CN109783325B - 业务监控方法、装置、设备及存储介质 - Google Patents
业务监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN109783325B CN109783325B CN201811540169.0A CN201811540169A CN109783325B CN 109783325 B CN109783325 B CN 109783325B CN 201811540169 A CN201811540169 A CN 201811540169A CN 109783325 B CN109783325 B CN 109783325B
- Authority
- CN
- China
- Prior art keywords
- service
- abnormal
- characteristic value
- historical
- abnormal service
- 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.)
- Active
Links
Landscapes
- Telephonic Communication Services (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种业务监控方法、装置、设备及存储介质,该方法包括:基于预先设定的3σ准则对第一异常业务进行分析,获得第二异常业务;提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。本发明结合基于云的分布式监控和集中监控对业务的各个业务节点进行全面监控,扩大了业务监控的范围,提高了异常告警的精确性,还提升了异常业务的处理效率。
Description
技术领域
本发明涉及监控技术领域,尤其涉及一种业务监控方法、装置、设备及存储介质。
背景技术
当前的证券交易APP往往会由于登录不成功、交易延时、交易失败等业务异常现象导致客户无法快速准确的完成交易而造成客户财产损失,并经常由于业务异常而收到客户投诉。故需要一种有效的监控方法对证券业务进行监控。
目前行业内监控手段主要以zabbix、nagios等监控工具为主,这类监控手段主要应用于操作***层面,无法对业务进行全面有效的监控,并且无法对异常业务进行筛选,导致异常告警不够精确,异常业务处理效率低。
发明内容
本发明提供一种业务监控方法、装置、设备及存储介质,旨在扩大业务监控的范围,提高异常告警的精确性,提升异常业务的处理效率。
为实现上述目的,本发明提供一种业务监控方法,所述方法应用于业务监控设备,所述方法包括:
基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;
提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;
获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。
优选地,所述基于预先设定的3σ准则对对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务的步骤之前还包括:
接收所述分布式代理服务器上报的第一异常业务,其中,所述第一异常业务是由所述分布式代理服务器从日常业务中筛选所得,所述日常业务由所述分布式代理服务器从客户端获取。
优选地,基于预先设定的3σ准则对第一异常业务进行分析的步骤之前还包括:
从历史业务中获取历史第一异常业务,并获取所述历史第一异常业务对应客户端的历史上报概率;
计算所述历史上报概率的平均值和方差σ;
基于所述平均值和所述方差σ将置信区间的范围设置为/>
将上报概率在所述置信区间范围外的所述第一异常数据判定为第二异常数据,由此建立所述3σ准则。
优选地,
所述基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务的步骤包括:
分别获取所述分布式代理服务器上报的所述第一异常业务对应客户端的上报概率;
基于所述3σ准则对所述上报概率进行分析,若所述上报概率不在所述置信区间范围内,则将所述上报概率对应的第一异常业务标记为第二异常业务。
优选地,所述基于所述特征值查找与所述特征值相似度最大的目标历史特征值的步骤之前还包括:
获取历史第二异常业务,提取并保存所述历史第二异常业务的历史特征值,所述历史特征值包括历史异常类型和历史异常等级。
优选地,所述基于所述特征值查找与所述特征值相似度最大的目标历史特征值的步骤包括:
计算所述特征值与所述历史特征值的相似度;
将所述相似度进行排序,获得最大相似度;
将所述最大相似度与相似度阈值进行比对;
若所述最大相似度大于或等于所述相似度阈值,则将所述最大相似度对应的历史特征值标记为目标历史特征值。
优选地,所述获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心的步骤之后还包括:
监控所述第二异常业务的后续处理流程,并记录实际应答办法。
此外,本发明实施例还提供一种业务监控装置,所述业务监控装置包括:
分析模块,用于基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;
提取模块,用于提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;
获取模块,用于获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。
此外,本发明实施例还提供一种业务监控设备,所述业务监控设备包括处理器,存储器以及存储在所述存储器中的业务监控程序,所述业务监控程序被所述处理器运行时,实现如上所述业务监控方法的步骤。
