CN112818295A - 业务数据的监控方法、装置、设备及存储介质 - Google Patents
业务数据的监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112818295A CN112818295A CN202110112578.6A CN202110112578A CN112818295A CN 112818295 A CN112818295 A CN 112818295A CN 202110112578 A CN202110112578 A CN 202110112578A CN 112818295 A CN112818295 A CN 112818295A
- Authority
- CN
- China
- Prior art keywords
- service data
- value
- monitoring
- judging
- delta
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013209 evaluation strategy Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种业务数据的监控方法、装置、设备及存储介质,所述监控方法包括:获取当前时刻的实际业务数据值Nc;判断当前时刻是否属于节假日;若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;若|Ne‑Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;若|Ne‑Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。本发明的监控方法提高了节假日业务数据监控的适应性,提高了业务数据的监控质量。
Description
技术领域
本发明涉及数据监控技术领域,尤其涉及一种业务数据的监控方法、装置、设备及存储介质。
背景技术
目前,目前常规的业务数据监控方案可以有效监控业务数据突变的情况,比如某个业务数据突然变为零或巨增,一般实现方式是通过开发人员对业务的预估,设置一定的波动范围,监控***实时采集业务数据,当实际业务数据超过开发人员预估的波动范围时,进行告警。
这种方案有如下缺点:随着业务的发展,需要不停的调整业务估计值;对于一些特殊运营活动,节日等特殊时刻,严重依赖于开发人员对业务的理解,同时准确的预估是非常困难的;对于一些缓慢变化的数据,无法有效的监控。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于解决现有业务数据的监控方法不适应特殊节日的数据监控,无法满足用户需求的技术问题。
本发明第一方面提供了一种业务数据的监控方法,所述业务数据的监控方法包括:
获取当前时刻的实际业务数据值Nc;
判断当前时刻是否属于节假日;
若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;
计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;
计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;
若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;
若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。
在本发明第一方面一种可选的实施方式中,所述业务数据的监控方法还包括:
若当前时刻不属于节假日,则依次获取前N周同天相同时刻的业务数据值N1’,N2’,...,Nn’;
计算第二预估值Ne’,Ne’=k1’*N1’+k2’*N2’+...+kn’*Nn’,其中,k1’,k2’,...,kn’为第二加权系数;
计算第二预估值Ne’和实际业务数据值Nc’的差的绝对值,并和预设的第二阈值δ’比较;
若|Ne’-Nc’|<δ’,则判断当前时刻的实际业务数据值Nc正常;
若|Ne’-Nc’|>δ’,则判断当前时刻的实际业务数据值Nc异常。
在本发明第一方面一种可选的实施方式中,所述k1≥所述k2≥...≥所述kn,所述k1’≥所述k2’≥...≥所述Nn’。
在本发明第一方面一种可选的实施方式中,所述业务数据的监控方法还包括:
对实际业务数据Nc正常的次数和实际业务数据Nc异常的次数进行统计。
在本发明第一方面一种可选的实施方式中,在需要判断一段时间内业务是否发生异常时,获取一段时间内实际业务数据Nc正常的次数a1和实际业务数据Nc异常的次数b1;
根据当前场景加载对应的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常。
在本发明第一方面一种可选的实施方式中,所述根据当前场景加载适配的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常包括:
在一种场景中,将所述次数b1与固定值K进行比较,若数b1>K,则判断业务发生异常,并生成告警信息;
在另一种场景中,将所述次数b1与所述次数a1进行比较,若b1>a1,则判断业务发生异常,并生成告警信息。
在本发明第一方面一种可选的实施方式中,所述获取当前时刻的实际业务数据值Nc以分钟为单位。
本发明第二方面提供了一种业务数据的监控装置,所述业务数据的监控装置包括:
第一获取模块,用于获取当前时刻的实际业务数据值Nc;
第一判断模块,用于判断当前时刻是否属于节假日;
第二获取模块,用于若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;
第一计算模块,用于计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;
第二计算模块,用于计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;
