一种生成监控规则的方法、装置、设备及存储介质与流程

1.本发明实施例涉及数据处理技术领域，尤其涉及一种生成监控规则的方法、装置、设备及存储介质。


背景技术：

2.为了保障公司业务系统正常运行，业务异常感知是业务系统必备的一项基本要求。然而，随着公司业务的发展，业务场景越来越复杂，业务异常感知的要求也越来越高。
3.目前，最简单的业务异常感知方法是：直接基于预设的监控规则，确定业务是否异常。相关技术下，监控规则是根据专家经验确定的，针对不同的业务场景需人工设定不同的监控规则，使得监控规则的可扩展性较差。而且，针对一个业务场景下的不同时段，人工设定的监控规则是固定不变的，从而影响业务异常感知的准确性。


技术实现要素：

4.本技术实施例提供了一种生成监控规则的方法、装置、设备及存储介质，用于提高业务异常感知的准确性。
5.一方面，本技术实施例提供了一种生成监控规则的方法，该方法包括：
6.将第一时间段划分为多个时间单元，并分别对所述多个时间单元各自对应的原始交易数据进行修正，获得所述多个时间单元各自对应的修正交易数据；
7.基于所述多个时间单元各自对应的修正交易数据，分别确定所述多个时间单元各自对应的累计指标值和所述多个时间单元各自对应的均值指标值；
8.按照规则时间片，对所述第一时间段进行划分，获取多个规则时间段；
9.分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。
10.可选地，所述分别对所述多个时间单元各自对应的原始交易数据进行修正，获得所述多个时间单元各自对应的修正交易数据，包括：
11.针对所述多个时间单元，分别执行以下步骤：
12.基于业务类型，对一个时间单元对应的原始交易数据进行数据修正，获得修正交易数据。
13.可选地，所述累计指标值包括连续失败交易量；
14.所述基于所述多个时间单元各自对应的修正交易数据，确定所述多个时间单元各自对应的累计指标值，包括：
15.针对所述多个时间单元，分别执行以下步骤：
16.若一个时间单元内的修正交易数据的失败交易量为0，则确定所述一个时间单元对应的连续失败交易量为0；
17.若一个时间单元内的修正交易数据的失败交易量不为0，则基于所述一个时间单元的前一个时间单元对应的连续失败交易量，与所述失败交易量，确定所述一个时间单元
对应的连续失败交易量。
18.可选地，所述基于所述多个时间单元各自对应的修正交易数据，确定所述多个时间单元各自对应的均值指标值，包括：
19.针对所述多个时间单元，分别执行以下步骤：
20.获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据；
21.基于获得的多个修正交易数据，确定所述一个时间单元对应的均值指标值。
22.可选地，采用以下方式确定所述一个时间单元对应的目标滑动窗口，包括：
23.从多个窗口类别时间段中，确定与所述一个时间单元匹配的目标窗口类别时间段，并获取所述目标窗口类别时间段对应的滑动窗口长度，所述多个窗口类别时间段是按照预设规则对第二时间段划分获得的，其中，每个窗口类别时间段对应一个滑动窗口长度；
24.基于所述一个时间单元的结束时间点和所述滑动窗口长度，确定所述一个时间单元对应的目标滑动窗口，其中，所述一个时间单元的结束时间点与所述目标滑动窗口的结束时间点相同。
25.可选地，采用以下方式确定所述目标窗口类别时间段对应的滑动窗口长度，包括：
26.获取所述第二时间段的总交易量，并基于所述总交易量确定滑动窗口长度的下限值和上限值；
27.基于所述目标窗口类别时间段内的交易量与所述总交易量的比值，确定所述目标窗口类别时间段对应的交易比值；
28.基于所述交易比值、所述下限值以及所述上限值，确定所述目标窗口类别时间段对应的滑动窗口长度。
29.可选地，所述均值指标值包括负波动值；
30.所述基于获得的多个修正交易数据，确定所述一个时间单元对应的均值指标值，包括：
31.基于获得的多个修正交易数据，确定所述目标滑动窗口对应的总交易量；
32.基于所述目标滑动窗口对应的总交易量，以及所述目标滑动窗口的前一个滑动窗口对应的总交易量，确定所述一个时间单元对应的负波动值。
33.可选地，所述基于所述目标滑动窗口对应的总交易量，以及所述目标滑动窗口的前一个滑动窗口对应的总交易量，确定所述一个时间单元对应的负波动值，包括：
34.将所述前一个滑动窗口对应的总交易量与所述目标滑动窗口对应的总交易量的差值，作为所述目标滑动窗口对应的交易增长量；
35.将所述目标滑动窗口对应的交易增长量，与所述目标滑动窗口对应的总交易量的比值，作为所述一个时间单元对应的负波动值。
36.可选地，所述分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则，包括：
37.针对所述多个规则时间段，分别执行以下步骤：
38.将一个规则时间段对应的多个累计指标值，输入所述集成学习模型，获得多个第一监控阈值；
39.将所述多个第一监控阈值中的最大监控阈值，作为所述多个累计指标值在所述一
个规则时间段对应的累计指标监控阈值；
40.将所述一个规则时间段对应的多个均值指标值，输入所述集成学习模型，获得多个第二监控阈值；
41.将所述多个第二监控阈值中的最大监控阈值，作为所述多个均值指标值在所述一个规则时间段对应的均值指标监控阈值；
42.将获得的累计指标监控阈值和均值指标监控阈值，作为所述一个规则时间段对应的监控规则。
43.可选地，所述集成学习模型包括多个子学习模型；
44.所述将一个规则时间段对应的多个累计指标值，输入所述集成学习模型，获得多个第一监控阈值，包括：
45.将所述一个规则时间段对应的多个累计指标值，分别输入所述多个子学习模型，获得所述多个子学习模型各自输出的第一监控阈值；
46.所述将所述一个规则时间段对应的多个均值指标值，输入所述集成学习模型，获得多个第二监控阈值，包括：
47.将所述一个规则时间段对应的多个均值指标值，分别输入所述多个子学习模型，获得所述多个子学习模型各自输出的第二监控阈值。
48.一方面，本技术实施例提供了一种生成监控规则的装置，该装置包括：
49.修正模块，用于将第一时间段划分为多个时间单元，并分别对所述多个时间单元各自对应的原始交易数据进行修正，获得所述多个时间单元各自对应的修正交易数据；
50.计算模块，用于基于所述多个时间单元各自对应的修正交易数据，分别确定所述多个时间单元各自对应的累计指标值和所述多个时间单元各自对应的均值指标值；
51.划分模块，用于按照规则时间片，对所述第一时间段进行划分，获取多个规则时间段；
