[发明专利]一种基于KPI指标的多维异常检测方法、装置及存储介质有效
申请号: | 202010551259.0 | 申请日: | 2020-06-17 |
公开(公告)号: | CN111506637B | 公开(公告)日: | 2020-11-27 |
发明(设计)人: | 程博;成逸然;张文池;李则言;隋楷心;刘大鹏 | 申请(专利权)人: | 北京必示科技有限公司 |
主分类号: | G06F16/2458 | 分类号: | G06F16/2458;G06F16/28;G06Q40/04 |
代理公司: | 北京华创智道知识产权代理事务所(普通合伙) 11888 | 代理人: | 周倩 |
地址: | 100083 北京市海*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 kpi 指标 多维 异常 检测 方法 装置 存储 介质 | ||
1.一种基于KPI指标的多维异常检测方法,包括:
获取警告前后P+Q分钟时间序列的交易数据;其中,P表示警告前的一段时间,Q表示警告后的一段时间;
根据警告发生时刻的维度组合对P+Q分钟时间序列的维度组合进行缺失值填充;
根据维度及特征的多少评估数据规模以采用部分异常检测或全局异常检测得到所有维度组合的异常贡献分数;
进行KPI单指标的特征类型定义;
所述部分异常检测仅对叶子节点进行异常贡献检测,上层节点的异常贡献分数通过下层节点的异常贡献分数加和得到,其检测方法通过叶子节点在P+Q分钟时间序列每一个点的KPI特征值构建二叉树计算叶子节点对该单指标的异常贡献分数;当发生多个关联指标异常时,计算叶子节点对多个关联异常指标的异常贡献分数平均值;
所述全局异常检测对所有维度组合的异常贡献进行检测,其检测方法通过所有维度组合P+Q分钟时间序列每一个点的KPI特征值构建二叉树计算任一维度组合对该单指标的异常贡献分数;当发生多个关联指标异常时,计算任一维度组合对多个关联异常指标的异常贡献分数平均值。
2.如权利要求1所述的一种基于KPI指标的多维异常检测方法,其特征在于:所述全局异常检测包括如下步骤:
S101. 进行KPI单指标的特征类型定义;
S102. 提取该单指标所有维度组合P+Q分钟每一个点的KPI特征值训练集X,每指定一个特征值q,通过切割分裂形成1棵二叉树,指定的特征值遍历每一个特征类型后,生成t1棵二叉树,记录为T1;
S103. 提取除当前维度组合外的KPI特征集合并按照S102所述的切割分裂形成t2棵二叉树,记录为T2;
S104. 计算该指标下所有维度组合X的子节点在T1和T2中的平均高度c1和c2;
S105. 计算任一维度组合对该单指标的异常贡献分数;
S106. 当发生多个指标异常时,重复S101-S105,计算任一维度组合对该多个指标的异常贡献分数。
3.如权利要求2所述的一种基于KPI指标的多维异常检测方法,其特征在于:S101中所述KPI单指标的特征类型包括以下特征中的至少一项:均值、标准差、极限值、当前维度出现频率、当前维度逆文本频率指数、一阶自相关系数、线性强度、曲率强度、光谱熵、残差变化标准差、交叉点个数、与前面点的差值、趋势性、周期性、杂乱性。
4.如权利要求2所述的一种基于KPI指标的多维异常检测方法,其特征在于:S102所述切割分裂具体方式为:
S1021. 提取该单指标所有维度组合P+Q分钟每一个点的KPI特征值值组成训练集X;
S1022.在训练集X中随机抽取k个样本点构成X的子集Xk;
S1023.每次随机从Xk中指定一个特征值q,随机产生一个切割点p;
S1024. 指定特征值小于p的样本点放入左子节点,大于或等于p的放入右子节点;
S1025. 在左子节点和右子节点重复S1024,当所有叶子节点只有一个样本点或者到达指定层数后停止分裂,生成了1棵二叉树;
S1026.指定的特征值q遍历每一个特征类型后,生成t1棵二叉树,记录为T1。
5.如权利要求2所述的一种基于KPI指标的多维异常检测方法,其特征在于:S105中将该维度组合的子节点的特征向量分别带入T1和T2,计算该子节点在T1和T2中的平均高度h1和h2,结合S014中平均高度c1和c2,定义任一维度组合对该单指标的异常贡献分数为
。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京必示科技有限公司,未经北京必示科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010551259.0/1.html,转载请声明来源钻瓜专利网。