服务异常检测方法和装置、设备、存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114356734A(43)申请公布日2022.04.15(21)申请号202111661265.2(22)申请日2021.12.31(71)申请人北京中体骏彩信息技术有限公司地址100021北京市朝阳区东三环南路23号(72)发明人孟凡欣(74)专利代理机构北京华夏正合知识产权代理事务所(普通合伙)11017代理人韩登营(51)Int.Cl.G06F11/34(2006.01)G06F11/32(2006.01)G06F11/22(2006.01)权利要求书2页说明书11页附图3页(54)发明名称服务异常检测方法和装置、设备、存储介质(57)摘要本申请涉及智能运维技术领域，尤其涉及一种服务异常检测方法和装置、设备、存储介质。本申请实施例的服务异常检测方法，包括：确定与服务的性能指标相关的业务指标；构建所述业务指标和所述性能指标的关系模型；利用所述关系模型确定所述性能指标的异常阈值；根据与性能指标相关的业务指标在第一时刻的采集值，调用关系模型得到与业务指标相关的性能指标在第一时刻的预测值，根据性能指标在第一时刻的预测值、性能指标在第一时刻的采集值和性能指标的异常阈值，确定服务是否发生异常。本申请能够高效准确地识别服务是否发生异常，从而有效减少异常告警的误报和漏报。CN114356734ACN114356734A权利要求书1/2页1.一种服务异常检测方法，其特征在于，包括：确定与服务的性能指标相关的业务指标；构建所述业务指标和所述性能指标的关系模型；利用所述关系模型确定所述性能指标的异常阈值；根据与所述性能指标相关的业务指标在第一时刻的采集值，调用所述关系模型得到与所述业务指标相关的性能指标在第一时刻的预测值；根据所述性能指标在第一时刻的预测值、所述性能指标在第一时刻的采集值和所述性能指标的异常阈值，确定服务是否发生异常。2.根据权利要求1所述的服务异常检测方法，其特征在于，所述构建所述业务指标和所述性能指标的关系模型，包括：利用训练数据集，基于监督学习算法构建业务指标和性能指标的关系模型，所述训练数据集包括所述服务的性能指标历史数据和业务指标历史数据，所述性能指标历史数据包括所述性能指标的E个历史采集值，所述业务指标历史数据包括所述业务指标的E个历史采集值，E为大于1的整数。3.根据权利要求1所述的服务异常检测方法，其特征在于，所述利用所述关系模型确定所述性能指标的异常阈值，包括：基于测试数据集中与所述性能指标相关的业务指标的测试数据和所述关系模型得到所述性能指标的预测数据，根据所述性能指标的预测数据与所述测试数据集中该性能指标的测试数据计算得到残差均值，以所述残差均值与预定的残差倍数的乘积作为所述性能指标的异常阈值；其中，所述测试数据集中包含业务指标的测试数据和性能指标的测试数据，所述业务指标的测试数据包括所述业务指标的F个采集值，所述性能指标的测试数据包括所述性能指标的F个采集值，所述性能指标的预测数据包括所述性能指标的F个预测值，F为大于或等于1的整数。4.根据权利要求1所述的服务异常检测方法，其特征在于，根据所述性能指标在第一时刻的预测值、所述性能指标在第一时刻的采集值和所述性能指标的异常阈值，确定服务是否发生异，包括：确定所述性能指标在第一时刻的预测值与所述性能指标在第一时刻的采集值之间的残差；将所述性能指标的残差与所述性能指标的异常阈值比较，以确定所述服务发生异常还是所述服务正常。5.一种服务异常检测装置，其特征在于，包括：相关性确定模块，用于确定与服务的性能指标相关的业务指标；模型构建模块，用于构建所述业务指标和所述性能指标的关系模型；阈值确定模块，用于利用所述关系模型确定所述性能指标的异常阈值；异常确定模块，用于根据与所述性能指标相关的业务指标在第一时刻的采集值，调用所述关系模型得到与所述业务指标相关的性能指标在第一时刻的预测值；以及，根据所述性能指标在第一时刻的预测值、所述性能指标在第一时刻的采集值和所述性能指标的异常阈值，确定服务是否发生异常。6.根据权利要求5所述的服务异常检测装置，其特征在于，所述模型构建模块，具体用2CN114356734A权利要求书2/2页于：利用预先获得的训练数据集，基于监督学习算法构建业务指标和性能指标的关系模型，所述训练数据集包括所述服务的性能指标历史数据和业务指标历史数据，所述性能指标历史数据包括所述性能指标的E个历史采集值，所述业务指标历史数据包括所述业务指标的E个历史采集值，E为大于1的整数。7.根据权利要求5所述的服务异常检测装置，其特征在于，所述阈值确定模块，具体用于：基于测试数据集中与所述性能指标相关的业务指标的测试数据和所述关系模型得到所述性能指标的预测数据，根据所述性能指标的预测数据与