CN111611517A - 指标监控方法、装置、电子设备及存储介质 - Google Patents
指标监控方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111611517A CN111611517A CN202010403250.5A CN202010403250A CN111611517A CN 111611517 A CN111611517 A CN 111611517A CN 202010403250 A CN202010403250 A CN 202010403250A CN 111611517 A CN111611517 A CN 111611517A
- Authority
- CN
- China
- Prior art keywords
- index
- service index
- monitoring
- service
- threshold value
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012806 monitoring device Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 238000011161 development Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种指标监控方法、装置、电子设备及存储介质,所述方法包括:获取业务指标的历史数据;根据所述业务指标的历史数据,预测所述业务指标的监控阈值;利用所述监控阈值对业务指标进行异常监控。本发明实施例在进行业务指标异常监控时,并不是采用固定的监控阈值,而是根据业务指标在历史时间的取值实时预测监控阈值,并利用预测得到的监控阈值对未来时间的业务指标进行异常监控,从而使得业务指标的异常监控结果变得更为准确。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种指标监控方法、装置、电子设备及存储介质。
背景技术
现有的数据报表指标监控预警常采用阈值监控的方式,监测相应的指标是否超过阈值,若是,则表示指标异常,需要进行消息预警;若否,则表示指标正常,不需要进行消息预警。
然而,现有的数据报表指标监控预警采用的阈值往往为固定阈值,使得根据该固定阈值得到的监测结果往往不太准确。
发明内容
基于现有技术中存在的问题,本发明实施例提出一种指标监控方法、装置、电子设备及存储介质。
第一方面,本发明实施例提供了一种指标监控方法,包括:
获取业务指标的历史数据;
根据所述业务指标的历史数据,预测所述业务指标的监控阈值;
利用所述监控阈值对业务指标进行异常监控。
进一步地,根据所述业务指标的历史数据,预测所述业务指标的监控阈值,具体包括:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值。
进一步地,根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值,具体包括:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的初始监控阈值;
判断是否存在预设事件,若是,则确定所述预设事件对所述业务指标的影响因子;
根据所述影响因子和所述初始监控阈值,预测所述业务指标的监控阈值。
进一步地,确定所述预设事件对所述业务指标的影响因子,具体包括:
根据所述业务指标的历史数据,在所述历史数据中获取第一历史时间段内所述业务指标的实际值;所述第一历史时间段为存在所述预设事件的时间段;
根据所述业务指标的历史数据,在所述历史数据中获取第二历史时间段内所述业务指标的最大值;所述第二历史时间段为不存在所述预设事件的时间段;
根据所述实际值与所述最大值,确定所述预设事件对所述业务指标的影响因子。
进一步地,所述预设事件包括营销活动、热点事件和节假日中的一种或多种。
第二方面,本发明实施例还提供了一种指标监控装置,包括:
获取模块,用于获取业务指标的历史数据;
预测模块,用于根据所述业务指标的历史数据,预测所述业务指标的监控阈值;
监控模块,用于利用所述监控阈值对业务指标进行异常监控。
进一步地,所述预测模块,具体用于:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值。
进一步地,所述预测模块,具体用于:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的初始监控阈值;
判断是否存在预设事件,若是,则确定所述预设事件对所述业务指标的影响因子;
根据所述影响因子和所述初始监控阈值,预测所述业务指标在未来时间的监控阈值。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的指标监控方法。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的指标监控方法。
由上述技术方案可知,本发明实施例提供的指标监控方法、装置、电子设备及存储介质,在进行业务指标异常监控时,并不是采用固定的监控阈值,而是根据业务指标在历史时间的取值实时预测监控阈值,并利用预测得到的监控阈值对未来时间的业务指标进行异常监控,从而使得业务指标的异常监控结果变得更为准确。
