基于时间标注的指标异动检测预警的装置制造方法及图纸

本发明专利技术实施例提供一种基于时间标注的指标异动检测预警的装置，所述装置基于时间标注学习实现故障预警的方式，采用系统异常时间窗口标注，反向提取强相关的指标集合，形成核心指标集合，作为实时预警的数据基础；并通过时间窗口标注，以及Cramer分解，实现对应指标阈值的自动更新，从而极大降低人工维护成本，相比基于统一加权等模式在准确定上更加精确，而且具有更好的适用性。

An early warning device for index change detection based on time labeling

【技术实现步骤摘要】
基于时间标注的指标异动检测预警的装置
本专利技术实施例涉及计算机软件
，尤其涉及一种基于时间标注的指标异动检测预警的装置。
技术介绍
IT系统的监控是IT运维保障系统稳定运行及时响应的基础。然而随着IT技术和业务的发展，IT系统规模日益庞大，涉及的各类主机、平台、进程、服务、业务的各类类监控指标数量日益增多，每个组件指标都需要设定对应的告警策略。有的是静态的阈值指标，有的是随着业务行为特征具有一定的周期趋势特征，如用户为每天在线用户，随着时间推移形成一定的周期特征。然后通过定时轮训的进程实现对指标异动的判断，生成响应的预警信息。其中，指标的阈值设定又经常随着业务规模，系统架构等因素发生变化，导致原有的阈值设定无法适用，因此需要进行人工重新维护更新，难以实现对IT系统的高效、精确的风险预警。目前主要的解决方式有：基于人工配置的时序指标异动检测方法：以人工维护的方式，实现对所有指标告警阈值的配置更新，也是目前大多数IT企业的主要的解决方式，统一处理所有的运维监控指标，人工维护成本较高，尤其是大型IT系统中的海量监控指标的更新维护，难以实现及时更新和调整。基于CMDB的配置数据实现IT系统预警：通过对IT系统资源的运行状态进行多层次、全方位的实时监控，如CPU、内存、交易量等设定基准值，并且通过层次化依赖关系模型构建的以业务为核心的故障根源分析模型和故障影响性分析模型，可准确地定位造成交易失败的故障节点，以及预测该故障节点可能会影响的其他交易和影响的程度，及时通知运维管理人员采取措施，避免风险进一步地扩散。<br>基于历史数据加权生成业务基线预警：通过对监控指标的历史数据当天的日期属性对应的历史上当前时刻所在时段的监控项指标历史数据，计算其上下限基线，并且根据对应模块的权重设定告警的风险点等级和影响范围。数据采集模块用于从数据库中获取及存储阈值配置信息、活动周期预估数据和业务趋势预估数据；权重系数运算模块用于对各指标进行权重系数运算；上下限约束模块用于根据各指标的上下限约束完成指标数据的裁减；阈值输出模块用于输出阈值信息。但上述现有监控技术都存在监控不及时、精度不高等问题。
技术实现思路
本专利技术实施例提供一种基于时间标注的指标异动检测预警的装置，用以解决现有监控技术中监控不及时、精度不高等问题。根据本专利技术实施例的第一个方面，提供一种基于时间标注的指标异动检测预警的装置，包括：离线学习单元OLU，用于基于异常事件的异常时间窗口，自动关联时序数据库TSDB中的时序指标数据，并且通过Cramer分解，计算不确定因子和异常时间窗口的相关性，从而获取高敏时序指标数据集合；异常模型AM，用于基于高敏时序指标数据集合、目标系统可用率和正态分位函数算法，生成时序指标数据告警阈值区间；RC规则检测器，基于时序指标数据告警阈值区间，对目标时序指标数据进行异动检测。进一步，还包括标注工具LT，用于对异动事件进行对应系统和异常时间窗口标注。进一步，还包括预警单元AU，用于获取RC的异动检测结果，将异动检测结果进行信息推送；并且将相关异动模型发送给LT标注工具，进行标注分析。进一步，还包括：消息队列MQ，用于获取各个分布式监控客户端上报的时序指标数据，并进行队列化处理。进一步，还包括：时序数据库TSDB，用于从MQ模块的主题中归档时序指标并存储。进一步，还包括：事件库ED，用于存储事件的相关信息。进一步，离线学习单元OLU，进一步用于：根据ED中新增异常时间窗口标注事件的触发，获取对应新增的事件属性，事件属性包括对应的系统模块和影响的范围，时间窗口为TF；更新计算所述对应的系统模块的可用率选择离线分析的时序窗口Tw，TF∈Tw；根据Tw时间窗口，生成异动标注值；正常状态时序点的异动标注值为0，异常时序点的异动标注值为1，得到N维度的异动标注值序列数据W＝[w1，w2...wn]，且wi为0或1，N为总时序点数为；根据Tw时间窗口，从TSDB中遍历对应的时序指标数据，得到时序指标数据在Tw时间窗口内的异动标注值序列Y＝[y1，y2...yn]；若Y内异动标注值为周期性趋势时，则通过对Q个周期的时序数据集合生成U＝[μ1，μ2...μn]，其中μi为Q序列中的对应时序点的中位数或者平均；若Y内异动标注值为平稳性指标时，则Ui中的μi值相同为固定常数；结合Ui对Y内异动标注值进行Cramer分解，得到yi＝μi+εi，其中μi为确定性影响，εi随机不确定性干扰，得到εi＝yi-μi序列E；计算向量W和E的相关性γ：将γ满足预设条件的时序指标数据纳入高敏时序指标数据集合。进一步，异常模型AM，进一步用于：时序指标数据yi告警阈值区间的正常阈值区间为本专利技术实施例提供一种基于时间标注的指标异动检测预警的装置，所述装置基于时间标注学习实现故障预警的方式，采用系统异常时间窗口标注，反向提取强相关的指标集合，形成核心指标集合，作为实时预警的数据基础；并通过时间窗口标注，以及Cramer分解，实现对应指标阈值的自动更新，从而极大降低人工维护成本，相比基于统一加权等模式在准确定上更加精确，而且具有更好的适用性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于时间标注的指标异动检测预警的装置的一结构示意图；图2为本专利技术基于时间标注的指标异动检测预警的装置的又一结构示意图；图3为本专利技术基于时间标注的指标异动检测预警的装置的正态分布概率密度曲线示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。现有技术方案主要存在以下几个问题：方案一针对人为经验维护的方式存在的问题：随着目前各类系统集群规模的不断扩大，单纯的人工维护已经成为一项艰巨的任务，再加上业务规模上发生的快速变化，运维非常容易淹没在海量告警信息之中，难以精准快速的发现系统的严重风险。方案二针对CMDB配置数据实现预警的装置存在的问题：基于CMDB配置数据实现层次化的依赖拓扑模型，本质上是要建立对海量监控指标在整个依赖模型中的层次定位和关系，模型的维护工作量较高，而且对于IT人员的技能要求上也有较高的门槛，难以快速上手，而且容易受到系统变化而发生适用性的变化。方案三针对基于历史数据加权计算的装置存在的问题：基于历史数本文档来自技高网...