52.规则获取模块，用于分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。
53.可选地，所述修正模块具体用于：
54.针对所述多个时间单元，分别执行以下步骤：
55.基于业务类型，对一个时间单元对应的原始交易数据进行数据修正，获得修正交易数据。
56.可选地，所述累计指标值包括连续失败交易量；
57.所述计算模块具体用于：
58.针对所述多个时间单元，分别执行以下步骤：
59.若一个时间单元内的修正交易数据的失败交易量为0，则确定所述一个时间单元对应的连续失败交易量为0；
60.若一个时间单元内的修正交易数据的失败交易量不为0，则基于所述一个时间单元的前一个时间单元对应的连续失败交易量，与所述失败交易量，确定所述一个时间单元对应的连续失败交易量。
61.可选地，所述计算模块具体用于：
62.针对所述多个时间单元，分别执行以下步骤：
63.获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据；
64.基于获得的多个修正交易数据，确定所述一个时间单元对应的均值指标值。
65.可选地，采用以下方式确定所述一个时间单元对应的目标滑动窗口，包括：
66.从多个窗口类别时间段中，确定与所述一个时间单元匹配的目标窗口类别时间段，并获取所述目标窗口类别时间段对应的滑动窗口长度，所述多个窗口类别时间段是按照预设规则对第二时间段划分获得的，其中，每个窗口类别时间段对应一个滑动窗口长度；
67.基于所述一个时间单元的结束时间点和所述滑动窗口长度，确定所述一个时间单元对应的目标滑动窗口，其中，所述一个时间单元的结束时间点与所述目标滑动窗口的结束时间点相同。
68.可选地，采用以下方式确定所述目标窗口类别时间段对应的滑动窗口长度，包括：
69.获取所述第二时间段的总交易量，并基于所述总交易量确定滑动窗口长度的下限值和上限值；
70.基于所述目标窗口类别时间段内的交易量与所述总交易量的比值，确定所述目标窗口类别时间段对应的交易比值；
71.基于所述交易比值、所述下限值以及所述上限值，确定所述目标窗口类别时间段对应的滑动窗口长度。
72.可选地，所述均值指标值包括负波动值；
73.所述计算模块具体用于：
74.基于获得的多个修正交易数据，确定所述目标滑动窗口对应的总交易量；
75.基于所述目标滑动窗口对应的总交易量，以及所述目标滑动窗口的前一个滑动窗口对应的总交易量，确定所述一个时间单元对应的负波动值。
76.可选地，所述计算模块具体用于：
77.将所述前一个滑动窗口对应的总交易量与所述目标滑动窗口对应的总交易量的差值，作为所述目标滑动窗口对应的交易增长量；
78.将所述目标滑动窗口对应的交易增长量，与所述目标滑动窗口对应的总交易量的比值，作为所述一个时间单元对应的负波动值。
79.可选地，所述规则获取模块具体用于：
80.针对所述多个规则时间段，分别执行以下步骤：
81.将一个规则时间段对应的多个累计指标值，输入所述集成学习模型，获得多个第一监控阈值；
82.将所述多个第一监控阈值中的最大监控阈值，作为所述多个累计指标值在所述一个规则时间段对应的累计指标监控阈值；
83.将所述一个规则时间段对应的多个均值指标值，输入所述集成学习模型，获得多个第二监控阈值；
84.将所述多个第二监控阈值中的最大监控阈值，作为所述多个均值指标值在所述一个规则时间段对应的均值指标监控阈值；
85.将获得的累计指标监控阈值和均值指标监控阈值，作为所述一个规则时间段对应的监控规则。
86.可选地，所述集成学习模型包括多个子学习模型；
87.所述规则获取模块具体用于：
88.将所述一个规则时间段对应的多个累计指标值，分别输入所述多个子学习模型，获得所述多个子学习模型各自输出的第一监控阈值；
89.所述规则获取模块具体用于：
90.将所述一个规则时间段对应的多个均值指标值，分别输入所述多个子学习模型，获得所述多个子学习模型各自输出的第二监控阈值。
91.一方面，本技术实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述生成监控规则的方法的步骤。
92.一方面，本技术实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当所述程序在计算机设备上运行时，使得所述计算机设备执行上述生成监控规则的方法的步骤。
93.在本技术实施例中，将第一时间段划分为多个时间单元，并分别对多个时间单元各自对应的原始交易数据进行修正，获得多个时间单元各自对应的修正交易数据。再基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的累计指标值和多个时间单元各自对应的均值指标值。按照规则时间片，对第一时间段进行划分，获取多个规则时间段。再分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。由于每个规则时间段对应不同的监控规则，提高了业务异常感知的准确性。每个规则时间段各自对应的监控规则是根据每个规则时间段对应的多个累计指标值和多个均值指标值确定的，并不是基于专家经验确定的，因此，每个规则时间段所对应的监控规则的准确性更高，可以针对不同监控场景的变化，获取相应的监控规则，可扩展性较强。
附图说明
94.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
95.图1为本技术实施例提供的一种系统架构示意图；
96.图2为本技术实施例提供的一种生成监控规则的方法的流程示意图；
97.图3为本技术实施例提供的一种划分时间单元的结构示意图；
98.图4为本技术实施例提供的一种划分时间段的结构示意图；
99.图5为本技术实施例提供的一种划分时间单元的结构示意图；
100.图6为本技术实施例提供的一种确定目标滑动窗口的流程示意图；
101.图7为本技术实施例提供的一种确定目标窗口类别时间段对应的滑动窗口长度的流程示意图；
102.图8为本技术实施例提供的一种划分窗口类别时间段的结构示意图；
103.图9为本技术实施例提供的一种目标滑动窗口的结构示意图；
104.图10为本技术实施例提供的一种获得监控规则的流程示意图；
105.图11为本技术实施例提供的一种生成监控规则的装置的结构示意图；
106.图12为本技术实施例提供的一种生成监控规则装置的结构示意图；
107.图13为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
108.为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
109.参考图1，其为本技术实施例适用的一种生成监控规则的系统架构图，该生成监控规则的系统架构图至少包括终端设备101、监控规则生成系统102。
110.终端设备101安装有用于生成监控规则的目标应用，该应用可以是预先安装的客户端、网页版应用或嵌入在其他应用中的小程序等。终端设备101可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。
111.监控规则生成系统102为目标应用的后台服务器，为目标应用提供服务。监控规则生成系统102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网路(content delivery network,cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
112.终端设备101与监控规则生成系统102可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。
113.终端设备101响应用户的生成监控规则的操作，发送针对第一时间段的监控规则生成指令至监控规则生成系统102。监控规则生成系统102接收监控规则生成指令，将第一时间段划分为多个时间单元，并分别对多个时间单元各自对应的原始交易数据进行修正，获得多个时间单元各自对应的修正交易数据。再基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的累计指标值和多个时间单元各自对应的均值指标值。按照规则时间片，对第一时间段进行划分，获取多个规则时间段。再分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。
114.基于图1所述的系统架构图，本技术实施例提供了一种生成监控规则的方法的流程，如图2所示，该方法的流程由图1所示的监控规则生成系统102执行，包括以下步骤：
115.步骤s201，将第一时间段划分为多个时间单元，并分别对多个时间单元各自对应的原始交易数据进行修正，获得多个时间单元各自对应的修正交易数据。
116.具体地，第一时间段为历史时间段。为了保证所生成的监控规则的准确性，针对自然日监控，历史时间段为7个自然日；针对工作日监控，历史时间段为5个工作日；针对非工作日监控，历史时间段为最近4个非工作日。针对其他监控，历史时间段的设置在此不做限定。
117.时间单元可以是以秒为单位，也可以是以分钟为单位，还可以是以小时为单位。如时间单元为15秒。
118.举例来说，如图3所示，若第一时间段为2个自然日，分别为9月1日和9月2日，时间单元为15秒，对第一时间段的2个自然日进行划分，获得11520个时间单元，分别为{9月1日00:00:00-9月1日00:00：15}、{9月1日00:00:15-9月1日00:00:30}，
…
，{9月1日23:59:45-9月1日24:00:00}，
…
，{9月2日00:00:00-9月2日00:00:15}，
…
，{9月2日23:59:45-9月2日24:00:00}。
119.每个时间单元内包括多笔交易，对每个时间单元内的多笔交易进行统计，获得每个时间单元对应的原始交易数据，原始交易数据包括原始交易量、原始成功交易量和原始响应时间。
120.其中，将时间单元内的多笔交易的数量进行统计，获得原始交易量。将时间单元内的多笔交易中成功交易的数量进行统计，获得原始成功交易量。将时间单元内多笔交易各自对应的交易时间进行累加，获得原始响应时间。
121.针对多个时间单元，分别执行以下步骤：基于业务类型，对一个时间单元对应的原始交易数据进行数据修正，获得修正交易数据。修正交易数据包括交易量、成功交易量和响应时间。
122.针对不同的业务类型，对原始交易数据采取不同的数据修正方法。当业务类型为分流场景时，若分流前一个时间单元内的原始交易量占监控总交易量的比例为m％，分流后一个时间单元内的原始交易量占监控总交易量的比例为n％，那么修正交易数据可采用以下公式(1)、公式(2)和公式(3)获得，其中，修正交易数据包括交易量、成功交易量和响应时间：
[0123][0124]
其中，total
modify
为分流场景中一个时间单元对应的交易量，total为分流场景中一个时间单元对应的原始交易量，n％为分流后一个时间单元内的原始交易量占监控总交易量的比例，m％为分流前一个时间单元内的原始交易量占监控总交易量的比例。
[0125][0126]
其中，sec
modify
为分流场景中一个时间单元对应的成功交易量，sec为分流场景中一个时间单元对应的原始成功交易量，n％为分流后一个时间单元内的原始交易量占监控总交易量的比例，m％为分流前一个时间单元内的原始交易量占监控总交易量的比例。
[0127][0128]
其中，time
modify
为分流场景中一个时间单元对应的响应时间，time为分流场景中一个时间单元对应的原始响应时间，n％为分流后一个时间单元内的原始交易量占监控总交易量的比例，m％为分流前一个时间单元内的原始交易量占监控总交易量的比例。
[0129]
其他的业务类型，在此不做限制。
[0130]
举例来说，时间单元内共4笔交易，第一笔交易和第二笔交易均为成功，第三笔交易和第四笔交易均为失败。第一笔交易对应的交易时间为2s，第二笔交易对应的交易时间为1s，第三笔交易对应的交易时间为1s，第四笔交易对应的交易时间为3s。因此，该时间单元对应的原始交易量为4，原始成功交易量为2，原始响应时间为2s+1s+1s+3s＝7s。
[0131]
分流场景中，该时间单元内的原始交易量占监控总交易量的比例由100％调整为50％，那么，该时间单元对应的交易量为成功交易量为响应时间为
[0132]
步骤s202，基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的累计指标值和多个时间单元各自对应的均值指标值。
[0133]
具体地，累计指标值包括连续失败交易量等，均值指标值包括平均交易量、平均成功交易量、负波动值、平均响应时间等。
[0134]
步骤s203，按照规则时间片，对第一时间段进行划分，获取多个规则时间段。
[0135]
具体地，规则时间片可以是以秒为单位，也可以是以分钟为单位，还可以是以小时为单位。如规则时间片为1小时。
[0136]
若第一时间段包括多个自然日，按照规则时间片，对多个自然日进行划分，其中，按照规则时间片，将每个自然日被划分为多个时间段，将不同自然日的同一时间段作为一个规则时间段。
[0137]
举例来说，如图4所示，若第一时间段为2个自然日，分别为9月1日和9月2日，规则时间片为1小时，按照1小时为划分单位分别将9月1日和9月2日划分24个时间段，然后将9月1日和9月2日中同一时间段作为一个规则时间段，获得24个规则时间段，其中，规则时间段00:00:00-01:00:00包括{9月1日00:00:00-9月1日01:00:00}、{9月1日24:00:00(也指9月2日00:00:00)-9月2日01:00:00}，规则时间段01:00:00-02:00:00包括{9月1日01:00:00-9月1日02:00:00}、{9月2日01:00:00-9月2日02:00:00}，
…
，规则时间段23:00:00-24:00:00包括{9月1日23:00:00-9月1日24:00:00}、{9月2日23:00:00-9月2日24:00:00}。
[0138]
规则时间段包括多个时间单元，规则时间段的时长大于一个时间单元的时长。
[0139]
步骤s204，分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。
[0140]
具体地，若规则时间段包括多个时间单元，则将规则时间段内的多个时间单元各自对应的累计指标值，作为规则时间段对应的多个累计指标值；将规则时间段内的多个时间单元各自对应的均值指标值，作为规则时间段对应的多个均值指标值。
[0141]
举例来说，如图4所示，针对规则时间段00:00:00-01:00:00来说，规则时间段00:00:00-01:00:00包括两个时间段，即{9月1日00:00:00-9月1日01:00:00}、{9月1日24:00:00(也指9月2日00:00:00)-9月2日01:00:00}，其中，时间段9月1日00:00:00-9月1日01:00:00包括240个时间单元，时间段9月1日24:00:00-9月2日01:00:00包括240个时间单元，因此，规则时间段00:00:00-01:00:00包括480个时间单元。由于每个时间单元对应一个累计指标值和一个均值指标值，因此，规则时间段00:00:00-01:00:00对应480个累计指标值和480个均值指标值。
[0142]
集成学习模型包括多个子学习模型，子学习模型可以是孤立森林(isolation forest)、局部异常因子算法(local outlier factor，lof)、中位数绝对偏差(median absolute deviation，mad)中的任意一种。集成学习模型可以包括全部的子学习模型，也可以包括部分子学习模型。
[0143]
针对其中一个规则时间段，执行以下步骤：
[0144]
将该规则时间段对应的多个累计指标值，输入集成学习模型，获得多个累计指标值在该规则时间段对应的累计指标监控阈值；
[0145]
将该规则时间段对应的多个均值指标值，输入集成学习模型，获得多个均值指标值在该规则时间段对应的均值指标监控阈值；
[0146]
将获得的累计指标监控阈值和均值指标监控阈值，作为该规则时间段对应的监控规则。
[0147]
在本技术实施例中，将第一时间段划分为多个时间单元，并分别对多个时间单元各自对应的原始交易数据进行修正，获得多个时间单元各自对应的修正交易数据。再基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的累计指标值和多个时间单元各自对应的均值指标值。按照规则时间片，对第一时间段进行划分，获取多个规则时间段。再分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。由于每个规则时间段对应不同的监控规则，提高了业务异常感知的准确性。每个规则时间段各自对应的监控规则是根据每个规则时间段对应的多个累计指标值和多个均值指标值确定的，并不是基于专家经验确定的，因此，每个规则时间段所对应的监控规则的准确性更高，可以针对不同监控场景的变化，获取相应的监控规则，可扩展性较强。
[0148]
可选地，在上述步骤s202中，当累计指标值为连续失败交易量时，基于多个时间单元各自对应的修正交易数据，确定多个时间单元各自对应的累计指标值，包括以下步骤：
[0149]
针对多个时间单元，分别执行以下步骤：
[0150]
若一个时间单元内的修正交易数据的失败交易量为0，则确定一个时间单元对应的连续失败交易量为0。
[0151]
若一个时间单元内的修正交易数据的失败交易量不为0，则基于一个时间单元的前一个时间单元对应的连续失败交易量，与失败交易量，确定一个时间单元对应的连续失败交易量。
[0152]
具体地，一个时间单元对应的修正交易数据，包括交易量、成功交易量和响应时间，将一个时间单元对应的交易量与成功交易量的差值，作为一个时间单元内的修正交易数据的失败交易量。
[0153]
举例来说，如图5所示，设定时间单元为15秒，对9月1日进行划分，获得5760个时间单元，分别为{9月1日00:00:00-9月1日00:00:15}，
…
，{9月1日23:59:45-9月1日24:00:00}。
[0154]
设定{9月1日10:00:00-9月1日10:00:15}对应的失败交易量为20，{9月1日10:00:15-9月1日10:00:30}对应的失败交易量为10，{9月1日10:00:30-9月1日10:00:45}对应的失败交易量为0，{9月1日10:00:45-9月1日10:01:00}对应的失败交易量为10，{9月1日10:01:00-9月1日10:01:15}对应的失败交易量为20。
[0155]
设定{9月1日10:00:00-9月1日10:00:15}对应的连续失败交易量为20，{9月1日10:00:15-9月1日10:00:30}对应的连续失败交易量为20+10＝30，{9月1日10:00:30-9月1日10:00:45}对应的连续失败交易量为0，{9月1日10:00:45-9月1日10:01:00}对应的连续失败交易量为10，{9月1日10:01:00-9月1日10:01:15}对应的连续失败交易量为20+10＝
30。
[0156]
在本技术实施例中，累计指标值为连续失败交易量时，通过计算一个时间单元的连续失败交易量，可以统计出前一个时间单元对当前时间单元的影响，有利于提高所确定的监控规则的准确性。
[0157]
可选地，在上述步骤s202中，基于多个时间单元各自对应的修正交易数据，确定多个时间单元各自对应的均值指标值，包括以下步骤：
[0158]
针对所述多个时间单元，分别执行以下步骤：
[0159]
获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据。再基于获得的多个修正交易数据，确定所述一个时间单元对应的均值指标值。
[0160]
具体地，当均值指标值为平均交易量时，针对所述多个时间单元，分别执行以下步骤：
[0161]
获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据。再将获得的多个修正交易数据中的交易量进行平均，确定一个时间单元对应的平均交易量。
[0162]
当均值指标值为平均成功交易量时，针对所述多个时间单元，分别执行以下步骤：
[0163]
获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据。再将获得的多个修正交易数据中的成功交易量进行平均，确定一个时间单元对应的平均成功交易量。
[0164]
当均值指标值为负波动值时，针对所述多个时间单元，分别执行以下步骤：
[0165]
获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据。基于获得的多个修正交易数据，确定目标滑动窗口对应的总交易量。再基于目标滑动窗口对应的总交易量，以及目标滑动窗口的前一个滑动窗口对应的总交易量，确定一个时间单元对应的负波动值。
[0166]
本技术实施例中，为了实现基于目标滑动窗口对应的总交易量，以及目标滑动窗口的前一个滑动窗口对应的总交易量，确定一个时间单元对应的负波动值，提供了以下三种方式，分别为：
[0167]
第一种可能的实施方式，将前一个滑动窗口对应的总交易量与目标滑动窗口对应的总交易量的差值，作为一个时间单元对应的负波动值。
[0168]
第二种可能的实施方式，将前一个滑动窗口对应的总交易量与目标滑动窗口对应的总交易量的差值，作为目标滑动窗口对应的交易增长量。再将目标滑动窗口对应的交易增长量，与目标滑动窗口对应的总交易量的比值，作为一个时间单元对应的负波动值。
[0169]
第三种可能的实施方式，将前一个滑动窗口对应的总交易量与目标滑动窗口对应的总交易量的差值，作为目标滑动窗口对应的交易增长量。若目标滑动窗口对应的交易增长量小于0，则将目标滑动窗口对应的交易增长量，与目标滑动窗口对应的总交易量的比值，作为一个时间单元对应的负波动值；否则，一个时间单元对应的负波动值为0。
[0170]
当均值指标值为平均响应时间时，针对所述多个时间单元，分别执行以下步骤：
[0171]
获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据。再将获得的多个修正交易数据中的响应时间进行平均，确定一个时间单元对应的平均响应时间。
[0172]
在本技术实施例中，由于均值指标体现了目标滑动窗口内的多个时间单元的修正交易数据的变化，因此，基于目标滑动窗口所确定的一个时间单元对应的均值指标更加具有稳定性，有利于提高监控规则的准确性。
[0173]
可选地，在上述步骤s202中，基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的累计指标值和多个时间单元各自对应的均值指标值后，分别对每个时间单元各自对应的累计指标值和均值指标值进行数据规整，包括以下步骤：
[0174]
若累计指标值为向上触发指标类型，则累计指标值保持不变；若累计指标值为向下触发指标类型，则将累计指标值取反。比如，累计指标值为30，取反为-30。
[0175]
若均值指标值为向上触发指标类型，则均值指标值保持不变；若均值指标值为向下触发指标类型，则将均值指标值取反。
[0176]
其中，连续失败交易量、平均响应时间为向上触发指标类型，平均交易量、平均成功交易量、负波动值为向下触发指标类型。
[0177]
在本技术实施例中，由于不同的累计指标值、均值指标值所确定的监控规则的触发标准并不相同，因此，需要对累计指标值和均值指标值进行数据规整，便于后续采用相同的集成学习模型确定监控规则。
[0178]
可选地，如图6所示，一个时间单元对应的目标滑动窗口可以采用以下方式确定：
[0179]
步骤s601，从多个窗口类别时间段中，确定与一个时间单元匹配的目标窗口类别时间段，并获取目标窗口类别时间段对应的滑动窗口长度。
[0180]
其中，多个窗口类别时间段是按照预设规则对第二时间段划分获得的，第二时间段是按照自然日对第一时间段进行划分获得的，每个窗口类别时间段对应一个滑动窗口长度。窗口类别时间段的时长与规则时间段的时长相同。
[0181]
预设规则可以是以小时为单位对第二时间段进行划分，也可以是以分钟为单位对第二时间段进行划分，还可以是其他的划分方法，在此不做限定。
[0182]
窗口类别时间段的时长大于一个时间单元的时长，将与一个时间单元存在重叠的窗口类别时间段，作为目标窗口类别时间段。
[0183]
步骤s602，基于一个时间单元的结束时间点和滑动窗口长度，确定一个时间单元对应的目标滑动窗口。
[0184]
其中，一个时间单元的结束时间点与目标滑动窗口的结束时间点相同。
[0185]
如图7所示，可以采用以下方式确定目标窗口类别时间段对应的滑动窗口长度，包括以下步骤：
[0186]
步骤s701，获取第二时间段的总交易量，并基于总交易量确定滑动窗口长度的下限值和上限值。
[0187]
具体地，将第二时间段的总交易量，输入至第一函数，获取滑动窗口长度的下限值和上限值。其中，第一函数为分段函数，第二时间段的总交易量不同，所确定的滑动窗口长度的下限值和上限值也不相同。第二时间段的总交易量越大，所确定的滑动窗口长度的下限值和上限值越小。
[0188]
步骤s702，基于目标窗口类别时间段内的交易量与总交易量的比值，确定目标窗口类别时间段对应的交易比值。
[0189]
步骤s703，基于交易比值、下限值以及上限值，确定目标窗口类别时间段对应的滑
动窗口长度。
[0190]
具体地，将交易比值、下限值以及上限值，输入至第二函数，获取目标窗口类别时间段对应的滑动窗口长度。其中，第二函数为分段函数，交易比值越大，所确定的滑动窗口长度越小。
[0191]
举例来说，设定第一时间段为2个自然日，分别为9月1日和9月2日。时间单元为15秒，对第一时间段的2个自然日进行划分，获得11520个时间单元。同时，按照自然日对第一时间段进行划分，获得两个第二时间段，分别为第二时间段1和第二时间段2，其中，第二时间段1为9月1日，第二时间段2为9月2日。
[0192]
设定预设规则为按照一个小时对第二时间段划分，如图8所示，针对第二时间段1(即9月1日)进行划分，获得24个窗口类别时间段，分别为{9月1日00:00:00-9月1日01:00:00}、{9月1日01:00:00-9月1日02:00:00}，
…
，{9月1日23:00:00-9月1日24:00:00}。
[0193]
对第二时间段2(即9月2日)采用同样的划分方法进行划分，在此不做赘述。
[0194]
设定确定一个时间单元为{9月1日10:30:30-9月1日10:30:45}，由于该时间单元与窗口类别时间段{9月1日10:00:00-9月1日11:00:00}存在重叠，因此，将{9月1日10:00:00-9月1日11:00:00}作为一个时间单元(9月1日10:30:30-9月1日10:30:45)的目标窗口类别时间段。
[0195]
设定第二时间段1的总交易量为10000，将总交易量10000输入至第一函数，确定滑动窗口长度的下限值为5s和上限值为50s。
[0196]
目标窗口类别时间段内(9月1日10:00:00-9月1日11:00:00)的交易量为200，因此，确定目标窗口类别时间段对应的交易比值为将5s和50s输入至第二函数，确定目标窗口类别时间段对应的滑动窗口长度为30s。
[0197]
最终，所确定的一个时间单元(9月1日10:30:30-9月1日10:30:45)对应的目标滑动窗口如图9所示，{9月1日10:30:15-9月1日10:30:45}为目标滑动窗口。
[0198]
可选地，在上述步骤s204中，分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则之前，还包括：
[0199]
针对每个规则时间段对应的多个累计指标值进行统计，若缺失率满足预设条件，则将该规则时间段删除。
[0200]
针对每个规则时间段对应的多个均值指标值进行统计，若缺失率满足预设条件，则将该规则时间段删除。
[0201]
可选地，在上述步骤s204中，分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则，具体包括以下步骤：
[0202]
如图10所示，针对多个规则时间段，分别执行以下步骤：
[0203]
步骤s1001，将一个规则时间段对应的多个累计指标值，输入集成学习模型，获得多个第一监控阈值。
[0204]
具体地，集成学习模型包括多个子学习模型，子学习模型可以是孤立森林、局部异常因子算法、中位数绝对偏差中的任意一种。
[0205]
将该规则时间段对应的多个累计指标值，分别输入多个子学习模型，获得多个子学习模型各自输出的第一监控阈值。
[0206]
设定集成学习模型包括孤立森林、局部异常因子算法以及中位数绝对偏差，将该规则时间段对应的多个累计指标值输入孤立森林，去除异常累计指标值后，在剩余的多个累计指标值中，选取最大累计指标值作为第一监控阈值。
[0207]
同时，将该规则时间段对应的多个累计指标值输入局部异常因子算法，去除异常累计指标值后，在剩余的多个累计指标值中，选取最大累计指标值作为第一监控阈值。将该规则时间段对应的多个累计指标值输入中位数绝对偏差，去除异常累计指标值后，在剩余的多个累计指标值中，选取最大累计指标值作为第一监控阈值。
[0208]
最终，将该规则时间段对应的多个累计指标值，输入所述集成学习模型后，获得3个第一监控阈值。
[0209]
举例来说，当集成学习模型包括孤立森林、局部异常因子算法以及中位数绝对偏差，且累计指标值为连续失败交易量时，将一个规则时间段对应的多个连续失败交易量输入孤立森林，去除异常连续失败交易量后，在剩余的多个连续失败交易量中，选取最大连续失败交易量作为第一监控阈值。
[0210]
同时，将该规则时间段对应的多个连续失败交易量输入局部异常因子算法，去除异常连续失败交易量后，在剩余的多个连续失败交易量中，选取最大连续失败交易量作为第一监控阈值。将该规则时间段对应的多个连续失败交易量输入中位数绝对偏差，去除异常连续失败交易量后，在剩余的多个连续失败交易量中，选取最大连续失败交易量作为第一监控阈值。
[0211]
最终，将该规则时间段对应的多个连续失败交易量，输入所述集成学习模型后，获得3个第一监控阈值。
[0212]
步骤s1002，将多个第一监控阈值中的最大监控阈值，作为多个累计指标值在一个规则时间段对应的累计指标监控阈值。
[0213]
步骤s1003，将一个规则时间段对应的多个均值指标值，输入集成学习模型，获得多个第二监控阈值。
[0214]
具体地，将该规则时间段对应的多个均值指标值，分别输入多个子学习模型，获得多个子学习模型各自输出的第二监控阈值。
[0215]
设定集成学习模型包括孤立森林、局部异常因子算法以及中位数绝对偏差，将该规则时间段对应的多个均值指标值输入孤立森林，去除异常均值指标值后，在剩余的多个均值指标值中，选取最大均值指标值作为第二监控阈值。
[0216]
同时，将该规则时间段对应的多个均值指标值输入局部异常因子算法，去除异常均值指标值后，在剩余的多个均值指标值中，选取最大均值指标值作为第二监控阈值。将该规则时间段对应的多个均值指标值输入中位数绝对偏差，去除异常均值指标值后，在剩余的多个均值指标值中，选取最大均值指标值作为第二监控阈值。
[0217]
最终，将该规则时间段对应的多个均值指标值，输入所述集成学习模型后，获得3个第二监控阈值。
[0218]
举例来说，当集成学习模型包括孤立森林、局部异常因子算法以及中位数绝对偏差，且均值指标值为平均交易量时，将一个规则时间段对应的多个平均交易量输入孤立森
林，去除异常平均交易量后，在剩余的多个平均交易量中，选取最大平均交易量作为第二监控阈值。
[0219]
同时，将该规则时间段对应的多个平均交易量输入局部异常因子算法，去除异常平均交易量后，在剩余的多个平均交易量中，选取最大平均交易量作为第二监控阈值。将该规则时间段对应的多个平均交易量输入中位数绝对偏差，去除异常平均交易量后，在剩余的多个平均交易量中，选取最大平均交易量作为第二监控阈值。
[0220]
最终，将该规则时间段对应的多个平均交易量，输入所述集成学习模型后，获得3个第二监控阈值。
[0221]
均值指标值为平均成功交易量、负波动值、平均响应时间时，与上述过程类似，在此不做赘述。
[0222]
步骤s1004，将多个第二监控阈值中的最大监控阈值，作为多个均值指标值在一个规则时间段对应的均值指标监控阈值。
[0223]
步骤s1005，将获得的累计指标监控阈值和均值指标监控阈值，作为一个规则时间段对应的监控规则。
[0224]
具体地，在一个规则时间段内，针对累计指标值，将累计指标监控阈值作为监控规则；针对均值指标值，将均值指标值和滑动窗口长度作为监控规则。
[0225]
针对每个规则时间段对应的监控规则，进行规则回测，若规则回测结果满足监控标准，则将每个规则时间段对应的监控规则输出；若规则回测结果不满足监控标准，则进行人工审核，进行针对性处理。
[0226]
为了更好地解释本技术实施例，下面结合具体的实施场景描述本技术实施例提供的一种生成监控规则的方法，该方法由图1中的监控规则生成系统102执行。如图11所示，监控规则生成系统102包括数据转换衍生模块1101、规则计算模块1102和规则集成模块1103。其中，数据转换衍生模块1101包括数据修正模块11011、累计指标值计算模块11012、均值指标值计算模块11013和数据规整模块11014，规则计算模块1102包括过滤模块11021、集成学习模块11022，规则集成模块1103包括规则生成模块11031、规则回测模块11032和人工审核模块11033。
[0227]
数据修正模块11011将第一时间段划分为多个时间单元，并分别对多个时间单元各自对应的原始交易数据进行修正，获得多个时间单元各自对应的修正交易数据。数据修正模块11011分别将修正数据发送至累计指标值计算模块11012和均值指标值计算模块11013。
[0228]
累计指标值计算模块11012基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的累计指标值。具体地，累计指标值包括连续失败交易量等。累计指标值计算模块11012将获得的累计指标值发送至数据规整模块11014。
[0229]
均值指标值计算模块11013基于多个时间单元各自对应的修正交易数据，分别确定多个时间单元各自对应的均值指标值。具体地，均值指标值包括平均交易量、平均成功交易量、负波动值、平均响应时间等。均值指标值计算模块11013将均值指标值发送至数据规整模块11014。
[0230]
数据规整模块11014对累计指标值进行判断，若累计指标值为向上触发指标类型，则累计指标值保持不变；若累计指标值为向下触发指标类型，则将累计指标值取反。
[0231]
数据规整模块11014对均值指标值进行判断，若均值指标值为向上触发指标类型，则均值指标值保持不变；若均值指标值为向下触发指标类型，则将均值指标值取反。
[0232]
其中，连续失败交易量、平均响应时间为向上触发指标类型，平均交易量、平均成功交易量、负波动值为向下触发指标类型。
[0233]
数据规整模块11014将数据规整后的累计指标值和均值指标值发送至过滤模块11021。
[0234]
过滤模块11021按照规则时间片，对第一时间段进行划分，获取多个规则时间段。然后，针对每个规则时间段对应的多个累计指标值进行统计，若缺失率满足预设条件，则将该规则时间段删除。针对每个规则时间段对应的多个均值指标值进行统计，若缺失率满足预设条件，则将该规则时间段删除。
[0235]
过滤模块11021将过滤后的规则时间段对应的多个累计指标值和多个均值指标值输入至集成学习模块11022。
[0236]
集成学习模块11022针对多个规则时间段，分别执行以下步骤：
[0237]
将一个规则时间段对应的多个累计指标值，输入集成学习模型，获得多个第一监控阈值。将多个第一监控阈值中的最大监控阈值，作为多个累计指标值在一个规则时间段对应的累计指标监控阈值。
[0238]
将一个规则时间段对应的多个均值指标值，输入集成学习模型，获得多个第二监控阈值。将多个第二监控阈值中的最大监控阈值，作为多个均值指标值在一个规则时间段对应的均值指标监控阈值。
[0239]
集成学习模块11022将每个规则时间段对应的累计指标监控阈值发送至规则生成模块11031。
[0240]
集成学习模块11022将每个规则时间段对应的均值指标监控阈值和滑动窗口长度发送至规则生成模块11031。
[0241]
规则生成模块11031将每个规则时间段对应的累计指标监控阈值，以及均值指标监控阈值和滑动窗口长度，作为监控规则。规则生成模块11031将生成的监控规则发送至规则回测模块11032。
[0242]
规则回测模块11032针对每个规则时间段对应的监控规则，进行规则回测，若规则回测结果满足监控标准，则将每个规则时间段对应的监控规则输出；若规则回测结果不满足监控标准，则发送至人工审核模块11033。
[0243]
人工审核模块11033对不满足监控标准的监控规则进行人工审核，进行针对性处理。
[0244]
基于相同的技术构思，本技术实施例提供了一种生成监控规则装置，如图12所示，该生成监控规则装置1200包括：
[0245]
修正模块1201，用于将第一时间段划分为多个时间单元，并分别对所述多个时间单元各自对应的原始交易数据进行修正，获得所述多个时间单元各自对应的修正交易数据；
[0246]
计算模块1202，用于基于所述多个时间单元各自对应的修正交易数据，分别确定所述多个时间单元各自对应的累计指标值和所述多个时间单元各自对应的均值指标值；
[0247]
划分模块1203，用于按照规则时间片，对所述第一时间段进行划分，获取多个规则
时间段；
[0248]
规则获取模块1204，用于分别将每个规则时间段对应的多个累计指标值和多个均值指标值，输入至集成学习模型，获得每个规则时间段各自对应的监控规则。
[0249]
可选地，所述修正模块1201具体用于：
[0250]
针对所述多个时间单元，分别执行以下步骤：
[0251]
基于业务类型，对一个时间单元对应的原始交易数据进行数据修正，获得修正交易数据。
[0252]
可选地，所述累计指标值包括连续失败交易量；
[0253]
所述计算模块1202具体用于：
[0254]
针对所述多个时间单元，分别执行以下步骤：
[0255]
若一个时间单元内的修正交易数据的失败交易量为0，则确定所述一个时间单元对应的连续失败交易量为0；
[0256]
若一个时间单元内的修正交易数据的失败交易量不为0，则基于所述一个时间单元的前一个时间单元对应的连续失败交易量，与所述失败交易量，确定所述一个时间单元对应的连续失败交易量。
[0257]
可选地，所述计算模块1202具体用于：
[0258]
针对所述多个时间单元，分别执行以下步骤：
[0259]
获取一个时间单元对应的目标滑动窗口内的多个时间单元各自对应的修正交易数据；
[0260]
基于获得的多个修正交易数据，确定所述一个时间单元对应的均值指标值。
[0261]
可选地，采用以下方式确定所述一个时间单元对应的目标滑动窗口，包括：
[0262]
从多个窗口类别时间段中，确定与所述一个时间单元匹配的目标窗口类别时间段，并获取所述目标窗口类别时间段对应的滑动窗口长度，所述多个窗口类别时间段是按照预设规则对第二时间段划分获得的，其中，每个窗口类别时间段对应一个滑动窗口长度；
[0263]
基于所述一个时间单元的结束时间点和所述滑动窗口长度，确定所述一个时间单元对应的目标滑动窗口，其中，所述一个时间单元的结束时间点与所述目标滑动窗口的结束时间点相同。
[0264]
可选地，采用以下方式确定所述目标窗口类别时间段对应的滑动窗口长度，包括：
[0265]
获取所述第二时间段的总交易量，并基于所述总交易量确定滑动窗口长度的下限值和上限值；
[0266]
基于所述目标窗口类别时间段内的交易量与所述总交易量的比值，确定所述目标窗口类别时间段对应的交易比值；
[0267]
基于所述交易比值、所述下限值以及所述上限值，确定所述目标窗口类别时间段对应的滑动窗口长度。
[0268]
可选地，所述均值指标值包括负波动值；
[0269]
所述计算模块1202具体用于：
[0270]
基于获得的多个修正交易数据，确定所述目标滑动窗口对应的总交易量；
[0271]
基于所述目标滑动窗口对应的总交易量，以及所述目标滑动窗口的前一个滑动窗口对应的总交易量，确定所述一个时间单元对应的负波动值。
[0272]
可选地，所述计算模块1202具体用于：
[0273]
将所述前一个滑动窗口对应的总交易量与所述目标滑动窗口对应的总交易量的差值，作为所述目标滑动窗口对应的交易增长量；
[0274]
将所述目标滑动窗口对应的交易增长量，与所述目标滑动窗口对应的总交易量的比值，作为所述一个时间单元对应的负波动值。
[0275]
可选地，所述规则获取模块1204具体用于：
[0276]
针对所述多个规则时间段，分别执行以下步骤：
[0277]
将一个规则时间段对应的多个累计指标值，输入所述集成学习模型，获得多个第一监控阈值；
[0278]
将所述多个第一监控阈值中的最大监控阈值，作为所述多个累计指标值在所述一个规则时间段对应的累计指标监控阈值；
[0279]
将所述一个规则时间段对应的多个均值指标值，输入所述集成学习模型，获得多个第二监控阈值；
[0280]
将所述多个第二监控阈值中的最大监控阈值，作为所述多个均值指标值在所述一个规则时间段对应的均值指标监控阈值；
[0281]
将获得的累计指标监控阈值和均值指标监控阈值，作为所述一个规则时间段对应的监控规则。
[0282]
可选地，所述集成学习模型包括多个子学习模型；
[0283]
所述规则获取模块1204具体用于：
[0284]
将所述一个规则时间段对应的多个累计指标值，分别输入所述多个子学习模型，获得所述多个子学习模型各自输出的第一监控阈值；
[0285]
所述规则获取模块1204具体用于：
[0286]
将所述一个规则时间段对应的多个均值指标值，分别输入所述多个子学习模型，获得所述多个子学习模型各自输出的第二监控阈值。
[0287]
基于相同的技术构思，本技术实施例提供了一种计算机设备，计算机设备可以是终端或服务器，如图13所示，包括至少一个处理器1301，以及与至少一个处理器连接的存储器1302，本技术实施例中不限定处理器1301与存储器1302之间的具体连接介质，图13中处理器1301和存储器1302之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
[0288]
在本技术实施例中，存储器1302存储有可被至少一个处理器1301执行的指令，至少一个处理器1301通过执行存储器1302存储的指令，可以执行上述数据查询方法中所包括的步骤。
[0289]
其中，处理器1301是计算机设备的控制中心，可以利用各种接口和线路连接计算机设备的各个部分，通过运行或执行存储在存储器1302内的指令以及调用存储在存储器1302内的数据，从而进行数据查询。可选的，处理器1301可包括一个或多个处理单元，处理器1301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1301中。在一些实施例中，处理器1301和存储器1302可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
[0290]
处理器1301可以是通用处理器，例如中央处理器(cpu)、数字信号处理器、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本技术实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0291]
存储器1302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1302可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(random access memory，ram)、静态随机访问存储器(static random access memory，sram)、可编程只读存储器(programmable read only memory，prom)、只读存储器(read only memory，rom)、带电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性存储器、磁盘、光盘等等。存储器1302是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本技术实施例中的存储器1302还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
[0292]
基于同一发明构思，本技术实施例提供了一种计算机可读存储介质，其存储有可由计算机设备执行的计算机程序，当程序在计算机设备上运行时，使得计算机设备执行上述数据查询方法的步骤。
[0293]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0294]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0295]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0296]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0297]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精
神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。