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,还可以根据这些图获得其他的附图。
图1是本发明一实施例提供的指标监控方法的流程图;
图2是本发明一实施例提供的指标监控方法的实现过程示意图;
图3是本发明一实施例提供的指标监控装置的结构示意图;
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
图1示出了本发明一实施例提供的指标监控方法的流程图,如图1所示,本发明实施例提供的指标监控方法,具体包括如下内容:
步骤101:获取业务指标的历史数据;
步骤102:根据所述业务指标的历史数据,预测所述业务指标的监控阈值;
步骤103:利用所述监控阈值对业务指标进行异常监控。
在本实施例中,根据所述业务指标的历史数据,预测所述业务指标的监控阈值。例如,根据业务指标在历史时间t-5,t-4,t-3,t-2,t-1的取值,预测所述业务指标在未来时间t的监控阈值,由于该监控阈值是利用当前时间前面的一段时间的历史业务指标进行预测得到的,该监控阈值能够准确反映业务指标的取值情况或取值趋势,因而利用该监控阈值对未来时间的业务指标进行异常监控,能够使得业务指标的异常监控结果变得更为准确,从而克服了现有技术中采用固定的监控阈值进行异常监控进而带来的异常监控结果不准确的问题。
由上述技术方案可知,本发明实施例提供的指标监控方法,在进行业务指标异常监控时,并不是采用固定的监控阈值,而是根据业务指标在历史时间的取值实时预测监控阈值,并利用预测得到的监控阈值对未来时间的业务指标进行异常监控,从而使得业务指标的异常监控结果变得更为准确。
基于上述实施例的内容,在本实施例中,根据所述业务指标的历史数据,预测所述业务指标的监控阈值,具体包括:
根据所述业务指标在历史时间的取值,基于马尔科夫模型,预测所述业务指标在未来时间的监控阈值。
在本实施例中,在根据所述业务指标的历史数据,预测所述业务指标的监控阈值时,优先采用基于马尔科夫模型的方式来预测所述业务指标在未来时间的监控阈值。
在本实施例中,需要首先构建马尔科夫模型,马尔科夫模型认为用户下一个状态和之前他之前的状态是存在联系的。在本实施例中,很好地利用了马尔科夫模型这一特点,创造性地将马尔科夫模型引入业务指标的监控阈值预测这个方案中,具体来说,本实施例将马尔科夫模型中的用户状态视为数据报表***中的数据指标值(或者可以描述成将数据报表***中的数据指标值视为马尔科夫模型中的用户状态),在马尔科夫模型当中,每个指标的指标值将构成该指标的一个n阶马尔科夫链,即指标u第i次的数值与该指标之前的n个值存在依赖关系,即:
其中,代表指标u在时间序列i上的数值,例如某手机客户端用户活跃指标u,在20191010(时间i)的值为M,则当已知指标在时间序列上的前n个值的时候指标下一个数值的预测问题就变成寻找对应马尔科夫链跳转矩阵当中最大可能性的那个数值:
当n为1时,为一阶马尔科夫链,以此类推,以往的研究表明,并不是越高阶的马尔科夫链效果越好,在相对稀疏的数据集上,一阶马尔科夫链的效果会更好一些。故本实施例基于的是一阶马尔科夫链来设计的预测算法。
因此可见,在本实施例中,由于业务指标是不断变化的且在时间序列上存在关联的,这正好与马尔科夫模型的理论基础契合,因此,本实施例巧妙地将马尔科夫模型引入到业务指标的监控阈值的预测上,基于马尔科夫模型的方式来预测所述业务指标在未来时间的监控阈值,从而使得预测得到的监控阈值更加匹配业务指标的实际情况,进而提高异常监控结果的准确度。
在本发明的另一实施例中,在基于马尔科夫模型进行预测的基础上,进一步引入了外部因素(指定的预设事件,如营销活动、热点事件和节假日)对所述业务指标的影响,从而使得预测得到的监控阈值更加符合实际情况。在介绍引入了外部因素一方案之前,先对该方案的引入背景进行详细介绍。
目前,由于业务数据报表指标涉及数据采集整合、数据加工与管理、数据监控预警、数据应用等众多环节,现有对指标监控预警大多***+人工的方式,仍未实现数据开发与业务运营人员对异常指标问题端到端***闭环,并且现有指标预测方法大多基于历史指标值,且监控阈值固定,并未考虑公司实际业务运营对指标值产生的影响,将数据与业务完全割裂开来,并不符合实际的运营指标要求。随着业务规模的不断发展,现有的业务数据报表指标监控预警机制会耗费大量的人力及物力,并且无法及时有效地支撑一线业务运营人员的数据需求,从而影响公司正常的业务发展。
为解决该问题,本实施例提出了一种指标监控方法,实现了数据和业务人员对指标端到端***自动化的监控,并且基于马尔科夫模型,实现了指标阈值的动态调整,增加了营销活动、热点事件、节假日等外部因素对指标数值的影响因子,提出由业务人员主导数据指标,数据开发提供技术支撑的观点,将业务与数据二者很好地结合起来,更加符合业务发展的客观规律,提供更为专业的指标监控预警服务。
具体地,基于上述实施例的内容,在本实施例中,根据所述业务指标的历史数据,预测所述业务指标的监控阈值,具体包括:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的初始监控阈值;
