CN113902334A - 一种事件异常波动检测方法、***、电子设备及存储介质 - Google Patents

Abstract

本发明涉及一种事件异常波动检测方法、***、电子设备及存储介质。检测方法包括：获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数；根据历史数据在时间序列上的周期性确定相对应的预测模型；基于预测模型，根据历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；根据预测数据判断实际数据是否异常；若实际数据异常，则判定预设时刻后出现事件异常波动。本方案通过历史数据和相应的历史事件参数实现对于被监控指标的数据预测，并通过被监控指标的实际数据来确定预测数据的异常情况，一旦出现预测数据与实际数据不匹配的情况，则说明此时事件参数发生了变化。

Description

一种事件异常波动检测方法、***、电子设备及存储介质

技术领域

本发明涉及数据检测技术领域，尤其涉及一种事件异常波动检测方法、***、电子设备及存储介质。

背景技术

每天我们都会面对各种各样的数据指标，可以是关注的一些核心数据指标诸如DAU、MAU(日活用户数、月活用户数)等，也可以是一个接口的成功率、响应时间等，指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。

当我们关注的这些数据指标发生异常的波动(骤增或者骤降)，需要及早定位到异常波动发生的原因，以实现对于潜在风险的规避，提高用户粘性，比如，对于大部分软件***来说，引起日活用户数波动的原因当中，大部分都是由于一些外部事件引起的，比如说：上线新版本、各种假期这些事件会影响到用户的使用，导致日活数出现波动，但是由于数据指标的统计就是一个会出现波动的过程，若是在数据指标发生异常波动时，没有及时的发现数据指标发生异常波动并进行相应的改善，小问题也会逐渐演变成大问题。

发明内容

为了解决现有技术存在的无法确定指标是否发生异常波动的问题，本发明的至少一个实施例提供了一种事件异常波动检测方法、***、电子设备及存储介质。

第一方面，本发明实施例提供了一种事件异常波动检测方法，所述检测方法包括：

获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数；

根据所述历史数据在时间序列上的周期性确定相对应的预测模型；

基于所述预测模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

获取预设时刻后被监控指标在预设时长内的实际数据，根据所述预测数据判断所述实际数据是否异常；

若所述实际数据异常，则判定预设时刻后出现事件异常波动。

基于上述技术方案，本发明实施例还可以做出如下改进。

结合第一方面，在第一方面的第一种实施例中，所述根据所述历史数据在时间序列上的周期性确定相对应的预测模型，包括：

根据所述历史数据在时间序列上的变化，判断所述历史数据是否具有周期性；

若所述历史数据具有周期性，则基于周期算法模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

若所述历史数据不具有周期性，则基于非周期性算法模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

结合第一方面，在第一方面的第二种实施例中，所述根据所述预测数据判断所述实际数据是否异常，包括：

计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度；

判断所述相似度是否大于或等于预设相似度阈值；

若所述相似度大于或等于预设相似度阈值，则所述实际数据未异常；

若所述相似度小于预设相似度阈值，则所述实际数据异常。

结合第一方面的第二种实施例，在第一方面的第三种实施例中，所述计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度，包括：

基于动态时间归整算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第一距离值；

根据所述第一距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度。

结合第一方面的第二种实施例，在第一方面的第四种实施例中，所述计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度，包括：

基于欧氏距离算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第二距离值；

根据所述第二距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度。

结合第一方面的第二种实施例，在第一方面的第五种实施例中，所述计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度，包括：

基于动态时间归整算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第一距离值；

基于欧氏距离算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第二距离值；

计算所述第一距离值与所述第二距离值的相对偏差值，并判断所述相对偏差值是否大于预设阈值；

当所述相对偏差值大于预设阈值时，根据所述第一距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度；

当所述相对偏差值小于或等于预设阈值时，根据所述第二距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度。

结合第一方面或第一方面的第一、第二、第三、第四或第五种实施例，在第一方面的第六种实施例中，所述检测方法还包括：

当所述实际数据异常时，获取预设时刻后预设时长内的实际数据和实际事件参数；所述实际数据为与预设时刻前相比参数发生变化的事件的数据；所述实际事件参数为与预设时刻前相比参数发生变化的事件的参数；

将所述实际数据补入所述历史数据中形成新的所述历史数据；并将所述实际事件参数补入所述历史事件参数中形成新的所述历史事件参数；

根据所述历史数据和所述历史数据对应的历史事件参数，重新预测得到预设时刻后被监控指标在预设时长内的二次预测数据；

根据所述二次预测数据判断所述实际数据是否异常；

若所述实际数据未异常，则将所述实际数据和所述实际事件参数对应的事件作为异常事件；

若所述实际数据异常，则所述实际数据和所述实际事件参数对应的事件未异常。

第二方面，本发明实施例提供了一种事件异常波动检测***，所述检测***包括：

第一获取单元，用于获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数；

预测单元，用于根据所述历史数据在时间序列上的周期性确定相对应的预测模型；基于所述预测模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

