监控信息异常的定位方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术涉及监控信息异常的定位方法、装置、计算机设备及存储介质，属于网络技术领域。该方法包括：若接收到指标异常信息，获取异常监控信息和正常监控信息；指标异常信息用于指示目标指标出现异常；目标指标对应有目标维度；异常监控信息和正常监控信息中分别包含有异常时间段和正常时间段在目标维度下的元素信息；异常时间段为发生异常的时间段；正常时间段根据异常时间段确定；将异常监控信息和正常监控信息进行比对，根据比对结果确定异常监控信息中出现异常的异常元素信息；根据异常元素信息输出异常定位信息。上述技术方案，解决了监控信息异常的定位效率低下的问题。能有效提高监控信息异常的定位效率。

Positioning method, device, computer equipment and storage medium of abnormal monitoring information

【技术实现步骤摘要】
监控信息异常的定位方法、装置、计算机设备及存储介质
本专利技术涉及网络
，特别是涉及监控信息异常的定位方法、装置、计算机设备及存储介质。
技术介绍
随着网络技术的发展，多维监控信息的异常定位(也称为智能下钻)已成为智能运维领域的一大热点。业务信息、机器指标或服务指标等多维信息被实时监控。当监控到异常时挖掘出最可能是异常发生根本原因的元素，以便进一步地修复止损。在进行异常定位时，常采用ARMA模型等来判定。在实现本专利技术过程中，专利技术人发现传统方式中至少存在如下问题：传统方法针对不同指标、不同时间的信息需要不断调整自回归系数和移动平均系数，人工成本高，监控信息异常的定位效率低下。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
基于此，本专利技术实施例提供了监控信息异常的定位方法、装置、计算机设备及存储介质，能有效提高监控信息异常的定位效率。本专利技术实施例的内容如下：在一个实施例中，本专利技术实施例提供一种监控信息异常的定位方法，包括以下步骤：若接收到指标异常信息，获取异常监控信息和正常监控信息；所述指标异常信息用于指示目标指标出现异常；所述目标指标对应有目标维度；所述目标维度中包含的元素信息用于表征监控信息；所述异常监控信息和正常监控信息中分别包含有异常时间段和正常时间段在所述目标维度下的元素信息；所述异常时间段为发生异常的时间段；所述正常时间段根据所述异常时间段确定；将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息；根据所述异常元素信息输出异常定位信息。在一个实施例中，本专利技术实施例提供一种监控信息异常的定位装置，包括：监控信息获取模块，用于若接收到指标异常信息，获取异常监控信息和正常监控信息；所述指标异常信息用于指示目标指标出现异常；所述目标指标对应有目标维度；所述目标维度中包含的元素信息用于表征监控信息；所述异常监控信息和正常监控信息中分别包含有异常时间段和正常时间段在所述目标维度下的元素信息；所述异常时间段为发生异常的时间段；所述正常时间段根据所述异常时间段确定；监控信息比对模块，用于将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息；定位信息输出模块，用于根据所述异常元素信息输出异常定位信息。在一个实施例中，监控信息比对模块，包括：相似度计算子模块，用于计算所述异常监控信息和所述正常监控信息中各个元素信息的第一相似度；异常信息筛选子模块，用于根据所述第一相似度从所述异常监控信息的元素信息中筛选出异常元素信息。在一个实施例中，第一相似度计算子模块，包括：后验概率分布计算单元，用于计算所述正常监控信息各个元素信息的先验概率分布和所述异常监控信息各个元素信息的后验概率分布；先验概率分布计算单元，用于计算所述先验概率分布和所述后验概率分布的相对熵和/或交叉熵，作为所述第一相似度。在一个实施例中，定位信息输出模块，包括：排序子模块，用于按照所述第一相似度对所述异常元素信息进行排序；定位信息输出子模块，用于按照排序结果输出所述异常定位信息。在一个实施例中，监控信息比对模块，还用于按照时间序列异常检测算法，通过所述正常监控信息预测所述异常时间段的监控信息，得到预测监控信息，并将所述预测监控信息与所述异常监控信息进行比对。在一个实施例中，监控信息异常的定位装置，还包括：时间信息确定模块，用于确定异常时间段和预先设定的历史时间窗口；所述历史时间窗口包含有过渡时间段，所述过渡时间段为正常信息结束到异常信息起始之间的时间段；时间段确定模块，用于从所述历史时间窗口中去除所述过渡时间段，得到所述正常时间段。在一个实施例中，监控信息比对模块，还用于通过预先训练的机器学习模型将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息。在一个实施例中，所述监控信息比对模块，还用于将所述异常监控信息和所述正常监控信息输入到预先训练的第一机器学习模型的目标函数中；通过所述目标函数计算所述异常监控信息和所述正常监控信息的第一相似度，作为所述比对结果；根据所述第一相似度从所述异常监控信息的元素信息中筛选出异常元素信息。在一个实施例中，所述监控信息比对模块，还用于将所述正常监控信息输入到预先训练的第二机器学习模型中，通过所述第二机器学习模型预测所述异常时间段的监控信息，得到预测监控信息；将所述预测监控信息与所述异常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息。在一个实施例中，所述目标指标包括率值指标和量值指标；其中，所述率值指标通过对应的量值指标运算得到；所述监控信息异常的定位装置，还包括：指标转换模块，用于若所述目标指标为率值指标，将所述目标指标转换为对应的量值指标；维度确定模块，用于根据经过量值指标转换的目标指标确定对应的目标维度；所述目标指标的元素信息由所述目标维度对应的元素信息经过运算得到。在一个实施例中，所述指标转换模块，包括：相似度确定子模块，用于确定所述目标指标和所述量值指标的第二相似度；指标转换子模块，用于若所述第二相似度高于预设的相似度阈值，则将所述目标指标转换为对应的量值指标。在一个实施例中，所述定位信息输出模块，还用于从所述目标指标中确定所述异常元素信息对应的指标，确定所述异常元素信息对应的指标在所述目标指标中的占比；按照所述占比的大小顺序输出所述异常定位信息。在一个实施例中，所述定位信息输出模块，还用于确定所述异常元素信息相对于正常元素信息的变化量，作为异常变化量，以及，确定所述正常监控信息中的各个元素信息相对于所述正常元素信息的变化量，作为总变化量；所述正常元素信息为所述正常监控信息对应的元素信息；计算所述异常变化量相对于所述总变化量的变化量比例；按照所述变化量比例的大小顺序输出异常定位信息。在一个实施例中，本专利技术实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：若接收到指标异常信息，获取异常监控信息和正常监控信息；所述指标异常信息用于指示目标指标出现异常；所述目标指标对应有目标维度；所述目标维度中包含的元素信息用于表征监控信息；所述异常监控信息和正常监控信息中分别包含有异常时间段和正常时间段在所述目标维度下的元素信息；所述异常时间段为发生异常的时间段；所述正常时间段根据所述异常时间段确定；将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息；根据所述异常元素信息输出异常定位信息。在一个实施例中，本专利技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：若接收到指标异常信息，获取异常监控信息和正常监控信息；所述指标异常信息用于指示目标指标出现异常；所述目标指标对应本文档来自技高网...

