短消息下发异常检测方法、装置、计算机设备及存储介质与流程

1.本发明涉及运营过程优化领域，尤其涉及一种短消息下发异常检测方法、装置、计算机设备及存储介质。


背景技术：

2.短消息服务应用广泛，在otp(one time password，一次性密码)验证、企业消息通知等领域占有非常重要的角色。短消息服务具有成本低廉、触达效率高、转化率较优等诸多优点。
3.然而，基于运营商手机号码作为载体，短消息服务易受地域、运营商等因素影响，导致短消息的下发成功率出现波动。这种波动对于一些具有时效性的服务事件，具有严重的负面影响，严重影响服务事件的转化率。而且，在波动事件发生时，不易及时发现，消除问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种短消息下发异常检测方法、装置、计算机设备及存储介质，以及时检测短消息下发是否异常。
5.一种短消息下发异常检测方法，包括：
6.通过接收短消息推送任务的反馈数据，所述反馈数据包括若干运营商的短消息下发成功数据；
7.通过多元线性预测模型对所述反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子；
8.获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外；
9.若期望成功数据处于预测正常区间之外，则发出异常提醒。
10.一种短消息下发异常检测装置，包括：
11.接收反馈数据模块，用于通过接收短消息推送任务的反馈数据，所述反馈数据包括若干运营商的短消息下发成功数据；
12.预测期望模块，用于通过多元线性预测模型对所述反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子；
13.匹配正常区间模块，用于获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外；
14.异常提醒模块，用于若期望成功数据处于预测正常区间之外，则发出异常提醒。
15.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述短消息下发异常检测方法。
16.一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述短消息下发异常检测方法。
17.上述短消息下发异常检测方法、装置、计算机设备及存储介质，通过接收短消息推送任务的反馈数据，反馈数据包括若干运营商的短消息下发成功数据，以实时监测短消息的下发状况。通过多元线性预测模型对反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子，以将实时多变的反馈数据转化成更具预测性的期望成功数据，提高对异常状况的识别准确率。获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外，以通过预设正常区间评估期望成功数据是否出现异常。若期望成功数据处于预测正常区间之外，则发出异常提醒，以使工作人员可以及时获得相应的异常提醒。本发明可以快速检测反馈数据的波动是否处于预测正常区间，进而及时判断当前的短消息推送任务是否存在异常。
附图说明
18.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，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。
19.图1是本发明一实施例中短消息下发异常检测方法的一应用环境示意图；
20.图2是本发明一实施例中短消息下发异常检测方法的一流程示意图；
21.图3是本发明一实施例中的多条预测曲线；
22.图4是本发明一实施例中第一图像的点分布示意图；
23.图5是本发明一实施例中第二图像的点分布示意图；
24.图6是本发明一实施例中第三图像的点分布示意图；
25.图7是本发明一实施例中异常点检测图像的点分布示意图；
26.图8是本发明一实施例中短消息下发异常检测装置的一结构示意图；
27.图9是本发明一实施例中计算机设备的一示意图。
具体实施方式
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.本实施例提供的短消息下发异常检测方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
