[发明专利]异常检测的方法、装置、介质和计算设备

说明书

本发明的实施方式提供了一种异常检测的方法。该方法包括：获取针对应用程序的多个任务流，多个任务流中的每一任务流包括多个任务节点；确定血缘关系，血缘关系指示了所述多个任务流之间的依赖关系以及多个任务流中各任务节点之间的依赖关系；响应于检测到异常事件，确定与异常事件直接相关的第一任务节点；以及根据第一任务节点和血缘关系，从多个任务流中确定造成异常事件的根源任务流。本发明根据血缘关系和与异常事件直接相关的第一任务节点，能够较为快速地确定造成异常事件的根源任务，从而提高了检测效率。此外，本发明的实施方式提供了一种异常检测的装置、一种介质和一种计算设备。

技术领域

本发明的实施方式涉及计算机技术领域，更具体地，本发明的实施方式涉及一种异常检测的方法、装置、介质和计算设备。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

数据仓库(Data Warehouse)，是为企业所有级别的决策制度过程提供所有类型数据支持的战略集合。其可以为需要业务智能的企业提供指导业务流程改进、监视时间、成本、质量以及控制。

目前，相关技术对于数据仓库任务(以下简称数仓任务)的异常检测采用如下方法：在发生异常事件时，遍历查询所有数据模型直至找到出错的数据模型，再根据该数据模型找到与之对应的数仓任务，然后根据数仓任务的直接层级(直接上游或者直接下游)递归向该数仓任务上游进行溯源。

但是，相关技术方案根据数仓任务之间直接层级的关系查找异常源头，涉及大量的递归运算。

因此在相关技术中，实现异常检测的过程需要消耗较多运算资源，效率较低，这是非常令人烦恼的过程。

发明内容

为此，非常需要一种改进的异常检测的方法，以减少异常检测消耗的运算资源，提高检测的效率。

在本上下文中，本发明的实施方式期望提供一种异常检测的方法、装置、介质和计算设备。

在本发明实施方式的第一方面中，提供了一种异常检测的方法，包括：获取针对应用程序的多个任务流，所述多个任务流中的每一任务流包括多个任务节点；确定血缘关系，所述血缘关系指示了多个任务流之间的依赖关系以及多个任务流中各任务节点之间的依赖关系；响应于检测到异常事件，确定与异常事件直接相关的第一任务节点；以及根据第一任务节点和血缘关系，从多个任务流中确定造成异常事件的根源任务流。

在本发明的一个实施例中，上述确定血缘关系，包括：执行应用程序；通过监测多个任务流中各任务节点的执行进程，确定血缘关系。

在本发明的另一实施例中，上述根据第一任务节点和所述血缘关系，从多个任务流中确定造成异常事件的根源任务流，包括以下步骤：步骤1，根据血缘关系，确定第一任务节点所依赖的至少一个第二任务节点；步骤2，针对至少一个第二任务节点中的每一个第二任务节点，检测每一个第二任务节点是否异常，若检测到存在异常的第二任务节点，则执行步骤3，若检测不到存在异常的第二任务节点，则执行步骤4；步骤3，将存在异常的第二任务节点确定为新的第一任务节点，并跳转执行步骤1；以及步骤4，将第一任务节点所属的任务流确定为根源任务流。

在本发明的又一个实施例中，上述方法还包括：从多个任务流中确定待恢复任务流；获取待恢复任务流的历史运行数据，所述历史运行数据包括每次执行待恢复任务流前的等待时长以及待恢复任务流每次执行时长；根据历史运行数据，确定待恢复任务流的平均等待时长和平均执行时长；基于待恢复任务流的平均等待时长和平均执行时长，确定异常恢复预估时刻；以及输出异常恢复预估时刻。