CN113010805B - 指标数据的处理方法、装置、设备及存储介质 - Google Patents
指标数据的处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113010805B CN113010805B CN202110202585.5A CN202110202585A CN113010805B CN 113010805 B CN113010805 B CN 113010805B CN 202110202585 A CN202110202585 A CN 202110202585A CN 113010805 B CN113010805 B CN 113010805B
- Authority
- CN
- China
- Prior art keywords
- index data
- abnormal
- time
- time sequence
- target
- 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
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- 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
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请公开了指标数据的处理方法、装置、设备及存储介质。方法包括:接收目标指标数据的搜索请求,目标异常时间序列对应第一时间范围;基于搜索请求,获取至少一个候选时间序列;响应于任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件,将任一候选时间序列对应的候选指标数据作为目标指标数据的一个关联异常指标数据;确定目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于各个关联异常指标数据分别对应的搜索子结果,确定目标搜索结果。基于此,扩展了指标数据的处理方式,目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高目标指标数据的监控效果,提升服务质量。
Description
技术领域
本申请实施例涉及互联网技术领域,特别涉及一种指标数据的处理方法、装置、设备及存储介质。
背景技术
随着互联网技术的快速发展,能够为用户提供的IT(Internet Technology,互联网技术)服务越来越多。在提供IT服务的过程中,会产生多种多样的指标数据,如,用户的访问量、设备的CPU(Central Processing Unit,中央处理器使用率)等。对指标数据进行合理地处理,能够提升IT服务的服务质量。
目前,在对指标数据进行处理的过程中,服务器专注于识别出指标数据的异常时间序列,然后由终端对指标数据的异常时间序列进行展示,从而告知用户哪些指标数据出现了异常。在此过程中,指标数据的处理方式较单一,很多实际应用中,仅仅识别出指标数据的异常时间序列是远远不够的,难以为解决指标数据的异常提供有力帮助。因此,如何提供一种更加有效的指标数据的处理方法,是提升IT服务的服务质量的关键。
发明内容
本申请实施例提供了一种指标数据的处理方法、装置、设备及存储介质,可用于扩展指标数据的处理方式,提升IT服务的服务质量。所述技术方案如下:
一方面,本申请实施例提供了一种指标数据的处理方法,所述方法包括:
接收目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标指标数据的目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;
基于所述搜索请求,获取与所述第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;
响应于任一候选时间序列与所述目标异常时间序列之间的相似度满足相似度条件,将所述任一候选时间序列对应的候选指标数据作为所述目标指标数据的一个关联异常指标数据;
确定所述目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果。
还提供了一种指标数据的处理方法,所述方法包括:
展示目标指标数据的参考时间序列对应的参考曲线,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;
响应于所述至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送所述目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;所述服务器用于基于所述搜索请求,获取所述目标指标数据对应的目标搜索结果。
另一方面,提供了一种指标数据的处理装置,所述装置包括:
接收单元,用于接收目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标指标数据的目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;
获取单元,用于基于所述搜索请求,获取与所述第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;
确定单元,用于响应于任一候选时间序列与所述目标异常时间序列之间的相似度满足相似度条件,将所任一候选时间序列对应的候选指标数据作为所述目标指标数据的一个关联异常指标数据;
所述确定单元,还用于确定所述目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果。
在一种可能实现方式中,任一关联异常指标数据对应的搜索子结果中包括时间序列相似度,所述时间序列相似度为所述任一关联异常指标数据对应的候选时间序列与所述目标异常时间序列之间的相似度;所述确定单元,还用于将所述各个关联异常指标数据分别对应的搜索子结果根据所述各个关联异常指标数据分别对应的层级进行分组,得到至少一个层级对应的搜索子结果组;将任一层级对应的搜索子结果组中的各个搜索子结果按照包括的时间序列相似度的大小顺序进行排列,得到所述任一层级对应的搜索结果;将所述至少一个层级对应的搜索结果按照所述至少一个层级的层级顺序进行排列,得到所述目标指标数据对应的目标搜索结果。
在一种可能实现方式中,所述装置还包括:
预测单元,用于基于所述目标指标数据对应的目标搜索结果,预测所述目标指标数据对应的异常原因;
返回单元,用于将所述目标搜索结果和所述目标指标数据对应的异常原因返回终端,所述终端用于对所述目标搜索结果和所述目标指标数据对应的异常原因进行展示。
在一种可能实现方式中,所述接收单元,还用于接收所述目标指标数据的时间序列展示请求,所述时间序列展示请求携带第二时间范围;
所述获取单元,还用于基于所述时间序列展示请求,获取所述目标指标数据在所述第二时间范围内的参考时间序列;
所述确定单元,还用于对所述参考时间序列进行异常检测,确定所述参考时间序列中的至少一个候选异常时间序列;
所述返回单元,还用于将所述参考时间序列以及用于指示所述至少一个候选异常时间序列的指示信息返回终端,所述终端用于基于所述参考时间序列,展示所述参考时间序列对应的参考曲线;基于所述指示信息,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;响应于所述至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,发送所述目标指标数据的搜索请求。
在一种可能实现方式中,所述确定单元,还用于获取所述参考时间序列对应的拟合时间序列;确定所述拟合时间序列和所述参考时间序列之间的目标差异值;基于所述目标差异值和所述拟合时间序列,确定上界时间序列和下界时间序列;基于所述上界时间序列和所述下界时间序列,确定所述参考时间序列中的至少一个第一异常时间序列;基于所述至少一个第一异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列。
在一种可能实现方式中,任一第一异常时间序列由至少两个第一异常时间数据构成;所述确定单元,还用于对于所述任一第一异常时间序列中的任一第一异常时间数据,确定所述任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据;基于所述第一匹配时间数据中的指标数据值以及所述第二匹配时间数据中的指标数据值,确定所述任一第一异常时间数据中的指标数据值对应的取值范围;响应于所述任一第一异常时间数据中的指标数据值不处于所述取值范围内,将所述任一第一异常时间数据作为一个参考异常时间数据;响应于所述任一第一异常时间序列中存在参考异常时间数据,将所述任一第一异常时间序列作为一个第二异常时间序列;基于至少一个第二异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列。
在一种可能实现方式中,所述确定单元,还用于对于所述至少一个第二异常时间序列中的任一第二异常时间序列,响应于所述任一第二异常时间序列中存在的参考异常时间数据的数量与构成所述任一第二异常时间序列的第一异常时间数据的数量的比值不小于目标阈值,将所述任一第二异常时间序列作为所述参考时间序列中的一个候选异常时间序列。
在一种可能实现方式中,所述确定单元,还用于对于所述至少一个第二异常时间序列中的任一第二异常时间序列,基于所述任一第二异常时间序列中存在的参考异常时间数据,确定所述任一第二异常时间序列中的至少一个第三异常时间序列;将所述至少一个第二异常时间序列中的各个第三异常时间序列作为所述参考时间序列中的至少一个候选异常时间序列。
还提供了一种指标数据的处理装置,所述装置包括:
展示单元,用于展示目标指标数据的参考时间序列对应的参考曲线,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;
发送单元,用于响应于所述至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送所述目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;所述服务器用于基于所述搜索请求,获取所述目标指标数据对应的目标搜索结果。
在一种可能实现方式中,所述装置还包括:
接收单元,用于接收所述服务器返回的所述目标搜索结果和所述目标指标数据对应的异常原因;
所述展示单元,还用于对所述目标搜索结果和所述目标指标数据对应的异常原因进行展示。
在一种可能实现方式中,所述发送单元,还用于基于所述目标指标数据的时间序列展示指令,向所述服务器发送所述目标指标数据的时间序列展示请求,所述时间序列展示请求携带第二时间范围;
所述接收单元,还用于接收所述服务器返回的参考时间序列以及用于指示所述参考时间序列中的至少一个候选异常时间序列的指示信息;
所述展示单元,还用于基于所述参考时间序列,展示所述参考时间序列对应的参考曲线;基于所述指示信息,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示。
另一方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以实现上述任一所述的指标数据的处理方法。
另一方面,还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中存储有至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行,以实现上述任一所述的指标数据的处理方法。
另一方面,还提供了一种计算机程序产品或计算机程序,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令,处理器执行所述计算机指令,使得所述计算机设备执行上述任一所述的指标数据的处理方法。
本申请实施例提供的技术方案至少带来如下有益效果:
在本申请实施例中,服务器根据目标指标数据的搜索请求自动获取目标指标数据对应的目标搜索结果,扩展了指标数据的处理方式。目标指标数据是存在异常时间序列的异常指标数据,目标指标数据对应的目标搜索结果是根据目标指标数据的关联异常指标数据确定出的。基于此,目标指标数据对应的目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高解决目标指标数据的异常的效率,提高目标指标数据的监控效果,进而提升IT服务的服务质量。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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是本申请实施例提供的一种指标数据的处理方法的实施环境的示意图;
图2是本申请实施例提供的一种指标数据的处理方法的流程图;
图3是本申请实施例提供的一种终端获取服务器返回的参考时间序列和指示信息的过程的示意图;
图4是本申请实施例提供的一种服务器对参考时间序列进行异常检测,确定参考时间序列中的至少一个候选异常时间序列过程的示意图;
图5是本申请实施例提供的一种时间序列对应的曲线的示意图;
图6是本申请实施例提供的一种时间序列对应的曲线的示意图;
图7是本申请实施例提供的一种服务器获取目标搜索结果的过程的示意图;
图8是本申请实施例提供的一种终端的展示页面的示意图;
图9是本申请实施例提供的一种指标数据的处理过程的示意图;
图10是本申请实施例提供的一种指标数据的处理方法的流程图;
图11是本申请实施例提供的一种指标数据的处理方法的流程图;
图12是本申请实施例提供的一种指标数据的处理装置的示意图;
图13是本申请实施例提供的一种指标数据的处理装置的示意图;
图14是本申请实施例提供的一种指标数据的处理装置的示意图;
图15是本申请实施例提供的一种指标数据的处理装置的示意图;
图16是本申请实施例提供的一种终端的结构示意图;
