CN112637021A - 一种基于线性回归算法的动态流量监控方法和装置 - Google Patents

一种基于线性回归算法的动态流量监控方法和装置 Download PDF

Info

Publication number
CN112637021A
CN112637021A CN202011622978.3A CN202011622978A CN112637021A CN 112637021 A CN112637021 A CN 112637021A CN 202011622978 A CN202011622978 A CN 202011622978A CN 112637021 A CN112637021 A CN 112637021A
Authority
CN
China
Prior art keywords
flow
data
linear regression
traffic
monitoring
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.)
Pending
Application number
CN202011622978.3A
Other languages
English (en)
Inventor
杨涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Construction Bank Corp
Original Assignee
China Construction Bank Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Construction Bank Corp filed Critical China Construction Bank Corp
Priority to CN202011622978.3A priority Critical patent/CN112637021A/zh
Publication of CN112637021A publication Critical patent/CN112637021A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种基于线性回归的动态流量监控方法和装置，具体为采集被监控网络***中各个网络节点的流量数据；对历次采集的流量数据进行存储，构成流量数据库；利用基于线性回归算法对历史数据的处理得到的置信区间对流量数据进行监测；当流量数据超出置信区间时，输出流量异常信息。由于本方案不是采用固定的告警阈值对流量进行监控，而是利用针对不同时段的网络流量的变化的置信区间对流量数据进行监测，从而极大地提高了监控的准确性。

