CN116719698A - 一种指标异常原因的识别方法及装置 - Google Patents
一种指标异常原因的识别方法及装置 Download PDFInfo
- Publication number
- CN116719698A CN116719698A CN202310771352.6A CN202310771352A CN116719698A CN 116719698 A CN116719698 A CN 116719698A CN 202310771352 A CN202310771352 A CN 202310771352A CN 116719698 A CN116719698 A CN 116719698A
- Authority
- CN
- China
- Prior art keywords
- index
- monitoring
- determining
- rule tree
- abnormal
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012544 monitoring process Methods 0.000 claims abstract description 556
- 238000001514 detection method Methods 0.000 claims abstract description 157
- 230000002159 abnormal effect Effects 0.000 claims abstract description 145
- 239000013598 vector Substances 0.000 claims abstract description 116
- 238000010586 diagram Methods 0.000 claims description 44
- 230000002441 reversible effect Effects 0.000 claims description 35
- 238000010276 construction Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 29
- 230000001364 causal effect Effects 0.000 abstract description 12
- 238000004590 computer program Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000003379 elimination reaction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/323—Visualisation of programs or trace data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书一个或多个实施例提供了一种指标异常原因的识别方法及装置,该方法包括:若检测到目标监控指标存在异常,则获取对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;根据获取到的指标规则树,确定目标监控指标的异常原因。通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
Description
本发明专利申请是申请日为2019年5月6日、申请号为201910371172.2、名称为“一种指标异常原因的识别方法及装置”的中国发明专利申请的分案申请。
技术领域
本说明书一个或多个涉及计算机技术领域,尤其涉及一种指标异常原因的识别方法及装置。
背景技术
目前,随着计算机通信技术及互联网技术的快速发展,业务请求量也随之快速增长,应用程序在业务请求处理过程中将会出现响应异常的情况,针对该情况,通过设定多个监控指标来对应用程度的异常响应进行实时监控,当一个监控指标发生异常时,再通过找到与异常监控指标关联的其他指标,并通过关联指标分析,来定位引起监控指标异常的根本原因,从而指导解决应用程序的异常响应问题。
当前,在检测到某一监控指标发生异常后,相关技术人员凭借自身的经验,初步确定与异常监控指标关联度比较大的关联指标,再逐一排查从中寻找导致该监控指标异常的根本原因,在此过程中,需要人工进行异常原因逐一排查,存在耗时长、异常原因排查难度大的问题,并且确定异常监控指标的关联指标的过程主要凭借人为经验确定,降低了指标异常原因识别的准确度。
由此可知,需要提供一种识别效率高且准确度高的指标异常原因识别方案。
发明内容
本说明书一个或多个实施例的目的是提供一种指标异常原因的识别方法及装置,结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
为解决上述技术问题,本说明书一个或多个实施例是这样实现的:
本说明书一个或多个实施例提供了一种指标异常原因的识别方法,包括:
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例提供了一种指标异常原因的识别装置,包括:
检测结果获取模块,用于获取当前监控时间段目标监控指标的异常检测结果;
指标异常识别模块,用于根据所述异常检测结果,判断所述目标监控指标是否存在异常;
规则树获取模块,用于若判断结果为是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
异常原因确定模块,用于根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例提供了一种指标异常原因的识别设备,包括:处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例中的指标异常原因的识别方法及装置,若检测到目标监控指标存在异常,则获取对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;根据获取到的指标规则树,确定目标监控指标的异常原因。通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术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说明书一个或多个中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的指标异常原因的识别方法的第一种流程示意图;
图2为本说明书一个或多个实施例提供的指标异常原因的识别方法的第二种流程示意图;
图3为本说明书一个或多个实施例提供的指标异常原因的识别方法中特征向量确定过程的实现原理示意图;
图4为本说明书一个或多个实施例提供的指标异常原因的识别方法中指标关联图确定过程的实现原理示意图;
图5为本说明书一个或多个实施例提供的指标异常原因的识别方法中指标规则树确定过程的实现原理示意图;
图6为本说明书一个或多个实施例提供的指标异常原因的识别装置的第一种模块组成示意图;
