【技术实现步骤摘要】
本申请涉及异常检测，特别涉及一种异常检测方法、装置、产品、设备及介质。
技术介绍
1、为了保障业务平台的稳定运行，常常需要对业务平台进行监控，检测时序数据是否出现异常。目前，现有的针对时序数据的异常检测方案，通常是采用历史数据与当前数据进行同比、环比对比异常检测的方式，这样，不仅过程复杂、误判率较高并且增加指标不灵活。因此，如何提升异常检测的准确度以及灵活性是目前需要解决的问题。
技术实现思路
1、有鉴于此，本申请的目的在于提供一种异常检测方法、装置、产品、设备及介质，能够提升异常检测准确度以及灵活度。其具体方案如下：
2、第一方面，本申请公开了一种异常检测方法，包括：
3、获取目标平台在预设历史时段的监控指标对应的历史时序数据；
4、将所述历史时序数据输入数据预测模型进行数据预测，得到所述监控指标在目标时段的预测数据；
5、基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围；
6、如果所述监控指标在所述目标时段的实际数据中的任意项数据超出所述数据正常阈值范围，则判定所述任意项数据为异常数据。
7、可选的，所述数据预测模型为利用训练样本集对预设机器学习模型进行训练得到的模型，其中，所述训练样本集包括训练样本和所述训练样本对应的标签，所述训练样本为监控指标对应的时序数据，所述标签为所述训练样本对应的下一时段的预测数据。
8、可选的，还包括：
9、获取基于所述实际数据构成的
10、剔除所述目标时序数据中的异常数据，得到预处理后数据，或剔除所述目标时序数据中的异常数据，并对缺失数据进行填补，得到预处理后数据；
11、利用所述预处理后数据对所述数据预测模型进行训练，得到更新后的数据预测模型。
12、可选的，当存在多个不同的数据预测模型，所述基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围，包括：
13、基于多个不同的数据预测模型分别输出的预测数据确定所述监控指标在所述目标时段分别对应的多个数据正常阈值范围
14、相应的，如果所述监控指标在所述目标时段的实际数据中的任意项数据超出所述数据正常阈值范围，则判定所述任意项数据为异常数据，包括：
15、如果所述监控指标在所述目标时段的实际数据中任意项数据超出多个数据正常阈值范围，则判定所述任意项数据为异常数据。
16、可选的，所述基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围，包括：
17、如果所述目标时段为特定时段，则利用所述特定时段对应的第一范围确定参数，并基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围，其中，所述特定时段为基于所述监控指标的历史数据确定的时段；
18、如果所述目标时段为非特定时段，则利用所述非特定时段对应的第二范围确定参数，并基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围。
19、可选的，还包括：
20、基于异常数据判断是否满足预警条件；
21、如果满足所述预警条件，则通过预设通信通道发送预警信息至维护人员终端；
22、响应于维护人员终端的消除操作，将所述异常数据修改为正常数据。
23、第二方面，本申请公开了一种异常检测装置，包括：
24、数据获取模块，用于获取目标平台在预设历史时段的监控指标对应的历史时序数据；
25、数据预测模块，用于将所述历史时序数据输入数据预测模型进行数据预测，得到所述监控指标在目标时段的预测数据；
26、阈值确定模块，用于基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围；
27、异常检测模块，用于如果所述监控指标在所述目标时段的实际数据中的任意项数据超出所述数据正常阈值范围，则判定所述任意项数据为异常数据。
28、第三方面，本申请公开了一种计算机程序产品，所述计算机程序产品被执行时实现前述的异常检测方法。
29、第四方面，本申请公开了一种电子设备，包括存储器和处理器，其中：
30、所述存储器，用于保存计算机程序；
31、所述处理器，用于执行所述计算机程序，以实现前述的异常检测方法。
32、第五方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的异常检测方法。
33、通过以上方案可知，本申请提供了一种异常检测方法，包括：获取目标平台在预设历史时段的监控指标对应的历史时序数据；将所述历史时序数据输入数据预测模型进行数据预测，得到所述监控指标在目标时段的预测数据；基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围；如果所述监控指标在所述目标时段的实际数据中的任意项数据超出所述数据正常阈值范围，则判定所述任意项数据为异常数据。
34、可见，本申请的有益效果为：利用监控指标的历史时序数据，并结合模型进行数据预测，基于预测数据能够更准确的确定数据正常阈值范围，与实际数据比较从而判断数据是否异常，能够提升异常检测准确度，在增加指标时，获取增加的监控指标对应的历史时序数据，与原有的指标数据一起进行预测以及判断即可，便于增加指标，能够提升异常检测灵活度。
35、相应地，本申请提供的一种异常检测装置、产品、设备及可读存储介质，也同样具有上述技术效果。
本文档来自技高网...【技术保护点】
1.一种异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，所述数据预测模型为利用训练样本集对预设机器学习模型进行训练得到的模型，其中，所述训练样本集包括训练样本和所述训练样本对应的标签，所述训练样本为监控指标对应的时序数据，所述标签为所述训练样本对应的下一时段的预测数据。
3.根据权利要求2所述的异常检测方法，其特征在于，还包括：
4.根据权利要求1所述的异常检测方法，其特征在于，当存在多个不同的数据预测模型，所述基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围，包括：
5.根据权利要求1所述的异常检测方法，其特征在于，所述基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围，包括：
6.根据权利要求1至5任一项所述的异常检测方法，其特征在于，还包括：
7.一种异常检测装置，其特征在于，包括：
8.一种计算机程序产品，其特征在于，所述计算机程序产品被执行时实现如权利要求1至6任一项所述的异常检测方法。
9.一种电子设
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的异常检测方法。
...【技术特征摘要】
1.一种异常检测方法，其特征在于，包括：
2.根据权利要求1所述的异常检测方法，其特征在于，所述数据预测模型为利用训练样本集对预设机器学习模型进行训练得到的模型，其中，所述训练样本集包括训练样本和所述训练样本对应的标签，所述训练样本为监控指标对应的时序数据，所述标签为所述训练样本对应的下一时段的预测数据。
3.根据权利要求2所述的异常检测方法，其特征在于，还包括：
4.根据权利要求1所述的异常检测方法，其特征在于，当存在多个不同的数据预测模型，所述基于所述预测数据确定所述监控指标在所述目标时段对应的数据正常阈值范围，包括：
5.根据权利要求1...
【专利技术属性】
技术研发人员：魏亮，刘桂海，周国庆，李灯泰，
申请(专利权)人：青岛特来电大数据有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。