CN113723956A - 异常监控方法、装置、设备及存储介质 - Google Patents
异常监控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113723956A CN113723956A CN202110907896.1A CN202110907896A CN113723956A CN 113723956 A CN113723956 A CN 113723956A CN 202110907896 A CN202110907896 A CN 202110907896A CN 113723956 A CN113723956 A CN 113723956A
- Authority
- CN
- China
- Prior art keywords
- success rate
- transaction
- historical
- time period
- threshold
- 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 234
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 56
- 238000012937 correction Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/38—Payment protocols; Details thereof
- G06Q20/389—Keeping log of transactions for guaranteeing non-repudiation of a transaction
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种异常监控方法、装置、设备及存储介质,所述方法包括:根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征;根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。本申请实施例提供的技术方案可以提高对业务***异常的监控准确度。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种异常监控方法、装置、设备及存储介质。
背景技术
业务交易***是为用户办理各类业务提供服务的信息技术***,业务交易***的正常运行是各类业务能够正常开展的基础。而业务交易***是否正常运行主要反映在该业务交易***的交易成功率是否处于正常的数值范围内,基于此,为了保证业务交易***的正常运行,需要根据交易成功率对业务交易***的异常进行实时监控。
传统方法中,在基于交易成功率对业务交易***的异常进行实时监控时,业务监控***可以获取业务交易***的交易成功率,并将该交易成功率与固定监控阈值进行比较,根据比较结果确定业务交易***是否运行异常。
但是,由于业务交易***在不同时间段的业务特征不同,通过固定监控阈值作为业务交易***是否异常的评判标准,可能会出现误判的情况,导致对业务***异常的监控准确度差。
发明内容
基于此,本申请实施例提供了一种异常监控方法、装置、设备及存储介质,可以提高对业务***异常的监控准确度。
第一方面,提供了一种异常监控方法,该方法包括:
根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征;根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。
在其中一个实施例中,上述方法还包括:
获取历史监控时间段对应的历史时间特征;根据历史交易成功率,确定历史监控时间段对应的样本门限;将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。
在其中一个实施例中,根据历史交易成功率,确定历史监控时间段对应的样本门限,包括:
根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常;若否,则将历史交易成功率输入预设算法,获得历史监控时间段对应的样本门限。
在其中一个实施例中,上述方法还包括:
若业务交易***在历史监控时刻被判定为运行状态异常,则对交易样本进行校正,获得历史监控时间段的校正成功率;将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。
在其中一个实施例中,成功率阈值门限包括成功率阈值上限和成功率阈值下限,对交易样本进行校正,获得历史监控时间段的校正成功率,包括:
获取监控***在历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限;根据成功率阈值上限和成功率阈值下限,确定校正成功率;校正成功率为成功率阈值上限和成功率阈值下限之间的值。
在其中一个实施例中,时间特征包括周期性特征、节假日特征、特定日期特征中的至少一个。
在其中一个实施例中,上述方法还包括:
若业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
第二方面,提供了一种异常监控装置,该装置包括:
第一获取模块,用于根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;
第一计算模块,用于获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征;
第一确定模块,用于根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面任一实施例中的方法步骤。
