[go: up one dir, main page]

CN111538951B - 一种异常定位方法及装置 - Google Patents

一种异常定位方法及装置 Download PDF

Info

Publication number
CN111538951B
CN111538951B CN202010246313.0A CN202010246313A CN111538951B CN 111538951 B CN111538951 B CN 111538951B CN 202010246313 A CN202010246313 A CN 202010246313A CN 111538951 B CN111538951 B CN 111538951B
Authority
CN
China
Prior art keywords
attribute
dimension
attributes
index
abnormality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010246313.0A
Other languages
English (en)
Other versions
CN111538951A (zh
Inventor
赵国柱
杨新安
张闯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing H3C Technologies Co Ltd
Original Assignee
Beijing H3C Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing H3C Technologies Co Ltd filed Critical Beijing H3C Technologies Co Ltd
Priority to CN202010246313.0A priority Critical patent/CN111538951B/zh
Publication of CN111538951A publication Critical patent/CN111538951A/zh
Application granted granted Critical
Publication of CN111538951B publication Critical patent/CN111538951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Debugging And Monitoring (AREA)
  • General Factory Administration (AREA)

Abstract

本申请提供了一种异常定位方法及装置，该方法包括：获取各待定位指标，每个待定位指标包括多个属性；将每个待定位指标作为一个维度，并将所有维度进行组合；针对每个维度以及组合后的维度中的任一维度，执行以下操作：根据该维度下每个属性对应的KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中；将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合。本申请无需人工参与异常定位，提高了异常定位的准确率。