判断是否存在预设事件,若是,则确定所述预设事件对所述业务指标的影响因子;
根据所述影响因子和所述初始监控阈值,预测所述业务指标的监控阈值。
在本实施例中,首先基于马尔科夫模型,预测所述业务指标在未来时间的初始监控阈值,然后结合外部因素(预设事件)对所述业务指标的影响情况对初始监控阈值进行调整,进而得到所述业务指标在未来时间的监控阈值。
在本实施例中,需要说明的是,在数据报表***中,影响报表指标数值的因素有很多,如底层数据质量、清洗规则、数据口径等,但在实际的情况中,业务部门的营销活动推广及时间属性等客观因素才是决定一个业务指标的决定性因素。报表指标是一个业务发展情况的数字化展现,本身就跟业务部门有着密切联系,为了将二者结合起来,本实施例引入了“外部因素对业务指标产生的影响因子”的概念。在本实施例中,外部因素包括营销活动、热点事件和节假日中的一种或多种。举例来说,营销活动与公司营销平台***对接,营销平台是一个公司从营销活动策划、开展、资源发放的一套完整的业务***平台,因此营销活动影响因子实现了数据报表***的数据与业务的相结合;热点事件影响因子与爬虫***打通,跟踪热点事件对业务指标可能产生的影响,例如对于音乐类App,周杰伦的新专辑发布是一个热点事件,其必然影响着专辑发布时间对应App的活跃与付费用户,对于传统指标监控预警中的固定阈值,这种数据波动会被认为是异常指标,从而发出预警,但其实是符合真实情况的。节假日这一外部因素由***后台设定,例如,寒暑假,游戏类App的用户指标会产生一定的增幅。因此,在基于马尔科夫模型预测所述业务指标在未来时间的初始监控阈值后,还需要结合外部因素对所述业务指标的影响情况对初始监控阈值进行调整,例如,当遇到营销活动、热点事件或节假日时,应对初始监控阈值进行相应的调整(如进行适当比例的增幅调整),进而使得最终得到的监控阈值更加符合实际情况。
基于上面介绍的内容,本实施例给出了外部因素对所述业务指标的影响因子的具体确定方式,下面介绍如下。
基于上述实施例的内容,在本实施例中,确定外部因素对所述业务指标的影响因子,具体包括:
根据所述业务指标的历史数据,在所述历史数据中获取第一历史时间段内所述业务指标的实际值;所述第一历史时间段为存在所述预设事件的时间段;
根据所述业务指标的历史数据,在所述历史数据中获取第二历史时间段内所述业务指标的最大值;所述第二历史时间段为不存在所述预设事件的时间段;
根据所述实际值与所述最大值,确定所述预设事件对所述业务指标的影响因子。
在本实施例中,可以首先获取在存在外部因素(预设事件)影响时的第一历史时间段内所述业务指标的实际值,然后再获取在不存在外部因素(预设事件)影响时的第二历史时间段内所述业务指标的最大值,最后根据所述实际值与所述最大值,确定外部因素(预设事件)对所述业务指标的影响因子。
在本实施例中,所述第二历史时间段的长度与所述第一历史时间段的长度相同。
在本实施例中,需要说明的是,影响因子实际上可以看作一个权重值,也即影响因子用来对基于马尔科夫模型得到的初始监控阈值进行加权处理。假设外部因素包括营销活动、热点事件和节假日这三种,则当这三种外部因素不存在时,外部因素对所述业务指标的影响因子就是0。当这三种外部因素中只存在一种时,则确定在这一种外部因素下对所述业务指标产生的影响因子是多少。当这三种外部因素中只存在两种时,则确定在这两种外部因素下对所述业务指标产生的影响因子是多少。当这三种外部因素中存在三种时,则确定在这三种外部因素下对所述业务指标产生的影响因子是多少。具体来说,可以通过下面方式确定外部因素对所述业务指标的影响因子:
基于上述实施例的内容,在本实施例中,根据所述影响因子和所述初始监控阈值,预测所述业务指标的监控阈值,具体包括:
将初始监控阈值与所述影响因子进行相乘处理,得到所述业务指标在未来时间的监控阈值。
下面结合图2所示的指标监控方法实现过程示意图,对本实施例提供的指标监控方法进行详细说明。
首先由运营人员在其营销平台录入营销活动计划,并根据活动属性标明对可能产生影响的业务指标,同时由爬虫***实时地爬取网络热点事件,并进行分类处理(娱乐、体育、音乐、影视等),由此判断该热点事件对具体指标是否会产生影响。营销平台和爬虫***的信息会通过***自动的方式传入给监控模型。此外,具体指标在时间序列上会产生一系列的数值,马尔科夫模型基于历史的指标值,会对下一个时间序列的指标值进行预测,区别于传统设定固定阈值的方法,本实施例的预测值会根据历史指标值的不同而动态调整,同时影响因子也会对预测值产生一定的影响,因此指标异常的监控阈值会随之动态调整。当由数据仓库出具的报表***的指标值大于其预测的监控阈值时,这时会发出预警信息,该预警信息会同时同步业务与数据侧人员,在预警信息得到确认之前,其数据报表***不会对预警指标进行展示,避免留痕。
由此可见,本实施例提供的指标监控方法具有如下优势:
①通过马尔科夫模型,实现了指标监控阈值的动态调整,相比于传统的指标监控方法,有效提高了指标监控预测的准确性;
②通过引入影响因子,将业务指标***与业务平台有效地结合起来,把业务与数据整合到了一个***中,打破了各部门之间的壁垒,提高了指标监控预警的效率。
③完全实现了***自动化运行,避免了人工干预,节省了人力成本。
需要说明的是,目前业界没有一个指标监控预警***使用大数据算法来对报表指标进行预测监控,也没有将业务指标***与实际业务平台相结合的***化流程,因此,本实施例创造性地将马尔科夫模型应用到指标监控预测,以及,创造性地将业务指标***与实际业务平台相结合,有效提高了指标监控预测的准确性和自动化。
图3示出了本发明一实施例提供的指标监控装置的结构示意图,如图3所示,本发明实施例提供的指标监控装置,包括:获取模块21、预测模块22和监控模块23,其中:
获取模块21,用于获取业务指标的历史数据;
预测模块22,用于根据所述业务指标的历史数据,预测所述业务指标的监控阈值;
监控模块23,用于利用所述监控阈值对业务指标进行异常监控。
基于上述实施例的内容,在本实施例中,所述预测模块22,具体用于:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值。
基于上述实施例的内容,在本实施例中,所述预测模块22,具体用于:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的初始监控阈值;
判断是否存在预设事件,若是,则确定所述预设事件对所述业务指标的影响因子;
根据所述影响因子和所述初始监控阈值,预测所述业务指标的监控阈值。
本实施例提供的指标监控装置,可以用于执行上述实施例所述的指标监控方法,其工作原理和有益效果类似,具体此处不再赘述。
基于相同的发明构思,本发明又一实施例提供了一种电子设备,参见图4,所述电子设备具体包括如下内容:处理器301、存储器302、通信接口303和通信总线304;
其中,所述处理器301、存储器302、通信接口303通过所述通信总线304完成相互间的通信;所述通信接口303用于实现各设备之间的信息传输;
所述处理器301用于调用所述存储器302中的计算机程序,所述处理器执行所述计算机程序时实现上述指标监控方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:获取业务指标的历史数据;根据所述业务指标的历史数据,预测所述业务指标的监控阈值;利用所述监控阈值对业务指标进行异常监控。
基于相同的发明构思,本发明又一实施例提供了一种非暂态计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述指标监控方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:获取业务指标的历史数据;根据所述业务指标的历史数据,预测所述业务指标的监控阈值;利用所述监控阈值对业务指标进行异常监控。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的指标监控方法。
此外,在本发明中,诸如“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本发明中,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。
此外,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种指标监控方法,其特征在于,包括:
获取业务指标的历史数据;
根据所述业务指标的历史数据,预测所述业务指标的监控阈值;
利用所述监控阈值对业务指标进行异常监控。
2.根据权利要求1所述的指标监控方法,其特征在于,根据所述业务指标的历史数据,预测所述业务指标的监控阈值根据所述业务指标的历史数据,预测所述业务指标的监控阈值,具体包括:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值。
3.根据权利要求2所述的指标监控方法,其特征在于,根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值根据所述业务指标的历史数据,预测所述业务指标的监控阈值,具体包括:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的初始监控阈值;
判断是否存在预设事件,若是,则确定所述预设事件对所述业务指标的影响因子;
根据所述影响因子和所述初始监控阈值,预测所述业务指标的监控阈值。
4.根据权利要求3所述的指标监控方法,其特征在于,确定所述预设事件对所述业务指标的影响因子,具体包括:
根据所述业务指标的历史数据,在所述历史数据中获取第一历史时间段内所述业务指标的实际值;所述第一历史时间段为存在所述预设事件的时间段;
根据所述业务指标的历史数据,在所述历史数据中获取第二历史时间段内所述业务指标的最大值;所述第二历史时间段为不存在所述预设事件的时间段;
根据所述实际值与所述最大值,确定所述预设事件对所述业务指标的影响因子。
5.根据权利要求3或4所述的指标监控方法,其特征在于,所述预设事件包括营销活动、热点事件和节假日中的一种或多种。
6.一种指标监控装置,其特征在于,包括:
获取模块,用于获取业务指标的历史数据;
预测模块,用于根据所述业务指标的历史数据,预测所述业务指标的监控阈值;
监控模块,用于利用所述监控阈值对业务指标进行异常监控。
7.根据权利要求6所述的指标监控装置,其特征在于,所述预测模块,具体用于:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的监控阈值。
