[发明专利]一种中间件异常监测装置以及方法

权利要求书

1.一种中间件异常监测方法，其特征在于，包括如下步骤：

agent启动后，通过agent或流量镜像采集相关中间件的Metrics，经过初步处理，以时序数据的形式实时写入消息队列和TSDB中进行保存；

从TSDB中定期读取各中间件的Metrics，区分不同中间件Metrics的偏度，并根据不同偏度选择对应的模型建立监测模型；

监测模型基于Storm对消息队列中的时序数据进行实时流处理后进行多端异常告警。

2.如权利要求1所述的中间件异常监测方法，其特征在于，所述监测模型的建立流程如下：

对TSDB中保存的时序数据进行数据清洗和数据预处理；

对时序数据进行概念漂移检测，然后截取时序列表，接着通过ADF检验来判断时序序列是否平稳，如果存在单位根就是非平稳时间序列，继续流程，反之，则通过箱形图建模；

继续流程时，对截取时序数据进行时序周期性分析，再根据周期性分析对数据按时间窗口分桶后计算得出偏度，最后低、中和高偏度分别通过MAD、平滑移动模型和箱形图进行建模。

3.如权利要求1所述的中间件异常监测方法，其特征在于，所述概念漂移检测的流程如下：

a)从时序数据中获取N个采样点信号值作为初始排序列，对初始排序列从小到大进行排序，得到中值；

b)中值平滑后的序列数据进一步分析，如果每个点都大于前序点位，则该序列为单调递增，反之，则为单调递减；如果存在长期趋势，则不存在漂移，判断逻辑终止；

c)在平滑序列中，x_t1为当前样本点，如果f(x_tt1)始终小于当前样本点右边序列的Minimum，则存在概念漂移，如果当前样本点左边序列的Minimum始终大于f(x_tt1)，则存在概念漂移；

d)如识别出时序数据存在概念漂移，则根据漂移点x_t切割输入时序，截取x_t右侧的样本数据集合作为检测模型的输入。

4.如权利要求1所述的中间件异常监测方法，其特征在于，根据周期性分析对时序数据按时间窗口分桶后计算出偏度的步骤为：

如果Metrics存在周期性，周期记为T，将输入时序S根据跨度T进行切割，对由各个时间索引k∈{0,1,…,T-1}组成的Buckets进行偏度计算，根据偏度来建模；

当Metrics不存在长期趋势且存在周期性时，∫f²(x)dx＝∫f(x)f(x+T)dx∫f(x)f(x+t)dx，其中T代表的是数据的时间周期跨度，通过计算ACF和PACF，即计算出t取不同值时∫f(x)f(x+t)dx的值，然后分析自相关峰的间隔来确定周期性；

如果Metrics不存在周期性，则将全部时序作为Buckets进行偏度计算，再根据偏度建模。

5.如权利要求4所述的中间件异常监测方法，其特征在于，所述偏度的计算方式如下：

首先计算样本集的均值计为s为样本集的标准差，m₃为样本集的三阶中心距，根据下述公式，得到样本集偏度

。

6.如权利要求4所述的中间件异常监测方法，其特征在于，当Metrics不存在长期趋势且存在周期性时，所述周期T的计算方式如下：

首先使用滑动平均模型法提取长期趋势，将其和原序列相减得到期望值和实际值之间的差值序列，即残差序列；然后通过循环移动残差序列，与残差序列进行向量点乘来计算出残差的循环自相关数据集，根据该数据集的若干波峰，取时间坐标间隔来确定周期T。

7.如权利要求1所述的中间件异常监测方法，其特征在于，所述数据预处理的步骤为：先对时序数据进行数据平滑，然后补充缺失值，最后预聚合中间件的Metrics。

8.一种中间件异常监测装置，其特征在于，包括：

旁路数据采集模块，用于agent启动后，通过agent或流量镜像采集相关中间件的Metrics，经过初步处理，以时序数据的形式实时写入消息队列和TSDB中进行保存；

异步建模模块，用于从TSDB中定期读取各中间件的Metrics，区分不同中间件Metrics的偏度，并根据不同偏度选择对应的模型建立监测模型；

实时监测模块，用于监测模型基于Storm对消息队列中的时序数据进行实时流处理后进行多端异常告警。