此外,本发明实施例还提供一种计算机存储介质,所述计算机存储介质上存储有业务监控程序,所述业务监控程序被处理器运行时实现如上所述业务监控方法的步骤。
相比现有技术,本发明提供一种业务监控方法、装置、设备及存储介质,该方法包括:基于预先设定的3σ准则对第一异常业务进行分析,获得第二异常业务;提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。本发明结合基于云的分布式监控和集中监控对业务的各个业务节点进行全面监控,扩大了业务监控的范围,提高了异常告警的精确性,还提升了异常业务的处理效率。
附图说明
图1是本发明各实施例涉及的业务监控设备的硬件结构示意图;
图2是本发明业务监控方法第一实施例的流程示意图;
图3是本发明业务监控方法第二实施例的流程示意图;
图4是本发明业务监控装置第一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例主要涉及的业务监控设备是指能够实现网络连接的网络连接设备,所述业务监控设备可以是服务器、云平台等。另外本发明实施例涉及的客户端可以为手机、平板电脑等移动网络设备。
参照图1,图1是本发明各实施例涉及的业务监控设备的硬件结构示意图。本发明实施例中,业务监控设备可以包括处理器1001(例如中央处理器Central ProcessingUnit、CPU),通信总线1002,输入端口1003,输出端口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;输入端口1003用于数据输入;输出端口1004用于数据输出,存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图1中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图1,图1中作为一种可读存储介质的存储器1005可以包括操作***、网络通信模块、应用程序模块以及业务监控程序。在图1中,网络通信模块主要用于连接服务器,与服务器进行数据通信;而处理器1001可以调用存储器1005中存储的业务监控程序,并执行本发明实施例提供的业务监控方法。
本发明实施例提供了一种业务监控方法。
参照图2,图2是本发明业务监控方法第一实施例的流程示意图。
本实施例中,所述业务监控方法应用于业务监控设备,所述方法包括:
步骤S101,基于预先预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;
所述3σ准则又称为拉依达准则,所述3σ准则先假设一组检测数据只含有随机误差,对其进行计算处理得到标准偏差,按一定概率确定一个区间,认为凡超过这个区间的误差,就不属于随机误差而是粗大误差,含有该误差的数据应予以剔除。
本实施例中,所述业务监控设备是一种集中式监控设备,用于接收分布式代理服务器上报的第一异常业务。所述代理服务器用于获取客户端的日常业务。所述日常业务包括对应日常业务的详细信息,例如操作方式、操作时间以及响应时间等。具体地,预先配置所述代理服务器监控的业务类型,所述业务类型按证券交易对象可以分为股票交易、债券交易、基金交易等业务,还可以根据交易的具体方式分为开户、挂单、撤单、查询等业务。所述不同的业务类型由对应的一个或多个分布式代理服务器进行监控,由此可实现不同业务类型和不同业务层级的全面监控。
本实施例中,需要基于历史上报概率设定3σ准则。所述3σ准则预先假设一组数据只存在随机误差,并对所述数据进行处理计算平均值和标准偏差,按一定概率确定一个置信区间,并将不再所述置信区间的数据判定为异常数据。
本实施例中,首先从历史业务中获取历史第一异常业务,并获取所述历史第一异常业务对应客户端的历史上报概率,将所述历史上报概率表示为xh:
其中,m表示所述历史业务对应客户端的第一异常业务出现的次数,n表示所述客户端日常业务的总数n的比值。可以理解地,所述历史业务中对应的所有客户端的每个客户端都有对应的xh,本实施例中,将所述所有客户端的xh分别表示为:xh1,xh2,xh3……xhn。
进一步地,计算所述历史上报概率的平均值:
进一步地,计算所述历史上报概率的方差σ:
进一步地,基于所述平均值和所述方差σ将置信区间的范围设置为/>一般地,对于所述3σ准则,所述上报概率在/>范围内的概率为0.6826;所述上报概率在/>范围内的概率为0.9544;所述上报概率在/>范围内的概率为0.9972;因此,所述上报概率几乎全部集中在/>的范围内,而超出范围的上报概率不到0.003。
进一步地,将上报概率在所述置信区间范围外的所述第一异常数据判定为第二异常数据,由此设定了本实施例的3σ准则。由此,本实施例基于3σ准则对所述第一异常业务进行过滤,获得精准的第二异常业务,减轻了异常业务的处理负担。
在建立所述3σ准则之后,分别获取所述第一异常业务对应客户端的上报概率;具体地,将所述上报概率表示为xi,首先获取所述第一异常业务对应客户端的第一异常业务上报次数mi,并获取所述第一异常业务对应客户端的日常业务的总数ni,故
基于所述3σ准则对所述上报概率xi进行分析,若所述上报概率xi不在所述置信区间范围内,则将所述第一异常业务标记为第二异常业务。
步骤S102,提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;
本实施例中,需要预先获取历史第二异常业务,并从所述历史第二业务中提取所述历史第二异常业务的历史特征值,所述历史特征值包括异常类型和异常等级。具体地,根据所述历史第二异常业务的详细信息,提取所述历史第二异常业务的历史特征值。其中,所述历史特征值包括历史异常类型和历史异常等级,所述历史异常类型可以根据具体的业务分为延时、失败、查询出错等,例如若为对历史客户端发送的撤掉交易进行及时处理,则为延时;若所述历史客户端发送的业务请求未被响应,或响应失败则将所述历史异常类型标记为失败。所述历史异常等级需要预先设置,例如若延时时长为第一时长,则将所述历史异常等级设置为一级;若延时时长为第二时长,则将所述历史异常等级设置为二级。可以理解地,在实际部署过程中可根据所述历史第二异常业务的重要程度或紧急程度具体设置所述历史异常等级。