8.根据权利要求6所述的指标监控装置,其特征在于,所述预测模块,具体用于:
根据所述业务指标的历史数据,基于马尔科夫模型,预测所述业务指标的初始监控阈值;
判断是否存在预设事件,若是,则确定所述预设事件对所述业务指标的影响因子;
根据所述影响因子和所述初始监控阈值,预测所述业务指标在未来时间的监控阈值。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一所述的指标监控方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一所述的指标监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403250.5A CN111611517B (zh) | 2020-05-13 | 2020-05-13 | 指标监控方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010403250.5A CN111611517B (zh) | 2020-05-13 | 2020-05-13 | 指标监控方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111611517A true CN111611517A (zh) | 2020-09-01 |
CN111611517B CN111611517B (zh) | 2023-07-21 |
Family
ID=72197999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010403250.5A Active CN111611517B (zh) | 2020-05-13 | 2020-05-13 | 指标监控方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611517B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199252A (zh) * | 2020-09-30 | 2021-01-08 | 中国民航信息网络股份有限公司 | 一种异常监控方法、装置及电子设备 |
CN112800294A (zh) * | 2021-01-11 | 2021-05-14 | 深圳乐信软件技术有限公司 | 数据展示图表的处理方法、装置、设备和介质 |
CN112818295A (zh) * | 2021-01-27 | 2021-05-18 | 深圳市同行者科技有限公司 | 业务数据的监控方法、装置、设备及存储介质 |
CN113055442A (zh) * | 2021-02-20 | 2021-06-29 | 深圳中正信息科技有限公司 | 基于动态因子的事件生成方法、电子设备及存储介质 |
CN113516270A (zh) * | 2020-10-30 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 业务数据监控方法、装置 |
CN113721756A (zh) * | 2021-08-26 | 2021-11-30 | 镕铭微电子(济南)有限公司 | 一种控制进入PCI Express ASPM节能状态的方法、装置及存储介质 |
CN113836204A (zh) * | 2021-09-28 | 2021-12-24 | 安徽听见科技有限公司 | 接口异常检测方法、装置、电子设备和存储介质 |
CN115190023A (zh) * | 2021-03-23 | 2022-10-14 | 中移(上海)信息通信科技有限公司 | 组态管理策略处理方法、装置及通信设备 |
WO2024084799A1 (ja) * | 2022-10-17 | 2024-04-25 | 株式会社日立ハイテク | 自動分析システム、及び方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060028601A (ko) * | 2004-09-25 | 2006-03-30 | 한국전자통신연구원 | 네트워크 트래픽 이상 징후 감지 장치 및 그 방법 |
US20110107154A1 (en) * | 2009-11-03 | 2011-05-05 | David Breitgand | System and method for automated and adaptive threshold setting to separately control false positive and false negative performance prediction errors |
CN105406991A (zh) * | 2015-10-26 | 2016-03-16 | 上海华讯网络***有限公司 | 基于网络监控指标由历史数据生成业务阈值的方法及*** |
CN105718715A (zh) * | 2015-12-23 | 2016-06-29 | 华为技术有限公司 | 异常检测方法和设备 |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