【技术保护点】
1.一种监控信息异常的定位方法，其特征在于，包括：/n若接收到指标异常信息，获取异常监控信息和正常监控信息；所述指标异常信息用于指示目标指标出现异常；所述目标指标对应有目标维度；所述目标维度中包含的元素信息用于表征监控信息；所述异常监控信息和正常监控信息中分别包含有异常时间段和正常时间段在所述目标维度下的元素信息；所述异常时间段为发生异常的时间段；所述正常时间段根据所述异常时间段确定；/n将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息；/n根据所述异常元素信息输出异常定位信息。/n

【技术特征摘要】
1.一种监控信息异常的定位方法，其特征在于，包括：
若接收到指标异常信息，获取异常监控信息和正常监控信息；所述指标异常信息用于指示目标指标出现异常；所述目标指标对应有目标维度；所述目标维度中包含的元素信息用于表征监控信息；所述异常监控信息和正常监控信息中分别包含有异常时间段和正常时间段在所述目标维度下的元素信息；所述异常时间段为发生异常的时间段；所述正常时间段根据所述异常时间段确定；
将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息；
根据所述异常元素信息输出异常定位信息。


2.根据权利要求1所述的方法，其特征在于，所述将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息的步骤，包括：
计算所述异常监控信息和所述正常监控信息中各个元素信息的第一相似度；
根据所述第一相似度从所述异常监控信息的元素信息中筛选出异常元素信息。


3.根据权利要求2所述的方法，其特征在于，所述计算所述异常监控信息和所述正常监控信息各个元素信息的第一相似度的步骤，包括：
计算所述正常监控信息各个元素信息的先验概率分布和所述异常监控信息各个元素信息的后验概率分布；
计算所述先验概率分布和所述后验概率分布的相对熵和/或交叉熵，作为所述第一相似度。


4.根据权利要求2所述的方法，其特征在于，所述根据所述异常元素信息输出异常定位信息的步骤，包括：
按照所述第一相似度对所述异常元素信息进行排序；
按照排序结果输出所述异常定位信息。


5.根据权利要求1所述的方法，其特征在于，所述将所述异常监控信息和所述正常监控信息进行比对的步骤，包括：
按照时间序列异常检测算法，通过所述正常监控信息预测所述异常时间段的监控信息，得到预测监控信息，并将所述预测监控信息与所述异常监控信息进行比对。


6.根据权利要求1所述的方法，其特征在于，所述若接收到指标异常信息，获取异常监控信息和正常监控信息的步骤之前，还包括：
确定异常时间段和预先设定的历史时间窗口；所述历史时间窗口包含有过渡时间段，所述过渡时间段为正常信息结束到异常信息起始之间的时间段；
从所述历史时间窗口中去除所述过渡时间段，得到所述正常时间段。


7.根据权利要求1所述的方法，其特征在于，所述将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息的步骤，包括：
通过预先训练的机器学习模型将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息。


8.根据权利要求7所述的方法，其特征在于，所述通过预先训练的机器学习模型将所述异常监控信息和所述正常监控信息进行比对，根据比对结果确定所述异常监控信息中出现异常的异常元素信息的步骤，包括：
将所述异常监控信息和所述正常监控信息输入到预先训练的第一机器学习模型的目标函数中；通过所述目标函数计算所述异常监控信息和所述正常监控信息的第一相似度，作为所述比对结果；根据所述第一相似度从所述异常监控信息的元素信息中筛选出异常元素信息。<...

【专利技术属性】
技术研发人员：张戎，姚华宁，张加浪，黄荣庚，高传泽，李雄政，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44