第二获取单元，用于获取预设时刻后被监控指标在预设时长内的实际数据；

判断单元，用于根据所述预测数据判断所述实际数据是否异常；若所述实际数据异常，则判定预设时刻后出现事件异常波动。

第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面中任一所述的事件异常波动检测方法。

第四方面，本发明实施例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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一所述的事件异常波动检测方法。

本发明的上述技术方案与现有技术相比具有如下优点：本方案通过历史数据和相应的历史事件参数实现对于被监控指标的数据预测，并通过被监控指标的实际数据来确定预测数据的异常情况，一旦出现预测数据与实际数据不匹配的情况，则说明此时事件参数发生了变化，进一步的，预测数据和实际数据不匹配，说明被监控指标发生异常变化，若是历史事件参数在预设时刻前后保持相对稳定，则说明并不是历史事件参数对应的事件发生了变化，而是出现了其他事件导致了被监控指标出现了变化，方便用户及时知晓是出现了能对被监控指标产生影响、且没有被关注的事件，减少工作人员的排查工作量，减低突发事件的影响。

附图说明

图1是本发明实施例提供的一种事件异常波动检测方法流程示意图；

图2是本发明另一实施例提供的一种事件异常波动检测方法流程示意图；

图3是本发明又一实施例提供的一种事件异常波动检测方法流程示意图其一；

图4是本发明又一实施例提供的一种相似度计算方法流程示意图其一；

图5是本发明又一实施例提供的一种相似度计算方法流程示意图其二；

图6是本发明又一实施例提供的一种相似度计算方法流程示意图其三；

图7是本发明又一实施例提供的一种事件异常波动检测方法流程示意图其二；

图8是本发明又一实施例提供的一种事件异常波动检测***结构示意图；

图9是本发明又一实施例提供的一种电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明实施例提供的为实现本发明各个实施例的一种***的结构示意图，包括终端，终端包括：处理器1110和存储器1130，其中，终端可以是诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(PersonalDigitalAssistant，PDA)、便捷式媒体播放器(PortableMediaPlayer，PMP)、导航装置、可穿戴设备、智能手环、计步器等移动终端，以及诸如数字TV、台式计算机等固定终端。

如图1所示，本发明实施例提供了一种事件异常波动检测方法。参照图1所示，检测方法包括如下步骤：

S11、获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数。

在本实施例中，被监控指标可以是我们比较关心的数据指标，比如，日活户数、月活用户数、某段视频的播放数、某个话题的热度，而这些指标都会因为外部事件的影响而发生波动，比如，上线新版本、假期、营销推广力度；这些事件的变化和数据的变化息息相关。

在本实施例中，获取预设时刻之前的历史数据和历史数据对应的历史事件参数，比如，针对日活用户数，我们经过检测发现上线新版本、假期、营销推广力度等等这些事件都会对他产生一定的影响，在本步骤中获取得到预设时刻前的历史数据和历史数据对应的历史事件参数。

S12、根据历史数据在时间序列上的周期性确定相对应的预测模型。

在本实施例中，若历史数据在时间序列上具备周期性，则可以根据历史数据的周期规律，确定出周期性模型，比如，可以直接根据历史数据在时间序列中的变化绘制相应的曲线图，并根据相应的周期生成历史数据的变化情况图，将改历史数据的变化情况图作为预测模型，并由此确定出不同时间点对应的历史数据；当然，也可以根据历史数据在时间序列中的变化情况拟合出对应的计算公式，将改计算公式作为本方案中的预测模型，预测不同时间点对应的历史数据。

在本实施中，若历史数据在时间序列上不具备周期性，则说明改历史数据会因为当前情况的影响而产生不同的变化，此时，则需要深度学习该历史数据在时间序列上的对应情况，比如，依托于大数据挖掘，采用机器学习算法学习历史数据与不同情况内部的关联关系，进而得到可以预测历史数据的预测模型，比如，可以通过深度卷积神经网络构建所述预测模型，并通过大量的历史数据对预测模型进行训练，还可以通过向量机、决策树、隐马尔科夫模型构建预测模型，并通过大量的历史数据进行进一步训练。

S13、基于所述预测模型，根据历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，由于历史数据和历史数据对应的历史事件参数之间存在相应的关联关系，常见的可以通过大数据统计检测的方式对各种关心的数据进行预测，比如，视频点击量和视频的推广力度、视频内容分类、视频的热度等参数都呈相关性，而不同事件的参数是否会对相应的数据产生影响都是可以从日常的数据变化情况中直接得出来，我们通过历史数据来预测后续的数据，通过将预测的数据与实际数据相比，即可确定是否出现了事件波动，不单单局限于历史事件参数对应的事件，比如，若是历史事件参数和预设时刻后预设时长内的事件参数一致，而预测数据与实际数据还是出现了差异，则说明并不是历史事件参数对应的事件发生变化导致实际数据出现变化，而是日常没有注意到的一些事件导致数据出现变化。

