[發明專利]一種基于異類挖掘的故障預警算法

在審

• 申請號: 201710641926.2
• 申請日: 2017-07-31
• 公開（公告）號: CN107368607A
• 公開（公告）日: 2017-11-21
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 合肥科斯維數據科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及故障預警算法技術領域，尤其涉及一種基于異類挖掘的故障預警算法。

背景技術

隨著科學的進步和社會的發展，越來越多的現代化設備走進人們的生活，現代化的設備不但是人們的生活變得便捷，而且現代化的設備還推動了社會的進步。

網站的故障運行模式在網站運行中是非典型的運行模式，因此在網站運行數據的數據庫中可能包含一些數據對象，他們與數據的一般行為或模型不一致，這些數據對象就是異常點或稱為異類點。

現有技術下，很多數據挖掘的方法都會最小化這類數據點的影響，或者將這類數據點作為噪聲進行排除。但是對于故障預警系統來說，異類點十分重要，其中隱藏著重要的信息故障，預示這系統的運行故障，如果排除這些異類點，不利于網站故障的排查，嚴重的甚至引起網站的癱瘓。

發明內容

基于背景技術存在的技術問題，本發明提出了一種基于異類挖掘的故障預警算法。

本發明提出的一種基于異類挖掘的故障預警算法，包括以下步驟：

S1：進行屬性異常點檢測，按照數據對象的屬性逐個判斷數據點是否是異常點；

S2：根據異常屬性的定義檢測并標記處數據對象的異常屬性；

S3：根據數據對象的異常標記分離并輸出異常點的數據；

S4：進行時序異常點檢測，將若干個相鄰時序點的組合，可以通過模式結構的異常或者出現頻率的異常進行檢測，顯著異常數據的特征，完成故障預警。

優選地，所述S1中，判斷一個數據屬性的對象的所處密度，當對象在某個屬性中的密度出現異常時，就將該對象標記為異常。

優選地，所述S4中，當時序點的變化程度異常，則表示該點的變化十分不穩定，那么該點即為異常模式的組成部分的可疑點之一。

優選地，所述S4中，通過提取重要點的特征，來判斷數據異常模式。

本發明中，將異常點即不看成是背景的噪聲點，也不將異常點歸屬于某個具體的聚類中。檢測出來的這類數據只是不符合數據的一般模型，它們與數據的其他部分不同或不一致。對于屬性的異常檢測充分的考慮到了單個屬性的異常對故障數據判斷的重要性。而時序異常點檢測的方法充分的考慮到了隨著時間的變化網站的數據的自然變化趨勢，非常適合這種業務快速發展階段的數據故障預警，方法簡單，效率高。

具體實施方式

下面結合具體實施例對本發明作進一步解說。

實施例

本實施例提出了一種基于異類挖掘的故障預警算法，包括以下步驟：

S1：進行屬性異常點檢測，按照數據對象的屬性逐個判斷數據點是否是異常點；

S2：根據異常屬性的定義檢測并標記處數據對象的異常屬性；

S3：根據數據對象的異常標記分離并輸出異常點的數據；

S4：進行時序異常點檢測，將若干個相鄰時序點的組合，可以通過模式結構的異常或者出現頻率的異常進行檢測，顯著異常數據的特征，完成故障預警。

本實施例中，S1中，判斷一個數據屬性的對象的所處密度，當對象在某個屬性中的密度出現異常時，就將該對象標記為異常，S4中，當時序點的變化程度異常，則表示該點的變化十分不穩定，那么該點即為異常模式的組成部分的可疑點之一，S4中，通過提取重要點的特征，來判斷數據異常模式，顯著異常數據的特征，完成故障預警，S1中，初始化異常標記數組，然后對單個數據對象屬性進行異常行檢測，并更新異常標記數組，直至對所有數據對象進行屬性檢測，繼而分離出檢測到的異常點數據，最后輸出異常點數據，預警的正確的提高，S4中，為降低時間序列不穩定的影響，通過選擇部分極大突變系數值和極小突變系數值得時序點，舍棄其他的時序點來壓縮時間序列，這樣可以舍棄時序數據的小的波動，保留主要的極大突變系數和極小突變系數，最后可以通過提取重要點的特征，來判斷異常模式，一種基于異類挖掘的故障預警算法，將異常點即不看成是背景的噪聲點，也不將異常點歸屬于某個具體的聚類中。檢測出來的這類數據只是不符合數據的一般模型，它們與數據的其他部分不同或不一致。對于屬性的異常檢測充分的考慮到了單個屬性的異常對故障數據判斷的重要性。而時序異常點檢測的方法充分的考慮到了隨著時間的變化網站的數據的自然變化趨勢，非常適合這種業務快速發展階段的數據故障預警，方法簡單，效率高，方法簡單，效率高。

以上所述，僅為本發明較佳的具體實施方式，但本發明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發明揭露的技術范圍內，根據本發明的技術方案及其發明構思加以等同替換或改變，都應涵蓋在本發明的保護范圍之內。