[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

说明书

本申请的实施例提供了一种高维KPI的异常检测方法、装置、计算机可读介质及设备。该方法包括：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；根据待检测KPI的实时数据分别与聚类中心KPI和异常波动传播链进行匹配，从而确定第一目标检测KPI和第二目标检测KPI，以分别调用与第一目标检测KPI和第二目标检测KPI相对应的异常检测模型对其进行异常检测。本申请实施例的技术方案提高KPI的异常检测效率，减少需要训练和维护模型的数量，并能保证异常检测结果的准确性。

技术领域

本申请涉及计算机及通信技术领域，具体而言，涉及一种高维KPI的异常检测方法、装置、计算机可读介质及设备。

背景技术

伴随着移动通信技术的发展，移动通信网络的规模不断扩大，网元数量成百上千的增加，如何确保整个通信网络系统稳定、安全的运行，以及如何高效地发现故障和定位故障等将成为运营商需要面对的问题。近年来，随着机器学习、深度学习等技术的发展，结合了互联网人工智能和运维的AIOps(Artificial Intelligence for IT Operations，智能运维)应运而生。其中，关键性能指标KPI(Key Performance Indicator)的异常检测是移动通信智能运维的一个核心技术。

KPI是一种时间序列数据，当KPI中最新出现的观测值明显偏离历史数据时，如突升、突降、抖动等现象，往往意味着相关的应用和服务出现故障，需要在故障扩大影响范围前及时消除故障。传统的移动通信网络KPI异常检测往往是通过对每个KPI分别设置阈值来进行检测，但这种方法严重依赖运维专家的经验，同时随着移动通信网络复杂化、异构化使得KPI种类众多，形成高维度KPI数据，采用传统的异常检测方法存在效率低下和漏检的问题。

发明内容

本申请的实施例提供了一种高维KPI的异常检测方法、装置、计算机可读介质及设备，进而至少在一定程度上可以提高KPI的异常检测效率，减少需要训练和维护模型的数量，并能保证异常检测结果的准确性。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种高维KPI的异常检测方法，该方法包括：

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。

根据本申请实施例的一个方面，提供了一种高维KPI的异常检测装置，该装置包括：