上述异常监控方法、装置、设备及存储介质,通过根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。在本申请实施例提供的技术方案中,与传统方法相比,由于设置的成功率阈值门限可以包括成功率阈值上限和成功率阈值下限,从而可以根据业务交易***在不同时间段的业务特征,形成对应的监控区间,再根据交易成功率与成功率阈值门限的比较结果对业务交易***的异常进行监控,从而提高了对业务***异常的监控准确度。
附图说明
图1为本申请实施例提供的一种计算机设备的框图;
图2为本申请实施例提供的一种异常监控方法的流程图;
图3为本申请实施例提供的一种生成门限预测模型的流程图;
图4为本申请实施例提供的一种获得样本门限的流程图;
图5为本申请实施例提供的另一种获得样本门限的流程图;
图6为本申请实施例提供的一种生成校正成功率的流程图;
图7为本申请实施例提供的一种异常监控方法的流程图;
图8为本申请实施例提供的一种异常监控装置的框图。
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。
本申请提供的异常监控方法可以应用于计算机设备中,计算机设备可以是服务器,也可以是终端,其中,服务器可以为一台服务器也可以为由多台服务器组成的服务器集群,本申请实施例对此不作具体限定,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
以计算机设备是服务器为例,图1示出了一种服务器的框图,如图1所示,服务器可以包括通过***总线连接的处理器和存储器。其中,该服务器的处理器用于提供计算和控制能力。该服务器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序以及数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种异常监控方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的服务器的限定,可选地服务器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
需要说明的是,本申请实施例的执行主体可以是计算机设备,也可以是异常监控装置,下述方法实施例中就以计算机设备为执行主体进行说明。
在一个实施例中,如图2所示,其示出了本申请实施例提供的一种异常监控方法的流程图,该方法可以包括以下步骤:
步骤220、根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率。
其中,交易日志是业务交易***对所有交易事件的记录,在获取业务交易***在监控时间段的交易成功率时,可以通过业务交易***的交易日志获取到。交易日志中可以包括交易请求信息和交易返回信息,交易请求信息可以包括交易时间、交易名或交易码等信息,交易返回信息可以包括交易成功或交易失败信息、流水号、响应时间、上下游渠道等信息。可以通过预先设置交易日志埋点,将交易请求信息和交易返回信息按照固定格式输出到交易日志中,再通过统一收集交易日志,采用正则表达式字段提取算法提取计算交易成功率所需要的信息。在提取计算交易成功率所需要的信息时,还可以采用其他类型的字段提取算法,本实施例对此不作具体限定。
计算交易成功率需要的信息可以包括交易成功或交易失败信息、交易时间、交易名或交易码,将交易日志中提取的字段信息根据交易时间、交易名或交易码等信息进行聚合处理,从而可以计算得到监控时间段内的按交易名或交易码分组的交易成功率,从而可以得到一个采集周期T内的每个监控时间段的按交易名或交易码分组的交易成功率。具体计算时,可以针对采集周期T内的每个监控时间段t,通过获取某一个交易名或交易码的总交易请求数为Rt,该交易名或交易码的请求成功数为St,计算得到监控时间段t的交易成功率Yt为:Yt=St/Rt,那么对于t∈T,采集周期T内交易成功率集合为{Yt1,Yt2,Yt3,......}。
步骤240、获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征。
其中,时间特征用于表征监控时间段对应的交易成功率的时间特性,采集周期T内的时间特征集合Ft为{Ft1,Ft2,Ft3,......},时间特征可以包括周期性特征、节假日特征、特定日期特征等,还可以包括其他时间特征,例如,可以是不同交易的特殊时间等特征,本实施例对此不作具体限定。在获取到监控时间段对应的时间特征后,可以将该时间特征输入预设的门限预测模型中,从而计算得到监控时间段对应的成功率阈值门限。成功率阈值门限是预测得到的正常交易成功率,成功率阈值门限可以是一个数值,也可以包括成功率阈值上限及成功率阈值下限,从而形成的范围区间,范围区间可以是成功率阈值上限与成功率阈值下限之间的范围,也可以是成功率阈值上限以上、成功率阈值下限以下的范围。
门限预测模型为采用交易样本进行训练获得的,交易样本可以包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征,通过将历史交易成功率以及对应的历史时间特征输入至初始门限预测模型中进行学习,从而训练得到门限预测模型,门限预测模型可以记作model.fit(Ft,Yt)。
步骤260、根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。
其中,可以将采集到的交易成功率与门限预测模型预测得到的成功率阈值门限进行比较,从而可以根据比较结果确定业务交易***在监控时间段内的运行状态,业务交易***在监控时间段内的运行状态可以包括正常状态、异常状态。例如,成功率阈值门限为一个数值,则可以根据交易成功率与该数值的比较结果确定业务交易***在监控时间段内的运行状态;成功率阈值门限也可以为成功率阈值上限及成功率阈值下限形成的范围区间,则可以根据交易成功率与该范围区间的比较结果确定业务交易***在监控时间段内的运行状态。