图7为本说明书一个或多个实施例提供的指标异常原因的识别装置的第一种模块组成示意图;
图8为本说明书一个或多个实施例提供的指标异常原因的识别设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一个或多个一部分实施例,而不是全部的实施例。基于本说明书一个或多个中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书一个或多个保护的范围。
本说明书一个或多个实施例提供了一种指标异常原因的识别方法及装置,通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
图1为本说明书一个或多个实施例提供的指标异常原因的识别方法的第一种流程示意图,图1中的方法能够由异常检测服务器执行,如图1所示,该方法至少包括以下步骤:
S101,获取当前监控时间段目标监控指标的异常检测结果,其中,目标监控指标可以是物理层所涉及的硬件指标中任一项,还可以是网络层所涉及的调用指标中任一项,也可以是应用层所涉及的接口指标中任一项,又可以是业务层所涉及的业务指标中任一项;
具体的,通过预设指标异常检测方式实时对目标监控指标进行异常检测,生成相应的异常检测结果,其中,该异常检测结果包括:指标正常或指标异常两种,通过检测监控指标是否异常是通过数据量化监控对象的一种实现方式;
S102,根据获取到的异常检测结果,判断目标监控指标是否存在异常;
若判断结果为是,则S103,获取与目标监控指标对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
具体的,预先针对每个监控指标构建对应的指标规则树,如果检测到监控指标D存在异常,则获取预先针对监控指标D构建的指标规则树d;
S104,根据获取到的指标规则树,确定目标监控指标的异常原因;
具体的,指标规则树的根节点为目标监控指标,该指标规则树的分支节点对应的监控指标均为与目标监控指标关联度比较高的监控指标,其中,指标规则树的最末端叶子节点为根因所在,因此,在对应用程序运行情况进行实时监控时,若检测到某一监控指标存在异常,那么可以通过该异常监控指标的指标规则树快速查找引起该监控指标异常的关联指标,进一步的还可以实现导致监控指标异常的根本原因排查。
本说明书一个或多个实施例中,通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
其中,通过引入各监控指标的指标规则树,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,因此,需要预先针对每个监控指标构建对应的指标规则树,针对指标规则树的构建过程,如图2所示,在S101获取当前监控时间段目标监控指标的异常检测结果之前,还包括:
S105,针对监控指标集合中每个监控指标,获取该监控指标在历史监控时间段内各指标检测节点的异常检测结果,其中,该指标检测节点可以是按照预设时间间隔在历史监控时间段上选取的多个检测时刻,历史监控时间段可以比较长,对应的,指标检测节点的数量也可以比较多,实现基于大数据构建指标规则树,以便智能识别监控指标之间的关联关系;
具体的,针对历史监控时间段内每个检测时刻,通过预设指标异常检测方式对监控指标进行异常检测,生成相应的异常检测结果,其中,该异常检测结果包括:指标正常或指标异常两种;
S106,根据各指标检测节点的异常检测结果,确定该监控指标的特征向量,其中,每个监控指标分别对应于至少一个监控指标向量;
S107,利用向量相似度算法并基于各监控指标的特征向量,构建各监控指标分别对应的指标规则树;
具体的,先针对两两监控指标,基于同一历史时间段下的特征向量,计算监控指标之间的特征向量相似度,其中,由于特征向量相似度越大,指标关联程度越高,因此,将该特征向量相似度确定为指标关联度;再基于指标关联度和监控指标间层级关系,构建指标关联图,该指标关联图用于表征指标关联度大于预设阈值的多个监控指标间的关联关系;再利用相似度最大的反向搜索方式并基于该指标关联图,构建指标规则树,该指标规则树的分支节点为引起根节点异常的高层级指标。
其中,上述S106根据各指标检测节点的异常检测结果,确定该监控指标的特征向量,具体包括:
步骤一,针对每个指标检测节点,若该指标检测节点对应的异常检测结果表征指标正常,则将第一数值确定为该指标检测节点对应的特征值,若该指标检测节点对应的异常检测结果表征指标异常,则将第二数值确定为该指标检测节点对应的特征值,其中,第一数值可以是0,即监控指标正常,则特征值为0,第二数值可以是1,即监控指标异常,则特征值为1;
步骤二,按照各指标检测节点的先后顺序,将历史监控时间段内多个指标检测节点分别对应的特征值进行排序得到行向量;
步骤三,将针对监控指标确定出的行向量确定为该监控指标的特征向量;
具体的,针对每个监控指标,按照时间序列,将历史监控时间段内多个指标检测节点分别对应的特征值的集合组成的行向量即为该监控指标的检测结果特征向量。
在一个具体实施例中,如图3所示,历史监控时间段内多个指标检测节点分别为:节点1、节点2、节点3、节点4、节点5,如果针对某一监控指标在历史监控时间段内多个指标检测节点的异常检测结果分别为:指标正常、指标正常、指标异常、指标异常、指标正常;对应的,该监控指标对应的检测结果特征向量为X=[0,0,1,1,0];
其中,针对监控指标集合中多个监控指标,分别采集同一历史监控时间段内多个指标检测节点分别对应的异常检测结果,再基于采集到该历史监控时间段内的多个异常检测结果,确定各监控指标的特征向量X。
其中,上述S107利用向量相似度算法并基于各监控指标的特征向量,构建各监控指标分别对应的指标规则树,具体包括:
步骤一,利用向量相似度算法并基于各监控指标的特征向量,确定两两监控指标之间的指标关联度,其中,指标关联度越大,说明两两监控指标之间的因果相关性越高;
具体的,针对两两监控指标,利用向量相似度算法计算该两两监控指标之间的特性向量相似度,由于特征向量相似度能够反映监控指标之间的关联关系,将该特征向量相似度确定为两两监控指标之间的指标关联度,其中,指标关联度的取值范围为大于等于-1且小于等于1;
具体的,若两个监控指标的特征向量相同,则这两个监控指标之间的指标关联度为1,即在同一历史监控时间段内多个指标检测节点下针对这两个监控指标的异常检测结果均相同,这两个监控指标的异常检测结果同时正常或同时异常;若两个监控指标的特征向量相反,则这两个监控指标之间的指标关联度为-1,即在同一历史监控时间段内多个指标检测节点下针对这两个监控指标的异常检测结果均相反,这两个监控指标的异常检测结果为始终相反,即针对同一指标检测节点,一个监控指标为正常而另一个监控指标为异常;
步骤二,根据两两监控指标的指标关联度,确定监控指标集合对应的指标关联图,其中,该指标关联图为由指标关联度大于预设阈值的多个监控指标组成的有向图,两两监控指标之间的有向线段方向与监控指标间的层级关系有关;
具体的,根据两两监控指标的特征的向量的相似性,描述监控指标之间的关联关系,将关联度高的监控指标的关联关系通过有向图描绘出来;
