CN113722177A - 时序指标异常检测方法、装置、***、设备及存储介质 - Google Patents
时序指标异常检测方法、装置、***、设备及存储介质 Download PDFInfo
- Publication number
- CN113722177A CN113722177A CN202110886469.XA CN202110886469A CN113722177A CN 113722177 A CN113722177 A CN 113722177A CN 202110886469 A CN202110886469 A CN 202110886469A CN 113722177 A CN113722177 A CN 113722177A
- Authority
- CN
- China
- Prior art keywords
- boundary
- target
- time sequence
- preset
- sequence index
- 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
- 238000000034 method Methods 0.000 title claims description 56
- 238000001514 detection method Methods 0.000 claims abstract description 125
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本公开关于一种时序指标异常检测方法、装置、***、设备及存储介质,涉及计算机技术领域,本公开中的检测装置根据预设方式确定目标时序指标在预设时间段的上边界和下边界,预设方式包括响应于参数设置操作预先设定的方式和在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式,并判断目标时序指标在预设时间段内的数据是否超过该上边界和下边界;若超过,则检测装置确定目标时序指标异常。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种时序指标异常检测方法、装置、***、设备及存储介质。
背景技术
业务数据的时序指标是基于时间戳的指标。时序指标可以用于反映业务数据的趋势性、规律性等,还可以用于大数据分析和机器学习等。在计算机技术领域中,时序指标异常检测旨在发现应用程序的各种业务数据的异常,是智能监控***中的重要环节。随着技术的发展,运维数据规模也越来越大,业务数据的时序指标的类别也逐渐增多。业务数据的时序指标的异常检测也越来越重要。
通常情况下,监控***需要通过时序指标的数值是否超过上下边界,判断时序指标是否异常。若超过上边界或下边界,则确定时序指标异常。但是,不同的时序指标的波动情况是不一样的,或者同一时序指标在不同的时间段的波动情况也是不一样的。若采用固定的上下边界,则无法准确检测时序指标是否异常。
发明内容
本公开提供一种时序指标异常检测方法、装置、***、设备及存储介质,可以准确的检测业务数据的时序指标是否异常。
本公开实施例的技术方案如下:
根据本公开实施例的第一方面,提供一种时序指标异常检测方法,该方法可以应用于时序指标异常检测装置(后续为了便于描述,统称为检测装置)。该方法可以包括:检测装置确定目标时序指标在第一预设时间段的上边界和下边界,其中,目标时序指标的上边界和下边界为根据预设方式确定,预设方式包括响应于参数设置操作预先设定的方式、以及在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式;检测装置获取第一预设时间段内目标时序指标的数值;若目标时序指标的数值大于上边界或小于下边界,检测装置确定目标时序指标异常。
可选地,上述“至少一个边界模型”包括第一边界模型和第二边界确定模型,第一边界模型的置信度大于第二边界模型的置信度,在目标时序指标没有预先设定的边界值的情况下,上述“确定目标时序指标在第一预设时间段的上边界和下边界”的方法具体包括:确定目标时序指标在第二预设时间段的误差率。该误差率用于反映目标时序指标的预测时间与实际数据之间的误差情况,第二预设时间段为第一预设时间段之前的时间段;若目标时序指标的误差率小于稳定阈值,且目标时序指标对应的检测时长超过预设时长,则根据第一边界模型确定目标时序指标在第一预设时间段的上边界和下边界,其中目标时序指标对应的检测时长为当前时刻与目标时序指标的开始检测时刻之间的时长;若目标时序指标的误差率大于或等于稳定阈值,且小于波动阈值,则根据第一边界确定模型和第二边界确定模型确定目标时序在第一预设时间段的上边界和下边界,波动阈值大于稳定阈值。
可选地,上述“确定目标时序指标在第二预设时间段内的误差率”的方法具体包括:获取目标时序指标的第一历史时间段的数据;将目标时序指标的第一历史时间段的数据以及第二预设时间段的起始时刻,输入第一边界确定模型,得到目标时序指标在第二预设时间段内的预测数据;获取目标时序指标在第二预设时间段内的实际数据;根据目标时序指标在第二预设时间段内的预测数据和实际数据,确定目标时序指标的误差率。
可选地,上述“根据目标时序指标在第二预设时间段内的预测数据和实际数据,确定目标时序指标的误差率”的方法具体包括:根据第一数值与目标时序指标的实际数据之间的比值,确定目标时序指标的误差率,第一数值为目标时序指标的实际数据与预测数据之间的差值的绝对值。
可选地,在根据第一边界确定模型和第二边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界的情况下,上述“根据第一边界确定模型和第二边界确定模型确定目标时序在第一预设时间段的上边界和下边界”的方法具体包括:将第一上边界和第二上边界中的最大值作为目标时序指标的上边界,并将第一下边界和第二下边界中的最小值作为目标时序指标的下边界;其中,第一上边界和第一下边界为根据第一边界确定模型确定的边界值,第二上边界和所述第二下边界为根据第一边界确定模型确定的边界值。
可选地,在时序指标的上下边界为预先设定的情况下,上述“确定目标时序指标在第一预设时间段的上边界和下边界”的方法具体包括:将预先设定的上边界作为目标时序指标在第一预设时间段的上边界,并将预先设定的下边界作为目标时序指标在第一预设时间段的下边界。
可选地,上述“确定目标时序指标在第一预设时间段的上边界和下边界”的方法具体包括:在确定目标时序指标具有设定的边界调整系数的情况下,根据边界调整系数对目标时序指标的上边界和下边界进行调整,并将调整后的上边界作为目标时序指标在第一预设时间段的上边界以及将调整后的下边界作为目标时序指标在第一预设时间段的下边界。
可选地,上述“确定目标时序指标的上边界和下边界”之前,该时序指标检测方法还包括:获取多个时序指标;根据预设的凝聚层次聚类算法,将多个时序指标划分为多个聚类,所述多个聚类中每个聚类包括一个或多个时序指标;确定聚类中满足预设条件的时序指标为目标时序指标。