本实施例中,通过根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。与传统方法相比,由于设置的成功率阈值门限可以包括成功率阈值上限和成功率阈值下限,从而可以根据业务交易***在不同时间段的业务特征,形成对应的监控区间,再根据交易成功率与成功率阈值门限的比较结果对业务交易***的异常进行监控,从而提高了对业务***异常的监控准确度。
在一个实施例中,如图3所示,其示出了本申请实施例提供的一种异常监控方法的流程图,具体涉及的是生成门限预测模型的一种可能的过程,该方法可以包括以下步骤:
步骤320、获取历史监控时间段对应的历史时间特征。
步骤340、根据历史交易成功率,确定历史监控时间段对应的样本门限。
步骤360、将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。
其中,在对门限预测模型训练时,需要采用历史交易成功率数据,因而需要获取历史监控时间段对应的历史时间特征,可选地,时间特征可以包括周期性特征、节假日特征、特定日期特征中的至少一个,可以通过特征提取与分析方法得到历史交易成功率对应的历史时间特征。在提取历史时间特征之前,还可以对历史交易成功率进行数据预处理,例如数据格式转换、数据清洗等预处理过程,也可以包括其他预处理过程,从而对预处理后的交易成功率进行特征提取与分析,得到历史交易成功率对应的历史时间特征。
再根据历史交易成功率确定历史监控时间段对应的样本门限,将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,从而通过初始门限预测模型输出对应的预测成功率阈值门限与参考输出比较后,对初始门限预测模型的参数进行更新,从而根据更新后的模型参数生成门限预测模型。初始门限预测模型输出的成功率阈值门限与参考输出进行比较对初始门限预测模型的参数进行更新时,可以通过求解预设的损失函数值,采用梯度下降算法或其他算法对模型参数进行更新。门限预测模型可以是随机森林回归模型,还可以是其他类型的机器学习模型,本实施例对此不作具体限定。
本实施例中,通过获取历史监控时间段对应的历史时间特征,根据历史交易成功率,确定历史监控时间段对应的样本门限,将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。通过样本门限与预测门限对模型参数进行更新,提高了对门限预测模型的训练效率。
在一个实施例中,如图4所示,其示出了本申请实施例提供的一种异常监控方法的流程图,具体涉及的是获得样本门限的一种可能的过程,该方法可以包括以下步骤:
步骤420、根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常。
步骤440、若否,则将历史交易成功率输入预设算法,获得历史监控时间段对应的样本门限。
其中,在根据历史交易成功率确定历史监控时间段对应的样本门限时,可以先根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常。若业务交易***在历史监控时刻不是异常运行状态,则可以直接将历史交易成功率输入预设算法,从而计算得到历史监控时间段对应的样本门限。若业务交易***在历史监控时刻是异常运行状态,可选地,如图5所示,其示出了本申请实施例提供的一种异常监控方法的流程图,具体涉及的是获得样本门限的另一种可能的过程,该方法可以包括以下步骤:
步骤520、若业务交易***在历史监控时刻被判定为运行状态异常,则对交易样本进行校正,获得历史监控时间段的校正成功率。
步骤540、将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。
其中,若业务交易***在历史监控时刻被判定为运行状态异常,则需要对交易样本进行校正处理,从而得到历史监控时间段的校正成功率,校正成功率是业务交易***在正常运行状态下的交易成功率,从而将校正成功率输入预设算法,计算得到历史监控时间段对应的样本门限。上述预设算法可以是Prophet算法,即时间序列预测算法,当然还可以是其他可以计算样本门限的算法,本实施例对此不作具体限定。
在获取历史监控时间段的校正成功率时,可选地,如图6所示,其示出了本申请实施例提供的一种异常监控方法的流程图,具体涉及的是生成校正成功率的另一种可能的过程,该方法可以包括以下步骤:
步骤620、获取监控***在历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限。
步骤640、根据成功率阈值上限和成功率阈值下限,确定校正成功率;校正成功率为成功率阈值上限和成功率阈值下限之间的值。
其中,上述成功率阈值门限可以包括成功率阈值上限和成功率阈值下限,通过获取监控***在历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限,从而可以根据成功率阈值上限和成功率阈值下限,确定校正成功率,校正成功率为成功率阈值上限和成功率阈值下限之间的值。校正成功率可以是在成功率阈值上限和成功率阈值下限之间任意选取的一个值,也可以是根据预设算法计算出来的一个值。
本实施例中,通过根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常,若否,则将历史交易成功率输入预设算法,获得历史监控时间段对应的样本门限;若是,则对交易样本进行校正,获得历史监控时间段的校正成功率,将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。由于对业务交易***异常下的历史交易成功率进行校正,从而提高了对门限预测模型训练的准确性。
在一个实施例中,若业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