CN110324168A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 异常事件监控方法和装置及电子设备 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机***有限公司 | 动态阈值异常检测方法、***、存储介质及智能设备 |
JP2020047042A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社日立ハイテクノロジーズ | 自動分析装置 |
CN110971444A (zh) * | 2019-10-09 | 2020-04-07 | 中移(杭州)信息技术有限公司 | 告警管理方法、装置、服务器及存储介质 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
-
2020
- 2020-05-13 CN CN202010403250.5A patent/CN111611517B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060028601A (ko) * | 2004-09-25 | 2006-03-30 | 한국전자통신연구원 | 네트워크 트래픽 이상 징후 감지 장치 및 그 방법 |
US20110107154A1 (en) * | 2009-11-03 | 2011-05-05 | David Breitgand | System and method for automated and adaptive threshold setting to separately control false positive and false negative performance prediction errors |
CN106549772A (zh) * | 2015-09-16 | 2017-03-29 | 华为技术有限公司 | 资源预测方法、***和容量管理装置 |
CN105406991A (zh) * | 2015-10-26 | 2016-03-16 | 上海华讯网络***有限公司 | 基于网络监控指标由历史数据生成业务阈值的方法及*** |
CN105718715A (zh) * | 2015-12-23 | 2016-06-29 | 华为技术有限公司 | 异常检测方法和设备 |
CN107871190A (zh) * | 2016-09-23 | 2018-04-03 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
CN110324168A (zh) * | 2018-03-30 | 2019-10-11 | 阿里巴巴集团控股有限公司 | 异常事件监控方法和装置及电子设备 |
JP2020047042A (ja) * | 2018-09-20 | 2020-03-26 | 株式会社日立ハイテクノロジーズ | 自動分析装置 |
CN110971444A (zh) * | 2019-10-09 | 2020-04-07 | 中移(杭州)信息技术有限公司 | 告警管理方法、装置、服务器及存储介质 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机***有限公司 | 动态阈值异常检测方法、***、存储介质及智能设备 |
CN111124840A (zh) * | 2019-12-02 | 2020-05-08 | 北京天元创新科技有限公司 | 业务运维中告警的预测方法、装置与电子设备 |
Non-Patent Citations (1)
Title |
---|
刘天等: "移动流行区间法在手足口病监测预警中的应用" * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112199252A (zh) * | 2020-09-30 | 2021-01-08 | 中国民航信息网络股份有限公司 | 一种异常监控方法、装置及电子设备 |
CN112199252B (zh) * | 2020-09-30 | 2024-05-31 | 中国民航信息网络股份有限公司 | 一种异常监控方法、装置及电子设备 |
CN113516270A (zh) * | 2020-10-30 | 2021-10-19 | 腾讯科技(深圳)有限公司 | 业务数据监控方法、装置 |
CN112800294A (zh) * | 2021-01-11 | 2021-05-14 | 深圳乐信软件技术有限公司 | 数据展示图表的处理方法、装置、设备和介质 |
CN112800294B (zh) * | 2021-01-11 | 2024-03-19 | 深圳乐信软件技术有限公司 | 数据展示图表的处理方法、装置、设备和介质 |
CN112818295A (zh) * | 2021-01-27 | 2021-05-18 | 深圳市同行者科技有限公司 | 业务数据的监控方法、装置、设备及存储介质 |