可选地,上述“确定目标时序指标异常”之后,该时序指标检测方法还包括:输出告警信息。
根据本公开实施例的第二方面,提供一种时序指标检测装置。该装置可以包括:确定单元和获取单元;确定单元,用于确定目标时序指标在第一预设时间段的上边界和下边界,目标时序指标的上边界和下边界为根据预设方式确定,预设方式包括响应于参数设置操作预先设定的方式、以及在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式;获取单元,用于获取第一预设时间段内目标时序指标的数值;确定单元,还用于若目标时序指标的数值大于上边界或小于下边界,检测装置确定目标时序指标异常。
可选地,至少一个边界确定模型包括第一边界确定模型和第二边界确定模型,第一边界确定模型的置信度大于第二边界确定模型的置信度,在目标时序指标没有预先设定的边界值的情况下,确定单元,具体用于:确定目标时序指标在第二预设时间段的误差率,误差率用于反映目标时序指标的预测数据与实际数据之间的误差情况;第二预设时间段为所述第一预设时间段之前的时间段;若目标时序指标的误差率小于稳定阈值,且目标时序指标对应的检测时长超过预设时长,则根据第一边界模型确定目标时序指标在第一预设时间段的上边界和下边界,其中,目标时序指标对应的检测时长为当前时刻与目标时序指标的开始检测时刻之间的时长;若目标时序指标的误差率大于或等于稳定阈值,且小于波动阈值,则根据第一边界确定模型和第二边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界,波动阈值大于稳定阈值。
可选地,获取单元,还用于获取目标时序指标的第一历史时间段的数据;确定单元,具体用于将目标时序指标的第一历史时间段的数据以及第二预设时间段的起始时刻,输入第一边界确定模型,得到目标时序指标在第二预设时间段内的预测数据;获取单元,还用于获取目标时序指标在第二预设时间段内的实际数据;确定单元,具体用于根据目标时序指标在第二预设时间段内的预测数据和实际数据,确定目标时序指标的所述误差率。
可选地,确定单元,具体用于根据第一数值与目标时序指标的实际数据之间的比值,确定目标时序指标的误差率,第一数值为目标时序指标的实际数据与预测数据之间的差值的绝对值。
可选地,在根据第一边界确定模型和第二边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界的情况下,确定单元,具体用于将第一上边界和第二上边界中的最大值作为目标时序指标的上边界,并将第一下边界和第二下边界中的最小值作为目标时序指标的下边界;其中,第一上边界和第一下边界为根据第一边界确定模型确定的边界值,第二上边界和第二下边界为根据所述第一边界确定模型确定的边界值。
可选地,在时序指标的上下边界为预先设定的情况下,确定单元,具体用于将预先设定的上边界作为目标时序指标在第一预设时间段的上边界,并将预先设定的下边界作为目标时序指标在第一预设时间段的下边界。
可选地,获取单元,还用于获取多个时序指标;确定单元,还用于根据预设的凝聚层次聚类算法,将多个时序指标划分为多个聚类,多个聚类中每个聚类包括一个或多个时序指标;确定单元,还用于确定聚类中满足预设条件的时序指标为目标时序指标。
可选地,该装置还包括输出单元,输出单元用于在确定目标时序指标异常的情况下,输出告警信息。
根据本公开实施例的第三方面,提供一种计算设备,可以包括:处理器和用于存储处理器可执行指令的存储器;其中,处理器被配置为执行所述指令,以实现上述第一方面中任一种可选地时序指标异常检测方法。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,计算机可读存储介质上存储有指令,当所述计算机可读存储介质中的指令由计算设备的处理器执行时,使得所述计算设备能够执行上述第一方面中任一种可选地时序指标异常检测方法。
根据本公开实施例的第五方面,提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在计算设备上运行时,使得计算设备执行如第一方面中任一种可选地实现方式所述的时序指标异常检测方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
本公开的实施例提供的技术方案至少带来以下有益效果:
基于上述任一方面,本公开中,在确定目标时序指标在某一时间端对应的上边界和下边界之后,检测目标时序指标在该时间段的数值是否超过对应的上边界和下边界,若超过,则确定目标时序指标异常。其中,目标时序指标的上边界和下边界为根据设定值或至少一个边界确定模型确定。相较于现有技术中通过单一模型确定目标时序指标的边界值,本公开中,可以根据设定的边界值以及多个边界确定模型,确定目标时序指标在某一个时间段的上边界和下边界,更加灵活准确。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1示出了本公开实施例提供的一种通信***示意图;
图2示出了本公开实施例提供的一种时序指标异常检测方法的流程示意图;
图3示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图4示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图5示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图6示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图7示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图8示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图9示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图10示出了本公开实施例提供的又一种时序指标异常检测方法的流程示意图;
图11示出了本公开实施例提供的一种时序指标异常检测装置的结构示意图;
图12示出了本公开实施例提供的又一种时序指标异常检测装置的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“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,以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开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、本公开的一些方面相一致的装置和方法的例子。
