CN114116397A - 一种监控指标的预警归因方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能领域，公开了一种监控指标的预警归因方法、装置、设备及存储介质，该方法包括：根据目标预测模型以及历史指标值，预测得到目标监控指标在预测时间段的数值范围；在确定目标监控指标在预测时间段内的实际指标值未落入数值范围时，生成目标预警信息；逐级回溯目标监控指标关联的多个依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各依赖指标的依赖指标值，并确定异常依赖链；通过预测目标监控指标的数值范围，以判断目标监控指标是否异常，可以满足业务的更新速度和日益增长的监控指标；通过在生成目标预警信息的同时，确定对应的异常依赖链，可以使得业务和分析人员直观地实时了解预警的影响范围和严重程度。

Description

一种监控指标的预警归因方法、装置、设备及存储介质

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种监控指标的预警归因方法、装置、设备及存储介质。

背景技术

随着大数据时代的来临，海量数据为公司带来收益的同时，也为企业带来了挑战。对数据异常的有效监控预警，对异常业务指标的快速准确识别，以及对数据异常的归因分析和及时解决对企业而言尤为重要。

目前，现有的数据监控预警方法，通常使用机器学习和深度学习模型对数据进行监控，并基于预设阈值和规则进行数据异常判断。然而，在现有技术中，随着业务的不断变化和更新，需要大量人工对预设阈值和规则进行维护，无法满足业务的更新速度和日益增长的监控指标。其次，在数据指标发出预警后，仅能提供数据异常的结果，缺少可视化的数据表和字段间的依赖关系链，无法直观地让业务和分析人员实时了解报警的影响范围和严重程度。

发明内容

本发明实施例提供一种监控指标的预警归因方法、装置、设备及存储介质，可以满足业务的更新速度和日益增长的监控指标，可以使得业务和分析人员直观地实时了解预警的影响范围和严重程度。

第一方面，本发明实施例提供了一种监控指标的预警归因方法，包括：

根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

第二方面，本发明实施例还提供了一种监控指标的预警归因装置，包括：

数值范围预测模块，用于根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

目标预警信息生成模块，用于获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

依赖指标值获取模块，用于逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

异常依赖链确定模块，用于根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行本发明任意实施例提供的监控指标的预警归因方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的监控指标的预警归因方法。

本发明实施例提供的技术方案，根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到目标监控指标在预测时间段的数值范围；获取目标监控指标在预测时间段内的实际指标值，并在确定实际指标值未落入数值范围时，生成目标监控指标对应的目标预警信息；逐级回溯目标监控指标关联的多个依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各依赖指标分别对应的依赖指标值；根据各依赖指标值中的异常依赖指标值，确定目标监控指标对应的异常依赖链；通过预测目标监控指标的数值范围，以判断目标监控指标是否异常，可以满足业务的更新速度和日益增长的监控指标；通过在生成对应的目标预警信息的同时，确定对应的异常依赖链，可以使得业务和分析人员直观地实时了解预警的影响范围和严重程度。

附图说明

图1是本发明一实施例提供的一种监控指标的预警归因方法的流程图；

图2是本发明另一实施例提供的一种监控指标的预警归因方法的流程图；

图3是本发明另一实施例提供的一种监控指标的预警归因装置的结构示意图；

图4是本发明另一实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。

应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

图1为本发明一实施例提供的一种监控指标的预警归因方法的流程图，本发明实施例可适用于基于目标预测模型对目标监控指标进行异常检测的情况，该方法可以由监控指标的预警归因装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电子设备中，典型的，可以集成在计算机设备或者服务器中。

如图1所示，该方法具体包括如下步骤：

S110、根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围。

在本实施例中，可以根据实际的监控需要，为需要进行监控预警的目标监控指标，预先建立一个匹配的目标预测模型，用于预测得到一个预测时间段内，例如，一天、一周或者一月，该目标监控指标的指标值的上下界(最小值和最大值)。进而，可以预测得到该监控指标在该预测时间段内合理指标值的数值范围。例如，如果预测得到目标监控指标在预测时间段内对应的最小值为A，最大值为B，则可以确定该目标监控指标在预测时间段内的数值范围为[A,B]。

相应的，该目标预测模型的输入为目标监控指标在多个历史时间段内(例如，最近30天，最近60天或者最近一年等)的历史指标值，输出为目标监控指标在预测时间段(例如，当天或者明天)的数值范围。其中，历史指标值，是指目标监控指标在历史时间段内的指标值。

可选的，本发明实施例的技术方案所适用的预警场景可以为大数据平台预警；其中，大数据平台每间隔设定时长(例如，5分钟，或者10分钟等)从不同数据源拉取得到基础源头数据，通过对该基础源头数据进行数据加工、处理以及至少一级计算，针对多个数据指标计算得到相应的指标值。

相应的，考虑到监控指标的预警场景，目标预测模型可以使用时间序列预测模型，所谓时间序列预测模型，是指利用过去一段时间内某事件的时间特征来预测未来一段时间内该事件的特征。具体的，可以选择的时间序列预测模型可以为xgboost模型，随机森林模型或者SVM模型等，本实施例对此并不进行限制。

其中，技术人员可以根据实际经验，设置该目标预测模型中包括的各项运行参数，还可以使用预设的模型优化算法，根据目标监控指标在不同历史时间段内的历史指标值，自适应学习得到。

S120、获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息。

在本实施例中，在确定该目标监控指标在该预测时间内的实际指标值并未落入合理指标值所在的数值范围时，说明计算得到该目标监控指标时所使用的一项或者多项数据发生数据异常，进而，需要生成与该目标监控指标对应的目标预警信息。

其中，该目标预警信息中可以包括：目标监控指标的实际指标值、匹配的数值范围，以及指标值偏离比例等信息。

S130、逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值。

在一个具体的例子中，假设该目标监控指标为车均定损金额，上述指标一般通过车辆定损总金额/车辆总数量计算得到；由此，在确定该车均定损金额远远超过匹配的数值范围中的上限值时，说明全部车辆的定损总金额发生异常。进而，需要分别获取每个车辆的车辆定损金额，并在其中定位发生车辆定损金额过高的一家定损公司，进而最终可以定位至最终的异常源头，也即预警归因。

相应的，为了实现上述预警归因，本发明实施例综合考虑到大数据平台预警的具体场景，可以预先建立不同监控指标之间的依赖关系，例如，车均定损金额依赖车辆定损总金额，车辆定损总金额依赖车辆A定损总金额、车辆B定损总金额、……、车辆N定损金额，车辆A定损总金额和车辆B定损总金额依赖定损公司A提供的基础源头数据等。

在确定目标监控指标发生异常，并生成相应预警信息时，可以基于上述依赖关系，进行逐级回溯，确定出用于生成该目标监控指标所需依赖的全部依赖指标，并最终可以定位得到上述异常的产生原因，例如，定损公司A对车辆的定损偏高。

S140、根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

在本实施例中，在确定与该目标监控指标对应的全部依赖指标后，为了最终定位异常产生原因，需要分别获取与每个依赖指标分别对应的指标值(也即，依赖指标值)。并可以根据历史经验数据，确定出哪些依赖指标值属于异常依赖指标值；进而，可以根据与各异常依赖指标值对应的异常依赖指标，串联得到与该目标监控指标对应的异常依赖链。

续前例，与“车均定损金额”对应的异常依赖链可以为：“车均定损金额-》车辆定损总金额-》车辆A定损总金额”以及“车均定损金额-》车辆定损总金额-》车辆B定损总金额”。

通过上述设置，可以实现根据预警信息，分析影响数据异常的因素，不会让用户盲目的排查错误，耽误后续业务的使用。此外，通过实时展示该异常依赖链，可以使得用户及时了解预警信息的影响范围和严重性。

在本实施例的一个可选的实施方式中，在根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链之后，还可以包括：将所述目标预警信息、所述异常依赖链，以及所述异常依赖链匹配的基础源头数据的数据提供方进行用户提示。

其中，续前例，若异常依赖链为“车均定损金额-》车辆定损总金额-》车辆A定损总金额”，车辆A定损总金额依赖定损公司A提供的基础源头数据，则可以确定异常依赖链对应的基础源头数据的数据提供方即为定损公司A。

在本实施例中，通过将目标预警信息、异常依赖链以及对应的基础源头数据的数据提供方共同进行用户提示，使得用户可以更加清晰直观的了解预警的影响范围和严重程度，同时可以给出排查数据错误的引导信息，使用户有针对性的排查异常源头，提升数据异常的修复效率。

在本实施例的另一个可选的实施方式中，在根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链之后，还可以包括：获取在预设监控时间段内生成的至少一个预警信息；根据各预警信息中的预警监控指标，计算与各预警信息分别对应的至少一项关联性描述特征；根据各所述关联性描述特征，对各所述预警信息进行聚类处理，并以聚类簇的形式，将各所述预警信息进行分组提示。其中，预设监控时间段，为预先设置的监控指标预警检测时间范围，例如，预设监控时间段可以为一天或者一月等。

在本实施例中，可以采集预设监控时间段内生成的多个预警信息，并分别计算每个预警信息的预警监控指标之间的关联性描述特征；关联性描述特征用于表示不同预警监控指标之间的关联性或者相似性，例如，关联性描述特征可以是预警监控指标的指标值变化曲线之间的曲线相似度。进一步的，可以将对应关联性描述特征非常接近的预警信息作为一个类，实现对预警信息的聚类处理。

其中，聚类，是指将物理或抽象对象的集合划分为由类似的对象组成的多个类；具体的，聚类可以为高斯混合模型(Gaussian Mixture Mode，GMM)聚类；聚类簇，是指一组对象数据的集合；可以理解的是，同一聚类簇中的对象彼此相似，与其他聚类簇的对象相异。

在本实施例中，以GMM聚类为例；首先，假设预设监控时间段内的预警信息是以参数α为比例的k类数据的汇总，且每类数据符合高斯分布。然后，利用极大似然法求解出参数α，以及每类高斯分布的均值向量和协方差矩阵。最后通过贝叶斯算法，根据各预警信息的关联性描述特征，确定各预警信息该匹配的分类簇，并以每个聚类簇为单位总结预警信息输出给用户。

这样设置的好处在于：在较短时间内的预警信息较多时，通过对大量的预警信息进行关联汇总，可以避免用户陷入预警洪流，可以快速有效定位到实际问题的位置。

其中，与预警信息对应的关联性描述特征包括下述至少一项：

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标之间的共现性；预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线相似度；预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线变化趋势相似度；预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的异常依赖链之间的相似度。

其中，预警信息中的预警监控指标与监控时间段内其余各预警信息中的预警监控指标之间的共现性，是指不同预警信息中的预警监控指标相同。在本实施例中，可以通过欧式距离或者余弦相似度计算方法，计算不同预警监控指标的指标值变化曲线之间的曲线相似度，不同预警监控指标的指标值变化曲线之间的曲线变化趋势相似度以及与不同预警监控指标的异常依赖链之间的相似度。

在一个具体的例子中，如果需要计算与预警信息A中的预警监控指标与监控时间段内其余各预警信息(例如，预警信息B、预警信息C以及预警信息D)中的预警监控指标之间的共现性时，可以构建一个用于描述该共现性的共线性向量，该共线性向量中的某一个向量元素，用于描述预警监控指标A与监控时间段内其余各预警信息中的一个预警信息(例如，预警信息B)中的预警监控指标是否相同的结果，如果两者相同，该向量元素可以设置为1，如果两者不同，该向量元素可以设置为0。进而，可以得到与预警信息A对应的共现性向量，相类似的，针对每一个预警信息，还可以得到用于描述该预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线相似度的第一相似度向量，用于描述该预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线变化趋势相似度的第二相似度向量，以及用于描述该预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的异常依赖链之间的相似度的第三相似度向量，进而，在得到与每个预警信息分别对应的上述四个向量后，可以通过向量聚类的方式，将各所述预警信息进行聚类处理，将各所述预警信息进行分组。

本发明实施例提供的技术方案，根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到目标监控指标在预测时间段的数值范围；获取目标监控指标在预测时间段内的实际指标值，并在确定实际指标值未落入数值范围时，生成目标监控指标对应的目标预警信息；逐级回溯目标监控指标关联的多个依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各依赖指标分别对应的依赖指标值；根据各依赖指标值中的异常依赖指标值，确定目标监控指标对应的异常依赖链；通过预测目标监控指标的数值范围，以判断目标监控指标是否异常，可以满足业务的更新速度和日益增长的监控指标；通过在生成对应的目标预警信息的同时，确定对应的异常依赖链，可以使得业务和分析人员直观地实时了解预警的影响范围和严重程度。

图2为本发明又一实施例提供的一种监控指标的预警归因方法的流程图，本实施例以上述实施例为基础，在本实施例中，在对目标监控指标进行监控预警之前，预先建立目标监控指标对应的目标预测模型。如图2所示，该方法具体包括如下步骤：

S210、获取标准时间序列预测模型。

其中，标准时间序列预测模型可以包括：数据非周期性变化拟合函数、数据周期性变化拟合函数、非固定周期的节假日对数据影响的拟合函数以及误差拟合函数；各拟合函数包括至少一个待调试运行参数。

S220、根据目标监控指标在多个历史时间段内的历史指标值，以及贝叶斯优化算法，对各所述待调试运行参数进行调参处理，形成与所述目标监控指标对应的目标预测模型。

具体的，该标准时间序列模型可以使用市面上已经开源，且性能较好的Fbprophet模型，该Fbprophet模型本身可以处理异常值和部分缺失值的情况。其中，Fbprophet模型函数y(t)由4部分组成，y(t)＝g(t)+s(t)+h(t)+∈_t，其中，g(t)表示拟合数据的非周期性变化，s(t)表示周期性变化，h(t)表示非固定周期的节假日对数据造成的影响，∈_t是误差项，表示模型未预测到的异常波动。数据分析员可以针对不同类型的业务数据在模型中引入背景知识，例如：周期性，季节性，节假日因素，趋势转折点等。

这样设置的好处在于：通过使用该Fbprophet模型作为标准时间序列预测模型，可以帮助用户在无经验的情况下，针对不同业务的不同监控指标自适应训练得到有效的目标预测模型，兼容缺失值和异常值，也支持专业人士针对熟悉的监控指标，引入背景知识，生成更加准确的运行参数，扩展性强。

在本实施例中，通过使用贝叶斯优化算法为Fbprophet模型的待调试运行参数进行调参处理，以选择最佳的运行参数，最终生成与目标监控指标匹配的目标预测模型，可以在无业务背景知识的前提下，自动学习得到适合当前数据的模型参数，避免开发人员陷入循环调参黑洞。

需要再次强调的是，本发明实施例的技术方案不再为该目标监控指标设置一个固定的指标值门限值，并通过与该门限值的比较，确定是否对该目标监控指标预警；而是通过训练一个与该目标监控对应的目标预测模型，由该目标预测模型，实时根据最新生成的历史指标值，去动态预测得到目标监控指标在预测时间段的数据范围。也即，相当于提出了一种动态形成指标值门限值的技术方案。

这样设置的好处在于：在监控指标繁多，且指标值的变化速度快、变化程度强的场景中，无需引入任何人力成本，通过目标预测模型的动态学习，可以动态更新出准确有效的目标监控指标的数值范围。

S230、根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围。

S240、获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息。

S250、分别采集各数据库字段对应的数据库查询语句，根据所述各数据库查询语句，建立多个数据库字段之间，以及数据库字段与数据表之间的依赖关系，并根据所述各依赖关系生成依赖关系表。

在本实施例中，在逐级回溯目标监控指标关联的依赖指标之前，还可以预先建立依赖关系表。具体的，首先确定各数据库字段对应的数据库查询语句；然后，通过解析该数据查询语句，可以确定出多个数据库字段之间，以及数据库字段与数据表之间的依赖关系；最终，将获取的多个依赖关系存储至依赖关系表。其中，数据表是存储基础源头数据的表格。

在本实施例的一个可选的实施方式中，用户可以通过预设的数据库查询语句，获取设定数据库字段的字段值，例如，如果用户可以通过构建数据库查询语句，获取车辆定损总金额这一数据库字段的字段值除以车辆总数量的计算结果作为车均定损金额这一数据库字段的字段值，进而，通过解析上述构建数据库查询语句，可以建立车均定损金额与辆定损总金额之间的依赖关系。

又例如，通过构建数据库查询语句，可以查询定损公司A提供的数据表X，获取车辆A的车辆定损金额这一数据库字段的字段值，进而，通过解析上述构建数据库查询语句，可以建立车辆A的车辆定损金额与数据表X之间的依赖关系。

S260、将所述目标监控指标作为当前处理指标，并查询所述依赖关系表，判断是否存储与所述当前处理指标匹配的第一目标数据库字段。

S270、若是，则将获取的第一目标数据库字段确定为一个依赖字段，并继续查询所述依赖关系表，检测是否存在与所述各第一目标数据库字段匹配且由基础源头数据形成的目标数据表。

S280、若确定所述第一目标数据库字段中的第二目标数据库字段不存在匹配的目标数据表，则将各所述第二目标数据库字段作为当前的处理指标。

其中，在对依赖关系表进行匹配查找时，首先获取与将目标监控指标作为当前处理指标匹配的第一目标数据库字段；当确定第一目标数据库字段中的部分数据库字段，即第二目标数据库字段无法找到匹配的由基础源头数据形成的目标数据表时，表示第二目标数据库字段与基础源头数据之间还包括至少一次处理或计算；此时，采用各第二目标数据库字段作为当前的处理指标，并根据当前的处理指标继续查找后续匹配的数据库字段。

值的注意的是，该当前的处理指标与原始的当前处理指标不同；该当前的处理指标对应各第二目标数据库字段，原始的当前处理指标对应目标监控指标。

S290、针对每个所述当前的处理指标，返回执行根据处理指标查询依赖关系表的操作，直至完成对全部当前的处理指标的处理，获取各所述依赖指标分别对应的依赖指标值。

在本实施例中，针对各当前的处理指标，返回执行步骤S270，直至匹配的第一目标数据库字段均存在匹配的数据表，获取目标监控指标匹配的全部依赖指标，并根据对应的数据库字段内容获取各依赖指标对应的依赖指标值。

S2100、根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

在本实施例的一个可选的实施方式中，根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链，可以包括：获取各所述依赖指标分别对应的历史指标均值，并将与匹配的历史指标均值之间的差异值超过预设门限阈值的依赖指标值确定为异常依赖指标值；获取各所述异常依赖指标值分别对应的异常依赖指标，并以所述目标监控指标为起点，根据各异常依赖指标之间的依赖关系，形成所述异常依赖链。

其中，历史指标均值，可以是一个或者多个历史时间段的历史指标值的平均值。预设门限阈值，为预先设置的，异常依赖指标值的判断阈值。

在本实施例中，在根据依赖指标值确定异常依赖链时，可以首先获取每个依赖指标对应的依赖指标值和历史指标均值的差值，作为两者的差异值；然后，将对应差异值大于预设门限阈值的依赖指标值确定为异常依赖指标值，并确定每个异常依赖指标值对应的依赖指标，作为异常依赖指标；最终，以目标监控指标为起点，按照各异常依赖指标的依赖关系，形成异常依赖链。

本发明实施例提供的技术方案，通过获取标准时间序列预测模型，并根据目标监控指标在多个历史时间段内的历史指标值，以及贝叶斯优化算法，对各待调试运行参数进行调参处理，形成与目标监控指标对应的目标预测模型，进而获取目标预测模型预测的目标监控指标在预设时间段的数值范围；当检测到实际指标值未落入数值范围时，生成目标监控指标对应的目标预警信息；进一步的，查询预先建立的依赖关系表，在确定存储有与当前处理指标匹配的第一目标数据库字段时，检测是否存在与各第一目标数据库字段匹配的，由基础源头数据形成的目标数据表；若确定第一目标数据库字段中的第二目标数据库字段不存在匹配的目标数据表，则将各第二目标数据库字段作为当前的处理指标，并返回执行根据处理指标查询依赖关系表的操作，直至完成对全部当前的处理指标的处理，获取各依赖指标分别对应的依赖指标值，并根据各依赖指标值中的异常依赖指标值，确定目标监控指标对应的异常依赖链；可以实现对目标预测模型的自动调参处理，可以适用于指标值的变化速度快、变化程度强的场景；通过目标预测模型的动态学习，可以动态更新出准确有效的目标监控指标的数值范围，满足不断更新的业务需求。

图3为本发明另一实施例提供的一种监控指标的预警归因装置的结构示意图。如图3所示，该装置包括：数值范围预测模块310、目标预警信息生成模块320、依赖指标值获取模块330和异常依赖链确定模块340。其中，

数值范围预测模块310，用于根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

目标预警信息生成模块320，用于获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

依赖指标值获取模块330，用于逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

异常依赖链确定模块340，用于根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

本发明实施例提供的技术方案，根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到目标监控指标在预测时间段的数值范围；获取目标监控指标在预测时间段内的实际指标值，并在确定实际指标值未落入数值范围时，生成目标监控指标对应的目标预警信息；逐级回溯目标监控指标关联的多个依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各依赖指标分别对应的依赖指标值；根据各依赖指标值中的异常依赖指标值，确定目标监控指标对应的异常依赖链；通过预测目标监控指标的数值范围，以判断目标监控指标是否异常，可以满足业务的更新速度和日益增长的监控指标；通过在生成对应的目标预警信息的同时，确定对应的异常依赖链，可以使得业务和分析人员直观地实时了解预警的影响范围和严重程度。

可选的，在上述技术方案的基础上，所述监控指标的预警归因装置，还包括：

依赖关系表生成模块，用于分别采集各数据库字段对应的数据库查询语句，根据所述各数据库查询语句，建立多个数据库字段之间，以及数据库字段与数据表之间的依赖关系，并根据所述各依赖关系生成依赖关系表；

依赖指标值获取模块330，包括：

依赖关系表查询单元，用于将所述目标监控指标作为当前处理指标，并查询所述依赖关系表，判断是否存储与所述当前处理指标匹配的第一目标数据库字段；

若是，则将获取的第一目标数据库字段确定为一个依赖字段，并继续查询所述依赖关系表，检测是否存在与所述各第一目标数据库字段匹配且由基础源头数据形成的目标数据表；

当前处理指标更新单元，用于若确定所述第一目标数据库字段中的第二目标数据库字段不存在匹配的目标数据表，则将各所述第二目标数据库字段作为当前的处理指标；

针对每个所述当前的处理指标，返回执行根据处理指标查询依赖关系表的操作，直至完成对全部当前的处理指标的处理。

可选的，在上述技术方案的基础上，异常依赖链确定模块340，包括：

异常依赖指标值确定单元，用于获取各所述依赖指标分别对应的历史指标均值，并将与匹配的历史指标均值之间的差异值超过预设门限阈值的依赖指标值确定为异常依赖指标值；

异常依赖链形成单元，用于获取各所述异常依赖指标值分别对应的异常依赖指标，并以所述目标监控指标为起点，根据各异常依赖指标之间的依赖关系，形成所述异常依赖链。

可选的，在上述技术方案的基础上，所述监控指标的预警归因装置，还包括：

数据提示模块，用于将所述目标预警信息、所述异常依赖链，以及所述异常依赖链匹配的基础源头数据的数据提供方进行用户提示。

可选的，在上述技术方案的基础上，所述监控指标的预警归因装置，还包括：

预警信息获取模块，用于获取在预设监控时间段内生成的至少一个预警信息；

关联性描述特征获取模块，用于根据各预警信息中的预警监控指标，计算与各预警信息分别对应的至少一项关联性描述特征；

聚类处理模块，用于根据各所述关联性描述特征，对各所述预警信息进行聚类处理，并以聚类簇的形式，将各所述预警信息进行分组提示。

可选的，在上述技术方案的基础上，与预警信息对应的关联性描述特征包括下述至少一项：

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标之间的共现性；

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线相似度；

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线变化趋势相似度；

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的异常依赖链之间的相似度。

可选的，在上述技术方案的基础上，所述监控指标的预警归因装置，还包括：

标准时间序列预测模型获取模块，用于获取标准时间序列预测模型；

其中，所述标准时间序列预测模型包括：数据非周期性变化拟合函数、数据周期性变化拟合函数、非固定周期的节假日对数据影响的拟合函数以及误差拟合函数；各拟合函数包括至少一个待调试运行参数；

目标预测模型形成模块，用于根据目标监控指标在多个历史时间段内的历史指标值，以及贝叶斯优化算法，对各所述待调试运行参数进行调参处理，形成与所述目标监控指标对应的目标预测模型。

上述装置可执行本发明前述实施例所提供的监控指标的预警归因方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

图4为本发明另一实施例提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器410、存储器420、输入装置430和输出装置440；电子设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；电子设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例中的一种监控指标的预警归因方法对应的程序指令/模块(例如，一种监控指标的预警归因装置中的数值范围预测模块310、目标预警信息生成模块320、依赖指标值获取模块330和异常依赖链确定模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的任意一种监控指标的预警归因方法。也即，该程序被处理器执行时实现：

根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。输入装置430可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘和鼠标等。输出装置440可包括显示屏等显示设备。

可选的，该电子设备可以为服务器，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述方法。当然，本发明实施例所提供的一种计算机可读存储介质，其可以执行本发明任意实施例所提供的一种监控指标的预警归因方法中的相关操作。也即，该程序被处理器执行时实现：

根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述一种监控指标的预警归因装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种监控指标的预警归因方法，其特征在于，包括：

根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

2.根据权利要求1所述的方法，其特征在于，在逐级回溯所述目标监控指标关联的依赖指标之前，还包括：

分别采集各数据库字段对应的数据库查询语句，根据所述各数据库查询语句，建立多个数据库字段之间，以及数据库字段与数据表之间的依赖关系，并根据所述各依赖关系生成依赖关系表；

逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，包括：

将所述目标监控指标作为当前处理指标，并查询所述依赖关系表，判断是否存储与所述当前处理指标匹配的第一目标数据库字段；

若是，则将获取的第一目标数据库字段确定为一个依赖字段，并继续查询所述依赖关系表，检测是否存在与各所述第一目标数据库字段匹配且由基础源头数据形成的目标数据表；

若确定所述第一目标数据库字段中的第二目标数据库字段不存在匹配的目标数据表，则将各所述第二目标数据库字段作为当前的处理指标；

针对每个所述当前的处理指标，返回执行根据处理指标查询依赖关系表的操作，直至完成对全部当前的处理指标的处理。

3.根据权利要求2所述的方法，其特征在于，根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链，包括：

获取各所述依赖指标分别对应的历史指标均值，并将与匹配的历史指标均值之间的差异值超过预设门限阈值的依赖指标值确定为异常依赖指标值；

获取各所述异常依赖指标值分别对应的异常依赖指标，并以所述目标监控指标为起点，根据各异常依赖指标之间的依赖关系，形成所述异常依赖链。

4.根据权利要求1所述的方法，其特征在于，在根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链之后，还包括：

将所述目标预警信息、所述异常依赖链，以及所述异常依赖链匹配的基础源头数据的数据提供方进行用户提示。

5.根据权利要求1所述的方法，其特征在于，在根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链之后，还包括：

获取在预设监控时间段内生成的至少一个预警信息；

根据各预警信息中的预警监控指标，计算与各预警信息分别对应的至少一项关联性描述特征；

根据各所述关联性描述特征，对各所述预警信息进行聚类处理，并以聚类簇的形式，将各所述预警信息进行分组提示。

6.根据权利要求5所述的方法，其特征在于，与预警信息对应的关联性描述特征包括下述至少一项：

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标之间的共现性；

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线相似度；

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的指标值变化曲线之间的曲线变化趋势相似度；

预警信息中的预警监控指标与所述监控时间段内其余各预警信息中的预警监控指标的异常依赖链之间的相似度。

7.根据权利要求1所述的方法，其特征在于，在根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围之前，还包括：

获取标准时间序列预测模型；

其中，所述标准时间序列预测模型包括：数据非周期性变化拟合函数、数据周期性变化拟合函数、非固定周期的节假日对数据影响的拟合函数以及误差拟合函数；各拟合函数包括至少一个待调试运行参数；

根据目标监控指标在多个历史时间段内的历史指标值，以及贝叶斯优化算法，对各所述待调试运行参数进行调参处理，形成与所述目标监控指标对应的目标预测模型。

8.一种监控指标的预警归因装置，其特征在于，包括：

数值范围预测模块，用于根据目标预测模型对目标监控指标在多个历史时间段内的历史指标值进行预测，得到所述目标监控指标在预测时间段的数值范围；

目标预警信息生成模块，用于获取目标监控指标在预测时间段内的实际指标值，并在确定所述实际指标值未落入所述数值范围时，生成所述目标监控指标对应的目标预警信息；

依赖指标值获取模块，用于逐级回溯所述目标监控指标关联的依赖指标，直至定位至由基础源头数据计算得到的依赖指标，获取各所述依赖指标分别对应的依赖指标值；

异常依赖链确定模块，用于根据各所述依赖指标值中的异常依赖指标值，确定所述目标监控指标对应的异常依赖链。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个计算机程序；

当所述一个或多个计算机程序被所述一个或多个处理器执行，使得所述一个或多个处理器执行所述计算机程序时实现如权利要求1-7中任一所述的监控指标的预警归因方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一所述的监控指标的预警归因方法。

Images