异常根因定位方法、模型、电子设备及计算机存储介质技术

本申请公开了一种异常检测方法、装置、电子设备及计算机可读存储介质，其中，所述异常根因定位方法包括：检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值；根据所述实际值和所述预测值，计算每个叶子节点对所述多维度指标发生异常的影响程度和贡献能力；选取所述影响程度和所述贡献能力满足预设条件的叶子节点作为候选节点，并将所有候选节点的集合转化为事务表；根据每个候选节点在所述事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，推荐所述多维度指标发生异常的第一根因节点。上述方案，能够对多维度指标进行的异常根因定位。

【技术实现步骤摘要】
异常根因定位方法、模型、电子设备及计算机存储介质
本申请涉及计算机
，特别是涉及一种异常根因定位方法、模型、电子设备及计算机存储介质。
技术介绍
为了维持和高网络服务的质量，许多大型互联网公司会持续记录各种多维度关键性能指标(KPI)。当某一个KPI偏离正常范围时，有效且高效地找到最有可能的根因是非常关键的。目前行业里，针对此类问题的较知名算法进行了研究。Adtributor(多维根因分析)假设所有根因都是一维的，并使用“惊奇度”和“解释力”来量化根因的定义；但是，它假设根因是一维的，这不符合实际场景，因为来自实际运维场景的案例告诉我们，根因可能是多维度共同起作用的。IDice(多维指标突变定位)聚焦于时间序列上的根因定位，而不是对某一个异常时间点的分析；它根据信息熵的思想，提出隔离能力来解释何为根因，即真正的根因的隔离能力大于所有它直接子节点和直接父节点的隔离能力值，但它为了降低复杂性，在定位过程中使用了很多暴力剪枝策略，这些策略在实际场景中是不可接受的，因为很容易在剪枝过程中丢失真正的根因。
技术实现思路
本申请主要解决的技术问题是提供一种异常检测方法、装置、电子设备及计算机可读存储介质，能够对多维度指标进行的异常根因定位。为了解决上述问题，本申请第一方面提供了一种异常根因定位方法，所述方法包括：检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值；根据所述实际值和所述预测值，计算每个叶子节点对所述多维度指标发生异常的影响程度和贡献能力；选取所述影响程度和所述贡献能力满足预设条件的叶子节点作为候选节点，并将所有候选节点的集合转化为事务表；根据每个候选节点在所述事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，推荐所述多维度指标发生异常的第一根因节点。为了解决上述问题，本申请第二方面提供了一种异常根因定位模型，包括：数据获取模块，所述数据获取模块用于在检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值；计算模块，所述计算模块用于根据所述实际值和所述预测值，计算每个叶子节点对所述多维度指标发生异常的影响程度和贡献能力；事务表构建模块，所述事务表构建模块用于选取所述影响程度和所述贡献能力满足预设条件的叶子节点作为候选节点，并将所有候选节点的集合转化为事务表；根因推荐模块，所述根因推荐模块用于根据每个候选节点在所述事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，推荐所述多维度指标发生异常的第一根因节点。为了解决上述问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述第一方面的异常根因定位方法。为了解决上述问题，本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现上述第一方面的异常根因定位方法。本专利技术的有益效果是：区别于现有技术的情况，本申请在检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在异常发生时间点之前所对应的指标数据的预测值，然后根据实际值和预测值，计算每个叶子节点对多维度指标发生异常的影响程度和贡献能力；通过选取影响程度和贡献能力满足预设条件的叶子节点作为候选节点，并将所有候选节点的集合转化为事务表，然后根据每个候选节点在事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，可以推荐多维度指标发生异常的第一根因节点。由于实践中异常定位面临数据量极大的问题，随着维度的增加，维度取值之间的笛卡尔积生成繁多的待考虑元素，通常只有一部分元素与异常根因相关，其他大量元素的KPI取值位于正常范围内，通过选取影响程度和贡献能力满足预设条件的叶子节点作为候选节点，快速舍弃了与根因无关的元素，考虑范围只剩下对异常定位有价值的叶子节点，从而可以实现根因快速定位；另外，通过将所有候选节点的集合转化为事务表，然后根据候选节点在事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，可以较为准确地推荐多维度指标发生异常的第一根因节点，从而实现对多维度指标进行异常根因定位。附图说明图1是本申请异常根因定位方法第一实施例的流程示意图；图2是图1中步骤S11一实施例的流程示意图；图3是图1中步骤S12一实施例的流程示意图；图4是本申请异常根因定位方法第二实施例的流程示意图；图5是本申请异常检测模型一实施例的框架示意图；图6是本申请电子设备一实施例的框架示意图；图7是本申请计算机可读存储介质一实施例的框架示意图。具体实施方式下面结合说明书附图，对本申请实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。请参阅图1，图1是本申请异常根因定位方法第一实施例的流程示意图。具体而言，可以包括如下步骤：步骤S11：检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值。为了维持高网络服务的质量，在互联网服务运营过程中会持续记录各种多维度关键性能指标，当某一个多维度关键性能指标偏离正常范围时，如何有效且高效地找到最有可能的根因节点是非常关键的。具体地，在检测到多维度指标发生异常时，首先要获取所有叶子节点在异常发生时间点所对应的指标数据，这些采集于异常时刻的数据用于计算元素的异常取值，即叶子节点的实际值；除了在异常时间点对应的指标数据以外，还需要得到所有叶子节点在异常发生时间点之前所对应的指标数据，即获取正常时间点所对应的指标数据，这些采集于正常时刻的数据用于计算元素的理论正常取值，即叶子节点的预测值。在一个实施场景中，多维度指标可以包括秒开率、黑屏比、卡顿率中的至少一种。秒开率、黑屏比、卡顿率为音视频网络中核心的指标。请结合图2，图2是图1中步骤S11一实施例的流程示意图。在一个实施场景中，上述步骤S11具体可以包括：步骤S111：对所述多维度指标进行实时监测，获取所述多维度指标发生异常的时间点，作为所述异常发生时间点。在运维过程中，一般可以通过观众反馈或者用户上报的方式确认系统异常，即可以通过观众反馈或者上报获取到报障时间点，并根据报障时间点排除故障。然而，在真实运维场景中，一个多维度指标的异常从它发生到被人发现，其间往往存在一定本文档来自技高网...