CN113055442A (zh) * | 2021-02-20 | 2021-06-29 | 深圳中正信息科技有限公司 | 基于动态因子的事件生成方法、电子设备及存储介质 |
CN113055442B (zh) * | 2021-02-20 | 2022-07-15 | 深圳中正信息科技有限公司 | 基于动态因子的事件生成方法、电子设备及存储介质 |
CN115190023B (zh) * | 2021-03-23 | 2023-09-19 | 中移(上海)信息通信科技有限公司 | 组态管理策略处理方法、装置及通信设备 |
CN115190023A (zh) * | 2021-03-23 | 2022-10-14 | 中移(上海)信息通信科技有限公司 | 组态管理策略处理方法、装置及通信设备 |
CN113721756A (zh) * | 2021-08-26 | 2021-11-30 | 镕铭微电子(济南)有限公司 | 一种控制进入PCI Express ASPM节能状态的方法、装置及存储介质 |
CN113836204A (zh) * | 2021-09-28 | 2021-12-24 | 安徽听见科技有限公司 | 接口异常检测方法、装置、电子设备和存储介质 |
WO2024084799A1 (ja) * | 2022-10-17 | 2024-04-25 | 株式会社日立ハイテク | 自動分析システム、及び方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111611517B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611517A (zh) | 指标监控方法、装置、电子设备及存储介质 | |
US10999140B2 (en) | Mitigation of likelihood and impact of a server-reconfiguration failure | |
US11533238B2 (en) | Capacity management of computing resources based on time series analysis | |
US20140119522A1 (en) | System and method for generating subscriber churn predictions | |
CN107943809B (zh) | 数据质量监控方法、装置及大数据计算平台 | |
US8619084B2 (en) | Dynamic adaptive process discovery and compliance | |
CN111143102A (zh) | 异常数据检测方法、装置、存储介质及电子设备 | |
US20110270853A1 (en) | Dynamic Storage and Retrieval of Process Graphs | |
WO2016109608A9 (en) | System for cyber insurance policy including cyber risk assessment/management service | |
JP2010526352A (ja) | 統計的な分析を利用した性能障害管理システム及びその方法 | |
US11436647B1 (en) | Entity scoring calibration | |
US20210366268A1 (en) | Automatic tuning of incident noise | |
US8180716B2 (en) | Method and device for forecasting computational needs of an application | |
CN107819745B (zh) | 异常流量的防御方法和装置 | |
CN114500318B (zh) | 一种批量作业监控方法及装置、设备及介质 | |
CN112163154B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN104937613A (zh) | 量化数据质量的探试 | |
CN111681094B (zh) | 一种监测资源策略异常的方法、装置和电子设备 | |
CN117130873B (zh) | 一种任务监控的方法和装置 | |
CN111194044A (zh) | 专线拨测方法、装置、设备和介质 | |
CN117950891A (zh) | 业务异常的处理方法、装置、电子设备及存储介质 | |
CN115567406A (zh) | 一种管理网络节点的方法、装置和*** | |
CN117314228A (zh) | 手机银行服务质量管理方法、装置、设备、介质和产品 | |
CN115860570A (zh) | 基于图的移动运营商潜在流失客户的评分方法 | |
KR20240082685A (ko) | 구내망 내 인공지능 서비스 제공 방법 및 이를 위한 서비스 서버 |
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 |