[发明专利]基于时间序列异常波动的关联分析方法及装置

说明书

本发明公开了一种基于时间序列异常波动的关联分析方法及装置，该方法包括：通过特征工程对多个时间序列进行特征提取，得到每个时间序列对应的时间序列波动特征；根据时间序列波动特征进行相关性判断，得到每个时间序列之间的异常波动关联关系结果。该方法可以高效地进行异常波动关联分析。

技术领域

本发明涉及数据分析技术领域，特别涉及一种基于时间序列异常波动的关联分析方法及装置。

背景技术

互联网服务已经成为现代人们生活中不可缺少的一部分，为了对互联网公司的各项服务进行管理，公司的运维人员通常会监控收集成千上万的关键性能指标，这些指标(例如服务请求数量、服务请求成功率等)的形式多为时间序列。在实际的运维管理工作中，由于各种原因(例如网络中断、恶意攻击等)，公司的服务中断不可避免。当服务发生故障时，与故障根因相关的许多时间序列数据也会出现异常的波动，而且这些异常波动也会传递到其他有业务关联或者模块调用关系的时间序列，形成报警风暴。这些报警中的大多数都是冗余的，只有少数的报警需要运维人员去关注和解决。此外，发生异常波动的时间序列交织在一起，也使得故障排查工作费时费力非常困难。通过自动挖掘时间序列间的异常波动关系，可以帮助运维人员更加高效智能地进行故障排查。

学术界和工业界有很多时间序列的关联分析算法。皮尔森相关系数(PearsonCorrelation Coefficient)、斯皮尔曼相关系数(Spearman Correlation Coefficient)、格兰杰因果分析算法(Granger Causality)等关注的是时间序列间的线性关系和预测相关性，无法准确描述和捕捉时间序列的异常波动特征。J-measure算法需要先对时间序列做异常检测，得到时间序列的二分类值，但是异常检测的准确度是非常有挑战的。Structure-of-Influence Graphs算法只关注时间序列的离群点部分，无法适应更多样的时间序列类型和异常类型。

这些关联分析算法关注的问题要么与异常波动关联分析的概念本质不相同，要么只关注时间序列的离群部分，无法适应更多样的时间序列和异常波动类型。因此，这些算法都不能很好的解决时间序列的异常波动关联问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于时间序列异常波动的关联分析方法，该方法可以高效地进行异常波动的关联分析。

本发明的另一个目的在于提出一种基于时间序列异常波动的关联分析装置。

为达到上述目的，本发明一方面实施例提出了一种基于时间序列异常波动的关联分析方法，包括：

通过特征工程对多个时间序列进行特征提取，得到每个时间序列对应的时间序列波动特征；

根据所述时间序列波动特征进行相关性判断，得到每个时间序列之间的异常波动关联关系结果。

为达到上述目的，本发明另一方面实施例提出了一种基于时间序列异常波动的关联分析装置，包括：

特征提取模块，用于通过特征工程对多个时间序列进行特征提取，得到每个时间序列对应的时间序列波动特征；

关联分析模块，用于根据所述时间序列波动特征进行相关性判断，得到每个时间序列之间的异常波动关联关系结果。

本发明实施例的基于时间序列异常波动的关联分析方法及装置，通过特征工程对多个时间序列进行特征提取，得到每个时间序列对应的时间序列波动特征；根据时间序列波动特征进行相关性判断，得到每个时间序列之间的异常波动关联关系结果。由此，高效地进行异常波动的关联分析。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明