[发明专利]一种指标时间序列异常检测方法、系统及存储介质

说明书

本申请涉及一种指标时间序列异常检测方法、系统及存储介质，该指标时间序列异常检测方法，包括：接收指标时间序列在检测时间点的实际观测值；使用时间序列预测模型确定指标时间序列在检测时间点的指标预测值；根据实际观测值和指标预测值确定异常事件；使用报警模型确定异常事件是否为报警事件，其中，报警模型是通过被标记为报警事件的异常事件作为训练数据集训练得到的。通过本申请，提高了异常检测准确率，降低了误报率和漏报率。并且，本申请中分阶段的异常检测，使得异常检测问题在概念上更加简单，可靠性和可控性更好。

技术领域

本申请涉及计算机技术领域，尤其涉及一种指标时间序列异常检测方法、系统及存储介质。

背景技术

时间序列是将指标在不同时刻下的数值，按照时间先后顺序排列而形成的序列。异常(Anomaly)是指序列数据中和预期(正常/normal)行为不一致的点或者模式。

导致异常产生的原因有很多，包括硬件物理错误、软件运行异常和资源限制等。数据中出现异常通常意味着这些信息需要特别的关注和处理，以确定事件的根源。异常和事件的相关性是异常检测的一个重要特征。

相关技术中的异常检测算法，一些具有较高的漏报率(将异常误认为正常)，一些具有很高的误报率(将正常误认为异常)。而漏报或误报均影响异常检测的作用，一方面漏报率高使得异常无法及时发现和处理，另一方面，误报率高使得数据量大加大异常分析的工作量。此外，一些检测算法不具备普适性。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种指标时间序列异常检测方法、系统及存储介质。

第一方面，本申请提供了一种指标时间序列异常检测方法，包括：接收指标时间序列在检测时间点的实际观测值；使用时间序列预测模型确定指标时间序列在检测时间点的指标预测值；根据实际观测值和指标预测值确定异常事件；使用报警模型确定异常事件是否为报警事件，其中，报警模型是通过被标记为报警事件的异常事件作为训练数据集训练得到的。

在某些实施例中，根据上述实际观测值和上述指标预测值确定异常事件，包括：使用残差模型确定上述实际观测值与上述指标预测值之间的偏离度；根据该偏离度和异常阈值确定上述指标时间序列在上述检测时间点是否为异常事件。

在某些实施例中，上述残差模型的偏离度量与时间序列预测模型的参数拟合中使用的度量一致。

在某些实施例中，上述残差模型的偏离度量为绝对误差偏离(Absolute Error，简称为AE)，时间序列预测模型的参数拟合中使用的度量为均方误差(Mean Square Error，简称为MSE)。

在某些实施例中，使用报警模型确定上述异常事件是否为报警事件之前，还包括：通过上述指标时间序列对应的过滤器过滤异常事件，其中，过滤器与指标时间序列相关联。

在某些实施例中，使用报警模型确定异常事件是否为报警事件，包括：使用上述指标时间序列对应的报警模型确定上述异常事件是否为报警事件，其中，指标时间序列对应的报警模型是通过该指标时间序列对应的训练数据集训练得到的。

在某些实施例中，上述实际观测值与上述指标预测值之间的偏离度为上述报警模型的潜输入变量。

在某些实施例中，报警模型是通过超参优化方法训练得到的，其中，超参优化的参数包括平滑参数和报警阈值。

第二方面，本申请提供了一种系统，该系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；计算机程序被处理器执行时实现指标时间序列异常检测方法的步骤。

第三方面，本申请提供了一种计算机可读存储介质，该计算机可读存储介质上存储有指标时间序列异常检测程序，该指标时间序列异常检测程序被处理器执行时实现指标时间序列异常检测方法的步骤。