其中,若业务交易***运行状态异常时,可以进一步地进行异常判断,只有在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。连续预设数量个监控时间段可以属于同一个采集周期内的时间段,也可以是属于连续多个采集周期内的时间段。连续预设数量可以根据历史经验人工设定,在确定业务交易***后,可以进行异常报警。可以将报警信息进行格式化处理,并调用报警通知平台外部邮件服务器、电话短信或webhook,实现邮件报警、电话短信报警或webhook报警,对用户进行通知,当然还可以是其他方式的报警,本申请实施例对此不作具体限定。通过对异常运行状态的业务交易***进行报警,可以使运维人员及时应对业务交易***的异常,从而保证业务交易***的可靠运行。
在一个实施例中,如图7所示,其示出了本申请实施例提供的一种异常监控方法的流程图,该方法可以包括以下步骤:
步骤701、应用交易日志文件。
获取业务交易***的交易日志。
步骤702、交易数据采集。
从交易日志中采集业务交易***的交易请求信息和交易返回信息。
步骤703、交易成功率数据。
根据交易请求信息和交易返回信息计算得到监控时间段的交易成功率。
步骤704、训练数据采集。
获取历史监控时间段对应的历史时间特征;根据历史交易成功率,确定历史监控时间段对应的样本门限。
步骤705、数据修正。
根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常;若业务交易***在历史监控时刻被判定为运行状态异常,则对交易样本进行校正,获得历史监控时间段的校正成功率;将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。
步骤706、模型训练。
将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。
步骤707、模型预测。
获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型。
步骤708、预测数据。
通过门限预测模型计算得到监控时间段对应的成功率阈值门限。
步骤709、监控逻辑判断。
若业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
步骤710、判断是否异常。
步骤711、告警输出。
将报警信息进行格式化处理,并调用报警通知平台外部邮件服务器、电话短信或webhook,实现邮件报警、电话短信报警或webhook报警,对用户进行通知。
本实施例提供的异常监控方法中各步骤,其实现原理和技术效果与前面各异常监控方法实施例中类似,在此不再赘述。图7实施例中各步骤的实现方式只是一种举例,对各实现方式不作限定,各步骤的顺序在实际应用中可进行调整,只要可以实现各步骤的目的即可。
在本申请实施例提供的技术方案中,由于设置的成功率阈值门限可以包括成功率阈值上限和成功率阈值下限,从而可以根据业务交易***在不同时间段的业务特征,形成对应的监控区间,再根据交易成功率与成功率阈值门限的比较结果对业务交易***的异常进行监控,从而提高了对业务***异常的监控准确度。
应该理解的是,虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-7中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
请参考图8,其示出了本申请实施例提供的一种异常监控装置800的框图。如图8所示,该异常监控装置800可以包括:第一获取模块802、第一计算模块804和第一确定模块806,其中:
第一获取模块802,用于根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率。
第一计算模块804,用于获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征。
第一确定模块806,用于根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。
在一个实施例中,上述异常监控装置800还包括第二获取模块808、第二确定模块810和训练模块812,其中:
第二获取模块808,用于获取历史监控时间段对应的历史时间特征。
第二确定模块810,用于根据历史交易成功率,确定历史监控时间段对应的样本门限。
训练模块812,用于将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。
在一个实施例中,上述第二确定模块810包括确定单元和计算单元,其中,确定单元用于根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常;计算单元用于若否,则将历史交易成功率输入预设算法,获得历史监控时间段对应的样本门限。
在一个实施例中,上述异常监控装置800还包括校正模块814和第二计算模块816,其中:
校正模块814,用于若业务交易***在历史监控时刻被判定为运行状态异常,则对交易样本进行校正,获得历史监控时间段的校正成功率。
第二计算模块816,用于将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。
在一个实施例中,上述成功率阈值门限包括成功率阈值上限和成功率阈值下限,上述校正模块814包括获取单元和确定单元,其中,获取单元用于获取监控***在历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限;确定单元用于根据成功率阈值上限和成功率阈值下限,确定校正成功率;校正成功率为成功率阈值上限和成功率阈值下限之间的值。