图17是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
为了便于理解本申请实施例的技术过程,下面对本申请实施例所涉及的一些名词进行解释。
时间序列:是一组按照时间发生先后顺序进行排列的时间数据的序列。一组时间序列的时间间隔为一恒定值(如,10秒,1分钟,5分钟)。在本申请实施例中时间序列主要指监控类的时间序列。
时间序列异常:时间序列异常表现在业务曲线突发的上升或者下降,以及偏离正常值后的波动。
异常搜索:异常搜索是指用户选定某指标数据的一段异常时间序列,基于时间序列的相似性算法搜索该用户下的所有指标数据以及一定时间范围内的异常时间序列数据,并展示出来的功能。
在示例性实施例中,本申请实施例提供的指标数据的处理方法可应用在云技术领域,被监控的指标数据可以是指在云技术领域下产生的指标数据。接下来对云技术领域的相关内容进行介绍。
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、储存、处理和共享的一种托管技术。
云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络***的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台***进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的***后盾支撑,只能通过云计算来实现。
云计算(Cloud Computing)指IT(Internet Technology,互联网技术)基础设施的交付和使用模式,指通过网络以按需、易扩展的方式获得所需资源;广义云计算指服务的交付和使用模式,指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关,也可是其他服务。云计算是网格计算、分布式计算、并行计算、效用计算、网络存储、虚拟化、负载均衡等传统计算机和网络技术发展融合的产物。
随着互联网、实时数据流、连接设备多样化的发展,以及搜索服务、社会网络、移动商务和开放协作等需求的推动,云计算迅速发展起来。不同于以往的并行分布式计算,云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
在示例性实施例中,本申请实施例中提供的指标数据的处理方法在区块链***中实现,本申请实施例提供的指标数据的处理方法中涉及的指标数据的时间序列以及指标数据对应的搜索结果等均保存在区块链***中的区块链上,安全性和可靠性较高。
本申请实施例提供了一种指标数据的处理方法的实施环境,请参考图1,其示出了本申请实施例提供的指标数据的处理方法的实施环境的示意图。该实施环境包括:终端11和服务器12。
其中,终端11安装有能够展示指标数据的时间序列对应的曲线以及指标数据对应的搜索结果的应用程序或者网页,终端11能够获取某一指标数据的一段异常时间序列对应的曲线段的触发指令,然后向服务器12发送该指标数据的搜索请求。服务器12能够基于终端11发送的指标数据的搜索请求,获取指标数据对应的搜索结果。服务器12还能够将指标数据对应的搜索结果返回终端11。终端11能够对指标数据对应的搜索结果进行展示。
在一种可能实现方式中,终端11可以是任何一种可与用户通过键盘、触摸板、触摸屏、遥控器、语音交互或手写设备等一种或多种方式进行人机交互的电子产品,例如PC(Personal Computer,个人计算机)、手机、智能手机、PDA(Personal Digital Assistant,个人数字助手)、可穿戴设备、掌上电脑PPC(Pocket PC)、平板电脑、智能车机、智能电视、智能音箱等。服务器12可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。终端11与服务器12通过有线或无线网络建立通信连接。
本领域技术人员应能理解上述终端11和服务器12仅为举例,其他现有的或今后可能出现的终端或服务器如可适用于本申请,也应包含在本申请保护范围以内,并在此以引用方式包含于此。
基于上述图1所示的实施环境,本申请实施例提供一种指标数据的处理方法,以该方法应用于终端11和服务器12的交互过程为例。如图2所示,本申请实施例提供的方法包括如下步骤201至步骤206:
在步骤201中,终端展示目标指标数据的参考时间序列对应的参考曲线,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示。
指标数据的监控对于信息技术(IT)企业有很重要的意义。本申请实施例提到的指标数据通常是指IT服务指标数据,IT服务指标数据通常用于表征信息技术***的性能参数,包括但不限于用户访问量、查询请求量、查询成功量、CPU(Central Processing Unit,中央处理器)利用率、存储利用率、网络资源利用率等。指标数据通常利用一段段的时间序列进行表征,通过监控时间序列可以实现对指标数据的监控,从而可以获得用户访问量、服务器工作情况等重要性能参数。当IT服务发生异常或故障时,可以通过时间序列异常检测快速检测到哪些指标数据出现了问题,从而更好地进行信息技术资源调度、异常修复等工作,为用户提供稳定的用户体验。
目前很多专注于进行时间序列检测或监控的***或方法,这些方法可以帮助更好的去识别出指标数据的异常时间序列,从而发现问题。但在业务的实际使用过程中,仅仅发现了异常还是远远不够的,如果帮助用户很快的确定异常范围,对于处理异常会有很大的帮助。因此,本申请实施例提供了一种根据异常时间序列对指标数据进行关联异常搜索,从而得到并展示指标数据对应的搜索结果的方法,搜索结果能够为指标数据的异常分析提供有力的数据支持。
目标指标数据是指需要进行关联异常搜索的任一指标数据,本申请实施例对目标指标数据的类型均不加以限定,示例性地,目标指标数据是指用户访问量、查询请求量、查询成功量、CPU利用率、存储利用率或者网络资源利用率等。目标指标数据是指终端的用户能够查看的各个指标数据中的任一指标数据,用户能够查看的各个指标数据是指在该用户构建的业务下监控的全部指标数据,在示例性实施例中,用户构建的业务的数量为一个或多个,本申请实施例对此不加以限定。某一业务下监控的指标数据是指与该业务相关的指标数据。
在示例性实施例中,在构建一个业务的过程中,需要购买相关的资源,还需要构建一些用于提供服务的接口。资源包括但不限于计算机设备、数据库等。例如,需要购买的资源包括CVM(Cloud Virtual Machine,云虚拟机)和CDB(Component Based Development,基于程序构件的软件开发)等。在某一业务下监控的指标数据可以对应多个层级,示例性地,对于构建业务需要购买资源以及需要构建接口的情况,在某一业务下监控的指标数据包括业务层级的指标数据、接口层级的指标数据以及资源层级的指标数据。业务层级、接口层级和资源层级是按照从顶层到底层的顺序排列的。
在某一业务下监控的某一层级的指标数据可以是由用户指定的,也可以是固定设置的,本申请实施例对此不加以限定。示例性地,资源层级的指标数据是固定设置的,如,计算机设备的CPU利用率等。若接口是资源本身提供的接口,则接口层级的指标数据为固定设置的;若接口是用户自定义的,则接口层级的指标数据为用户指定的。在示例性实施例中,若业务为标准业务,则业务层级的指标数据为固定设置的;若业务为用户自定义的,则业务层级的指标数据为用户指定的。
在示例性实施例中,终端和服务器分别是指标数据监控平台的前端设备和后端设备。指标数据监控平台用于对指标数据进行监控,本申请实施例对指标数据监控平台的类型不加以限定。示例性地,指标数据监控平台是指CMS(Content Management System,内容管理***)平台、Monitor(监控)平台等。
终端能够显示指标数据监控平台对应的展示页面,在展示页面上,终端的用户能够在可供选择的指标数据中选择关注的任一指标数据进行查看。将用户选择的指标数据称为目标指标数据。示例性地,指标数据利用时间序列进行表示,用户对指标数据进行查看是指查看指标数据的时间序列对应的曲线。在服务器对指标数据进行监控的过程中,每隔参考时间间隔获取该指标数据的一个时间数据,各个时间数据按照获取时间的先后顺序进行排列即得到时间序列。每个时间数据均包括一个时间点和一个指标数据值,示例性地,时间序列中的时间数据的保存格式为(time,value)对,value用于指示指标数据值,time用于指示获取指标数据值的时间点。
由于目标指标数据在实时监控过程中会产生较长的时间序列,所以,在对目标指标数据的时间序列对应的曲线进行展示时,展示的是目标指标数据的一段时间序列,将该一段时间序列称为参考时间序列。参考时间序列对应的时间范围可以是用户主动指定的,也可以是默认的,本申请实施例对此不加以限定。
在本申请实施例中,为实现对目标指标数据的关联异常搜索,目标指标数据的参考时间序列是指包括异常时间序列的时间序列,将参考时间序列中包括的异常时间序列称为候选异常时间序列,参考时间序列中的候选异常时间序列是由服务器对参考时间序列进行异常检测得到的。基于此,参考时间序列对应的参考曲线中包括参考时间序列中的至少一个候选异常时间序列对应的曲线段。
在展示目标指标数据的参考时间序列对应的参考曲线的同时,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示,以便于用户选择。本申请实施例对标记显示参考时间序列中的至少一个候选异常时间序列对应的曲线段的方式不加以限定,示例性地,利用差异化的颜色标记显示参考时间序列中的至少一个候选异常时间序列对应的曲线段,或者,利用矩形框标记显示参考时间序列中的至少一个候选异常时间序列对应的曲线段。
在一种可能实现方式中,终端本地存储有用于指示目标指标数据的参考时间序列对应的参考曲线的信息以及用于指示参考时间序列中的至少一个候选异常时间序列对应的曲线段的信息,终端根据本地存储的信息,即可实现展示目标指标数据的参考时间序列对应的参考曲线,以及在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示的过程。
在另一种可能实现方式中,展示目标指标数据的参考时间序列对应的参考曲线,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示的实现方式为:基于参考时间序列,展示目标指标数据的参考时间序列对应的参考曲线;基于用于指示至少一个候选异常时间序列的指示信息,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示。其中,参考时间序列和指示信息均是由服务器获取并返回终端的。在此之前,终端需要获取服务器返回的参考时间序列和指示信息。参见图3,终端获取服务器返回的参考时间序列和指示信息的过程包括步骤301至步骤306:
步骤301:终端基于目标指标数据的时间序列展示指令,向服务器发送目标指标数据的时间序列展示请求,时间序列展示请求携带第二时间范围。
目标指标数据的时间序列展示指令用于指示用户想要通过查看目标指标数据的时间序列对应的曲线来查看目标指标数据。在展示可供选择的指标数据的页面中,会显示默认的时间范围,用户可以对该默认的时间范围进行调整,也可以不对该默认的时间范围进行调整。当在展示可供选择的指标数据的页面中检测到确认指令时,终端获取目标指标数据的时间序列展示指令。示例性地,时间序列展示指令携带第二时间范围,第二时间范围即为待展示的参考时间序列对应的时间范围。对于用户未对默认的时间范围进行调整的情况,第二时间范围是指默认的时间范围;对于用户对默认的时间范围进行调整的情况,第二时间范围是指调整后的时间范围。
在获取目标指标数据的时间序列展示指令后,终端向服务器发送目标指标数据的时间序列展示请求,该时间序列展示请求携带第二时间范围。携带第二时间范围的时间序列展示请求用于由服务器获取目标指标数据在第二时间范围内的参考时间序列,并且获取用于指示参考时间序列中的至少一个候选异常时间序列的指示信息。在示例性实施例中,时间序列展示请求除携带第二时间范围外,还携带目标指标数据的标识,以便于服务器根据目标指标数据的标识快速定位到目标指标数据。示例性地,目标指标数据的标识是指目标指标数据的名称、目标指标数据的ID(Identity Document,身份标识号)等,本申请实施例对此不加以限定。
步骤302:服务器接收目标指标数据的时间序列展示请求。
在终端向服务器发送目标指标数据的时间序列展示请求后,服务器接收终端发送的目标指标数据的时间序列展示请求,进而执行步骤303。
步骤303:服务器基于时间序列展示请求,获取目标指标数据在第二时间范围内的参考时间序列。
在获取目标指标数据的时间序列展示请求后,服务器获取目标指标数据在第二时间范围内的参考时间序列。参考时间序列由至少两个参考时间数据构成,每个参考时间数据包括一个时间点和一个指标数据值,不同的参考时间数据按照包括的时间点的先后顺序进行排列。参考时间数据中的指标数据值为目标指标数据在该参考时间数据中的时间点下的真实指标数据值。参考时间序列中的参考时间数据的数量与第二时间范围以及目标指标数据的时间数据的获取时间间隔有关,本申请实施例对此不加以限定。
步骤304:服务器对参考时间序列进行异常检测,确定参考时间序列中的至少一个候选异常时间序列。
在获取参考时间序列后,服务器对参考时间序列进行异常检测,确定参考时间序列中的至少一个候选异常时间序列。候选异常时间序列是指参考时间序列中存在异常的子序列。参考时间序列中的候选异常时间序列的数量与实际情况有关。需要说明的是,参考时间序列中也可能不包括异常时间序列,此种情况下,通过对参考时间序列进行异常检测,确定出的候选异常时间序列的数量为0,本申请实施例仅以参考时间序列中包括至少一个候选异常时间序列为例进行说明。
在一种可能实现方式中,参见图4,服务器对参考时间序列进行异常检测,确定参考时间序列中的至少一个候选异常时间序列过程包括以下步骤3041至步骤3045:
步骤3041:获取参考时间序列对应的拟合时间序列。