还应当理解的是,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素和/或组件的存在或添加。
本公开所涉及的数据可以为经用户授权或者经过各方充分授权的数据。
如背景技术中所描述,在业务数据不断增多的情况下,业务数据的时序指标的异常检测也越来越重要。时序指标可以用于反映业务数据的趋势性、规律性、稳定性等。例如,对于应用程序来说,时序指标可以为每天使用该应用程序的终端数量、该应用程序的每天某个数据的阈值。比如,以应用程序为短视频应用为例,时序指标可以为每天或某一时间段使用该短视频应用程序的终端数量、该短视频应用程序中的某一个短视频的观看人数等。若应用程序的时序指标异常,比如,短视频的观看人数突然增多,如果没有监测到该异常情况,可能会造成用户在观看该短视频时出现卡顿现象,降低了用户体验。
通常情况下,通过单一异常检测模型,确定时序指标的边界值,并基于该边界值判断时序指标是否异常。单一异常检测模型确定的时序指标的边界值为固定不变的,但是不同的时序指标的波动情况不一致,通过单一异常检测模型确定的边界值可能会不准确。例如,单一异常检测模型确定的边界值过小,但时序指标的波动较大,则会多次检测到该时序指标异常,增加了工作人员的处理异常告警的工作量;又例如,单一异常检测模型确定的边界值过大,但时序指标的波动较小,若在某一时刻,该时序指标的数值增大,但没有超过该边界值,则会引起应用程序异常。
以短视频应用程序为例,若短视频的观看人数对应的边界值过大,在某一时间段内,该短视频的观看人数突然增多,但没有超过对应的边界值。也即,无法检测到该短视频的观看人数异常,在为该短视频分配的资源有限的情况下,可能会造成该短视频卡顿,影响用户的使用。
另外,应用程序的同一时序指标在不同的时间段的数值可能会存在波动。例如,在工作日的工作时间,短视频应用程序的使用人数比较少。在晚上或者休息日,短视频应用程序的使用人数较多。若时序指标的边界值固定不变的话,也无法准确的检测时序指标是否异常。
基于此,本公开实施例提供一种时序指标异常检测方法,检测装置根据预先设定的边界值以及在没有预先设定的边界值的情况下根据至少一个边界确定模型确定目标时序指标在预设时间段的上边界和下边界,并判断目标时序指标在预设时间段内的数据是否超过该上边界和下边界;若超过,则检测装置确定目标时序指标异常。由于目标时序指标的上边界和下边界可以根据预先设定的边界值或者根据至少一个边界确定模型确定,也即,可以采用多种方式确定目标时序指标在不同的预设时间段各自对应的上边界和下边界。相较于采用单一异常检测模型确定时序指标的边界值,更加灵活准确。
以下结合附图对本公开实施例提供的时序指标异常检测方法进行示例性说明:
图1为本公开实施例提供的一种通信***示意图,如图1所示,该通信***中可以包括:检测装置110和终端120,检测装置110可以通过有线网络或无线网络与终端120之间建立连接。
其中,检测装置110,也可以为称为计算设备、服务器,可以用于获取并检测业务数据的时序指标。检测装置110可以是一些多媒体资源服务平台的数据服务器,可以用于存储和处理多媒体资源。例如,多媒体资源服务平台可以是短视频应用服务平台、新闻服务平台、直播服务平台、购物服务平台、外卖服务平台、共享服务平台、功能性网站等。其中,短视频应用服务平台提供的多媒体资源可以为一些短视频作品,新闻服务平台提供的多媒体资源可以为一些新闻信息,直播服务平台提供的多媒体资源可以为直播作品等,其余不再一一赘述。检测装置110也可以为服务器的芯片或片上***等,本公开对多媒体资源服务平台的具体类型并不作限制。
需要说明的是,本公开中,检测装置110可以获取业务数据的多个时序指标的数值,并检测该多个时序指标是否异常。具体的,可以参照后续的描述,此处不予赘述。
本公开中,检测装置110可以包括多个短视频应用服务平台,每个短视频应用服务平台唯一对应一个应用程序,该应用程序安装于终端上。检测装置110主要用于存储终端120上安装的应用程序的相关业务数据,可以在接收到终端120发送的业务数据获取请求时,将相应的业务数据发送给终端。
一些实施例中,检测装置110为服务器时,可以是单独的一个服务器,或者,也可以是由多个服务器构成的服务器集群。部分实施方式中,服务器集群还可以是分布式集群。本公开对检测装置110的具体实现方式也不作限制。
还有一些实施例中,检测装置110还可以包含有数据库或与数据库连接,多媒体资源服务平台的多媒体资源可以存储于数据库中。终端120可以通过检测装置110实现对数据库中多媒体资源的访问操作。终端120对多媒体资源的访问操作可以产生相应的时序指标。例如,在预设时间段内终端120获取多媒体资源的次数、时长、终端数量等均对应一个时序指标。
终端120可以是手机、平板电脑、桌面型、膝上型、手持计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本,以及蜂窝电话、个人数字助理(personal digital assistant,PDA)、增强现实(augmented reality,AR)\虚拟现实(virtual reality,VR)设备等可以安装并使用内容社区应用(如快手)的设备,本公开对该终端的具体形态不作特殊限制。其可以与用户通过键盘、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。
可选地,上述图1所示的通信***中,检测装置110可以与至少一个终端120连接。本公开对终端120的数量及类型均不作限制。
本公开实施例提供的时序指标异常检测方法可以应用于前述图1所示的应用场景中的终端。
如图2所示,本公开实施例提供的时序指标异常检测方法可以包括:
S201、检测装置确定目标时序指标在第一预设时间段的上边界和下边界。
其中,检测装置可以为图1中的检测装置110。目标时序指标可以为图1中的检测装置为终端提供的多媒体数据或业务数据的时序指标。
其中,第一预设时间段的时长可以根据需要设置,例如,可以为一天、一个小时等,不予限制。
其中,目标时序指标的上边界和下边界为根据预设方式确定。预设方式可以包括响应于参数设置操作预先设定的方式、以及在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式。
参数设置操作预先设定的方式可以是指由专家根据经验值或历史数据输入检测装置的边界值。
使用至少一个边界确定模型的方式可以是指检测装置使用一个或多个边界确定模型确定目标时序指标的上下边界值。至少一个边界确定模型可以包括多个不同置信度的边界确定模型,每一个边界确定模型可以对应不同的边界算法。例如,边界算法可以包括prophet算法、3sigma算法等,不予限制。
一种示例中,响应于参数设置操作预先设定的方式的优先级高于使用至少一个边界确定模型确定的方式的优先级。也即,检测装置可以首先检测目标时序指标是否具有预先设定的上下边界,若有,则检测装置可以将预先设定的上下边界作为目标时序指标的边界值。在目标时序指标不具有预先设定的上行边界的情况下,检测装置可以使用至少一个边界确定模型确定的方式,确定目标时序指标的上下边界。
