[发明专利]一种异常检测方法、装置、电子设备及存储介质

说明书

本发明提供了一种异常检测方法、装置、电子设备及存储介质。所述方法，包括：针对预设的监控指标体系内包含的任一监控指标维度，获取每个时间单位内，监控指标维度在每个指标属性值时的数据量的真实值；针对任一监控周期，根据监控周期之前预设时间段内的数据量的真实值，获取监控周期内数据量的预测值和警报阈值范围，警报阈值范围包括监控周期内的全部数据量的警报阈值范围；响应于监控周期内全部数据量的真实值超出警报阈值范围，根据监控周期内每个监控指标维度在每个指标属性值时的数据量的预测值和真实值，通过多维度根因分析算法，获取监控周期的多维度根因分析结果。从而准确定位数据异常的指标维度组合，以实现异常数据的精准打击。

技术领域

本发明涉及互联网技术领域，尤其涉及一种异常检测方法、装置、电子设备及存储介质。

背景技术

在风控场景下，其体系流程主要有风险感知、问题分析、风险识别三个阶段。第一阶段为风险感知即发现风险问题，第二阶段为问题分析即对发现的问题进行归纳分析总结类型，第三阶段为风险识别即构建风险识别模型，进行线上拦截。其中，风险感知作为风控体系的前置阶段有着重要的作用。当前风险感知的方式主要通过日常巡检抽样发现问题，该方式的时效低且覆盖率有限，并且考虑到黑产行为具有对抗性强、形变速度快等的特性，所以需要一种高时效、高覆盖率的自动发现风险的能力。

相关技术中，一般通过基于ARIMA(Autoregressive Integrated Moving AverageModel，自回归移动平均模型)时序预测进行异常检测，也即风险感知。

但是，上述方案适用于粗粒度(例如天粒度)的流量预估，对于细粒度(例如小时粒度)的短期流量的预测效果欠佳，而且无法自适应确认波动上下阈值，也无法拟合节假日特殊流量的波动，此外也没有对异常波动指标进行根因分析。由此可见，相关技术中的异常检测过程的时效性、覆盖率较差。

发明内容

本发明实施例提供一种异常检测方法、装置、电子设备及存储介质，以解决现有的异常检测过程的时效性、覆盖率较差的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供了一种异常检测方法，包括：

针对预设的监控指标体系内包含的任一监控指标维度，获取每个时间单位内，所述监控指标维度在每个指标属性值时的数据量的真实值；

针对任一监控周期，根据所述监控周期之前预设时间段内的数据量的真实值，获取所述监控周期内数据量的预测值和警报阈值范围，所述预测值包括每个所述监控指标维度在每个指标属性值时的数据量的预测值，所述警报阈值范围包括所述监控周期内的全部数据量的警报阈值范围；

响应于所述监控周期内全部数据量的真实值超出所述警报阈值范围，根据所述监控周期内每个所述监控指标维度在每个指标属性值时的数据量的预测值和真实值，通过多维度根因分析算法，获取所述监控周期的多维度根因分析结果；

其中，所述监控周期为所述时间单位的整数倍，所述多维度根因分析结果包括至少一个指标维度组合，所述指标维度组合内包括多个指标属性值，且每个所述指标属性值所属的监控指标维度不完全相同。

可选地，所述根据所述监控周期之前预设时间段内的数据量的真实值，获取所述监控周期内数据量的预测值和警报阈值范围的步骤，包括：

根据所述监控周期之前预设时间段内的数据量的真实值，通过时间序列模型Prophet，获取所述监控周期内数据量的预测值和警报阈值范围。

可选地，所述时间序列模型Prophet的输入参数还包括所述监控周期的日期属性，所述日期属性包括所述监控周期是否属于节假日、所述监控周期所属的节假日类型中的至少一种。

可选地，所述警报阈值范围还包括每个所述监控指标维度在每个指标属性值时的数据量的警报阈值范围，所述方法还包括：