异常预警方法、装置及相关设备与流程

1.本技术涉及通信技术领域，尤其涉及一种异常预警方法、装置及相关设备。


背景技术：

2.通过检测异常点(又称为异常时刻)来实现故障的提前发现和快速修复的异常预警方法是提高通信网可靠性的重要手段，检测代表业务性能质降的异常点主要通过对相关业务性能指标进行监控检测。
3.实际业务中的异常值为影响到业务感知的业务指标数值。现有技术中的对业务问题的异常预警方法通常先依靠经验人为确定某个业务指标的异常阈值，然后将获得的该业务指标的观测值与异常阈值进行比较，最后根据比较结果判断观测值是否为异常值，若为异常值则产生相关告警。现有技术中的异常阈值为固定值，但实际业务是动态发展的，固定的异常阈值可能无法反映业务的实际发展变化，从而可能导致检测结果不太准确。即现有技术中的异常预警方法存在检测结果不太准确的问题。


技术实现要素：

4.本技术实施例提供一种异常预警方法、装置及相关设备，解决了现有异常预警方法检测结果不太准确的问题。
5.为达到上述目的，第一方面，本技术实施例提供一种异常预警方法，包括：
6.获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；
7.基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；
8.基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息。
9.第二方面，本技术实施例提供一种异常预警装置，包括：
10.第一获取模块，用于获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；
11.第一确定模块，用于基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；
12.第一输出模块，用于基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息。
13.第三方面，本技术实施例提供一种电子设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如第一方面所述的异常预警方法中的步骤。
14.第四方面，本技术实施例提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如第一方面所述的异常预警方法中的步骤。
15.本技术实施例中，异常预警方法包括获取k个业务指标对应的用于表征业务状态
的k个时序数据，时序数据包括历史时序数据和当前时序数据，k为正整数；基于k个历史时序数据，确定与k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；基于k个当前时序数据和k个当前时刻的目标异常阈值，输出预警信息。通过获取的历史时序数据确定与业务指标对应的目标异常阈值，可以根据动态发展的业务确定目标异常阈值，所确定的目标异常阈值根据业务的实际发展变化而变化，从而可体现实际业务情况，因此，将当前时序数据与目标异常阈值进行比较输出预警信息，可反映业务的实际发展变化，提高了异常检测结果的准确性，解决了现有技术中的异常预警方法存在检测结果不太准确的问题。
附图说明
16.为了更清楚的说明本技术实施例中的技术方案，现对说明书附图作如下说明，显而易见地，下述附图仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据所列附图获得其他附图。
17.图1是本技术实施例提供的异常预警方法的流程图之一；
18.图2是本技术实施例提供的异常预警方法的流程图之二；
19.图3是本技术实施例提供的异常预警方法的流程图之三；
20.图4是本技术实施例提供的异常预警装置的结构示意图之一；
21.图5是本技术实施例提供的异常预警装置的结构示意图之二；
22.图6是本技术实施例提供的电子设备的结构示意图。
具体实施方式
23.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。在本技术中的实施例的基础上，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
24.参见图1，图1是本技术实施例提供的异常预警方法的流程图之一。如图1所示，异常预警方法可以包括以下步骤：
25.步骤101，获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；
26.上述时序数据包括在不同时刻上收集到的数据，从时间上划分，时序数据包括历史时序数据和当前时序数据，历史时序数据包括历史时刻，以及与该历史时刻对应的指标值，当前时序数据包括当前时刻，以及与该当前时刻对应的指标值。可以将时序数据理解为在一段时间范围内，每隔固定时间间隔所搜集的指标值以及与该指标值对应的时刻。时序数据可描述业务状态随时间变化的情况，具体而言，时序数据中的指标值可以表征业务状态。
27.上述业务可以为互联网业务如微信业务，腾讯视频业务，每个业务可能出现多个业务问题，业务问题与业务指标具有一一对应的关系。互联网业务中可能出现的业务问题包括无线接入侧网络问题、核心网络问题、访问量突增/突降引起的访问感知问题、本地互联网数据中心(internet data center，idc)资源指标劣化、本地内容分发网络(content delivery network，cdn)资源指标劣化、本地专线直连资源指标劣化、外省本网资源超文本
传输协议(hyper text transfer protocol，http)指标劣化、网间资源超文本传输协议(hyper text transfer protocol，http)指标劣化等。具体实现时，上述业务指标可与可能出现的业务问题一一对应，若某个业务指标对应的时序数据中的指标值异常，那么可确定与该业务指标对应的业务问题出现。
28.步骤102，基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；
29.具体实现时，可根据k个历史时序数据确定与k个业务指标中的各业务指标对应的历史异常阈值、历史异常时刻、历史非异常时刻和历史非异常时刻的指标值的平均值。历史异常阈值可人为根据经验确定。历史时序数据可为当前时刻之前的若干个时刻，以及与该若干个时刻对应的指标值，若在该若干个时刻中的异常时刻较少，那么可以根据该若干个时刻的指标值确定当前时刻的目标异常阈值，而非直接将历史异常阈值确定为当前时刻的目标异常阈值，这样，可以考虑到实际业务的动态发展情况。
30.上述k可以为1或者大于1的正整数。在k等于1的情况下，可单独考虑一个业务指标对应的当前时刻的目标异常阈值。在k大于1的情况下，可以综合考虑k个业务指标之间的相关性，从而确定k个业务指标中的各业务指标对应的当前时刻的k个目标异常阈值。
31.步骤103，基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息。
32.具体实现时，可以将k个业务指标中各指标对应的当前时序数据中的指标值与当前时刻的目标异常阈值进行比较，根据比较结果输出预警信息。若比较结果为当前时刻的指标值异常，那么可以确定该业务指标对应的业务问题出现，则可以通过输出预警信息进行预警，提醒相关人员进行处理。
33.本技术实施例中，异常预警方法包括获取k个业务指标对应的用于表征业务状态的k个时序数据，时序数据包括历史时序数据和当前时序数据，k为正整数；基于k个历史时序数据，确定与k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；基于k个当前时序数据和k个当前时刻的目标异常阈值，输出预警信息。通过获取的历史时序数据确定与业务指标对应的目标异常阈值，可以根据动态发展的业务确定目标异常阈值，所确定的目标异常阈值根据业务的实际发展变化而变化，从而可体现实际业务情况，因此，将当前时序数据与目标异常阈值进行比较输出预警信息，可反映业务的实际发展变化，提高了异常检测结果的准确性，解决了现有技术中的异常预警方法存在检测结果不太准确的问题。
34.可选地，所述步骤102，包括：
35.步骤1021，基于所述k个历史时序数据，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q，t为大于1的正整数，q为自然数，所述综合异常时刻为综合考虑所述k个业务指标的异常情况所确定的异常时刻。
36.具体实现时，可以通过机器学习算法学习k个业务指标之间的关联性，并进行整体异常检测，从而确定综合异常时刻。t的具体取值可以根据实际需要确定，在此不作限制，如t的取值可以为7。
37.步骤1022，若所述综合异常时刻的个数q大于第一预设值，则将预先获取的历史时段的历史异常阈值确定为所述目标异常阈值。
38.上述历史异常阈值为与k个业务指标中各指标一一对应的历史异常阈值。
39.具体实现时，第一预设值的取值与t的取值有关，如t的取值为7时，第一预设值的取值可以为2。第一预设值的取值还与实际情况的需要有关，如t的取值为7时，第一预设值的取值可以为1、2、3、4、5中的任一个。若对异常时刻的容忍度较低，则第一预设值可以为1或者2；若对异常时刻的容忍度较高，则第一预设值可以为4或者5。
40.若综合异常时刻的个数q大于第一预设值，说明在当前时刻之前的时刻中异常出现次数较多，若基于历史时序数据确定目标异常阈值，则会将多次出现异常的历史时序数据作为确定目标异常阈值的依据，从而可能导致目标异常阈值不准确。因此，在综合异常时刻的个数q大于第一预设值的情况下，通过将预先获取的历史时段的历史异常阈值确定为目标异常阈值，可以避免将多次出现异常的历史时序数据作为确定目标异常阈值的依据，提高目标异常阈值的准确性。
41.步骤1023，若所述综合异常时刻的个数q小于或者等于第一预设值，则基于所述历史异常阈值和所述k个历史时序数据确定k个所述目标异常阈值。
42.前文已述，上述历史异常阈值为与k个业务指标中各指标一一对应的历史异常阈值。k个业务指标与k个历史时序数据一一对应，则根据与k个业务指标中各指标一一对应的历史异常阈值，以及与k个业务指标中各指标一一对应的历史时序数据，可确定与k个业务指标中各指标一一对应的目标异常阈值。
43.示例性地，以k个业务指标中的一个业务指标的目标异常阈值的确定为例，具体实现时，上述步骤1023可包括：
44.按第一表达式确定所述目标异常阈值，所述第一表达式为：
[0045][0046]
其中，t
p
为目标异常阈值，th为历史异常阈值，kpih为历史非异常时刻的指标值的平均值，kpi
p-t
为当前时刻的前t时刻的指标值，所述历史时序数据包括在所述当前时刻之前的t个时刻的指标值。
[0047]
前文已述，t的取值可以为7，在t的取值为7的情况下，第一表达式为：
[0048][0049]
k个业务指标中的其他业务指标的目标异常阈值的确定可与此类似，在此不再赘述。
[0050]
应理解，实际业务是动态发展的，历史时序数据可以反映业务的实际发展变化，基于历史时序数据确定的目标异常阈值可以反映业务的实际发展变化，因此，这样确定的动态目标异常阈值可以提高异常检测结果的准确性。
[0051]
可选地，上述步骤1021包括：
[0052]
步骤10211，将所述k个历史时序数据输入m个算法模型进行异常检测，确定综合异常时刻集，所述综合异常时刻集包括所述k个历史时序数据对应的综合异常时刻，m为大于或者等于1的正整数，所述算法模型为依据所述k个时序数据进行学习训练后得到模型。
[0053]
具体实现时，可以通过上述算法模型学习多个业务指标间的关联性，并进行整体异常检测，输出综合异常时刻。上述算法模型可以采用python异常检测(python outlier detection，pyod)工具库，选取的算了可以为以下算法中的至少一种：基于方向的离群值检
测器(angle-based outlier detector，abod)、平均近邻算法average knn、基于聚类的局部离群因子(cluster-based local outlier factor，cblof)、特征装袋feature bagging、基于直方图的离群点检测方法(histogram-base outlier detection，hbos)、孤立森林isolation forest、近邻算法(k nearest neighbors，knn)、基于距离的异常点检测算法(local outlier factor，lof)、局部数据选择组合(locally selective combination，lscp)、最小协方差行列式(minimum covariance determinant，mcd)、一类支持向量机(one-class svm，ocsvm)、主成分分析(principal component analysis，pca)。
[0054]
可将k个历史时序数据依次或同时输入m个算法模型进行异常检测，m个算法模型中的每个算法模型均输出综合异常时刻，可根据m个算法模型中的每个算法模型输出的综合异常时刻确定综合异常时刻集。具体而言，在m大于1的情况下，若根据n个所述算法模型均确定第一时刻为综合异常时刻，则将第一时刻确定为综合异常时刻集中的综合异常时刻，n为大于或者等于1的正整数。
[0055]
具体实现时，若m的取值为12，则n的取值可为3，或者大于3小于12的正整数。经过算法模型进行异常检测后会得到12种算法模型的单独判别结果，为了增强结果的鲁棒性，对12种算法的结果采用投票机制，综合得到最终的检测结果，即可当3种以上的算法模型认为第一时刻为综合异常时刻时，将第一时刻确定为综合异常时刻集中的综合异常时刻。通过投票机制确定最终的结果，可以避免偶然性导致结果不准确，从而提高了检测结果的准确性。
[0056]
步骤10212，基于所述综合异常时刻集，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q。具体实现时，统计综合异常时刻集中的综合异常时刻个数，即可得到k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q。
[0057]
本技术实施例中，通过上述算法模型补获k个业务指标间的关联性，可以对k个业务指标间的相关性进行分析输出综合判断结果。
[0058]
可选地，所述步骤103包括：
[0059]
将所述k个当前时序数据与k个所述目标异常阈值进行比较，确定当前时刻下所述k个业务指标中的异常业务指标；
[0060]
基于所述异常业务指标，确定异常信息；
[0061]
基于所述异常信息输出预警信息。
[0062]
具体实现时，针对不同的具体业务指标，确定异常业务指标的规则不同，如，对于一些业务指标而言，若当前时序数据中的指标值大于目标异常阈值，则说明当前时刻下的业务指标为异常业务指标；对于另一些业务指标而言，若当前时序数据中的指标值小于目标异常阈值，则说明当前时刻下的业务指标为异常业务指标。一一将与k个业务指标中各指标对应的当前时序数据，以及与k个业务指标中各指标对应的所述目标异常阈值进行比较，从而得到k个业务指标中各指标的异常情况，并确定异常业务指标。
[0063]
前文已述，业务指标与业务问题具有一一对应的关系，可以直接由异常业务指标确定业务问题，异常信息包括根据异常业务指标确定业务问题。并基于业务问题输出预警信息。
[0064]
参见图2，也可以依据图2所示的流程，按图2所示的次序依次核对对应业务整体http响应时延，http响应成功率劣化的业务指标，业务整体tcp无线时延对应的业务指标等
是否为异常业务指标等，在为异常业务指标的情况下，输出如图2所示的预警信息。如业务整体tcp无线时延对应的业务指标为异常业务指标的情况下，输出无线接入侧网络问题预警信息；在业务整体tcp核心劣化时延对应的业务指标为异常业务指标的情况下，输出核心网络问题预警信息。通过采用图2所示的流程进行业务问题的确定，判断过程严谨。且图2所示的流程将经验上出现业务问题的概率较高的业务指标排在前列，可提高确定业务问题的效率。
[0065]
可选地，所述基于所述异常业务指标，确定异常信息，包括：
[0066]
基于与所述异常业务指标对应的所述当前时序数据，以及与所述异常业务指标对应的所述目标异常阈值，确定所述异常业务指标中各指标的异常度；
[0067]
将多个所述异常度按升序排序，确定排序在前的j1个目标异常度，或者，将多个所述异常度按降序排序，确定排序在后的j2个目标异常度，j1和j2均为正整数；
[0068]
基于所述j1个目标异常度，或者所述j2个目标异常度，输出异常信息。具体实现时，可以按照第二表达式确定各指标的异常度。第二表达式为：
[0069]sp
＝|kpi
p-t
p
|/t
p
[0070]
式中，s
p
为异常度，kpi
p
为当前时序数据中与当前时刻对应的指标值。t
p
为目标异常阈值。
[0071]
j1和j2的具体取值可以根据实际处理能力确定，若业务问题处理能力较强，则j1和j2的具体取值可偏大，输出与j1个目标异常度，或者与j2个目标异常度对应的业务问题，提醒相关人员进行处理。异常信息包括与j1个目标异常度，或者与j2个目标异常度对应的业务问题。
[0072]
当发生阻断性严重业务影响问题时，可能所有业务指标均会受到影响偏离正常阈值。故需要依据对综合异常时刻的所有异常业务指标进行排序，排名越靠前的业务指标对用户感知的影响越大，即业务问题的影响越严重，则优先选择排名靠前的异常业务指标，确定与排名靠前的异常业务指标的业务问题，并对其进行修复。
[0073]
为方便理解，下面结合图3对本技术实施例提供的方法进行说明。
[0074]
参见图3，本技术实施例首先输入k个业务指标对应的k个时序数据。然后可通过机器学习算法进行综合异常时刻检测。接着确定与k个业务指标中的各指标对应的k个当前时刻的目标异常阈值。紧接着确定各业务指标异常度，并进行排序。最后确定业务问题，并输出预警信息。上述步骤的详细过程可参考前文对应部分，在此不再赘述。
[0075]
本技术实施例可将机器学习异常检测方法与互联网业务质量监测领域的实际场景和经验方法相融合。先采用机器学习算法捕获指标间的关联性，进行整体性监测，再通过确定动态的目标异常阈值方法逐一检测单个业务指标健康度，并依据异常程度排名进行问题定位，适应性强、灵活度高。
[0076]
第二方面，参见图4，本技术实施例提供一种异常预警装置200，包括：
[0077]
第一获取模块201，用于获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；
[0078]
第一确定模块202，用于基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；
[0079]
第一输出模块203，用于基于k个当前时序数据和所述k个当前时刻的目标异常阈
值，输出预警信息。
[0080]
可选地，参见图5，所述第一确定模块202包括：
[0081]
第一确定单元2021，用于基于所述k个历史时序数据，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q，t为大于1的正整数，q为自然数，所述综合异常时刻为综合考虑所述k个业务指标的异常情况所确定的异常时刻；
[0082]
第二确定单元2022，用于若所述综合异常时刻的个数q大于第一预设值，则将预先获取的历史时段的历史异常阈值确定为所述目标异常阈值；
[0083]
第三确定单元2023，用于若所述综合异常时刻的个数q小于或者等于第一预设值，则基于所述历史异常阈值和所述k个历史时序数据确定k个所述目标异常阈值。
[0084]
可选地，所述第三确定单元2023包括：
[0085]
按第一表达式确定所述目标异常阈值，所述第一表达式为：
[0086][0087]
其中，t
p
为目标异常阈值，th为历史异常阈值，kpih为历史非异常时刻的指标值的平均值，kpi
p-t
为当前时刻的前t时刻的指标值，所述历史时序数据包括在所述当前时刻之前的t个时刻的指标值。
[0088]
可选地，第一确定单元2021包括：
[0089]
将所述k个历史时序数据输入m个算法模型进行异常检测，确定综合异常时刻集，所述综合异常时刻集包括所述k个历史时序数据对应的综合异常时刻，m为大于或者等于1的正整数，所述算法模型为依据所述k个时序数据进行学习训练后得到模型；
[0090]
基于所述综合异常时刻集，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q；
[0091]
其中，在m大于1的情况下，若根据n个所述算法模型均确定第一时刻为综合异常时刻，则将第一时刻确定为综合异常时刻集中的综合异常时刻，n为大于或者等于1的正整数。
[0092]
可选地，第一输出模块203包括：
[0093]
将所述k个当前时序数据与k个所述目标异常阈值进行比较，确定当前时刻下所述k个业务指标中的异常业务指标；
[0094]
基于所述异常业务指标，确定异常信息；
[0095]
基于所述异常信息输出预警信息。
[0096]
可选地，所述基于所述异常业务指标，确定异常信息，包括：
[0097]
基于与所述异常业务指标对应的所述当前时序数据，以及与所述异常业务指标对应的所述目标异常阈值，确定所述异常业务指标中各指标的异常度；
[0098]
将多个所述异常度按升序排序，确定排序在前的j1个目标异常度，或者，将多个所述异常度按降序排序，确定排序在后的j2个目标异常度，j1和j2均为正整数；
[0099]
基于所述j1个目标异常度，或者所述j2个目标异常度，输出异常信息。
[0100]
异常预警装置200能够实现本技术实施例中图1方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
[0101]
第三方面，本技术实施例提供一种电子设备。如图6所示，电子设备300包括：处理器301、存储器302及存储在所述存储器302上并可在所述处理器上运行的计算机程序，电子
设备300中的各个组件通过总线系统303耦合在一起。可理解，总线系统303用于实现这些组件之间的连接通信。
[0102]
其中，处理器301，用于获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；
[0103]
基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；
[0104]
基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息。
[0105]
可选地，处理器301还用于基于所述k个历史时序数据，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q，t为大于1的正整数，q为自然数，所述综合异常时刻为综合考虑所述k个业务指标的异常情况所确定的异常时刻；
[0106]
若所述综合异常时刻的个数q大于第一预设值，则将预先获取的历史时段的历史异常阈值确定为所述目标异常阈值；
[0107]
若所述综合异常时刻的个数q小于或者等于第一预设值，则基于所述历史异常阈值和所述k个历史时序数据确定k个所述目标异常阈值。
[0108]
可选地，处理器301还用于
[0109]
按第一表达式确定所述目标异常阈值，所述第一表达式为：
[0110][0111]
其中，tp为目标异常阈值，th为历史异常阈值，kpih为历史非异常时刻的指标值的平均值，kpip-t为当前时刻的前t时刻的指标值，所述历史时序数据包括在所述当前时刻之前的t个时刻的指标值。
[0112]
可选地，处理器301还用于将所述k个历史时序数据输入m个算法模型进行异常检测，确定综合异常时刻集，所述综合异常时刻集包括所述k个历史时序数据对应的综合异常时刻，m为大于或者等于1的正整数，所述算法模型为依据所述k个时序数据进行学习训练后得到模型；
[0113]
基于所述综合异常时刻集，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q；
[0114]
其中，在m大于1的情况下，若根据n个所述算法模型均确定第一时刻为综合异常时刻，则将第一时刻确定为综合异常时刻集中的综合异常时刻，n为大于或者等于1的正整数。
[0115]
可选地，处理器301还用于将所述k个当前时序数据与k个所述目标异常阈值进行比较，确定当前时刻下所述k个业务指标中的异常业务指标；
[0116]
基于所述异常业务指标，确定异常信息；
[0117]
基于所述异常信息输出预警信息。
[0118]
可选地，处理器301还用于基于与所述异常业务指标对应的所述当前时序数据，以及与所述异常业务指标对应的所述目标异常阈值，确定所述异常业务指标中各指标的异常度；
[0119]
将多个所述异常度按升序排序，确定排序在前的j1个目标异常度，或者，将多个所述异常度按降序排序，确定排序在后的j2个目标异常度，j1和j2均为正整数；
[0120]
基于所述j1个目标异常度，或者所述j2个目标异常度，输出异常信息。
[0121]
本技术实施例提供的电子设备300能够实现本技术异常预警方法实施例中能够实现的各个过程，以及达到相同的有益效果，为避免重复，在此不再赘述。
[0122]
本技术实施例第四方面提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述异常预警方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0123]
上面结合附图对本技术的实施例进行了描述，但是本技术并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本技术的启示下，在不脱离本技术宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本技术的保护之内。

技术特征：
1.一种异常预警方法，其特征在于，包括：获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息。2.根据权利要求1所述的方法，其特征在于，所述基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值，包括：基于所述k个历史时序数据，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q，t为大于1的正整数，q为自然数，所述综合异常时刻为综合考虑所述k个业务指标的异常情况所确定的异常时刻；若所述综合异常时刻的个数q大于第一预设值，则将预先获取的历史时段的历史异常阈值确定为所述目标异常阈值；若所述综合异常时刻的个数q小于或者等于第一预设值，则基于所述历史异常阈值和所述k个历史时序数据确定k个所述目标异常阈值。3.根据权利要求2所述的方法，其特征在于，所述若所述综合异常时刻的个数q小于或者等于第一预设值，则基于所述历史异常阈值和所述k个历史时序数据确定k个所述目标异常阈值，包括：按第一表达式确定所述目标异常阈值，所述第一表达式为：其中，t
p
为目标异常阈值，t
h
为历史异常阈值，kpi
h
为历史非异常时刻的指标值的平均值，kpi
p-t
为当前时刻的前t时刻的指标值，所述历史时序数据包括在所述当前时刻之前的t个时刻的指标值。4.根据权利要求2所述的方法，其特征在于，所述基于所述k个历史时序数据，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q，包括：将所述k个历史时序数据输入m个算法模型进行异常检测，确定综合异常时刻集，所述综合异常时刻集包括所述k个历史时序数据对应的综合异常时刻，m为大于或者等于1的正整数，所述算法模型为依据所述k个时序数据进行学习训练后得到模型；基于所述综合异常时刻集，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q；其中，在m大于1的情况下，若根据n个所述算法模型均确定第一时刻为综合异常时刻，则将第一时刻确定为综合异常时刻集中的综合异常时刻，n为大于或者等于1的正整数。5.根据权利要求1所述的方法，其特征在于，所述基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息，包括：将所述k个当前时序数据与k个所述目标异常阈值进行比较，确定当前时刻下所述k个业务指标中的异常业务指标；基于所述异常业务指标，确定异常信息；基于所述异常信息输出预警信息。
6.根据权利要求5所述的方法，其特征在于，所述基于所述异常业务指标，确定异常信息，包括：基于与所述异常业务指标对应的所述当前时序数据，以及与所述异常业务指标对应的所述目标异常阈值，确定所述异常业务指标中各指标的异常度；将多个所述异常度按升序排序，确定排序在前的j1个目标异常度，或者，将多个所述异常度按降序排序，确定排序在后的j2个目标异常度，j1和j2均为正整数；基于所述j1个目标异常度，或者所述j2个目标异常度，输出异常信息。7.一种异常预警装置，其特征在于，包括：第一获取模块，用于获取k个业务指标对应的用于表征业务状态的k个时序数据，所述时序数据包括历史时序数据和当前时序数据，k为正整数；第一确定模块，用于基于k个历史时序数据，确定与所述k个业务指标中的各指标对应的k个当前时刻的目标异常阈值；第一输出模块，用于基于k个当前时序数据和所述k个当前时刻的目标异常阈值，输出预警信息。8.根据权利要求7所述的装置，其特征在于，所述第一确定模块包括：第一确定单元，用于基于所述k个历史时序数据，确定所述k个业务指标在当前时刻之前的t个时刻中的综合异常时刻的个数q，t为大于1的正整数，q为自然数，所述综合异常时刻为综合考虑所述k个业务指标的异常情况所确定的异常时刻；第二确定单元，用于若所述综合异常时刻的个数q大于第一预设值，则将预先获取的历史时段的历史异常阈值确定为所述目标异常阈值；第三确定单元，用于若所述综合异常时刻的个数q小于或者等于第一预设值，则基于所述历史异常阈值和所述k个历史时序数据确定k个所述目标异常阈值。9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的异常预警方法中的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至6中任一项所述的异常预警方法中的步骤。

技术总结
本申请提供一种异常预警方法、装置及相关设备，其中，方法包括获取K个业务指标对应的用于表征业务状态的K个时序数据，时序数据包括历史时序数据和当前时序数据，K为正整数；基于K个历史时序数据，确定与K个业务指标中的各指标对应的K个当前时刻的目标异常阈值；基于K个当前时序数据和K个当前时刻的目标异常阈值，输出预警信息。本申请提供的方法提高了异常检测结果的准确性，解决了现有技术中的异常预警方法存在检测结果不太准确的问题。方法存在检测结果不太准确的问题。方法存在检测结果不太准确的问题。


技术研发人员：刘玮
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.01.05
技术公布日：2023/7/22