在一个实施例中,上述时间特征包括周期性特征、节假日特征、特定日期特征中的至少一个。
在一个实施例中,上述异常监控装置800还包括报警模块818,报警模块818用于若业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
关于异常监控装置的具体限定可以参见上文中对于异常监控方法的限定,在此不再赘述。上述异常监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块的操作。
在本申请的一个实施例中,提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征;根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取历史监控时间段对应的历史时间特征;根据历史交易成功率,确定历史监控时间段对应的样本门限;将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常;若否,则将历史交易成功率输入预设算法,获得历史监控时间段对应的样本门限。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
若业务交易***在历史监控时刻被判定为运行状态异常,则对交易样本进行校正,获得历史监控时间段的校正成功率;将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。
在本申请的一个实施例中,成功率阈值门限包括成功率阈值上限和成功率阈值下限;
处理器执行计算机程序时还实现以下步骤:
获取监控***在历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限;根据成功率阈值上限和成功率阈值下限,确定校正成功率;校正成功率为成功率阈值上限和成功率阈值下限之间的值。
在本申请的一个实施例中,时间特征包括周期性特征、节假日特征、特定日期特征中的至少一个。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:
若业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在本申请的一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据业务交易***的交易日志,获取业务交易***在监控时间段的交易成功率;获取监控时间段对应的时间特征,并将时间特征输入预设的门限预测模型,获得监控时间段对应的成功率阈值门限;门限预测模型为采用交易样本进行训练获得的;交易样本包括业务交易***在历史监控时间段的历史交易成功率,以及历史监控时间段对应的历史时间特征;根据交易成功率与成功率阈值门限的比较结果,确定业务交易***在监控时间段内的运行状态。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史监控时间段对应的历史时间特征;根据历史交易成功率,确定历史监控时间段对应的样本门限;将历史时间特征作为初始门限预测模型的参考输入,将样本门限作为初始门限预测模型的参考输出,根据预设的损失函数对初始门限预测模型进行训练,获得门限预测模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据历史异常监控结果,确定业务交易***在历史监控时刻是否被判定为运行状态异常;若否,则将历史交易成功率输入预设算法,获得历史监控时间段对应的样本门限。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若业务交易***在历史监控时刻被判定为运行状态异常,则对交易样本进行校正,获得历史监控时间段的校正成功率;将校正成功率输入预设算法,获得历史监控时间段对应的样本门限。
在本申请的一个实施例中,成功率阈值门限包括成功率阈值上限和成功率阈值下限;
计算机程序被处理器执行时还实现以下步骤:
获取监控***在历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限;根据成功率阈值上限和成功率阈值下限,确定校正成功率;校正成功率为成功率阈值上限和成功率阈值下限之间的值。
在本申请的一个实施例中,时间特征包括周期性特征、节假日特征、特定日期特征中的至少一个。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常监控方法,其特征在于,所述方法包括:
根据业务交易***的交易日志,获取所述业务交易***在监控时间段的交易成功率;
获取所述监控时间段对应的时间特征,并将所述时间特征输入预设的门限预测模型,获得所述监控时间段对应的成功率阈值门限;所述门限预测模型为采用交易样本进行训练获得的;所述交易样本包括所述业务交易***在历史监控时间段的历史交易成功率,以及所述历史监控时间段对应的历史时间特征;
根据所述交易成功率与所述成功率阈值门限的比较结果,确定所述业务交易***在所述监控时间段内的运行状态。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述历史监控时间段对应的历史时间特征;
根据所述历史交易成功率,确定所述历史监控时间段对应的样本门限;
将所述历史时间特征作为初始门限预测模型的参考输入,将所述样本门限作为所述初始门限预测模型的参考输出,根据预设的损失函数对所述初始门限预测模型进行训练,获得所述门限预测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述历史交易成功率,确定所述历史监控时间段对应的样本门限,包括:
根据历史异常监控结果,确定所述业务交易***在所述历史监控时刻是否被判定为运行状态异常;
