[发明专利]动态阈值异常检测方法、系统、存储介质及智能设备

说明书

本发明公开了一种动态阈值异常检测方法、系统、存储介质及智能设备，所述方法包括：获取对被监控业务指标的历史数据及当前数据进行数据清洗操作，以得到清洗数据；根据所述清洗数据确定当前业务数据的序列类型；根据所述当前业务数据的序列类型将清洗数据输入对应的预测模型，以得到待监控时刻点的阈值基准值；将当前真实数据输入异常检测模块，当该监控时刻点的真实值超出动态阈值范围时，对真实值标记异常并用阈值基准值替换后加入历史数据队列，以便修正模型。本发明能够提高业务监控过程中的波动预警准确率、阈值的适应性，节约人工维护成本，满足了实际应用需求。

技术领域

本发明涉及时间序列的异常检测技术领域，特别是涉及一种动态阈值异常检测方法、系统、存储介质及智能设备。

背景技术

随着电信业务和大数据技术的不断发展，运营商服务类别及业务指标持续增多，同时业务数据的规模也飞速增长。因此面对数据异常波动时，维持的系统稳定性尤为重要，相关的异常检测方法也在持续更新。

目前常用的业务应用监控系统通常通过相关应用阀值设置，以实现数据中心服务器及业务应用系统故障前主动预警。其中，对于相关应用阀值设置，当前主流方法是通过同比、环比等方法设置静态经验阈值，它是将当前时刻数据和前一时刻数据(环比)或者前一天同一时刻数据(同比)比较，超过阈值即认为该点异常。然而该阈值通常依靠人工定义经验阈值，用当前时刻和前一时刻的数据作比较，超过阈值上下限即产生报警，阈值过大则易产生漏报，阈值过小则会产生更多误报，因此该阈值的适应性差，监控视野局限，且人工维护成本高。

发明内容

为了解决上述问题，本发明的目的是提供一种能够提高业务监控过程中的波动预警准确率、阈值的适应性，节约人工维护成本的动态阈值异常检测方法、系统、存储介质及智能设备。

一种动态阈值异常检测方法，所述方法包括：

对被监控业务指标的历史数据及当前数据进行数据清洗操作，以得到清洗数据；

根据所述清洗数据确定当前业务数据的序列类型；

根据所述当前业务数据的序列类型将清洗数据输入对应的预测模型，以得到待监控时刻点的阈值基准值；

获取待监控时刻点的预测值，当该待监控时刻点的真实值为异常值时，对该待监控时刻点的真实值进行阈值基准值替换与异常标记。根据本发明提供的动态阈值异常检测方法，通过对被监控业务指标的历史数据及当前数据进行数据清洗操作，得到清洗数据，从而剔除被监控业务指标中历史数据中的脏数据，修改数据格式为模型可识别的类型，进而提高预设时间周期内的对清洗数据进行数据序列划分的可靠性；通过根据所述清洗数据确定当前业务数据的序列类型，以便于及时确定符合要求的预测模型；通过根据所述当前业务数据的序列类型将清洗数据输入对应的预测模型，得到待监控时刻点的阈值基准值，以便于根据该阈值上下限范围进行异常点检测，并过滤异常数据；通过获取待监控时刻点的预测值，输入待监控时刻点的真实值进行检测，当真实值为异常时，对该待监控时刻点的真实值进行阈值基准值替换与异常标记，以避免历史监测点若存在异常而影响后续待检测点检测的准确性，为后续告警提供参考。本发明能够适用于复杂多变的业务场景、能够快速有效地识别业务数据中的异常情况，减少误报与漏报，为业务生产提供告警与支撑，满足了实际应用需求。

另外，根据本发明上述的动态阈值异常检测方法，还可以具有如下附加的技术特征：

进一步地，对被监控业务指标的历史数据及当前数据进行数据清洗操作，以得到清洗数据的方法包括：

获取被监控业务指标的历史数据及当前数据，对该被监控业务指标的历史数据及当前数据进行抽取与分解形成清洗因子；

根据所述清洗因子对被监控业务指标的历史数据及当前数据进行数据清洗操作；

将预设时间周期内的所述清洗数据划分为若干段数据序列。