【技术实现步骤摘要】
异常检测方法、装置、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、设备及存储介质。
技术介绍
现有对指标数据的时间序列的检测，一般为人工阈值检测方式或者基于特征工程的机器学习方式。而人工阈值检测方式中，通过业务运维人员的经验，来给每条时间序列的指标数据进行一个静态阈值的设定，当时间序列的指标数据超出该静态阈值，即会被认定为异常并发送告警。并且，在真实的监控应用场景中，监控指标往往都是百万级别的，这时候对每一条指标数据，都需要维护一个静态阈值的监控方案，维护成本太高。以及随着业务的发展和演进，最初设置的静态阈值可能会不再合适，静态阈值的调整将跟不上发展速度。基于特征工程的机器学习方式虽然解决了传统方案的一些问题，但是仍然存在一些不足，比如检测耗时高，模型通用化能力弱，即模型在不同业务场景泛化能力弱，数据标注和模型业务特性加载在指标数据的标注中，导致在业务a训练的模型，到业务b中不再适用。而且在不同的业务中进行各自业务数据的标注和模型的训练，工作量大。
技术实现思路
有鉴...
【技术保护点】
1.一种异常检测方法，其特征在于，所述方法包括：/n获取至少一个待检测时序数据；/n从所述至少一个待检测时序数据中提取基础特征信息；/n确定与所述基础特征信息对应的异常检测模型；/n将所述至少一个待检测时序数据输入对应的异常检测模型中，进行异常检测处理，得到所述至少一个待检测时序数据对应的异常检测结果；/n获取异常检测结果为异常的待检测时序数据作为目标时序数据以及获取所述目标时序数据对应的业务类型；/n基于所述目标时序数据对应的业务类型，对所述目标时序数据进行验证，确定所述目标时序数据对应的目标异常检测结果。/n
【技术特征摘要】
1.一种异常检测方法，其特征在于，所述方法包括：
获取至少一个待检测时序数据；
从所述至少一个待检测时序数据中提取基础特征信息；
确定与所述基础特征信息对应的异常检测模型；
将所述至少一个待检测时序数据输入对应的异常检测模型中，进行异常检测处理，得到所述至少一个待检测时序数据对应的异常检测结果；
获取异常检测结果为异常的待检测时序数据作为目标时序数据以及获取所述目标时序数据对应的业务类型；
基于所述目标时序数据对应的业务类型，对所述目标时序数据进行验证，确定所述目标时序数据对应的目标异常检测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标时序数据对应的业务类型，对所述目标时序数据进行验证，确定所述目标时序数据对应的目标异常检测结果，包括：
获取所述目标时序数据的基础特征信息以及所述目标时序数据对应的业务类型的预设异常信息；
根据所述目标时序数据的基础特征信息和所述目标时序数据对应的业务类型的预设异常信息，确定所述目标时序数据对应的目标异常检测结果。
3.根据权利要求1所述的方法，其特征在于，还包括：
从所述目标时序数据中，获取目标异常检测结果为异常的目标时序数据作为异常时序数据以及获取所述异常时序数据的基础特征信息；
生成所述异常时序数据对应的告警信息以及所述异常时序数据对应的时间序列图；
发送所述告警信息、所述异常时序数据对应的时间序列图以及所述异常时序数据的基础特征信息至终端。
4.根据权利要求1所述的方法，其特征在于，所述确定与所述基础特征信息对应的异常检测模型，包括：
确定所述基础特征信息对应的特征类型；
若所述特征类型为平稳型，确定与所述基础特征信息对应的异常检测模型为西格玛模型；
若特征类型为第一非平稳类型，确定与所述基础特征信息对应的异常检测模型为决策树模型；
若特征类型为第二非平稳类型，确定与所述基础特征信息对应的异常检测模型为移动平均类算法模型；
若特征类型为第三非平稳类型，确定与所述基础特征信息对应的异常检测模型为多项式拟合算法模型和变点检测算法模型。
5.根据权利要求4所述的方法，其特征在于，所述异常检测模型为决策树模型时；在将所述至少一个待检测时序数据输入对应的异常检测模型中，进行异常检测处理，得到所述至少一个待检测时序数据对应的异常检测结果之前，所述方法还包括：
从所述至少一个待检测时序数据中提取目标检测特征信息；
所述将所述至少一...
【专利技术属性】
技术研发人员：董善东，张加浪，黄荣庚，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
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。