Description

一种基于线性回归算法的动态流量监控方法和装置
技术领域
本申请涉及网络技术领域，更具体地说，涉及一种基于线性回归算法的动态流量监控方法和装置。
背景技术
现有的网络监控***在对监控对象进行流量监控时，一般是预先设置固定的告警阈值，当被监控的网络***的当前流量超过该告警阈值时，触发告警。而对于大多数网络***来说，不同时间段的网络流量也会发生变化，固定的告警阈值很难实现对业务的准确监控，从而极大的降低了监控的准确性。
发明内容
有鉴于此，本申请提供一种基于线性回归算法的动态流量监控方法和装置，用于对网络***的流量进行监控，以提高监控的准确性。
为了实现上述目的，现提出的方案如下：
一种基于线性回归算法的动态流量监控方法，所述动态流量监控方法包括步骤：
采集被监控网络***中各个网络节点的流量数据；
对历次采集的所述流量数据进行存储，构成流量数据库；
利用基于线性回归算法对历史数据的处理得到的置信区间对所述流量数据进行监测；
当所述流量数据超出所述置信区间时，输出流量异常信息。
可选的，还包括步骤：
更新流量数据库中异常流量信息。
可选的，所述流量数据包括流量大小、采集时间、采集节点、流量方向和五元组信息。
可选的，还包括步骤：
根据用户需要确定监控对象，并设置所述监控对象的监控参数；
基于所述监控参数采集所述监控对象的历史流量数据；
使用线性回归算法对所述历史流量数据进行处理，得到流量数据对于时间的线性回归函数；
基于所述线性回归函数并按照正态分布计算得到所述置信区间。
可选的，所述置信区间包括当前流量预测值和告警阈值。
一种基于线性回归算法的动态流量监控装置，所述动态流量监控装置包括：
数据采集模块、用于采集被监控网络***中各个网络节点的流量数据；
数据存储模块，用于对历次采集的所述流量数据进行存储，构成流量数据库；
数据检测模块，用于利用基于线性回归算法对历史数据的处理得到的置信区间对所述流量数据进行监测；
结果输出模块，用于当所述流量数据超出所述置信区间时，输出流量异常信息。
可选的，还包括：
数据更新模块，用于更新流量数据库中异常流量信息。
可选的，所述流量数据包括流量大小、采集时间、采集节点、流量方向和五元组信息。
可选的，还包括：
参数设置模块，用于根据用户需要确定监控对象，并设置所述监控对象的监控参数；
数据获取模块，用于基于所述监控参数采集所述监控对象的历史流量数据；
函数构建模块，用于使用线性回归算法对所述历史流量数据进行处理，得到流量数据对于时间的线性回归函数；
区间计算模块，用于基于所述线性回归函数并按照正态分布计算得到所述置信区间。
可选的，所述置信区间包括当前流量预测值和告警阈值。
从上述的技术方案可以看出，本申请公开了一种基于线性回归的动态流量监控方法和装置，具体为采集被监控网络***中各个网络节点的流量数据；对历次采集的流量数据进行存储，构成流量数据库；利用基于线性回归算法对历史数据的处理得到的置信区间对流量数据进行监测；当流量数据超出置信区间时，输出流量异常信息。由于本方案不是采用固定的告警阈值对流量进行监控，而是利用针对不同时段的网络流量的变化的置信区间对流量数据进行监测，从而极大地提高了监控的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例的一种基于线性回归算法的动态流量监控方法的流程图；
图2为本申请实施例的另一种基于线性回归算法的动态流量监控方法的流程图；
图3为本申请实施例的置信区间的计算方法的流程图；
图4为本申请实施例的一种基于线性回归算法的动态流量监控装置的框图；
图5为本申请实施例的另一种基于线性回归算法的动态流量监控装置的框图；
图6为本申请实施例的又一种基于线性回归算法的动态流量监控装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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作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。
实施例一
图1为本申请实施例的一种基于线性回归算法的动态流量监控方法的流程图。
如图1所示，本实施例提供的动态流量监控方法不是基于固定的告警阈值对实时流量进行监控，而是基于一个动态的置信区间，该动态流量监控方法包括如下步骤：
S101、采集各个网络节点的流量数据。
即针对被监控网络***中的各网络节点，实时采集各个网络节点的流量数据，采集时间间隔为o。所采集的流量数据包括流量大小、采集时间、采集节点、流量方向和五元组信息。
S102、对历次采集的流量数据进行存储。
即对所有时刻所采集的流量数据进行存储管理，从而构成流量数据库。
S103、利用置信区间对流量数据进行监测。
这里的置信区间是指基于线性回归算法对历史数据进行处理所得到的一个数值范围，该置信区间不仅包括当前流量预测值，还包括告警阈值，这里的告警阈值是属于置信区间内，并非固定数值。
S104、当流量数据超出置信区间时输出流量异常信息。
即通过上面对流量数据的监测，当发现流量数据超过该告警阈值时，向用户输出流量异常信息，以提示用户或运维人员流量超限。
从上述技术方案可以看出，本实施例提供了一种基于线性回归的动态流量监控方法，具体为采集被监控网络***中各个网络节点的流量数据；对历次采集的流量数据进行存储，构成流量数据库；利用基于线性回归算法对历史数据的处理得到的置信区间对流量数据进行监测；当流量数据超出置信区间时，输出流量异常信息。由于本方案不是采用固定的告警阈值对流量进行监控，而是利用针对不同时段的网络流量的变化的置信区间对流量数据进行监测，从而极大地提高了监控的准确性。
