[发明专利]一种监控数据的异常检测方法、装置及设备

说明书

本发明的实施例提供一种监控数据的异常检测方法、装置及设备，方法包括：获得运维系统的监控数据的原始时间序列数据以及所述原始时间序列数据的能量序列；对所述能量序列进行平稳化处理，得到第一处理结果；对所述第一处理结果进行异常点统计分析，得到第二处理结果；根据所述第二处理结果，确定所述原始时间序列数据中的异常点。通过上述方式，本发明对平稳化后的第一处理结果进行异常点的统计，计算时间大大减少，对内存等资源需求也较少，从而提高了运算效率并节省算力，该方法具有较好的通用性和高效性。

技术领域

本发明涉及信息处理技术领域，特别是指一种监控数据的异常检测方法、装置及设备。

背景技术

近年来随着数据分析和人工智能领域的蓬勃发展，越来越多时间序列异常检测算法应用到数据监控领域。常见的有统计方法、时间序列分解类方法、预测类方法和深度学习类方法。深度学习类方法基于构建神经网络模型，对历史时间序列数据规律进行学习，从而对未来一段时间的数据进行预测，进而将预测数据与实际数据对比进行异常判断。该类算法具有捕获非线性规律的优点，且能够学习到不同时间点之间的依赖关系。但是其存在输入参数数量较多、由模型得到的结果可解释性差、算法结果鲁棒性较弱的一系列特点（通用性、高效性），因此在实际业务环境的落地过程中难以满足要求，更适于学术研究。在时间序列分解类的算法中，其基本思想是将时间序列分解为多项，其后通过预测的方法进行异常检测，这类算法的结果具有较好的可解释性。分解后各部分间的正交性是时间序列分解类算法的数学前提，这带来了参数数量过多、算法计算时间长的缺点。统计类方法假定数据服从某种分布，根据给定分布下的统计特性对数据异常与否进行判断，该类方法具有计算效率高的优势，但它对数据的统计特性要求较高，通常要求指标数据在时间上是平稳的。其判定异常点的形式与固定阈值相似，在实际生产运用过程中易产生误报和漏报的现象。特征提取类方法通常将时间序列数据映射到频率空间，通过对不同频率成分进行分析，从而判断出异常数据，该类方法更适用于异常检测中的“上下文”异常，由于其需要进行频域分析，对计算机算力要求较高，通常难以在海量指标场景下应用。

发明内容

本发明要解决的技术问题是如何提供一种监控数据的异常检测方法、装置及设备。解决现有技术中基于监控数据下的时间序列数据异常检测的方法通用性差和高效性差的问题。

为解决上述技术问题，本发明的实施例提供以下方案：

一种监控数据的异常检测方法，包括：

获得运维系统的监控数据的原始时间序列数据以及所述原始时间序列数据的能量序列；

对所述能量序列进行平稳化处理，得到第一处理结果；

对所述第一处理结果进行异常点统计分析，得到第二处理结果；

根据所述第二处理结果，确定所述原始时间序列数据中的异常点。

可选的，获得所述原始时间序列数据的能量序列，包括：

对所述原始时间序列数据中的每个点取平方运算，得到所述原始时间序列数据的能量序列。

可选的，对所述能量序列进行平稳化处理，得到第一处理结果，包括：

对所述能量序列进行趋势性数据去除操作处理，得到中间处理结果；

对所述中间处理结果进行周期性数据去除操作处理，得到第一处理结果。

可选的，对所述能量序列进行趋势性数据去除操作处理，包括：

通过G_t=g_t-g_(t-1)对所述能量序列进行趋势性数据去除操作处理；其中，G_t为所述中间处理结果，g_t为t时刻的能量序列；g_(t-1)为t时刻的前一时刻的能量序列。

可选的，对所述中间处理结果进行周期性数据去除操作处理，包括：