拟合时间序列是根据参考时间序列获取的,拟合时间序列由至少两个拟合时间数据构成,每个拟合时间数据包括一个时间点和一个指标数据值,每个拟合时间数据均对应参考时间序列中的一个参考时间数据。相互对应的拟合时间数据中的时间点和参考时间数据中的时间点相同。拟合时间序列中的各个拟合时间数据同样按照包括的时间点的顺序依次排列。拟合时间数据中的指标数据值为目标指标数据在该拟合时间数据中的时间点下的拟合指标数据值。
示例性地,获取拟合时间序列的过程即为获取拟合时间序列中的各个拟合时间数据的过程。拟合时间序列中的某一拟合时间数据中的时间点即为对应的参考时间数据中的时间点,该拟合时间数据中的指标数据值的拟合过程依据参考时间序列中的哪个或哪些参考时间数据根据经验设置,或者根据拟合方式灵活调整,本申请实施例对此不加以限定。示例性地,拟合时间序列中的不同拟合时间数据中的指标数据值的拟合过程所依据的参考时间序列中的参考时间数据不同。
示例性地,拟合时间序列中包括时间点A的拟合时间数据中的指标数据值的拟合过程所依据的参考时间数据为参考时间序列中包括的时间点不晚于该时间点A的全部参考时间数据。此种情况下,拟合时间序列中的不同拟合时间数据中的指标数据值的拟合过程所依据的参考时间序列中的参考时间数据的数量不同。
示例性地,拟合时间序列中包括时间点A的拟合时间数据中的指标数据值的拟合过程所依据的参考时间数据为参考时间序列中包括的时间点不晚于该时间点A的全部参考时间数据中满足参考条件的参考时间数据。示例性地,当全部参考时间数据的数量不超过参考数量时,满足参考条件的参考时间数据是指全部参考时间数据本身;当全部参考时间数据的数量超过参考数量时,满足参考条件的参考时间数据是指全部参考时间数据中包括的时间点是与该时间点A最接近的前参考数量个时间点(包括时间点A)的参考时间数据。参考数量根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不加以限定。示例性地,参考数量为5。
在确定拟合时间数据中的指标数据值的拟合过程所依据的参考时间数据后,根据确定出的参考时间数据中的指标数据值拟合得到拟合时间数据中的指标数据值。本申请实施例对根据确定出的参考时间数据中的指标数据值拟合得到拟合时间数据中的指标数据值所利用的拟合方式不加以限定,拟合方式可以根据经验设置,或者根据应用场景灵活调整。示例性地,拟合方式为EWMA(Exponentially Weighted Moving-Average,指数加权移动平均法)。EWMA是对观察值(即参考时间序列中的参考时间数据中的指标数据值)分别给予不同的权数,按不同权数求得移动平均值,将移动平均值作为拟合时间数据中的指标数据值。采用EWMA是因为观察期的近期观察值对预测值有较大影响,它更能反映近期变化的趋势。在EWMA方式下,各数值的加权系数随时间呈指数式递减,越靠近当前时刻的数值加权系数就越大。
步骤3042:确定拟合时间序列和参考时间序列之间的目标差异值。
在获取拟合时间序列后,确定拟合时间序列和参考时间序列之间的目标差异值。该目标差异值用于衡量拟合时间序列和参考时间序列之间的差异。
本申请实施例对目标差异值的确定方式不加以限定,示例性地,拟合时间序列中的拟合时间数据和参考时间序列中的参考时间数据一一对应。两个时间数据对应是指两个时间数据中的时间点为同一时间点。在一种可能实现方式中,确定拟合时间序列和参考时间序列之间的目标差异值的方式为:计算拟合时间序列中的各个拟合时间数据中的指标数据值和参考时间序列中各个对应的参考时间数据中的指标数据值之间的MAE(MeanAbsolute Error,平均绝对误差),将计算得到的MAE的值作为目标差异值。MAE表示拟合值和真实值之间绝对误差的平均值。
计算拟合时间序列中的各个拟合时间数据中的指标数据值和参考时间序列中各个对应的参考时间数据中的指标数据值之间的MAE的过程基于公式1实现:
其中,X表示参考时间序列;Y表示拟合时间序列;xi表示参考时间序列中的第i个参考时间数据中的指标数据值;yi表示拟合时间序列中的第i个拟合时间数据中的指标数据值;i的取值范围为1~m;m为参考时间序列中的参考时间数据的总数量(也即拟合时间序列中的拟合时间数据的总数量),m为不小于2的整数。需要说明的是,在参考时间序列和拟合时间序列中,处于相同位置的时间数据是指相互对应的时间数据。
需要说明的是,以上仅以通过计算拟合时间序列中的各个拟合时间数据中的指标数据值和参考时间序列中各个对应的参考时间数据中的指标数据值之间的MAE得到目标差异值为例进行说明,本申请实施例并不局限于此,还可以通过其他方式确定目标差异值。例如,通过计算拟合时间序列中的各个拟合时间数据中的指标数据值和参考时间序列中各个对应的参考时间数据中的指标数据值之间的RMSE(Root Mean Square Error,均方根误差)得到目标差异值。RMSE表示拟合值和真实值之间差异的标准差。
步骤3043:基于目标差异值和拟合时间序列,确定上界时间序列和下界时间序列。
在确定目标差异值后,进一步确定上界时间序列和下界时间序列。上界时间序列和下界时间序列用于对参考时间序列的正常波动范围进行限定。在一种可能实现方式中,基于目标差异值和拟合时间序列,确定上界时间序列和下界时间序列的方式为:基于目标差异值,确定目标调整值;将拟合时间序列中的各个拟合时间数据中的指标数据值分别加上目标调整值,得到各个上界时间数据,将各个上界时间数据构成的时间序列作为上界时间序列;将拟合时间序列中的各个拟合时间数据中的指标数据值分别减去目标调整值,得到各个下界时间数据,将各个下界时间数据构成的时间序列作为下界时间序列。
本申请实施例对基于目标差异值确定目标调整值的方式不加以限定。示例性地,基于目标差异值,确定目标调整值的方式为:将目标差异值作为目标调整值。示例性地,基于目标差异值,确定目标调整值的方式为:将目标差异值与指定数值的乘积作为目标调整值。指定数值根据经验设置,或者根据应用场景灵活调整,例如,指定数值为1.2,或者,指定数值为0.8。
上界时间序列中的上界时间数据的数据量以及下界时间序列中的下界时间数据的数量均与拟合时间序列中的拟合时间数据的数量相同。参考时间序列、拟合时间序列、上界时间序列和下界时间序列中的时间数据相互对应,也就是说,参考时间序列、拟合时间序列、上界时间序列和下界时间序列中处于相同位置的时间数据中的时间点均相同。
步骤3044:基于上界时间序列和下界时间序列,确定参考时间序列中的至少一个第一异常时间序列。
第一异常时间序列是指与在考虑上界时间序列和下界时间序列的基础上确定的参考时间序列中异常的子时间序列。在示例性实施例中,基于上界时间序列和下界时间序列,确定参考时间序列中的至少一个第一异常时间序列的方式包括但不限于以下两种:
方式一:在以时间点为横轴,以指标数据值为纵轴的坐标轴下,绘制参考时间序列对应的参考曲线、上界时间序列对应的上界曲线和下界时间序列对应的下界曲线;将参考曲线中处于上界曲线上方或者处于下界曲线下方的曲线段作为异常曲线段;基于异常曲线段,确定参考时间序列中的至少一个第一异常时间序列。
在一种可能实现方式中,异常曲线段的数量为至少一个,基于每个异常曲线段,均能够确定出参考时间序列中的一个第一异常时间序列。基于任一异常曲线段,确定参考时间序列中的一个第一异常时间序列的过程为:响应于该任一异常曲线段对应的参考时间数据的数量为一个,将该任一异常曲线段对应的一个参考时间数据以及与该一个参考时间数据满足第一条件的参考时间数据构成的时间序列作为参考时间序列中的一个第一异常时间序列;响应于该任一异常曲线段对应的参考时间数据的数量为至少两个,基于该任一异常曲线段对应的至少两个参考时间数据确定参考时间序列中的一个第一异常时间序列。
示例性地,与该一个参考时间数据满足第一条件的参考时间数据包括该一个参考时间数据的前相邻参考时间数据和该一个参考时间数据的后相邻参考时间数据中的至少一个。其中,该一个参考时间数据的前相邻参考时间数据中的时间点为该一个参考时间数据中的时间点的前相邻时间点;该一个参考时间数据的后相邻参考时间数据中的时间点为该一个参考时间数据中的时间点的后相邻时间点。
示例性地,基于该任一异常曲线段对应的至少两个参考时间数据确定参考时间序列中的一个第一异常时间序列的方式可以为:直接将该任一异常曲线段对应的至少两个参考时间数据构成的时间序列作为参考时间序列中的一个第一异常时间序列。
示例性地,基于该任一异常曲线段对应的至少两个参考时间数据确定参考时间序列中的一个第一异常时间序列的方式还可以为:将该任一异常曲线段对应的至少两个参考时间数据以及目标参考时间数据构成的时间序列作为参考时间序列中的一个第一异常时间序列。
其中,目标参考时间数据包括第一参考时间数据和第二参考时间数据中的至少一个,第一参考时间数据是指该任一异常曲线段对应的至少两个参考时间数据中的第一个参考时间数据的前相邻参考时间数据,第二参考时间数据是指该任一异常曲线段对应的至少两个参考时间数据中的最后一个参考时间数据的后相邻参考时间数据。该任一异常曲线段对应的至少两个参考时间数据中的第一个参考时间数据是指该任一异常曲线段对应的至少两个参考时间数据中包括的时间点最靠前的参考时间数据;该任一异常曲线段对应的至少两个参考时间数据中的最后一个参考时间数据是指该任一异常曲线段对应的至少两个参考时间数据中包括的时间点最靠后的参考时间数据。
需要说明的是,以上所述以任一异常曲线段为例,说明了确定一个第一异常时间序列的过程,根据每个异常曲线段均能根据上述方式确定一个第一异常时间序列,从而得到参考时间序列中的至少一个第一异常时间序列。示例性地,根据不同的异常曲线段确定出的第一异常时间序列不同。
方式二:对于参考时间序列中的任一参考时间数据,响应于该任一参考时间数据中的指标数据值大于上界时间序列中的目标上界时间数据中的指标数据值,或者,响应于该任一参考时间数据中的指标数据值小于下界时间序列中的目标下界时间数据中的指标数据值,将该任一参考时间数据作为候选时间数据;基于参考时间序列中的各个候选时间数据,确定该参考时间序列中的至少一个第一异常时间序列。
其中,目标上界时间数据为上界时间序列中包括的时间点与该任一参考时间数据中的时间点相同的上界时间数据;目标上界时间数据为下界时间序列中包括的时间点与该任一参考时间数据中的时间点相同的下界时间数据。
在一种可能实现方式中,基于参考时间序列中的各个候选时间数据,确定该参考时间序列中的至少一个第一异常时间序列的过程为:对各个候选时间数据进行分组,得到至少一个候选时间数据组;基于至少一个候选时间数据组,确定参考时间序列中的至少一个第一异常时间序列。
示例性地,对各个候选时间数据进行分组,得到至少一个候选时间数据组的过程为:将第一个候选时间数据划分到第一个候选时间数据组中,若第二个候选时间数据中的时间点与第一个候选时间数据中的时间点为连续的时间点,则将第二个候选时间数据划分到第一个候选时间数据组中;若第二个候选时间数据中的时间点与第一个候选时间数据中的时间点不为连续的时间点,则将第二个候选时间数据划分到第二个候选时间数据组中;以此类推,若后一个候选时间数据中的时间点与前一个候选时间数据中的时间点为连续的时间点,则将该后一个候选时间数据划分到前一个候选时间数据所在的异常时间数据组中;若后一个候选时间数据中的时间点与前一个候选时间数据中的时间点不为连续的时间点,则将该后一个候选时间数据划分到新的候选时间数据组中,直至最后一个候选时间数据划分完成,得到至少一个候选时间数据组。
需要说明的是,第一个候选时间数据是指各个候选时间数据中包括的时间点最靠前的候选时间数据,也就是说,各个候选时间数据是按照包括的时间点从前到后的顺序排列的。
在一种可能实现方式中,基于至少一个候选时间数据组,确定参考时间序列中的至少一个第一异常时间序列的过程为基于每个候选时间数据组分别确定参考数据序列中的一个第一异常数据序列的过程。示例性地,基于任一候选时间数据组,确定参考时间序列中的一个第一异常时间序列的过程为:响应于该任一候选时间数据组中的候选时间数据的数量为一个,将该任一候选时间数据组中的一个候选时间数据以及与该一个候选时间数据满足第二条件的参考时间数据构成的时间序列作为参考时间序列中的一个第一异常时间序列;响应于该任一候选时间数据组中的候选时间数据的数量为至少两个,基于该任一候选时间数据组中的至少两个候选时间数据确定参考时间序列中的一个第一异常时间序列。此过程的实现方式参见方式一下基于任一异常曲线段,确定参考时间序列中的一个第一异常时间序列的过程,此处不再赘述。
上界时间序列和下界时间序列是根据目标差异值确定的,目标差异值是根据参考时间序列实时确定的,也就是说,目标差异值是一种动态阈值,第一异常时间序列可视为根据动态阈值从参考时间序列中筛选出的异常时间序列。相比于根据静态阈值进行筛选,根据动态阈值筛选出的第一异常时间序列的准确性较高。
示例性地,利用EWMA方式获取拟合时间序列,进而确定第一异常时间序列的过程可视为是利用EWMA实现的时间序列的异常检测。在示例性实施例中,还可以利用其他方式实现时间序列的异常检测。可以使用的时间序列异常检测算法包括但不限于:ARIMA(Autoregressive Integrated Moving Average Model,差分整合移动平均自回归模型),fbProphet(支持R语言和python语言等的时间序列预测框架),3-sigma(机器学习特征工程中常用的异常值检测算法),OneClassSVM(One Class Support Vector Machine,单分类支持向量机),多项式模型等。
步骤3045:基于至少一个第一异常时间序列,确定参考时间序列中的至少一个候选异常时间序列。
至少一个第一异常时间序列是指初步筛选出的异常时间序列,在确定出至少一个第一异常时间序列后,进一步基于至少一个第一异常时间序列,确定参考时间序列中的至少一个候选异常时间序列。候选异常时间序列是指最终确定出的异常时间序列。
在一种可能实现方式中,基于至少一个第一异常时间序列,确定参考时间序列中的至少一个候选异常时间序列的方式为:直接将至少一个第一异常时间序列作为参考时间序列中的至少一个候选异常时间序列。此种方式下,确定参考时间序列中的至少一个候选异常时间序列的效率较高。