本实施例中,提取所述第二异常业务的特征值。可以理解地,所述业务监控设备获取的所述第二异常业务的数量可以是一个、几十个甚至成百上千个,故需要分别提取每个第二异常业务的特征值,所述每个第二异常业务都具有对应的特征值。所述特征值包括异常类型和异常等级。
进一步地,基于所述特征值查找与所述特征值相似度最大的目标历史特征值,具体地,计算所述特征值与所述历史特征值的相似度;将所述相似度进行排序,获得最大相似度;将所述最大相似度与相似度阈值进行比对;所述相似度阈值需要提前设定,例如将所述相似度阈值设为60%,80%,90%等。若所述最大相似度大于或等于所述相似度阈值,则将所述最大相似度对应的历史特征值标记为目标历史特征值。反之,若所述最大相似度小于所述相似度阈值,则不标记目标历史特征值。
步骤S103,获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。
本实施例中,根据所述目标历史特征值获取所述目标历史特征值对应历史第二异常业务的应答办法。由于需要对所述第二异常数据进行处理,若每次都由所述异常业务处理中心的工作人员去获取或思考应答办法,则需要耗费大量的时间和精力,且获得的应答办法可能并不合适。但是若参考所述历史第二异常业务的应答办法,则能快速、准确地对所述第二异常业务进行处理。所述业务监控设备获得应答办法后,则将所述第二异常业务以及所述应答办法发送至异常业务处理中心,以供所述异常义务处理中心参考所述应答办法及时准确地对所述第二异常业务进行处理。若没有对应的应答办法,则直接将所述第二异常业务发送至异常业务处理中心,由所述异常业务处理中心设置相应的应答办法。
进一步地,所述获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心的步骤之后还包括:
监控所述第二异常业务的后续处理流程,并记录实际应答办法。
本实施例中,所述业务监控设备继续监控所述第二异常业务的后续处理流程,并将记录的应答办法与所述第二异常业务关联保存。对于存在对应应答办法的所述第二异常数据,由于所述异常业务处理中心会基于实际情况对所述应答办法做出调整后获得实际应答办法,并通过所述实际应答办法对所述第一异常业务进行处理。而对于未获取到相应应答办法的第二异常业务来说,就更需要记录所述实际应答办法,以此获得更多更全的应答办法。
本实施例通过上述方案,基于预先设定的3σ准则对第一异常业务进行分析,获得第二异常业务;提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。本发明结合基于云的分布式监控和集中监控对业务的各个业务节点进行全面监控,扩大了业务监控的范围,提高了异常告警的精确性,还提升了异常业务的处理效率。
如图3所示,本发明第二实施例提出一种业务监控方法,基于上述图2所示的第一实施例,所述基于预先设定的3σ准则对对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务的步骤之前还包括:
步骤S100,接收所述分布式代理服务器上报的第一异常业务,其中,所述第一异常业务是由所述分布式代理服务器从日常业务中筛选所得,所述日常业务由所述分布式代理服务器从客户端获取;
本实施例中,所述代理服务器从客户端获得所述日常业务后,从所述日常业务中筛选第一异常数据。具体地,预先设置所述第一异常数据的筛选标准,所述筛选标准可根据业务类型进行具体设置,例如对于挂单,则可将所述筛选标准设置为响应时间;对于查询则可以将所述筛选标准设置为查询耗时和查询准确度。例如当所述代理服务器监控到客户端生成委托单的日常业务时,记录所述委托单的生成时间t1,在交易***将所述委托单进行处理,由对应的交易所将所述委托单的处理信息返回至所述客户端,记录所述客户端接受到所述处理信息的时间记录为返回时间t2,将t2与t1之间的差值与阈值进行比对,若差值大于阈值,则将所述委托单对应的业务标记为第一异常业务,并将所述第一异常数据的交易详情上传至所述业务监控设备。可以理解地,所述日常业务中的其它业务也通过类似的方法分别设置所述第一异常数据的筛选标准。
进一步地,第一实施例中所述步骤S102:获取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;步骤之后还包括:
基于所述第二异常业务的特征值,重新设定所述第一异常业务的筛选标准。
可以理解地,若对所有的所述第一异常业务都进行告警,则需要耗费大量的人力物力,而且所述第一异常业务中有很多第一异常业务是由于设置的所述第一异常业务的判断标准不够精确而导致大量的第一异常业务,故需要对所述第一异常业务进行进一步分析,获得第二异常业务,并只对所述第二异常业务进行告警,以提高告警的准确性。
本实施例中,获取所述第二异常业务的特征值之后,可以根据所述特征值进一步限定所述第一异常业务的筛选标准。例如,若对于委托单业务处理的阈值设定为5s,若所述第二异常业务的特征值中的延时为5.1s,而历史第二异常业务的特征值中的延时为6s,则说明证券交易***对委托单业务的处理速度已明显提高,故可以将所述第一异常业务的筛选标准中的委托单业务的阈值设定为4s、4.5s或4.8s等。
进一步地,还可以定期计算第一异常业务数量与所述日常业务总数量的异常比值,若所述异常比值的趋势发生了变化,则可以结合客户投诉量重新设定筛选标准。具体地,若所述异常比值的呈下降趋势,且所述客户投诉量也降低了,则可以收紧所述筛选标准,使符合所述筛选标准的所述日常业务的数量降低,也即降低所述第一异常业务的数量;若所述异常比值的呈上升趋势,且所述客户投诉量也上升了,则需要放宽所述筛选标准,使符合所述筛选标准的所述日常业务的数量增多,也即增加所述第一异常业务的数量。若所述若所述异常比值的呈下降趋势,而所述客户投诉量升高;或者所述若所述异常比值的呈上升趋势,而所述客户投诉量下降则不需要调整所述筛选标准。此外,所述筛选标准也可以根据其它情况进行具体设置。