步骤三,根据确定出的指标关联图,分别确定监控指标集合中各监控指标的指标规则树,其中,该指标规则树为以某一监控指标为根节点,且利用相似度最大的反向搜索方式在指标关联图中查询该根节点的分支节点;
其中,通过对监控指标的历史异常检测数据进行分析,并构建相应的指标规则树,避免对专家经验的依赖,能够更好的适用于拥有大量监控指标的应用异常原因查找。
具体的,针对指标关联图的绘制过程,基于此,上述步骤二,根据两两监控指标的指标关联度,确定监控指标集合对应的指标关联图,具体包括:
根据两两监控指标的指标关联度,选取指标关联度满足预设条件的关联指标对;
具体的,基于多个两两监控指标的指标关联度,选取指标关联度大于预设阈值的关联指标对,其中,预设阈值可以根据实际需求进行设置,例如,将预设阈值设置为0.8;
针对每个关联指标对,根据该关联指标对包含的两个监控指标之间的层级关系,标记该关联指标对之间的有向线段,其中,该有向线段的指向方向为由层级高的监控指标指向层级低的监控指标;
具体的,结合监控指标的所属类型来确定监控指标的层级高低,监控指标的层级由高到低的顺序为:物理层所涉及的硬件指标、网络层所涉及的调用指标、应用层所涉及的接口指标、业务层所涉及的业务指标,即物理层所涉及的硬件指标的层级高于网络层所涉及的调用指标的层级;
例如,如果关联指标对中一个监控指标1为物理层所涉及的硬件指标,另一个指标2为网络层所涉及的调用指标,则该关联指标对之间的有向线段为监控指标1指向监控指标2;
另外,针对关联指标对中两个监控指标的层级关系相同的情况,该关联指标对之间的有向线段为双向线段;
例如,如果关联指标对中一个监控指标1为网络层所涉及的调用指标,另一个指标2也为网络层所涉及的调用指标,则该关联指标对之间的有向线段为监控指标1指向监控指标2且监控指标2指向监控指标1;
根据关联指标对的指标关联度,标记该关联指标对之间的有向线段的边信息;
具体的,在关联指标对的有向线段上标记指标关联度,例如,关联指标对中两个监控指标的指标关联度为0.8,则在该关联指标对的有向线段上标注0.8,以便在基于指标关联图构建指标规则树过程中,选取指标关联度最大的分支路径;
将标记有各关联指标对的有向线段和边信息的关联图,确定为监控指标集合对应的指标关联图。
在一个具体实施例中,如图4所示,给出了指标异常原因的识别方法中指标关联图确定过程的实现原理示意图,具体为:
如果选取出的指标关联度大于预设阈值的关联指标对分别为:指标关联度为0.9的监控指标A与B、指标关联度为1.0的监控指标A与C、指标关联度为0.8的监控指标B与C、指标关联度为1.0的监控指标C与D;
其中,针对包含监控指标A与B的关联指标对,如果监控指标A的层级高于监控指标B的层级,则监控指标A与B之间的有向线段为由监控指标A指向监控指标B;以及,监控指标A与B之间的有向线段的边信息为0.9;
针对包含监控指标A与C的关联指标对,如果监控指标A的层级高于监控指标C的层级,则监控指标A与C之间的有向线段为由监控指标A指向监控指标C;以及,监控指标A与C之间的有向线段的边信息为1.0;
针对包含监控指标B与C的关联指标对,如果监控指标B的层级与监控指标C的层级相等,则监控指标B与C之间的有向线段为由监控指标B指向监控指标C且由监控指标C指向监控指标B的双向线段;以及,监控指标B与C之间的有向线段的边信息为0.8;
针对包含监控指标C与D的关联指标对,如果监控指标C的层级高于监控指标D的层级,则监控指标C与D之间的有向线段为由监控指标C指向监控指标D;以及,监控指标C与D之间的有向线段的边信息为1.0;
因此,将标记有监控指标A与B、监控指标A与C、监控指标B与C、监控指标C与D的有向线段和边信息的关联图,确定为指定监控指标集合对应的指标关联图。
具体的,在确定出指标关联图后,可以基于该指标关联图构建各监控指标的指标规则树,针对指标规则树的构建过程,基于此,上述步骤三,根据确定出的指标关联图,分别确定监控指标集合中各监控指标的指标规则树,具体包括:
分别将确定出的指标关联图中的每个监控指标作为一个指标规则树的根节点,具体的,每个监控指标对应于一个以各自为根节点的指标规则树;
利用相似度最大的反向搜索方式根据指标关联图中的有向线段和边信息,逐一确定各根节点的分支节点,其中,为了防止出现回路现象或闭环现象,任一分支节点对应的监控指标与根节点对应的监控指标均不相同,即丢弃包含与根节点对应的监控指标的分支节点所在分支;
具体的,考虑到如果根节点即为层级最高的监控指标,此时,在指标关联图中,该根节点对应的监控指标的反向方向搜索不到其他监控指标,因此,先判断根节点对应的监控指标的层级是否为最高层级,若否,则利用相似度最大的反向搜索方式根据指标关联图中的有向线段和边信息,逐一确定各根节点的分支节点;若是,则将该根节点的确定为监控指标的指标规则树;
针对每个根节点,依次标记根节点与分支节点之间以及分支节点之间的连接线段,并将对应的指标关联度作为节点之间连接线段的边信息,得到该根节点对应的监控指标的指标规则树;
其中,各监控指标的指标规则树由根节点到最末端叶子节点对应的监控指标的层级由低到高,即指标规则树的最末端叶子节点对应的监控指标的层级最高,即为引起根节点对应的监控指标异常的根源指标;
在一个具体实施例中,以图4所示的指标关联图为例,如图5所示,给出了指标异常原因的识别方法中指标规则树确定过程的实现原理示意图,具体为:
在图4中的指标关联图中包括监控指标A、B、C、D,因此,分别将监控指标A、B、C、D作为四个指标规则树的根节点;
针对以监控指标A为根节点的指标规则树a的构建过程,利用反向搜索方式可知,监控指标A的反向方向未搜索到监控指标,因此,监控指标A的指标规则树只包括根节点监控指标A,即监控指标A对应的指标规则树只有根节点,根节点下无其他分支节点,对应的,监控指标A的指标规则树中最末端叶子节点对应的监控指标即为指标A;
针对以监控指标B为根节点的指标规则树b的构建过程,利用反向搜索方式可知,监控指标B的反向方向可以搜索到监控指标A和C,反向可行路径为:由B到A、由B到C、以及B到C再到A;由于监控指标A与B之间的指标关联度为0.9,监控指标B与C之间的指标关联度为0.8,监控指标A与C之间的指标关联度为1.0,对应的,反向可行路径B到A对应的相似度为0.9、反向可行路径B到C对应的相似度为0.8、反向可行路径B到C再到A对应的相似度为0.72,利用相似度最大原则可知,将监控指标A作为监控指,标B的分支节点,即选取B到A的反向可行路径,因此,监控指标B的指标规则树包括:根节点监控指标B和分支节点监控指标A;
针对以监控指标C为根节点的指标规则树c的构建过程,利用反向搜索方式可知,监控指标C的反向方向可以搜索到监控指标A和B,反向可行路径为:由C到A、由C到B、以及C到B再到A;由于监控指标A与C之间的指标关联度为1.0,监控指标B与C之间的指标关联度为0.8,监控指标A与B之间的指标关联度为0.9,对应的,反向可行路径C到A对应的相似度为1.0、反向可行路径C到B对应的相似度为0.8、反向可行路径C到B再到A对应的相似度为0.72,利用相似度最大原则可知,将监控指标A作为监控指标C的分支节点,即选取C到A的反向可行路径,因此,监控指标C的指标规则树包括:根节点监控指标C和分支节点监控指标A;