例如,以至少一个边界确定模型包括第一边界确定模型和第二边界确定模型为例,第一边界确定模型的置信度大于第二边界确定模型的置信度。检测装置可以根据第一边界模型和第二边界确定模型中的一个或多个确定目标时序指标的上边界和下边界。比如,第一边界确定模型可以为prophet模型,第二边界确定模型可以为3sigma模型。
S202、检测装置获取第一预设时间段内目标时序指标的数值。
其中,第一预设时间段内目标时序指标的数值可以是指第一预设时间段内使用应用程序的终端数量、时长等。例如,以应用程序为短视频应用程序为例,目标时序指标的数值可以是指使用该应用程序的终端数量。
示例性的,检测装置可以设置有存储器。该存储器可以用于存储多个时间段以及每个时间段内目标时序指标的数值。例如,存储器可以以表格或数组的形式存储每个时间段内目标时序指标的数值。检测装置可以从该存储器中获取第一时间段内目标时序指标数值。
S203、若目标时序指标的数值大于上边界,且小于下边界,检测装置确定目标时序指标异常。
上述实施例提供的技术方案至少带来以下有益效果:由S201-S203可知,检测装置在根据预先设定的边界值或者至少一个边界确定模型,确定目标时序指标在预设时间段内的边界值后,判断该预设时间段内目标时序指标的数值是否超过该边界值,若超过,则确定目标时序指标异常。由于目标时序指标的边界值可以根据预先设定的边界值或根据至少一个边界确定模型等多个方式确定,相较于通过单一异常检测模型确定边界值,更加灵活准确。
在一种实施例中,结合图2,如图3所示,上述S201中,检测装置确定目标时序指标在第一预设时间段的上边界和下边界的方法具体包括S301~S303。
S301、检测装置确定目标时序指标在第二预设时间段的误差率。
其中,第二预设时间段为第一预设时间段之间的时间段。目标时序指标在第二预设时间段的误差率可以用于反映目标时序指标在第二预设时间段的实际数据和预测值数据之前的误差情况。
示例性的,目标时序指标在第二预设时间段的误差率可以为平均绝对误差百分比(mean absolute percentage error,MAPE)。检测装置可以根据目标时序指标在第二预设时间段的实际数据和预测数据确定。
其中,目标时序指标在第二预设时间段的预测数据可以根据预测模型得到。具体的,可以参照下述描述,此处不予赘述。
S302、若目标时序指标的误差率小于稳定阈值,且目标时序指标对应的检测时长超过预设时长,则检测装置根据第一边界模型确定目标时序指标在第一预设时间段的上边界和下边界。
其中,稳定阈值可以根据业务场景进行设置,例如,对于波动范围较大的业务场景,比如,观看直播的人数,稳定阈值的值可以设置为第一阈值;对于波动范围较小的业务场景,比如,卸载/下载应用程序的终端数量,稳定阈值的值可以为设置为第二阈值。第二阈值大于第一阈值。当然,稳定阈值也可以为根据实际需要设置,例如,可以为15%,不予限制。
其中,目标时序指标对应的检测时长为当前时刻与目标时序指标的开始检测时刻之间的时长。
S303、若目标时序指标的误差率大于或等于稳定阈值,且小于波动阈值,则检测装置根据第一边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界。
其中,波动阈值大于稳定阈值。波动阈值也可以根据业务场景设置,具体的,可以参照上述稳定阈值的描述。当然,波动阈值也可以根据需要设置,例如,可以为30%,不予限制。
需要说明的是,本公开实施例中,稳定阈值可以是指第一边界模型确定的边界值在具有较高的置信度时的阈值。波动阈值可以是指第一边界模型确定的边界值不满足业务场景时,或者置信度较低时的阈值。当目标时序指标的误差率大于波动阈值,则说明该目标时序指标的波动性较大,检测装置可以不执行图2中的S201和S203。
上述实施例提供的技术方案至少带来以下有益效果:由S301~S303可知,通过目标时序指标的误差率与设定的阈值进行比较,从而可以确定是根据一个边界确定模型确定目标时序指标的边界值,还是根据两个边界确定模型时序指标的边界值,灵活方便。
在一种实施例中,结合图3,如图4所示,上述S301中,检测装置确定目标时序指标在第二预设时间段内的误差率的方法具体可以包括S3011~S3014。
S3011、检测装置获取目标时序指标的第一历史时间段的数据。
其中,第一历史时间段可以根据需要设置,例如,可以为一年、6个月、一个月等,不予限制。
S3012、检测装置将目标时序指标的第一历史时间段的数据以及第二预设时间段的起始时刻输入第一边界确定模型,得到目标时序指标在第二预设时间段内的预测数据。
其中,第一边界确定模型还可以用于确定目标时序指标在第二预设时间段内的预测时间。第一边界模型可以为检测装置预先存储的,或者从其他设备或服务器处获取的。
例如,第一边界确定模型可以为上述prophet模型,当然,检测装置可以通过其他预测模型确定目标时序指标在第二预设时间段内的预测数据,不予限制。prophet模型的训练方法可以参照现有技术,不予描述。
需要说明的是,为了提高prophet模型的准确性,可以通过包括工作日以及节假日的多个历史时间段内的目标时序指标的实际数值进行训练。在训练得到prophet模型之后,还可以使用其他历史时间段内的目标时序指标的实际数据对该prophet模型进行验证。在预测数据与实际数据之间的误差较大的情况下,可以对prophet模型的参数进行调整,以使得调整后的prophet模型的预测数据与实际数据之间的误差小于预设误差。预设误差可以根据需要设置,不予限制。
需要指出的是,上述以第一边界确定模型为上述prophet模型为例,对prophet模型的确定方法进行了说明。若第一边界确定模型其他模型,可以参照prophet模型的描述或者也可以参照现有技术,不予赘述。
进一步,检测装置可以存储训练好的第一边界确定模型以及该第一边界确定模型的参数。
S3013、检测装置获取目标时序指标在第二预设时间段内的实际数据。
S3014、检测装置根据目标时序指标在第二预设时间段内的预测数据和实际数据,确定目标时序指标的误差率。
上述实施例提供的技术方案至少带来以下有益效果:由S3011~S3014可知,检测装置可以通过预测模型确定目标时序指标的预测数据,并根据目标时序指标的预测数据与实际数据确定目标时序指标的误差率。由于预测模型可以为预先训练好的,因此,检测装置可以直接使用该预测模型确定目标时序指标的预测数据,进行得到目标时序指标的误差率,简单快速。
在一种实施例中,结合图4,如图5所示,上述S3014中,检测装置根据目标时序指标在第二预设时间段内的预测数据和实际数据,确定目标时序指标的误差率的方法具体可以包括S30141。
S30141、检测装置根据第一数值与实际数据之间的比值,确定目标时序指标的误差率。
其中,第一数值为目标时序指标的实际数据和预测数据之间的差值的绝对值。