日常能被注意到的事件发生了变化，工作人员可以很快的知晓可能会出现的问题以及解决问题的方案，反倒是平时没有注意到的小细节对应的事件不容易被发现，比如，在日常的使用过程中，服务器的访问带宽都是处于一个相对稳定的状态，所以在通过事件参数预测相应的数据时，可能不会考虑到服务器的访问带宽的情况，此时，若访问带宽出现了小问题，就会导致一部分用户可能无法访问服务器的情况，从而进一步影响到其他数据，比如，视频的访问量，用户使用反馈评价等数据，我们的目的是确定出现了事件异常，以避免小问题变成大问题，所以，在本步骤中，通过历史数据和历史数据对应的历史事件参数。

在本实施例中，可以基于大数据的机器学习算法、基于向量机的线性规划预测以及更加深入的卷积神经网络得出在不同事件参数下的数据变化情况，所以，在本步骤中，可以基于历史数据和历史数据对应的历史事件参数训练得到相应的预测模型，通过预测模型以及预设时刻前的历史事件参数对预设时刻后预设时长内的数据变化进行预测，得到本步骤中的预测数据。

S14、获取预设时刻后被监控指标在预设时长内的实际数据，根据所述预测数据判断所述实际数据是否异常。

在本实施例中，在上述步骤中得到了预设时长内的预测数据后，实时获取预设时刻后被监控指标在预设时长内的实际数据，根据预测数据判断实际数据是否出现异常，比如，预测数据的与实际数据的相对偏差较小，则可以认为实际数据并未异常，或者，预测数据与实际数据的相似度较高，也可以认为实际数据并未异常，可以基于数据的属性来采用不同的方式判断预测数据是否异常，具体的，若预测数据和实际数据是具体的数值的话，可以采用相对偏差的方式来进行判断，比如，数据时日活用户数，日活用户数的预测数据是99万，而实际数据是100万，那预测数据和实际数据的相对偏差是百分之1，若设定的相对偏差阈值为百分之0.5，那就认定预测数据异常，而相对偏差阈值设定的越大，则认为数据出现异常的精度越小，反之，精度越大，同理，若预测数据是在预设时长内随时间变化的数据，可以采用计算预测数据与实际数据的相似度的方式来判断预测数据是否异常，当然，固定的数值也可以采用计算相似度的方式来确定实际数据是否异常，本方案在此进行举例说明，不做特别限定。

S15、若所述实际数据异常，则判定预设时刻后出现事件异常波动。

在本实施例中，若通过历史数据和历史事件参数得到预测数据确定实际数据未出现异常，则说明并未出现意料之外的事件发生；而当确定实际数据出现异常时，则说明预设时刻前与预设时刻后出现了事件异常波动，可以是某一项历史事件参数在预设时刻后发生了改变从而导致了预测数据与实际数据出现了差异。

当然，也可以是之前未监控的某一项事件的参数发生了改变导致预测数据和实际数据出现差异，具体的，可以通过确定每一项历史事件参数是否发生改变，确定是否是未监控的某一项事件的参数也会影响被关注的数据，比如，若是参与预测得到预测数据的各项历史事件参数在预设时刻后均并未发生改变，在预测模型准确的情况下，说明此时出现了其他的事件对于被关注的数据产生了影响，从而导致了预测数据和实际数据出现了差异，所以，此时可以发出警报，让用户及时进行处理，以减少潜在风险造成的影响。

在本实施例中，本方案基于被监控指标的历史数据和历史数据对应的历史事件参数，预测得到被监控指标的预测数据，根据预测得到的预测数据确定被监控指标的实际数据是否异常，并在实际数据异常后确定预设时刻后出现事件异常波动，本方案通过历史数据和相应的历史事件参数实现对于被监控指标的数据预测，并通过预测数据来确定被监控指标的实际数据的异常情况，一旦出现预测数据与实际数据不匹配的情况，则说明此时事件参数发生了变化，进一步的，还可以根据历史事件参数在预设时刻后是否发生变化，来确定参数发生变化的事件是否是历史事件参数对应的事件，方便用户及时知晓是出现了能对被监控指标产生影响、且没有被关注的事件，减少工作人员的排查工作量，减低突发事件的影响。

如图2所示，本发明实施例提供了一种事件异常波动检测方法。参照图2所示，检测方法包括如下步骤：

S21、获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数。

在本实施例中，有关步骤S21，详细可参见步骤S11中的描述，本实施例在此不再赘述。

S22、根据历史数据在时间序列上的变化，判断历史数据是否具有周期性。

在本实施例中，时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列，本方案根据历史数据在时间序列上的变化情况，来确定历史数据是否具有周期性，由于有周期性的历史数据在不同的历史事件参数下会发生相应的变化，所以，随着时间变化，事件参数也会有一定周期性，根据历史事件参数可以得到预测事件参数，由预测事件参数来得到预测数据，而不具备周期性的历史数据只能由大数据的机器学习算法，比如卷积神经网络来汇总数据训练模型，向模型输入数据来得到输出结果进行数据预测。

