[发明专利]一种智能IT运维系统的KPI异常预警方法

说明书

本发明公开了一种智能IT运维系统的KPI异常预警方法，包括步骤：S1，确定相邻时间异常数据，并将相邻时间异常数据组成异常数据组；S2，确定异常数据过渡过程时间组；S3，计算步骤S2中异常数据过渡过程时间组起始时间点内的趋势波动点；S4，基于步骤S2、S3的数据，计算并记录趋势信息和最值趋势信息；S5，利用步骤S4中的趋势信息和最值趋势信息，在实时异常预警中判断实时数据是否发生异常。本发明既能够准确的学习历史异常数据的趋势信息，又能够避免人为进行大量的特征工程，对于保证IT设备异常预测的准确率、减轻人工工作量，具有十分重要的作用。

技术领域

本发明涉及智能IT运维系统KPI异常预测领域，更为具体的，涉及一种智能IT运维系统的KPI异常预警方法。

背景技术

近年来，随着各行业的业务的不断发展，越来越多的IT设备投入到各行业生产环境中。IT设备是否正常运行，直接关系到业务系统是否正常运转。目前，已经有许多KPI（KeyPerformance Indicators）异常检测算法已经应用到IT设备故障检测当中。但是KPI异常检测算法必须是在异常发生之后才能发挥作用，并不能预测未来是否可能会发生异常。此时虽然能够正确的检测到故障的发生，但是已经对业务造成了影响。因此，能否准确的预测IT设备未来是否可能会发生异常，让运维人员尽早干预，对于维持业务系统持续不断的正常运转，具有重要的作用。

由于IT设备KPI通常都是时序数据，因此在常规的异常预测算法中，将其理解为一个时序数据预测问题，然后采用传统时序预测算法（如：Holt-Winters、STL、ARIMA）进行预测。传统时序预测算法将时间序列分解为趋势性、周期性，通过历史时序数据的趋势性预测未来时间的数据。因此，当时序数据无明显的趋势性、时，传统时序预测算法会出现较大误差。

另外一种异常预测思路，使用决策树算法学习历史时序数据中曾出现的异常趋势。在对原始时序数据进行充分的特征工程之后（如：同比、环比等特征构造法），使用有监督学习的决策树算法，可以很好的学习到历史异常发生时的趋势信息。但是决策树算法非常依赖大量的特征工程，特征工程的效果往往决定了异常预测效果的优劣，因此也限制了决策树算法在异常预测中的应用。

发明内容

本发明的目的在于克服现有技术的不足，提供一种智能IT运维系统的KPI异常预警方法，既能够准确的学习历史异常数据的趋势信息，又能够避免人为进行大量的特征工程，对于保证IT设备异常预测的准确率、减轻人工工作量，具有十分重要的作用等。

本发明的目的是通过以下方案实现的：

一种智能IT运维系统的KPI异常预警方法，包括步骤：

S1，确定相邻时间异常数据，并将相邻时间异常数据组成异常数据组；

S2，确定异常数据过渡过程时间组；

S3，计算步骤S2中异常数据过渡过程时间组起始时间点内的趋势波动点；

S4，基于步骤S2、S3的数据，计算并记录趋势信息和最值趋势信息；

S5，利用步骤S4中的趋势信息和最值趋势信息，在实时异常预警中判断实时数据是否发生异常。

进一步地，步骤S1包括子步骤：

S101，设定阈值K，将历史KPI数据与阈值K对比，大于等于K的标记为1，小于K的标记为0；

S102，遍历历史KPI数据，找到当前时间点为1的数据即异常数据，且前一个时间点为0即正常数据的入点时间，并记录到时间序列time1_pre；

S103，遍历历史KPI数据，找到当前时间点为1即异常数据，且后一个时间点为0即正常数据的出点时间，并记录到时间序列time1_last；