[發明專利]一種標記監測指標的KPI曲線的波段特征的方法

有效

• 申請號: 202210292660.6
• 申請日: 2022-03-24
• 公開（公告）號: CN114386538B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 戴曦;徐沖;曾玄
• 申請（專利權）人: 三峽智控科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/06
• 代理公司: 武漢宇晨專利事務所(普通合伙) 42001
• 代理人: 龐寬

本發明公布了一種標記監測指標的KPI曲線的波段特征的方法，將KPI曲線分割為若干段等長的波段，根據波段的非時間維度聚類成多個簇，提取各個簇的基波，比較各個簇的各波段數據與基波的相似度，找出各個簇的分組邊界線，將各個簇的各波段數據分組，提取各簇中連續同類波段的總時間長度，取總時間長度的最大值作為滑動窗口寬度。該窗口用于分割KPI曲線，使分割后的各窗口中波段容易聚類歸類，利于將對整KPI曲線的迅速成由不同類型波段組成的波段鏈，然后對單獨監測指標的KPI曲線進行周期檢測和類型檢測標記標簽，再利用該窗口分割單獨的KPI曲線，利用基波KPI曲線內的波段進行分組加標簽。

技術領域

本發明涉及人工智能技術領域，尤其涉及標記監測指標的KPI曲線的波段特征的方法，基于圖像處理技術根據KPI曲線的周期和波段類型標記KPI曲線，輸出結果用于關聯同一系統的不同KPI曲線的。

背景技術

異常點檢測(又稱為離群點檢測)是找出其行為不同于預期對象的一個檢測過程，這些對象被稱為異常點或者離群點。異常檢測方式通常包括基于統計的模型、基于距離的模型、線性變換的模型、非線性變換的模型、機器學習的模型等。

KPI(key performance indicators)指的是對服務、系統等對象的監控指標 (如網絡中的延遲、吞吐量等)。其存儲的形式是按其發生的時間先后順序排列而成的數列，也就是我們通常所說的時間序列。時間序列的異常檢測就是通過歷史的數據分析，查看當前的數據是否發生了明顯偏離了正常的情況。KPI 數據異常檢測有著十分重要的意義：通過實時的監控KPI數據，發現KPI數據存在的異常，及時進行相應處理，從而保證應用的正常運行。

通過對KPI數據設置閾值來進行實時異常檢測的方法十分普遍，然而閾值的設置依賴用戶經驗，同時，隨著KPI數據逐漸增多，為每一條KPI數據配置若干閾值的方法就會耗費巨大的人力。因此KPI數據異常檢測應以免閾值設置、高度自動化為目標。

時間序列分解是探索時序變化規律的一種方法，主要探索周期性和趨勢性。基于周期、趨勢分解的時序分解算法主要有經典時序分解算法、Holt- Winters算法和STL算法。

傳統的時間序列預測方法往往針對一維時間序列本身建模，難以利用額外特征。相比之下，基于神經網絡的方法往往可以獲得更好的檢測結果。如利用變分自動編碼器(VAE)的Donut方法對單個時間序列建模(訓練)，將重建誤差較大的數據判斷為異常數據；DeepAR可以利用序列在每個時間步上取值的概率分布，從相關的時間序列中有效地學習全局模型，從而學習復雜的模式。此外，還有一些有監督的異常檢測方法，可以利用帶標記的樣本數據進行模型訓練，通常也可以獲得非常好的檢測結果。

在實際工作中，監控指標非常多，異常的種類也非常多。有很多時序數據分析的算法，往往適用場景不明確，人們往往并不清楚應該采用哪個算法、使用什么參數。此外，數據中可能還有缺失，處理不當就會導致異常檢測準確率很低。

傳統機器學習主要分為監督學習和非監督學習兩類，以數據級是否有標簽進行區分。近年來為了降低成本，又開發了盡可能減少的人工投入的方法被稱為弱監督模型，能夠盡可能的減少人工標注的使用，主要有三種類型：不完全監督、不確切監督、不準確監督。分別針對部分數據標注，粗顆粒度標注以及混入錯誤標注的應用場景。