本实施例通过以上技术方案,接收所述分布式代理服务器上报的第一异常业务,由所述分布式代理服务器根据预设筛选标准从所述第一异常业务中获取第二异常业务,由此通过所述分布式代理服务器和所述业务监控设备,结合基于云的分布式监控和集中监控对业务的各个业务节点进行全面监控,扩大了业务监控的范围,提高了异常告警的精确性,还提升了异常业务的处理效率。
此外,本实施例还提供一种业务监控装置。参照图4,图4为本发明业务监控装置第一实施例的功能模块示意图。
本发明提供的业务监控装置是虚拟装置,存储于图1所示的业务监控设备的存储器1005中,以实现业务监控程序的所有功能:用于基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;用于提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;用于获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。
具体地,本实施例中所述业务监控装置包括:
分析模块10,用于基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;
提取模块20,用于提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;
获取模块30,用于获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。
进一步地,所述分析模块还用于:
接收所述分布式代理服务器上报的第一异常业务,其中,所述第一异常业务是由所述分布式代理服务器从日常业务中筛选所得,所述日常业务由所述分布式代理服务器从客户端获取。
进一步地,所述分析模块还用于:
从历史业务中获取历史第一异常业务,并获取所述历史第一异常业务对应客户端的历史上报概率;
计算所述历史上报概率的平均值和方差σ;
基于所述平均值和所述方差σ将置信区间的范围设置为/>
将上报概率在所述置信区间范围外的所述第一异常数据判定为第二异常数据,由此建立所述3σ准则。
进一步地,所述分析模块还用于:
分别获取所述分布式代理服务器上报的所述第一异常业务对应客户端的上报概率;
基于所述3σ准则对所述上报概率进行分析,若所述上报概率不在所述置信区间范围内,则将所述上报概率对应的第一异常业务标记为第二异常业务。
进一步地,所述提取模块还用于:
获取历史第二异常业务,提取并保存所述历史第二异常业务的历史特征值,所述历史特征值包括历史异常类型和历史异常等级。
进一步地,所述提取模块还用于:
计算所述特征值与所述历史特征值的相似度;
将所述相似度进行排序,获得最大相似度;
将所述最大相似度与相似度阈值进行比对;
若所述最大相似度大于或等于所述相似度阈值,则将所述最大相似度对应的历史特征值标记为目标历史特征值。
此外,本发明还提供一种计算机存储介质,所述计算机存储介质上存储有业务监控程序,所述业务监控程序被处理器运行时实现如上所述业务监控方法的步骤,在此不再赘述。
相比现有技术,本发明提出的一种业务监控方法、装置、设备及存储介质,该方法包括:基于预先设定的3σ准则对第一异常业务进行分析,获得第二异常业务;提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。本发明结合基于云的分布式监控和集中监控对业务的各个业务节点进行全面监控,扩大了业务监控的范围,提高了异常告警的精确性,还提升了异常业务的处理效率。
需要说明的是,在本文中,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***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***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,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种业务监控方法,其特征在于,所述方法应用于业务监控设备,所述方法包括:
基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;其中,所述第一异常业务是由所述分布式代理服务器从日常业务中筛选所得,所述日常业务由所述分布式代理服务器从客户端获取;
提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;
获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心;
其中,所述提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值的步骤之后,还包括:
基于所述第二异常业务的特征值,重新设定所述第一异常业务的筛选标准。
2.根据权利要求1所述的方法,其特征在于,所述基于预先设定的3σ准则对对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务的步骤之前还包括:
接收所述分布式代理服务器上报的第一异常业务。
3.根据权利要求1所述的方法,其特征在于,基于预先设定的3σ准则对第一异常业务进行分析的步骤之前还包括:
从历史业务中获取历史第一异常业务,并获取所述历史第一异常业务对应客户端的历史上报概率;
计算所述历史上报概率的平均值和方差σ;
基于所述平均值和所述方差σ将置信区间的范围设置为/>
