[發明專利]一種異常檢測方法、裝置、電子設備及存儲介質

有效

• 申請號: 202011027825.4
• 申請日: 2020-09-25
• 公開（公告）號: CN112256748B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 鄭智獻;史忠偉
• 申請（專利權）人: 北京五八信息技術有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 呂俊秀

本發明提供了一種異常檢測方法、裝置、電子設備及存儲介質。所述方法，包括：針對預設的監控指標體系內包含的任一監控指標維度，獲取每個時間單位內，監控指標維度在每個指標屬性值時的數據量的真實值；針對任一監控周期，根據監控周期之前預設時間段內的數據量的真實值，獲取監控周期內數據量的預測值和警報閾值范圍，警報閾值范圍包括監控周期內的全部數據量的警報閾值范圍；響應于監控周期內全部數據量的真實值超出警報閾值范圍，根據監控周期內每個監控指標維度在每個指標屬性值時的數據量的預測值和真實值，通過多維度根因分析算法，獲取監控周期的多維度根因分析結果。從而準確定位數據異常的指標維度組合，以實現異常數據的精準打擊。

技術領域

本發明涉及互聯網技術領域，尤其涉及一種異常檢測方法、裝置、電子設備及存儲介質。

背景技術

在風控場景下，其體系流程主要有風險感知、問題分析、風險識別三個階段。第一階段為風險感知即發現風險問題，第二階段為問題分析即對發現的問題進行歸納分析總結類型，第三階段為風險識別即構建風險識別模型，進行線上攔截。其中，風險感知作為風控體系的前置階段有著重要的作用。當前風險感知的方式主要通過日常巡檢抽樣發現問題，該方式的時效低且覆蓋率有限，并且考慮到黑產行為具有對抗性強、形變速度快等的特性，所以需要一種高時效、高覆蓋率的自動發現風險的能力。

相關技術中，一般通過基于ARIMA(Autoregressive?Integrated?Moving?AverageModel，自回歸移動平均模型)時序預測進行異常檢測，也即風險感知。

但是，上述方案適用于粗粒度(例如天粒度)的流量預估，對于細粒度(例如小時粒度)的短期流量的預測效果欠佳，而且無法自適應確認波動上下閾值，也無法擬合節假日特殊流量的波動，此外也沒有對異常波動指標進行根因分析。由此可見，相關技術中的異常檢測過程的時效性、覆蓋率較差。

發明內容

本發明實施例提供一種異常檢測方法、裝置、電子設備及存儲介質，以解決現有的異常檢測過程的時效性、覆蓋率較差的問題。

為了解決上述技術問題，本發明是這樣實現的：

第一方面，本發明實施例提供了一種異常檢測方法，包括：

針對預設的監控指標體系內包含的任一監控指標維度，獲取每個時間單位內，所述監控指標維度在每個指標屬性值時的數據量的真實值；

針對任一監控周期，根據所述監控周期之前預設時間段內的數據量的真實值，獲取所述監控周期內數據量的預測值和警報閾值范圍，所述預測值包括每個所述監控指標維度在每個指標屬性值時的數據量的預測值，所述警報閾值范圍包括所述監控周期內的全部數據量的警報閾值范圍；

響應于所述監控周期內全部數據量的真實值超出所述警報閾值范圍，根據所述監控周期內每個所述監控指標維度在每個指標屬性值時的數據量的預測值和真實值，通過多維度根因分析算法，獲取所述監控周期的多維度根因分析結果；

其中，所述監控周期為所述時間單位的整數倍，所述多維度根因分析結果包括至少一個指標維度組合，所述指標維度組合內包括多個指標屬性值，且每個所述指標屬性值所屬的監控指標維度不完全相同。

可選地，所述根據所述監控周期之前預設時間段內的數據量的真實值，獲取所述監控周期內數據量的預測值和警報閾值范圍的步驟，包括：

根據所述監控周期之前預設時間段內的數據量的真實值，通過時間序列模型Prophet，獲取所述監控周期內數據量的預測值和警報閾值范圍。

可選地，所述時間序列模型Prophet的輸入參數還包括所述監控周期的日期屬性，所述日期屬性包括所述監控周期是否屬于節假日、所述監控周期所屬的節假日類型中的至少一種。

可選地，所述警報閾值范圍還包括每個所述監控指標維度在每個指標屬性值時的數據量的警報閾值范圍，所述方法還包括：