在本实施例中，判断数据在时间序列上的变化情况是否具有周期性，可以通过现有技术中提供的方法实现，本方案对此不做特别限定。

S23a、若历史数据具有周期性，则基于周期算法模型，根据历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，在历史数据具有周期性的情况下，可以基于周期算法，根据历史数据和历史数据对应的历史事件参数构建周期算法模型，并预测得到预设时刻后预设时长内的被监控指标的实际数据。

在本实施例中，周期算法可以是ARIMA模型(Autoregressive Integrated MovingAverage model)，差分整合移动平均自回归模型，又称整合移动平均自回归模型(移动也可称作滑动)，是时间序列预测检测方法之一；还可以是SARIMAX算法，SARIMAX是在差分移动自回归模型(ARIMA)的基础上加上季节(S,Seasonal)和外部因素(X,eXogenous)，也就是说以ARIMA基础加上周期性和季节性，适用于时间序列中带有明显周期性和季节性特征的数据；由于历史数据具有周期性，还可以是时间序列预测方法，时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是，一方面承认事物发展的延续性，运用过去的时间序列数据进行统计检测，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计检测，并对数据进行适当处理，进行趋势预测。

在本实施例中，在历史数据具有周期性的情况下，通过周期算法，并将历史数据代入周期算法中，可以快速回归拟合出对应的公式或模型，进而完成对未来时刻的数据的预测。

不仅如此，数据若是具有周期性，在坐标系中将历史数据进行描绘，再拟合也可以快速去确定数据对应的公式或模型，可以避免机器学习算法的迭代耗时。

S23b、若历史数据不具有周期性，则基于非周期性算法模型，根据历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，在历史数据不具有周期性的情况下，可以基于非周期算法，根据历史数据和历史数据对应的历史时间参数构建非周期算法模型，并预测得到预设时刻后预设时长内的被监控指标的实际数据。

非周期算法可以是RNN算法，RNN算法即循环神经网络(Recurrent NeuralNetwork,RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neuralnetwork)；还可以是LSTM算法，LSTM算法即长短期记忆网络(LSTM，Long Short-TermMemory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式；还可以是CNN算法，CNN算法即卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学***移不变分类(shift-invariantclassification)，因此也被称为“平移不变人工神经网络(Shift-Invariant ArtificialNeural Networks,SIANN)。

在本实施例中，相较于数据具有周期性的情况，数据若是不具有周期性，对未来时刻的数据的预测是十分困难的，此时，只能通过机器学习算法进行迭代来对数据之间的关联性进行学习得到相应的模型，通过模型来实现对未来时刻的数据的预测；在本方案中，建立预测模型，将历史数据作为预测模型的输入和输出进行迭代训练，直至模型得到的预测结果与实际作为输出的历史数据的相对偏差小于预设误差时，认为预测模型训练完成，得到训练完成的预测模型。当然，历史数据具有周期性的情况，也可以使用非周期算法来构建历史数据对应的算法模型来进行预测。

S24、获取预设时刻后被监控指标在预设时长内的实际数据，根据预测数据判断实际数据是否异常。

在本实施例中，有关步骤S24，详细可参见步骤S14中的描述，本实施例在此不再赘述。

S25、若实际数据异常，则预设时刻后出现事件异常波动。

在本实施例中，有关步骤S25，详细可参见步骤S15中的描述，本实施例在此不再赘述。

在本实施例中，根据被监控指标的历史数据在时间序列上的变化情况，判断历史数据是否存在周期性，并根据历史数据是否存在周期性选用不同的算法构建模型实现对于被监控指标的的数据的预测，贴近被监控指标的数据特性，更快更高效的得到被监控指标的预测结果，提高模型预测结果的准确性，避免因预测结果错误导致的误判。

如图3所示，本发明实施例提供了一种事件异常波动检测方法。参照图3所示，检测方法包括如下步骤：

S31、获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数。

在本实施例中，有关步骤S31，详细可参见步骤S11中的描述，本实施例在此不再赘述。

S32、根据所述历史数据在时间序列上的周期性确定相对应的预测模型。

在本实施例中，有关步骤S32，详细可参见步骤S12中的描述，本实施例在此不再赘述。

S33、基于所述预测模型，根据历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，有关步骤S33，详细可参见步骤S13中的描述，本实施例在此不再赘述。

S34、获取预设时刻后被监控指标在预设时长内的实际数据。

在本实施例中，有关步骤S34，详细可参见步骤S14中的描述，本实施例在此不再赘述。

S35、计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

在本实施例中，时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。

在本实施例中，可以根据实际数据在时间序列上的变化构建第一向量，根据预测数据在时间序列上的变化构建第二向量，计算第一向量和第二向量的余弦值作为本步骤中的相似度，还可以计算第一向量和第二向量的欧式距离，根据欧式距离越小对应的相似度越大，确定本步骤中的相似度；还可以将实际数据在每个时间点上的数值和相对应的预测数据在每个时间点上的数值，基于动态时间归整算法计算得到相应的距离值，根据距离值越小对应的相似度越大，确定本步骤中的相似度。

