[发明专利]数据指标异常的监控方法及其系统、存储介质、电子设备

说明书

本发明揭示一种数据指标异常的监控方法及其系统、存储介质、电子设备。所述数据指标异常的监控方法包括如下步骤：获取需监控的数据指标以及与该需监控的数据指标对应的关联数据指标的历史数据；根据所述需监控的数据指标以及所述关联数据指标的历史数据，生成散点图；根据所述需监控的数据指标和所述关联数据指标的历史数据以及散点图，通过分位数回归算法选取上尾、下尾和中位数，并将所述上尾、下尾和中位数作参数、通过机器学习生成学习后的监控样本模型；对比实时获取的需监控的数据指标与所述监控样本模型的数据差异，对需监控的数据指标进行异常检测；其中，对所述需监控的数据指标的异常检测包括异常波动点检测和异常波动趋势检测。

技术领域

本发明涉及一种数据指标异常的监控方法及其系统、存储介质、电子设备。

背景技术

系统运行维护过程中需要对各种数据指标进行监控。目前，现有的对各种系统运行维护过程中的数据指标监控的方式中大多采用设置各种阈值的方式。该方式主要有以下几种问题：

1、阈值精准度不高，一般是一个一刀切的数值，或者是根据历史时间序列同比环比等方式比较，无法适配数据指标的波动和离散情况；

2、对于短时间内未有较大波动异常、但有中长期趋势异常的情况难以发现；

3、需要设置大量的阈值，初步设置时需要大量的工作量进行设置和调整；

4、随着环境的改变(增加业务或改变业务等)，对于新增或更新适配最新数据指标的阈值的维护性较差，需要投入大量人力，往往监控就沦为了摆设。

分位数回归(Quantile Regression)：是计量经济学的研究前沿方向之一，源于1760年，它利用解释变量的多个分位数(例如四分位、十分位、百分位等)来得到被解释变量的条件分布的相应的分位数方程。目前虽然应用于经济学、医学等领域，但这些领域中的应用主要是通过建立模型后，观察分位数的走势，选取特定的分位数值后得出一个统计结论，例如：统计的结论通常为“80％的财富都集中的20％的人手中”；“60岁以上年龄组的统筹基金年人均支出与60岁以下年龄组统筹基金年人均支出的比值一般在2～6倍。在65岁以上年龄组的统筹基金年人均支出与65岁一下年龄组的比值在2～7倍。”等。本发明希望将分位数回归理论应用于系统数据指标的监控领域中，以检测实时获取的数据指标与根据历史数据指标得出的样本模型的偏移情况。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种数据指标异常的监控方法及其系统、存储介质、电子设备，通过分位数回归理论，建立通用的监控样本模型，通过监控样本模型的建立和机器学习的应用，更精准地对数据指标的异常情况进行监控，降低运维成本。

根据本发明的一个方面提供一种数据指标异常的监控方法，所述数据指标异常的监控方法包括如下步骤：S10：获取需监控的数据指标以及与该需监控的数据指标对应的关联数据指标的历史数据；S20：根据所述需监控的数据指标以及所述关联数据指标的历史数据，生成散点图；S30：根据所述需监控的数据指标和所述关联数据指标的历史数据以及散点图，通过分位数回归算法选取上尾、下尾和中位数，并将所述上尾、下尾和中位数作参数、通过机器学习生成学习后的监控样本模型；S40：对比实时获取的需监控的数据指标与所述监控样本模型的数据差异，对需监控的数据指标进行异常检测；其中，对所述需监控的数据指标的异常检测包括异常波动点检测和异常波动趋势检测；所述异常波动点检测至少包括如下步骤：检测当前获取的需监控的数据指标是否处于上尾和下尾限定的区间内；若位于区间外，则将当前获取的需监控的数据指标作为异常数据指标；所述异常波动趋势检测至少包括如下步骤：计算当前获取的需监控的数据指标与中位数偏离的正负趋势的累计值；若该累计值的绝对值大于第一阈值，则将当前获取的需监控的数据指标作为异常数据指标。