在本申请的一个具体实施方式中，还包括如下步骤，如图2所示。
S105、使用当前流量预测值更新流量数据库中异常流量数据。
在用户或运维人员得到本方案输出的流量异常信息时，对当前告警的流量进行确认，如果确定为异常，则将该流量数据更新到流量数据库，这样使的后续对置信区间的计算更为精确。
本申请中还包括如下步骤，用于通过线性回归算法得到该置信区间，如图3所示。
S201、确定监控对象及其监控参数。
即根据用户的需求确定需要被监控的监控对象，并设置该监控对象的监控参数。监控参数包括历史数据时间单位T(如小时、天、周、月、季度、年等)、采集数据个数N、最近历史数据参考时长M(单位为o)、历史数据权重参数γ等。
S202、基于监控参数采集监控对象的历史流量数据。
根据该监控参数并从流量数据库中采集监控对象的前N个时间间隔为T的数据R＝[R1、R2、...、RN]，以及当前最近M个监控数据P＝[P1、P2、...、PM]。
S203、基于线性回归算法得到线性回归函数。
使用线性回归算法计算流量数据Q对于时间t的线性函数：
QR(t)＝αRt+βR+τR
QP(t)＝αPt+βP+τP
其中QR(t)和QP(t)为别是R和P数据计算得到的线性回归函数，αR、αP和βR、βP分别表示两线性回归函数的参数，其值如下：
Figure BDA0002878687620000051
Figure BDA0002878687620000052
Figure BDA0002878687620000061
Figure BDA0002878687620000062
其中TRi和QRi、TPi和QPi分别为R＝[R1、R2、...、RN]和P＝[P1、P2、...、PM]数据中采集时间和采集流量，
Figure BDA0002878687620000063
和
Figure BDA0002878687620000064
分别为R和P数据集中流量和时间的平均值。
τR和τP为随机变量，分别为R和P数据计算得到的线性回归函数的误差项，服从正态分布
Figure BDA0002878687620000065
S204、基于线性回归函数得到置信区间。
基于上述的线性回归函数并按照正态分布函数，可以得到τR和τP的置信区间，分别为：
Figure BDA0002878687620000066
Figure BDA0002878687620000067
其中
Figure BDA0002878687620000068
表示置信水平(1-θ)下的统计值，σR和σP分别为τR和τP在线性回归中算得的标准差。
根据以上的计算结果，可计算得到监控对象当前流量的预测值Q(t)及告警阈值
Figure BDA0002878687620000069
分别为：
Q(t)＝γQR(t)+(1-γ)QP(t)
Figure BDA00028786876200000610
其中γ为历史流量权重参数。
实施例二
图4为本申请实施例的一种基于线性回归算法的动态流量监控装置的框图。
如图4所示，本实施例提供的动态流量监控装置不是基于固定的告警阈值对实时流量进行监控，而是基于一个动态的置信区间，该动态流量监控装置包括数据采集模块10、数据存储模块20、数据检测模块30和结果输出模块40。
数据采集模块用于采集各个网络节点的流量数据。
即针对被监控网络***中的各网络节点，实时采集各个网络节点的流量数据，采集时间间隔为o。所采集的流量数据包括流量大小、采集时间、采集节点、流量方向和五元组信息。
数据存储模块用于对历次采集的流量数据进行存储。
即对所有时刻所采集的流量数据近程存储管理，从而构成流量数据库。
数据检测模块用于利用置信区间对流量数据进行监测。
这里的置信区间是指基于线性回归算法对历史数据进行处理所得到的一个数值范围，该置信区间不仅包括当前流量预测值，还包括告警阈值，这里的告警阈值是属于置信区间内，并非固定数值。
结果输出模块用于当流量数据超出置信区间时输出流量异常信息。
即通过上面对流量数据的监测，当发现流量数据超过该告警阈值时，向用户输出流量异常信息，以提示用户或运维人员流量超限。
从上述技术方案可以看出，本实施例提供了一种基于线性回归的动态流量监控装置，具体为采集被监控网络***中各个网络节点的流量数据；对历次采集的流量数据进行存储，构成流量数据库；利用基于线性回归算法对历史数据的处理得到的置信区间对流量数据进行监测；当流量数据超出置信区间时，输出流量异常信息。由于本方案不是采用固定的告警阈值对流量进行监控，而是利用针对不同时段的网络流量的变化的置信区间对流量数据进行监测，从而极大地提高了监控的准确性。
在本申请的一个具体实施方式中，还包括数据更新模块50，如图5所示。
数据更新模块用于将当前流量预测值更新到流量数据库。
在用户或运维人员得到本方案输出的流量异常信息时，对当前告警的流量进行确认，如果确定为异常，则将该流量数据更新到流量数据库，这样使的后续对置信区间的计算更为精确。
在本实施例的另一个具体实施方式中，该装置还包括参数设置模块60、数据获取模块70、函数构建模块80和区间计算模块90，用于通过线性回归算法得到该置信区间，如图6所示。
参数设置模块用于确定监控对象及其监控参数。
即根据用户的需求确定需要被监控的监控对象，并设置该监控对象的监控参数。监控参数包括历史数据时间单位T(如小时、天、周、月、季度、年等)、采集数据个数N、最近历史数据参考时长M(单位为o)、历史数据权重参数γ等。