上述实施例提供的技术方案至少带来以下有益效果:由S30141可知,检测装置可以根据该计算方法,快速准确的确定目标时序指标的误差率。
在一种实施例中,结合图3,如图6所示,上述S303中,检测装置根据第一边界确定模型和第二边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界的方法具体可以包括S601。
S601、检测装置将第一上边界和第二上边界中的最大值作为目标时序指标的上边界,并将第一下边界和第二下边界中的最小值作为目标时序指标的下边界。
其中,第一上边界和第一下边界为根据第一边界确定模型确定的边界值。第二上边界和第二下边界为根据第二边界确定模型确定的边界值。
当然,检测装置可以将第一上边界和第二上边界的平均值或加权平均值作为目标时序指标的上边界,将第一下边界和第二下边界的平均值或加权平均值作为目标时序指标的下边界。不予限制。
上述实施例提供的技术方案至少带来以下有益效果:由S601可知,在根据多个边界确定模型确定目标时序指标的边界值的情况下,检测装置将边界确定模型确定的多个上边界中的最大值作为目标时序指标的上边界,将边界确定模型确定的多个下边界中的最小值作为目标时序指标的下边界。如此,检测装置可以简单方便的确定目标时序指标的边界值。
在一种实施例中,结合图2,如图7所示,上述S201中,在目标时序指标的上下边界为预先设定的情况下,检测装置确定目标时序指标在第一预设时间段的上边界和下边界的方法具体包括S701。
S701、检测装置将预先设定的上边界作为目标时序指标在第一预设时间段的上边界,并将预先设定的下边界作为目标时序指标在第一预设时间段的下边界。
上述实施例提供的技术方案至少带来以下有益效果:由S701可知,检测装置在检测到目标时序指标具有设定的边界值的情况下,可以优先将设定的边界值作为目标时序指标的边界值。如此,可以简化确定目标时序指标的边界值的步骤。
在一种实施例中,结合图1,如图8所示,在确定目标时序指标具有设定的边界调整系数的情况下,检测装置确定目标时序指标在第一时间段的上边界和下边界的方法可以包括S801。
S801、检测装置根据边界调整系数对目标时序指标的上边界和下边界进行调整,并将调整后的上边界作为目标时序指标的上边界,以及将调整后的下边界作为目标时序指标的下边界。
其中,边界调整系数可以用于对边界确定模型确定的边界值以及设定的边界值进行调整。该边界调整系数可以根据需要设置,例如,可以为0.3。不予限制。
一种示例中,边界调整***为0.3,边界确定模型确定的上边界为a1,下边界为a2。则调整后的上边界可以为1.3a1,调整后的下边界可以为0.7a2。
又一种示例中,边界确定模型确定的上边界为avg-3*std,下边界为avg+3*std。其中,avg和std为系数,3为边界调整系数。也即,检测装置可以对边界调整系数3进行调整。
上述实施例提供的技术方案至少带来以下有益效果:由S801可知,检测装置可以根据边界调整系数为目标时序指标的边界值进行调整,以使得调整后的边界值可以满足需求。
在一种实施例中,结合图1,如图9所示,在检测装置确定目标时序指标的上边界和下边界之前,该时序指标异常检测方法还可以包括S901-S903。
S901、检测装置获取多个时序指标。
其中,该多个时序指标可以包括多个不同类型的时序指标。
S902、检测装置根据预设的凝聚层次聚类算法,将多个时序指标划分为多个聚类。
其中,每个聚类包括一个或多个时序指标。该一个或多个时序指标可以为同一类型的时序指标,如,包括多个终端观看某一视频的时长、多个终端观看某一视频的次数等。该一个或多个时序指标也可以为具有相同特征的时序指标,如,包括一天内使用应用程序的终端数量、一天内观看某一视频的终端数量等。
其中,预设的凝聚层次聚类算法可以用于时序指标进行归类分析,生成一个N×4的聚类矩阵,聚类矩阵表征该多个时序指标最终确定的聚类个数。具体过程如下:
首先,从多个时序指标中提取出N个时序指标作为N个待合并对象(也可以视为初始的聚类),接着,采用单链(Single-link)、全链(Complete-link)、平均链(Average-link)中任一邻近距离算法,计算每一个待合并对象与其他待合并对象之间的邻近距离,将邻近距离最小值关联的两个待合并对象进行合并,形成新的待合并对象(也可以视为一个新的聚类),最终输出一个N*4的聚类矩阵,所述聚类矩阵表征基于输入的时序指标最终确定的聚类个数。
需要指出的是,上述仅以凝聚层次聚类算法为例进行了描述,本公开实施例中,还可以采用其他聚类算法对多个时序指标进行聚类,例如,还可以采用K-Means(K均值)聚类算法等,不予限制。
进一步的,对于每一个聚类的目标时序指标,检测装置可以根据多线程(multiprocessing)的方法检测目标时序指标是否异常。多线程的方法可以参照现有技术,不予赘述。
S903、检测装置确定聚类中满足预设条件的时序指标为目标时序指标。
其中,预设条件可以用于确定是否对时序指标进行检测。例如,预设条件可以包括时序指标的统计时长、上线时长、历史数据的大小。比如,预设条件可以为某一个视频上传到短视频应用程序的时长、直播视频的直播时长等。又比如,预设条件可以为检测装置统计的时序指标在预设历史时间段内的数据、观看某一视频的终端数量、某一视频的评论数量等。
在时序指标不满足预设条件的情况下,检测装置可以确定不检测该时序指标是否异常,或者,检测装置可以从该聚类中删除该时序指标。
例如,以预设条件为时序指标的统计时长为例,该统计时长可以根据需要设置,例如可以为60天,不予限制。进一步的,检测装置还可以根据历史数据对设定的统计时长进行调整。例如,在设定的统计时长过短的情况下,可以增大统计时长。
需要说明的是,S901中,检测装置获取的多个时序指标可以为满足预设条件的时序指标,如此,在S903中,检测装置可以选择聚类中的任一个时序指标作为目标时序指标。
上述实施例提供的技术方案至少带来以下有益效果:由S901-S903可知,检测装置可以将多个需要检测的时序指标划分为多个聚类,并从每个聚类中选择一个时序指标作为目标时序指标进行检测。也即,在大量时序指标需要检测的情况下,检测装置可以通过检测少量的时序指标,无需检测每一个时序指标是否异常。减少了检测时序指标的数量,从而可以降低检测装置的压力和工作量。
在一种实施例中,结合图9,如图10所示,在确定目标时序指标异常后,该时序指标异常检测方法还包括S1001。
S1001、检测装置输出告警信息。
其中,告警信息可以用于指示目标时序指标异常。例如,告警信息可以包括语音告警、短信告警等。
上述实施例提供的技术方案至少带来以下有益效果:由S1001可知,在确定目标时序指标异常的情况下,检测装置可以及时输出告警信息,以使得工作人员可以尽快处理。