S36、判断相似度是否大于或等于预设相似度阈值。

S37a、若相似度大于或等于预设相似度阈值，则实际数据未异常。

S37b、若相似度小于预设相似度阈值，则实际数据异常。

在本实施例中，实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度大于或等于预设相似度阈值，则说明基于历史数据和历史数据对应的历史事件参数预测得到的预测数据与实际数据相差不大，所以可以认为历史事件参数和其他可能出现异常的事件并未出现异常或变化。

S38、若实际数据异常，则预设时刻后出现事件异常波动。

在本实施例中，有关步骤S38，详细可参见步骤S15中的描述，本实施例在此不再赘述。

在本实施例中，本方案通过计算预测数据和实际数据在时间序列上的变化的相似度来确定预测得到的被监控指标的预测数据是否准确，在预测数据准确的情况下，可以说明历史事件参数对应的事件在预设时刻后并未出现变化，而且也未出现新的事件的参数改变导致预测数据改变。

如图4所示，针对步骤S35中计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度，本方案给出了一种相似度计算方法，计算方法包括如下步骤：

S41、基于动态时间归整算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第一距离。

在本实施例中，动态时间规整算法最初用于识别语音的相似性，它出现的目的也比较单纯，是一种衡量两个长度不同的时间序列的相似度的方法。比如，一次正确的发音应该包含构成该发音的全部音素以及正确的音素连接次序。其中各音素持续时间的长短与音素本身以及讲话人的状况有关。为了提高识别率，克服发同一音而发音时间长短的不同，采用对输入语音信号进行伸长或缩短直到与标准模式的长度一致，这个过程称为时间规整。由于时间规整算法在其他领域中也可以使用，主要是在模板匹配中，比如说用在孤立词语音识别(识别两段语音是否表示同一个单词)，手势识别，数据挖掘和信息检索等中。

为解释动态时间规整算法，可以参考如下例子，我们用数字表示音调高低，例如某个单词发音的音调为1-3-2-4。现在有两个人说这个单词，一个人在前半部分拖长，其发音为1-1-3-3-2-4；另一个人在后半部分拖长，其发音为1-3-2-2-4-4。现在要计算1-1-3-3-2-4和1-3-2-2-4-4两个序列的距离(距离越小，相似度越高)。因为两个序列代表同一个单词，我们希望算出的距离越小越好，这样把两个序列识别为同一单词的概率就越大。先用传统方法计算两个序列的欧式距离，即计算两个序列各个对应的点之间的距离之和|1-1|+|1-3|+|3-2|+|3-2|+|2-4|+|4-4|＝6；如果我们允许序列的点与另一序列的多个连续的点相对应(相当于把这个点所代表的音调的发音时间延长)，然后再计算对应点之间的距离之和|1-1|+|1-1|+|3-3|+|3-3|+|2-2|+|2-2|+|4-4|+|4-4|＝0；我们把这种“可以把序列某个时刻的点跟另一时刻多个连续时刻的点相对应”的做法称为时间规整。

具体来说，动态时间规整算法的步骤为：计算两个序列各个点之间的距离矩阵，然后寻找一条从矩阵左上角到右下角的路径，使得路径上的元素和最小。

在本实施例中，通过动态时间归整算法计算得到相应的实际数据和预测数据在时间序列上的距离，距离越小则说明实际数据和预测数据的相似度可能越高。

S42、根据第一距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

在本实施例中，由于第一距离值可以说明实际数据与预测数据在时间序列上的变化的相似度值，第一距离值越大，实际数据与预测数据在时间序列上的变化的相似度值越小，而第一距离值越小，实际数据与预测数据在时间序列上的变化的相似度值越大，所以，在本步骤中，可以对第一距离值求倒数作为实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度，也可以生成表单，针对不同的距离值分别设置相应的相似度值，根据得到的第一距离值从表单中获取到相应的相似度。

如图5所示，针对步骤S35中计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度，本方案给出了另一种相似度计算方法，计算方法包括如下步骤：

S51、基于欧氏距离算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第二距离值。

在本实施例中，在数学中，欧几里得距离或欧几里得度量是欧几里得空间中两点间“普通”(即直线)距离。使用这个距离，欧氏空间成为度量空间。

参考上述实施例中的描述，我们用数字表示音调高低，例如某个单词发音的音调为1-3-2-4。现在有两个人说这个单词，一个人在前半部分拖长，其发音为1-1-3-3-2-4；另一个人在后半部分拖长，其发音为1-3-2-2-4-4。现在要计算1-1-3-3-2-4和1-3-2-2-4-4两个序列的距离(距离越小，相似度越高)。因为两个序列代表同一个单词，我们希望算出的距离越小越好，这样把两个序列识别为同一单词的概率就越大。先用传统方法计算两个序列的欧式距离，即计算两个序列各个对应的点之间的距离之和|1-1|+|1-3|+|3-2|+|3-2|+|2-4|+|4-4|＝6；以上就是计算欧式距离的做法。

在本实施例中，相较于上述实施例中计算第一距离的动态时间归整算法，针对动态时间归整算法，不同的指标量纲不同，传统动态时间归整算法计算的两条曲线的距离无法设定一个统一的阈值来衡量距离的远近程度，本步骤中通过欧式距离算法计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第二距离值，通过欧式距离算法计算得到的距离值与动态时间归整算法一样，距离值越小相似度越高，但是欧式距离得到的距离值相较于动态时间归整算法得到的距离值会更大，也更容易出现误判。

S52、根据第二距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

在本实施例中，由于第二距离值可以说明实际数据与预测数据在时间序列上的变化的相似度值，第二距离值越大，实际数据与预测数据在时间序列上的变化的相似度值越小，而第二距离值越小，实际数据与预测数据在时间序列上的变化的相似度值越大，所以，在本步骤中，可以对第二距离值求倒数作为实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度，也可以生成表单，针对不同的距离值分别设置相应的相似度值，根据得到的第二距离值从表单中获取到相应的相似度。

如图6所示，针对步骤S35中计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度，本方案给出了另一种相似度计算方法，计算方法包括如下步骤：

S61、基于动态时间归整算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第一距离值。

在本实施例中，通过动态时间归整算法计算得到相应的实际数据和预测数据在时间序列上的距离，距离越小则说明实际数据和预测数据的相似度可能越高。

S62、基于欧氏距离算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第二距离值。

在本实施例中，相较于上述步骤中计算第一距离的动态时间归整算法，针对动态时间归整算法，不同的指标量纲不同，传统动态时间归整算法计算的两条曲线的距离无法设定一个统一的阈值来衡量距离的远近程度，本步骤中通过欧式距离算法计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第二距离值，通过欧式距离算法计算得到的距离值与动态时间归整算法一样，距离值越小相似度越高，但是欧式距离得到的距离值相较于动态时间归整算法得到的距离值会更大，也更容易出现误判。

S63、计算第一距离值与第二距离值的相对偏差值，并判断相对偏差值是否大于预设阈值。

在本实施例中，基于上述实施例中的表述可以得知，动态时间规整算法可以有效的避免欧式距离算法中出现的误判，但是动态时间规整算法也容易出现计算的距离值导致判断出两条不同的序列相似的情况，比如，1-7-2-4和1-2-7-4两个序列，通过动态时间规整算法计算得到的距离值是3，而通过欧式距离计算得到的距离值是10，相比较与欧式距离，动态时间规整算法计算得到的距离值十分小，这还是序列较短的情况下计算得到的距离值，序列的长度一旦增长，两者计算的差异也会随之扩大，所以一味的使用动态时间规整或者欧式距离都会有误判的风险存在。

在本实施例中，本方案综合动态时间归整算法和欧式距离算法，判断第一距离值和第二距离值的相对偏差是否大于预设阈值，若相对偏差较大，则说明第一距离值和第二距离值差异较大，根据动态事件归整算法的原理，此时，第一距离值更能用于说明实际数据和预测数据在时间序列上的相似度，若相对偏差较小，则说明第一距离值和第二距离值差异较小，此时基于欧氏距离算法计算得到的第二距离值更能用于说明实际数据和预测数据在时间序列上的相似度。

S64a、当相对偏差值大于预设阈值时，根据第一距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

S64b、当相对偏差值小于或等于预设阈值时，根据第二距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

在本实施例中，结合动态时间归整算法和欧式距离的计算方法导致的差异，根据第一距离值和第二距离值的相对偏差值与预设阈值的大小，在第一距离值和第二距离值差异较大时，说明由动态时间归整算法计算得到的距离值更能体现相似度，在第一距离值和第二距离值差异较小时，可以由欧式距离算法计算得到的距离值确定实际数据和预测数据在时间序列上的相似度。

在本实施例中，还可以通过计算第一距离值和第二距离值的比值，作为相似度的判断的依据，相较于DTW距离，规避了不同数据指标之间量纲的差别，实现对于不同数量级的数据的判断，比如，指标是时间的情况和指标是温度的情况，两个指标计算得到的欧式距离和动态时间规整算法的距离完全不是一个量级的，所以，可以通过计算第一距离值和第二距离值的比值，根据所述比值确定预测数据和实际数据的相似度，来规避了不同数据指标之间量纲的差别。

如图7所示，本发明实施例提供了一种事件异常波动检测方法。参照图7所示，检测方法包括如下步骤：

S71、获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数。

在本实施例中，有关步骤S71，详细可参见步骤S11中的描述，本实施例在此不再赘述。

S72、根据所述历史数据在时间序列上的周期性确定相对应的预测模型。

在本实施例中，有关步骤S72，详细可参见步骤S12中的描述，本实施例在此不再赘述。

S73、基于所述预测模型，根据历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，有关步骤S73，详细可参见步骤S13中的描述，本实施例在此不再赘述。

S74、获取预设时刻后被监控指标在预设时长内的实际数据，根据实际数据判断预测数据是否异常；

在本实施例中，有关步骤S74，详细可参见步骤S14中的描述，本实施例在此不再赘述。

S75、当所述实际数据异常时，获取预设时刻后预设时长内的实际数据和实际事件参数；所述实际数据为与预设时刻前相比参数发生变化的事件的数据；所述实际事件参数为与预设时刻前相比参数发生变化的事件的参数。

