[发明专利]一种异常数据的检测方法以及相关装置

说明书

本申请公开了一种异常数据的检测方法以及相关装置，可应用于地图领域。通过获取目标指标对应的历史数据序列确定数据波动范围；然后根据数据波动范围确定隐马尔可夫模型针对于目标指标的模型参数；基于配置模型参数的隐马尔可夫模型确定目标数据序列对应的隐状态；并根据隐状态确定作用于目标数据序列的数据预测方式；进而采用数据预测方式预测在下一时刻的预测值，以基于预测值进行异常检测。从而基于隐马尔可夫模型的自适应异常检测的过程，由于对不同状态的时刻采用对应的算法，可以防止数据消退时产生的检测失误，提高异常数据检测的准确性。

技术领域

本申请涉及计算机技术领域，尤其涉及一种异常数据的检测方法以及相关装置。

背景技术

为了维持广告生态，保护广告主利益以维持广告主、流量和平台三方共赢的状态，需要对恶意刷量作弊以获得额外分成的流量进行过滤，随着对抗作弊不断升级，线上积累了许多反作弊策略，但随着时间推移由于各种原因会造成策略一定程度的漏过和误过，因此有了对策略进行监控的需求，以尽快发现策略漏过、误过，即为一种异常检测的过程。

一般，异常检测可以通过对固定指标进行阈值判断确定，例如数据的波动性超过阈值范围。

但是，在海量流量的场景中，阈值判断的过程无法满足所有场景的判断需求，可能出现由于数据波动造成阈值设置不准确的情况，影响异常判断的准确性。

发明内容

有鉴于此，本申请提供一种异常数据的检测方法，可以有效提高异常数据检测的准确性。

本申请第一方面提供一种异常数据的检测方法，可以应用于终端设备中包含异常数据的检测功能的系统或程序中，具体包括：

获取目标指标对应的历史数据序列，以确定所述目标指标对应的数据波动范围；

调用隐马尔可夫模型，并根据所述数据波动范围确定所述隐马尔可夫模型针对于所述目标指标的模型参数；

基于配置所述模型参数的隐马尔可夫模型确定目标数据序列对应的隐状态，所述目标数据序列基于所述目标指标统计所得；

根据所述隐状态确定作用于所述目标数据序列的数据预测方式，所述数据预测方式包括第一算法和第二算法，所述第一算法用于在异常消退时段中规避所述第二算法产生的数据异常；

基于所述历史数据序列采用所述数据预测方式预测所述目标数据序列在下一时刻的预测值，以基于所述预测值进行异常检测。

可选的，在本申请一些可能的实现方式中，所述根据所述隐状态确定作用于所述目标数据序列的数据预测方式，包括：

若所述隐状态指示当前时刻为异常时刻，则确定作用于所述目标数据序列的数据预测方式为三次方回归算法；

所述基于所述历史数据序列采用所述数据预测方式预测所述目标数据序列在下一时刻的预测值，以基于所述预测值进行异常检测，包括：

基于所述历史数据序列采用所述三次方回归算法预测所述目标数据序列在下一时刻的预测值，以基于所述预测值进行异常检测。

可选的，在本申请一些可能的实现方式中，所述方法还包括：

调用所述预测值对所述目标数据序列在下一时刻的实际值进行更新，以得到覆盖值；

基于所述覆盖值执行所述目标数据序列中后续时刻的预测。

可选的，在本申请一些可能的实现方式中，所述根据所述隐状态确定作用于所述目标数据序列的数据预测方式，包括：

若所述隐状态指示当前时刻为正常时刻，则确定作用于所述目标数据序列的数据预测方式为移动平均算法；