[发明专利]异常数据检测方法、装置及服务器

说明书

一种异常数据检测方法、装置及服务器，该方法包括：获取目标检测对象在当前时刻的监测数据，以及当前时刻之前预设时间段的历史监测数据和历史监测数据的时间特征；根据历史监测数据和历史监测数据的时间特征，确定目标检测对象在当前时刻的预测数据；根据预测数据与监测数据的相对误差，对目标检测对象在当前时刻的监测数据进行异常检测。由于采用历史监测数据和历史监测数据的时间特征，对当前时刻进行预测，能够适应数据自身变化趋势，提高了异常检测的准确率。

技术领域

本发明涉及计算机技术领域，具体涉及一种异常数据检测方法、装置及服务器。

背景技术

随着计算机科学技术的不断发展，互联网中越来越多的应用运行于服务器上。运行数据的异常波动有可能反应了应用的异常状态，因此服务器需要对运行数据进行监测，以及时发现应用的异常状态并进行告警。

目前常用的异常数据检测方法主要包括固定阈值法。所谓固定阈值法是由人工设定数据某项指标的阈值，若当前时刻监测数据的该项指标达到该阈值时，判定为异常数据。显然，该方法无法适应数据自身随着时间的正常波动，导致检测的准确率低。举例来说，一个娱乐型应用在工作日和节假日的运行数据可能相差甚远；同一个应用在白天和夜间的运行数据也可能大相径庭。因此，亟需一种能够适应数据自身变化趋势的异常数据检测方法。

发明内容

本发明提供一种异常数据检测方法、装置及服务器，用于解决现有异常数据检测方法无法适应数据自身变化趋势，检测准确率低的问题。

根据第一方面，一种实施例中提供一种异常数据检测方法，包括：

获取目标检测对象在当前时刻的监测数据，以及当前时刻之前预设时间段的历史监测数据和历史监测数据的时间特征；

根据历史监测数据和历史监测数据的时间特征，确定目标检测对象在当前时刻的预测数据；

根据预测数据与监测数据的相对误差，对目标检测对象在当前时刻的监测数据进行异常检测。

一种实施例中，根据历史监测数据和历史监测数据的时间特征，确定目标检测对象在当前时刻的预测数据，包括：

根据历史监测数据和历史监测数据的时间特征，基于预先训练好的回归模型，确定目标检测对象在当前时刻的预测数据。

一种实施例中，确定目标检测对象在当前时刻的预测数据之前，所述方法还包括：

基于训练数据集对回归模型进行训练，训练数据集中的每一个训练样本包括数据部分和标签部分；

数据部分包括按照预设切分粒度对目标检测对象的历史数据进行切分，获取的第一预设数量的连续数据点以及各数据点所对应的时间特征；

标签部分包括数据部分的连续数据点后紧邻的数据点。

一种实施例中，基于训练数据集对回归模型进行训练，包括：

以每一个训练样本的数据部分作为回归模型的输入，以相应的标签部分作为回归模型的期望输出，确定回归模型的实际输出与期望输出的偏差；

根据第二预设数量的训练样本的偏差，对回归模型进行更新。

一种实施例中，回归模型采用多层卷积神经网络，多层卷积神经网络采用空洞卷积核。

一种实施例中，回归模型采用长短期记忆网络。

一种实施例中，目标检测对象包括以下对象中的至少一种：

CPU占用率、IO占用率、内存占用率、带宽占用率、网络入口流量和网络出口流量。

根据第二方面，一种实施例中提供一种异常数据检测装置，包括：