Description

一种异常定位方法及装置
技术领域
本申请涉及通信技术领域，特别涉及一种异常定位方法及装置。
背景技术
随着大数据，云计算等互联网技术的飞速发展，各个公司的IT系统、业务系统也变得越来越复杂，保障业务健康运行的基于人工经验的传统手动运维也逐渐转向基于机器学习的智能运维。
在互联网服务运维中，当某个总关键性能指标(Key Performance Indicators，KPI)发生异常时，例如，总流量，需要快速、准确地定位出异常发生的原因(即异常根因)，例如，“省份为北京&运营商为联通”的流量出现异常，以便尽快做进一步的修复止损操作。由于目前运维中监控的维度(以指标作为维度)多，且多维度之间相互依存，每个维度取值范围较大，进而导致定位异常根因的搜索空间非常大，当前的运维系统更多的还是依靠经验进行人工异常定位，造成异常定位的准确率较低。
发明内容
本申请提供一种异常定位方法及装置，无需人工参与定位异常，提高了异常定位的准确率。
本申请提供的技术方案如下：
本申请提供一种异常定位方法，所述方法包括：
获取各待定位指标，每个待定位指标包括多个属性；
将每个待定位指标作为一个维度，并将所有维度进行组合；
针对每个维度以及组合后的维度中的任一维度，执行以下操作：
根据该维度下每个属性对应的KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；
根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；
根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中；
将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合。
本申请还提供一种异常定位装置，所述装置包括：
获取模块，用于获取各待定位指标，每个待定位指标包括多个属性；
组合模块，用于将每个待定位指标作为一个维度，并将所有维度进行组合；
执行模块，用于针对每个维度以及组合后的维度中的任一维度，执行以下操作：
根据该维度下每个属性对应的KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；
根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；
根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中；
定位模块，用于将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合。
由以上技术方案可以看出，在本申请中，无需人工参与异常定位，节省了人力资源，并且结合各个待定位指标包括的各属性的贡献权重和JS散度定位出异常根因集合，即，结合了影响总KPI异常的主要因素进行异常定位，进而提高了异常定位的准确率。
附图说明
图1为本申请实施例提供的一种异常定位方法的流程示意图；
图2为本申请实施例提供的各维度进行组合的示意图；
图3本申请实施例提供的异常定位装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种异常定位方法，如图1所示，该方法可以应用于定位设备，该方法可以包括以下步骤：
S11：获取各待定位指标，每个待定位指标包括多个属性。
在本申请实施例中，各待定位指标均为与发生异常的总KPI相关联的指标。
例如，当总KPI为总流量时，待定位指标可以为省份、运营商等；当总KPI为总交易量时，待定位指标可以为省份、机房、交易类型等。
针对每个待定位指标，包括多个属性，例如，当待定位指标为省份时，可以包括北京、上海、广州、深圳等多个属性。
S12：将每个待定位指标作为一个维度，并将所有维度进行组合。
在本步骤中，如图2所示，假设与出现异常的总KPI相关联的各待定位指标分别为A、B和C，A包括的属性为a1和a2，B包括的属性为b1和b2，C包括的属性为c1和c2。
分别将A、B和C作为一个维度，并将这三个维度进行组合，得到组合后的维度(即，A&B、A&C和A&B&C)以及组合后的维度包括的组合属性，如图2所示。
为了方便后续说明，每个组合后的维度可以看作一个维度，一个组合后的维度包括的任意一个组合属性，可以看作一个维度包括的任意一个属性。
S13：针对每个维度以及组合后的维度中的任一维度，执行以下操作：
根据该维度下每个属性对应的KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；
根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；
根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中。
在本步骤中，可以通过以包括的公式一计算该维度i包括的属性j的贡献权重：
公式一：EPij＝(Aij(m)-Fij(m))/(A(m)-F(m))；
其中，EPij为该维度i包括的属性j的贡献权重，m为KPI；
Aij(m)为该维度i包括的属性j对应的KPI的真实值；
Fij(m)为该维度i包括的属性j对应的KPI的真实值；
A(m)为该维度i包括的所有属性对应的KPI的真实值之和；
F(m)为该维度i包括的所有属性对应的KPI的预测值之和；
可以通过以包括的公式二计算该维度i包括的属性j的JS(Jensen-Shannon)散度；
公式二：Sij(m)＝0.5(plog(2p/p+q))+qlog(2q/p+q)；
其中，Sij(m)为该维度i包括的属性j的JS散度；
p为该维度i包括的属性j对应的KPI的真实值在所有属性对应的KPI的真实值中所占的百分比；
q为该维度i包括的属性j对应的KPI的预测值在所有属性对应的KPI的预测值中所占的百分比。
