[发明专利]高维KPI的异常检测方法、装置、计算机可读介质及设备

权利要求书

1.一种高维KPI的异常检测方法，其特征在于，包括：

获取历史上出现的异常KPI的数据，并根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI；

对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，所述异常波动传播链至少包括两个具有一定异常波动关联性的异常KPI；

获取各待检测KPI的实时数据，并将各所述待检测KPI的数据曲线分别与各所述聚类中心KPI的数据曲线进行匹配；

将存在与任一所述聚类中心KPI相匹配的待检测KPI确定为第一目标检测KPI；

将不存在与任一所述聚类中心KPI相匹配的待检测KPI与各所述异常波动传播链中的异常KPI进行匹配，确定与同一所述异常波动传播链相匹配的待检测KPI，并将与同一所述异常波动传播链相匹配的待检测KPI中最先引起异常波动的待检测KPI确定为第二目标检测KPI；

针对所述第一目标检测KPI，调用与其相匹配的聚类中心KPI对应的异常检测模型对所述第一目标检测KPI进行异常检测，以获取所述第一目标检测KPI的第一异常检测结果；

根据所述第二目标检测KPI的类型，调用与所述类型对应的异常检测模型对所述第二目标检测KPI进行异常检测，以获取所述第二目标检测KPI的第二异常检测结果，所述类型包括波动型、稳定型或周期型。

2.根据权利要求1所述的方法，其特征在于，根据各所述异常KPI之间的曲线形状相似度进行聚类处理，以确定聚类所得到的各聚类簇的聚类中心KPI，包括：

对各所述异常KPI的数据进行预处理，所述预处理至少依次包括缺失值处理、异常值剔除和标准化处理；

对预处理后的所述异常KPI的时间序列两两进行曲线相似性计算，得到曲线形状相似性矩阵；

根据所述曲线形状相似性矩阵，采用聚类算法对曲线形状相似的异常KPI进行聚类，并确定聚类所得到的各聚类簇的聚类中心KPI。

3.根据权利要求2所述的方法，其特征在于，对预处理后的所述异常KPI的时间序列两两进行曲线相似性计算，得到曲线形状相似性矩阵，包括：

采用基于互相关的相似性度量算法，对于两个长度为n的异常KPI时间序列和及位移s，采用以下公式计算标准化互相关NCC以及曲线形状相似性度量SSM：

其中，

将计算得到的所述曲线形状相似性度量SSM作为矩阵元素，以得到曲线形状相似性矩阵。

4.根据权利要求1所述的方法，其特征在于，对未成功聚类的剩余所述异常KPI进行异常波动关联性分析，构建异常波动传播链，包括：

采用时间序列预测算法对未成功聚类的剩余所述异常KPI进行预测，以获取各异常KPI对应的预测序列；

根据所述异常KPI的真实时间序列以及对应的预测序列之间的差值，提取各所述异常KPI的异常波动特征序列；

根据所述异常波动特征序列两两进行异常波动特征相关性计算，确定所述异常波动特征序列之间的相关性系数；

将所述相关性系数作为矩阵元素，以构建异常波动相关性矩阵；

根据聚类算法对所述异常波动相关性矩阵进行聚类，以构建异常波动传播链，并确定每一所述异常波动传播链中最先引起异常波动的异常KPI。