【技术保护点】
1.一种基于时间标注的指标异动检测预警的装置，其特征在于，包括：/n离线学习单元OLU，用于基于异常事件的异常时间窗口，自动关联时序数据库TSDB中的时序指标数据，并且通过Cramer分解，计算不确定因子和异常时间窗口的相关性，从而获取高敏时序指标数据集合；/n异常模型AM，用于基于高敏时序指标数据集合、目标系统可用率和正态分位函数算法，生成时序指标数据告警阈值区间；/n规则检测器RC，基于时序指标数据告警阈值区间，对目标时序指标数据进行异动检测。/n

【技术特征摘要】
1.一种基于时间标注的指标异动检测预警的装置，其特征在于，包括：
离线学习单元OLU，用于基于异常事件的异常时间窗口，自动关联时序数据库TSDB中的时序指标数据，并且通过Cramer分解，计算不确定因子和异常时间窗口的相关性，从而获取高敏时序指标数据集合；
异常模型AM，用于基于高敏时序指标数据集合、目标系统可用率和正态分位函数算法，生成时序指标数据告警阈值区间；
规则检测器RC，基于时序指标数据告警阈值区间，对目标时序指标数据进行异动检测。


2.根据权利要求1所述的装置，其特征在于，还包括标注工具LT，用于对异动事件进行对应系统和异常时间窗口标注。


3.根据权利要求2所述的装置，其特征在于，还包括预警单元AU，用于获取RC的异动检测结果，将异动检测结果进行信息推送；并且将相关异动模型发送给LT标注工具，进行标注分析。


4.根据权利要求3所述的装置，其特征在于，还包括：
消息队列MQ，用于获取各个分布式监控客户端上报的时序指标数据，并进行队列化处理。


5.根据权利要求4所述的装置，其特征在于，还包括：
时序数据库TSDB，用于从MQ模块的主题中归档时序指标并存储。


6.根据权利要求5所述的装置，其特征在于，还包括：
事件库ED，用于存储事件的相关信息。


7.根据权利...

【专利技术属性】
技术研发人员：叶晓龙，任赣，竺士杰，孟震，乔柏林，蒋通通，胡林熙，杜悦，
申请(专利权)人：中国移动通信集团浙江有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33