S76、将所述实际数据补入所述历史数据中形成新的所述历史数据；并将所述实际事件参数补入所述历史事件参数中形成新的所述历史事件参数；根据所述历史数据和所述历史数据对应的历史事件参数，重新预测得到预设时刻后被监控指标在预设时长内的二次预测数据。

在本实施例中，当确定了预测数据异常时，获取预设时刻后预设时长内与预设时刻前相比参数发生变化的事件的参数作为实际事件参数，若预测数据异常，在预测模型无误的情况下，说明出现了事件的参数发生了变化，由于事件的参数发生了变化导致实际数据与预测数据存在较大差异。

在本实施例中，当确定了预测数据异常时，将参数发生改变的事件的参数作为实际事件参数并补入历史事件参数中，通过历史数据和历史数据对应的新的历史事件参数，重新预测得到被监控指标在预设时长内的二次预测数据，预测得到二次预测数据的方式可以与上述实施例中得到预测数据的方式相同。

S77、根据二次预测数据判断实际数据是否异常。

在本实施例中，根据实际数据判断二次预测数据是否异常可以参考与上述实施例中根据实际数据判断预测数据是否异常的方式，本步骤不再赘述。

S78a、若实际数据未异常，则将实际事件参数对应的事件作为异常事件。

S78b、若所述实际数据异常，则所述实际数据和所述实际事件参数对应的事件未异常。

在本实施例中，若实际数据未异常，则说明确实是由于事件的参数发生了改变导致得到的预测数据与实际数据产生了差异，所以，可以将实际事件参数对应的事件作为异常事件，该异常事件不局限于历史事件参数对应的事件，还可以是其他在先未被观察到的事件对应的事件参数，在确定了异常事件后，可以方便用户及时针对性的进行处理，提高对于异常事件的防范能力。

本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。

如图8所示，本发明实施例提供了一种事件异常波动检测***，检测***包括：第一获取单元11、预测单元12、第二获取单元13和判断单元14。

在本实施例中，第一获取单元11，用于获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数。

在本实施例中，预测单元12，用于根据所述历史数据在时间序列上的周期性确定相对应的预测模型；基于所述预测模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，第二获取单元13，用于获取预设时刻后被监控指标在预设时长内的实际数据。

在本实施例中，判断单元14，用于根据所述预测数据判断所述实际数据是否异常；若所述实际数据异常，则判定预设时刻后出现事件异常波动。

在本实施例中，预测单元12，具体用于根据所述历史数据在时间序列上的变化，判断所述历史数据是否具有周期性；若所述历史数据具有周期性，则基于周期算法模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；若所述历史数据不具有周期性，则基于非周期性算法模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

在本实施例中，判断单元14，具体用于计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度；判断所述相似度是否大于或等于预设相似度阈值；若所述相似度大于或等于预设相似度阈值，则所述实际数据未异常；若所述相似度小于预设相似度阈值，则所述实际数据异常。

在本实施例中，事件异常波动检测***还包括：计算单元，用于基于动态时间归整算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第一距离值；根据第一距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

相比较于上述实施例，计算单元，还可以用于基于欧氏距离算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第二距离值；根据第二距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

相比较于上述实施例，计算单元，还可以用于基于动态时间归整算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第一距离值；基于欧氏距离算法，计算实际数据在时间序列上的变化与预测数据在时间序列上的变化的第二距离值；计算第一距离值与第二距离值的相对偏差值，并判断相对偏差值是否大于预设阈值；当相对偏差值大于预设阈值时，根据第一距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度；当相对偏差值小于或等于预设阈值时，根据第二距离值，得到实际数据在时间序列上的变化与预测数据在时间序列上的变化的相似度。

在本实施例中，时间异常波动检测***还包括：异常事件确定单元，用于当所述实际数据异常时，获取预设时刻后预设时长内的实际数据和实际事件参数；所述实际数据为与预设时刻前相比参数发生变化的事件的数据；所述实际事件参数为与预设时刻前相比参数发生变化的事件的参数；将所述实际数据补入所述历史数据中形成新的所述历史数据；并将所述实际事件参数补入所述历史事件参数中形成新的所述历史事件参数；根据所述历史数据和所述历史数据对应的历史事件参数，重新预测得到预设时刻后被监控指标在预设时长内的二次预测数据；根据所述二次预测数据判断所述实际数据是否异常；若所述实际数据未异常，则将所述实际数据和所述实际事件参数对应的事件作为异常事件；若所述实际数据异常，则所述实际数据和所述实际事件参数对应的事件未异常。

如图9所示，本发明实施例提供了一种电子设备，包括处理器1110、通信接口1120、存储器1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信；

存储器1130，用于存放计算机程序；

处理器1110，用于执行存储器1130上所存放的程序时，实现如下步骤：

获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数；

根据所述历史数据在时间序列上的周期性确定相对应的预测模型；

基于所述预测模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

获取预设时刻后被监控指标在预设时长内的实际数据，根据所述预测数据判断所述实际数据是否异常；

若所述实际数据异常，则判定预设时刻后出现事件异常波动。

本发明实施例提供的电子设备，处理器1110通过执行存储器1130上所存放的程序通过历史数据和相应的历史事件参数实现对于被监控指标的数据预测，并通过被监控指标的实际数据来确定预测数据的异常情况，一旦出现预测数据与实际数据不匹配的情况，则说明此时事件参数发生了变化，进一步的，还可以根据历史事件参数在预设时刻后是否发生变化来确定参数发生变化的事件是否是历史事件参数对应的事件，方便用户及时知晓是出现了能对被监控指标产生影响、且没有被关注的事件，减少工作人员的排查工作量，减低突发事件的影响。

上述电子设备提到的通信总线1140可以是外设部件互连标准(PeripheralComponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口1120用于上述电子设备与其他设备之间的通信。

存储器1130可以包括随机存取存储器1130(RandomAccessMemory，简称RAM)，也可以包括非易失性存储器1130(non-volatilememory)，例如至少一个磁盘存储器1130。可选的，存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。

上述的处理器1110可以是通用处理器1110，包括中央处理器1110(CentralProcessingUnit，简称CPU)、网络处理器1110(NetworkProcessor，简称NP)等；还可以是数字信号处理器1110(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器1110执行，以实现上述任一实施例的事件异常波动检测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk(SSD))等。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种事件异常波动检测方法，其特征在于，所述检测方法包括：

获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数；

根据所述历史数据在时间序列上的周期性确定相对应的预测模型；

基于所述预测模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

获取预设时刻后被监控指标在预设时长内的实际数据，根据所述预测数据判断所述实际数据是否异常；

若所述实际数据异常，则判定预设时刻后出现事件异常波动。

2.根据权利要求1所述的事件异常波动检测方法，其特征在于，所述根据所述历史数据在时间序列上的周期性确定相对应的预测模型，包括：

根据所述历史数据在时间序列上的变化，判断所述历史数据是否具有周期性；

若所述历史数据具有周期性，则基于周期算法模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

若所述历史数据不具有周期性，则基于非周期性算法模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据。

3.根据权利要求1所述的事件异常波动检测方法，其特征在于，所述根据所述预测数据判断所述实际数据是否异常，包括：

计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度；

判断所述相似度是否大于或等于预设相似度阈值；

若所述相似度大于或等于预设相似度阈值，则所述实际数据未异常；

若所述相似度小于预设相似度阈值，则所述实际数据异常。

4.根据权利要求3所述的事件异常波动检测方法，其特征在于，所述计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度，包括：

基于动态时间归整算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第一距离值；

根据所述第一距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度。

5.根据权利要求3所述的事件异常波动检测方法，其特征在于，所述计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度，包括：

基于欧氏距离算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第二距离值；

根据所述第二距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度。

6.根据权利要求3所述的事件异常波动检测方法，其特征在于，所述计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度，包括：

基于动态时间归整算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第一距离值；

基于欧氏距离算法，计算所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的第二距离值；

计算所述第一距离值与所述第二距离值的相对偏差值，并判断所述相对偏差值是否大于预设阈值；

当所述相对偏差值大于预设阈值时，根据所述第一距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度；

当所述相对偏差值小于或等于预设阈值时，根据所述第二距离值，得到所述实际数据在时间序列上的变化与所述预测数据在时间序列上的变化的相似度。

7.根据权利要求1～6中任一所述的事件异常波动检测方法，其特征在于，所述检测方法还包括：

当所述实际数据异常时，获取预设时刻后预设时长内的实际数据和实际事件参数；所述实际数据为与预设时刻前相比参数发生变化的事件的数据；所述实际事件参数为与预设时刻前相比参数发生变化的事件的参数；

将所述实际数据补入所述历史数据中形成新的所述历史数据；并将所述实际事件参数补入所述历史事件参数中形成新的所述历史事件参数；

根据所述历史数据和所述历史数据对应的历史事件参数，重新预测得到预设时刻后被监控指标在预设时长内的二次预测数据；

根据所述二次预测数据判断所述实际数据是否异常；

若所述实际数据未异常，则将所述实际数据和所述实际事件参数对应的事件作为异常事件；

若所述实际数据异常，则所述实际数据和所述实际事件参数对应的事件未异常。

8.一种事件异常波动检测***，其特征在于，所述检测***包括：

第一获取单元，用于获取预设时刻前被监控指标的历史数据和历史数据对应的历史事件参数；

预测单元，用于根据所述历史数据在时间序列上的周期性确定相对应的预测模型；基于所述预测模型，根据所述历史数据和历史数据对应的历史事件参数，预测得到预设时刻后被监控指标在预设时长内的预测数据；

第二获取单元，用于获取预设时刻后被监控指标在预设时长内的实际数据；

判断单元，用于根据所述预测数据判断所述实际数据是否异常；若所述实际数据异常，则判定预设时刻后出现事件异常波动。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1～7中任一所述的事件异常波动检测方法。

10.一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～7中任一所述的事件异常波动检测方法。

Images