020725A1 (zh) | 一种数据检测方法及装置 | |
US9613123B2 (en) | Data stream processing | |
CN110083475A (zh) | 一种异常数据的检测方法及装置 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
KR102059112B1 (ko) | 사물 인터넷 스트림 데이터 품질 측정 지표 및 프로파일링 방법 및 그 시스템 | |
CN106598822A (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
Grbac et al. | Stability of software defect prediction in relation to levels of data imbalance | |
Li et al. | Leakage localization using pressure sensors and spatial clustering in water distribution systems | |
Sørbø et al. | Navigating the metric maze: a taxonomy of evaluation metrics for anomaly detection in time series | |
CN117556366B (zh) | 基于数据筛选的数据异常检测***及方法 | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN110099089A (zh) | 传感器网络中多个数据流的在线自校正 | |
CN117130851B (zh) | 一种高性能计算集群运行效率评价方法及*** |
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 |