一种时序异常预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种时序异常预测方法、装置、设备及存储介质。该方法包括：从运维的多维指标时序数据中获取异常预测目标维度的单维时序数据，和与所述异常预测目标维度相关的异常预测相关维度的相关时序数据；将所述单维时序数据输入单维时序预测模型得到单维时序预测值，并根据所述单维时序预测值确定所述异常预测目标维度的时序预测基线；将所述单维时序数据和所述相关时序数据输入多维时序预测模型，得到所述异常预测目标维度的目标时序预测值；根据所述目标时序预测值和所述时序预测基线的比对结果，对所述目标维度指标进行异常预测。本发明专利技术实施例可以准确预测运维中出现的异常情况。常情况。常情况。

【技术实现步骤摘要】
一种时序异常预测方法、装置、设备及存储介质


[0001]本专利技术涉及智能运维
，尤其涉及一种时序异常预测方法、装置、设备及存储介质。

技术介绍

[0002]在智能运维(Art i f i c i a l I nte l l i gence for I T Operat i ons，AI Ops)领域的时序指标智能化分析中，有大量的时序指标，尤其是业务或系统最为关注的黄金指标，需要进行实时的异常检测，目前主流的异常检测(Anoma l yDetect i on)方案，主要包括如下两种：
[0003]一是单指标异常检测：通过单维历史数据，基于统计/密度/预测等方式，训练监督/非监督模型，对线上数据进行实时异常检测；二是多指标异常检测：通过多维历史数据，采用编码器/注意力等模块挖掘多指标间的时空依赖关系，并基于对抗训练策略重构特征或误差，判断状态是否异常。
[0004]但无论哪种技术方案，都只能进行被动方式的异常发现，也就是出现异常后进行检测，无法做到异常的预测和主动防范。