可以理解的,在实际实施时,本公开实施例所述的检测装置可以包含有用于实现前述对应时序指标异常检测方法的一个或多个硬件结构和/或软件模块,这些执行硬件结构和/或软件模块可以构成一个电子设备。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的算法步骤,本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本公开的范围。
基于这样的理解,本公开实施例还对应提供一种时序指标异常检测装置。图11示出了本公开实施例提供的时序指标异常检测装置的结构示意图。如图11所示,该时序指标异常检测装置可以包括:确定单元1101、获取单元1102。
确定单元1101,用于确定目标时序指标在第一预设时间段的上边界和下边界,目标时序指标的上边界和下边界为根据预设方式确定,该预设方式可以包括响应于参数设置操作预先设定的方式、以及在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式;获取单元1102,用于获取第一预设时间段内目标时序指标的数值;确定单元1101,还用于在获取单元1102获取的数值大于上边界或小于下边界的情况下,确定目标时序指标异常。例如,结合图2,确定单元1101用于执行S201。
可选地,至少一个边界确定模型包括第一边界确定模型和第二边界确定模型,第一边界确定模型的置信度大于第二边界确定模型的置信度,在目标时序指标没有预先设定的上下边界的情况下,确定单元1101,具体用于:确定目标时序指标在第二预设时间段的误差率,误差率用于反映目标时序指标的预测数据与实际数据之间的误差情况;第二预设时间段为所述第一预设时间段之前的时间段;若目标时序指标的误差率小于稳定阈值,且目标时序指标对应的检测时长超过预设时长,则根据第一边界模型确定目标时序指标在第一预设时间段的上边界和下边界,其中,目标时序指标对应的检测时长为当前时刻与目标时序指标的开始检测时刻之间的时长;若目标时序指标的误差率大于或等于稳定阈值,且小于波动阈值,则根据第一边界确定模型和第二边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界,波动阈值大于稳定阈值。
可选地,获取单元1102,还用于获取目标时序指标的第一历史时间段的数据;确定单元1101,具体用于将目标时序指标的第一历史时间段的数据以及第二预设时间段的起始时刻,输入第一边界确定模型,得到目标时序指标在第二预设时间段内的预测数据;获取单元1102,还用于获取目标时序指标在第二预设时间段内的实际数据;确定单元1101,具体用于根据目标时序指标在第二预设时间段内的预测数据和实际数据,确定目标时序指标的所述误差率。
可选地,确定单元1101,具体用于根据第一数值与目标时序指标的实际数据之间的比值,确定目标时序指标的误差率,第一数值为目标时序指标的实际数据与预测数据之间的差值的绝对值。
可选地,在根据第一边界确定模型和第二边界确定模型确定目标时序指标在第一预设时间段的上边界和下边界的情况下,确定单元1101,具体用于将第一上边界和第二上边界中的最大值作为目标时序指标的上边界,并将第一下边界和第二下边界中的最小值作为目标时序指标的下边界;其中,第一上边界和第一下边界为根据第一边界确定模型确定的边界值,第二上边界和第二下边界为根据所述第一边界确定模型确定的边界值。
可选地,在时序指标的上下边界为预先设定的情况下,确定单元1101,具体用于将预先设定的上边界作为目标时序指标在第一预设时间段的上边界,并将预先设定的下边界作为目标时序指标在第一预设时间段的下边界。
可选地,获取单元1102,还用于获取多个时序指标;确定单元1102,还用于根据预设的凝聚层次聚类算法,将多个时序指标划分为多个聚类,多个聚类中每个聚类包括一个或多个时序指标;确定单元,还用于确定聚类中满足预设条件的时序指标为目标时序指标。
可选地,如图11所示,该装置还可以包括输出单元1103,输出单元1103用于在确定目标时序指标异常的情况下,输出告警信息。
如上所述,本公开实施例可以根据上述方法示例对检测装置进行功能模块的划分。其中,上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。另外,还需要说明的是,本公开实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。
关于上述实施例中的时序指标异常检测装置,其中各个模块执行操作的具体方式、以及具备的有益效果,均已经在前述方法实施例中进行了详细描述,此处不再赘述。
本公开实施例还提供一种异常检测装置。图12示出了本公开实施例提供的检测装置的结构示意图。该检测装置可以包括至少一个处理器121,通信总线122,存储器123以及至少一个通信接口124。
处理器121可以是一个处理器(central processing units,CPU),微处理单元,ASIC,或一个或多个用于控制本公开方案程序执行的集成电路。作为一个示例,结合图11,检测装置中的确定单元1101实现的功能与图12中的处理器121实现的功能相同。
通信总线122可包括一通路,在上述组件之间传送信息。
通信接口124,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如服务器、以太网,无线接入网(radio access network,RAN),无线局域网(wireless localarea networks,WLAN)等。作为一个示例,结合图11,检测装置中的获取单元1102实现的功能与图12中的通信接口124实现的功能相同。
存储器123可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理单元相连接。存储器也可以和处理单元集成在一起。
其中,存储器123用于存储执行本公开方案的应用程序代码,并由处理器121来控制执行。处理器121用于执行存储器123中存储的应用程序代码,从而实现本公开方法中的功能。
在具体实现中,作为一种实施例,处理器121可以包括一个或多个CPU,例如图12中的CPU0和CPU1。
在具体实现中,作为一种实施例,终端可以包括多个处理器,例如图12中的处理器121和处理器125。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,检测装置还可以包括输入设备126和输出设备127。输入设备126和输出设备127通信,可以以多种方式接受用户的输入。例如,输入设备126可以是鼠标、键盘、触摸屏设备或传感设备等。输出设备127和处理器121通信,可以以多种方式来显示信息。例如,输出设备121可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备等。
本领域技术人员可以理解,图12中示出的结构并不构成对检测装置的限定,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。