将上报概率在所述置信区间范围外的所述第一异常数据判定为第二异常数据,由此建立所述3σ准则。
4.根据权利要求1所述的方法,其特征在于,所述基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务的步骤包括:
分别获取所述分布式代理服务器上报的所述第一异常业务对应客户端的上报概率;
基于所述3σ准则对所述上报概率进行分析,若所述上报概率不在置信区间范围内,则将所述上报概率对应的第一异常业务标记为第二异常业务。
5.根据权利要求1所述的方法,其特征在于,所述基于所述特征值查找与所述特征值相似度最大的目标历史特征值的步骤之前还包括:
获取历史第二异常业务,提取并保存所述历史第二异常业务的历史特征值,所述历史特征值包括历史异常类型和历史异常等级。
6.根据权利要求1所述的方法,其特征在于,所述基于所述特征值查找与所述特征值相似度最大的目标历史特征值的步骤包括:
计算所述特征值与所述历史特征值的相似度;
将所述相似度进行排序,获得最大相似度;
将所述最大相似度与相似度阈值进行比对;
若所述最大相似度大于或等于所述相似度阈值,则将所述最大相似度对应的历史特征值标记为目标历史特征值。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心的步骤之后还包括:
监控所述第二异常业务的后续处理流程,并记录实际应答办法。
8.一种业务监控装置,其特征在于,所述业务监控装置包括:
分析模块,用于基于预先设定的3σ准则对分布式代理服务器上报的第一异常业务进行分析,获得第二异常业务;所述第一异常业务是由所述分布式代理服务器从日常业务中筛选所得,所述日常业务由所述分布式代理服务器从客户端获取;
提取模块,用于提取所述第二异常业务的特征值,并基于所述特征值查找与所述特征值相似度最大的目标历史特征值;
提取模块,还用于基于所述第二异常业务的特征值,重新设定所述第一异常业务的筛选标准;
获取模块,用于获取与所述目标历史特征值对应的应答办法,并将所述第二异常业务以及所述应答办法发送至异常业务处理中心。
9.一种业务监控设备,其特征在于,所述业务监控设备包括处理器,存储器以及存储在所述存储器中的业务监控程序,所述业务监控程序被所述处理器运行时,实现如权利要求1-7中任一项所述业务监控方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有业务监控程序,所述业务监控程序被处理器运行时实现如权利要求1-7中任一项所述业务监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540169.0A CN109783325B (zh) | 2018-12-14 | 2018-12-14 | 业务监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811540169.0A CN109783325B (zh) | 2018-12-14 | 2018-12-14 | 业务监控方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783325A CN109783325A (zh) | 2019-05-21 |
CN109783325B true CN109783325B (zh) | 2023-07-25 |
Family
ID=66497191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811540169.0A Active CN109783325B (zh) | 2018-12-14 | 2018-12-14 | 业务监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783325B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778781B (zh) * | 2021-02-19 | 2023-09-29 | 北京京东振世信息技术有限公司 | 数据的监控的方法和装置 |
CN113220540B (zh) * | 2021-06-07 | 2023-04-25 | 深圳华锐分布式技术股份有限公司 | 业务管理方法、装置、计算机设备和存储介质 |
CN113627627A (zh) * | 2021-08-11 | 2021-11-09 | 北京互金新融科技有限公司 | 异常监控方法、装置、计算机可读介质及处理器 |
CN113985226A (zh) * | 2021-10-25 | 2022-01-28 | 广东电网有限责任公司 | 电缆处理方法和*** |
CN115186842B (zh) * | 2022-06-27 | 2023-05-30 | 忆月启函(盐城)科技有限公司 | 一种管理云平台 |
CN116361429B (zh) * | 2023-01-19 | 2024-02-02 | 北京伽睿智能科技集团有限公司 | 一种业务异常员工管理方法、***、设备及存储介质 |
CN117707830B (zh) * | 2024-02-04 | 2024-04-26 | 中航信移动科技有限公司 | Redis连接异常的处理方法、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2942045A1 (en) * | 2014-06-24 | 2015-12-30 | Huawei Technologies Co., Ltd. | Fault processing method, related apparatus, and computer |
