[发明专利]一种基于异类挖掘的故障预警算法

说明书

技术领域

本发明涉及故障预警算法技术领域，尤其涉及一种基于异类挖掘的故障预警算法。

背景技术

随着科学的进步和社会的发展，越来越多的现代化设备走进人们的生活，现代化的设备不但是人们的生活变得便捷，而且现代化的设备还推动了社会的进步。

网站的故障运行模式在网站运行中是非典型的运行模式，因此在网站运行数据的数据库中可能包含一些数据对象，他们与数据的一般行为或模型不一致，这些数据对象就是异常点或称为异类点。

现有技术下，很多数据挖掘的方法都会最小化这类数据点的影响，或者将这类数据点作为噪声进行排除。但是对于故障预警系统来说，异类点十分重要，其中隐藏着重要的信息故障，预示这系统的运行故障，如果排除这些异类点，不利于网站故障的排查，严重的甚至引起网站的瘫痪。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于异类挖掘的故障预警算法。

本发明提出的一种基于异类挖掘的故障预警算法，包括以下步骤：

S1：进行属性异常点检测，按照数据对象的属性逐个判断数据点是否是异常点；

S2：根据异常属性的定义检测并标记处数据对象的异常属性；

S3：根据数据对象的异常标记分离并输出异常点的数据；

S4：进行时序异常点检测，将若干个相邻时序点的组合，可以通过模式结构的异常或者出现频率的异常进行检测，显著异常数据的特征，完成故障预警。

优选地，所述S1中，判断一个数据属性的对象的所处密度，当对象在某个属性中的密度出现异常时，就将该对象标记为异常。

优选地，所述S4中，当时序点的变化程度异常，则表示该点的变化十分不稳定，那么该点即为异常模式的组成部分的可疑点之一。

优选地，所述S4中，通过提取重要点的特征，来判断数据异常模式。

本发明中，将异常点即不看成是背景的噪声点，也不将异常点归属于某个具体的聚类中。检测出来的这类数据只是不符合数据的一般模型，它们与数据的其他部分不同或不一致。对于属性的异常检测充分的考虑到了单个属性的异常对故障数据判断的重要性。而时序异常点检测的方法充分的考虑到了随着时间的变化网站的数据的自然变化趋势，非常适合这种业务快速发展阶段的数据故障预警，方法简单，效率高。

具体实施方式

下面结合具体实施例对本发明作进一步解说。

实施例

本实施例提出了一种基于异类挖掘的故障预警算法，包括以下步骤：

S1：进行属性异常点检测，按照数据对象的属性逐个判断数据点是否是异常点；

S2：根据异常属性的定义检测并标记处数据对象的异常属性；

S3：根据数据对象的异常标记分离并输出异常点的数据；

S4：进行时序异常点检测，将若干个相邻时序点的组合，可以通过模式结构的异常或者出现频率的异常进行检测，显著异常数据的特征，完成故障预警。

本实施例中，S1中，判断一个数据属性的对象的所处密度，当对象在某个属性中的密度出现异常时，就将该对象标记为异常，S4中，当时序点的变化程度异常，则表示该点的变化十分不稳定，那么该点即为异常模式的组成部分的可疑点之一，S4中，通过提取重要点的特征，来判断数据异常模式，显著异常数据的特征，完成故障预警，S1中，初始化异常标记数组，然后对单个数据对象属性进行异常行检测，并更新异常标记数组，直至对所有数据对象进行属性检测，继而分离出检测到的异常点数据，最后输出异常点数据，预警的正确的提高，S4中，为降低时间序列不稳定的影响，通过选择部分极大突变系数值和极小突变系数值得时序点，舍弃其他的时序点来压缩时间序列，这样可以舍弃时序数据的小的波动，保留主要的极大突变系数和极小突变系数，最后可以通过提取重要点的特征，来判断异常模式，一种基于异类挖掘的故障预警算法，将异常点即不看成是背景的噪声点，也不将异常点归属于某个具体的聚类中。检测出来的这类数据只是不符合数据的一般模型，它们与数据的其他部分不同或不一致。对于属性的异常检测充分的考虑到了单个属性的异常对故障数据判断的重要性。而时序异常点检测的方法充分的考虑到了随着时间的变化网站的数据的自然变化趋势，非常适合这种业务快速发展阶段的数据故障预警，方法简单，效率高，方法简单，效率高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。