30.在一实施例中，如图2所示，提供一种短消息下发异常检测方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤s60-s90。
31.s60、接收短消息推送任务的反馈数据，所述反馈数据包括若干运营商的短消息下
发成功数据。
32.可理解地，短消息推送任务指的是将包含指定内容的短消息发送给目标人群的任务。可以基于具体的业务需求编写相应的指定内容，然后生成相应的短消息推送任务。业务需求可以是营销需求、活动需求等。例如，某一天，某公司需要向一百万客户推送某活动信息。
33.将短消息推送任务提交给运营商。然后，在任务执行期间，实时从不同的运营商接收短消息推送任务的反馈数据。在此处，反馈数据包括若干运营商的短消息下发成功数据。短消息下发成功数据可以包括每分钟短消息下发的成功数量。若短消息推送任务涉及多个地区，则短消息下发成功数据可以包括地域标识，用于区分不同地区的下发成功数量。
34.s70、通过多元线性预测模型对所述反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个所述维度参数对应一个所述维度因子。
35.可理解地，多元线性预测模型可以是基于历史数据训练获得的多元线性预测模型，具有预测功能，可以预测短消息的发送期望数量。多元线性预测模型包括常数项、维度因子。在一示例中，多元线性预测模型可表示为：
36.y＝β0+β1x1+β2x2+β3x3+
…
+βnxn37.其中，y为预测值；
38.β0为常数项；
39.x1表示第1个维度参数，依次类推，xn表示第n个维度参数，n为维度参数的总个数；
40.β1～βn分别为与x1～xn对应的维度因子。
41.从反馈数据中提取各个维度参数的值，代入多元线性预测模型，可以得到预测值。期望成功数据包括各个时间点的预测值。例如，从反馈数据提取第一分钟的推送成功数量，得到各个维度参数的参数值，然后代入多元线性预测模型，获得第一分钟的预测值y1；从反馈数据提取第二分钟的推送成功数量，得到各个维度参数的参数值，然后代入多元线性预测模型，获得第二分钟的预测值y2；依次类推。
42.在图3的示例中，期望成功数据可以使用预测值曲线02表示。
43.s80、获取与所述短消息推送任务匹配的预设正常区间，判断所述期望成功数据是否处于所述预设正常区间之外。
44.可理解地，每个短消息推送任务的推送人群一般存在一定差异，因而，需要查找与当前短消息推送任务的推送人群最为相近(甚至相同)的多个历史推送任务，且这些历史推送任务未发生异常事件。通过多元线性预测模型处理这些历史推送任务的反馈数据，可以获得多个历史期望成功数据，根据这些历史期望成功数据可以绘制相应的预设正常区间。在图3的示例中，包括最高成功曲线01、最低成功曲线04和拟合成功曲线03。预设正常区间可以指最高成功曲线01与拟合成功曲线03之间的区间。
45.s90、若所述期望成功数据处于所述预测正常区间之外，则发出异常提醒。
46.可理解地，若当前计算出的期望成功数据处于预测正常区间之内，说明当前的短消息发送正常。若当前计算出的期望成功数据处于预测正常区间之外，说明当前的短消息发送可能存在问题，因而，需要发出相应的异常提醒。在此处，异常提醒包括但不限于弹窗提醒、邮件提醒和短消息提醒。
47.在一示例中，某天营销活动中，某个时间点，某运营商对应的营销短信成功量变
低，如下表1所示。
48.表1一示例中的反馈数据以及期望成功数据
49.时间x1x2x3x4y09:01:00755.5613.5423.522132051.9301509:02:00754.5615.5424.522042047.4037309:03:00553.0617.0425.021951871.6042809:04:00557.5613.0426.521951872.32626
50.其中，x1、x2、x3分别为第一运营商、第二运营商和第三运营商，x4表示地域标识，y为预测值。第一运营商在09:01的短消息下发成功量为755.5。
51.从表1可以看出，09:03与09:04时刻，x1列，即第一运营商的短信成功量下降，导致最后预测值，即y列数值，变小。与正常样本中预计成功量相差过大，与相同地域正常值比较后，可以反映目前该地区第一运营商的链路出现问题，需要调整。