本公开还提供了一种包括指令的计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述计算机可读存储介质中的指令由计算机设备的处理器执行时,使得计算机能够执行上述所示实施例提供的时序指标异常检测方法。例如,计算机可读存储介质可以为包括指令的存储器123,上述指令可由终端的处理器121执行以完成上述方法。又例如,计算机可读存储介质可以为包括指令的存储器122,上述指令可由服务器的处理器121执行以完成上述方法。可选地,计算机可读存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、RAM、CD-ROM、磁带、软盘和光数据存储设备等。
本公开还提供了一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在检测装置上运行时,使得所述检测装置执行上述图2-图10任一附图所示的时序指标异常检测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种时序指标异常检测方法,其特征在于,包括:
确定目标时序指标在第一预设时间段的上边界和下边界,其中,所述目标时序指标的上边界和下边界为根据预设方式确定,所述预设方式包括响应于参数设置操作预先设定的方式、以及在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式;
获取所述第一预设时间段内所述目标时序指标的数值;
若所述数值大于所述上边界,或小于所述下边界,确定所述目标时序指标异常。
2.根据权利要求1所述的方法,其特征在于,所述至少一个边界确定模型包括第一边界确定模型和第二边界确定模型,所述第一边界模型的置信度大于所述第二边界模型的置信度,在所述目标时序指标没有预先设定的上下边界的情况下,所述确定目标时序指标在第一预设时间段的上边界和下边界,包括:
确定所述目标时序指标在第二预设时间段的误差率,所述误差率用于反映所述目标时序指标的预测数据与实际数据之间的误差情况;所述第二预设时间段为所述第一预设时间段之前的时间段;
若所述目标时序指标的误差率小于稳定阈值,且所述目标时序指标对应的检测时长超过预设时长,则根据所述第一边界模型确定所述目标时序指标在第一预设时间段的上边界和下边界,其中,所述目标时序指标对应的检测时长为当前时刻与所述目标时序指标的开始检测时刻之间的时长;
若所述目标时序指标的误差率大于或等于所述稳定阈值,且小于波动阈值,则根据所述第一边界确定模型和所述第二边界确定模型确定所述目标时序指标在第一预设时间段的上边界和下边界,所述波动阈值大于所述稳定阈值。
3.根据权利要求2所述的方法,其特征在于,所述确定所述目标时序指标在第二预设时间段内的误差率,包括:
获取所述目标时序指标的第一历史时间段的数据;
将所述目标时序指标的所述第一历史时间段的数据以及第二预设时间段的起始时刻,输入所述第一边界确定模型,得到所述目标时序指标在所述第二预设时间段内的预测数据;
获取所述目标时序指标在所述第二预设时间段内的实际数据;
根据所述目标时序指标在所述第二预设时间段内的预测数据和实际数据,确定所述目标时序指标的所述误差率。
4.根据权利要求3所述的方法,其特征在于,所述根据所述目标时序指标在所述第二预设时间段内的预测数据和实际数据,确定所述目标时序指标的所述误差率,包括:
根据第一数值与所述目标时序指标的实际数据之间的比值,确定所述目标时序指标的误差率,所述第一数值为所述目标时序指标的实际数据与预测数据之间的差值的绝对值。
5.根据权利要求2-4任一项所述的方法,其特征在于,在根据所述第一边界确定模型和所述第二边界确定模型确定所述目标时序指标在第一预设时间段的上边界和下边界的情况下,所述根据所述第一边界确定模型和所述第二边界确定模型确定所述目标时序指标在第一预设时间段的上边界和下边界,包括:
将第一上边界和第二上边界中的最大值作为所述目标时序指标的上边界,并将第一下边界和第二下边界中的最小值作为所述目标时序指标的下边界;
其中,所述第一上边界和所述第一下边界为根据所述第一边界确定模型确定的边界值,所述第二上边界和所述第二下边界为根据所述第一边界确定模型确定的边界值。
6.根据权利要求1所述的方法,其特征在于,在所述时序指标的上下边界为预先设定的情况下,所述确定目标时序指标在第一预设时间段的上边界和下边界,包括:
将预先设定的上边界作为所述目标时序指标在第一预设时间段的上边界,并将预先设定的下边界作为所述目标时序指标在第一预设时间段的下边界。
7.一种时序指标异常检测装置,其特征在于,所述装置包括确定单元、获取单元;
所述确定单元,用于确定目标时序指标在第一预设时间段的上边界和下边界,其中,所述目标时序指标的上边界和下边界为根据预设方式确定,所述预设方式包括响应于参数设置操作的方式、以及在没有预先设定的上边界和下边界的情况下使用至少一个边界确定模型确定的方式;
所述获取单元,用于获取所述第一预设时间段内所述目标时序指标的数值;
所述确定单元,还用于若所述数值大于所述上边界,或小于所述下边界,确定所述目标时序指标异常。
8.一种计算设备,其特征在于,所述计算设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1-6中任一项所述的时序指标异常检测方法。
9.一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指令,其特征在于,当所述计算机可读存储介质中的指令由计算设备的处理器执行时,使得所述计算设备能够执行如权利要求1-6中任一项所述的时序指标异常检测方法。
10.一种计算机程序产品,包括指令,其特征在于,当所述指令在计算设备上运行时,使得所述计算设备执行如权利要求1-6中任一项所述的时序指标异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886469.XA CN113722177B (zh) | 2021-08-03 | 2021-08-03 | 时序指标异常检测方法、装置、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110886469.XA CN113722177B (zh) | 2021-08-03 | 2021-08-03 | 时序指标异常检测方法、装置、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722177A true CN113722177A (zh) | 2021-11-30 |
CN113722177B CN113722177B (zh) | 2024-03-29 |
Family
