异常智能监测处理技术制造技术

本文公开的异常智能监测处理技术，通过对多个发生异常的时间线序列进行关联性分析，将众多发生异常的时间线序列，整合为一个或者多个拓扑关系图形式的事件，从而有利于发现产生异常的根源。另外，通过以事件为单位进行报警，也大幅度减少了报警的数量。

Abnormal intelligent monitoring and processing technology

【技术实现步骤摘要】
异常智能监测处理技术
技术介绍
对于监控系统来说，一种常见的需求是要对产品或者业务的一些指标(metrics)进行监控，以了解产品或者业务是否处于健康状态，并且在出现异常时，能够进行报警并进行进一步原因分析。
技术实现思路
提供本专利技术实施例内容是为了以精简的形式介绍将在以下详细描述中进一步描述的一些概念。本
技术实现思路
并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。本文公开的异常智能监测处理技术，通过对多个发生异常的时间线序列进行关联性分析，将众多发生异常的时间线序列，整合为一个或者多个拓扑关系图形式的事件，从而有利于发现产生异常的根源。另外，通过以事件为单位进行报警，也大幅度减少了报警的数量。上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。附图说明图1为本专利技术实施例的监控数据处理装置之一的应用示例框图；图2为本专利技术实施例的时间线序列的可视化形态示意图；图3为本专利技术实施例的事件之一的结构示意图；图4为本专利技术实施例的事件之二的结构示意图；图5为本专利技术实施例的事件之三的结构示意图；图6为本专利技术实施例的事件之四的结构示意图；图7为本专利技术实施例的监控数据处理装置之二的应用示例框图；图8为本专利技术实施例的监控数据处理装置之三的应用示例框图；图9为本专利技术实施例的事件拓扑关系图的示意图；图10为本专利技术实施例的监控数据处理装置之四的应用示例框图；图11为本专利技术实施例的监控数据处理方法的流程之一的示意图；图12为本专利技术实施例的监控数据处理方法的流程之二的示意图；图13为本专利技术实施例的监控数据处理方法的流程之三的示意图；图14为本专利技术实施例的监控数据处理方法的流程之四的示意图；图15为本专利技术实施例的电子设备的框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本文中，术语“技术”可以指代例如(一个或多个)系统、(一个或多个)方法、计算机可读指令、(一个或多个)模块、算法、硬件逻辑(例如，现场可编程门阵列(FPGA))、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)和/或上述上下文以及在本文档通篇中所允许的(一项或多项)其它技术。在大型的数据服务平台或者云计算平台上，设置有用于对产品或者业务进行监控的监控系统，该监控系统会实时对各类产品或者业务所产生的数据进行监控分析，生成时间线序列形式的监控数据。其中，监控系统的监控处理一般针对产品或者业务各种指标(metrics)来进行的，在每项指标下，会包括多个维度(dimension)，针对每个维度的监控会生成对应的时间线序列。举例来说，针对搜索引擎的数据监控，每天的用户使用量可以一个监控的指标，在该指标下，可以包括全球的用户使用量、美国地区的用户使用量、亚洲地区的用户使用量、欧洲地区的用户使用量等维度，也还可以包括白天的用户使用量、夜晚的用户使用量、使用PC(个人电脑)的用户使用量、使用移动终端的用户使用量等，总之，指标以及维度是可以根据需要来灵活设定。上述的时间线序列实际上是以预设的时间间隔的监测时间点与监测数据构成的数据对的序列，一个时间线序列对应一个维度。由于监控系统监控的指标非常多，并且每个指标下还存在许多维度，监控系统会对针对每个维度进行监控，并生成大量的与各个维度对应的时间线序列。当出现异常时，往往是数量众多的时间线序列同时出现异常现象，由此会产生大量的报警，会严重干扰到监控系统的维护者或者用户的正常工作，并且面对这些大量的异常或者报警，工作人员也很难在短时间内分析出异常发生的根源以及应对方案。本专利技术实施例针对这样的情形，提出了一种技术方案，能够将众多异常的时间线序列进行关联性分析，整合为一个或者多个拓扑关系图形式的事件，从而有利于进一步的分析和报警。监控系统所检测到众多时间线序列上的异常现象，往往是相互关联的，其根源可能只存在于少数的时间线序列上。基于这样的原理，本专利技术的技术方中，会基于机器学习模型，对众多异常的时间线序列进行分析，挖据出发生异常的各个时间线序列之间的关联关系，并将这些关联关系整合为拓扑图，从而便于对异常根源的分析，并且可以将基于异常的报警变为基于事件的报警，从而能够大大降低报警的数量。在本专利技术实施例中，事件是指由多个发生异常的时间线序列构成的拓扑关系图，拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度。上述的事件一般会属于一个指标(metrics)之下的，在分析出的多个事件之间(这些事件可能是对应于不同的指标，也可能是对应于同一指标)也可能会存在一定的关联性。在专利技术的实施例的技术方案中，还包括对事件之间的关联性进行进一步分析的处理，并生成体现事件关联关系的事件拓扑关系图，图中的每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。通过事件拓扑关系图，能够从更加宏观的角度来进一步分析异常的原因以及影响情况。具体应用示例如图1所示，其为本专利技术实施例的监控数据处理装置之一的应用示例框图100，其中，该监控数据处理装置101可以设置于数据服务平台或者云计算平台上，可以作为平台的监控系统的一部分或者独立于监控系统之外来执行本专利技术实施例的处理功能。上述的监控系统具有实时监控数据服务平台或者云计算平台上的数据并生成时间线序列，并且该监控系统能够对时间线序列的异常进行识别。上述的数据服务平台或者云计算平台可以由多个服务器组成，监控数据处理装置101可以设置在服务器中也可以实现为其中的服务器。作为一种示例，图1中示出的监控数据处理装置101设置在服务器102之中，服务器102通过通信网络104与用户终端103连接，为用户终端103提供各种应用服务，同时服务器102设置有监控系统105，该监控系统105可以对服务的运行数据进行监控，生成时间线序列，并对时间线序列的异常进行识别，可以标记出发生异常的时间线序列，并且还可以标记出时间线序列中具体发生异常的数据点。生成的时间线序列可以存储于服务器本地的存储介质中，也可以存储于服务器102之外数据库106中。另外，作为另一种实现方式(图1中未示出)，上述的监控数据处理装置101也可以实现为台式计算机、笔记本电脑、平板电脑、专用服务器等计算机设备，或者设置于这些计算机设备中，用户可以将发生异常的时间线序列作为监控数据输入到该计算机设备上，通过该计算机设备执行本专利技术实施例的监控数据处理。此外，上述的监控数据处理装置101也可以实现为小型因素便携式(或移动)电子装置或者设置于小型因素便携式(或移动)电子装置中。这里所说的小型因素便携式(或移动)电子装置可以是：例如，蜂窝电话、个人数据助理(PDA)、个人媒体播放器装置、无线网络观看装置、个人头戴装置、专用装置或包括以上功能中的任何一个的混合装置。如图1中所示，监控数据处理装置本文档来自技高网...