CN108737333A (zh) * | 2017-04-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 一种数据检测方法以及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793285A (zh) * | 2012-10-29 | 2014-05-14 | 百度在线网络技术(北京)有限公司 | 一种处理线上异常的方法及平台服务器 |
US10332123B2 (en) * | 2015-08-27 | 2019-06-25 | Oracle International Corporation | Knowledge base search and retrieval based on document similarity |
CN107528722B (zh) * | 2017-07-06 | 2020-10-23 | 创新先进技术有限公司 | 一种时间序列中异常点检测方法及装置 |
-
2018
- 2018-12-14 CN CN201811540169.0A patent/CN109783325B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2942045A1 (en) * | 2014-06-24 | 2015-12-30 | Huawei Technologies Co., Ltd. | Fault processing method, related apparatus, and computer |
CN108737333A (zh) * | 2017-04-17 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 一种数据检测方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109783325A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783325B (zh) | 业务监控方法、装置、设备及存储介质 | |
US10291638B1 (en) | Cloud activity threat detection for sparse and limited user behavior data | |
CN110740103A (zh) | 业务请求处理方法、装置、计算机设备和存储介质 | |
US20180219723A1 (en) | Automated scoring of unstructured events in information technology environments | |
US7707285B2 (en) | System and method for generating and using fingerprints for integrity management | |
CN106874135B (zh) | 用于检测机房故障的方法、装置及设备 | |
WO2021237826A1 (zh) | 一种流量调度方法、***及装置 | |
US20090112809A1 (en) | Systems and methods for monitoring health of computing systems | |
CN111796955B (zh) | 故障根源定位方法、***、装置及存储介质 | |
CN108965049B (zh) | 提供集群异常解决方案的方法、设备、***及存储介质 | |
US20090064324A1 (en) | Non-intrusive monitoring of services in a service-oriented architecture | |
EP3343421A1 (en) | System to detect machine-initiated events in time series data | |
US20180295044A1 (en) | Automated management of service instances | |
US10504026B2 (en) | Statistical detection of site speed performance anomalies | |
CN113704018A (zh) | 应用运维数据处理方法、装置、计算机设备及存储介质 | |
CN113672475A (zh) | 告警处理方法、装置、计算机设备和存储介质 | |
CN117236813A (zh) | 基于天气推测停滞时效的方法、装置、设备及存储介质 | |
CN113220545B (zh) | 分派工单的方法、装置和电子设备 | |
CN114861909A (zh) | 模型质量监控方法、装置、电子设备以及存储介质 | |
US20220215091A1 (en) | Method and system for detecting coordinated attacks against computing resources using statistical analyses | |
CN112910684B (zh) | 一种通过实时流式平台监控重点数据的方法及终端 | |
CN115048284A (zh) | 用于测试***的应用的方法、计算设备和存储介质 | |
CN114157705A (zh) | 一种信息推送方法及装置、存储介质 | |
CN112148551B (zh) | 用于确定存储***的使用变化率的方法、设备和计算机程序产品 | |
CN115914064A (zh) | 网络***服务性能评估方法、装置、计算设备和存储介质 |
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 |