【技术保护点】
1.一种异常根因定位方法，其特征在于，所述方法包括：/n检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值；/n根据所述实际值和所述预测值，计算每个叶子节点对所述多维度指标发生异常的影响程度和贡献能力；/n选取所述影响程度和所述贡献能力满足预设条件的叶子节点作为候选节点，并将所有候选节点的集合转化为事务表；/n根据每个候选节点在所述事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，推荐所述多维度指标发生异常的第一根因节点。/n

【技术特征摘要】
1.一种异常根因定位方法，其特征在于，所述方法包括：
检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值；
根据所述实际值和所述预测值，计算每个叶子节点对所述多维度指标发生异常的影响程度和贡献能力；
选取所述影响程度和所述贡献能力满足预设条件的叶子节点作为候选节点，并将所有候选节点的集合转化为事务表；
根据每个候选节点在所述事务表中的支持度和在原始指标数据中的支持度之间的支持度差值，推荐所述多维度指标发生异常的第一根因节点。


2.根据权利要求1所述的异常根因定位方法，其特征在于，所述检测到多维度指标发生异常时，获取所有叶子节点在异常发生时间点所对应的指标数据的实际值以及在所述异常发生时间点之前所对应的指标数据的预测值，包括：
对所述多维度指标进行实时监测，获取所述多维度指标发生异常的时间点，作为所述异常发生时间点；
获取所有叶子节点在所述异常发生时间点所对应的原始指标数据，得到所有叶子节点在所述异常发生时间点所对应的所述指标数据的实际值；
获取所有叶子节点在所述异常发生时间点之前的n个时间点所对应的原始指标数据，对所述n个时间点所对应的原始指标数据进行预处理，得到所有叶子节点在所述异常发生时间点之前所对应的所述指标数据的预测值。


3.根据权利要求2所述的异常根因定位方法，其特征在于，所述对所述n个时间点所对应的原始指标数据进行预处理，包括：
采用移动平均法或指数平滑法对所述n个时间点所对应的原始指标数据进行处理；和/或，
当某个叶子节点在所述n个时间点对应的原始指标数据缺失时，将所缺失的原始指标数据填充为0值。


4.根据权利要求1所述的异常根因定位方法，其特征在于，所述根据所述实际值和所述预测值，计算每个叶子节点对所述多维度指标发生异常的影响程度和贡献能力，包括：
对于每个叶子节点，根据该叶子节点的实际值与预测值之间的差值、其他叶子节点的实际值与预测值之间的差值的平均值，得到该叶子节点对所述多维度指标发生异常的影响程度；
对于每个叶子节点，根据该叶子节点的实际值与其他叶子节点的预测值之间的和值、该叶子节点的预测值与其他叶子节点的预测值之间的和值，得到该叶子节点对所述多维度指标发生异常的贡献能力。


5.根据权利要求4所述的异常根因定位方法，其特征在于，叶子节点对所述多维度指标发生异常的影响程度InfluenceDegree满足：



其中，v(S1)为集合S1中叶子节点对应的指标数据的实际值，f(S1)为集合S1中叶子节点对应的指标数据的预测值，v(，S2)为集合S2中叶子节点对应的指标数据的实际值，f(S2)为集合S2中叶子节点对应的指标数据的预测值。


6.根据权利要求4所述的异常根因定位方法，其特征在于，所述对于每个叶子节点，根据该叶子节点的实际值与其他叶子节点的预测值之间的和值、该叶子节点的预测值与其他叶子节点的预测值之间的和值，得到该叶子节点对所述多维度指标发生异常的贡献能力，包括：
当所述多维度指标为衍生度量除法指标时，获取所述衍生度量除法指标对应的基础度量指标；
对于每个叶子节点，根据该叶子节点对应的基础度量指标的实际值与其他叶子节点对应的基础度量指标的预测值之间的和值、该叶子节点对应的基础度量指标的预测值与其他叶子节点对应的基础度量指标的预测值之间的和值，得到该叶子节点对所述多维度指标发生异常的贡献能力。


7.根据权利要求6所述的异常根因定位方法，其特征在于，所述衍生度量除法指标为卡顿率，所述衍生度量除法指标对应的基础度量指标为卡顿人...

【专利技术属性】
技术研发人员：罗森，郑健彦，高晓宇，郭销淳，毛茂德，
申请(专利权)人：广州虎牙科技有限公司，
类型：发明
国别省市：广东;44