第二判断模块,用于若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;
第三判断模块,用于若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。
本发明第三方面提供了一种业务数据的监控设备,所述业务数据的监控设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述业务数据的监控设备执行上述如任一项所述的业务数据的监控方法。
本发明第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质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如上述任一项所述的业务数据的监控方法。
有益效果:本发明提供了一种业务数据的监控方法、装置、设备及存储介质,所述监控方法包括:获取当前时刻的实际业务数据值Nc;判断当前时刻是否属于节假日;若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。本发明的监控方法提高了节假日业务数据监控的适应性,提高了业务数据的监控质量。
附图说明
图1为本发明一种业务数据的监控方法的流程框图;
图2为本发明另一种业务数据的监控方法的流程框图;
图3为本发明一种业务数据的监控装置的一个实施例示意图;
图4为本发明一种业务数据的监控设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种业务数据的监控方法、装置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明第一方面提供了一种业务数据的监控方法,所述业务数据的监控方法包括:
S100、获取当前时刻的实际业务数据值Nc;
在本实施例中,获取当前时刻的实际业务数据值Nc可以秒,分钟或小时为单位,以分钟为例,就是每隔一分钟就会采集一次当前时刻的实际业务数据值Nc;
S200、判断当前时刻是否属于节假日;
在本实施例中,由于节假日的业务数据可能会出现突变,所以针对节假日需要采用特定的监控策略;
S300、若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;
在本实施例中,节假日的数据和前N年相同节假日的数据进行对比,可以更清楚的了解到业务数据的变化,使节假日业务数据监控更加准确;
S400、计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;
在本实施例中,本发明采用了加权计算的方式获取业务数据的预估值,这样可以更加清楚的反映出业务数据的变化;
500、计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;
在本实施例中,通过判断实际业务数据值Nc是否在预设的范围内波动来判断其是否正常;
S600、若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;
S700、若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。
本发明提出一种监控业务数据方案,这种方案具有自适应,自学习特性,能有效提供监控质量。总体特点如下:自适应业务发展,自动预估当前时刻业务数据值,多种预测算法满足不同的场景下的监控方案,提高了对特殊节日,运营活动时业务监控质量。
参见图2,在本发明第一方面一种可选的实施方式中,所述业务数据的监控方法还包括:
S300’、若当前时刻不属于节假日,则依次获取前N周同天相同时刻的业务数据值N1’,N2’,...,Nn’;
S400’、计算第二预估值Ne’,Ne’=k1’*N1’+k2’*N2’+...+kn’*Nn’,其中,k1’,k2’,...,kn’为第二加权系数;
S500’、计算第二预估值Ne’和实际业务数据值Nc’的差的绝对值,并和预设的第二阈值δ’比较;
S600’、若|Ne’-Nc’|<δ’,则判断当前时刻的实际业务数据值Nc正常;
S700’、若|Ne’-Nc’|>δ’,则判断当前时刻的实际业务数据值Nc异常。
在本发明第一方面一种可选的实施方式中,所述k1≥所述k2≥...≥所述kn,所述k1’≥所述k2’≥...≥所述Nn’。在本实施例中,相隔现在越久的数据,权重会越小,即对现在实际业务数据的影响越小,对于不同的场景,k1,k2,...kn以及k1’,k2’,...,kn’可由不同的方案生成,当然,k1,k2,...kn和k1’,k2’,...,kn’之间可以相同,第一阈值δ和第二阈值δ’之间也可以相同。
在本发明第一方面一种可选的实施方式中,所述业务数据的监控方法还包括:
对实际业务数据Nc正常的次数和实际业务数据Nc异常的次数进行统计。
在本实施例中,本发明会对每秒,每分钟或每小时的实际业务数据Nc正常和异常的次数进行统计,例如,如果|Ne-Nc|<δ或|Ne’-Nc’|<δ’,那么认为当前时刻的实际业务数据值正常,正常计数+1;如果|Ne-Nc|>δ或|Ne’-Nc’|>δ’,那么认为当前时间的值可能存在异常,异常计数+1。
在本发明第一方面一种可选的实施方式中,在需要判断一段时间内业务是否发生异常时,获取一段时间内实际业务数据Nc正常的次数a1和实际业务数据Nc异常的次数b1;
根据当前场景加载对应的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常。
在本发明第一方面一种可选的实施方式中,所述根据当前场景加载适配的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常包括:
在一种场景中,将所述次数b1与固定值K进行比较,若数b1>K,则判断业务发生异常,并生成告警信息;
在另一种场景中,将所述次数b1与所述次数a1进行比较,若b1>a1,则判断业务发生异常,并生成告警信息。