在另一种可能实现方式中,基于至少一个第一异常时间序列,确定参考时间序列中的至少一个候选异常时间序列的过程为:对至少一个第一异常时间序列进行二次判定,确定参考时间序列中的至少一个候选异常时间序列。在示例性实施例中,任一第一异常时间序列由至少两个第一异常时间数据构成。对至少一个第一异常时间序列进行二次判定,确定参考时间序列中的至少一个候选异常时间序列的实现过程包括以下步骤1至步骤4:
步骤1:对于任一第一异常时间序列中的任一第一异常时间数据,确定任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据。
第一匹配时间数据和第二匹配时间数据用于对该任一第一异常时间序列中的任一第一异常时间数据进行二次判定。第一匹配时间数据和第二匹配时间数据均是与目标指标数据对应的时间数据。示例性地,该任一第一异常时间数据对应的第一匹配时间数据是指目标指标数据对应的各个时间数据中包括的时间点与该任一第一异常时间数据中的时间点满足第一时间条件的时间数据;该任一第一异常时间数据对应的第二匹配时间数据是指目标指标数据对应的各个时间数据中包括的时间点与该任一第一异常时间数据中的时间点满足第二时间条件的时间数据。
满足第一时间条件和满足第二时间条件根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不加以限定。示例性地,满足第一时间条件是指包括的时间点是该任一第一异常时间数据中的时间点的前第一参考时长对应的时间点;满足第二时间条件是指包括的时间点是该任一第一异常时间数据中的时间点的前第二参考时长对应的时间点。此种情况下,第一匹配时间数据和第二匹配时间数据的数量均为一个。第一参考时长和第二参考时长均根据经验设置,或者根据应用场景灵活调整。例如,第一参考时长为一天,第二参考时长为一周;或者,第一参考时长为一天,第二参考时长为一个月;再或者,第一参考时长为获取指标数据值的时间间隔对应的时长,第二参考时长为一天。
例如,假设该任一第一异常时间数据中的时间点为2020年1月8日10:00,假设第一参考时长为一天,第二参考时长为一周,则与该任一第一异常时间数据中的时间点满足第一时间条件的时间点为2020年1月7日10:00,与该任一第一异常时间数据中的时间点满足第二时间条件的时间点为2020年1月1日10:00。
示例性地,满足第一时间条件还可以是指包括的时间点位于任一第一异常时间数据中的时间点对应的第一匹配时间区间内。示例性地,第一匹配时间区间是指以任一第一异常时间数据中的时间点的前第一参考时长对应的时间点为中心的第一目标时长的区间。在此种情况下,第一匹配时间数据的数量为至少一个。第一目标时长根据经验设置,或者根据应用场景灵活调整,例如,第一目标时长为30分钟。
例如,假设第一参考时长为一天,任一第一异常时间数据中的时间点为2020年1月8日10:00,则任一第一异常时间数据中的时间点的前第一参考时长对应的时点为2020年1月7日10:00;假设第一目标时长为30分钟,则第一匹配时间区间为从2020年1月7日9:45到2020年1月7日10:15的区间。
示例性地,满足第二时间条件还可以是指包括的时间点位于任一第一异常时间数据中的时间点对应的第二匹配时间区间内。示例性地,第二匹配时间区间是指以任一第一异常时间数据中的时间点的前第二参考时长对应的时间点为中心的第二目标时长的区间。在此种情况下,第二匹配时间数据的数量为至少一个。第二目标时长根据经验设置,或者根据应用场景灵活调整,第二目标时长可以与第一目标时长相同,也可以与第一目标时长不同。
例如,假设第二参考时长为一周,任一第一异常时间数据中的时间点为2020年1月8日10:00,则任一第一异常时间数据中的时间点的前第二参考时长对应的时点为2020年1月1日10:00;假设第二目标时长为30分钟,则第二匹配时间区间为从2020年1月1日9:45到2020年1月1日10:15的区间。
需要说明的是,以上仅列举了确定任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据几种示例性实现方式,本申请实施例并不局限于此。还可以根据其他方式确定任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据。
步骤2:基于第一匹配时间数据中的指标数据值以及第二匹配时间数据中的指标数据值,确定任一第一异常时间数据中的指标数据值对应的取值范围;响应于任一第一异常时间数据中的指标数据值不处于取值范围内,将任一第一异常时间数据作为一个参考异常时间数据。
在确定该任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据后,基于第一匹配时间数据中的指标数据值以及第二匹配时间数据中的指标数据值,确定该任一第一异常时间数据中的指标数据值对应的取值范围。该任一第一异常时间数据中的指标数据值对应的取值范围用于对该任一第一异常时间数据中的指标数据值进行异常判定。
需要说明的是,第一匹配时间数据和第二匹配时间数据的数量均可能为一个或多个,对于第一匹配时间数据和第二匹配时间数据的数量均为多个的情况,基于各个第一匹配时间数据中的指标数据值以及各个第二匹配时间数据中的指标数据值,确定该任一第一异常时间数据中的指标数据值对应的取值范围。
本申请实施例对基于第一匹配数据中的指标数据值以及第二匹配数据中的指标数据值,确定任一第一异常时间数据中的指标数据值对应的取值范围的方式不加以限定。示例性地,确定第一匹配数据中的指标数据值以及第二匹配数据中的指标数据值中的最小指标数据值和最大指标数据值,由最小指标数据值和最大指标数据值构成取值范围。示例性地,确定第一匹配数据中的指标数据值以及第二匹配数据中的指标数据值的平均指标数据值和标准差,将平均指标数据值与标准差的差作为取值范围的下界,将平均指标数据值与标准差的和作为取值范围的上界。
在确定取值范围后,将该任一第一异常时间数据中的指标数据值与该取值范围进行比对,若该任一第一异常时间数据中的指标数据值处于取值范围内,则该任一第一异常时间数据在二次判定中判定为正常时间数据;若该任一第一异常时间数据中的指标数据值不处于取值范围内,则该任一第一异常时间数据在二次判定中依然判定为异常时间数据,此时,将该任一第一异常时间数据作为一个参考异常时间数据。参考异常时间数据是指在初步判定以及二次判定中,均认为是异常时间数据的参考时间数据。
步骤3:响应于任一第一异常时间序列中存在参考异常时间数据,将任一第一异常时间序列作为一个第二异常时间序列。
若任一第一异常时间序列中存在参考异常时间数据,则说明该任一第一异常数据序列在二次判定中依然判定为异常时间序列,此时,将该任一第一异常时间序列作为一个第二异常时间序列。
步骤1至步骤3的二次判定方式可视为同环比策略二次判定。对于利用动态阈值检测出的第一异常时间序列,若经过同环比策略二次判定,发现不满足同环比策略(即存在参考异常时间数据),则确定第一异常时间序列实际为异常时间序列;若经过同环比策略二次判定,发现满足同环比策略(即不存在参考异常时间数据),则确定第一异常时间序列实际为正常时间序列。
示例性地,以第一参考时长为一天,第二参考时长为一周为例,同环比策略二次判定的构思为,将今天的时间序列与前一天的时间序列以及前一周的时间序列进行比对,根据比对的结果确定判定结果。
例如,若今天的时间序列对应的曲线、前一天的时间序列对应的曲线以及前一周的时间序列对应的曲线如图5所示,则确定今天的时间序列不满足同环比策略,也即将今天的时间序列确定为异常时间序列。若今天的时间序列对应的曲线、前一天的时间序列对应的曲线以及前一周的时间序列对应的曲线如图6所示,则确定今天的时间序列满足同环比策略,也即将今天的时间序列确定为正常时间序列。需要说明的是,在图5和图6中,纵轴表示指标数据值,横轴表示时间(单位,秒),0代表一天中的00:00时刻。
步骤4:基于至少一个第二异常时间序列,确定参考时间序列中的至少一个候选异常时间序列。
上述步骤1至步骤3仅以任一第一异常时间序列为例进行了介绍,对各个第一异常时间序列按照上述步骤1至步骤3的方式进行二次判定,则能够确定出至少一个第二异常时间序列。在确定出至少一个第二异常时间序列后,基于至少一个第二异常时间序列,确定参考时间序列中的至少一个候选异常时间序列。
需要说明的是,本申请实施例仅以参考时间序列中存在第二异常时间序列为例进行说明。在示例性实施例中,可能至少一个第一异常时间序列在二次判定中均不存在参考异常时间数据,也即至少一个第一异常时间序列均判定为正常时间序列,则说明参考时间序列中不存在第二异常时间序列,此种情况下,直接向终端发送参考时间序列即可。
在一种可能实现方式中,基于至少一个第二异常时间序列,确定参考时间序列中的至少一个候选异常时间序列的实现方式包括但不限于以下三种:
方式1:将至少一个第二异常时间序列直接作为参考时间序列中的至少一个候选异常时间序列。
此种方式1下,确定参考时间序列中的至少一个候选异常时间序列的效率较高。
方式2:对于至少一个第二异常时间序列中的任一第二异常时间序列,响应于任一第二异常时间序列中存在的参考异常时间数据的数量与构成任一第二异常时间序列的第一异常时间数据的数量的比值不小于目标阈值,将任一第二异常时间序列作为参考时间序列中的一个候选异常时间序列。
若任一第二异常时间序列中存在的参考异常时间数据的数量与构成任一第二异常时间序列的第一异常时间数据的数量的比值不小于目标阈值,则说明该任一第二异常时间序列中存在较多的参考异常时间数据,此时,将该任一第二异常时间序列作为一个候选异常时间序列,相比于方式1,此处方式2有利于提高确定出的候选异常时间序列的可靠性。目标阈值根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不不加以限定,例如,目标阈值为60%。
方式3:对于至少一个第二异常时间序列中的任一第二异常时间序列,基于任一第二异常时间序列中存在的参考异常时间数据,确定任一第二异常时间序列中的至少一个第三异常时间序列;将至少一个第二异常时间序列中的各个第三异常时间序列作为参考时间序列中的至少一个候选异常时间序列。
第三异常时间序列是根据参考异常时间数据在第二异常时间序列中确定出的子时间序列。在一种可能实现方式中,基于任一第二异常时间序列中存在的参考异常时间数据,在任一第二异常时间序列中确定至少一个第三异常时间序列的实现方式为:对任一第二异常时间序列中存在的参考异常时间数据进行分组,得到至少一个参考异常时间数据组;基于至少一个参考异常时间数据组,确定该任一第二异常时间序列中的至少一个第三异常时间序列。该过程的具体实现方式参见步骤3044中的方式二下基于参考时间序列中的各个候选时间数据,确定该参考数据序列中的至少一个第一异常时间序列的实现方式,此处不再赘述。
由于每个第二异常时间序列均存在参考异常时间数据,所以每个第二异常时间序列中均存在第三异常时间序列,将至少一个第二异常时间序列中的各个第三异常时间序列作为参考时间序列中的至少一个候选异常时间序列。此种方式3下确定的候选异常时间序列更为精准。
在示例性实施例中,对参考时间序列进行异常检测的过程可以由服务器中的时间序列异常检测模块执行,采用动态阈值+同环比策略进行时间序列的异常检测,通过评测,整体的检测准确率和召回率均能够达到95%。
步骤305:服务器将参考时间序列以及用于指示至少一个候选异常时间序列的指示信息返回终端。
在确定参考时间序列中的至少一个候选异常时间序列后,服务器将参考时间序列以及用于指示至少一个候选异常时间序列的指示信息返回终端。其中,参考时间序列用于使终端展示参考时间序列对应的参考曲线,用于指示至少一个候选异常时间序列的指示信息用于使终端在参考时间序列对应的参考曲线上对至少一个候选时间序列对应的曲线段进行标记显示。
本申请实施例对指示信息的形式不加以限定,只要能够指示出至少一个候选异常时间序列即可,示例性地,指示信息中包括各个候选异常时间序列分别对应的时间范围,从而利用时间范围指示候选异常时间序列。终端能够根据指示信息中的时间范围在参考时间序列的曲线段上确定出各个候选异常时间序列分别对应的曲线段,进而进行标记显示。
步骤306:终端接收服务器返回的参考时间序列以及用于指示参考时间序列中的至少一个候选异常时间序列的指示信息。
在服务器将参考时间序列以及用于指示参考时间序列中的至少一个候选异常时间序列的指示信息返回终端后,终端接收服务器返回的参考时间序列以及用于指示参考时间序列中的至少一个候选异常时间序列的指示信息。
在接收服务器返回的参考时间序列以及用于指示参考时间序列中的至少一个候选异常时间序列的指示信息后,终端能够基于参考时间序列,展示目标指标数据的参考时间序列对应的参考曲线,基于指示信息,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的异常曲线段进行标记显示。
在步骤202中,终端响应于至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送目标指标数据的搜索请求,搜索请求用于指示基于目标异常时间序列对目标指标数据进行关联异常搜索,目标异常时间序列对应第一时间范围。
终端在展示目标指标数据的参考时间序列对应的参考曲线,且在参考曲线上对至少一个候选异常时间序列对应的曲线段进行标记显示后,若终端的用户想要知道目标指标数据的关联异常指标数据的相关信息,用户能够在至少一个候选异常时间序列对应的曲线段中选择关注的一个候选异常时间序列对应的曲线段。将用户选择的候选异常时间序列称为目标异常时间序列。在选中目标异常时间序列对应的曲线段后,用户能够产生曲线段的触发操作,如,通过在曲线段上右击选择搜索选项产生触发操作等。
终端检测到用户在选中的目标异常时间序列对应的曲线段的基础上产生的触发操作后,获取目标异常时间序列对应的曲线段的触发指令。目标异常时间序列对应的曲线段的触发指令说明用户想要基于该目标异常时间序列对目标指标数据进行关联异常搜索。此时,终端向服务器发送目标指标数据的搜索请求。该搜索请求用于指示服务器需要基于目标异常时间序列对目标指标数据进行关联异常搜索。
基于目标异常时间序列对目标指标数据进行关联异常搜索是指根据目标异常时间序列搜索出目标指标数据的关联异常指标数据,并根据关联异常指标数据,得到目标搜索结果。目标指标数据的关联异常指标数据中存在与目标指标数据的目标时间序列对应的异常情况相似的异常情况,能够为分析目标指标数据的可能异常原因提供数据支持。
在一种可能实现方式中,目标指标数据的搜索请求携带目标指标数据的标识和用于指示目标异常时间序列的信息。目标指标数据的标识用于帮助服务器快速定位目标指标数据;用于指示目标异常时间序列的信息用于帮助服务器在目标指标数据的时间序列中快速定位目标异常时间序列。示例性地,目标指标数据的标识是指目标指标数据的名称。用于指示目标异常时间序列的信息是指目标异常时间序列对应的时间范围。在本申请实施例中,目标异常时间序列对应的时间范围为第一时间范围。
在步骤203中,服务器接收目标指标数据的搜索请求。
在终端向服务器发送目标指标数据的搜索请求后,服务器接收终端发送的目标指标数据的搜索请求,进而基于搜索请求执行后续的步骤204至步骤206。
在步骤204中,服务器基于搜索请求,获取与第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据。
与第一时间范围匹配的至少一个候选时间序列用于构成目标指标数据对应的搜索库。不同的候选时间序列对应不同的候选指标数据,也就是说,在每个候选指标数据的时间序列中均确定与第一时间范围匹配的一个候选时间序列。
示例性地,候选指标数据是指终端的用户的用户标识下除目标指标数据外的所有其他指标数据,例如,用户标识是指用户的ID。在示例性实施例中,在任一候选指标数据对应的时间序列中,获取与第一时间范围匹配的一个候选时间序列的方式为:将任一候选指标数据对应的时间序列中在第一时间范围下的时间序列作为与第一时间范围匹配的一个候选时间序列。
在另一种示例性实施例中,在任一候选指标数据对应的时间序列中,获取与第一时间范围匹配的一个候选时间序列的方式为:确定与第一时间范围匹配的目标时间范围,将该任一候选指标数据对应的时间序列中在该目标时间范围下的时间序列作为与第一时间范围匹配的一个的候选时间序列。
与第一时间范围匹配的目标时间范围是根据第一时间范围确定的,示例性地,确定与第一时间范围匹配的目标时间范围的方式为:将比第一时间范围中的下界时间点靠前第一指定时长的时间点作为目标时间范围中的下界时间点;将比第一时间范围中的上界时间点靠后第二指定时长的时间点作为目标时间范围中的上界时间点。第一指定时长和第二指定时长均根据经验设置,或者根据应用场景灵活调整,本申请实施例对此不加以限定。第一指定时长和第二指定时长可以相同,也可以不同。示例性地,第一指定时长和第二指定时长均为30分钟。
例如,假设第一时间范围为从2020年1月8日10:00到2020年1月8日10:05之间的时间范围,假设第一指定时长和第二指定时长均为30分钟,则目标时间范围为从2020年1月8日9:30到2020年1月8日10:35之间的时间范围。
需要说明的是,以上仅介绍了获取与第一时间范围匹配的一个候选时间序列的过程,在不同的候选指标数据的时间序列下,能够获取到不同的候选时间序列。由此,得到与第一时间范围匹配的至少一个候选时间序列。
在步骤205中,服务器响应于任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件,将任一候选时间序列对应的候选指标数据作为目标指标数据的一个关联异常指标数据。
在确定与第一时间范围匹配的至少一个候选时间序列后,分别计算每个候选时间序列与目标异常时间序列之间的相似度。本申请实施例对计算候选时间序列与目标异常时间序列之间的相似度的方式不加以限定。示例性地,候选时间序列中的时间数据的数量与目标异常时间序列中的时间数据的数量可能相同,也可能不同,本申请实施例对此不加以限定。
在示例性实施例中,无论候选时间序列中的时间数据的数量是否与目标异常时间序列中的时间数据的数量相同,均可以利用DTW(Dynamic Time Warping,动态时间归整)算法计算候选时间序列与目标异常时间序列之间的相似度。对于候选时间序列中的时间数据的数量与目标异常时间序列中的时间数据的数量相同的情况,除利用DTW计算候选时间序列与目标异常时间序列之间的相似度外,还可以通过计算欧几里德距离、余弦系数、皮尔逊系数等方式来计算候选时间序列与目标异常时间序列之间的相似度。
在计算得到各个候选时间序列分别与目标异常时间序列之间的相似度后,判断每个候选时间序列与目标异常时间序列之间的相似度是否满足相似度条件。对于任一候选时间序列,响应于该任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件,将该任一候选时间序列对应的候选指标数据作为目标指标数据的一个关联异常指标数据。也就是说,将与目标异常时间之间的相似度满足相似度条件的各个候选时间序列分别对应的候选指标数据均作为目标指标数据的关联异常指标数据。目标指标数据的关联异常指标数据是指与目标指标数据的异常情况相关联的候选指标数据。
本申请实施例对任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件不加以限定。示例性地,任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件是指任一候选时间序列与目标异常时间序列之间的相似度大于相似度阈值。相似度阈值根据经验设置,或者根据样本数据推算得到,本申请实施例对此不加以限定。例如,相似度阈值为80%。示例性地,相似度阈值是针对各个业务或指标数据预先离线学习的合适的阈值,将离线学习的相似度阈值应用到在线搜索过程中,有利于提高在线搜索关联异常指标数据的可靠性。
示例性地,任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件还可以是指任一候选时间序列与目标异常时间序列之间的相似度为各个候选时间序列与目标异常时间序列之间的各个相似度中的前K(K为不小于1的整数)大的相似度。
通过判断各个候选时间序列与目标异常时间序列之间的相似度是否满足相似度条件,即可确定出目标指标数据的各个关联异常指标数据。示例性地,由于目标指标数据的各个关联异常指标数据通过计算各个候选时间序列与目标异常时间序列之间的相似度即可确定,所以确定各个关联异常指标数据的过程可视为一趟搜索过程。需要说明的是,本申请实施例以存在目标指标数据的关联异常指标数据为例进行说明。目标指标数据的关联异常指标数据的数量根据实际情况确定,本申请实施例对此不加以限定。服务器在确定出目标指标数据的各个关联异常指标数据后,执行步骤206。
在步骤206中,服务器确定目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于各个关联异常指标数据分别对应的搜索子结果,确定目标指标数据对应的目标搜索结果。
在确定目标指标数据的各个关联异常指标数据后,服务器进一步确定各个关联异常指标数据分别对应的搜索子结果。任一关联异常指标数据对应的搜索子结果用于描述该任一关联异常指标数据的相关信息。示例性地,任一关联异常指标数据对应的搜索子结果包括该任一关联异常指标数据对应的层级、该任一关联异常指标数据对应的业务或云产品的名称、该任一关联异常指标数据的名称、该任一关联异常指标数据对应的候选时间序列的开始时间点、该任一关联异常指标数据对应的候选时间序列的结束时间点、该任一关联异常指标数据对应的候选时间序列以及时间序列相似度中的至少一个。其中,时间序列相似度为该任一关联异常指标数据对应的候选时间序列与目标异常时间序列之间的相似度。
在确定各个关联异常指标数据后,即可提取各个关联异常指标数据的相关信息,构成各个关联异常指标数据分别对应的搜索子结果。在确定各个关联异常指标数据分别对应的搜索子结果后,基于各个关联异常指标数据分别对应的搜索子结果,确定目标指标数据对应的目标搜索结果。目标指标数据对应的目标搜索结果用于为分析目标指标数据的异常原因提供数据支持。
在一种可能实现方式中,目标指标数据对应的目标搜索结果中包括各个关联异常指标数据分别对应的搜索结果,在不同的确定方式下,各个关联异常指标数据分别对应的搜索子结果在目标搜索结果中的先后顺序可能不同。示例性地,各个关联异常指标数据分别对应的搜索子结果中包括时间序列相似度。在示例性实施例中,基于各个关联异常指标数据分别对应的搜索子结果,确定目标指标数据对应的目标搜索结果的方式包括但不限于以下方式a至方式d这四种方式:
方式a:将各个关联异常指标数据分别对应的搜索子结果按照随机顺序进行排列,得到目标指标数据对应的目标搜索结果。
方式b:将各个关联异常指标数据分别对应的搜索子结果按照包括的时间序列相似度的大小顺序进行排列,得到目标指标数据对应的目标搜索结果。
示例性地,将各个关联异常指标数据分别对应的搜索子结果按照包括的时间序列相似度的大小顺序进行排列可以是指将各个关联异常指标数据分别对应的搜索子结果按照包括的时间序列相似度从大到小的顺序进行排列,也可以是指将各个关联异常指标数据分别对应的搜索子结果按照包括的时间序列相似度从小到大的顺序进行排列。
方式c:将各个关联异常指标数据分别对应的搜索子结果根据各个关联异常指标数据分别对应的层级进行分组,得到至少一个层级对应的搜索子结果组;将任一层级对应的搜索子结果组中的各个搜索子结果按照随机顺序进行排列,得到任一层级对应的搜索结果;将至少一个层级对应的搜索结果按照至少一个层级的层级顺序进行排列,得到目标指标数据对应的目标搜索结果。
每个关联异常指标数据均具有一个层级标签,层级标签用于指示关联异常指标数据对应的层级。关联异常指标数据对应的层级用于说明该关联异常指标数据是来源于哪个层级的。层级是预先设定的,例如,层级包括但不限于业务层级、接口层级和资源层级。
将各个关联异常指标数据分别对应的搜索子结果根据各个关联异常指标数据分别对应的层级进行分组,将对应相同的层级的关联异常指标数据对应的搜索子结果分到同一组,从而得到至少一个层级对应的搜索子结果组。
将任一层级对应的搜索子结果组中的各个搜索子结果按照随机顺序进行排列后,能够得到该任一层级对应的搜索结果。任一层级对应的搜索结果包括该任一层级对应的搜索子结果组中的各个搜索子结果。
在得到至少一个层级对应的搜索结果后,将至少一个层级对应的搜索结果按照至少一个层级的层级顺序进行排序,将排序后得到的结果作为目标指标数据对应的目标搜索结果。至少一个层级的层级顺序可以是指从顶层到底层的顺序,也可以是指从底层到顶层的顺序。示例性地,至少一个层级的数量为三个,从顶层到底层依次为业务层级、接口层级和资源层级。其中,业务层级对应构建的业务,接口层级对应在业务下构建的接口,资源层级对应实现业务所需的底层资源。
方式d:将各个关联异常指标数据分别对应的搜索子结果根据各个关联异常指标数据分别对应的层级进行分组,得到至少一个层级对应的搜索子结果组;将任一层级对应的搜索子结果组中的各个搜索子结果按照包括的时间序列相似度的大小顺序进行排列,得到任一层级对应的搜索结果;将至少一个层级对应的搜索结果按照至少一个层级的层级顺序进行排列,得到目标指标数据对应的目标搜索结果。
相比于方式c,在方式d中,任一层级对应的搜索结果是通过将任一层级对应的搜索子结果组中的各个搜索子结果按照包括的时间序列相似度的大小顺序进行排列后得到的。示例性地,按照包括的时间序列相似度的大小顺序进行排列可以是指按照包括的时间序列相似度从大到小的顺序进行排列,也可以是指按照包括的时间序列相似度从小到大的顺序进行排列。
在此方式d下,先将通过一趟搜索,搜索出来的关联异常指标数据对应的搜索子结果按照事先打的层级标签划分到各层级对应的搜索子结果组中。然后对每个层级对应的搜索子结果组中的搜索子结果按照包括的时间序列相似度做一次排序。示例性地,时间序列相似度越大则排在越前。例如,基于此方式d确定出的目标指标数据对应的目标搜索结果如表1所示。
表1
在表1中,除标题行外,每行数据均表示一个搜索子结果。根据表1可知,层级的数量为三个,按照层级顺序排列依次为业务层级、接口层级和资源层级。除标题行外的前两行表示业务层级对应的搜索结果;除标题行外的第三行表示接口层级对应的搜索结果;最后两行表示资源层级对应的搜索结果。业务层级对应的搜索结果中包括指标数据名称为a和指标数据名称为b的关联异常指标数据对应的搜索子结果,这两个搜索子结果按照包括的时间序列相似度从大到小的顺序进行排列。接口层级对应的搜索结果中仅包括指标数据名称为c的关联异常指标数据对应的搜索子结果。资源层级对应的搜索结果中包括指标数据名称为d和指标数据的称为e的关联异常指标数据对应的搜索子结果,这两个搜索子结果按照包括的时间序列相似度从大到小的顺序进行排列。
示例性地,服务器获取目标搜索结果的过程如图7所示,先确定与第一时间范围匹配的至少一个候选时间序列作为搜索库;然后通过计算各个候选时间序列分别与目标异常时间序列之间的相似度,实现一趟搜索;将相似度大于相似度阈值的候选时间序列对应的候选指标数据作为关联异常指标数据;将各个关联异常指标数据分别对应的搜索子结果按照对应的层级进行划分,层级包括业务层级、接口层级和资源层级;将各个关联异常指标数据分别对应的搜索子结果分层级保存,得到目标搜索结果。
在一种可能实现方式中,服务器除了能够确定目标指标数据对应的目标搜索结果外,还能够基于目标指标数据对应的目标搜索结果,预测目标指标数据对应的异常原因。
在示例性实施例中,服务器中存储有用于预测异常原因的匹配规则,服务器在获取目标指标数据对应的目标搜索结果后,将目标指标数据以及目标异常时间序列根据匹配规则对目标搜索结果中的各个搜索子结果分别进行匹配,根据匹配程度最高的一个搜索子结果预测目标指标数据对应的异常原因。匹配规则由专业人员根据经验设置,本申请实施例对此不加以限定。
在示例性实施例中,服务器在确定目标指标数据对应的目标搜索结果以及预测目标指标数据对应的异常原因之后,将目标搜索结果以及目标指标数据对应的异常原因返回终端,以便于终端对目标搜索结果和目标指标数据对应的异常原因进行展示。需要说明的是,对于将目标搜索结果以及目标指标数据对应的异常原因返回终端的情况,服务器可以同时将目标搜索结果以及目标指标数据对应的异常原因返回终端;也可以先将目标搜索结果返回终端,再将目标指标数据对应的异常原因返回终端;还可以先将目标指标数据对应的异常原因返回终端,再将目标搜索结果返回终端,本申请实施例对此不加以限定。