技术实现思路

[0005]本专利技术提供了一种时序异常预测方法、装置、设备及存储介质，以准确预测运维中出现的异常情况。
[0006]根据本专利技术的一方面，提供了一种时序异常预测方法，包括：
[0007]从运维的多维指标时序数据中获取异常预测目标维度的单维时序数据，和与所述异常预测目标维度相关的异常预测相关维度的相关时序数据；
[0008]将所述单维时序数据输入单维时序预测模型得到单维时序预测值，并根据所述单维时序预测值确定所述异常预测目标维度的时序预测基线；
[0009]将所述单维时序数据和所述相关时序数据输入多维时序预测模型，得到所述异常预测目标维度的目标时序预测值；
[0010]根据所述目标时序预测值和所述时序预测基线的比对结果，对所述目标维度指标进行异常预测。
[0011]根据本专利技术的另一方面，提供了一种时序异常预测装置，包括：
[0012]时序数据获取模块，用于从运维的多维指标时序数据中获取异常预测目标维度的单维时序数据，和与所述异常预测目标维度相关的异常预测相关维度的相关时序数据；
[0013]预测基线确定模块，用于将所述单维时序数据输入单维时序预测模型得到单维时序预测值，并根据所述单维时序预测值确定所述异常预测目标维度的时序预测基线；
[0014]预测值确定模块，用于将所述单维时序数据和所述相关时序数据输入多维时序预测模型，得到所述异常预测目标维度的目标时序预测值；
[0015]异常预测模块，用于根据所述目标时序预测值和所述时序预测基线的比对结果，
对所述目标维度指标进行异常预测。
[0016]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0017]至少一个处理器；以及
[0018]与所述至少一个处理器通信连接的存储器；其中，
[0019]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的时序异常预测方法。
[0020]根据本专利技术的另一方面，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计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的时序异常预测方法。
[0021]本专利技术实施例通过确定目标维度的时序预测基线和目标时序预测值，提前判别未来可能发生的异常时间以及程度，区别于以往只能被动地响应异常，使得运维人员有充足的时间进行操作，降低故障发生率
[0022]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0023]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0024]图1A是根据本专利技术一实施例提供的一种时序异常预测方法的流程图；
[0025]图1B是根据本专利技术一实施例提供的一种正常数据对抗训练预测的示意图；
[0026]图2A是根据本专利技术又一实施例提供的一种时序异常预测方法的流程图；
[0027]图2B是是根据本专利技术又一实施例提供的一种异常预测框架的示意图；
[0028]图3是根据本专利技术又一实施例提供的一种时序异常预测装置的结构示意图；
[0029]图4是实现本专利技术实施例的电子设备的结构示意图。
具体实施方式
[0030]为了使本
的人员更好地理解本专利技术方案，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，所描述的实施例仅仅是本专利技术一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0031]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0032]为进一步明确本专利技术的主要改进和保护范围，在展开本专利技术实施例之前，先对本专利技术的相关技术做出如下简单说明：
[0033]1)单指标异常检测是指通过算法分析待检测指标自身的时间序列数据，判断其是否出现异常点。其检测方法种类较多：一是基于统计方法，如3σ、箱型图、绝对中位差等，基本思想是基于历史数据分布来确定当前数据的合理波动范围，按照分位数、阈值或者统计检验的方法来判断当前点是否为异常；二是基于局部密度方法，如LOF、i Forest、k
‑
means、DBSCAN等，通过衡量样本点与数据集中其他样本点的距离判断是否为异常点；三是基于预测方法，如ARI MA、ho l t
‑
wi nter、fb
‑
prophet等，将历史数据训练的模型预测当前时刻的理论正常幅值，通过与真实值的差异来判断此刻的异常程度。
[0034]以上方法各有优缺点，但均存在以下问题：一是仅能发现当前或历史异常，无法提前预警；二是待检测指标的异常可能由与之相关的其它指标异常导致，仅分析其自身规律无法有效发现异常。
[0035]2)有研究表明不同时间序列对之间的相关性对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序异常预测方法，其特征在于，所述方法包括：从运维的多维指标时序数据中获取异常预测目标维度的单维时序数据，和与所述异常预测目标维度相关的异常预测相关维度的相关时序数据；将所述单维时序数据输入单维时序预测模型得到单维时序预测值，并根据所述单维时序预测值确定所述异常预测目标维度的时序预测基线；将所述单维时序数据和所述相关时序数据输入多维时序预测模型，得到所述异常预测目标维度的目标时序预测值；根据所述目标时序预测值和所述时序预测基线的比对结果，对所述目标维度指标进行异常预测。2.根据权利要求1所述的方法，其特征在于，所述将所述单维时序数据输入单维时序预测模型得到单维时序预测值之前，还包括：基于输入序列窗口宽度和预测时序序列长度，从所述异常预测目标维度的正常历史时序段中获取训练样本；将所述训练样本输入生成对抗网络，训练得到单维时序预测模型。3.根据权利要求2所述的方法，其特征在于，所述基于输入序列窗口宽度和预测时序序列长度，从所述异常预测目标维度的正常历史时序段中获取训练样本之前，还包括：对所述异常预测目标维度的历史时序段进行异常点检测；若所述历史时序段中不存在异常点，则将所述历史时序段作为正常历史时序段；若所述历史时序段中存在异常点，则将异常点替换后的历史时序段作为正常历史时序段。4.根据权利要求2所述的方法，其特征在于，所述基于输入序列窗口宽度和预测时序序列长度，从所述异常预测目标维度的正常历史时序段中获取训练样本包括：以输入序列窗口宽度作为滑动窗口宽度，从所述异常预测目标维度的正常历史时序段中滑动提取输入时序序列；从所述输入时序序列在所述正常历史时序段的后续时序段中，滑动获取预测时序序列长度的真实未来时序序列；将所述输入时序序列和所述真实未来时序序列组合确定为训练样本。5.根据权利要求2所述的方法，其特征在于，所述将所述训练样本输入生成对抗网络，训练得到单维时序预测模型包括：将所述训练样本中的输入时序序列输入生成对抗网络中的生成器，得到所述输入序列片段的预测未来时序序列；将所述预测未来时序序列和所述训练样本中的真实未来时序序列输入所述生成对抗网络中的鉴别器，得到鉴别结果；若所述鉴别结果为假，所述生成器与所述鉴别器进行持续对抗训练，直至所述鉴别结果为真，得到单维时序预测模型。6.根据权利要求1所述的方法，其特征在于，所述将所述单维时序数据和所述相关时序数据输入多维时序预测模型，得到所述异常预测目标维度的目标时序预测值之前，还包括：获取所述异常预测相关维度和所述...

【专利技术属性】
技术研发人员：何诚，薛佩姣，田富龙，
申请(专利权)人：上海鼎茂信息技术有限公司，
类型：发明
国别省市：