在本实施例中,本发明技术方案的评估策略有两种,分别是:
(1)固定值策略,即当b1>K进行告警。意思是,一定时间窗口内,评估发生了K次以上异常,那么就认为该时间窗口内业务有异常;
(2)相对值策略,即当b1>a1进行告警。意思是,一定时间窗口内,评估异常的次数大于正常的次数,那么就认为该时间窗口内业务异常。
在本发明第一方面一种可选的实施方式中,所述获取当前时刻的实际业务数据值Nc以分钟为单位。
参见图3,本发明第二方面提供了一种业务数据的监控装置,所述业务数据的监控装置包括:
第一获取模块10,用于获取当前时刻的实际业务数据值Nc;
第一判断模块20,用于判断当前时刻是否属于节假日;
第二获取模块30,用于若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;
第一计算模块40,用于计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;
第二计算模块50,用于计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;
第二判断模块60,用于若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;
第三判断模块70,用于若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。
在本发明第二方面一种可选的实施方式中,所述第二获取模块还用于若当前时刻不属于节假日,则依次获取前N周同天相同时刻的业务数据值N1’,N2’,...,Nn’;
所述第一计算模块还用于计算第二预估值Ne’,
Ne’=k1’*N1’+k2’*N2’+...+kn’*Nn’,其中,k1’,k2’,...,kn’为第二加权系数;
所述第二计算模块还用于计算第二预估值Ne’和实际业务数据值Nc’的差的绝对值,并和预设的第二阈值δ’比较;
所述第二判断模块还用于若|Ne’-Nc’|<δ’,则判断当前时刻的实际业务数据值Nc正常;
所述第三判断模块还用于若|Ne’-Nc’|>δ’,则判断当前时刻的实际业务数据值Nc异常。
在本发明第二方面一种可选的实施方式中,所述k1≥所述k2≥...≥所述kn,所述k1’≥所述k2’≥...≥所述Nn’。
在本发明第二方面一种可选的实施方式中,所述业务数据的监控装置还包括:
统计模块,用于对实际业务数据Nc正常的次数和实际业务数据Nc异常的次数进行统计。
在本发明第二方面一种可选的实施方式中,在需要判断一段时间内业务是否发生异常时,获取一段时间内实际业务数据Nc正常的次数a1和实际业务数据Nc异常的次数b1;
根据当前场景加载对应的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常。
在本发明第二方面一种可选的实施方式中,所述根据当前场景加载适配的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常包括:
在一种场景中,将所述次数b1与固定值K进行比较,若数b1>K,则判断业务发生异常,并生成告警信息;
在另一种场景中,将所述次数b1与所述次数a1进行比较,若b1>a1,则判断业务发生异常,并生成告警信息。
在本发明第二方面一种可选的实施方式中,所述获取当前时刻的实际业务数据值Nc以分钟为单位。
图4是本发明实施例提供的一种业务数据的监控设备的结构示意图,该业务数据的监控设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器80(central processing units,CPU)(例如,一个或一个以上处理器)和存储器90,一个或一个以上存储应用程序或数据的存储介质100(例如一个或一个以上海量存储设备)。其中,存储器和存储介质可以是短暂存储或持久存储。存储在存储介质的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对业务数据的监控设备中的一系列指令操作。更进一步地,处理器可以设置为与存储介质通信,在业务数据的监控设备上执行存储介质中的一系列指令操作。
业务数据的监控设备还可以包括一个或一个以上电源110,一个或一个以上有线或无线网络接口120,一个或一个以上输入输出接口130,和/或,一个或一个以上操作***,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图4示出的业务数据的监控设备结构并不构成对业务数据的监控设备的限定,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。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述的业务数据的监控方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以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全部或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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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)
1.一种业务数据的监控方法,其特征在于,所述业务数据的监控方法包括:
获取当前时刻的实际业务数据值Nc;
判断当前时刻是否属于节假日;
若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;
计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;
计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;
若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;
若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。
2.根据权利要求1所述的业务数据的监控方法,其特征在于,所述业务数据的监控方法还包括:
若当前时刻不属于节假日,则依次获取前N周同天相同时刻的业务数据值N1’,N2’,...,Nn’;
计算第二预估值Ne’,Ne’=k1’*N1’+k2’*N2’+...+kn’*Nn’,其中,k1’,k2’,...,kn’为第二加权系数;
计算第二预估值Ne’和实际业务数据值Nc’的差的绝对值,并和预设的第二阈值δ’比较;
若|Ne’-Nc’|<δ’,则判断当前时刻的实际业务数据值Nc正常;
若|Ne’-Nc’|>δ’,则判断当前时刻的实际业务数据值Nc异常。
3.根据权利要求1或2所述的业务数据的监控方法,其特征在于,所述k1≥所述k2≥...≥所述kn,所述k1’≥所述k2’≥...≥所述Nn’。
4.根据权利要求1或2所述的业务数据的监控方法,其特征在于,所述业务数据的监控方法还包括:
对实际业务数据Nc正常的次数和实际业务数据Nc异常的次数进行统计。
5.根据权利要求3所述的业务数据的监控方法,其特征在于,在需要判断一段时间内业务是否发生异常时,获取一段时间内实际业务数据Nc正常的次数a1和实际业务数据Nc异常的次数b1;
根据当前场景加载对应的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常。
6.根据权利要求5所述的业务数据的监控方法,其特征在于,所述根据当前场景加载适配的评估策略,并基于所述次数a1和所述次数b1判断业务是否发生异常包括:
在一种场景中,将所述次数b1与固定值K进行比较,若数b1>K,则判断业务发生异常,并生成告警信息;
在另一种场景中,将所述次数b1与所述次数a1进行比较,若b1>a1,则判断业务发生异常,并生成告警信息。
7.根据权利要求1所述的业务数据的监控方法,其特征在于,所述获取当前时刻的实际业务数据值Nc以分钟为单位。
8.一种业务数据的监控装置,其特征在于,所述业务数据的监控装置包括:
第一获取模块,用于获取当前时刻的实际业务数据值Nc;
第一判断模块,用于判断当前时刻是否属于节假日;
第二获取模块,用于若当前时刻属于节假日,则依次获取前N年相同节假日相同时刻的业务数据值N1,N2,...,Nn;
第一计算模块,用于计算第一预估值Ne,Ne=k1*N1+k2*N2+...+kn*Nn,其中,k1,k2,...,kn为第一加权系数;
第二计算模块,用于计算第一预估值Ne和实际业务数据值Nc的差的绝对值,并和预设的第一阈值δ比较;
第二判断模块,用于若|Ne-Nc|<δ,则判断当前时刻的实际业务数据值Nc正常;
第三判断模块,用于若|Ne-Nc|>δ,则判断当前时刻的实际业务数据值Nc异常。
9.一种业务数据的监控设备,其特征在于,所述业务数据的监控设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述业务数据的监控设备执行如权利要求1-7中任一项所述的业务数据的监控方法。
10.一种计算机可读存储介质,所述计算机可读存储介质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如权利要求1-7中任一项所述的业务数据的监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112578.6A CN112818295A (zh) | 2021-01-27 | 2021-01-27 | 业务数据的监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110112578.6A CN112818295A (zh) | 2021-01-27 | 2021-01-27 | 业务数据的监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112818295A true CN112818295A (zh) | 2021-05-18 |
Family
ID=75859717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110112578.6A Pending CN112818295A (zh) | 2021-01-27 | 2021-01-27 | 业务数据的监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818295A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115499288A (zh) * | 2022-07-12 | 2022-12-20 | 平安国际融资租赁有限公司 | 业务监控方法、装置、设备及介质 |
CN115907710A (zh) * | 2023-01-06 | 2023-04-04 | 浪潮通信信息***有限公司 | 业务处理时限的确定方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251017A (zh) * | 2016-08-02 | 2016-12-21 | 北京百度网讯科技有限公司 | 数据预测方法及装置 |
CN106779230A (zh) * | 2016-12-27 | 2017-05-31 | 北京三快在线科技有限公司 | 订单量预估方法及装置、电子设备 |
CN109614291A (zh) * | 2018-12-11 | 2019-04-12 | 上海连尚网络科技有限公司 | 报警方法和装置 |
CN110022227A (zh) * | 2019-03-07 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 业务处理方法、装置、设备及存储介质 |