在示例性实施例中,服务器还可以仅将目标搜索结果返回终端,或者,仅将目标指标数据对应的异常原因返回终端。本申请实施例对此不加以限定。
在服务器将目标指标数据对应的目标搜索结果和目标指标数据对应的异常原因返回终端后,终端接收服务器返回的目标搜索结果和目标指标数据对应的异常原因,然后对服务器返回的目标搜索结果和目标指标数据对应的异常原因进行展示。终端可以在同一展示页面展示目标搜索结果和异常原因,也可以在不同展示页面展示目标搜索结果和异常原因,本申请实施例对此不加以限定。
在示例性实施例中,对于服务器仅将目标搜索结果返回终端,或者,仅将目标指标数据对应的异常原因返回终端的情况,终端仅对服务器返回的目标搜索结果进行展示,或者,仅对服务器返回的目标指标数据对应的异常原因进行展示。
在示例性实施例中,终端对目标搜索结果进行展示的方式为:根据目标搜索结果中各个搜索子结果的排列顺序依次展示各个搜索子结果。在展示任一搜索子结果时,可以直接展示该搜索子结果中的全部信息;也可以先展示部分信息,在接收到详细信息查看指令后,再展示全部信息,本申请实施例对此不加以限定。
示例性地,对于目标搜索结果如表1所示的情况,对目标搜索结果进行展示的过程是指分级展示的过程。分级展示遵循着自上而下(从业务层级到接口层级,再到资源层级)的顺序进行展示,在每个层级中,还遵循着时间序列相似度从大到小的顺序。
示例性地,终端的展示页面如图8所示,区域801中展示的是参考时间序列对应的参考曲线,在参考曲线上对候选异常时间序列8011进行标记显示。区域802中展示的是目标指标数据对应的目标搜索结果,其中,数量用于指示对应某一相同的业务/云产品名称的关联异常指标数据的数量,预览图是指关联异常指标数据对应的候选时间序列对应的曲线的缩小图。区域803中展示的是目标指标数据对应的异常原因。
在图8中,目标指标数据对应的目标搜索结果展示在参考时间序列对应的参考曲线的下方,目标指标数据对应的异常原因展示在目标指标数据对应的目标搜索结果的下方。基于此,一方面可以很快速的展示出相关联的异常指标数据对应的搜索子结果,非常直观便捷。另外一方面通过按层级展示不同层级的云产品和业务,辅助定位到问题,发现根因。
示例性地,本申请实施例提供的指标数据的处理过程如图9所示。服务器对目标指标数据的参考时间序列进行异常检测,确定目标指标数据的参考时间序列中的至少一个候选异常时间序列;服务器将参考时间序列和用于指示至少一个候选异常时间序列的指示信息返回终端,终端进行用户交互。终端进行用户交互的过程为:终端在展示页面上展示参考时间序列对应的参考曲线,将至少一个候选时间序列对应的曲线段标记显示在参考曲线上,用户选择目标异常时间序列。
在进行用户交互后,终端向服务器发送目标指标数据的搜索请求,服务器基于搜索请求,执行一趟搜索以及排序过程。执行一趟搜索以及排序过程的方式为:服务器确定搜索库,对搜索库中的候选时间序列与目标异常时间序列进行相似度度量,确定关联异常指标数据;将各个关联异常指标数据对应的搜索子结果进行分级、排序等,得到目标指标数据对应的目标搜索结果。服务器将目标指标数据对应的目标搜索结果返回终端,终端对目标搜索结果进行分级展示。
本申请实施例提供的指标数据的处理方法给用户提供搜索相似指标数据的功能,能够帮助用户进行指标数据的一些分析工作。用户在看到有异常的指标数据曲线后,并不知道和当前异常相关的或者不知晓导致当前异常的原因,根据本申请实施例提供的方法能够关联到相关的异常指标数据,从而帮助快速地分析问题,定位问题。本申请实施例中,通过时间序列相似性算法,先离线学习合适的相似性阈值,学习到的阈值应用到在线计算相似性中。通过对指标数据划分层级,对搜索到的关联异常搜索结果进行分层级的展示和分析,帮助定位异常范围和原因。结合智能检测功能,构建从发现异常,到定位异常范围,到分析异常原因的链路。能够解决相关技术对于定位异常范围、分析异常原因的不足的问题。免除了人工去查找相似异常指标数据的操作,降低了人力成本,降低了业务故障恢复的时间,从而提供更好的服务。
本申请实施例提供的指标数据的处理方法至少具有以下优势:(1)人力成本低:通过异常检测结合指标数据搜索的功能,用户或运维人员可以快速的定位到与当前异常相似、相关联的异常。辅助用户和运维人员更快更好的去定位到相关问题,解决问题。(2)时效性好:整体算法可以在秒级内响应。(3)通用性好:适用于所有的类型的指标数据的搜索和检测,通用性好。(4)结果可解释性高:基于对每种指标数据的标签分层级,以及在各自层级的排序,结果清晰易懂,可解释性高。
在本申请实施例中,服务器根据目标指标数据的搜索请求自动获取目标指标数据对应的目标搜索结果,扩展了指标数据的处理方式。目标指标数据是存在异常时间序列的异常指标数据,目标指标数据对应的目标搜索结果是根据目标指标数据的关联异常指标数据确定出的。基于此,目标指标数据对应的目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高解决目标指标数据的异常的效率,提高目标指标数据的监控效果,进而提升IT服务的服务质量。
本申请实施例提供一种指标数据的处理方法,以该方法应用于服务器为例。如图10所示,本申请实施例提供的方法包括如下步骤1001至步骤1004:
在步骤1001中,接收目标指标数据的搜索请求,搜索请求用于指示基于目标指标数据的目标异常时间序列对目标指标数据进行关联异常搜索,目标异常时间序列对应第一时间范围。
该步骤1001的实现方式参见图2所示的实施例中的步骤203的实现方式,此处不再赘述。
在步骤1002中,基于搜索请求,获取与第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据。
该步骤1002的实现方式参见图2所示的实施例中的步骤204的实现方式,此处不再赘述。
在步骤1003中,响应于任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件,将任一候选时间序列对应的候选指标数据作为目标指标数据的一个关联异常指标数据。
该步骤1003的实现方式参见图2所示的实施例中的步骤205的实现方式,此处不再赘述。
在步骤1004中,确定目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于各个关联异常指标数据分别对应的搜索子结果,确定目标指标数据对应的目标搜索结果。
该步骤1004的实现方式参见图2所示的实施例中的步骤206的实现方式,此处不再赘述。
在本申请实施例中,服务器根据目标指标数据的搜索请求自动获取目标指标数据对应的目标搜索结果,扩展了指标数据的处理方式。目标指标数据是存在异常时间序列的异常指标数据,目标指标数据对应的目标搜索结果是根据目标指标数据的关联异常指标数据确定出的。基于此,目标指标数据对应的目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高解决目标指标数据的异常的效率,提高目标指标数据的监控效果,进而提升IT服务的服务质量。
本申请实施例提供一种指标数据的处理方法,以该方法应用于终端为例。
如图11所示,本申请实施例提供的方法包括如下步骤1101和步骤1102:
在步骤1101中,展示目标指标数据的参考时间序列对应的参考曲线,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示。
该步骤1101的实现方式参见图2所示的实施例中的步骤201的实现方式,此处不再赘述。
在步骤1102中,响应于至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送目标指标数据的搜索请求,搜索请求用于指示基于目标异常时间序列对目标指标数据进行关联异常搜索,目标异常时间序列对应第一时间范围;服务器用于基于搜索请求,获取目标指标数据对应的目标搜索结果。
该步骤1102的实现方式参见图2所示的实施例中的步骤202的实现方式,此处不再赘述。
在本申请实施例中,终端向服务器发送目标指标数据的搜索请求后,服务器根据目标指标数据的搜索请求自动获取目标指标数据对应的目标搜索结果,扩展了指标数据的处理方式。目标指标数据是存在异常时间序列的异常指标数据,目标指标数据对应的目标搜索结果是根据目标指标数据的关联异常指标数据确定出的。基于此,目标指标数据对应的目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高解决目标指标数据的异常的效率,提高目标指标数据的监控效果,进而提升IT服务的服务质量。
参见图12,本申请实施例提供了一种指标数据的处理装置,该装置包括:
接收单元1201,用于接收目标指标数据的搜索请求,搜索请求用于指示基于目标指标数据的目标异常时间序列对目标指标数据进行关联异常搜索,目标异常时间序列对应第一时间范围;
获取单元1202,用于基于搜索请求,获取与第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;
确定单元1203,用于响应于任一候选时间序列与目标异常时间序列之间的相似度满足相似度条件,将所任一候选时间序列对应的候选指标数据作为目标指标数据的一个关联异常指标数据;
确定单元1203,还用于确定目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于各个关联异常指标数据分别对应的搜索子结果,确定目标指标数据对应的目标搜索结果。
在一种可能实现方式中,任一关联异常指标数据对应的搜索子结果中包括时间序列相似度,时间序列相似度为任一关联异常指标数据对应的候选时间序列与目标异常时间序列之间的相似度;确定单元1203,还用于将各个关联异常指标数据分别对应的搜索子结果根据各个关联异常指标数据分别对应的层级进行分组,得到至少一个层级对应的搜索子结果组;将任一层级对应的搜索子结果组中的各个搜索子结果按照包括的时间序列相似度的大小顺序进行排列,得到任一层级对应的搜索结果;将至少一个层级对应的搜索结果按照至少一个层级的层级顺序进行排列,得到目标指标数据对应的目标搜索结果。
在一种可能实现方式中,参见图13,该装置还包括:
预测单元1204,还用于基于目标指标数据对应的目标搜索结果,预测目标指标数据对应的异常原因;
返回单元1205,还用于将目标搜索结果和目标指标数据对应的异常原因返回终端,终端用于对目标搜索结果和目标指标数据对应的异常原因进行展示。
在一种可能实现方式中,接收单元1201,还用于接收目标指标数据的时间序列展示请求,时间序列展示请求携带第二时间范围;
获取单元1202,还用于基于时间序列展示请求,获取目标指标数据在第二时间范围内的参考时间序列;
确定单元1203,还用于对参考时间序列进行异常检测,确定参考时间序列中的至少一个候选异常时间序列;
返回单元1205,还用于将参考时间序列以及用于指示至少一个候选异常时间序列的指示信息返回终端,终端用于基于参考时间序列,展示参考时间序列对应的参考曲线;基于指示信息,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;响应于至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,发送目标指标数据的搜索请求。
在一种可能实现方式中,确定单元1203,还用于获取参考时间序列对应的拟合时间序列;确定拟合时间序列和参考时间序列之间目标差异值;基于目标差异值和拟合时间序列,确定上界时间序列和下界时间序列;基于上界时间序列和下界时间序列,确定参考时间序列中的至少一个第一异常时间序列;基于至少一个第一异常时间序列,确定参考时间序列中的至少一个候选异常时间序列。
在一种可能实现方式中,任一第一异常时间序列由至少两个第一异常时间数据构成;确定单元1203,还用于对于任一第一异常时间序列中的任一第一异常时间数据,确定任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据;基于第一匹配时间数据中的指标数据值以及第二匹配时间数据中的指标数据值,确定任一第一异常时间数据中的指标数据值对应的取值范围;响应于任一第一异常时间数据中的指标数据值不处于取值范围内,将任一第一异常时间数据作为一个参考异常时间数据;响应于任一第一异常时间序列中存在参考异常时间数据,将任一第一异常时间序列作为一个第二异常时间序列;基于至少一个第二异常时间序列,确定参考时间序列中的至少一个候选异常时间序列。
在一种可能实现方式中,确定单元1203,还用于对于至少一个第二异常时间序列中的任一第二异常时间序列,响应于任一第二异常时间序列中存在的参考异常时间数据的数量与构成任一第二异常时间序列的第一异常时间数据的数量的比值不小于目标阈值,将任一第二异常时间序列作为参考时间序列中的一个候选异常时间序列。
在一种可能实现方式中,确定单元1203,还用于对于至少一个第二异常时间序列中的任一第二异常时间序列,基于任一第二异常时间序列中存在的参考异常时间数据,确定任一第二异常时间序列中的至少一个第三异常时间序列;将至少一个第二异常时间序列中的各个第三异常时间序列作为参考时间序列中的至少一个候选异常时间序列。
在本申请实施例中,服务器根据目标指标数据的搜索请求自动获取目标指标数据对应的目标搜索结果,扩展了指标数据的处理方式。目标指标数据是存在异常时间序列的异常指标数据,目标指标数据对应的目标搜索结果是根据目标指标数据的关联异常指标数据确定出的。基于此,目标指标数据对应的目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高解决目标指标数据的异常的效率,提高目标指标数据的监控效果,进而提升IT服务的服务质量。
参见图14,本申请实施例提供了一种指标数据的处理装置,该装置包括:
展示单元1401,用于展示目标指标数据的参考时间序列对应的参考曲线,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;
发送单元1402,用于响应于至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送目标指标数据的搜索请求,搜索请求用于指示基于目标异常时间序列对目标指标数据进行关联异常搜索,目标异常时间序列对应第一时间范围;服务器用于基于搜索请求,获取目标指标数据对应的目标搜索结果。
