【技术实现步骤摘要】
数据异常识别方法、装置、服务器和存储介质
本专利技术涉及计算机
，具体涉及一种数据异常识别方法、装置、服务器和存储介质。
技术介绍
互联网的迅猛发展使得数据不再昂贵，而如何从数据中更快速获取价值变得日益重要，因此，数据实时化成为了一个大趋势。越来越多的业务场景需要实时分析，以极低的延迟来分析实时数据并给出分析结果，从而提高业务效率，带来更高价值。随着智能终端技术的不断发展，目前市场上的应用程序(Application，APP)数量和种类迅速增长，用户对APP的稳定性要求也不断提高，而APP性能指标是影响其稳定性的重要因素，也是影响智能终端正常使用的关键因素，因此对于APP的异常检测尤为重要。目前对于APP自身性能测试，大多是使用随身调GT工具等来进行APP测试，获取APP性能指标数据。但是该应用性能检测过程，需要人工在测试终端执行APP的点击、滑动、输入等操作，以进入APP各种逻辑和页面，从而获取在APP运行过程的性能指标，这种人工测试方式提高了的人力成本，也降低了测试的效率。专利技术内...
【技术保护点】
1.一种数据异常识别方法，其特征在于，所述数据异常识别方法包括：/n获取终端反馈的目标应用的应用数据；/n提取所述应用数据中的应用性能指标数据；/n将所述应用性能指标数据，输入异常识别网络模型；/n根据所述异常识别网络模型对所述应用性能指标数据进行数据异常分类识别，输出异常识别结果；/n根据所述异常识别结果，确定所述应用数据中应用性能指标是否异常。/n
【技术特征摘要】
1.一种数据异常识别方法，其特征在于，所述数据异常识别方法包括：
获取终端反馈的目标应用的应用数据；
提取所述应用数据中的应用性能指标数据；
将所述应用性能指标数据，输入异常识别网络模型；
根据所述异常识别网络模型对所述应用性能指标数据进行数据异常分类识别，输出异常识别结果；
根据所述异常识别结果，确定所述应用数据中应用性能指标是否异常。
2.根据权利要求1所述的数据异常识别方法，其特征在于，所述提取所述应用数据中的应用性能指标数据，包括：
提取所述应用数据中目标应用性能指标的频域特征，得到应用性能指标数据。
3.根据权利要求2所述的数据异常识别方法，其特征在于，所述提取所述应用数据中目标应用性能指标的频域特征，得到应用性能指标数据，包括：
获取采样所述应用数据的采样时间点；
根据所述采样时间点，在所述应用数据中截取第一时间序列；
在所述第一时间序列中提取所述目标应用性能指标的频域特征，得到应用性能指标数据。
4.根据权利要求3所述的数据异常识别方法，其特征在于，所述根据所述采样时间点，在所述应用数据中截取第一时间序列，包括：
根据所述采样时间点，向前扩第一时间长度，确定第一时间点；
根据所述采样时间点，向后扩第二时间长度，确定第二时间点；
截取所述应用数据中，所述第一时间点和所述第二时间点之间的时间序列，作为第一时间序列。
5.根据权利要求3所述的数据异常识别方法，其特征在于，所述在所述第一时间序列中提取所述目标应用性能指标的频域特征，得到应用性能指标数据，包括：
对所述第一时间序列进行采样，获取预设长度的多个子序列；
对所述多个子序列分别提取所述目标应用性能指标的频域特征，得到多个频域特征；
将所述多个频域特征拼接成频域特征图；
对所述频域特征图进行归一化处理，得到所述应用性能指标数据。
6.根据权利要求2所述的数据异常识别方法，其特征在于，所述提取所述应用数据中的目标应用性能指标的频域特征，得到应用性能指标数据，包括：
在所述应用数据中随机截取第二时间序列；
提取所述第二时间序列中所述目标应用性能指标的频域特征，得到应用性能指标数据。
7.根据权利要求1所述的数据异常识别方法，其特征在于，在将所述应用性能指标数据，输入异常识别网络模型之前，所述方法还包括：
采集所述目标应用的样本数据；
提取所述样本数据中的应用性能指标数据；
根据所述应用性能指标数据，训练预设的神经网络模型，得到所述异常识别网络模型。
8.根据权利要求7所述的数据异常识别方法，其特征在于，所述应用的样本数据包括应用的正样本数据和负样本数据；
所述提取所述样本数据中的应用性能指标数据，包括：提取所述正样本数据中目标应用性能指标的第一应用性能指标数据，提取所述负样本数据中目标应用性能指标的第二应用性能指标数据；
所述根据所述应用性能指标数据，训练预设的神经网络模型，得到异常识别网络模型，包括：根据所述第一应用性能指标数据和所述第...
【专利技术属性】
技术研发人员：范奇，
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。