CN111163073A (zh) * | 2019-12-24 | 2020-05-15 | 山石网科通信技术股份有限公司 | 流量数据处理方法和装置 |
CN111611517A (zh) * | 2020-05-13 | 2020-09-01 | 咪咕文化科技有限公司 | 指标监控方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-27 CN CN202110112578.6A patent/CN112818295A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251017A (zh) * | 2016-08-02 | 2016-12-21 | 北京百度网讯科技有限公司 | 数据预测方法及装置 |
CN106779230A (zh) * | 2016-12-27 | 2017-05-31 | 北京三快在线科技有限公司 | 订单量预估方法及装置、电子设备 |
CN109614291A (zh) * | 2018-12-11 | 2019-04-12 | 上海连尚网络科技有限公司 | 报警方法和装置 |
CN110022227A (zh) * | 2019-03-07 | 2019-07-16 | 阿里巴巴集团控股有限公司 | 业务处理方法、装置、设备及存储介质 |
CN111163073A (zh) * | 2019-12-24 | 2020-05-15 | 山石网科通信技术股份有限公司 | 流量数据处理方法和装置 |
CN111611517A (zh) * | 2020-05-13 | 2020-09-01 | 咪咕文化科技有限公司 | 指标监控方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陶莉;朱小光;: "数据预处理对电力负荷预测精度的影响", 华电技术, no. 09, 25 September 2015 (2015-09-25), pages 8 - 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115499288A (zh) * | 2022-07-12 | 2022-12-20 | 平安国际融资租赁有限公司 | 业务监控方法、装置、设备及介质 |
CN115907710A (zh) * | 2023-01-06 | 2023-04-04 | 浪潮通信信息***有限公司 | 业务处理时限的确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Omshi et al. | A dynamic auto-adaptive predictive maintenance policy for degradation with unknown parameters | |
CN101771758B (zh) | 一种性能指标值正常波动范围的动态确定方法及其装置 | |
JP4721362B2 (ja) | 閾値設定方法とシステムおよびプログラム | |
US20050216793A1 (en) | Method and apparatus for detecting abnormal behavior of enterprise software applications | |
EP1416348B1 (en) | Methodology for temporal fault event isolation and identification | |
CN112818295A (zh) | 业务数据的监控方法、装置、设备及存储介质 | |
CN110874674B (zh) | 一种异常检测方法、装置及设备 | |
CN108108852B (zh) | 基于故障预警技术的火电机组短期可靠性评估方法及装置 | |
CN107403279B (zh) | 一种输油泵工况自适应状态预警***及方法 | |
CN111221706B (zh) | 一种cpu使用率预测方法、***、介质及设备 | |
CN111262750B (zh) | 一种用于评估基线模型的方法及*** | |
CN117076258A (zh) | 一种基于互联网云端的远程监控方法及*** | |
CN113676343A (zh) | 电力通信网故障源定位方法及装置 | |
Berenguer et al. | Inspection and maintenance planning: An application of semi-Markov decision processes | |
CN113204692A (zh) | 数据处理任务执行进度的监测方法及装置 | |
CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
CN117111568B (zh) | 基于物联网的设备监测方法、装置、设备及存储介质 | |
CN111258854B (zh) | 模型训练方法、基于预测模型的报警方法和相关装置 | |
JP4688083B2 (ja) | 基準値予測方法とシステムおよびプログラム | |
CN114938339B (zh) | 一种数据处理方法和相关装置 | |
CN115550145B (zh) | 一种工业互联网安全动态防护方法及防护*** | |
Jia et al. | A periodic testing model for a preparedness system with a defective state | |
CN116452067A (zh) | 一种工业设备参数的劣化度评估方法、装置及设备 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
CN112580908A (zh) | 一种无线性能指标评估方法及装置 |
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 |