本发明涉及计算机,尤其涉及一种监控数据的方法、装置、设备和计算机可读介质。
背景技术:
1、服务器在运行过程中,会产生大量的运行监控数据,往往蕴含着系统运行故障等重要信息。监控数据形态各异,人工发现异常模式效率极低,设定静态阈值监控很难适配所有的服务器监控。
2、在实现本发明过程中,发明人发现现有技术中至少存在如下问题:通过监控异常指标,输出异常识别结果会产生误报。
技术实现思路
1、有鉴于此,本发明实施例提供一种监控数据的方法、装置、设备和计算机可读介质,能够减少异常识别结果的误报。
2、为实现上述目的,根据本发明实施例的一个方面,提供了一种监控数据的方法,包括:
3、基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征;
4、根据所述监控数据统计特征获知监控数据的距离监控结果,按照所述监控数据周期特征获知监控数据的概率监控结果,以及基于所述监控数据拟合特征经神经网络检测获知监控数据的拟合监控结果;
5、按照监控结果的权重,融合所述距离监控结果、所述概率监控结果和所述拟合监控结果,得到监控训练模型;
6、按照历史调整数据、采用所述时间窗口序列和历史监控结果调整所述监控训练模型后,得到监控数据模型,以采用所述监控数据模型识别异常数据。
7、所述基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征,包括:
8、基于服务器监控数据的时间窗口序列,构建监控数据的同比序列和监控数据的环比序列;
9、按照所述监控数据的同比序列和监控数据的环比序列,建立监控数据统计特征、监控数据周期特征和监控数据拟合特征。
10、所述根据所述监控数据统计特征获知监控数据的距离监控结果,按照所述监控数据周期特征获知监控数据的概率监控结果,以及基于所述监控数据拟合特征经神经网络检测获知监控数据的拟合监控结果,包括:
11、按照在不同时间点的监控数据统计特征的距离差值,确定所述距离监控结果;
12、比较不同周期中的监控数据周期特征,以获知监控数据的概率监控结果;
13、将所述监控数据拟合特征输入神经网络,所述神经网络输出监控数据的拟合监控结果。
14、所述按照监控结果的权重,融合所述距离监控结果、所述概率监控结果和所述拟合监控结果,得到监控训练模型,包括:
15、设置监控结果的初始权重,融合所述距离监控结果、所述概率监控结果和所述拟合监控结果,得到监控原始模型;
16、以所述时间窗口序列和历史监控结果,训练所述监控原始模型,调整监控结果的权重后,得到所述监控训练模型。
17、所述按照历史调整数据、采用所述时间窗口序列和历史监控结果调整所述监控训练模型后,得到监控数据模型,以采用所述监控数据模型识别异常数据,包括:
18、按照历史调整数据调整所述监控训练模型中监控结果的权重,得到监控调整模型;
19、采用历史误报异常数据调整所述监控调整模型后,得到监控数据模型,
20、所述采用历史误报异常数据调整所述监控调整模型后,得到监控数据模型,包括:
21、基于历史误报异常数据,按照贝叶斯优化调整所述监控调整模型后,得到监控数据模型。
22、所述基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征,包括:
23、调整所述时间窗口的时长后,基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征。
24、根据本发明实施例的第二方面,提供了一种监控数据的装置,包括:
25、构建模块,用于基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征;
26、监控模块,用于根据所述监控数据统计特征获知监控数据的距离监控结果,按照所述监控数据周期特征获知监控数据的概率监控结果,以及基于所述监控数据拟合特征经神经网络检测获知监控数据的拟合监控结果;
27、训练模块,用于按照监控结果的权重,融合所述距离监控结果、所述概率监控结果和所述拟合监控结果,得到监控训练模型;
28、调整模块,用于按照历史调整数据、采用所述时间窗口序列和历史监控结果调整所述监控训练模型后,得到监控数据模型,以采用所述监控数据模型识别异常数据。
29、根据本发明实施例的第三方面,提供了一种监控数据的电子设备,包括:
30、一个或多个处理器;
31、存储装置,用于存储一个或多个程序,
32、当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述的方法。
33、根据本发明实施例的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述的方法。
34、上述发明中的一个实施例具有如下优点或有益效果:基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征;根据所述监控数据统计特征获知监控数据的距离监控结果,按照所述监控数据周期特征获知监控数据的概率监控结果,以及基于所述监控数据拟合特征经神经网络检测获知监控数据的拟合监控结果;按照监控结果的权重,融合所述距离监控结果、所述概率监控结果和所述拟合监控结果,得到监控训练模型;按照历史调整数据、采用所述时间窗口序列和历史监控结果调整所述监控训练模型后,得到监控数据模型,以采用所述监控数据模型识别异常数据。监控数据模型的建立不仅考虑到数据自身特征,还结合历史调整数据,因此能够降低异常识别结果的误报率。
35、上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
1.一种监控数据的方法,其特征在于,包括:
2.根据权利要求1所述监控数据的方法,其特征在于,所述基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征,包括:
3.根据权利要求1所述监控数据的方法,其特征在于,所述根据所述监控数据统计特征获知监控数据的距离监控结果,按照所述监控数据周期特征获知监控数据的概率监控结果,以及基于所述监控数据拟合特征经神经网络检测获知监控数据的拟合监控结果,包括:
4.根据权利要求1所述监控数据的方法,其特征在于,所述按照监控结果的权重,融合所述距离监控结果、所述概率监控结果和所述拟合监控结果,得到监控训练模型,包括:
5.根据权利要求1所述监控数据的方法,其特征在于,所述按照历史调整数据、采用所述时间窗口序列和历史监控结果调整所述监控训练模型后,得到监控数据模型,以采用所述监控数据模型识别异常数据,包括:
6.根据权利要求5所述监控数据的方法,其特征在于,所述采用历史误报异常数据调整所述监控调整模型后,得到监控数据模型,包括:
7.根据权利要求1所述监控数据的方法,其特征在于,所述基于服务器监控数据的时间窗口序列,构建监控数据统计特征、监控数据周期特征和监控数据拟合特征,包括:
8.一种监控数据的装置,其特征在于,包括:
9.一种监控数据的电子设备,其特征在于,包括:
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。