进一步地，在本步骤中，可以通过以下方式计算该维度的每个属性的异常指数：
将每个属性的贡献权重与每个属性的JS散度进行乘积运算，得到每个属性的异常指数。
在得到每个属性的异常指数之后，可以按照异常指数从大到小的顺序，对所有属性行排序；将排序后的属性中前N个属性添加到该维度对应的根因集合中；其中，前N个属性的贡献权重之和达到预设阈值(可根据经验设定)，N为正整数。
S14：将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合。
在本申请实施例中，可以在得到一个根因集合之后，就开始计算该根因集合中所有属性的异常指数之和；也可以在得到所有的根因集合之后再计算。不管哪种计算方式，本申请将异常指数之和最大的根因集合定位为异常根因集合，也即，此根因集合中的属性对应的KPI发生异常。
下面结合具体实施例对上述异常定位方法进行详细说明。
如下表一所示，假设总KPI为总交易量，获取的各个待定位指标分别为省份、机房和交易类型。将省份作为纬度A，机房作为纬度B，交易类型作为纬度C。各个纬度包括的属性从1开始排序命名，比如北京为a1，上海为a2，机房A为b1，等等。
时间 交易量 省份 机房 交易类型
2018/12/07 235600 北京 A 转账交易
2018/12/07 235700 北京 B 转账交易
2018/12/07 235720 上海 C 支付交易
…… …… …… …… ……
表一
对以上三个维度进行组合，最终得到后续需要执行上述步骤S13的维度，分别为A、B、C、A&B、A&C、B&C、A&B&C。
在执行上述步骤S13时，先从纬度A开始做处理，对于纬度A包括的所有属性a1、a2、…，分别根据上述两个公式计算每个属性的贡献权重和JS散度，然后计算每个属性的异常指数(每个属性的贡献权重与JS散度的乘积)，按照异常指数从大到小的顺序，对所有属性行排序，假设排序后的属性列表为{a5,a22,a7,a6,a19,a1,a3,a2,a4…}。
之后，针对排序后的属性，从前往后依次对属性的贡献权重进行累加，直到累加的贡献权重之和达到0.85(即，预设阈值)，将这些属性添加到纬度A对应的根因集合中，例如，纬度A的根因集合为{a5,a22,a7,a6,a19}。并计算该根因集合中所有属性的异常指数之和，也可以理解为该根因集合对应的异常指数Ka。
后续对其他剩余的纬度做同样的处理，可以得到剩余的根因集合，例如{b2,b35,b1}、{c8}、{a1&b2,a13&b14}、…等等。计算出剩余的根因集合对应的异常指数Kb、Kc、Ka&b、…等等。
比较所有根因集合对应的异常指数大小，假设最大的根因集合为{a1&b2,a13&b14}，则确定该根因集合为异常根因集合，也即，“北京&机房B”的转账交易量发生异常，以及“广州&机房F”(表一中未示出)的支付交易量发生异常。
由以上技术方案可以看出，在本申请中，无需人工参与异常定位，节省了人力资源，并且结合各个待定位指标包括的各属性的贡献权重和JS散度定位出异常根因集合，即，结合了影响总KPI异常的主要因素进行异常定位，进而提高了异常定位的准确率。
基于同一发明构思，本申请还提供了一种异常定位装置，如图3所示，该装置可以应用于定位设备，该装置包括：
获取模块31，用于获取各待定位指标，每个待定位指标包括多个属性；
组合模块32，用于将每个待定位指标作为一个维度，并将所有维度进行组合；
执行模块33，用于针对每个维度以及组合后的维度中的任一维度，执行以下操作：
根据该维度下每个属性对应的KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；
根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；
根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中；
定位模块34，用于将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合。
优选地，上述执行模块33，具体用于：
通过以下公式一计算该维度i包括的属性j的贡献权重：
公式一：EPij＝(Aij(m)-Fij(m))/(A(m)-F(m))；
其中，EPij为该维度i包括的属性j的贡献权重，m为KPI；
Aij(m)为该维度i包括的属性j对应的KPI的真实值；
Fij(m)为该维度i包括的属性j对应的KPI的真实值；
A(m)为该维度i包括的所有属性对应的KPI的真实值之和；
F(m)为该维度i包括的所有属性对应的KPI的预测值之和；
通过以下公式二计算该维度i下属性j的JS散度；
公式二：Sij(m)＝0.5(plog(2p/p+q))+qlog(2q/p+q)；
其中，Sij(m)为该维度i包括的属性j的JS散度；
p为该维度i包括的属性j对应的KPI的真实值在所有属性对应的KPI的真实值中所占的百分比；
q为该维度i包括的属性j对应的KPI的预测值在所有属性对应的KPI的预测值中所占的百分比。
优选地，上述执行模块33，具体用于：
将每个属性的贡献权重与每个属性的JS散度进行乘积运算，得到每个属性的异常指数。
优选地，上述执行模块33，具体用于：
按照异常指数从大到小的顺序，对所有属性行排序；
将排序后的属性中前N个属性添加到该维度对应的根因集合中；
其中，前N个属性的贡献权重之和达到预设阈值，N为正整数。
由以上技术方案可以看出，在本申请中，无需人工参与异常定位，节省了人力资源，并且结合各个待定位指标包括的各属性的贡献权重和JS散度定位出异常根因集合，即，结合了影响总KPI异常的主要因素进行异常定位，进而提高了异常定位的准确率。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (6)

