[发明专利]异常指标检测方法、装置、计算机设备和存储介质

说明书

本发明涉及异常指标检测方法、装置、计算机设备和存储介质。本发明提出了一种异常指标检测方法。该方法包括：获取原始时间序列，原始时间序列包括目标数据点和目标数据点之前的历史数据点，目标数据点包括原始时间序列中在待测时间点上报的指标值，历史数据点包括原始时间序列中按照上报时间顺序排列的在待测时间点之前的时间点上报的指标值序列；将原始时间序列输入到异常检测模型中，异常检测模型对原始时间序列进行处理得到针对目标数据点的异常检测结果，根据目标数据点的异常检测结果确定待测时间点上报的指标是否异常，其中异常检测模型通过深度学习进行训练得到。本发明所提出的技术方案具有召回率高、准确率高、应用场景广的优点。

技术领域

本发明涉及人工智能和机器学习的技术领域，特别是涉及异常指标检测方法、装置、计算机设备和存储介质。

背景技术

人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习等技术。

信息技术服务性能指标通常是一组数值数据。传统的通过人为设定阈值来进行异常指标检测的方案维护成本很高，需要根据观察或经验来人为设定阈值，超过阈值的点就被认为是异常。在Dapeng Liu等人Opprentice：towards Practical and automaticanomaly detection through machine learning，Proceedings of the 2015 InternetMeasurement Conference. ACM，2015中，提出了一种基于特征工程和随机森林方法来进行异常值检测的系统。通过最后测试集的测试，在满足召回率大于0.66的情况下，准确率可以达到0.83以上。现有技术的维护成本很高，需要人力投入来维护阈值；使用场景窄，召回率低，跟不上业务调整的速度；并且因为数值形态各异、用单纯阈值较难覆盖全部曲线而准确率低。

发明内容

本发明的实施例至少部分地解决上面提及的问题。

根据本发明的第一方面，提出了一种异常指标检测方法。该方法包括：获取原始时间序列，原始时间序列包括目标数据点和目标数据点之前的历史数据点，目标数据点包括原始时间序列中在待测时间点上报的指标值，历史数据点包括原始时间序列中按照上报时间顺序排列的在待测时间点之前的时间点上报的指标值序列；将原始时间序列输入到异常检测模型中，异常检测模型对原始时间序列进行处理得到针对目标数据点的异常检测结果，根据目标数据点的异常检测结果确定待测时间点上报的指标是否异常，其中异常检测模型通过深度学习进行训练得到。