针对以监控指标D为根节点的指标规则树d的构建过程,利用反向搜索方式可知,监控指标D的反向方向可以搜索到监控指标C、B和A,反向可行路径为:由D到C、由D到C再到A、以及D到C到B再到A;由于监控指标D与C之间的指标关联度为1.0,监控指标A与C之间的指标关联度为1.0,监控指标B与C之间的指标关联度为0.8,监控指标A与B之间的指标关联度为0.9,对应的,反向可行路径D到C对应的相似度为1.0、反向可行路径D到C再到A对应的相似度为1.0、反向可行路径D到C到B再到A对应的相似度为0.72,利用相似度最大原则可知,将监控指标C、监控指标A作为监控指标D的分支节点,即选取D到C再到A的反向可行路径,因此,监控指标C的指标规则树包括:根节点监控指标C、以及分支节点监控指标C和A;
另外,如果指标规则树的最末端叶子节点不是层级最高的监控指标,则将该最末端叶子节点作为父节点,继续利用相似度最大的反向搜索方式根据指标关联图中的有向线段和边信息,确定该父节点的子节点,将该子节点确定为该父节点对应的根节点的分支节点,直到指标规则树的最末端叶子节点为层级最高的监控指标;
最后,分别针对根节点A、B、C、D,依次标记根节点与各自分支节点之间以及各自分支节点之间的连接线段,并将对应的指标关联度作为节点之间连接线段的边信息,得到各根节点分别对应的监控指标的指标规则树;
需要说明的是,在监控指标D的指标规则树中,指标D为根节点,还可以称为指标C的父节点,指标C可以称为分支节点,也可以称为指标A的父节点,还可以称为指标D的子节点,指标A可以称为分支节点,也可以称为最末端叶子节点,还可以称为指标C的子节点。
其中,针对异常监控指标对应的指标规则树的获取过程,由于预先已针对每个监控指标构建对应的指标规则树,并存储各监控指标与指标规则树之间的对应关系,基于此,上述S101获取当前监控时间段目标监控指标的异常检测结果,具体包括:
获取预先确定的监控指标与指标规则树之间的对应关系,其中,该对应关系是在指标规则树构建阶段记录并存储的,该对应关系包含指标标识和规则树标识之间的映射条目;
根据获取到的对应关系,查找与目标监控指标对应的指标规则树;具体的,在对应关系中查询包含目标监控指标的指标标识的映射条目,该映射条目包含的规则树标识即为目标监控指标对应的指标规则树的标识信息,根据该标识信息获取对应的指标规则树。
其中,针对异常监控指标的异常原因确定过程,由于获取到的与异常监控指标对应的指标规则树中包含的分支节点即为与目标监控指标关联度比较高的监控指标,并且指标规则树由根节点到最末端叶子节点的顺序是按照指标关联图中有向线段指向方向的反向搜索确定的,基于此,上述S104根据获取到的指标规则树,确定目标监控指标的异常原因,具体包括:
确定位于目标监控指标对应的指标规则树中最末端叶子节点对应的监控指标,例如,图5中,以监控指标D为根节点的指标规则树,对应的最末端叶子节点为监控指标A;
将确定出的最末端叶子节点对应的监控指标确定为引起目标监控指标异常的根本原因,其中,由于指标规则树中由根节点至最末端叶子节点的指标层级越来越高,并且,高层级指标导致低层级指标异常,即导致低层级指标异常的原因为高层级指标。
本说明书一个或多个实施例中的指标异常原因的识别方法,若检测到目标监控指标存在异常,则获取对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;根据获取到的指标规则树,确定目标监控指标的异常原因。通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
对应上述图1至图5描述的指标异常原因的识别方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种指标异常原因的识别装置,图6为本说明书一个或多个实施例提供的指标异常原因的识别装置的第一种模块组成示意图,该装置用于执行图1至图5描述的指标异常原因的识别方法,如图6所示,该装置包括:
检测结果获取模块601,用于获取当前监控时间段目标监控指标的异常检测结果;
指标异常识别模块602,用于根据所述异常检测结果,判断所述目标监控指标是否存在异常;
规则树获取模块603,用于若判断结果为是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
异常原因确定模块604,用于根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例中,通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
可选地,如图7所示,所述装置还包括:
特征向量确定模块605,用于针对监控指标集合中每个监控指标,获取该监控指标在历史监控时间段内各指标检测节点的异常检测结果;根据各所述指标检测节点的所述异常检测结果,确定所述监控指标的特征向量;
规则树构建模块606,用于利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树。
可选地,所述特征向量确定模块605,具体用于:
针对每个所述指标检测节点,若所述异常检测结果表征指标正常,则将第一数值确定为所述指标检测节点对应的特征值,若所述异常检测结果表征指标异常,则将第二数值确定为所述指标检测节点对应的特征值;
按照指标检测节点的先后顺序,将各所述指标检测节点对应的所述特征值进行排序得到行向量;
将所述行向量确定为所述监控指标的特征向量。
可选地,所述规则树构建模块606,具体用于:
利用向量相似度算法并基于各所述监控指标的所述特征向量,确定两两所述监控指标之间的指标关联度;
根据各所述指标关联度,确定所述监控指标集合对应的指标关联图;
根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树。
可选地,所述规则树构建模块606,进一步具体用于:
根据各所述指标关联度,选取指标关联度满足预设条件的关联指标对;
针对每个所述关联指标对,根据该关联指标对包含的两个监控指标之间的层级关系,标记所述关联指标对之间的有向线段,其中,所述有向线段的指向方向为由层级高的监控指标指向层级低的监控指标;
根据所述关联指标对的所述指标关联度,标记所述有向线段的边信息;
将标记有各所述关联指标对的所述有向线段和所述边信息的关联图,确定为所述监控指标集合对应的指标关联图。
可选地,所述规则树构建模块606,更进一步具体用于:
分别将所述指标关联图中的每个监控指标作为一个指标规则树的根节点;
利用相似度最大的反向搜索方式根据所述指标关联图中的所述有向线段和所述边信息,逐一确定所述根节点的分支节点;
针对每个所述根节点,依次标记所述根节点与分支节点之间以及分支节点之间的连接线段,并将对应的所述指标关联度作为所述连接线段的边信息,得到所述根节点对应的监控指标的指标规则树。
可选地,所述规则树获取模块603,具体用于:
获取预先确定的监控指标与指标规则树之间的对应关系;
根据所述对应关系,查找与所述目标监控指标对应的指标规则树。
可选地,所述异常原因确定模块604,具体用于:
确定位于所述目标监控指标对应的所述指标规则树中最末端叶子节点对应的监控指标;
将所述最末端叶子节点对应的监控指标确定为引起所述目标监控指标异常的根本原因。
本说明书一个或多个实施例中的指标异常原因的识别装置,若检测到目标监控指标存在异常,则获取对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;根据获取到的指标规则树,确定目标监控指标的异常原因。通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
需要说明的是,本说明书中关于指标异常原因的识别装置的实施例与本说明书中关于指标异常原因的识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的指标异常原因的识别方法的实施,重复之处不再赘述。
进一步地,对应上述图1至图5所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种指标异常原因的识别设备,该设备用于执行上述的指标异常原因的识别方法,如图8所示。
指标异常原因的识别设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器801和存储器802,存储器802中可以存储有一个或一个以上存储应用程序或数据。其中,存储器802可以是短暂存储或持久存储。存储在存储器802的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括对指标异常原因的识别设备中的一系列计算机可执行指令。更进一步地,处理器801可以设置为与存储器802通信,在指标异常原因的识别设备上执行存储器802中的一系列计算机可执行指令。指标异常原因的识别设备还可以包括一个或一个以上电源803,一个或一个以上有线或无线网络接口804,一个或一个以上输入输出接口805,一个或一个以上键盘806等。
在一个具体的实施例中,指标异常原因的识别设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对指标异常原因的识别设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例中,通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
可选地,计算机可执行指令在被执行时,在获取当前时刻下目标监控指标的异常检测结果之前,还包括:
针对监控指标集合中每个监控指标,获取该监控指标在历史监控时间段内各指标检测节点的异常检测结果;
根据各所述指标检测节点的所述异常检测结果,确定所述监控指标的特征向量;
利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树。
可选地,计算机可执行指令在被执行时,所述根据各所述指标检测节点的所述异常检测结果,确定所述监控指标的特征向量,包括:
针对每个所述指标检测节点,若所述异常检测结果表征指标正常,则将第一数值确定为所述指标检测节点对应的特征值,若所述异常检测结果表征指标异常,则将第二数值确定为所述指标检测节点对应的特征值;
按照指标检测节点的先后顺序,将各所述指标检测节点对应的所述特征值进行排序得到行向量;
将所述行向量确定为所述监控指标的特征向量。
可选地,计算机可执行指令在被执行时,所述利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树,包括:
利用向量相似度算法并基于各所述监控指标的所述特征向量,确定两两所述监控指标之间的指标关联度;
根据各所述指标关联度,确定所述监控指标集合对应的指标关联图;
根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树。
可选地,计算机可执行指令在被执行时,所述根据各所述指标关联度,确定所述监控指标集合对应的指标关联图,包括:
根据各所述指标关联度,选取指标关联度满足预设条件的关联指标对;
针对每个所述关联指标对,根据该关联指标对包含的两个监控指标之间的层级关系,标记所述关联指标对之间的有向线段,其中,所述有向线段的指向方向为由层级高的监控指标指向层级低的监控指标;
根据所述关联指标对的所述指标关联度,标记所述有向线段的边信息;
将标记有各所述关联指标对的所述有向线段和所述边信息的关联图,确定为所述监控指标集合对应的指标关联图。
可选地,计算机可执行指令在被执行时,所述根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树,包括:
分别将所述指标关联图中的每个监控指标作为一个指标规则树的根节点;
利用相似度最大的反向搜索方式根据所述指标关联图中的所述有向线段和所述边信息,逐一确定所述根节点的分支节点;
针对每个所述根节点,依次标记所述根节点与分支节点之间以及分支节点之间的连接线段,并将对应的所述指标关联度作为所述连接线段的边信息,得到所述根节点对应的监控指标的指标规则树。
可选地,计算机可执行指令在被执行时,其中,所述获取与所述目标监控指标对应的指标规则树,包括:
获取预先确定的监控指标与指标规则树之间的对应关系;
根据所述对应关系,查找与所述目标监控指标对应的指标规则树。
可选地,计算机可执行指令在被执行时,其中,所述根据获取到的所述指标规则树,确定所述目标监控指标的异常原因,包括:
确定位于所述目标监控指标对应的所述指标规则树中最末端叶子节点对应的监控指标;
将所述最末端叶子节点对应的监控指标确定为引起所述目标监控指标异常的根本原因。
本说明书一个或多个实施例中的指标异常原因的识别设备,若检测到目标监控指标存在异常,则获取对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;根据获取到的指标规则树,确定目标监控指标的异常原因。通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
需要说明的是,本说明书中关于指标异常原因的识别设备的实施例与本说明书中关于指标异常原因的识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的指标异常原因的识别方法的实施,重复之处不再赘述。
进一步地,对应上述图1至图5所示的方法,基于相同的技术构思,本说明书一个或多个实施例还提供了一种存储介质,用于存储计算机可执行指令,一种具体的实施例中,该存储介质可以为U盘、光盘、硬盘等,该存储介质存储的计算机可执行指令在被处理器执行时,能实现以下流程:
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树,其中,所述指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
本说明书一个或多个实施例中,通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,在获取当前时刻下目标监控指标的异常检测结果之前,还包括:
针对监控指标集合中每个监控指标,获取该监控指标在历史监控时间段内各指标检测节点的异常检测结果;
根据各所述指标检测节点的所述异常检测结果,确定所述监控指标的特征向量;
利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述根据各所述指标检测节点的所述异常检测结果,确定所述监控指标的特征向量,包括:
针对每个所述指标检测节点,若所述异常检测结果表征指标正常,则将第一数值确定为所述指标检测节点对应的特征值,若所述异常检测结果表征指标异常,则将第二数值确定为所述指标检测节点对应的特征值;
按照指标检测节点的先后顺序,将各所述指标检测节点对应的所述特征值进行排序得到行向量;
将所述行向量确定为所述监控指标的特征向量。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树,包括:
利用向量相似度算法并基于各所述监控指标的所述特征向量,确定两两所述监控指标之间的指标关联度;
根据各所述指标关联度,确定所述监控指标集合对应的指标关联图;
根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述根据各所述指标关联度,确定所述监控指标集合对应的指标关联图,包括:
根据各所述指标关联度,选取指标关联度满足预设条件的关联指标对;
针对每个所述关联指标对,根据该关联指标对包含的两个监控指标之间的层级关系,标记所述关联指标对之间的有向线段,其中,所述有向线段的指向方向为由层级高的监控指标指向层级低的监控指标;
根据所述关联指标对的所述指标关联度,标记所述有向线段的边信息;
将标记有各所述关联指标对的所述有向线段和所述边信息的关联图,确定为所述监控指标集合对应的指标关联图。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树,包括:
分别将所述指标关联图中的每个监控指标作为一个指标规则树的根节点;
利用相似度最大的反向搜索方式根据所述指标关联图中的所述有向线段和所述边信息,逐一确定所述根节点的分支节点;
针对每个所述根节点,依次标记所述根节点与分支节点之间以及分支节点之间的连接线段,并将对应的所述指标关联度作为所述连接线段的边信息,得到所述根节点对应的监控指标的指标规则树。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述获取与所述目标监控指标对应的指标规则树,包括:
获取预先确定的监控指标与指标规则树之间的对应关系;
根据所述对应关系,查找与所述目标监控指标对应的指标规则树。
可选地,该存储介质存储的计算机可执行指令在被处理器执行时,所述根据获取到的所述指标规则树,确定所述目标监控指标的异常原因,包括:
确定位于所述目标监控指标对应的所述指标规则树中最末端叶子节点对应的监控指标;
将所述最末端叶子节点对应的监控指标确定为引起所述目标监控指标异常的根本原因。
本说明书一个或多个实施例中的存储介质存储的计算机可执行指令在被处理器执行时,若检测到目标监控指标存在异常,则获取对应的指标规则树,其中,该指标规则树是利用向量相似度算法并基于历史异常检测结果对应的特征向量构建的;根据获取到的指标规则树,确定目标监控指标的异常原因。通过预先针对各监控指标构建对应的指标规则树,该指标规则树能够表征该监控指标与其他监控指标之间的因果关系,在指标异常原因排除过程中,直接基于异常监控指标对应的指标规则树即可确定出监控指标异常的根本原因,即结合指标规则树实现自动查找异常监控指标的主要关联指标,消除对人为经验的依赖性,提高了监控指标异常原因确定的效率和准确度。
需要说明的是,本说明书中关于存储介质的实施例与本说明书中关于指标异常原因的识别方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应的指标异常原因的识别方法的实施,重复之处不再赘述。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HD Cal、JHDL(Java Hardware Description Language)、Lava、Lola、My HDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书一个或多个时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个的实施例可提供为方法、***、或计算机程序产品。因此,本说明书一个或多个可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个是参照根据本说明书一个或多个实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个的实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书一个或多个的实施例而已,并不用于限制本说明书一个或多个。对于本领域技术人员来说,本说明书一个或多个可以有各种更改和变化。凡在本说明书一个或多个的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书一个或多个的权利要求范围之内。
Claims (18)
1.一种指标异常原因的识别方法,包括:
根据每个监控指标在历史监控时间段内各指标检测节点的异常检测结果,确定所述监控指标的特征向量;
利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树;
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
2.根据权利要求1所述的方法,其中,所述根据每个监控指标在历史监控时间段内各指标检测节点的异常检测结果,确定所述监控指标的特征向量,包括:
针对每个所述指标检测节点,若所述异常检测结果表征指标正常,则将第一数值确定为所述指标检测节点对应的特征值,若所述异常检测结果表征指标异常,则将第二数值确定为所述指标检测节点对应的特征值;
按照指标检测节点的先后顺序,将各所述指标检测节点对应的所述特征值进行排序得到行向量;
将所述行向量确定为所述监控指标的特征向量。
3.根据权利要求1所述的方法,其中,在所述根据每个监控指标在历史监控时间段内各指标检测节点的异常检测结果,确定所述监控指标的特征向量之前,还包括:
针对监控指标集合中每个监控指标,获取该监控指标在历史监控时间段内各指标检测节点的异常检测结果。
4.根据权利要求1所述的方法,其中,所述利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树,包括:
利用向量相似度算法并基于各所述监控指标的所述特征向量,确定两两所述监控指标之间的指标关联度;
根据各所述指标关联度,确定所述监控指标集合对应的指标关联图;
根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树。
5.根据权利要求4所述的方法,其中,所述根据各所述指标关联度,确定所述监控指标集合对应的指标关联图,包括:
根据各所述指标关联度,选取指标关联度满足预设条件的关联指标对;
针对每个所述关联指标对,根据该关联指标对包含的两个监控指标之间的层级关系,标记所述关联指标对之间的有向线段,其中,所述有向线段的指向方向为由层级高的监控指标指向层级低的监控指标;
根据所述关联指标对的所述指标关联度,标记所述有向线段的边信息;
将标记有各所述关联指标对的所述有向线段和所述边信息的关联图,确定为所述监控指标集合对应的指标关联图。
6.根据权利要求5所述的方法,其中,所述根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树,包括:
分别将所述指标关联图中的每个监控指标作为一个指标规则树的根节点;
利用相似度最大的反向搜索方式根据所述指标关联图中的所述有向线段和所述边信息,逐一确定所述根节点的分支节点;
针对每个所述根节点,依次标记所述根节点与分支节点之间以及分支节点之间的连接线段,并将对应的所述指标关联度作为所述连接线段的边信息,得到所述根节点对应的监控指标的指标规则树。
7.根据权利要求1至6任一项所述的方法,其中,所述获取与所述目标监控指标对应的指标规则树,包括:
获取预先确定的监控指标与指标规则树之间的对应关系;
根据所述对应关系,查找与所述目标监控指标对应的指标规则树。
8.根据权利要求1至6任一项所述的方法,其中,所述根据获取到的所述指标规则树,确定所述目标监控指标的异常原因,包括:
确定位于所述目标监控指标对应的所述指标规则树中最末端叶子节点对应的监控指标;
将所述最末端叶子节点对应的监控指标确定为引起所述目标监控指标异常的根本原因。
9.一种指标异常原因的识别装置,包括:
特征向量确定模块,用于根据每个监控指标在历史监控时间段内各指标检测节点的异常检测结果,确定所述监控指标的特征向量;
规则树构建模块,用于利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树;
检测结果获取模块,用于获取当前监控时间段目标监控指标的异常检测结果;
指标异常识别模块,用于根据所述异常检测结果,判断所述目标监控指标是否存在异常;
规则树获取模块,用于若判断结果为是,则获取与所述目标监控指标对应的指标规则树;
异常原因确定模块,用于根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
10.根据权利要求9所述的装置,其中,所述特征向量确定模块,具体用于:
针对每个所述指标检测节点,若所述异常检测结果表征指标正常,则将第一数值确定为所述指标检测节点对应的特征值,若所述异常检测结果表征指标异常,则将第二数值确定为所述指标检测节点对应的特征值;
按照指标检测节点的先后顺序,将各所述指标检测节点对应的所述特征值进行排序得到行向量;
将所述行向量确定为所述监控指标的特征向量。
11.根据权利要求9所述的装置,其中,所述装置还包括:
特征向量确定模块,用于针对监控指标集合中每个监控指标,获取该监控指标在历史监控时间段内各指标检测节点的异常检测结果。
12.根据权利要求9所述的装置,其中,所述规则树构建模块,具体用于:
利用向量相似度算法并基于各所述监控指标的所述特征向量,确定两两所述监控指标之间的指标关联度;
根据各所述指标关联度,确定所述监控指标集合对应的指标关联图;
根据所述指标关联图,分别确定所述监控指标集合中各所述监控指标的指标规则树。
13.根据权利要求12所述的装置,其中,所述规则树构建模块,进一步具体用于:
根据各所述指标关联度,选取指标关联度满足预设条件的关联指标对;
针对每个所述关联指标对,根据该关联指标对包含的两个监控指标之间的层级关系,标记所述关联指标对之间的有向线段,其中,所述有向线段的指向方向为由层级高的监控指标指向层级低的监控指标;
根据所述关联指标对的所述指标关联度,标记所述有向线段的边信息;
将标记有各所述关联指标对的所述有向线段和所述边信息的关联图,确定为所述监控指标集合对应的指标关联图。
14.根据权利要求13所述的装置,其中,所述规则树构建模块,更进一步具体用于:
分别将所述指标关联图中的每个监控指标作为一个指标规则树的根节点;
利用相似度最大的反向搜索方式根据所述指标关联图中的所述有向线段和所述边信息,逐一确定所述根节点的分支节点;
针对每个所述根节点,依次标记所述根节点与分支节点之间以及分支节点之间的连接线段,并将对应的所述指标关联度作为所述连接线段的边信息,得到所述根节点对应的监控指标的指标规则树。
15.根据权利要求9至14任一项所述的装置,其中,所述规则树获取模块,具体用于:
获取预先确定的监控指标与指标规则树之间的对应关系;
根据所述对应关系,查找与所述目标监控指标对应的指标规则树。
16.根据权利要求9至14任一项所述的装置,其中,所述异常原因确定模块,具体用于:
确定位于所述目标监控指标对应的所述指标规则树中最末端叶子节点对应的监控指标;
将所述最末端叶子节点对应的监控指标确定为引起所述目标监控指标异常的根本原因。
17.一种指标异常原因的识别设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
根据每个监控指标在历史监控时间段内各指标检测节点的异常检测结果,确定所述监控指标的特征向量;
利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树;
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
18.一种存储介质,用于存储计算机可执行指令,所述可执行指令在被执行时实现以下流程:
根据每个监控指标在历史监控时间段内各指标检测节点的异常检测结果,确定所述监控指标的特征向量;
利用向量相似度算法并基于各所述监控指标的所述特征向量,构建各所述监控指标分别对应的指标规则树;
获取当前监控时间段目标监控指标的异常检测结果;
根据所述异常检测结果,判断所述目标监控指标是否存在异常;
若是,则获取与所述目标监控指标对应的指标规则树;
根据获取到的所述指标规则树,确定所述目标监控指标的异常原因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771352.6A CN116719698A (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771352.6A CN116719698A (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
CN201910371172.2A CN110262937B (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371172.2A Division CN110262937B (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116719698A true CN116719698A (zh) | 2023-09-08 |
Family
ID=67914162
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371172.2A Active CN110262937B (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