若否,则将所述历史交易成功率输入预设算法,获得所述历史监控时间段对应的样本门限。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述业务交易***在所述历史监控时刻被判定为运行状态异常,则对所述交易样本进行校正,获得所述历史监控时间段的校正成功率;
将所述校正成功率输入所述预设算法,获得所述历史监控时间段对应的样本门限。
5.根据权利要求4所述的方法,其特征在于,所述成功率阈值门限包括成功率阈值上限和成功率阈值下限,所述对所述交易样本进行校正,获得所述历史监控时间段的校正成功率,包括:
获取监控***在所述历史监控时间段进行异常监控时采用的成功率阈值上限和成功率阈值下限;
根据所述成功率阈值上限和所述成功率阈值下限,确定所述校正成功率;所述校正成功率为所述成功率阈值上限和所述成功率阈值下限之间的值。
6.根据权利要求1-5任一项所述的方法,其特征在于,时间特征包括周期性特征、节假日特征、特定日期特征中的至少一个。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法还包括:
若所述业务交易***在连续预设数量个监控时间段内的运行状态均为异常,则发送***异常报警。
8.一种异常监控装置,其特征在于,所述装置包括:
第一获取模块,用于根据业务交易***的交易日志,获取所述业务交易***在监控时间段的交易成功率;
第一计算模块,用于获取所述监控时间段对应的时间特征,并将所述时间特征输入预设的门限预测模型,获得所述监控时间段对应的成功率阈值门限;所述门限预测模型为采用交易样本进行训练获得的;所述交易样本包括所述业务交易***在历史监控时间段的历史交易成功率,以及所述历史监控时间段对应的历史时间特征;
第一确定模块,用于根据所述交易成功率与所述成功率阈值门限的比较结果,确定所述业务交易***在所述监控时间段内的运行状态。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,其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权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907896.1A CN113723956A (zh) | 2021-08-09 | 2021-08-09 | 异常监控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110907896.1A CN113723956A (zh) | 2021-08-09 | 2021-08-09 | 异常监控方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723956A true CN113723956A (zh) | 2021-11-30 |
Family
ID=78675149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110907896.1A Pending CN113723956A (zh) | 2021-08-09 | 2021-08-09 | 异常监控方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723956A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114385667A (zh) * | 2022-01-12 | 2022-04-22 | 中国银行股份有限公司 | 一种交易监控方法及装置 |
CN115442214A (zh) * | 2022-09-02 | 2022-12-06 | 中国工商银行股份有限公司 | 业务异常排障方法、装置、设备、存储介质和程序产品 |
CN115802199A (zh) * | 2022-10-26 | 2023-03-14 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
CN117037388A (zh) * | 2023-10-09 | 2023-11-10 | 杭银消费金融股份有限公司 | 一种金融自助终端控制方法以及金融自助终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204894A (zh) * | 2017-05-18 | 2017-09-26 | 华为技术有限公司 | 网络业务质量的监控方法及装置 |
CN108537544A (zh) * | 2018-04-04 | 2018-09-14 | 中南大学 | 一种交易***实时监控方法及其监控*** |
CN110008049A (zh) * | 2019-03-29 | 2019-07-12 | 广州接点智能科技有限公司 | 一种基于互联网平台的数据修正方法、终端设备及介质 |
CN110634081A (zh) * | 2019-08-02 | 2019-12-31 | 国网四川省电力公司映秀湾水力发电总厂 | 一种水电站异常数据的处理方法及装置 |
CN110727533A (zh) * | 2019-09-26 | 2020-01-24 | 华青融天(北京)软件股份有限公司 | 一种告警的方法、装置、设备和介质 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机***有限公司 | 动态阈值异常检测方法、***、存储介质及智能设备 |
CN112835769A (zh) * | 2021-02-24 | 2021-05-25 | 北京顶象技术有限公司 | 一种业务数据异常诊断方法、装置、设备及存储介质 |
-
2021