52.步骤s60-s90中，通过接收短消息推送任务的反馈数据，反馈数据包括若干运营商的短消息下发成功数据，以实时监测短消息的下发状况。通过多元线性预测模型对反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子，以将实时多变的反馈数据转化成更具预测性的期望成功数据，提高对异常状况的识别准确率。获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外，以通过预设正常区间评估期望成功数据是否出现异常。若期望成功数据处于预测正常区间之外，则发出异常提醒，以使工作人员可以及时获得相应的异常提醒。本实施例可以快速检测反馈数据的波动是否处于预测正常区间，进而及时判断当前的短消息推送任务是否存在异常。
53.可选的，步骤s70之前，即所述通过多元线性预测模型对反馈数据进行处理，获取期望成功数据之前，还包括：
54.s10、获取指定时间跨度的短信下发历史数据；
55.s20、根据预设数据提取规则将所述短信下发历史数据处理为多维数组集合，所述多维数组集合包括多个多维数组，一个所述多维数组对应一个单位时间区间，所述指定时间跨度划分出多个所述单位时间区间，所述多维数组包括多个维度在所述单位时间区间的短信下单成功数量，以及期望数量；
56.s30、根据所述多维数组集合构建多元线性回归模型，并求解所述多元线性回归模型的模型参数，所述模型参数包括常数项、维度因子及残差项；
57.s40、使用预设显著性校验方法对所述多元线性回归模型进行校验和修正，生成多元线性修正模型；
58.s50、使用预设模型诊断方法对所述多元线性修正模型进行验证，将通过验证的多元线性修正模型确定为所述多元线性预测模型。
59.可理解地，指定时间跨度可以根据实际需要设置，如可以是1～24小时。短信下发历史数据包括了历史任务的目标下发数据和实际下发成功数据。
60.预设数据提取规则可以根据实际需要进行设置，如可以统计某个地区的某个运营商在单位时间区间内的短消息下发成功数量。在一示例中，预设数据提取规则可以从短信下发历史数据中提取出多个多维数组，形成多维数据集合。单位时间区间可以根据实际需
要进行设置，如可以是一分钟。多维数组的维度可以根据实际情况进行设置。如可以根据运营商的不同、地域的不同设置相应的维度参数。
61.在一示例中，多维数组集合如表2所示。
62.表2一示例中的多维数据集合
[0063][0064]
其中，每一行为一个多维数组。
[0065]
可以构建多元线性回归模型，如：
[0066]
y＝β0+β1x1+β2x2+β3x3+
…
+βnxn+ε
[0067]
其中β0为常数项，β1、β2、β3、βn为维度因子，x1、x2、x3、xn为维度参数(自变量)，y为预测值(因变量)，ε为残差项，残差项作为一切不确定因素影响的总和，其值不可观测。可以假定ε服从正态分布：n(0,σ2)，其值需要通过特定的残差分析手段来确定。在一示例中，分别以地域、第一运营商、第二运营商、第三运营商四个维度因子，构建多元线性回归模型，则该模型可表示为：
[0068]
y＝β0+β1x1+β2x2+β3x3+β4x4+ε
[0069]
其中，y为预测值；
[0070]
β0为常数项；
[0071]
x1、x2、x3分别为第一运营商、第二运营商和第三运营商；
[0072]
x4表示地域标识；
[0073]
ε为残差项。
[0074]
将多维数组集合代入多元线性回归模型中，经过计算，可以求解出模型参数。模型参数包括常数项、各个维度因子、以及残差项(服从正态分布，处于一个数据范围之内)。
[0075]
在求解出多元线性回归模型的模型参数之后，可以使用预设显著性校验方法对多元线性回归模型进行校验和修正。预设显著性校验方法可以根据实际需要进行选用，如可以是t检验法、f检验法和r平方检验法。可以使用一种或多种显著性校验方法。通过预设显著性校验方法的校验和修正，可以获得多元线性修正模型。该多元线性修正模型的模型参数的准确性更高。
[0076]
然后，使用预设模型诊断方法对多元线性修正模型进行验证，分析多元线性修正模型的残差项和异常点，确保多元线性修正模型的准确性。若通过验证，则可以将多元线性
修正模型确定为多元线性预测模型。若未通过验证，则调整多元线性模型的模型参数或者预设数据提取规则。如，在对预设数据提取规则进行修改，可以修改单位时间区间，将原先的一分钟改成两分钟或者三十秒。
[0077]
可选的，所述预设显著性校验方法包括t检验法、f检验法和r平方检验法；
[0078]
步骤s40，即所述使用预设显著性校验方法对所述多元线性回归模型进行校验和修正，生成多元线性修正模型，包括：
[0079]
s401、根据所述t检验法对所述多元线性回归模型进行校验，生成第一校验结果；
[0080]
s402、根据所述f检验法对所述多元线性回归模型进行校验，生成第二校验结果；