在一种可能实现方式中,参见图15,该装置还包括:
接收单元1403,用于接收服务器返回的目标搜索结果和目标指标数据对应的异常原因;
展示单元1401,还用于对目标搜索结果和目标指标数据对应的异常原因进行展示。
在一种可能实现方式中,发送单元1402,还用于基于目标指标数据的时间序列展示指令,向服务器发送目标指标数据的时间序列展示请求,时间序列展示请求携带第二时间范围;
接收单元1403,还用于接收服务器返回的参考时间序列以及用于指示参考时间序列中的至少一个候选异常时间序列的指示信息;
展示单元1401,还用于基于参考时间序列,展示参考时间序列对应的参考曲线;基于指示信息,在参考曲线上对参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示。
在本申请实施例中,终端向服务器发送目标指标数据的搜索请求后,服务器根据目标指标数据的搜索请求自动获取目标指标数据对应的目标搜索结果,扩展了指标数据的处理方式。目标指标数据是存在异常时间序列的异常指标数据,目标指标数据对应的目标搜索结果是根据目标指标数据的关联异常指标数据确定出的。基于此,目标指标数据对应的目标搜索结果能够从关联异常指标数据的角度为解决目标指标数据的异常提供有力帮助,有利于提高解决目标指标数据的异常的效率,提高目标指标数据的监控效果,进而提升IT服务的服务质量。
需要说明的是,上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图16是本申请实施例提供的一种终端的结构示意图。该终端可以是:智能手机、平板电脑、笔记本电脑或台式电脑。终端还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端包括有:处理器1601和存储器1602。
处理器1601可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。在一些实施例中,处理器1601可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1601还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1602可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。在一些实施例中,存储器1602中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器1601所执行以实现本申请中方法实施例提供的指标数据的处理方法。
在一些实施例中,终端还可选包括有:***设备接口1603和至少一个***设备。处理器1601、存储器1602和***设备接口1603之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1603相连。具体地,***设备包括:射频电路1604、显示屏1605、摄像头组件1606、音频电路1607和电源1609中的至少一种。
***设备接口1603可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器1601和存储器1602。射频电路1604用于接收和发射RF(RadioFrequency,射频)信号,也称电磁信号。显示屏1605用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。摄像头组件1606用于采集图像或视频。音频电路1607可以包括麦克风和扬声器。电源1609用于为终端中的各个组件进行供电。
在一些实施例中,终端还包括有一个或多个传感器1610。该一个或多个传感器1610包括但不限于:加速度传感器1611、陀螺仪传感器1612、压力传感器1613、光学传感器1615以及接近传感器1616。
加速度传感器1611可以检测以终端建立的坐标系的三个坐标轴上的加速度大小。陀螺仪传感器1612可以检测终端的机体方向及转动角度,陀螺仪传感器1612可以与加速度传感器1611协同采集用户对终端的3D动作。处理器1601根据陀螺仪传感器1612采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。压力传感器1613可以设置在终端的侧边框和/或显示屏1605的下层。
光学传感器1615用于采集环境光强度。接近传感器1616,也称距离传感器,通常设置在终端的前面板。接近传感器1616用于采集用户与终端的正面之间的距离。
本领域技术人员可以理解,图16中示出的结构并不构成对终端的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
图17是本申请实施例提供的一种服务器的结构示意图,该服务器可因配置或性能不同而产生比较大的差异,可以包括一个或多个处理器(Central Processing Units,CPU)1701和一个或多个存储器1702,其中,该一个或多个存储器1702中存储有至少一条计算机程序,该至少一条计算机程序由该一个或多个处理器1701加载并执行,以实现上述各个方法实施例提供的指标数据的处理方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机设备,该计算机设备可以是指终端,也可以是指服务器。该计算机设备包括处理器和存储器,该存储器中存储有至少一条计算机程序。该至少一条计算机程序由一个或者一个以上处理器加载并执行,以实现上述任一种指标数据的处理方法。
在示例性实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条计算机程序,该至少一条计算机程序由计算机设备的处理器加载并执行,以实现上述任一种指标数据的处理方法。
在一种可能实现方式中,上述计算机可读存储介质可以是只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact DiscRead-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一种指标数据的处理方法。
需要说明的是,本申请的说明书和权利要求书中的术语“第一”、“第二”等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,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以上示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (15)
1.一种指标数据的处理方法,其特征在于,所述方法包括:
接收目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标指标数据的目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;
基于所述搜索请求,获取与所述第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;
响应于任一候选时间序列与所述目标异常时间序列之间的相似度满足相似度条件,将所述任一候选时间序列对应的候选指标数据作为所述目标指标数据的一个关联异常指标数据;
确定所述目标指标数据的各个关联异常指标数据分别对应的搜索子结果;
基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果;
其中,任一关联异常指标数据对应的搜索子结果包括如下的至少一个:
所述任一关联异常指标数据对应的层级;
所述任一关联异常指标数据对应的业务或云产品的名称;
所述任一关联异常指标数据对应的名称;
所述任一关联异常指标数据对应的候选时间序列的开始时间点;
所述任一关联异常指标数据对应的候选时间序列的结束时间点;
所述任一关联异常指标数据对应的候选时间序列;
所述任一关联异常指标数据对应的时间序列相似度,所述时间序列相似度为所述任一关联异常指标数据对应的候选时间序列与所述目标异常时间序列之间的相似度。
2.根据权利要求1所述的方法,其特征在于,任一关联异常指标数据对应的搜索子结果中包括时间序列相似度,所述时间序列相似度为所述任一关联异常指标数据对应的候选时间序列与所述目标异常时间序列之间的相似度;所述基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果,包括:
将所述各个关联异常指标数据分别对应的搜索子结果根据所述各个关联异常指标数据分别对应的层级进行分组,得到至少一个层级对应的搜索子结果组;
将任一层级对应的搜索子结果组中的各个搜索子结果按照包括的时间序列相似度的大小顺序进行排列,得到所述任一层级对应的搜索结果;
将所述至少一个层级对应的搜索结果按照所述至少一个层级的层级顺序进行排列,得到所述目标指标数据对应的目标搜索结果。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果之后,所述方法还包括:
基于所述目标指标数据对应的目标搜索结果,预测所述目标指标数据对应的异常原因;
将所述目标搜索结果和所述目标指标数据对应的异常原因返回终端,所述终端用于对所述目标搜索结果和所述目标指标数据对应的异常原因进行展示。
4.根据权利要求1或2所述的方法,其特征在于,所述接收目标指标数据的搜索请求之前,所述方法还包括:
接收所述目标指标数据的时间序列展示请求,所述时间序列展示请求携带第二时间范围;
基于所述时间序列展示请求,获取所述目标指标数据在所述第二时间范围内的参考时间序列;
对所述参考时间序列进行异常检测,确定所述参考时间序列中的至少一个候选异常时间序列;
将所述参考时间序列以及用于指示所述至少一个候选异常时间序列的指示信息返回终端,所述终端用于基于所述参考时间序列,展示所述参考时间序列对应的参考曲线;基于所述指示信息,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;响应于所述至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,发送所述目标指标数据的搜索请求。
5.根据权利要求4所述的方法,其特征在于,所述对所述参考时间序列进行异常检测,确定所述参考时间序列中的至少一个候选异常时间序列,包括:
获取所述参考时间序列对应的拟合时间序列;
确定所述拟合时间序列和所述参考时间序列之间的目标差异值;
基于所述目标差异值和所述拟合时间序列,确定上界时间序列和下界时间序列;
基于所述上界时间序列和所述下界时间序列,确定所述参考时间序列中的至少一个第一异常时间序列;
基于所述至少一个第一异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列。
6.根据权利要求5所述的方法,其特征在于,任一第一异常时间序列由至少两个第一异常时间数据构成;所述基于所述至少一个第一异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列,包括:
对于所述任一第一异常时间序列中的任一第一异常时间数据,确定所述任一第一异常时间数据对应的第一匹配时间数据和第二匹配时间数据;
基于所述第一匹配时间数据中的指标数据值以及所述第二匹配时间数据中的指标数据值,确定所述任一第一异常时间数据中的指标数据值对应的取值范围;响应于所述任一第一异常时间数据中的指标数据值不处于所述取值范围内,将所述任一第一异常时间数据作为一个参考异常时间数据;
响应于所述任一第一异常时间序列中存在参考异常时间数据,将所述任一第一异常时间序列作为一个第二异常时间序列;
基于至少一个第二异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列。
7.根据权利要求6所述的方法,其特征在于,所述基于至少一个第二异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列,包括:
对于所述至少一个第二异常时间序列中的任一第二异常时间序列,响应于所述任一第二异常时间序列中存在的参考异常时间数据的数量与构成所述任一第二异常时间序列的第一异常时间数据的数量的比值不小于目标阈值,将所述任一第二异常时间序列作为所述参考时间序列中的一个候选异常时间序列。
8.根据权利要求6所述的方法,其特征在于,所述基于至少一个第二异常时间序列,确定所述参考时间序列中的至少一个候选异常时间序列,包括:
对于所述至少一个第二异常时间序列中的任一第二异常时间序列,基于所述任一第二异常时间序列中存在的参考异常时间数据,确定所述任一第二异常时间序列中的至少一个第三异常时间序列;
将所述至少一个第二异常时间序列中的各个第三异常时间序列作为所述参考时间序列中的至少一个候选异常时间序列。
9.一种指标数据的处理方法,其特征在于,所述方法包括:
展示目标指标数据的参考时间序列对应的参考曲线,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;
响应于所述至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送所述目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;所述服务器用于基于所述搜索请求,获取与所述第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;响应于任一候选时间序列与所述目标异常时间序列之间的相似度满足相似度条件,将所述任一候选时间序列对应的候选指标数据作为所述目标指标数据的一个关联异常指标数据;确定所述目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果;
其中,任一关联异常指标数据对应的搜索子结果包括如下的至少一个:
所述任一关联异常指标数据对应的层级;
所述任一关联异常指标数据对应的业务或云产品的名称;
所述任一关联异常指标数据对应的名称;
所述任一关联异常指标数据对应的候选时间序列的开始时间点;
所述任一关联异常指标数据对应的候选时间序列的结束时间点;
所述任一关联异常指标数据对应的候选时间序列;
所述任一关联异常指标数据对应的时间序列相似度,所述时间序列相似度为所述任一关联异常指标数据对应的候选时间序列与所述目标异常时间序列之间的相似度。
10.根据权利要求9所述的方法,其特征在于,所述向服务器发送所述目标指标数据的搜索请求之后,所述方法还包括:
接收所述服务器返回的所述目标搜索结果和所述目标指标数据对应的异常原因;
对所述目标搜索结果和所述目标指标数据对应的异常原因进行展示。
11.根据权利要求9或10所述的方法,其特征在于,所述展示目标指标数据的参考时间序列对应的参考曲线,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示,包括:
基于所述目标指标数据的时间序列展示指令,向所述服务器发送所述目标指标数据的时间序列展示请求,所述时间序列展示请求携带第二时间范围;
接收所述服务器返回的参考时间序列以及用于指示所述参考时间序列中的至少一个候选异常时间序列的指示信息;
基于所述参考时间序列,展示所述参考时间序列对应的参考曲线;
基于所述指示信息,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示。
12.一种指标数据的处理装置,其特征在于,所述装置包括:
接收单元,用于接收目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标指标数据的目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;
获取单元,用于基于所述搜索请求,获取与所述第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;
确定单元,用于响应于任一候选时间序列与所述目标异常时间序列之间的相似度满足相似度条件,将所任一候选时间序列对应的候选指标数据作为所述目标指标数据的一个关联异常指标数据;
所述确定单元,还用于确定所述目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果;
其中,任一关联异常指标数据对应的搜索子结果包括如下的至少一个:
所述任一关联异常指标数据对应的层级;
所述任一关联异常指标数据对应的业务或云产品的名称;
所述任一关联异常指标数据对应的名称;
所述任一关联异常指标数据对应的候选时间序列的开始时间点;
所述任一关联异常指标数据对应的候选时间序列的结束时间点;
所述任一关联异常指标数据对应的候选时间序列;
所述任一关联异常指标数据对应的时间序列相似度,所述时间序列相似度为所述任一关联异常指标数据对应的候选时间序列与所述目标异常时间序列之间的相似度。
13.一种指标数据的处理装置,其特征在于,所述装置包括:
展示单元,用于展示目标指标数据的参考时间序列对应的参考曲线,在所述参考曲线上对所述参考时间序列中的至少一个候选异常时间序列对应的曲线段进行标记显示;
发送单元,用于响应于所述至少一个候选异常时间序列中的目标异常时间序列对应的曲线段的触发指令,向服务器发送所述目标指标数据的搜索请求,所述搜索请求用于指示基于所述目标异常时间序列对所述目标指标数据进行关联异常搜索,所述目标异常时间序列对应第一时间范围;所述服务器用于基于所述搜索请求,获取与所述第一时间范围匹配的至少一个候选时间序列,不同的候选时间序列对应不同的候选指标数据;响应于任一候选时间序列与所述目标异常时间序列之间的相似度满足相似度条件,将所述任一候选时间序列对应的候选指标数据作为所述目标指标数据的一个关联异常指标数据;确定所述目标指标数据的各个关联异常指标数据分别对应的搜索子结果;基于所述各个关联异常指标数据分别对应的搜索子结果,确定所述目标指标数据对应的目标搜索结果;
其中,任一关联异常指标数据对应的搜索子结果包括如下的至少一个:
所述任一关联异常指标数据对应的层级;
所述任一关联异常指标数据对应的业务或云产品的名称;
所述任一关联异常指标数据对应的名称;
所述任一关联异常指标数据对应的候选时间序列的开始时间点;
所述任一关联异常指标数据对应的候选时间序列的结束时间点;
所述任一关联异常指标数据对应的候选时间序列;
所述任一关联异常指标数据对应的时间序列相似度,所述时间序列相似度为所述任一关联异常指标数据对应的候选时间序列与所述目标异常时间序列之间的相似度。
14.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条计算机程序,所述至少一条计算机程序由所述处理器加载并执行,以实现如权利要求1至8任一所述的指标数据的处理方法,或者如权利要求9至11任一所述的指标数据的处理方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有至少一条计算机程序,所述至少一条计算机程序由处理器加载并执行,以实现如权利要求1至8任一所述的指标数据的处理方法,或者如权利要求9至11任一所述的指标数据的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110202585.5A CN113010805B (zh) | 2021-02-23 | 2021-02-23 | 指标数据的处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110202585.5A CN113010805B (zh) | 2021-02-23 | 2021-02-23 | 指标数据的处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113010805A CN113010805A (zh) | 2021-06-22 |
CN113010805B true CN113010805B (zh) | 2023-09-01 |
Family
ID=76408061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110202585.5A Active CN113010805B (zh) | 2021-02-23 | 2021-02-23 | 指标数据的处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113010805B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421020B (zh) * | 2021-07-13 | 2024-06-21 | 神策网络科技(北京)有限公司 | 一种多指标异常点重合度分析方法 |
CN113656270B (zh) * | 2021-07-30 | 2024-03-08 | 招商银行股份有限公司 | 应用性能的测试方法、设备、介质及计算机程序产品 |
CN114034978B (zh) * | 2021-11-11 | 2023-11-10 | 四川中电启明星信息技术有限公司 | 一种用于配网类项目的自动模型检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | ***通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
WO2019062193A1 (zh) * | 2017-09-29 | 2019-04-04 | 北京金山安全软件有限公司 | 一种信息展示方法及装置 |
CN111314173A (zh) * | 2020-01-20 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
CN111984503A (zh) * | 2020-08-17 | 2020-11-24 | 网宿科技股份有限公司 | 一种监控指标数据异常数据识别的方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6623298B2 (ja) * | 2015-12-09 | 2019-12-18 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線イベント検出及び監視のための方法、装置及びシステム |
US10740338B2 (en) * | 2017-07-23 | 2020-08-11 | International Business Machines Corporation | Systems and methods for query performance prediction using reference lists |
CN111858577B (zh) * | 2019-04-29 | 2024-05-17 | 伊姆西Ip控股有限责任公司 | 存储管理的方法、设备和计算机程序产品 |
-
2021
- 2021-02-23 CN CN202110202585.5A patent/CN113010805B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339288A (zh) * | 2010-07-21 | 2012-02-01 | ***通信集团辽宁有限公司 | 数据仓库异常数据的检测方法及装置 |
WO2019062193A1 (zh) * | 2017-09-29 | 2019-04-04 | 北京金山安全软件有限公司 | 一种信息展示方法及装置 |
CN108228428A (zh) * | 2018-02-05 | 2018-06-29 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN111314173A (zh) * | 2020-01-20 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 监控信息异常的定位方法、装置、计算机设备及存储介质 |
CN111694879A (zh) * | 2020-05-22 | 2020-09-22 | 北京科技大学 | 一种多元时间序列异常模式预测方法及数据采集监控装置 |
CN111984503A (zh) * | 2020-08-17 | 2020-11-24 | 网宿科技股份有限公司 | 一种监控指标数据异常数据识别的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113010805A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113010805B (zh) | 指标数据的处理方法、装置、设备及存储介质 | |
CN110209952B (zh) | 信息推荐方法、装置、设备及存储介质 | |
CN110704661B (zh) | 一种图像分类方法和装置 | |
CN104573706A (zh) | 一种物体图像识别方法及其*** | |
CN111726341B (zh) | 一种数据检测方法、装置、电子设备及存储介质 | |
CN109993627B (zh) | 推荐方法、推荐模型的训练方法、装置和存储介质 | |
CN109308490A (zh) | 用于生成信息的方法和装置 | |
CN109154965A (zh) | 用于使用3d抽象建模的离散时间参考中的威胁事件证实的***和方法 | |
EP3379482A1 (en) | Information processing device calculating statistical information | |
CN114595124B (zh) | 时序异常检测模型评估方法、相关装置及存储介质 | |
CN107765853A (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
CN111797854A (zh) | 场景模型建立方法、装置、存储介质及电子设备 | |
CN112395351A (zh) | 可视化的识别群诉风险方法、装置、计算机设备及介质 | |
CN115861400A (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN117576535B (zh) | 一种图像识别方法、装置、设备以及存储介质 | |
CN105631404A (zh) | 对照片进行聚类的方法及装置 | |
WO2017176562A1 (en) | Identifying query abandonment using gesture movement | |
CN116778306A (zh) | 伪造对象检测方法、相关装置及存储介质 | |
CN109167673B (zh) | 一种融合异常Qos数据检测的新型云服务筛选方法 | |
CN113515701A (zh) | 信息推荐方法及装置 | |
CN113822295A (zh) | 图像识别方法、装置、电子设备和计算机可读存储介质 | |
CN111859240A (zh) | 一种图片导出的方法、相关装置及存储介质 | |
KR102317855B1 (ko) | 프로젝트 분석을 위한 사용자 인터페이스 | |
CN113783909B (zh) | 数据需求的生成方法、装置、终端、服务器及存储介质 | |
CN108197220A (zh) | 照片分类方法、装置、存储介质及电子设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40046445 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |