异常诊断方法和装置制造方法及图纸

本公开提供了一种异常诊断方法和装置，属于人工智能技术领域。所述方法包括：实时获取第一时刻的第一业务指标；获取在N个时刻产生的所述业务指标，得到参考指标序列，其中，所述N个时刻分别与第一时刻具有周期性对应关系，其中，所述周期性包括天周期、周周期、月周期、季度周期或年度周期中的至少一个；基于所述参考指标序列，利用时间序列算法模型预测所述业务指标的安全范围，其中，所述时间序列算法模型为用于预测所述业务指标的时序变化趋势的人工智能模型；以及在所述第一业务指标超出所述安全范围时，确定所述业务存在异常。本公开还提供了一种时间序列算法模型的训练方法和装置、一种电子设备、以及一种计算机可读存储介质。

【技术实现步骤摘要】
异常诊断方法和装置
本公开涉及人工智能
；更具体地，涉及一种异常诊断方法和装置、一种时间序列算法模型的训练方法、一种电子设备、以及一种计算机可读存储介质。
技术介绍
随着信息技术应用的快速渗透，业务系统已广泛部署应用在各行各，例如，金融、医疗、大型企业、教育等。用户对业务系统的使用不断增加，依赖性越来越高而当前对业务系统的问题诊断通常依赖于固定阈值的报警。即当业务指标超出固定阈值时判断业务系统出现异常。然而，固定阈值一方面容易引起误报和漏报，导致问题的诊断精度低下，另一方面可能造成报警风暴，使得真实报警信息掩盖在大量的虚假报警信息之下，严重影响问题分析定位的效率。可见，基于固定阈值的异常交易检测和诊断方法效率较低。因此，如何实现灵活、高精度的异常交易诊断是本领域亟待解决的技术问题。
技术实现思路
有鉴于此，本公开实施例提供了一种借助于人工智能技术的异常诊断方法和装置、以及一种时间序列算法模型的训练方法和装置、一种电子设备、和一种计算机可读存储介质。本公开实施例的第一方面，提供了一种异常诊断方法。本文档来自技高网...

【技术保护点】
1.一种异常诊断方法，包括：/n实时获取第一时刻业务运行产生的业务指标，得到第一业务指标；/n获取在N个时刻产生的所述业务指标，得到参考指标序列，其中，所述N个时刻分别与第一时刻具有周期性对应关系，其中，所述周期性包括天周期、周周期、月周期、季度周期或年度周期中的至少一个，其中，N为大于或等于1的整数；/n基于所述参考指标序列，利用时间序列算法模型预测所业务运行过程中所述业务指标的安全范围，其中，所述时间序列算法模型为用于预测所述业务指标的时序变化趋势的人工智能模型；以及/n在所述第一业务指标超出所述安全范围时，确定所述业务存在异常。/n

【技术特征摘要】
1.一种异常诊断方法，包括：
实时获取第一时刻业务运行产生的业务指标，得到第一业务指标；
获取在N个时刻产生的所述业务指标，得到参考指标序列，其中，所述N个时刻分别与第一时刻具有周期性对应关系，其中，所述周期性包括天周期、周周期、月周期、季度周期或年度周期中的至少一个，其中，N为大于或等于1的整数；
基于所述参考指标序列，利用时间序列算法模型预测所业务运行过程中所述业务指标的安全范围，其中，所述时间序列算法模型为用于预测所述业务指标的时序变化趋势的人工智能模型；以及
在所述第一业务指标超出所述安全范围时，确定所述业务存在异常。


2.根据权利要求1所述的方法，其中，所述N个时刻包括：
从所述第一时刻起算的前一天同一时刻、上周同天同一时刻、以及上上周同天同一时刻。


3.根据权利要求1所述的方法，其中，所述业务指标包括以下至少之一：业务成功率、业务响应时间、或业务交易量。


4.根据权利要求3所述的方法，其中，所述在所述第一业务指标超出所述安全范围时，确定所述业务存在异常包括：
当所述业务指标为业务成功率时，在所述第一业务指标小于所述安全范围的下限时，确定所述业务存在异常；和/或
当所述业务指标为业务响应时间时，在所述第一业务指标大于所述安全范围上限时，确定所述业务存在异常；和/或
当所述业务指标为业务交易量时，在所述第一业务指标小于所述安全范围的下限时，确定所述业务存在异常。


5.根据权利要求1所述的方法，其中，所述基于所述参考指标序列，利用时间序列算法模型预测所业务运行过程中所述业务指标的安全范围包括：
获取所述时间序列算法模型的预测结果，所述预测结果包括表征所述业务指标的时序变化趋势的动态基线；
在所述动态基线的基础上上溢和下浮所述业务指标的标准差的m倍，得到所述安全范围，其中，所述标准差为对在第一时间段产生的所述业务指标进行统计得到的，所述第一时间段为从第一时刻起、往前推一预设时长的时间段，其中m为大于等于1的整数。


6.根据权利要求5所述的方法，其中，按照如下方式训练所述时间序列算法模型，包括：
获取在第一时间段内产生的所述业务指标，得到第一历史业务指标序列；
获取在第二时间段内产生的所述业务指标，得到第二历史业务指标序列；
获取所述第二历史业务指标序列中每个业务指标产生的时刻所述业务运行异常与否的信息，得到业务运行信息序列；
循环执行如下操作以训练所述时间序列算法模型，直到所述时间序列算法模型的检测精度满足预设精度，包括：
利用所述第一历史业务指标序列，训练所述时间序列算法模型；
利用所述第二历史业务指标序列和所述业务运行信息序列测试所述时间序列模型的检测精度；
在所述时间序列算法模型的检测精度不满足预设精度时，调整所述时间序列算法模型的参数。


7.根据权利要求6所述的方法，其中，所述时间序列算法模型为ARIMA模型和Prophet模型按照权重组合得到的集成算法模型；所述调整所述时间序列算法模型的参数包括：
基于所述ARIMA模型的检测精度、以及所述Prophet模型的检测精度，确定所述ARIMA模型和所述Prophet模型各自的权重。


8.根据权利要求7所述的方法，其中，所述训练所述时间序列算法模型还包括：
对所述第一历史业务指标序列和所述第二历史业务指标序列中的每一个所述业务指标进行预处理，提取每个所述业务指标的周期特征；其中，所述周期特征包括以下至少之一：天周期变化特征、周周期变化特征、或月周期变化特征；以及
预处理后将每个所述业务指标以及对应的周期特征共同作为所述时间序列算法模型的输入数据。


9.根据权利要求1所述的方法，其中，所述方法还包括：
展示所述第一业务指标和所述安全范围。


10.一种时间序列算...

【专利技术属性】
技术研发人员：程鹏，任政，白佳乐，郑杰，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：北京;11