[0081]
s403、根据所述r平方检验法对所述多元线性回归模型进行校验，生成第三校验结果；
[0082]
s404、若所述第一校验结果、所述第二校验结果和所述第三校验结果均为显著结果，则根据所述第一校验结果、所述第二校验结果和所述第三校验结果对所述多元线性回归模型进行修正，获得所述多元线性修正模型。
[0083]
可理解地，预设显著性校验方法包括t检验法、f检验法和r平方检验法。使用各个检验方法对多元线性回归模型进行校验，可以获得相应的校验结果。校验结果包括两种，一种表示多元线性回归模型具有显著性，即为显著结果，另一种表示多元线性回归模型不具有显著性，即为非显著结果。
[0084]
在此处，t检验法(student t检验)可以检验多元线性回归模型中自变量xi(i＝1～n)对于y的显著性，通常用p-value判断显著性，p-value小于0.01或更小时，说明自变量xi与y相关关系显著。
[0085]
f检验法用于检验所有的自变量{xi}在整体上对于y的线性显著性，也是用p-value判断显著性，p-value小于0.01或者更小时，说明整体上自变量{xi}与y相关关系显著。
[0086]
r2(r平方)检验法用来判断回归方程的拟合程度，r2的取值在(0，1)，越接近1说明拟合程度越好。
[0087]
在一示例中，三种预设显著性校验方法的校验结果如下：
[0088]
t校验法的第一校验结果：所有自变量均非常显著；
[0089]
f校验法的第二校验结果：校验结果显著，p-value:《2.2e-16
；
[0090]
r2检验法的第三校验结果：相关性非常强为0.972。
[0091]
校验前，多元线性回归模型为：
[0092]
y＝212.8780+0.8542*x1+0.6672*x
2-0.6674*x3+0.4821*x4[0093]
修正后，获得的多元线性修正模型为：
[0094]
y＝212.87996+0.85423*x1+0.66724*x
2-0.66741*x3+0.48214*x4[0095]
校验完成之后多元线性修正模型，相较于多元线性回归模型，关系系数更精确。
[0096]
可选的，所述预设模型诊断方法包括残差分析法和异常点检测法；
[0097]
步骤s50，即所述使用预设模型诊断方法对所述多元线性修正模型进行验证，将通过验证的多元线性修正模型确定为所述多元线性预测模型，包括：
[0098]
s501、根据所述残差分析法对所述多元线性修正模型进行验证，生成第一验证结果；
[0099]
s502、根据所述异常点检测法对所述多元线性修正模型进行验证，生成第二验证结果；
[0100]
s503、若所述第一验证结果和所述第二验证结果均符合预设验证要求，则判定所述多元线性修正模型通过验证。
[0101]
可理解地，为了使得多元线性修正模型尽可能准确，还可以使用残差分析法和异常点检测法检验模型的正确性。在进行残差分析法和异常点检测法检验时，可以借助于绘图工具生成用于模型诊断的图形，进行直观的分析，以确定多元线性修正模型是否通过验证。预设验证要求可以根据实际需要进行设置。在一些示例中，预设验证要求包括：第一验证结果为通过验证，且第二验证结果为通过验证。
[0102]
可选的，步骤s501，即所述根据所述残差分析法对所述多元线性修正模型进行验证，生成第一验证结果，包括：
[0103]
s5011、获取所述多元线性修正模型的残差和拟合值，将所述残差和所述拟合值填充至第一图像，分析所述残差和所述拟合值在所述第一图像中的第一点分布形态，生成第一分析数据；
[0104]
s5012、获取所述多元线性修正模型的标准化残差和理论分位数，将所述标准化残差和所述理论分位数填充至第二图像，分析所述标准化残差和所述理论分位数在所述第二图像中的第二点分布形态，生成第二分析数据；
[0105]
s5013、获取所述多元线性修正模型的标准化残差平方根，将所述标准化残差平方根和所述拟合值填充至第三图像，分析所述标准化残差平方根和所述拟合值在所述第三图像中的第三点分布形态，生成第三分析数据；
[0106]
s5014、根据所述第一分析数据、所述第二分析数据和所述第三分析数据生成所述第一验证结果。
[0107]
可理解地，可以获取多元线性修正模型的残差和拟合值，将残差和拟合值填充至第一图像，分析残差和拟合值在第一图像中的第一点分布形态，生成第一分析数据。在一示例中，如图4所示，图4为残差(residuals)和拟合值(fittedvalues或者简写为fitted)进行比较的第一图像。通过识别(在此处，可人工观察，然后手动输入，也可以通过图形分析工具自动识别)残差和拟合值在第一图像中的第一点分布形态，可以获得如下第一分析数据：残差和拟合值之间数据点均匀分布在y＝0两侧，呈现出随机的分布，趋势线为一条平稳的曲线，并没有明显的形状特征。