数据获取模块用于基于监控参数采集监控对象的历史流量数据。
根据该监控参数并从流量数据库中采集监控对象的前N个时间间隔为T的数据R＝[R1、R2、...、RN]，以及当前最近M个监控数据P＝[P1、P2、...、PM]。
函数构建模块基于线性回归算法得到线性回归函数。
使用线性回归算法对计算流量数据Q对于时间t的线性函数：
QR(t)＝αRt+βR+τR
QP(t)＝αPt+βP+τP
其中QR(t)和QP(t)为别是R和P数据计算得到的线性回归函数，αR、αP和βR、βP分别表示两线性回归函数的参数，其值如下：
Figure BDA0002878687620000081
Figure BDA0002878687620000082
Figure BDA0002878687620000083
Figure BDA0002878687620000084
其中TRi和QRi、TPi和QPi分别为R＝[R1、R2、...、RN]和P＝[P1、P2、...、PM]数据中采集时间和采集流量，
Figure BDA0002878687620000091
和
Figure BDA0002878687620000092
分别为R和P数据集中流量和时间的平均值。
τR和τP为随机变量，分别为R和P数据计算得到的线性回归函数的误差项，服从正态分布
Figure BDA0002878687620000093
区间计算模块用于基于线性回归函数得到置信区间。
基于上述的线性回归函数并按照正态分布函数，可以得到τR和τP的置信区间，分别为：
Figure BDA0002878687620000094
Figure BDA0002878687620000095
其中
Figure BDA0002878687620000096
良示置信水平(1-θ)下的统计值，σR和σP分别为τR和τP在线性回归中算得的标准差。
根据以上的计算结果，可计算得到监控对象当前流量的预测值Q(t)及告警阈值
Figure BDA0002878687620000097
分别为：
Q(t)＝γQR(t)+(1-γ)QP(t)
Figure BDA0002878687620000098
其中γ为历史流量权重参数。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于线性回归算法的动态流量监控方法，其特征在于，所述动态流量监控方法包括步骤：
采集被监控网络***中各个网络节点的流量数据；
对历次采集的所述流量数据进行存储，构成流量数据库；
利用基于线性回归算法对历史数据的处理得到的置信区间对所述流量数据进行监测；
当所述流量数据超出所述置信区间时，输出流量异常信息。
2.如权利要求1所述的动态流量监控方法，其特征在于，还包括步骤：
将所述流量异常信息存入所述流量数据库。
3.如权利要求1所述的动态流量监控方法，其特征在于，所述流量数据包括流量大小、采集时间、采集节点、流量方向和五元组信息。
4.如权利要求1所述的动态流量监控方法，其特征在于，还包括步骤：
根据用户需要确定监控对象，并设置所述监控对象的监控参数；
基于所述监控参数采集所述监控对象的历史流量数据；
使用线性回归算法对所述历史流量数据进行处理，得到流量数据对于时间的线性回归函数；
基于所述线性回归函数，利用正态分布计算得到流量的置信区间。
5.如权利要求4所述的动态流量监控方法，其特征在于，所述置信区间包括当前流量预测值和告警阈值。
6.一种基于线性回归算法的动态流量监控装置，其特征在于，所述动态流量监控装置包括：
数据采集模块、用于采集被监控网络***中各个网络节点的流量数据；
数据存储模块，用于对历次采集的所述流量数据进行存储，构成流量数据库；
数据检测模块，用于利用基于线性回归算法对历史数据的处理得到的置信区间对所述流量数据进行监测；
结果输出模块，用于当所述流量数据超出所述置信区间时，输出流量异常信息。
7.如权利要求6所述的动态流量监控装置，其特征在于，还包括：
数据更新模块，用于更新流量数据库中异常流量信息。
8.如权利要求6所述的动态流量监控装置，其特征在于，所述流量数据包括流量大小、采集时间、采集节点、流量方向和五元组信息。
9.如权利要求6所述的动态流量监控装置，其特征在于，还包括：
参数设置模块，用于根据用户需要确定监控对象，并设置所述监控对象的监控参数；
数据获取模块，用于基于所述监控参数采集所述监控对象的历史流量数据；
函数构建模块，用于使用线性回归算法对所述历史流量数据进行处理，得到流量数据对于时间的线性回归函数；
区间计算模块，用于基于所述线性回归函数并按照正态分布计算得到所述置信区间。
10.如权利要求9所述的动态流量监控装置，其特征在于，所述置信区间包括当前流量预测值和告警阈值。
CN202011622978.3A 2020-12-31 2020-12-31 一种基于线性回归算法的动态流量监控方法和装置 Pending CN112637021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011622978.3A CN112637021A (zh) 2020-12-31 2020-12-31 一种基于线性回归算法的动态流量监控方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011622978.3A CN112637021A (zh) 2020-12-31 2020-12-31 一种基于线性回归算法的动态流量监控方法和装置

