数据异常的监测方法、装置和电子设备制造方法及图纸

本发明专利技术公开了一种数据异常的监测方法、装置和电子设备，该方法包括：获取待监测数据对应的目标阈值范围，所述目标阈值范围是根据第一周期序列数据计算后得到，所述第一周期序列数据包括当前周期及所述当前周期之前的N个周期内的多个监测数据；获取根据第二周期序列数据得到的目标曲线拟合模型，所述第二周期序列数据包括所述当前周期及所述当前周期之前的M个周期内的多个监测数据，其中，1≤M≤N；根据所述目标阈值范围和所述目标曲线拟合模型，确定所述待监测数据是否异常。本实施例的方法，结合第一周期序列数据和第二周期序列数据对待监测数据进行多次判断，判断待监测数据是否异常，能够提高数据异常判断的准确率。能够提高数据异常判断的准确率。能够提高数据异常判断的准确率。

【技术实现步骤摘要】
数据异常的监测方法、装置和电子设备


[0001]本专利技术涉及通信领域，尤其涉及一种数据异常的监测方法、装置和电子设备。

技术介绍

[0002]随着移动通信的发展，为了适配多种终端、不同接入方式，业务系统变得越来越复杂，网络架构也越来越复杂，云计算虚拟化技术的应用在带来弹性化好处的同时，也给运维人员带来了更高的挑战，面对如此多的用户指标数据和设备数据，如何有效的管理和监控是保障系统稳定运行的关键所在。
[0003]目前管理数据的主流方法是基于人工经验设置的固定阈值范围来判断数据是否异常，但是如果数据在某一段时间变化幅度加大，数据不够平滑，这种固定阈值的方式就会导致很多的错判和漏判，进而降低数据异常判断的准确率。

技术实现思路

[0004]本专利技术实施例提供一种数据异常的监测方法、装置和电子设备，以解决现在技术采用固定阈值的方式判断数据是否异常，容易出现错判和漏判，进而降低数据异常判断的准确率的问题。
[0005]为了解决上述技术问题，本专利技术是这样实现的：
[0006]第一方面，提供了一种数据异常的监测方法，该方法包括：
[0007]获取待监测数据对应的目标阈值范围，所述目标阈值范围是根据第一周期序列数据计算后得到，所述第一周期序列数据包括当前周期及所述当前周期之前的N个周期内的多个监测数据；
[0008]获取根据第二周期序列数据得到的目标曲线拟合模型，所述第二周期序列数据包括所述当前周期及所述当前周期之前的M个周期内的多个监测数据，其中，1≤M≤N；/>[0009]根据所述目标阈值范围和所述目标曲线拟合模型，确定所述待监测数据是否异常。
[0010]第二方面，提供了一种数据异常的监测装置，所述装置包括：
[0011]阈值获取模块，用于获取待监测数据对应的目标阈值范围，所述目标阈值范围是根据第一周期序列数据计算后得到，所述第一周期序列数据包括当前周期及所述当前周期之前的N个周期内的多个监测数据；
[0012]模型获取模块，用于获取根据第二周期序列数据得到的目标曲线拟合模型，所述第二周期序列数据包括所述当前周期及所述当前周期之前的M个周期内的多个监测数据，其中，1≤M≤N；
[0013]第一确定模块，用于根据所述目标阈值范围和所述目标曲线拟合模型，确定所述待监测数据是否异常。
[0014]第三方面，本专利技术实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现
上述实施例提供的数据异常的监测方法的步骤。
[0015]第四方面，本专利技术实施例提供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上存储计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的数据异常的监测方法的步骤。
[0016]在本专利技术实施例中，通过第一周期序列数据和第二周期序列数据确定待监测数据的目标阈值范围和目标曲线拟合模型，在目标阈值范围判断待监测数据异常之后，基于目标阈值范围没有考虑到数据有上升趋势的变化，再通过目标曲线拟合模型对待监测数据进行判断，将不符合目标阈值范围也不符合目标曲线拟合模型的待监测数据确定为异常数据，能够减少数据异常的错判、误判的概率，提高数据异常判断的准确率。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1是本专利技术的一个实施例的异常的监测方法的流程示意图；
[0019]图2是本专利技术的另一个实施例的异常的监测方法的流程示意图；
[0020]图3是本专利技术的一个实施例的异常的监测装置的结构示意图；
[0021]图4是本专利技术的一个实施例的电子设备的结构示意图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0023]图1是本专利技术的一个实施例的数据异常的监测方法的流程示意图，如图1所示，该方法可以由监测装置执行，图1所示的方法，包括：
[0024]步骤S102，获取待监测数据对应的目标阈值范围，所述目标阈值范围是根据第一周期序列数据计算后得到，所述第一周期序列数据包括当前周期及所述当前周期之前的N个周期内的多个监测数据；
[0025]可以理解的是，上述监测数据包括设备性能数据、用户指标数据，其中，设备可以为虚拟化设备或实体物理设备，设备性能数据可以为设备的CPU(Central Processing Unit/Processor，中央处理器)利用率、内存利用率等，用户指标数据可以为访问量、工单量等。
[0026]在步骤S102中，根据第一周期序列数据，得到待监测数据对应的目标阈值范围，其中，待监测数据是在某一时间点上获取得到的，如，待监测数据为早上8点服务器的CPU利用率，周期为一个星期，第一周期序列数据包括近3个月内每天早上8点服务器的CPU利用率，根据第一周期序列数据，得到8点服务器的CPU利用率对应的目标阈值范围。
[0027]可选地，在一些实施例中，在步骤S102中所述获取待监测数据对应的目标阈值范围之前，该方法还包括：
[0028]根据所述第一周期序列数据，确定多个监测数据对应的阈值范围。
[0029]应理解，多个监测数据是在多个不同时间点上获取得到的。
[0030]在一些实施例中，获取第一周期序列数据，对第一周期序列数据的时间进行归一化处理，即将第一周期序列数据中相同时间点对应的监测数据归为一类，得到多个数据集，每个数据集包括相同时间点对应的监测数据，且不同数据集之间包括不同时间点对应的监测数据。
[0031]若多个数据集中存在异常数据，在确定阈值范围过程中会因为异常数据的存在而产生偏差，为了提高阈值范围的准确性，剔除多个数据集中的异常数据，得到多个数据子集；其中，所述异常数据的值与对应的数据子集中监测数据的均值的差值不在预设误差范围内。
[0032]根据多个数据子集中监测数据的均值和预设误差范围内，得到多个数据子集对应的阈值范围，即得到多个监测数据对应的阈值范围。
[0033]根据多个监测数据对应的阈值范围，得到待监测数据的目标阈值范围。
[0034]举例说明，每隔5分钟获取一次监测数据，即每天获取288次监测数据，3个月一共获取25920次监测数据。将这3个月获取得到的监测数据作为第一周期序列数据，对第一周期序列数据的时间进行归一化处理，得到288个数据集。具体地，去掉每个监测数据的日期信息，只保留时和分，再将时、分转换成为时，得到0-24之间的数值，如某一个监测数据的时间信息为2019年2月1号13点30分，对该监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据异常的监测方法，其特征在于，所述方法包括：获取待监测数据对应的目标阈值范围，所述目标阈值范围是根据第一周期序列数据计算后得到，所述第一周期序列数据包括当前周期及所述当前周期之前的N个周期内的多个监测数据；获取根据第二周期序列数据得到的目标曲线拟合模型，所述第二周期序列数据包括所述当前周期及所述当前周期之前的M个周期内的多个监测数据，其中，1≤M≤N；根据所述目标阈值范围和所述目标曲线拟合模型，确定所述待监测数据是否异常。2.如权利要求1所述的方法，其特征在于，所述方法还包括：若所述待监测数据异常，则获取根据所述第二周期序列数据得到的目标时间序列模型，根据所述目标时间序列模型和所述待监测数据，确定所述待监测数据是否异常；若是，则进行异常告警处理；若否，则继续监测所述待监测数据的下一个监测数据。3.如权利要求1或2所述的方法，其特征在于，在所述获取待监测数据对应的目标阈值范围之前，所述方法还包括：根据所述第一周期序列数据，确定多个监测数据对应的阈值范围。4.如权利要求1或2所述的方法，其特征在于，所述获取根据第二周期序列数据得到的目标曲线拟合模型，包括：获取根据所述第二周期序列数据和预设曲线拟合模型得到的所述目标曲线拟合模型。5.如权利要求4所述的方法，其特征在于，在所述获取根据所述第二周期序列数据和预设曲线拟合模型得到的所述目标曲线拟合模型之前，所述方法包括：根据所述第二周期序列数据中多个监测数据的监测值和预设曲线拟合模型，得到所述多个监测数据的第一预测值，其中，所述多个监测数据的监测值与所述多个监测数据的第一预测值存在一一对应关系；根据所述多个监测数据的监测值与所述多个监测数据的第一预测值的差值和预设范围，得到所述...

【专利技术属性】
技术研发人员：温粉莲，王锐，黄倚霄，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：