一种时序数据异常检测方法、系统、存储介质及设备技术方案

本发明专利技术提供了一种时序数据异常检测方法、系统、存储介质及设备，方法包括：将时序数据的主窗口平均划分为多个子窗口，得到若干历史数据窗口和检测窗口，检测窗口包含部分历史数据和最新被测数据；分别计算多个子窗口的概率密度分布模型；对检测窗口的概率密度分布模型进行第一自适应修正，以得到其新概率密度分布模型，并对检测窗口的数据进行第二自适应修正，以得到其新数据；基于若干历史数据窗口的数据和新数据得到新主窗口数据，对其进行采样，得到目标数据集；计算多个子窗口的特征向量，并基于相邻子窗口的特征向量的距离得到距离集合；基于距离集合以及预设检测规则对最新被测数据进行异常检测。本发明专利技术提高了时序数据异常检测的准确性。检测的准确性。检测的准确性。

【技术实现步骤摘要】
一种时序数据异常检测方法、系统、存储介质及设备


[0001]本专利技术涉及人工智能
，尤其涉及一种时序数据异常检测方法、系统、存储介质及设备。

技术介绍

[0002]随着数据挖掘和人工智能领域技术的迅速发展和日渐成熟，智能运维技术被越来越多地应用在企业运维系统，不仅降低运维成本，而且提高运维效率，减少企业损失。时序数据异常检测是智能运维中的关键技术之一，快速准确的检测系统与服务中出现的异常，对后续的根因定位、智能决策等起着很大的作用，在实际中具有很高的应用价值和意义。
[0003]异常检测的方法主要分为两类：有监督学习和无监督学习。有监督学习因为需要大量的带标签的数据，限制了其在实际中的应用。无监督学习主要基于统计分析技术，分为参数估计和非参数估计两个方向。参数估计由于难以预知数据的先验知识及分布特征，而且假设的分布与真实的分布差异很大，往往很难得到准确的结果。非参数估计不加入任何先验知识，根据数据本身的特点和性质来拟合数据特征，与有参估计方法相比能得到更好的模型，可以更为准确地刻画当前窗口数据与历史数据的趋势差异，在实际中有很好本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序数据异常检测方法，其特征在于，包括以下步骤：获取时序数据，且所述时序数据包括历史数据和最新被测数据，并确定所述时序数据的主窗口，并将所述主窗口平均划分为多个子窗口，以得到若干历史数据窗口和检测窗口，且所述检测窗口包含部分历史数据和所述最新被测数据；分别计算所述多个子窗口的概率密度分布模型；对所述检测窗口的概率密度分布模型进行第一自适应修正，以得到其新概率密度分布模型，并对所述检测窗口的数据进行第二自适应修正，以得到其新数据；基于所述若干历史数据窗口的数据和所述新数据得到新主窗口数据，并对所述新主窗口数据进行采样，以得到目标数据集；基于所述目标数据集以及所述若干历史数据窗口的概率密度分布模型和所述新概率密度分布模型得到所述多个子窗口的特征向量，并基于相邻子窗口的特征向量的距离得到距离集合；基于所述距离集合以及对应的预设检测规则对所述最新被测数据进行异常检测。2.根据权利要求1所述的方法，其特征在于，对所述检测窗口的概率密度分布模型进行第一自适应修正，以得到其新概率密度分布模型包括：基于以下公式对所述检测窗口的概率密度分布模型进行第一自适应修正，以得到所述检测窗口的新概率密度分布模型：检测窗口的新概率密度分布模型：其中，x表示所述检测窗口的数据；n表示所述检测窗口的数据的数量；参数α表示自适应修正强度，其取值范围为[0,1]；参数λ表示自适应调节参数；参数ξ表示自适应修正偏移参数；σ
old
表示所述检测窗口的数据的标准差；f(x)表示所述检测窗口的概率密度分布模型；f
new
(x)表示所述检测窗口的新概率密度分布模型。3.根据权利要求2所述的方法，其特征在于，对所述检测窗口的数据进行第二自适应修正，以得到其新数据包括：基于所述参数α和所述参数λ对所述检测窗口的数据进行第二自适应修正，以得到所述检测窗口的新数据。4.根据权利要求1所述的方法，其特征在于，对所述新主窗口数据进行采样，以得到目标数据集包括：获取所述新主窗口数据中数值最大的最大数据和数值最小的最小数据，并将所述最大数据和所述最小数据组成的主区间平均划分为多个子区间；获取每个所述子区间的中点处的数据作为目标数据，且将所有的所述目标数据组成目标数...

【专利技术属性】
技术研发人员：张潇澜，李峰，周镇镇，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：