【技术保护点】
1.一种方法，包括：获取发生异常的多个时间线序列；对所述多个时间线序列进行特征提取，生成多个时间线序列特征向量；将所述多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，所述事件包括由多个发生异常的时间线序列构成的拓扑关系图。

【技术特征摘要】
1.一种方法，包括：获取发生异常的多个时间线序列；对所述多个时间线序列进行特征提取，生成多个时间线序列特征向量；将所述多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，所述事件包括由多个发生异常的时间线序列构成的拓扑关系图。2.根据权利要求1所述的方法，其中，根据如下的特征要素中的一项或者任意多项，对所述多个时间线序列进行特征提取：维度关联性、所述时间线序列的历史上异常发生的时间关联性、各个时间线序列之间的形态特征关联性。3.根据权利要求1所述的方法，其中，所述拓扑关系图中的各个节点对应于发生异常的时间线序列，各个节点之间的边对应于节点之间对于异常影响的贡献度，所述拓扑关系图包括中心节点，该中心节点为拓扑关系图中异常最严重的节点，其它节点都会直接或者间接地对中心节点的异常具有贡献度。4.根据权利要求1所述的方法，其中，获取发生异常的多个时间线序列包括：响应于监控系统在指定的时间片中检测到存在时间线序列发生异常的输出结果，获取在该时间片中发生异常的多个时间线序列。5.根据权利要求1所述的方法，其中，生成一个或多个事件后，还包括：以事件为单位进行报警。6.根据权利要求1所述的方法，其中，每个事件中的时间线序列对应于同一指标。7.根据权利要求1所述的方法，其中，在生成多个事件后还包括：对多个事件进行特征向量提取，生成多个事件特征向量；将所述多个事件特征向量输入到第二机器学习模型中进行处理，生成事件拓扑关系图。8.根据权利要求7所述的方法，其中，根据如下的特征要素中的一项或者任意多项，对所述多个事件进行特征提取：事件对应的指标在维度组合方面的特征、事件之间在历史记录上的变化关联性以及事件之间的指标拟合度特征。9.根据权利要求7所述的方法，其中，所述事件拓扑关系图中，每个节点对应于事件，各个节点之间边对应于事件之间的关联性打分。10.一种装置，包括：时间线序列获取模块，用于获取发生异常的多个时间线序列；时间线序列特征提取模块，用于对所述多个时间线序列进行特征提取，生成多个时间线序列特征向量；事件生成模块，用于将所述多个时间线序列特征向量输入到第一机器学习模型中进行处理，生成一个或多个事件，所述事件包括由多个发生异常的时间线序列构成的拓扑关系图。11.根据权利要求10所述的装置，其中，根据如下的特征要素中的一项或者任意多项，对所述多个时间线序列进行特征提取：维度关联性、所述时间线序列的历史上异常发生的时间关联性、各个时间线序列之间的形态特征关联性。12.根据权利要求10所述的装置，其...

【专利技术属性】
技术研发人员：杨文漪，许必雄，龚博文，陈亮，黄丛蕊，童杰，邢国东，
申请(专利权)人：微软技术许可有限责任公司，
类型：发明
国别省市：美国,US