[發明專利]一種智能IT運維系統的KPI異常預警方法

有效

• 申請號: 202111365867.3
• 申請日: 2021-11-18
• 公開（公告）號: CN113806615B
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 張誠;劉進;楊瀚
• 申請（專利權）人: 成都索貝數碼科技股份有限公司
• 主分類號: G06F16/951
• 分類號: G06F16/951;G06F16/9537
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 孫元偉

本發明公開了一種智能IT運維系統的KPI異常預警方法，包括步驟：S1，確定相鄰時間異常數據，并將相鄰時間異常數據組成異常數據組；S2，確定異常數據過渡過程時間組；S3，計算步驟S2中異常數據過渡過程時間組起始時間點內的趨勢波動點；S4，基于步驟S2、S3的數據，計算并記錄趨勢信息和最值趨勢信息；S5，利用步驟S4中的趨勢信息和最值趨勢信息，在實時異常預警中判斷實時數據是否發生異常。本發明既能夠準確的學習歷史異常數據的趨勢信息，又能夠避免人為進行大量的特征工程，對于保證IT設備異常預測的準確率、減輕人工工作量，具有十分重要的作用。

技術領域

本發明涉及智能IT運維系統KPI異常預測領域，更為具體的，涉及一種智能IT運維系統的KPI異常預警方法。

背景技術

近年來，隨著各行業的業務的不斷發展，越來越多的IT設備投入到各行業生產環境中。IT設備是否正常運行，直接關系到業務系統是否正常運轉。目前，已經有許多KPI（KeyPerformance Indicators）異常檢測算法已經應用到IT設備故障檢測當中。但是KPI異常檢測算法必須是在異常發生之后才能發揮作用，并不能預測未來是否可能會發生異常。此時雖然能夠正確的檢測到故障的發生，但是已經對業務造成了影響。因此，能否準確的預測IT設備未來是否可能會發生異常，讓運維人員盡早干預，對于維持業務系統持續不斷的正常運轉，具有重要的作用。

由于IT設備KPI通常都是時序數據，因此在常規的異常預測算法中，將其理解為一個時序數據預測問題，然后采用傳統時序預測算法（如：Holt-Winters、STL、ARIMA）進行預測。傳統時序預測算法將時間序列分解為趨勢性、周期性，通過歷史時序數據的趨勢性預測未來時間的數據。因此，當時序數據無明顯的趨勢性、時，傳統時序預測算法會出現較大誤差。

另外一種異常預測思路，使用決策樹算法學習歷史時序數據中曾出現的異常趨勢。在對原始時序數據進行充分的特征工程之后（如：同比、環比等特征構造法），使用有監督學習的決策樹算法，可以很好的學習到歷史異常發生時的趨勢信息。但是決策樹算法非常依賴大量的特征工程，特征工程的效果往往決定了異常預測效果的優劣，因此也限制了決策樹算法在異常預測中的應用。

發明內容

本發明的目的在于克服現有技術的不足，提供一種智能IT運維系統的KPI異常預警方法，既能夠準確的學習歷史異常數據的趨勢信息，又能夠避免人為進行大量的特征工程，對于保證IT設備異常預測的準確率、減輕人工工作量，具有十分重要的作用等。

本發明的目的是通過以下方案實現的：

一種智能IT運維系統的KPI異常預警方法，包括步驟：

S1，確定相鄰時間異常數據，并將相鄰時間異常數據組成異常數據組；

S2，確定異常數據過渡過程時間組；

S3，計算步驟S2中異常數據過渡過程時間組起始時間點內的趨勢波動點；

S4，基于步驟S2、S3的數據，計算并記錄趨勢信息和最值趨勢信息；

S5，利用步驟S4中的趨勢信息和最值趨勢信息，在實時異常預警中判斷實時數據是否發生異常。

進一步地，步驟S1包括子步驟：

S101，設定閾值K，將歷史KPI數據與閾值K對比，大于等于K的標記為1，小于K的標記為0；

S102，遍歷歷史KPI數據，找到當前時間點為1的數據即異常數據，且前一個時間點為0即正常數據的入點時間，并記錄到時間序列time1_pre；

S103，遍歷歷史KPI數據，找到當前時間點為1即異常數據，且后一個時間點為0即正常數據的出點時間，并記錄到時間序列time1_last；