[0108]
可以获取多元线性修正模型的标准化残差和理论分位数，将标准化残差和理论分位数填充至第二图像，分析标准化残差和理论分位数在第二图像中的第二点分布形态，生成第二分析数据。在一示例中，如图5所示，图5为标准化残差(standardizedresiduals)和理论分位数(theoretical quantiles)进行比较的第二图像(即normalq-q，标准qq图)。通过识别标准化残差和理论分位数在第二图像中的第二点分布形态，可以获得如下第二分析数据：第二图像中的数据点按对角直线排列，趋近于一条直线，并被对角线直接穿过，直观上符合正态分布。
[0109]
可以获取多元线性修正模型的标准化残差平方根和拟合值，将标准化残差平方根和拟合值填充至第三图像，分析标准化残差平方根和拟合值在第三图像中的第三点分布形态，生成第三分析数据。在一示例中，如图6所示，图6为标准化残差平方根
(squarestandardizedresiduals)和拟合值(fittedvalues)进行比较的第三图像(scale-location)。通过识别标准化残差平方根和拟合值在第三图像中的第三点分布形态，可以获得如下第三分析数据：第三图像中的数据点均匀分布在y＝0两侧，呈现出随机的分布，第三图像中的曲线平稳，没有明显的形状特征。
[0110]
若第一分析数据、第二分析数据和第三分析数据均没有异常，则第一验证结果为，多元线性修正模型通过验证。
[0111]
在另一些示例中，可以获取多元线性修正模型的标准化残差和杠杆值，将标准化残差和杠杆值填充至异常点检测图像，分析标准化残差和杠杆值在异常点检测图像中的分布形态，生成异常点检测分析数据。在一示例中，如图7所示，图7为标准化残差(standardizedresiduals)和杠杆值(leverage)进行比较的异常点检测图像。通过识别标准化残差和杠杆值在异常点检测图像中的分布形态，可以获得如下分析数据：没有出现等高线，则说明数据中没有特别影响回归结果的异常点。
[0112]
可选的，步骤s80中，即所述获取与所述短消息推送任务匹配的预设正常区间包括：
[0113]
s801、提取所述短消息推送任务的推送关键词；
[0114]
s802、根据所述推送关键词在任务数据库中查找出相应的正常任务数据，所述正常任务数据包括多个历史正常推送任务的任务数据；
[0115]
s803、根据所述正常任务数据计算执行所述短消息推送任务时各个时间点的下发上限和下发下限，形成所述预设正常区间。
[0116]
可理解地，推送关键词包括一个或多个关键字。可以选取短消息推送任务的业务特征或地域属性作为关键字，也可以根据推送人群所对应的人群特征设置关键字。可以根据实际需要设置用于提取推送关键词的提取规则。
[0117]
任务数据库记录了历史短消息推送任务的任务数据，在此处，任务数据包括反馈数据和期望成功数据(通过相同的多元线性预测模型计算)。历史正常推送任务指的是经过后期验证，确定未发生异常状况的推送任务。正常任务数据包括多个历史正常推送任务的任务数据。
[0118]
每个历史正常推送任务的任务数据包括多个时间点的预测值。在同一时间点(可以是固定时间，如9:00；也可以是相对时间，如以运营商第一次反馈的时间作为起点)，不同历史正常推送任务的预测值是存在差异的，可以将其中的最大的预测值设置为下发上限，最小的预测值设置为下发上限。在一些情况下，若同一时间点的预测值服从正态分布，下发上限可以设置为μ+2σ，下发下限可以设置为μ-2σ。在此处，μ为预测值的平均值，σ为方差。预设正常区间包括各个时间点的下发上限和下发下限。
[0119]
可选的，步骤s80中，即所述判断所述期望成功数据是否处于预设正常区间之外，包括：
[0120]
s804、判断所述期望成功数据中的各个预测值是否大于对应的所述下发上限或小于所述下发下限；
[0121]
s805、当所述期望成功数据中的预测值大于对应的所述下发上限时，计算所述预测值与所述下发上限之间的第一差值，同时超标累计值加一；或，当所述预测值小于对应的所述下发下限时，计算所述下发下限与所述预测值之间的第二差值，同时所述超标累计值
加一；所述超标累计值的初始值为零；
[0122]
s306、当所述超标累计值大于预设累计阈值，或，所述第一差值大于第一比较阈值，或，所述第二差值大于第二比较阈值，判定所述期望成功数据处于预设正常区间之外。
[0123]
可理解地，可以将期望成功数据中的某个预测值与相同时间点的下发上限或下发下限比较，若大于对应的下发上限，则计算预测值与下发上限之间的第一差值，同时超标累计值加一；若小于对应的下发下限，则计算下发下限与预测值之间的第二差值，同时超标累计值加一。在此处，超标累计值的初始值为零。
[0124]
当超标累计值大于预设累计阈值，或，第一差值大于第一比较阈值，或，第二差值大于第二比较阈值，判定期望成功数据处于预设正常区间之外。当超标累计值小于或等于预设累计阈值，且，第一差值小于或等于第一比较阈值，且，第二差值小于或等于第二比较阈值，判定期望成功数据处于预设正常区间之内。超标累计值可以根据实际需要进行设置。第一比较阈值和第二比较阈值可以根据实际需要设置，可以是固定值，也可以是百分比值(如以平均值为底数计算)。
[0125]
在此处，同时设置了超标累计值和两个比较阈值，可以更好地检测短消息是否下发异常，减少误报的情况发生。
[0126]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0127]
在一实施例中，提供一种短消息下发异常检测装置，该短消息下发异常检测装置与上述实施例中短消息下发异常检测方法一一对应。如图8所示，该短消息下发异常检测装置包括接收反馈数据模块60、预测期望模块70、匹配正常区间模块80和异常提醒模块90。各功能模块详细说明如下：
[0128]
接收反馈数据模块60，用于通过接收短消息推送任务的反馈数据，所述反馈数据包括若干运营商的短消息下发成功数据；
[0129]
预测期望模块70，用于通过多元线性预测模型对所述反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子；
[0130]
匹配正常区间模块80，用于获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外；
[0131]
异常提醒模块90，用于若期望成功数据处于预测正常区间之外，则发出异常提醒。
[0132]
可选的，短消息下发异常检测装置还包括：
[0133]
获取历史数据模块，用于获取指定时间跨度的短信下发历史数据；
[0134]
多维数组模块，用于根据预设数据提取规则将所述短信下发历史数据处理为多维数组集合，所述多维数组集合包括多个多维数组，一个所述多维数组对应一个单位时间区间，所述指定时间跨度划分出多个所述单位时间区间，所述多维数组包括多个维度在所述单位时间区间的短信下单成功数量，以及期望数量；
[0135]
构建回归模型模块，用于根据所述多维数组集合构建多元线性回归模型，并求解所述多元线性回归模型的模型参数，所述模型参数包括常数项、维度因子及残差项；
[0136]
生成修正模型模块，用于使用预设显著性校验方法对所述多元线性回归模型进行
校验和修正，生成多元线性修正模型；
[0137]
生成预测模型模块，用于使用预设模型诊断方法对所述多元线性修正模型进行验证，将通过验证的多元线性修正模型确定为所述多元线性预测模型。
[0138]
可选的，所述预设显著性校验方法包括t检验法、f检验法和r平方检验法；
[0139]
生成修正模型模块包括：
[0140]
第一校验单元，用于根据所述t检验法对所述多元线性回归模型进行校验，生成第一校验结果；
[0141]
第二校验单元，用于根据所述f检验法对所述多元线性回归模型进行校验，生成第二校验结果；
[0142]
第三校验单元，用于根据所述r平方检验法对所述多元线性回归模型进行校验，生成第三校验结果；
[0143]
获得修正模型单元，用于若所述第一校验结果、所述第二校验结果和所述第三校验结果均为显著，则根据所述第一校验结果、所述第二校验结果和所述第三校验结果对所述多元线性回归模型进行修正，获得所述多元线性修正模型。
[0144]
可选的，所述预设模型诊断方法包括残差分析法和异常点检测法；
[0145]
生成修正模型模块包括：
[0146]
残差分析单元，用于根据所述残差分析法对所述多元线性修正模型进行验证，生成第一验证结果；
[0147]
异常点检测单元，用于根据所述异常点检测法对所述多元线性修正模型进行验证，生成第二验证结果；
[0148]
通过验证单元，用于若所述第一验证结果和所述第二验证结果均符合预设验证要求，则判定所述多元线性修正模型通过验证。
[0149]
可选的，残差分析单元包括：
[0150]
第一图像分析单元，用于获取所述多元线性修正模型的残差和拟合值，将所述残差和所述拟合值填充至第一图像，分析所述残差和所述拟合值在所述第一图像中的第一点分布形态，生成第一分析数据；
[0151]
第二图像分析单元，用于获取所述多元线性修正模型的标准化残差和理论分位数，将所述标准化残差和所述理论分位数填充至第二图像，分析所述标准化残差和所述理论分位数在所述第二图像中的第二点分布形态，生成第二分析数据；
[0152]
第三图像分析单元，用于获取所述多元线性修正模型的标准化残差平方根，将所述标准化残差平方根和所述拟合值填充至第三图像，分析所述标准化残差平方根和所述拟合值在所述第三图像中的第三点分布形态，生成第三分析数据；
[0153]
生成第一验证结果单元，用于根据所述第一分析数据、所述第二分析数据和所述第三分析数据生成所述第一验证结果。
[0154]
可选的，匹配正常区间模块80包括：
[0155]
提取关键词单元，用于提取所述短消息推送任务的推送关键词；
[0156]
匹配任务数据单元，用于根据所述推送关键词在任务数据库中查找出相应的正常任务数据，所述正常任务数据包括多个历史正常推送任务的任务数据；
[0157]
形成正常区间单元，用于根据所述正常任务数据计算执行所述短消息推送任务时
各个时间点的下发上限和下发下限，形成所述预设正常区间。
[0158]
可选的，匹配正常区间模块80包括：
[0159]
预测值判断单元，用于判断所述期望成功数据中的各个预测值是否大于对应的所述下发上限或小于所述下发下限；
[0160]
计算差值单元，用于当所述期望成功数据中的预测值大于对应的所述下发上限时，计算所述预测值与所述下发上限之间的第一差值，同时超标累计值加一；或，当所述预测值小于对应的所述下发下限时，计算所述下发下限与所述预测值之间的第二差值，同时所述超标累计值加一；所述超标累计值的初始值为零；
[0161]
异常判断单元，用于当所述超标累计值大于预设累计阈值，或，所述第一差值大于第一比较阈值，或，所述第二差值大于第二比较阈值，判定所述期望成功数据处于预设正常区间之外。
[0162]
关于短消息下发异常检测装置的具体限定可以参见上文中对于短消息下发异常检测方法的限定，在此不再赘述。上述短消息下发异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0163]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储短消息下发异常检测方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种短消息下发异常检测方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
[0164]
在一个实施例中，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可读指令，处理器执行计算机可读指令时实现以下步骤：
[0165]
通过接收短消息推送任务的反馈数据，所述反馈数据包括若干运营商的短消息下发成功数据；
[0166]
通过多元线性预测模型对所述反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子；
[0167]
获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外；
[0168]
若期望成功数据处于预测正常区间之外，则发出异常提醒。
[0169]
在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
[0170]
通过接收短消息推送任务的反馈数据，所述反馈数据包括若干运营商的短消息下
发成功数据；
[0171]
通过多元线性预测模型对所述反馈数据进行处理，获取期望成功数据；所述多元线性预测模型包括常数项、维度因子，一个维度参数对应一个维度因子；
[0172]
获取与短消息推送任务匹配的预设正常区间，判断期望成功数据是否处于预设正常区间之外；
[0173]
若期望成功数据处于预测正常区间之外，则发出异常提醒。
[0174]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0175]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0176]
以上所述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，均应包含在本发明的保护范围之内。