[发明专利]KPI异常数据检测方法及装置、存储介质及电子设备

说明书

本申请提供了一种KPI异常数据检测方法及装置、存储介质及电子设备，将待检测时间点、待检测时间点的前一个时间点、以及待检测时间点的后一个时间点各自对应的KPI向量序列分别输入至特征模型中，得到每个KPI向量序列对应的上下文特征；基于各个上下文特征，计算待检测时间点的数据异常概率；若数据异常概率大于异常阈值，则确定待检测时间点对应的KPI数据中存在异常的KPI数据，否则，不存在异常的KPI数据。可见，本技术方案，基于待检测时间点、待检测时间点的前一个时间点以及待检测时间点的后一个时间点各自对应的上下文特征，确定待检测时间点是否存在异常的KPI数据，提高了KPI异常数据检测的准确性。

技术领域

本申请涉及运维监控技术领域，尤其涉及一种KPI异常数据检测方法及装置、存储介质及电子设备。

背景技术

随着科技信息产业的发展，越来越多的企业走向智能化，企业的日常运行已经越来越离不开自动化设备的支持。各个设备，必须保持稳定、良好的运行状态，才能保证整个企业健康发展。因此，对系统平台中的各设备每一时间点所产生的运维数据进行关键性能指标(KeyPerformanceIndicator，KPI))数据异常检测，及时发现异常KPI数据，进而及时诊断并修复异常的设备，对企业健康发展具有重大意义。

现有技术中，KPI异常数据检测的过程为：将待检测时间点对应的各个KPI数据与预设阈值进行比较，进而确定出待检测时间点是否存在异常KPI数据。现有的KPI异常数据检测准确度较低。

发明内容

发明人在研究过程中发现，待检测时间点对应的KPI数据是否异常往往依赖于待检测时间点的上一个时间点对应的各个KPI数据，以及下一个时间点对应的各个KPI数据，基于此，本申请提供了一种KPI异常数据检测方法及装置，存储介质及电子设备，目的在于解决现有的KPI异常数据检测准确度较低的问题。

为了实现上述目的，本申请提供了以下技术方案：

一种KPI异常数据检测方法，包括：

获取待检测数据序列；所述待检测数据序列中包括待检测时间点对应KPI向量序列、所述待检测时间点的前一个时间点对应的KPI向量序列、以及所述待检测时间点的后一个时间点对应的KPI向量序列，每个KPI向量序列中包括多个KPI向量，每个所述KPI向量依据自身的参考时间点对应的KPI数据进行向量化处理所得到，每个所述KPI向量的参考时间点依据所述KPI向量在所述KPI向量所属的KPI向量序列中的位置确定；

将所述待检测数据序列中包含的各个KPI向量序列分别输入至预先构建的特征模型中，得到每个KPI向量序列对应的上下文特征；

基于每个KPI向量序列对应的上下文特征，计算所述待检测时间点的数据异常概率；

若所述数据异常概率大于预设的异常阈值，则确定所述待检测时间点对应的KPI数据中存在异常的KPI数据；

若所述数据异常概率不大于所述异常阈值，则确定所述待检测时间点对应的KPI数据中不存在异常的KPI数据。

上述的方法，可选的，所述基于每个KPI向量序列对应的上下文特征，计算所述待检测时间点的数据异常概率，包括：

基于所述待检测时间点的KPI向量序列对应的上下文特征和所述待检测时间点的前一个时间点的KPI向量序列对应的上下文特征，计算所述待检测时间点与所述待检测时间点的前一个时间点之间的第一数据相似度；

基于所述待检测时间点的KPI向量序列对应的上下文特征和所述待检测时间点的后一个时间点的KPI向量序列对应的上下文特征，计算所述待检测时间点与所述待检测时间点的后一个时间点之间的第二数据相似度；

基于所述第一数据相似度和所述第二数据相似度，计算所述待检测时间点的数据异常概率。