CN202310771352.6A Pending CN116719698A (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371172.2A Active CN110262937B (zh) | 2019-05-06 | 2019-05-06 | 一种指标异常原因的识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110262937B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112526905B (zh) * | 2020-11-27 | 2022-09-27 | 杭州萤石软件有限公司 | 一种针对指标异常的处理方法及*** |
CN112860508B (zh) * | 2021-01-13 | 2023-02-28 | 支付宝(杭州)信息技术有限公司 | 一种基于知识图谱的异常定位方法、装置以及设备 |
CN113176975B (zh) * | 2021-03-30 | 2023-10-31 | 东软集团股份有限公司 | 监控数据的处理方法、装置、存储介质和电子设备 |
CN113064834B (zh) * | 2021-04-22 | 2022-08-05 | 中国工商银行股份有限公司 | 异常检测方法、装置、电子设备、介质 |
CN113706098B (zh) * | 2021-08-05 | 2024-03-22 | 深圳须弥云图空间科技有限公司 | 基于业务的偏差原因识别方法、装置及电子设备 |
CN113902496B (zh) * | 2021-12-10 | 2022-03-01 | 北京轻松筹信息技术有限公司 | 数据分析方法、装置及电子设备 |
CN114429311B (zh) * | 2022-02-17 | 2023-04-07 | 广州志橙半导体有限公司 | 一种用于半导体制造流程的动态监控方法及*** |
CN114998839B (zh) * | 2022-07-06 | 2023-01-31 | 北京原流科技有限公司 | 一种基于层级分布的数据管理方法以及*** |
CN115564450B (zh) * | 2022-12-06 | 2023-03-10 | 支付宝(杭州)信息技术有限公司 | 一种风控方法、装置、存储介质及设备 |
CN116763268B (zh) * | 2023-05-10 | 2024-01-26 | 广州培生信息技术有限公司 | 一种人体多指标检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105096041A (zh) * | 2015-07-24 | 2015-11-25 | 北京中电普华信息技术有限公司 | 一种指标异动的溯源及预测方法、装置 |
CN107786897A (zh) * | 2016-08-31 | 2018-03-09 | 南京中兴新软件有限责任公司 | Iptv***故障定位方法及*** |
CN106874686A (zh) * | 2017-03-03 | 2017-06-20 | 北京北青厚泽数据科技有限公司 | 指标关系网构建方法 |
CN108009040B (zh) * | 2017-12-12 | 2021-05-04 | 杭州时趣信息技术有限公司 | 一种确定故障根因的方法、***和计算机可读存储介质 |
CN113225194B (zh) * | 2020-01-21 | 2022-09-09 | 华为技术有限公司 | 路由异常检测方法、装置及***、计算机存储介质 |
-
2019
- 2019-05-06 CN CN201910371172.2A patent/CN110262937B/zh active Active
- 2019-05-06 CN CN202310771352.6A patent/CN116719698A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN110262937A (zh) | 2019-09-20 |
CN110262937B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262937B (zh) | 一种指标异常原因的识别方法及装置 | |
CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
CN107526667B (zh) | 一种指标异常检测方法、装置以及电子设备 | |
CN110443457B (zh) | 数据处理方法及装置 | |
CN111966334B (zh) | 一种业务处理方法、装置及设备 | |
CN110021150B (zh) | 一种数据处理方法、装置及设备 | |
CN111639011B (zh) | 一种数据监控方法、装置及设备 | |
CN116167461B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115618748B (zh) | 一种模型优化的方法、装置、设备及存储介质 | |
CN116304720B (zh) | 一种代价模型训练的方法、装置、存储介质及电子设备 | |
CN110175084B (zh) | 数据变化的监控方法及装置 | |
CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN116861976A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN116822606A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN115994252A (zh) | 数据处理方法、装置及设备 | |
CN116048977A (zh) | 一种基于数据还原的测试方法及装置 | |
CN112182116B (zh) | 数据探查方法及装置 | |
CN110245136B (zh) | 数据检索方法及装置、设备及存储设备 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN116304947A (zh) | 业务处理方法、装置及电子设备 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN116204387B (zh) | 一种芯片电流的预测方法、装置、介质及电子设备 | |
CN117593004A (zh) | 数据处理方法、装置及设备 | |
CN116957587A (zh) | 一种风险识别的方法、装置、存储介质以及电子设备 |
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 |