1.一种异常定位方法，其特征在于，所述方法包括：
获取各待定位指标，每个待定位指标包括多个属性；
将每个待定位指标作为一个维度，并将所有维度进行组合；
针对每个维度以及组合后的维度中的任一维度，执行以下操作：
根据该维度下每个属性对应的关键性能指标KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；
根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；
根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中；
将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合；
根据该维度下每个属性对应的业务指标的真实值和预测值，分别计算每个属性的贡献权重和JS散度，具体包括：
通过以下公式一计算该维度i包括的属性j的贡献权重：
公式一：EPij＝(Aij(m)-Fij(m))/(A(m)-F(m))；
其中，EPij为该维度i包括的属性j的贡献权重，m为KPI；
Aij(m)为该维度i包括的属性j对应的KPI的真实值；
Fij(m)为该维度i包括的属性j对应的KPI的预测值；
A(m)为该维度i包括的所有属性对应的KPI的真实值之和；
F(m)为该维度i包括的所有属性对应的KPI的预测值之和；
通过以下公式二计算维度i下属性j的JS散度；
公式二：Sij(m)＝0.5(plog(2p/p+q))+qlog(2q/p+q)；
其中，Sij(m)为该维度i包括的属性j的JS散度；
p为该维度i包括的属性j对应的KPI的真实值在所有属性对应的KPI的真实值中所占的百分比；
q为该维度i包括的属性j对应的KPI的预测值在所有属性对应的KPI的预测值中所占的百分比。
2.根据权利要求1所述的方法，其特征在于，根据每个属性的贡献权重和JS散度，计算每个属性的异常指数，包括：
将每个属性的贡献权重与每个属性的JS散度进行乘积运算，得到每个属性的异常指数。
3.根据权利要求1所述的方法，其特征在于，根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中，包括：
按照异常指数从大到小的顺序，对所有属性行排序；
将排序后的属性中前N个属性添加到该维度对应的根因集合中；
其中，前N个属性的贡献权重之和达到预设阈值，N为正整数。
4.一种异常定位装置，其特征在于，所述装置包括：
获取模块，用于获取各待定位指标，每个待定位指标包括多个属性；
组合模块，用于将每个待定位指标作为一个维度，并将所有维度进行组合；
执行模块，用于针对每个维度以及组合后的维度中的任一维度，执行以下操作：
根据该维度下每个属性对应的关键性能指标KPI的真实值和预测值，分别计算每个属性的贡献权重和JS散度；
根据每个属性的贡献权重和JS散度，计算每个属性的异常指数；
根据每个属性的贡献权重和异常指数，将满足预设条件的属性添加到该维度对应的根因集合中；
定位模块，用于将所有根因集合中所有属性的异常指数之和最大的根因集合定位为异常根因集合；
所述执行模块，具体用于：
通过以下公式一计算该维度i包括的属性j的贡献权重：
公式一：EPij＝(Aij(m)-Fij(m))/(A(m)-F(m))；
其中，EPij为该维度i包括的属性j的贡献权重，m为KPI；
Aij(m)为该维度i包括的属性j对应的KPI的真实值；
Fij(m)为该维度i包括的属性j对应的KPI的预测值；
A(m)为该维度i包括的所有属性对应的KPI的真实值之和；
F(m)为该维度i包括的所有属性对应的KPI的预测值之和；
通过以下公式二计算该维度i下属性j的JS散度；
公式二：Sij(m)＝0.5(plog(2p/p+q))+qlog(2q/p+q)；
其中，Sij(m)为该维度i包括的属性j的JS散度；
p为该维度i包括的属性j对应的KPI的真实值在所有属性对应的KPI的真实值中所占的百分比；
q为该维度i包括的属性j对应的KPI的预测值在所有属性对应的KPI的预测值中所占的百分比。
5.根据权利要求4所述的装置，其特征在于，所述执行模块，具体用于：
将每个属性的贡献权重与每个属性的JS散度进行乘积运算，得到每个属性的异常指数。
6.根据权利要求4所述的装置，其特征在于，所述执行模块，具体用于：
按照异常指数从大到小的顺序，对所有属性行排序；
将排序后的属性中前N个属性添加到该维度对应的根因集合中；
其中，前N个属性的贡献权重之和达到预设阈值，N为正整数。
CN202010246313.0A 2020-03-31 2020-03-31 一种异常定位方法及装置 Active CN111538951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010246313.0A CN111538951B (zh) 2020-03-31 2020-03-31 一种异常定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010246313.0A CN111538951B (zh) 2020-03-31 2020-03-31 一种异常定位方法及装置

Publications (2)

Publication Number Publication Date
CN111538951A CN111538951A (zh) 2020-08-14
CN111538951B true CN111538951B (zh) 2024-01-12

Family

ID=71978705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010246313.0A Active CN111538951B (zh) 2020-03-31 2020-03-31 一种异常定位方法及装置

Country Status (1)

Country Link
CN (1) CN111538951B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154770A (zh) * 2020-09-08 2022-03-08 中国移动通信有限公司研究院 一种指标根因分析方法、装置及设备
CN112132485A (zh) * 2020-09-30 2020-12-25 上海众源网络有限公司 一种指标数据处理方法、装置、电子设备及存储介质
CN112132362A (zh) * 2020-09-30 2020-12-25 上海众源网络有限公司 一种指标数据处理方法、装置、电子设备及存储介质
CN112365146B (zh) * 2020-11-06 2024-04-23 腾讯科技（北京）有限公司 指标异动的维度的获取方法、装置、设备及存储介质
CN112702198B (zh) * 2020-12-18 2023-03-14 北京达佳互联信息技术有限公司 异常根因定位方法、装置、电子设备及存储介质
CN112650608B (zh) * 2020-12-28 2024-03-01 广州虎牙科技有限公司 异常根因定位方法以及相关装置、设备
CN112732472B (zh) * 2021-01-07 2024-11-22 广州虎牙科技有限公司 异常根因定位方法、模型、电子设备及计算机存储介质
CN112949983B (zh) * 2021-01-29 2024-06-04 北京达佳互联信息技术有限公司 一种根因确定方法及装置
CN113034059B (zh) * 2021-05-19 2021-08-31 北京国电通网络技术有限公司 异常电力信息定位方法、装置、电子设备和计算机介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540330A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种异构网络环境下的基于深度学习的网络故障诊断方法
CN109992479A (zh) * 2019-03-31 2019-07-09 西安电子科技大学 一种多维度kpi数据异常定位方法、装置及计算机设备
CN110147945A (zh) * 2019-04-30 2019-08-20 阿里巴巴集团控股有限公司 一种数据波动的处理方法、装置及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6687690B2 (en) * 2001-06-14 2004-02-03 International Business Machines Corporation Employing a combined function for exception exploration in multidimensional data
US10756949B2 (en) * 2017-12-07 2020-08-25 Cisco Technology, Inc. Log file processing for root cause analysis of a network fabric

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108540330A (zh) * 2018-04-24 2018-09-14 南京邮电大学 一种异构网络环境下的基于深度学习的网络故障诊断方法
CN109992479A (zh) * 2019-03-31 2019-07-09 西安电子科技大学 一种多维度kpi数据异常定位方法、装置及计算机设备
CN110147945A (zh) * 2019-04-30 2019-08-20 阿里巴巴集团控股有限公司 一种数据波动的处理方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Adtributor: Revenue Debugging in Advertising Systems;Bhagwan R 等;《Usenix Conference on Networked Systems Design & Implementation. USENIX Association》;1-13 *
智能运维中多维监测指标的异常定位研究;冯鲁汉;中国优秀硕士学位论文全文数据库 信息科技辑(第02期);I140-179 *

Also Published As

Publication number Publication date
CN111538951A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111538951B (zh) 一种异常定位方法及装置
CN110874744B (zh) 一种数据异常检测方法及装置
CN106131158A (zh) 一种云数据中心环境下基于云租户信用度的资源调度装置
CN105556554A (zh) 多个设备相关性
CN109697636A (zh) 一种商户推荐方法、商户推荐装置、电子设备和介质
CN109345313A (zh) 基于大数据的用户满意度调查系统及方法
CN109583773A (zh) 一种纳税信用积分确定的方法、系统及相关装置
CN114612018B (zh) 一种内控风险监测方法、系统和可读存储介质
CN115577969A (zh) 用于企业的高效多维式的管理方法
CN110287048A (zh) 数据异常检测方法和装置
CN117291555B (zh) 一种机械配件制造协同控制系统
CN105404608B (zh) 一种基于公式解析的复杂指标集计算方法和系统
CN116523244A (zh) 一种基于外包资源的测试人力风险预警方法
CN108363789B (zh) 一种工商业用户用电表码数据短期缺失修补方法及装置
CN110689177A (zh) 订单准备时间的预测方法和装置，电子设备及存储介质
CN111260085B (zh) 器件更换工时评估方法、装置、设备及介质
CN110690982A (zh) 一种电信网络管理性能数据关联分析方法及系统
CN105654106A (zh) 一种决策树生成方法及系统
CN105719181A (zh) 风险等级评估方法及装置
CN113836888A (zh) 一种确定工单主题的方法、装置、介质及计算机设备
CN114418778A (zh) 基于区块链的年金数据分配方法、系统、设备及介质
CN108346080B (zh) 一种流量套餐组合优化方法及装置
CN113408863A (zh) 工单推荐方法、装置、终端设备及计算机存储介质
CN112419128A (zh) 一种线路规划方法以及相关设备
CN106953745B (zh) 网络问题评估的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant