[发明专利]一种基于细粒度事件和KPIs分析的异常原因获得方法

权利要求书

1.一种基于细粒度事件和KPIs分析的异常原因获得方法，其特征在于，包括以下步骤：

步骤1：读取细粒度事件数据和原始KPIs数据；

步骤2：对输入的原始KPIs数据进行特征提取获得新的KPIs数据；

步骤3：将原始的KPIs数据进行快速聚类，将相似的KPIs归类成簇，先只对事件序列和簇“中心点”进行初步分析，为后续进一步相关性分析节约处理时间做准备；

步骤4：将细粒度事件数据和步骤3得到的每一类簇中心的特征提取后新的KPIs数据进行相关分析得出结果；相关分析具体包括：这两者是否相关，如果相关，是正相关还是负相关；

步骤5：所有的结果进行关系因果分析；

步骤6：生成异常因果图时，给出相关KPIs类中相似度前N项的KPIs数据之间的关联关系，就可反向进行关系分析生成多因异常因果图；

步骤2的特征提取是通过时间序列提取不同异常波动的特征；

步骤2的特征提取是把原始KPIs数据中孤立点、转折点和异常区域三种不同的异常进行识别和有机的加权组合；

三类异常的提取方法：

(1)捕获孤立点异常方法：给定一个时间序列根据计算预测出t时刻的s_t的预测值期望值，用p_t表示；用s_t-p_t的值表示预测偏差Pe，即Pe_t＝s_t-p_t；如果偏差超出某个固定阈值，异常则被捕获；偏差数据在固定阈值内时，利用相对误差进行优化，相对误差

(2)捕获转折点异常方法；使用核密度估计误差的分布，然后用K-L散度来计算差异TP_e；

(3)捕获异常区域的方法：异常区域是与其他时间序列的平均偏差相比，偏差大于某个固定阈值的时间序列，计算时间序列的平均偏差相对于其他时间序列的大小。

2.根据权利要求1所述的一种基于细粒度事件和KPIs分析的异常原因获得方法，其特征在于，步骤4中，将相关性的判断转化为两样本问题，两样本假设检验的核心是判断两个样本是否来自相同的分布；首先选取事件发生前或者后对应的N段长为k的时序样本数据，用A1表示；样本组A2则是在时间序列上随机选取一系列长度为k的样本数据；样本集为A1并上A2；如果细粒度事件和时间序列相关，则A1和A2的分布不同，否则分布相同。

3.根据权利要求1所述的一种基于细粒度事件和KPIs分析的异常原因获得方法，其特征在于，步骤6中，进行生成异常因果图时，根据快速聚类的结果，首先判断事件序列和聚类结果集合中的“中心点”是否相关，如果相关，则将考察次事件序列和此聚类集合中的所有时间序列进行相关分析；否则，不再考察此聚类结果集合中的数据与事件序列之间的相关性；考虑每个簇中的前N项相关KPIs从而得到不同KPIs之间的波动的关联关系，反向推出导致这样的波动的细粒度的事件，每个细粒度事件和不同的KPIs会得到相关性数值；对于每个细粒度事件本文选择前k个相关度最高的KPIs组成集合，然后再根据KPIs聚类的结果处理；将各自的相关性按照事件关联顺序组织起来，形如，表示：细粒度事件FE发生后使得时间序列数据S_i降低的变化进而影响时间序列数据S_j增加的变化；最终对多因进行可能性大小判断生成异常因果图。