【技术实现步骤摘要】
异常检测方法、装置、计算机设备及存储介质
本申请涉及人工智能
，尤其涉及一种异常检测方法、装置、计算机设备及存储介质。
技术介绍
智能运维监测管理中，异常检测是整个环节中的重要部分。由于监测指标序列的异常标注难以大量提供，因此现有检测方法以非监督学习算法或者统计算法为主，同时也存在深度学习算法。但是现有的算法对某些指标(例如周期性显著的指标)的检测精确度不高，在这类指标出现异常但不够明显的时候，是无法检测出来的。
技术实现思路
为了解决现有技术中对周期性显著的指标的检测精确度不高的技术问题，本申请提供了一种异常检测方法、装置、计算机设备及存储介质。第一方面，本申请提供了一种异常检测方法，所述方法包括：检测待检测指标是否为周期性显著指标；若待检测指标为周期性显著指标，获取所述待检测指标在预设时间点前多个时间点对应的历史预测数据，得到多个历史预测数据；将多个所述历史预测数据输入预测模型，得到所述预设时间点对应的动态预测结果；获取所述待检测指标在所述预设时间点对应的...
【技术保护点】
1.一种异常检测方法，其特征在于，包括：/n检测待检测指标是否为周期性显著指标；/n若待检测指标为周期性显著指标，获取所述待检测指标在预设时间点前多个时间点对应的历史预测数据，得到多个历史预测数据；/n将多个所述历史预测数据输入预测模型，得到所述预设时间点对应的动态预测结果；/n获取所述待检测指标在所述预设时间点对应的监测结果，计算所述动态预测结果与所述监测结果的残差；/n若所述残差超出预设范围，则将所述监测结果记录至异常日志中，并基于所述异常日志检测是否存在异常事件；/n若存在异常事件，则发送异常事件告警至运维终端。/n
【技术特征摘要】
1.一种异常检测方法，其特征在于，包括：
检测待检测指标是否为周期性显著指标；
若待检测指标为周期性显著指标，获取所述待检测指标在预设时间点前多个时间点对应的历史预测数据，得到多个历史预测数据；
将多个所述历史预测数据输入预测模型，得到所述预设时间点对应的动态预测结果；
获取所述待检测指标在所述预设时间点对应的监测结果，计算所述动态预测结果与所述监测结果的残差；
若所述残差超出预设范围，则将所述监测结果记录至异常日志中，并基于所述异常日志检测是否存在异常事件；
若存在异常事件，则发送异常事件告警至运维终端。
2.根据权利要求1所述的异常检测方法，其特征在于，所述检测待检测指标是否为周期性显著指标，包括：
获取待检测指标在预设时长内的历史监测数据；
对所述历史监测数据进行快速傅里叶变化，得到频域图谱信息数据；
根据所述频域图谱信息数据，确定日频率位置对应的频谱分量以及其他频率位置对应的频谱分量；
计算所述其他频率位置对应的频谱分量的平均值，计算所述日频率位置对应的频谱分量与所述平均值的差值；
计算所述日频率位置对应的频谱分量以及所述其他频率位置对应的频谱分量的标准差；
若所述差值大于或等于预设倍数的所述标准差，则确定所述待检测指标为周期性显著指标。
3.根据权利要求2所述的异常检测方法，其特征在于，所述若所述差值大于或等于预设倍数的所述标准差，则确定所述待检测指标为周期性显著指标，包括：
若所述差值大于或等于预设倍数的所述标准差，则根据所述频域图谱信息数据，确定日频率位置对应的饱和度以及自相关系数；
若所述饱和度大于第一阈值且所述自相关系数大于第二阈值，则确定所述待检测指标为周期性显著指标。
4.根据权利要求1所述的异常检测方法，其特征在于，所述将所述监测结果记录至异常日志中，包括：
获取所述待检测指标在预设时间点前多个时间点对应的历史监测数据；
将多个所述历史监测数据输入预测模型，得到所述预设时间点对应的静态预测结果；
计算所述静态预测结果与所述监测结果的差值；
若所述差值超出预设范围，则将所述监测结...
【专利技术属性】
技术研发人员：陈桢博，金戈，徐亮，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。