【技术实现步骤摘要】
本专利技术涉及一种基于运维注意力的时间序列异常检测评估方法和系统，涉及基础设施和it支撑、人工智能、云计算大数据边缘计算领域。
技术介绍
1、在当今快速发展的移动互联网时代，随着系统规模的扩大和业务的多样化，传统的运维方法已经难以应对日益增长的监控需求。因此，运维人员通过自动化地监控与系统稳定性相关的关键性能指标(kpi)，如业务量和成功率等，来有效保障系统的平稳运行，并提升用户体验。在这种情况下，时间序列异常检测模型发挥着重要的作用。它们能够实时监控和分析大量的kpi数据，及时发现并预警潜在的系统异常，从而帮助运维团队快速响应，减少系统故障对业务的影响。
2、时间序列异常检测模型的评估方法对于确保这些模型的有效性和准确性至关重要。评估方法可以帮助技术人员理解模型在实际应用中的表现，包括其对异常的识别能力、误报率和漏报率等。通过这些评估，可以对模型进行优化和调整，以更好地适应不断变化的业务需求和系统环境。
3、现有的公知技术中，基本的二分类模型采用传统的精确率、召回率和f1分数指标评估其分类表现。其中，精确率表示...
【技术保护点】
1.一种基于运维注意力的时间序列异常检测评估方法，其特征在于，包括有：
2.根据权利要求1所述的方法，其特征在于，步骤二中，逐一计算地面真相标签Y和异常检测结果中每个异常点的运维注意力，并根据异常点的运维注意力来预测其后一个观察期长度内的所有时间点的运维注意力，从而获得地面真相标签Y和异常检测结果的运维注意力曲线，进一步包括有：
3.根据权利要求2所述的方法，其特征在于，发现期-持续期的运维注意力函数ω(·)的计算公式如下：sigmoid(·)的计算公式如下：bdur是持续期的注意力下界，ldis是发现期长度，
4.根据权利要求3所...
【技术特征摘要】
1.一种基于运维注意力的时间序列异常检测评估方法，其特征在于，包括有：
2.根据权利要求1所述的方法，其特征在于，步骤二中，逐一计算地面真相标签y和异常检测结果中每个异常点的运维注意力，并根据异常点的运维注意力来预测其后一个观察期长度内的所有时间点的运维注意力，从而获得地面真相标签y和异常检测结果的运维注意力曲线，进一步包括有：
3.根据权利要求2所述的方法，其特征在于，发现期-持续期的运维注意力函数ω(·)的计算公式如下：sigmoid(·)的计算公式如下：bdur是持续期的注意力下界，ldis是发现期长度，
4....
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。