Publications (1)

Publication Number Publication Date
CN112637021A true CN112637021A (zh) 2021-04-09

Family

ID=75287375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011622978.3A Pending CN112637021A (zh) 2020-12-31 2020-12-31 一种基于线性回归算法的动态流量监控方法和装置

Country Status (1)

Country Link
CN (1) CN112637021A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172708A (zh) * 2021-11-30 2022-03-11 北京天一恩华科技股份有限公司 网络流量异常的识别方法
CN114285612A (zh) * 2021-12-14 2022-04-05 北京天融信网络安全技术有限公司 一种异常数据检测的方法、***、装置、设备及介质
CN115242513A (zh) * 2022-07-22 2022-10-25 中国工商银行股份有限公司 广域网链路流量异常告警方法、装置、设备、介质和程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127359A (zh) * 2016-08-30 2016-11-16 北京协同创新智能电网技术有限公司 一种基于局部加权线性回归模型的变频水泵出口流量预警方法
US20180320504A1 (en) * 2015-11-06 2018-11-08 Solution Seeker As Assessment of Flow Networks
CN110086649A (zh) * 2019-03-19 2019-08-02 深圳壹账通智能科技有限公司 异常流量的检测方法、装置、计算机设备及存储介质
CN110839016A (zh) * 2019-10-18 2020-02-25 平安科技（深圳）有限公司 异常流量监测方法、装置、设备及存储介质
CN111338878A (zh) * 2020-02-21 2020-06-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180320504A1 (en) * 2015-11-06 2018-11-08 Solution Seeker As Assessment of Flow Networks
CN106127359A (zh) * 2016-08-30 2016-11-16 北京协同创新智能电网技术有限公司 一种基于局部加权线性回归模型的变频水泵出口流量预警方法
CN110086649A (zh) * 2019-03-19 2019-08-02 深圳壹账通智能科技有限公司 异常流量的检测方法、装置、计算机设备及存储介质
CN110839016A (zh) * 2019-10-18 2020-02-25 平安科技（深圳）有限公司 异常流量监测方法、装置、设备及存储介质
CN111338878A (zh) * 2020-02-21 2020-06-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114172708A (zh) * 2021-11-30 2022-03-11 北京天一恩华科技股份有限公司 网络流量异常的识别方法
CN114285612A (zh) * 2021-12-14 2022-04-05 北京天融信网络安全技术有限公司 一种异常数据检测的方法、***、装置、设备及介质
CN114285612B (zh) * 2021-12-14 2023-09-26 北京天融信网络安全技术有限公司 一种异常数据检测的方法、***、装置、设备及介质
CN115242513A (zh) * 2022-07-22 2022-10-25 中国工商银行股份有限公司 广域网链路流量异常告警方法、装置、设备、介质和程序产品
CN115242513B (zh) * 2022-07-22 2024-02-27 中国工商银行股份有限公司 广域网链路流量异常告警方法、装置、设备和介质

Similar Documents

Publication Publication Date Title
CN112637021A (zh) 一种基于线性回归算法的动态流量监控方法和装置
CN107871190B (zh) 一种业务指标监控方法及装置
CN109061776B (zh) 一种短时临近数值天气预报***及方法
CN107943809A (zh) 数据质量监控方法、装置及大数据计算平台
US10067038B2 (en) Analyzing equipment degradation for maintaining equipment
CN107026892B (zh) 消息推荐方法和装置
CN108920336B (zh) 一种基于时间序列的服务异常提醒方法及装置
Ghosh et al. Time-series modelling for forecasting vehicular traffic flow in Dublin
CN106254137B (zh) 监管***的告警根源分析***及方法
CN112131081B (zh) 一种故障报警参数调整方法、装置、电子设备及存储介质
CN110909306B (zh) 业务异常检测方法、装置、电子设备和存储设备
CN111177485A (zh) 基于参数规则匹配设备故障的预测方法、设备及介质
CN108075913A (zh) 一种播发***服务质量的监控方法及其***
CN111325398B (zh) 网点货量的预测方法及***、存储介质
CN114444827A (zh) 一种集群性能的评估方法和装置
CN114786190A (zh) 一种流量的预测方法、装置及存储介质
CN117236529B (zh) 基于大数据的大型活动人流量预测方法
CN109921955B (zh) 业务量监控方法、***、计算机设备和存储介质
CN112667479A (zh) 一种信息监控方法及装置
CN116758707B (zh) 一种基于大数据的地质灾害监测***及方法
CN113123955B (zh) 柱塞泵异常检测方法、装置、存储介质及电子设备
US20190238241A1 (en) Online self-correction on multiple data streams in sensor networks
CN115238779B (zh) 一种云盘的异常检测方法、装置、设备及介质
CN110856040B (zh) 客户端中监控数据的处理方法和装置
CN116470485A (zh) 时间序列的处理***、方法和计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409