- 2021-08-09 CN CN202110907896.1A patent/CN113723956A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107204894A (zh) * | 2017-05-18 | 2017-09-26 | 华为技术有限公司 | 网络业务质量的监控方法及装置 |
CN108537544A (zh) * | 2018-04-04 | 2018-09-14 | 中南大学 | 一种交易***实时监控方法及其监控*** |
CN110008049A (zh) * | 2019-03-29 | 2019-07-12 | 广州接点智能科技有限公司 | 一种基于互联网平台的数据修正方法、终端设备及介质 |
CN110634081A (zh) * | 2019-08-02 | 2019-12-31 | 国网四川省电力公司映秀湾水力发电总厂 | 一种水电站异常数据的处理方法及装置 |
CN110727533A (zh) * | 2019-09-26 | 2020-01-24 | 华青融天(北京)软件股份有限公司 | 一种告警的方法、装置、设备和介质 |
CN110807024A (zh) * | 2019-10-12 | 2020-02-18 | 广州市申迪计算机***有限公司 | 动态阈值异常检测方法、***、存储介质及智能设备 |
CN112835769A (zh) * | 2021-02-24 | 2021-05-25 | 北京顶象技术有限公司 | 一种业务数据异常诊断方法、装置、设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114385667A (zh) * | 2022-01-12 | 2022-04-22 | 中国银行股份有限公司 | 一种交易监控方法及装置 |
CN115442214A (zh) * | 2022-09-02 | 2022-12-06 | 中国工商银行股份有限公司 | 业务异常排障方法、装置、设备、存储介质和程序产品 |
CN115802199A (zh) * | 2022-10-26 | 2023-03-14 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
CN115802199B (zh) * | 2022-10-26 | 2023-09-22 | 北京力控元通科技有限公司 | 报警门限的确定方法、装置、电子设备及可读存储介质 |
CN117037388A (zh) * | 2023-10-09 | 2023-11-10 | 杭银消费金融股份有限公司 | 一种金融自助终端控制方法以及金融自助终端 |
CN117037388B (zh) * | 2023-10-09 | 2024-01-12 | 杭银消费金融股份有限公司 | 一种金融自助终端控制方法以及金融自助终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723956A (zh) | 异常监控方法、装置、设备及存储介质 | |
CN108876133B (zh) | 基于业务信息的风险评估处理方法、装置、服务器和介质 | |
CN109583758B (zh) | 监察***的预警规则修正方法、装置和计算机设备 | |
CN110941555B (zh) | 测试用例推荐方法、装置、计算机设备和存储介质 | |
CN109992473B (zh) | 应用***的监控方法、装置、设备及存储介质 | |
CN110837956A (zh) | 地下电缆巡检任务分配方法和装置 | |
CN113419950A (zh) | Ui自动化脚本的生成方法、装置、计算机设备及存储介质 | |
CN111679953B (zh) | 基于人工智能的故障节点识别方法、装置、设备和介质 | |
CN110674149B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN110866634A (zh) | 基于模型选择的地下电缆故障预警方法和装置 | |
CN108763002A (zh) | 基于机器学习预测cpu故障的方法及*** | |
CN111382944A (zh) | 作业行为风险识别方法、装置、计算机设备和存储介质 | |
CN110838940B (zh) | 地下电缆巡检任务配置方法和装置 | |
CN111885181A (zh) | 监控数据上报方法、装置、计算机设备及存储介质 | |
CN111898035A (zh) | 基于物联网的数据处理策略配置方法、装置和计算机设备 | |
CN110889357A (zh) | 基于标注区域的地下电缆故障检测方法和装置 | |
CN114242196B (zh) | 临床医疗记录自动生成方法和装置 | |
CN113535449B (zh) | 异常事件修复处理方法、装置、计算机设备及存储介质 | |
CN111783486B (zh) | 一种读卡器设备的维护预警方法及装置 | |
CN114944942A (zh) | 一种基于有效埋点的数据上报方法、装置、计算机设备及介质 | |
CN110704218B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN112000428A (zh) | 基于机器学习的jvm调优方法、装置和电子装置 | |
CN112860527A (zh) | 应用服务器的故障监测方法及装置 | |
CN113407422B (zh) | 数据异常告警处理方法、装置、计算机设备和存储介质 | |
CN110969430A (zh) | 可疑用户的识别方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |