一种数据对象异常状态的识别方法和设备技术

本申请公开了一种数据对象异常状态的识别方法和设备，该方法包括识别设备获取与待处理的数据对象对应的包含时间信息的原始数据，并基于所述原始数据生成原始数据曲线；所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线；所述识别设备利用所述数据对象识别曲线识别所述待处理的数据对象的异常状态。

【技术实现步骤摘要】

本申请实施例涉及通信
，特别涉及一种数据对象异常状态的识别方法和设备。
技术介绍
企业的计算机在线系统在一段时间内的运营情况是否存在异常，通常会反映在一些关键指标上。在一段时间内，指标数据的走势往往会受多方面因素影响，如果能够针对指标在一段时间内的变化曲线，进行分解并向决策层还原指标各个维度的走势，可以有针对性地、有效地判断出运营情况是否存在异常。但现有的指标分解技术主要是利用信号模型进行，比如利用小波分解方法对指标在一段时间范围内的变化曲线进行分解，容易受到噪音的影响，并且分解出来的子曲线与所需要识别的对象的相关性不大，可解释性不强，也即现有技术中的方案无法准确识别对象的异常状态。
技术实现思路
本申请提出了一种数据对象异常状态的识别方法和设备，用以克服现有技术中的缺陷，实现了对数据对象的异常状态的准确识别。为此，本申请提出了一种数据对象异常状态的识别方法，包括：识别设备获取与待处理的数据对象对应的包含时间信息的原始数据，并基于所述原始数据生成原始数据曲线；所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线；所述识别设备利用所述数据对象识别曲线识别所述待处理的数据对象的异常状态。可选的，所述识别设备基于所述原始数据生成原始数据曲线，具体包括：所述识别设备获取所述原始数据中的时间信息以及时间信息对应的数据；所述识别设备通过以所述时间信息为横轴，以所述时间信息对应的数据为纵轴来生成原始数据曲线。可选的，所述数据对象识别曲线包括以下一项或多项的任意组合：数据对象周期曲线，数据对象趋势曲线，数据对象随机曲线；所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线，具体包括：所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点以及所述指标点对应的指标值来生成数据对象周期曲线；和/或所述识别设备基于所述原始数据曲线和所述数据对象周期曲线生成数据对象趋势曲线；和/或所述识别设备基于所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线生成数据对象随机曲线。可选的，所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点以及所述指标点对应的指标值来生成数据对象周期曲线，具体包括：所述识别设备将预设设置的数据对象周期划分为均等的N个部分；针对每个部分，所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取预定数量的指标点；所述识别设备基于获取的预定数量的指标点以及获取的预定数量的指标点对应的指标值为每个部分生成一条周期曲线；所述识别设备利用线性局部加权回归模型分别对N条周期曲线进行曲线拟合，再将曲线拟合后的N条周期曲线合并形成数据对象周期性曲线。可选的，所述识别设备基于所述原始数据曲线和所述数据对象周期曲线生成数据对象趋势曲线，具体包括：所述识别设备确定所述原始数据曲线和所述数据对象周期曲线中的各个指标点以及各指标点对应的指标值；所述识别设备将所述原始数据曲线中各指标值减去所述数据对象周期曲线中相同指标点的指标值得到各指标点对应的指标差值；所述识别设备利用各指标点和各指标点对应的指标差值生成差值曲线，并利用局部加权回归模型对所述差值曲线进行拟合生成数据对象趋势曲线。可选的，所述识别设备基于所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线生成数据对象随机曲线，具体包括：所述识别设备确定所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线中的各个指标点以及各指标点对应的指标值；所述识别设备将所述原始数据曲线中各指标值减去所述数据对象周期曲线和所述数据对象趋势曲线中相同指标点的指标值得到各指标点对应的指标差值；所述识别设备利用各指标点和各指标点对应的指标差值生成数据对象随机曲线。可选的，所述识别设备利用所述数据识别曲线识别所述待处理的数据对象的异常状态，具体包括：所述识别设备利用所述数据识别曲线与历史数据识别曲线进行比较；若所述数据识别曲线所对应的总面积大于所述历史数据识别曲线所对应的面积，则确定所述待处理的数据对象处于异常状态。本申请还公开了一种识别设备，包括：获取模块，用于获取与待处理的数据对象对应的包含时间信息的原始数据；第一生成模块，用于基于所述原始数据生成原始数据曲线；第二生成模块，用于以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线；识别模块，用于利用所述数据对象识别曲线识别所述待处理的数据对象的异常状态。可选的，所述第一生成模块，具体用于：获取所述原始数据中的时间信息以及时间信息对应的数据；通过以所述时间信息为横轴，以所述时间信息对应的数据为纵轴来生成原始数据曲线。可选的，所述数据对象识别曲线包括以下一项或多项的任意组合：数据对象周期曲线，数据对象趋势曲线，数据对象随机曲线；所述第二生成模块，具体用于：以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点以及所述指标点对应的指标值来生成数据对象周期曲线；和/或基于所述原始数据曲线和所述数据对象周期曲线生成数据对象趋势曲线；和/或基于所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线生成数据对象随机曲线。可选的，所述第二生成模块以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点以及所述指标点对应的指标值来生成数据对象周期曲线，具体包括：将预设设置的数据对象周期划分为均等的N个部分；针对每个部分，以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取预定数量的指标点；基于获取的预定数量的指标点以及获取的预定数量的指标点对应的指标值为每个部分生成一条周期曲线；利用线性局部加权回归模型分别对N条周期曲线进行曲线拟合，再将曲线拟合后的N条周期曲线合并形成数据对象周期性曲线。可选的，所述第二生成模块基于所述原始数据曲线和所述数据对象周期曲线生成数据对象趋势曲线，具体包括：确定所述原始数据曲线和所述数据对象周期曲线中的各个指标点以及各指标点对应的指标值；将所述原始数据曲线中各指标值减去所述数据对象周期曲线中相同指标点的指标值得到各指标点对应的指标差值；利用各指标点和各指标点对应的指标差值生成差值曲线，并利用局部加权回归模型对所述差值曲线进行拟合生成数据对象趋势曲线。可选的，所述第二生成模块基于所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线生成数据对象随机曲线，具体包括：确定所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线中的各个指标点以及各指标点对应的指标值；将所述原始数据曲线中各指标值减去所述数据对象周期曲线和所述数据对象趋势曲线中相同指标点的指标值得到各指标点对应的指标差值；利用各指标点和各指标点对应的指标差值生成数据对象随机曲线。可选的，所述识别模块，具体用于所述识别设备利用本文档来自技高网...

【技术保护点】
一种数据对象异常状态的识别方法，其特征在于，包括：识别设备获取与待处理的数据对象对应的包含时间信息的原始数据，并基于所述原始数据生成原始数据曲线；所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线；所述识别设备利用所述数据对象识别曲线识别所述待处理的数据对象的异常状态。

【技术特征摘要】
1.一种数据对象异常状态的识别方法，其特征在于，包括：识别设备获取与待处理的数据对象对应的包含时间信息的原始数据，并基于所述原始数据生成原始数据曲线；所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线；所述识别设备利用所述数据对象识别曲线识别所述待处理的数据对象的异常状态。2.如权利要求1所述的方法，其特征在于，所述识别设备基于所述原始数据生成原始数据曲线，具体包括：所述识别设备获取所述原始数据中的时间信息以及时间信息对应的数据；所述识别设备通过以所述时间信息为横轴，以所述时间信息对应的数据为纵轴来生成原始数据曲线。3.如权利要求1所述的方法，其特征在于，所述数据对象识别曲线包括以下一项或多项的任意组合：数据对象周期曲线，数据对象趋势曲线，数据对象随机曲线；所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点，所述指标点对应的指标值以及所述原始数据曲线生成数据对象识别曲线，具体包括：所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点以及所述指标点对应的指标值来生成数据对象周期曲线；和/或所述识别设备基于所述原始数据曲线和所述数据对象周期曲线生成数据对象趋势曲线；和/或所述识别设备基于所述原始数据曲线，所述数据对象周期曲线以及所述
\t数据对象趋势曲线生成数据对象随机曲线。4.如权利要求3所述的方法，其特征在于，所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取指标点，并通过所述指标点以及所述指标点对应的指标值来生成数据对象周期曲线，具体包括：所述识别设备将预设设置的数据对象周期划分为均等的N个部分；针对每个部分，所述识别设备以预先设置的数据对象周期为单位间隔在所述原始数据曲线上选取预定数量的指标点；所述识别设备基于获取的预定数量的指标点以及获取的预定数量的指标点对应的指标值为每个部分生成一条周期曲线；所述识别设备利用线性局部加权回归模型分别对N条周期曲线进行曲线拟合，再将曲线拟合后的N条周期曲线合并形成数据对象周期性曲线。5.如权利要求3所述的方法，其特征在于，所述识别设备基于所述原始数据曲线和所述数据对象周期曲线生成数据对象趋势曲线，具体包括：所述识别设备确定所述原始数据曲线和所述数据对象周期曲线中的各个指标点以及各指标点对应的指标值；所述识别设备将所述原始数据曲线中各指标值减去所述数据对象周期曲线中相同指标点的指标值得到各指标点对应的指标差值；所述识别设备利用各指标点和各指标点对应的指标差值生成差值曲线，并利用局部加权回归模型对所述差值曲线进行拟合生成数据对象趋势曲线。6.如权利要求3所述的方法，其特征在于，所述识别设备基于所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线生成数据对象随机曲线，具体包括：所述识别设备确定所述原始数据曲线，所述数据对象周期曲线以及所述数据对象趋势曲线中的各个指标点以及各指标点对应的指标值；所述识别设备将所述原始数据曲线中各指标值减去所述数据对象周期曲
\t线和所述数据对象趋势曲线中相同指标点的指标值得到各指标点对应的指标差值；所述识别设备利用各指标点和各指标点对应的指标差值生成数据对象随机曲线。7.如权利要求1所述的方法，其特征在于，所述识别设备利用所述数据识别曲线识别所述待处理的数据对象的...

【专利技术属性】
技术研发人员：江璇，林述民，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY