一种基于流量监控的告警方法以及电子设备与流程
本发明涉及通信技术领域，尤其涉及的是一种基于流量监控的告警方法以及电子设备。
背景技术
随着网络通信的发展，为了对通信过程中的数据进行管理和控制，以及对通信过程进行优化与限制，则需要对通信过程进行流量监控，以实现数据的高效传输。
对于流量监控，现有技术在不同的应用场景有不同的算法，大致可为如下所示几种，比如车流量监控，有单车道流量监控的基于dsp方法的流量监控算法；对于网络流量的流量监控，有非常成熟的基于预测模型估算和稳态拥塞率求解的流量监控算法；对于互联网业务流量的流量监控，最常用的方法是人工配置波动阈值、历史同比与环比法等。
通过分析现有技术所提供的各个流量监控方案，可以发现其方法在云业务系统中有很多不足，比如针对基于dsp方法的流量监控算法，通过数据信号处理后，原始数据信息完全丢失，脱离业务特性；对于网络流量监控的基于预测模型估算与稳态拥塞率求解方法，有模型存储浪费空间问题，而且在云业务上，计算稳态拥塞率需要耗费更多时间，不同的业务特性完全不同，会有更多的拥塞率公式，这会带来拥塞率公式选择不但耗费时间问题，还会导致不同拥塞率会计算出完全不同的结果，导致监控准确性受影响，会带来更多的误告警、假告警、丢失告警等问题。对于人工配置波动阈值、历史同比与环比法，完全依赖有经验的人员才能配置出比较合理的阈值，这是要耗费极大的人力投入，而且不一定收到比较合理的效果，这种方法在云业务系统中是不可取的；而历史同比与环比，对采样数据存储要求很高，需要保存完整的历史采样数据，不然没办法计算同比环比增长率、下降率等相关参数。
技术实现要素：
本发明实施例提供了一种提高算法效率，减少空间浪费，解决了误告警问题的基于流量监控的告警方法以及电子设备。
本发明实施例第一方面提供了一种基于流量监控的告警方法，包括：
获取当前监控点上报的采样数据；
获取目标采样点的采样值，所述目标采样点为所述采样数据中的任一采样点；
通过所述目标采样点的采样值以及预置的波动轨迹线集合获取告警标签，所述波动轨迹线集合包括由预置的目标样本数据集以及波动率序列进行训练得到的波动轨迹线，所述波动率序列为所述目标样本数据集所包括的任一采样点的波动率所形成的序列；
根据所述告警标签发送告警信息。
本发明实施例第二方面提供了一种电子设备，包括：
第一获取单元，用于获取当前监控点上报的采样数据；
第二获取单元，用于获取目标采样点的采样值，所述目标采样点为所述采样数据中的任一采样点；
第三获取单元，用于通过所述目标采样点的采样值以及预置的波动轨迹线集合获取告警标签，所述波动轨迹线集合包括由预置的目标样本数据集以及波动率序列进行训练得到的波动轨迹线，所述波动率序列为所述目标样本数据集所包括的任一采样点的波动率所形成的序列；
发送单元，用于根据所述告警标签发送告警信息。
本发明实施例第三方面提供了一种电子设备，包括：
一个或多个处理器单元、存储单元、总线系统、以及一个或多个程序，所述处理器单元和所述存储单元通过所述总线系统相连；
其中所述一个或多个程序被存储在所述存储单元中，所述一个或多个程序包括指令，所述指令当被所述电子设备执行时使所述电子设备执行如本发明实施例第一方面所提供的所述方法。
本发明实施例第四方面提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当被电子设备执行时使所述电子设备执行如本发明实施例第一方面所提供的所述方法。
本发明实施例公开了一种基于流量监控的告警方法以及电子设备，所述方法包括：获取当前监控点上报的采样数据，获取目标采样点的采样值，通过所述目标采样点的采样值以及预置的波动轨迹线集合获取告警标签，根据所述告警标签发送告警信息。本实施例所示的方法基于所述告警标签进行异常的目标采样点的报警，且所述告警标签包括脱轨标签outflag以及波动突变标签violentflag，从而能够兼顾全局脱离历史、局部剧烈突变的特性，使得业务运营无论是局部异常，还是全局异常，都能被监控到；在异常统计阶段，解决了传统监控系统没法解决的某个采样点的毛刺并非真正异常所带来的误告警骚扰，同时能把告警收敛，减少对运营系统、运维团队的压力。
附图说明
图1为本发明所提供的电子设备的一种实施例结构示意图；
图2为本发明所提供的通信系统的一种实施例结构示意图；
图3为本发明所提供的处理器单元的一种实施例结构示意图；
图4所示为本发明所提供的基于流量监控的告警方法的一种实施例步骤流程图；
图5所示为本发明所提供的基于流量监控的告警方法的另一种实施例步骤流程图；
图6所示为本发明所提供的电子设备的一种实施例结构示意图。
具体实施方式
本发明实施例提供了一种基于流量监控的告警方法，为更好理解本发明实施例，以下首先结合图1所示对能够实现本发明实施例所提供的所述流量监控的告警方法的电子设备的具体结构进行说明：
所述电子设备包括输入单元105、处理器单元103、输出单元101、通信单元107、存储单元104、射频电路108等组件。
这些组件通过一条或多条总线进行通信。本领域技术人员可以理解，图1中示出的电子设备的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在本发明实施方式中，所述电子设备包括但不限于服务器、智能终端、等。
所述电子设备包括：
输出单元101，用于输出待显示的图像。
具体的，所述输出单元101包括但不限于影像输出单元和声音输出单元。
所述影像输出单元用于输出文字、图片和/或视频。所述影像输出单元可包括显示面板，例如采用液晶显示器(英文全称：liquidcrystaldisplay，英文简称：lcd)、有机发光二极管(英文全称：organiclight-emittingdiode，英文简称：oled)、场发射显示器(英文全称：fieldemissiondisplay，英文简称fed)等形式来配置的显示面板。或者所述影像输出单元可以包括反射式显示器，例如电泳式(electrophoretic)显示器，或利用光干涉调变技术(英文全称：interferometricmodulationoflight)的显示器。
在本发明具体实施方式中，所述影像输出单元包括滤波器及放大器，用来将处理器单元103所输出的视频滤波及放大。声音输出单元包括数字模拟转换器，用来将处理器单元103所输出的音频信号从数字格式转换为模拟格式。
处理器单元103，用于运行相应的代码，对接收信息进行处理，以生成并输出相应的界面。
具体的，所述处理器单元103为电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储单元内的软件程序和/或模块，以及调用存储在存储单元内的数据，以执行电子设备的各种功能和/或处理数据。所述处理器单元103可以由集成电路(英文全称：integratedcircuit，英文简称：ic)组成，例如可以由单颗封装的ic所组成，也可以由连接多颗相同功能或不同功能的封装ic而组成。
举例来说，所述处理器单元103可以仅包括中央处理器(英文全称：centralprocessingunit，英文简称：cpu)，也可以是图形处理器(英文全称：graphicsprocessingunit，英文简称：gpu)，数字信号处理器(英文全称：digitalsignalprocessor，英文简称：dsp)、及通信单元中的控制芯片(例如基带芯片)的组合。在本发明实施方式中，cpu可以是单运算核心，也可以包括多运算核心。
存储单元104，用于存储代码和数据，代码供处理器单元103运行。
具体的，存储单元104可用于存储软件程序以及模块，处理器单元103通过运行存储在存储单元104的软件程序以及模块，从而执行电子设备的各种功能应用以及实现数据处理。存储单元104主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序，比如声音播放程序、图像播放程序等等；数据存储区可存储根据电子设备的使用所创建的数据(比如音频数据、电话本等)等。
在本发明具体实施方式中，存储单元104可以包括易失性存储器，例如非挥发性动态随机存取内存(英文全称：nonvolatilerandomaccessmemory，英文简称nvram)、相变化随机存取内存(英文全称：phasechangeram，英文简称pram)、磁阻式随机存取内存(英文全称：magetoresistiveram，英文简称mram)等，还可以包括非易失性存储器，例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(英文全称：electricallyerasableprogrammableread-onlymemory，英文简称eeprom)、闪存器件，例如反或闪存(英文全称：norflashmemory)或是反及闪存(英文全称：nandflashmemory)。
非易失存储器储存处理器单元103所执行的操作系统及应用程序。所述处理器单元103从所述非易失存储器加载运行程序与数据到内存并将数字内容储存于大量储存装置中。所述操作系统包括用于控制和管理常规系统任务，例如内存管理、存储设备控制、电源管理等，以及有助于各种软硬件之间通信的各种组件和/或驱动器。
在本发明实施方式中，所述操作系统可以是google公司的android系统、apple公司开发的ios系统或microsoft公司开发的windows操作系统等，或者是vxworks这类的嵌入式操作系统。
所述应用程序包括安装在电子设备上的任何应用，包括但不限于浏览器、电子邮件、即时消息服务、文字处理、键盘虚拟、窗口小部件(widget)、加密、数字版权管理、语音识别、语音复制、定位(例如由全球定位系统提供的功能)、音乐播放等等。
输入单元105，用于实现用户与电子设备的交互和/或信息输入到电子设备中。
例如，所述输入单元105可以接收用户输入的数字或字符信息，以产生与用户设置或功能控制有关的信号输入。在本发明具体实施方式中，输入单元105可以是触摸屏，也可以是其他人机交互界面，例如实体输入键、麦克风等，还可是其他外部信息撷取装置，例如摄像头等。
本发明实施例所示的触摸屏，可收集用户在其上触摸或接近的操作动作。比如用户使用手指、触笔等任何适合的物体或附件在触摸屏上或接近触摸屏的位置的操作动作，并根据预先设定的程式驱动相应的连接装置。可选的，触摸屏可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸操作，并将检测到的触摸操作转换为电信号，以及将所述电信号传送给触摸控制器；触摸控制器从触摸检测装置上接收所述电信号，并将它转换成触点坐标，再送给所述处理器单元103。
所述触摸控制器还可以接收处理器单元103发来的命令并执行。此外，所述触摸屏可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。
在本发明的其他实施方式中，所述输入单元105所采用的实体输入键可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。麦克风形式的输入单元105可以收集用户或环境输入的语音并将其转换成电信号形式的、处理器单元103可执行的命令。
在本发明的其他一些实施方式中，所述输入单元105还可以是各类传感器件，例如霍尔器件，用于侦测电子设备的物理量，例如力、力矩、压力、应力、位置、位移、速度、加速度、角度、角速度、转数、转速以及工作状态发生变化的时间等，转变成电量来进行检测和控制。其他的一些传感器件还可以包括重力感应计、三轴加速计、陀螺仪、电子罗盘、环境光传感器、接近传感器、温度传感器、湿度传感器、压力传感器、心率传感器、指纹识别器等。
通信单元107，用于建立通信信道，使电子设备通过所述通信信道以连接至远程服务器，并从所述远程服务器下媒体数据。所述通信单元107可以包括无线局域网(英文全称：wirelesslocalareanetwork，英文简称：wirelesslan)模块、蓝牙模块、基带模块等通信模块，以及所述通信模块对应的射频(英文全称：radiofrequency，英文简称：rf)电路，用于进行无线局域网络通信、蓝牙通信、红外线通信及/或蜂窝式通信系统通信，例如宽带码分多重接入(英文全称：widebandcodedivisionmultipleaccess，英文简称：w-cdma)及/或高速下行封包存取(英文全称：highspeeddownlinkpacketaccess，英文简称hsdpa)。所述通信模块用于控制电子设备中的各组件的通信，并且可以支持直接内存存取。
在本发明的不同实施方式中，所述通信单元107中的各种通信模块一般以集成电路芯片(英文全称：integratedcircuitchip)的形式出现，并可进行选择性组合，而不必包括所有通信模块及对应的天线组。例如，所述通信单元107可以仅包括基带芯片、射频芯片以及相应的天线以在一个蜂窝通信系统中提供通信功能。经由所述通信单元107建立的无线通信连接，例如无线局域网接入或wcdma接入，所述电子设备可以连接至蜂窝网(英文全称：cellularnetwork)或因特网。在本发明的一些可选实施方式中，所述通信单元107中的通信模块，例如基带模块可以集成到处理器单元103中，典型的如高通(qualcomm)公司提供的apq+mdm系列平台。
射频电路108，用于信息收发或通话过程中接收和发送信号。例如，将基站的下行信息接收后，给处理器单元103处理；另外，将设计上行的数据发送给基站。通常，所述射频电路108包括用于执行这些功能的公知电路，包括但不限于天线系统、射频收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、编解码(codec)芯片组、用户身份模块(sim)卡、存储器等等。此外，射频电路108还可以通过无线通信与网络和其他设备通信。
所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(英文全称：globalsystemofmobilecommunication，英文简称：gsm)、通用分组无线服务(英文全称：generalpacketradioservice，英文简称：gprs)、码分多址(英文全称：codedivisionmultipleaccess，英文简称：cdma)、宽带码分多址(英文全称：widebandcodedivisionmultipleaccess,英文简称：wcdma)、高速上行行链路分组接入技术(英文全称：highspeeduplinkpacketaccess，英文简称：hsupa)、长期演进(英文全称：longtermevolution,英文简称：lte)、电子邮件、短消息服务(英文全称：shortmessagingservice，英文简称：sms)等。
电源109，用于给电子设备的不同部件进行供电以维持其运行。作为一般性理解，所述电源109可以是内置的电池，例如常见的锂离子电池、镍氢电池等，也包括直接向电子设备供电的外接电源，例如ac适配器等。在本发明的一些实施方式中，所述电源109还可以作更为广泛的定义，例如还可以包括电源管理系统、充电系统、电源故障检测电路、电源转换器或逆变器、电源状态指示器(如发光二极管)，以及与电子设备的电能生成、管理及分布相关联的其他任何组件。
基于图1所示的电子设备，以下结合图2所示对本实施例所提供的通信系统的具体结构进行详细说明：
本实施例所示的通信系统包括电子设备210和至少一台客户端设备220；
所述电子设备210的具体结构请详见图1所示，具体在本实施例中不做限定。
本实施例对所述客户端设备220的具体结构不做限定，只要所述电子设备210能够与所述客户端设备220进行数据交互，从而使得所述电子设备210能够对所述客户端设备220进行流量监控，以使所述电子设备210在确定出所述客户端设备220能够对异常的采样点进行告警。
为更好的理解本发明实施例，则以下对能够实现本发明实施例所示的方法的所述处理器单元103的可选的结构进行说明：
需明确的是，本实施例对所述处理器单元103结构的说明为可选的示例，不做限定，只要通过本实施例所示的所述处理器单元103能够成功执行本实施例所示的所述基于流量监控的告警方法即可。
所述处理器单元103的具体结构可参见图3所示，其中，图3为本发明所提供的处理器单元的一种实施例结构示意图。
如图3所示，为解决基于云业务计费流量的实时监控问题，所述处理器单元103具体包括定期任务模块301和实时任务模块302。
所述定期任务模块301用于定期训练当前监控点的向上波动轨迹线以及向下波动轨迹线，确定当前监控点的波动规则。
其中，所述监控点为业务计费系统的分析维度。
例如，要分析每个域名的流量计费情况，则把每个域名作为一个监控点，在计费系统中分配唯一标识，记为domain_id。
所述实时任务模块302用于根据所述向上波动轨迹线、所述向下波动轨迹线以及所述当前监控点的波动规则，以数据为驱动，实时学习当前采样点的脱轨标签与波动突变标签，通过这两个指标进行异常统计分析，再根据告警策略，对于满足告警条件的异常采样时间点，及时发出告警。
基于图1至图3所示，以下结合图4所示对所述定期任务模块301具体是如何定期训练当前监控点的向上波动轨迹线以及向下波动轨迹线，以确定当前监控点的波动规则的进行详细说明，其中，图4所示为本发明所提供的基于流量监控的告警方法的一种实施例步骤流程图。
需明确的是，图4所示以定期任务模块301执行所示基于流量监控的告警方法为例进行示例性说明，不做限定，在具体执行过程中，可通过所述处理器单元所包括的任一模块执行本实施例所示的方法，且用于执行本实施例所示的方法的模块可为图3已示出的模块，也可为图3未示出的模块，具体在本实施例中不做限定。
如图4所示，所述基于流量监控的告警方法具体包括：
步骤401、向所述客户端设备拉取原始样本数据集。
具体的，本实施例所示的所述定期任务模块301根据指定的数据路径、样本时间标签、当前监控点标识id，去对应采样数据库自助拉取所述原始样本数据集modeldatatmp。
可选的，本实施例所示的所述采样数据库可存储在所述客户端设备上，也可存储在所述电子设备上，具体在本实施例中不做限定，只要所述采样数据库存储有所述原始样本数据集即可。
本实施例以所述采样数据库存储在所述客户端设备上为例进行示例性说明。
本实施例可对所述原始样本数据集modeldatatmp进行统计分析；
通过对所述原始样本数据集modeldatatmp的分析以获取如下数据：
一种，确定出所述原始样本数据集modeldatatmp的数据类型data_type。
可选的，若确定出所述原始样本数据集modeldatatmp为比率数据，如成功率、回源率等，则确定所述数据类型data_type为规定值1。
可选的，若确定出所述原始样本数据集modeldatatmp为非比率数据，如流量、在线用户数等，则确定所述数据类型data_type为规定值-1。
另一种，确定出所述原始样本数据集modeldatatmp的采样粒度m_factor；
例如，若所述采样粒度m_factor为5，则代表5分钟采样一次，又如若所述采样粒度m_factor为1，则表示每分钟采样一次。
另一种，确定出所述原始样本数据集modeldatatmp的波动率计算延时m0、毛刺点个数阈值n0。
在本实施例中，所述波动率计算延时m0与所述毛刺点个数阈值n0由所述采样粒度m_factor进行确定；
例如，若所述采样粒度m_factor＝5，则取值m0＝3、n0＝3，若所述采样粒度m_factor＝1，则取值m0＝5、n0＝4。
另一种，获取预先设置的初始样本量最小值min0、初始样本量最大值max0；
本实施例对所述初始样本量最小值min0以及所述初始样本量最大值max0的具体数值不做限定，例如以天为统计单位，则设缺省值min0＝7、max0＝30，即至少要7天、最多30天的样本数据本模块才进行轨迹训练，否则定期任务模块不执行。
计算所述原始样本数据集modeldatatmp所包含的样本量n是否满足区间[min0,max0]；
若原始样本数据集modeldatatmp所包含的样本量n位于所述区间[min0,max0]之间，则本模块继续进行后续步骤以进行轨迹训练，若原始样本数据集modeldatatmp所包含的样本量n不位于所述区间[min0,max0]之间，则本模块终止执行，从而不进行后续步骤以进行轨迹训练。
步骤402、对初始样本数据集modeldatatmp中每个样本进行预处理以获取预处理后的样本数据集。
本实施例所示的步骤402为可选步骤，在其他实施例中，也可不执行本实施例所示的步骤402。本实施例以执行所述步骤402为例进行示例性说明。
本实施例对所述初始样本数据集modeldatatmp中的每个样本进行预处理的方式可为以下所示的至少一种：
一种预处理方式为数据还原；
具体的，在实际应用本实施例所示的方法的过程中，若有些特殊业务，上报数据时会扩大和/或缩小一定倍数才上报，此情况需要根据约定还原数据。
更具体的，所述客户端设备220和所述电子设备210可预先对数据进行约定，从而使得所述电子设备210能够根据预先的约定进行数据还原。
另一种预处理方式为缺失数据补齐；
具体的，在实际应用本实施例所示的方法的过程中，所述原始样本数据集modeldatatmp可能存在某个采样点发生业务故障、机器故障等原因情况，数据无法正常上报，此情况需要补齐。
更具体的，本实施例所示的电子设备利用向前移动平均法，移动步长为n0。
例如任意样本，以所述任意样本为sampk为例，则sampk在采样点i出现数据缺失，则补齐方法为
另一种预处理方式为毛刺定位与光滑化；
具体的，本实施例所示主要是通过一个滑动窗口对位于所述初始样本数据集modeldatatmp所包括的逐个样本进行扫描，若发现有波动突变子序列，则判断波动突变子序列的长度l是否超过n0；
若l＞n0，则说明该波动突变子序列为正常子序列，则窗口向前滑动继续扫描；
若l≤n0，则说明该波动突变子序列为毛刺，此时对该波动突变子序列做光滑化处理。
本实施例通过动态滑动窗口扫描法对波动突变子序列做光滑化处理；
具体的，利用向前移动平均法，移动步长为n0，首先对波动突变子序列的第一个采样点光滑化，然后再下一个点，这样保证每个采样点都是用处理后的数据来处理，避免出现伪光滑化现象。
可见，本实施例所示将所述初始样本数据集modeldatatmp中任一预处理完成的样本设置在所述预处理后的样本数据集中，以使位于所述预处理后的样本数据集中的所有样本均经过预处理。
步骤403、获取所述当前监控点的目标样本数据集。
具体的，本实施例根据所述预处理后的样本数据集获取所述目标样本数据集，本实施例所示的所述目标样本数据集为最优样本池。
可见，通过本实施例所示的步骤403能够进行最优样本池的学习，从而使得所述最优样本池中的所有样本中趋势最一致、波动最平缓。
以下对最优样本池学习的具体过程进行详细说明：
具体的，本实施例所示的所述目标样本数据集agorisamppool可包括最优样本bestsamp；
以下对所述最优样本bestsamp的获取过程进行详细说明：
根据训练集：测试集：验证集＝1:1:1的原则划分所述预处理后的样本数据集modeldata，即可从所述预处理后的样本数据集modeldata中挑选出
具体的，创建波动率累计差分池，所述波动率累计差分池中包括所述预处理后的样本数据集modeldata所包括的n个样本中的任一样本所对应的波动率累计差分；
其中，所述预处理后的样本数据集modeldata所包括的n个样本中的任一样本所对应的波动率累计差分的计算公式如下：
其中，k＝1,2,…,n表示所述预处理后的样本数据集modeldata所包括的任一样本；i＝1,2,…,n表示任意采样点；volatyseqk表示波动率序列；
更具体的，通过如下公式计算波动率序列volatyseqk；
其中，xk(i)表示任意样本。
在所述波动率累计差分池中选出候选集candisamp，其中，所述候选集candisamp包括所述波动率累计差分池中的
具体的，所述候选集candisamp所包括的
更具体的，本实施例可对所述波动率累计差分池所包括的n个波动率累计差分按由小到大的顺序进行排序，进而确定排序在前
在确定出所述候选集candisamp的情况下，进一步在所述候选集candisamp中挑选趋势最为一致的样本，在此采取1:1原则，即从有
从有
首先采样穷举法，对候选集candisamp进行样本分组，每组样本有
根据相关矩阵的对称性与主对角线的全1性，则在计算所述相关系数累积和的过程中，只需使用主对角线上方所有元素即可，因此，此步骤是从
其中，所述相关系数定义如下：
所述相关系数累积和定义为：summr(j)＝sum(ru)。
其中，
可选的，本实施例所示的方法还可支持人工自定义经验样本来动态更新所述目标样本数据集agorisamppool，可见，若支持人工自定义经验样本来动态更新，则所述目标样本数据集agorisamppool可包括所述最优样本bestsamp以及自定义经验样本defindsamp；
其中，所述最优样本bestsamp的具体确定过程请详见上述所示，具体不做赘述，以下对如何确定自定义经验样本defindsamp的进行详细说明：
接收人工输入的新样本，本实施例即可对所述新样本进行预处理，所述预处理的方式可采用步骤402所示的对初始样本数据集modeldatatmp中每个样本进行预处理的方式，具体在本步骤中不做赘述。
相对于步骤402所示的预处理方式，本步骤所示的对新样本的预处理方式的不同点在于，首先需要判断所述新样本是否满足预设条件，所述预设条件为所述新样本是否没有数据缺失；
若判断出所述新样本不满足所述预设条件，则说明所述新样本有数据缺失，则不执行如步骤402所示的对数据进行还原的过程，而是直接控制有数据缺失的新样本不能够进入所述目标样本数据集agorisamppool。
若判断出满足所述预设条件，则说明所述新样本没有数据缺失，则可执行如步骤402所示的对数据进行还原的过程。
且在本步骤中，对于满足所述预设条件的所述新样本k，还需执行如下过程：
具体的，计算所述预设条件的所述新样本k的波动率序列volatyseqk，同时计算所述候选集candisamp的波动率置信区间序列confseq＝[μ-3δ,μ+3δ]。
其中，μ＝mean{cvolatyseq}表示所述候选集波动率序列的均值序列；
所述
所述cvolatyseq是所述候选集candisamp的波动率序列集。
更具体的，对所述新样本波动率序列volatyseqk与置信区间序列confseq进行判断，判断的具体过程为：若volatyseqk(i)∈confseq(i)，i＝1,2,…,n，则所述新样本k满足条件，是一个自定义经验样本，可进入所述目标样本数据集agorisamppool。
可见，本实施例所示的所述目标样本数据集agorisamppool包括所述最优样本bestsamp与所述自定义经验样本defindsamp。
步骤404、获取所述目标样本数据集的波动率序列。
具体的，本实施例所示的基于所述目标样本数据集agorisamppool获取所述波动率序列，其中，所述波动率序列包括向上波动率序列以及向下波动率序列。
以下对如何获取所述向上波动率序列的具体过程进行详细说明：
具体的，通过计算所述目标样本数据集agorisamppool中所有采样点的向上波动率，根据所述目标样本数据集agorisamppool中所有采样点的向上波动率确定所述向上波动率序列volatryup；
更具体的，所述向上波动率序列volatryup为所述目标样本数据集所包括的所有采样点的向上波动率所形成的序列。
对位于所述目标样本数据集agorisamppool中的任一采样点i，i＝m0+1,m0+2,…,n，在所述目标样本数据集agorisamppool上取所有样本的采样点i处、i-m0处的采样值，分别记为xi、
即所述xi为在所述样本数据集所包括的所有样本在采样点i处的采样值，所述
定义maxi＝max(xi)，
对于向上波动率，定义为：如果
简而言之，本实施例可根据第六公式计算向上波动率序列volatyup(i)；
所述第六公式为：
可见，通过所述第六公式进行所述向上波动率序列的计算。
以下对如何获取所述向下波动率序列的具体过程进行详细说明：
具体的，通过计算所述目标样本数据集agorisamppool中所有采样点的向下波动率，根据所述目标样本数据集agorisamppool中所有采样点的向下波动率确定所述向下波动率序列volatrydown；
更具体的，所述向下波动率序列volatrydown为所述目标样本数据集所包括的所有采样点的向下波动率所形成的序列。
对于向下波动率，定义为：如果
如果
对于采样点i＝1,2,…,m0时，向上、向下波动率序列采用间隔为m0、长度为m0+1的连续波动率序列向前移动平均来定义；
即当i≤m0时，
简而言之，本实施例可根据第七公式计算向下波动率序列volatrydown；
所述第七公式为：
根据已确定的所述向上波动率序列volatryup以及所述向下波动率序列volatrydown确定所述波动率序列，即所述波动率序列包括所述向上波动率序列volatryup以及所述向下波动率序列volatrydown。
可选的，已计算出的所述波动率序列在某种极端情况下，比如采样数据出现接近于0的数据，会出现毛刺现象，或者是小数被吞噬现象。
为避免采样数据出现毛刺现象，或者是小数被吞噬现象，则本实施例所示的方法可对所述波动率序列进行预处理。
以下对所述波动率序列进行预处理的具体过程进行详细说明：
对波动率序列进行预处理的方式一种可如步骤402所示的通过滑动窗口进行光滑化的处理过程，通过动态滑动窗口扫描法进行光滑化的处理过程的具体说明请详见步骤402所示，即对所述波动率序列利用向前移动平均法，移动步长为n0，首先对所述波动率序列的第一个采样点光滑化，然后再下一个点，直至处理完所述波动率序列所包含的所有采样点。
本实施例还可采用置信区间平滑法对所述波动率序列进行预处理，且采用所述置信区间平滑法能够提升预处理过程的效率，从而大大提升了本实施例所示的方法的整体效率；
具体的，对向上波动率序列，令μu＝mean{volatyup}，
若在某个点ui处出现volatyup(ui)不在置信区间confu内，则用ui前面至多n0个点的均值去平滑；
假如ui是第一以及第二个点，则用整体平均值μu去平滑。此后，若volatyup(ui)＞1，则转为volatyup(ui)＝min{|1-α0|,μu+3δu}。
对向下波动率序列，与向上波动率序列的处理方法类似，令μd＝mean{volatydown}，
若在某个点di处出现volatydown(di)不在置信区间confd内，则用di前面至多n0个点的均值去平滑；
假如di是第一、第二个点，则用整体平均值μd去平滑。此后，若volatydown(di)＞1，则转为volatydown(di)＝min{|1-α0|,μd+3δd}。
其中，α0为初始化算法精度，没特殊要求下，通常取值为α0＝95％。
需明确的是，本实施例对所述初始化算法精度α0的取值的说明为可选的示例，不做限定。
步骤405、对所述波动率序列进行聚类。
本实施例所示的步骤405为可选执行的步骤，具体是否执行在本实施例中不做限定。
具体的，本步骤可根据不同业务的敏感度要求选择执行，比如有些感敏性比较强的计费业务，可以每个采样点都配一个独有的规则值，则本步骤无需执行；
而部分业务敏感度要求不高，可以一个时间段再配一个规则值即可，这样可以节省些存储空间，则后续步骤可基于本步骤所获取到的聚类后的波动率序列进行波动轨迹线集合的计算。
对于需要波动率序列聚类的情况，即业务敏感度要求不高，可以一个时间段再配一个规则值的应用场景，则本实施例采用k-mean聚类算法。
具体的，为随机选取k个样本点，时间段的划分用聚类后的每个类边界与初始样本数据集的交点确定，而对应时间段的规则值用对应类的类中心值。
分别对向上波动率序列、向下波动率序列用所述k-mean聚类，用聚类后的规则值来更新未聚类的所述波动率序列。
由此，可以得到当前监控点的波动规则：向上波动规则volatyup、向下波动规则volatydown，保存起来为实时监控任务做波动突变判断提供依据。
步骤406、对所述目标样本数据集以及所述波动率序列进行训练以获取波动轨迹线集合。
具体的，本步骤所示的所述波动率序列可为步骤404所示的，未经过聚类过程的所述波动率序列，所述波动率序列还可为步骤405所示的，已经过聚类过程的所述波动率序列。
本实施例所示的所述波动轨迹线集合包括由所述目标样本数据集以及所述向上波动率序列进行训练以得到的向上波动轨迹线，所述波动轨迹线集合还包括由所述目标样本数据集以及所述向下波动率序列进行训练以得到的向下波动轨迹线。
以下对如何获取所述向上波动轨迹线的具体过程进行详细说明：
首先获取向上波动轨迹线值curveup，根据已获取到的所述向上波动轨迹线值curveup即可获取到所述向上波动轨迹线orbitup。
具体的，首先将所述样本数据集agorisamppool中的每一样本均取采样点i处的值，再取平均值以获取平均曲线值sampmean(i)＝mean{agorisamppool(i)}；
其次，根据第八公式计算所述向上波动轨迹线值curveup；
所述第八公式为：curveup(i)＝sampmean(i)·[1+volatyup(i)]。
可选的，为确保业务的弹性波动，则对向上波动轨迹线值curveup做最小n0·α0间距调整，调整幅度为α0，n0·α0的具体说明请详见上述所示，具体不做赘述。
若所述样本数据集agorisamppool中确定任一采样点i的
可见，调整后的所述向上波动轨迹线值curveup能够有效的保障业务的弹性波动。
可选的，本实施例所获取到的所述向上波动轨迹线值curveup是波动曲线的离散值，带有非常强的锯齿现象，为此，本实施例所示的方法可对所述向上波动轨迹线值curveup做多项式曲线拟合，即可去除这种不友好现象。
具体的，对所述向上波动轨迹线值curveup做polyorder0阶多项式拟合，得到相应的多项式系数后，反向求解出对应的拟合值，记为向上波动拟合值fitup。
其中，所述polyorder0为预先设置的拟合的多项式阶数，本实施例对所述拟合的多项式阶数polyorder0的具体数值不做限定，只要通过所述拟合的多项式阶数polyorder0能够去除所述向上波动轨迹线值curveup的锯齿现象即可。
经过大量试验得到结果，9阶多项式即可满足大多数业务，且能收到非常好的效果，因此本实施例以所述拟合的多项式阶数polyorder0＝9为例进行示例性说明；
需明确的是，采用所述拟合的多项式阶数polyorder0去除所述向上波动轨迹线值curveup的锯齿现象的说明为可选的示例，不做限定，在其他实施例中，也可采用比如正弦、傅里叶等曲线拟合方式。
本实施例为获取到较高的拟合效率，则本实施例以采用所述拟合的多项式阶数polyorder0去除所述向上波动轨迹线值curveup的锯齿现象为例进行示例性说明。
在得到所述fitup后，为确保业务实际意义，比如流量值非0处理，进行极端异常处理，比如出现某个点fitup(i)＜0，则用i采样点处的前后各n0个点的平均值代替i点的值。
可选的，可对所述fitup做最小n0·α0间距调整，即可得到波动曲线拟合值，做最小n0·α0间距调整的具体过程请详见上述所示，具体不做赘述。
根据第十二公式以及所述向上波动轨迹线值curveup计算所述向上波动轨迹线orbitup；
所述第十二公式为：orbitup(i)＝(1+n0·α0)·mean{fitup(i),curveup(i)}。
可见，通过上述所示，能够获取到所述当前监控点的向上波动轨迹线orbitup，且所获取到的所述向上波动轨迹线orbitup确保业务的合理波动，即业务实时采样值可以在相应精度内出现小幅度波动，以降低误告警。
以下对如何获取所述向下波动轨迹线的具体过程进行详细说明：
首先获取向下波动曲线值curvedown，根据已获取到的所述向下波动曲线值curvedown即可获取到所述向下轨迹线curvedown。
具体的，根据第九公式计算向下波动轨迹线值curvedown；
其中，所述第九公式为：curvedown(i)＝min{0,sampmean(i)·[1-volatydown(i)]}，其中，所述volatydown(i)为所述向下波动率序列。
可选的，为确保业务的弹性波动，则对向向下波动轨迹线值curvedown做最小n0·α0间距调整，调整幅度为α0，n0·α0的具体说明请详见上述所示，具体不做赘述。
若所述样本数据集agorisamppool中确定任一采样点i的
所述第十一公式为：
curvedown(i)＝curvedown(i)·[1-α0]。
可见，调整后的所述向下波动轨迹线值volatydown(i)能够有效的保障业务的弹性波动。
可选的，本实施例所获取到的所述向下波动轨迹线值volatydown(i)是波动曲线的离散值，带有非常强的锯齿现象，为此，本实施例所示的方法可对所述向下波动轨迹线值volatydown(i)做多项式曲线拟合，即可去除这种不友好现象。
具体的，对所述向下波动轨迹线值volatydown(i)做polyorder0阶多项式拟合，得到相应的多项式系数后，反向求解出对应的拟合值，记为向下波动拟合值fitdown。
所述拟合的多项式阶数polyorder0的具体说明请详见上述所示，具体在本步骤中不做赘述。
在得到所述fitdown后，为确保业务实际意义，比如流量值非0处理，进行极端异常处理，对fitdown的具体处理过程，请详见上述所示的对所述fitup的处理过程，具体不做赘述。
根据第十三公式以及所述向下波动轨迹线值orbitdown计算所述向下波动轨迹线orbitdown；
其中，所述第十三公式为：
orbitdown(i)＝(1-n0·α0)·mean{fitdown(i),curvedown(i)}。
可见，通过上述所示，能够获取到所述当前监控点的向下波动轨迹线orbitdown，且所获取到的所述向下波动轨迹线orbitdown确保业务的合理波动，即业务实时采样值可以在相应精度内出现小幅度波动，以降低误告警。
可见，采用图4所示的实施例，所述电子设备能够获取到用于进行流量监控的告警的波动轨迹线集合，采用本实施例所示的方法的有益效果在于：
能够对原始样本数据集进行处理以获取最优的所述目标样本数据集，从而充分利用了所述目标样本数据集体的总体水平代表性，在得到相应曲线的离散值后，再对其进行曲线拟合，最大力度避免了抖动、毛刺、锯齿形等不友好现象，不但使得轨迹线美观化，更使得业务具有合理的弹性波动区间；
本实施例能够充分考虑了时间复杂度，空间复杂度，尽最大努力地提高算法效率，减少空间浪费，比如利用了相关矩阵的对称性、主对角元素全1性，把计算时间减少2倍多；在曲线拟合阶段，经过深入分析各类曲线的特性，最后选择最合适的多项式拟合，效率提高，而且保证最优解的存在性；在空间复杂度方面，本发明无需保存完整的历史数据，只需保存波动轨迹线集合以及波动率序列即可，即本实施例所示的方法一个周期内计算一次，计算完即可脱离历史数据，与现有技术相比，现有技术中若业务量的增加，运维团队的每个负责人，所负责的业务数也随着猛涨，不可能保证为每个监控点配置的人工值都能合理适用，而加大人力投入是更加不可取的途径，不仅成本增加，而且业务量的增长速度远远大于人力投入速度，而本发明实施例中尽量不依赖经验值，但可同时支持人工干预，且本发明实施例不依赖数学模型，直接对采样数据处理，每个监控点都不去研究是符合哪种模型。即本实施例所示的方法，不依赖完整的历史数据，节约了存储空间，算法空间复杂度大大降低，且不依赖经验值，则降低了人力的投入，且提升了流量监控的准确性和效率。
除此之外，本发明通过引用动态滑动窗口扫描法，对原始样本数据集进行预处理，动态扫描采样序列，回溯搜索突变点与回落点，从局部出发，再扩展到全局，进而处理所有序列的每个毛刺异常带来的抖动现象，解决敏感业务假告警问题；在此基础上，本发明实施例借助最优样本池动态学习算法，从批量原始样本数据集中选出包括最优样本的目标样本数据集，再同时支持人工自定义经验样本来优化样本池，确定出最具代表当前监控点的目标样本数据集，解决了误告警问题。
基于图1至图3所示，以下结合图5所示对所述实时任务模块302具体是如何根据所述向上波动轨迹线、所述向下波动轨迹线以及所述当前监控点的波动规则，以数据为驱动，实现异常采样告警的进行详细说明，其中，图5所示为本发明所提供的基于流量监控的告警方法的另一种实施例步骤流程图。
需明确的是，图5所示以实时任务模块302执行所示基于流量监控的告警方法为例进行示例性说明，不做限定，在具体执行过程中，可通过所述处理器单元所包括的任一模块执行本实施例所示的方法，且用于执行本实施例所示的方法的模块可为图3已示出的模块，也可为图3未示出的模块，具体在本实施例中不做限定。
如图5所示，所述基于流量监控的告警方法具体包括：
步骤501、向所述客户端设备拉取原始样本数据集。
步骤502、对初始样本数据集modeldatatmp中每个样本进行预处理以获取预处理后的样本数据集。
步骤503、获取所述当前监控点的目标样本数据集。
步骤504、获取所述目标样本数据集的波动率序列。
步骤505、对所述波动率序列进行聚类。
步骤506、对所述目标样本数据集以及所述波动率序列进行训练以获取波动轨迹线集合。
具体的，本实施例所示的步骤501至步骤506的具体执行过程，请详见图4所示的步骤401至步骤406的具体执行过程，具体在本实施例中不做赘述。
步骤507、所述客户端设备向所述电子设备上报采样数据。
步骤508、获取所述客户端设备上报的所述采样数据。
具体的，实时任务模块302以数据为驱动，一旦有作为监控点的所述客户端设备有采样数据上报，则对所述采样数据进行实时监控。
步骤509、获取目标采样点的采样值。
其中，所述目标采样点为所述采样数据中的任一采样点。
步骤510、通过所述目标采样点的采样值以及所述波动轨迹线集合获取告警标签。
所述波动轨迹线集合的具体说明请详见图4所示，具体在本实施例中不做赘述。
具体的，本实施例所示的所述告警标签包括脱轨标签outflag以及波动突变标签violentflag；
以下对如何获取所述脱轨标签outflag的进行详细说明：
具体的，本实施例已预先规定若所述脱轨标签outflag＝1，则所述目标采样点脱轨，若所述脱轨标outflag＝0表示所述目标采样点在波动轨迹之内，正常轨迹。
更具体的，根据第一公式计算脱轨标签outflag；
所述第一公式为：
其中，i＝1,2,…,n表示所述目标采样点，所述samp(i)为所述目标采样点的采样值，所述orbitup(i)为所述波动轨迹线集合所包括的向上波动轨迹线与所述目标采样点对应的值，所述orbitdown(i)为所述波动轨迹线集合所包括的向下波动轨迹线与所述目标采样点对应的值。
以下对如何获取所述波动突变标签violentflag的进行详细说明：
具体的，本实施例已预先规定若所述波动突变标签violentflag＝1，则所述目标采样点发生波动突变，若所述波动突变标签violentflag＝0表示所述目标采样点正常波动。
更具体的，判断所述目标采样点是否小于或等于所述m0；
若所述目标采样点小于或等于所述m0，则在预设统计周期内的前m0个目标采样点中，确定所述波动突变标签violentflag＝0；
若所述目标采样点大于所述m0，则根据第三公式计算所述目标采样点的所述波动率γi；
所述第三公式为：
根据第四公式计算所述目标采样点的所述波动率上极限值up_limit；
所述第四公式为：up_limit＝min{1,|volatyup(i)·(1+n0·α0)|}，其中，所述volatyup(i)为所述向上波动率序列，所述n0为预先设置的毛刺点个数阈值，所述α0为预设的初始算法精度值；
根据第五公式计算所述目标采样点的波动率下极限值down_limit；
所述第五公式为：down_limit＝min{1,|volatydown(i)·(1-n0·α0)|}，其中，所述volatydown(i)为所述向下波动率序列。
根据第二公式计算波动突变标签violentflag；
所述第二公式为：
其中，所述γi为所述目标采样点的波动率，所述up_limit为所述目标采样点的波动率上极限值，所述down_limit为所述目标采样点的波动率下极限值；
以下对生成所述告警标签的具体过程进行说明：
基于上述所示，若产生脱轨标签outflag以及所述波动突变标签violentflag，则将所述脱轨标签outflag以及所述波动突变标签violentflag保存至指标结果池中。
对所述指标结果池中的所述脱轨标签outflag以及所述波动突变标签violentflag进行统计；
若连续n0个所述目标采样点的所述脱轨标签outflag等于1，则生成所述告警标签alarmflag，其中，所述n0为预先设置的毛刺点个数阈值。
和/或，
若连续m0个所述目标采样点的所述波动突变标签violentflag等于1，则生成所述告警标签alarmflag，其中，所述m0为预先设置的波动率计算延时。
其中，所述告警标签
步骤511、将所述告警标签alarmflag发送给所述客户端设备。
具体的，每次异常统计后，发现所述告警标签alarmflag＝1，且当前时间还没发送过告警的情况下，立即给所述客户端设备发送告警。
本实施例对发送告警的具体方式不做限定。
可选的，在运营系统中，根据人性化设计，有默认的不发送告警时间段，比如在不受人工干预情况下，默认设置凌晨00-05点，夜晚23-00点属于不发告警时间段，称之为自助告警屏蔽，记为notalarmtime，但有部分特别敏感的业务，支持人工干预此配置，则用人工值更新notalarmtime。
若所述目标采样点属于notalarmtime，则告警标签alarmflag＝0，即不再发送告警，也不进行异常统计、告警发送阶段。
采用本实施例所示的方法有益效果的具体说明请详见图4所示，相同的有益效果不做赘述。
执行如图5所示的方法，能够基于脱轨标签outflag以及波动突变标签violentflag获取所述告警标签，通过脱轨标签outflag以及波动突变标签violentflag能够兼顾全局脱离历史、局部剧烈突变的特性，使得业务运营无论是局部异常，还是全局异常，都能被监控到；在异常统计阶段，解决了传统监控系统没法解决的某个采样点的毛刺并非真正异常所带来的误告警骚扰，同时能把告警收敛，减少对运营系统、运维团队的压力。
以下结合图6所示对本实施例所提供的电子设备的结构进行说明，且图6所示的电子设备用于执行上述实施例所示的基于流量监控的告警方法，具体执行过程，请详见上述实施例所示，具体在本实施例中不做赘述。
如图6所示，所述电子设备包括：
第四获取单元601，用于获取所述当前监控点的所述目标样本数据集；
可选的，所述第四获取单元601还用于，获取所述当前监控点的初始样本数据集；
对所述初始样本数据集中的任一样本通过预处理方式进行预处理以获取预处理后的样本数据集；
所述预处理方式为以下所示的至少一种：
数据还原、通过移动平均法进行缺失数据补齐、对所述初始样本数据集所包括的毛刺子序列所包括的任一采样点进行光滑化处理；
根据所述预处理后的样本数据集获取所述目标样本数据集。
第五获取单元602，用于获取所述目标样本数据集的波动率序列，所述波动率序列包括向上波动率序列以及向下波动率序列，所述向上波动率序列为所述目标样本数据集所包括的所有采样点的向上波动率所形成的序列，所述向下波动率序列为所述目标样本数据集所包括的所有采样点的向下波动率所形成的序列；
可选的，所述第五获取单元602用于根据第六公式计算向上波动率序列volatyup(i)；
所述第六公式为：
其中，i为在所述样本数据集所包括的任一采样点，所述maxi＝max(xi)，所述xi为在所述样本数据集所包括的任一样本在采样点i处的采样值，所述
可选的，所述第五获取单元602用于根据第七公式计算向上波动率序列volatydown(i)；
所述第七公式为：
其中，i为在所述样本数据集所包括的任一采样点，所述mini＝min(xi)，所述xi为在所述样本数据集所包括的任一样本在采样点i处的采样值，所述
第六获取单元603，用于对所述目标样本数据集以及所述波动率序列进行训练以获取所述波动轨迹线集合，所述波动轨迹线集合包括由所述目标样本数据集以及所述向上波动率序列进行训练以得到的向上波动轨迹线，所述波动轨迹线集合还包括由所述目标样本数据集以及所述向下波动率序列进行训练以得到的向下波动轨迹线。
可选的，所述第六获取单元603还用于，将所述样本数据集agorisamppool中的每一样本均取采样点i处的值，再取平均值以获取平均曲线值sampmean(i)＝mean{agorisamppool(i)}；
根据第八公式计算向上波动轨迹线值curveup，其中，所述第八公式为：curveup(i)＝sampmean(i)·[1+volatyup(i)]，其中，所述volatyup(i)为所述向上波动率序列；
根据所述向上波动轨迹线值curveup计算所述向上波动轨迹线orbitup；
根据第九公式计算向下波动轨迹线值curvedown，其中，所述第九公式为：curvedown(i)＝min{0,sampmean(i)·[1-volatydown(i)]}，其中，所述volatydown(i)为所述向下波动率序列；
根据所述向下波动轨迹线值curvedow计n算所述向下波动轨迹线orbitdo。wn
所述第六获取单元603还用于，若所述样本数据集agorisamppool中确定任一采样点i的
curveup(i)＝curveup(i)·[1+α0]；
根据第十一公式对所述向下波动轨迹线值curvedown进行调整以获取调整后的向下波动轨迹线值volatydown(i)；
所述第十一公式为：
curvedown(i)＝curvedown(i)·[1-α0]。
可选的，所述第六获取单元603还用于，根据第十二公式以及所述向上波动轨迹线值curveup计算所述向上波动轨迹线orbitup，所述第十二公式为：orbitup(i)＝(1+n0·α0)·mean{fitup(i),curveup(i)}；
所述根据所述向下波动轨迹线值curvedown计算所述向下波动轨迹线orbitdown包括：
根据第十三公式以及所述向下波动轨迹线值orbitdown计算所述向下波动轨迹线orbitdown；
所述第十三公式为：
orbitdown(i)＝(1-n0·α0)·mean{fitdown(i),curvedown(i)}。
第一获取单元604，用于获取当前监控点上报的采样数据；
第二获取单元605，用于获取目标采样点的采样值，所述目标采样点为所述采样数据中的任一采样点；
第三获取单元606，用于通过所述目标采样点的采样值以及预置的波动轨迹线集合获取告警标签，所述波动轨迹线集合包括由预置的目标样本数据集以及波动率序列进行训练得到的波动轨迹线，所述波动率序列为所述目标样本数据集所包括的任一采样点的波动率所形成的序列；
其中，所述第三获取单元606还用于，根据第一公式计算脱轨标签outflag；
所述第一公式为：
其中，i＝1,2,…,n表示所述目标采样点，所述samp(i)为所述目标采样点的采样值，所述orbitup(i)为所述波动轨迹线集合所包括的向上波动轨迹线与所述目标采样点对应的值，所述orbitdown(i)为所述波动轨迹线集合所包括的向下波动轨迹线与所述目标采样点对应的值；
若连续n0个所述目标采样点的所述脱轨标签outflag等于1，则生成所述告警标签，其中，所述n0为预先设置的毛刺点个数阈值。
可选的，其中，所述第三获取单元606还用于，根据第二公式计算波动突变标签violentflag；
所述第二公式为：
其中，所述γi为所述目标采样点的波动率，所述up_limit为所述目标采样点的波动率上极限值，所述down_limit为所述目标采样点的波动率下极限值；
若连续m0个所述目标采样点的所述波动突变标签violentflag等于1，则生成所述告警标签，其中，所述m0为预先设置的波动率计算延时。
可选的，所述第三获取单元606还用于，判断所述目标采样点是否小于或等于所述m0；
若所述目标采样点小于或等于所述m0，则在预设统计周期内的前m0个目标采样点中，确定所述波动突变标签violentflag＝0；
若所述目标采样点大于所述m0，则根据第三公式计算所述目标采样点的所述波动率γi；
所述第三公式为：
根据第四公式计算所述目标采样点的所述波动率上极限值up_limit；
所述第四公式为：up_limit＝min{1,|volatyup(i)·(1+n0·α0)|}，其中，所述volatyup(i)为所述向上波动率序列，所述n0为预先设置的毛刺点个数阈值，所述α0为预设的初始算法精度值；
根据第五公式计算所述目标采样点的波动率下极限值down_limit；
所述第五公式为：down_limit＝min{1,|volatydown(i)·(1-n0·α0)|}，其中，所述volatydown(i)为所述向下波动率序列。
发送单元607，用于根据所述告警标签发送告警信息。
本实施例所示的电子设备执行上述实施例所示的基于流量监控的告警方法所具有的有益效果请详见上述实施例所示，具体在本实施例中不做赘述。
基于图1所示的电子设备，本实施例所示的所述电子设备还包括一个或多个程序，其中所述一个或多个程序被存储在所述存储单元中，所述一个或多个程序包括指令，所述指令当被所述电子设备执行时使所述电子设备执行如上述实施例所述的方法，具体执行过程不做赘述。
本实施例所示的电子设备还包括一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当被电子设备执行时使所述电子设备执行如上述实施例所述的方法，具体执行过程不做赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！