ID=78674708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110886469.XA Active CN113722177B (zh) | 2021-08-03 | 2021-08-03 | 时序指标异常检测方法、装置、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722177B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114301803A (zh) * | 2021-12-24 | 2022-04-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
CN111176931A (zh) * | 2019-12-11 | 2020-05-19 | 深圳智链物联科技有限公司 | 一种运营监控方法、装置、服务器及存储介质 |
CN111625413A (zh) * | 2020-04-23 | 2020-09-04 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置及存储介质 |
CN111931860A (zh) * | 2020-09-01 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 异常数据检测方法、装置、设备及存储介质 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | ***股份有限公司 | 数据处理方法、装置、设备和介质 |
CN113128797A (zh) * | 2019-12-30 | 2021-07-16 | ***通信集团浙江有限公司 | 业务指标异常监测方法及装置 |
-
2021
- 2021-08-03 CN CN202110886469.XA patent/CN113722177B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
CN111176931A (zh) * | 2019-12-11 | 2020-05-19 | 深圳智链物联科技有限公司 | 一种运营监控方法、装置、服务器及存储介质 |
CN113128797A (zh) * | 2019-12-30 | 2021-07-16 | ***通信集团浙江有限公司 | 业务指标异常监测方法及装置 |
CN111625413A (zh) * | 2020-04-23 | 2020-09-04 | 平安科技(深圳)有限公司 | 指标异常分析方法、装置及存储介质 |
CN111931860A (zh) * | 2020-09-01 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 异常数据检测方法、装置、设备及存储介质 |
CN112241351A (zh) * | 2020-09-30 | 2021-01-19 | ***股份有限公司 | 数据处理方法、装置、设备和介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114301803A (zh) * | 2021-12-24 | 2022-04-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
CN114301803B (zh) * | 2021-12-24 | 2024-03-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113722177B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11640320B2 (en) | Correlation of thread intensity and heap usage to identify heap-hoarding stack traces | |
US11870704B2 (en) | Instant notification of load balance and resource scheduling based on resource capacities and event recognition | |
CN107066365B (zh) | 一种***异常的监测方法及装置 | |
CN109684162B (zh) | 设备状态预测方法、***、终端及计算机可读存储介质 | |
CN110262939B (zh) | 算法模型运行监控方法、装置、计算机设备和存储介质 | |
CN109471783B (zh) | 预测任务运行参数的方法和装置 | |
CN112527598B (zh) | 监控数据的方法、装置、设备、存储介质和程序产品 | |
CN108537399B (zh) | 一种物料需求量的预测方法及装置 | |
US11060885B2 (en) | Univariate anomaly detection in a sensor network | |
CN114138625A (zh) | 服务器健康状态的评估方法、***、电子设备和存储介质 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
US20210192217A1 (en) | Method and apparatus for processing video | |
WO2023107167A1 (en) | Adaptive telemetry sampling | |
CN113722177B (zh) | 时序指标异常检测方法、装置、***、设备及存储介质 | |
CN114202256A (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN112862222A (zh) | 空调回风温度的预测方法、异常监控方法和相关装置 | |
CN112130936A (zh) | 基于轮询的数据调用方法、装置、设备及存储介质 | |
KR102464688B1 (ko) | 모니터링 결과의 이벤트 등급 결정 방법 및 장치 | |
CN116302893A (zh) | 设备性能评估方法、装置、电子设备及存储介质 | |
CN113961565A (zh) | 数据检测方法、***、计算机***及可读存储介质 | |
CN113326436A (zh) | 确定推荐资源的方法、装置、电子设备和存储介质 | |
CN113758608B (zh) | 一种报警处理方法和装置 | |
CN106452863B (zh) | 一种信息***的资源分配及预测方法和装置 | |
CN114710406B (zh) | 超时阈值的动态确定方法、装置、电子设备和介质 | |
CN112732525B (zh) | 分布式存储***的故障检测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |