CN116048915A - 一种指标异常的监控方法及装置、电子设备、存储介质 - Google Patents

Abstract

本申请公开了一种指标异常的监控方法及装置、电子设备、存储介质，所述方法包括：实时获取目标系统的当前CPU使用率以及所述目标系统的标签信息；基于所述目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出所述目标系统对应的异常检测模型；其中，各个所述异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到；利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常；若检测出所述目标系统的当前CPU使用率异常，则至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警。

Description

一种指标异常的监控方法及装置、电子设备、存储介质

技术领域

本申请涉及系统状态监控技术领域，特别涉及一种指标异常的监控方法及装置、电子设备、存储介质。

背景技术

随着信息技术的不断发展，系统承载的业务日益复杂、资源规模日趋庞大，所以对于系统监控能力提出了更高的要求。对于系统的运行状态的监控，主要是通过对各类监控指标进行监控实现的。而CPU使用率则为监控系统状态的重要指标之一。

当前对于CPU使用率的监控，主要是由运维人员依据经验，采用设置固定的阈值的方式进行监控，即实时采集CPU使用率，并通过将CPU使用率与设定的阈值进行对比，确定CPU使用率是否存在异常。若存在异常则及时进行告警。

但是在实际的生产环境中，不同的服务器系统的用途不同，所以其CPU使用率的表征也存在较大的差异，所以采用单一的，根据经验设定的阈值进行对比的方式，容易出现大量的误报或漏报的情况。

发明内容

基于上述现有技术的不足，本申请提供了一种指标异常的监控方法及装置、电子设备、存储介质，以解决现有的监控方法容易出现误报或漏报的问题。

为了实现上述目的，本申请提供了以下技术方案：

本申请第一方面提供了一种指标异常的监控方法，包括：

实时获取目标系统的当前CPU使用率以及所述目标系统的标签信息；

基于所述目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出所述目标系统对应的异常检测模型；其中，各个所述异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到；

利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常；

若检测出所述目标系统的当前CPU使用率异常，则至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警。

可选地，在上述的指标异常的监控方法中，所述目标系统对应的异常检测模型的构建方法，包括：

获取所述目标系统的离线日志数据；

对所述目标系统的离线日志数据进行结构化转换，得到所述目标系统的标签信息以及所述目标系统的历史CPU使用率时序数据；

检测所述目标系统的历史CPU使用率时序数据是否符合正态分布；

若检测出所述目标系统的历史CPU使用率时序数据符合正态分布，则通过对所述目标系统的历史CPU使用率时序数据进行离群值分析，构建所述目标系统对应的异常检测模型；

若检测出所述目标系统的历史CPU使用率时序数据不符合正态分布，则利用孤立森林算法检测出所述目标系统的历史CPU使用率时序数据中的异常值，并将所述异常值从所述目标系统的历史CPU使用率时序数据中移除；

通过对移除所述异常值后的所述目标系统的历史CPU使用率时序数据进行波动率分析，构建所述目标系统对应的异常检测模型。

可选地，在上述的指标异常的监控方法中，所述检测所述目标系统的历史CPU使用率时序数据是否符合正态分布之前，还包括：

根据所述目标系统的历史CPU使用率时序数据中的数据缺失比例，对所述目标系统的历史CPU使用率时序数据中的缺失数据进行填补；

对填补后的所述目标系统的历史CPU使用率时序数据进行降采样处理，以统一所述目标系统的历史CPU使用率时序数据中的数据的时间间隔。

可选地，在上述的指标异常的监控方法中，所述通过对所述目标系统的历史CPU使用率时序数据进行离群值分析，构建所述目标系统对应的异常检测模型，包括：

提取所述目标系统的历史CPU使用率时序数据的均值和方差；

将所述均值减去所述方差与预设参数的乘积，得到最小离群值检测因子，以及将所述均值加上所述方差与所述预设参数的乘积，得到最大离群值检测因子；

利用所述最小离群值检测因子以及所述最大离群值检测因子，构建所述目标系统对应的离群判断条件；其中，所述目标系统对应的离群判断条件为小于所述最小离群值检测因子或大于所述最大离群值检测因子；

至少将所述目标系统对应的离群判断条件以及所述目标系统的标签信息共同组成所述目标系统对应的异常检测模型。

可选地，在上述的指标异常的监控方法中，所述通过对移除所述异常值后的所述目标系统的历史CPU使用率时序数据进行波动率分析，构建所述目标系统对应的异常检测模型，包括：

提取移除所述异常值后的所述目标系统的历史CPU使用率时序数据的极小百分位数、极大百分位数、第一四分位数以及第三四分位数；

将所述第一四分位数减去预设参数与四分位差值的乘积，得到最小波动率，以及将所述第三四分位数加上所述预设参数与所述四分位差值的乘积，得到最大波动率；其中，所述四分位差值所述第三四分位数减去所述第一四分位数的差值；

将所述最小波动率与所述极小百分位数中的较小值，确定为最小波动率检测因子，以及将所述极大百分位数与所述最大波动率中的较大值，确定为最大波动率因子；

利用所述最小波动率检测因子以及所述最大波动率因子，构建所述目标系统对应的离群判断条件；其中，所述目标系统对应的离群判断条件为小于所述最小波动率检测因子或大于所述最大波动率因子；

至少将所述目标系统对应的离群判断条件以及所述目标系统的标签信息共同组成所述目标系统对应的异常检测模型。

可选地，在上述的指标异常的监控方法中，所述利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常，包括：

检测所述目标系统的当前CPU使用率是否小于所述目标系统对应的异常检测模型中的检测因子中的较小值，或大于两个检测因子中的较小值的较大值；其中，若检测所述目标系统的当前CPU使用率小于所述目标系统对应的异常检测模型中的两个检测因子中的较小值，或大于两个检测因子中的较小值的较大值，则确定所述目标系统的当前CPU使用率异常。

可选地，在上述的指标异常的监控方法中，所述至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警，包括：

根据所述目标系统的当前CPU使用率计算当前波动比率；

确定所述当前波动比率对应的告警等级；

将所述告警等级以及所述目标系统的标签信息进行展示；

利用所述目标系统的当前CPU使用率及其前预设时间段的使用率序列，变化趋势图，并将所述变化趋势图进行展示。

本申请第二方面提供了一种指标异常的监控装置，包括：

实时数据获取单元，用于实时获取目标系统的当前CPU使用率以及所述目标系统的标签信息；

模型匹配单元，用于基于所述目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出所述目标系统对应的异常检测模型；其中，各个所述异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到；

异常检测单元，用于利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常；

告警单元，用于在检测出所述目标系统的当前CPU使用率异常时，至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警。

可选地，在上述的指标异常的监控装置中，还包括：

日志获取单元，用于获取所述目标系统的离线日志数据；

转换单元，用于对所述目标系统的离线日志数据进行结构化转换，得到所述目标系统的标签信息以及所述目标系统的历史CPU使用率时序数据；

分布形态检测单元，用于检测所述目标系统的历史CPU使用率时序数据是否符合正态分布；

第一模型构建单元，用于在检测出所述目标系统的历史CPU使用率时序数据符合正态分布时，通过对所述目标系统的历史CPU使用率时序数据进行离群值分析，构建所述目标系统对应的异常检测模型；

移除单元，用于在检测出所述目标系统的历史CPU使用率时序数据不符合正态分布时，利用孤立森林算法检测出所述目标系统的历史CPU使用率时序数据中的异常值，并将所述异常值从所述目标系统的历史CPU使用率时序数据中移除；

第二模型构建单元，用于通过对移除所述异常值后的所述目标系统的历史CPU使用率时序数据进行波动率分析，构建所述目标系统对应的异常检测模型。

可选地，在上述的指标异常的监控装置中，还包括：

填补单元，用于根据所述目标系统的历史CPU使用率时序数据中的数据缺失比例，对所述目标系统的历史CPU使用率时序数据中的缺失数据进行填补；

降采样单元，用于对填补后的所述目标系统的历史CPU使用率时序数据进行降采样处理，以统一所述目标系统的历史CPU使用率时序数据中的数据的时间间隔。

可选地，在上述的指标异常的监控装置中，所述第一模型构建单元，包括：

第一特征提取单元，用于提取所述目标系统的历史CPU使用率时序数据的均值和方差；

第一计算单元，用于将所述均值减去所述方差与预设参数的乘积，得到最小离群值检测因子，以及将所述均值加上所述方差与所述预设参数的乘积，得到最大离群值检测因子；

第一条件构建单元，用于利用所述最小离群值检测因子以及所述最大离群值检测因子，构建所述目标系统对应的离群判断条件；其中，所述目标系统对应的离群判断条件为小于所述最小离群值检测因子或大于所述最大离群值检测因子；

第一模型组成单元，用于至少将所述目标系统对应的离群判断条件以及所述目标系统的标签信息共同组成所述目标系统对应的异常检测模型。

可选地，在上述的指标异常的监控装置中，所述第二模型构建单元，包括：

第二特征提取单元，用于提取移除所述异常值后的所述目标系统的历史CPU使用率时序数据的极小百分位数、极大百分位数、第一四分位数以及第三四分位数；

第二计算单元，用于将所述第一四分位数减去预设参数与四分位差值的乘积，得到最小波动率，以及将所述第三四分位数加上所述预设参数与所述四分位差值的乘积，得到最大波动率；其中，所述四分位差值所述第三四分位数减去所述第一四分位数的差值；

因子确定单元，用于将所述最小波动率与所述极小百分位数中的较小值，确定为最小波动率检测因子，以及将所述极大百分位数与所述最大波动率中的较大值，确定为最大波动率因子；

第二条件构建单元，利用所述最小波动率检测因子以及所述最大波动率因子，构建所述目标系统对应的离群判断条件；其中，所述目标系统对应的离群判断条件为小于所述最小波动率检测因子或大于所述最大波动率因子；

第二模型组成单元，至少将所述目标系统对应的离群判断条件以及所述目标系统的标签信息共同组成所述目标系统对应的异常检测模型。

可选地，在上述的指标异常的监控装置中，所述异常检测单元，包括：

异常检测子单元，用于检测所述目标系统的当前CPU使用率是否小于所述目标系统对应的异常检测模型中的检测因子中的较小值，或大于两个检测因子中的较小值的较大值；其中，若检测所述目标系统的当前CPU使用率小于所述目标系统对应的异常检测模型中的两个检测因子中的较小值，或大于两个检测因子中的较小值的较大值，则确定所述目标系统的当前CPU使用率异常。

可选地，在上述的指标异常的监控装置中，所述告警单元，包括：

波动率计算单元，用于根据所述目标系统的当前CPU使用率计算当前波动比率；

等级确定单元，用于确定所述当前波动比率对应的告警等级；

信息展示单元，用于将所述告警等级以及所述目标系统的标签信息进行展示；

绘图单元，用于利用所述目标系统的当前CPU使用率及其前预设时间段的使用率序列，变化趋势图，并将所述变化趋势图进行展示。

本申请第三方面提供了一种电子设备，包括：

一个或多个处理装置；

存储器，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理装置执行时，使得所述一个或多个处理装置实现如上述任意一项所述的指标异常的监控方法。

本申请第四方面提供了一种计算机存储介质，用于存储程序，所述程序被执行时，用于实现如上述任意一项所述的指标异常的监控方法。

本申请实施例提供一种指标异常的监控方法，预先基于各个系统的历史CPU使用率时序数据及其分布特性构建得到其对应的异常检测模型，从而得到一个符合其CPU使用率具体分布情况的异常检测模型。然后实时获取目标系统的当前CPU使用率以及目标系统的标签信息，并基于目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出目标系统对应的异常检测模型。然后利用目标系统对应的异常检测模型，检测目标系统的当前CPU使用率是否异常。若检测出目标系统的当前CPU使用率异常，则至少基于目标系统的标签信息以及目标系统的当前CPU使用率进行告警。由于系统对应的异常检测模型，是基于其历史数据及其分布特征构建的，所以对于各个不同用途的系统都符合其数据的特征，因此可以有效保证检测的准确性，避免出现误报和漏报的情况发生。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例提供的一种指标异常的监控方法的流程图；

图2为本申请实施例提供的一种目标系统对应的异常检测模型的构建方法的流程图；

图3为本申请实施例提供的一种历史CPU使用率时序数据预处理方法的流程图；

图4为本申请实施例提供的一种通过对数据进行离群值分析构建异常检测模型的方法的流程图；

图5为本申请实施例提供的一种通过对数据进行波动率分析构建异常检测模型的方法的流程图；

图6为本申请实施例提供的一种告警方法的流程图；

图7为本申请实施例提供的一种指标异常的监控装置的架构示意图；

图8为本申请实施例提供的一种电子设备的架构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本申请实施例提供了一种指标异常的监控方法，如图1所示，包括以下步骤：

S101、实时获取目标系统的当前CPU使用率以及目标系统的标签信息。

需要说明的是，目标系统指的是任意一个需要进行监控的系统，所以若是存在多个需要进行监控的系统，则可以分别将各个系统作为目标系统执行后续的步骤。

其中，目标系统的标签信息指的是用于区分不同系统的信息。可选地，可以采用系统的配置信息作为系统的标签信息。由于通常需要监控的系统为多个，而在本申请实施例中，对每个系统都构建了对应的模型，所以需要通过系统标签信息匹配对应的模型进行处理。

S102、基于目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出目标系统对应的异常检测模型。

其中，各个异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到。

需要说明的是，不同的系统的用途不一样，所以其CPU使用率的表征也不一样，所以在本申请实施例中，基于系统的历史CPU使用率时序数据以及历史CPU使用率时序数据的分布特征，即历史监控到的CPU使用率的一个变换特性，构建出系统对应的模型，从而使得构建出系统对应的模型，能与系统的CPU使用率的变化情况相符合。

可选地，在构建目标系统对应的异常检测模型时，将目标系统的标签信息也存储至其对应的异常检测模型中，从而可以直接基于目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出目标系统对应的异常检测模型。

可选地，本申请另一实施例提供了一种目标系统对应的异常检测模型的构建方法，如图2所示，包括：

S201、获取目标系统的离线日志数据。

S202、对目标系统的离线日志数据进行结构化转换，得到目标系统的标签信息以及目标系统的历史CPU使用率时序数据。

需要说明的是，由于离线日志数据包括的数据较多，并且也不便于进行处理，所以需要对其进行结构化转换，将其解析成多维结构化数据。转换后的数据中包括了目标系统的配置信息以及目标系统的历史CPU使用率时序数据，而可以将目标系统的配置信息作为目标系统的标签信息。

可选地，为了便于后续数据处理的准确性，所以在本申请另一实施例中，在执行步骤S202之后，在执行步骤S203之前，还可以进一步对历史CPU使用率时序数据进行预处理。如图3所示，本申请实施例提供的一种历史CPU使用率时序数据预处理方法，包括：

S301、根据目标系统的历史CPU使用率时序数据中的数据缺失比例，对目标系统的历史CPU使用率时序数据中的缺失数据进行填补。

需要说明的是，在数据采集过程中，由于心跳超时、网络波动等原因可能会导致某个时间点的数据未成功采集，又或者是在数据传输过程中出现部分数据丢失等情况，所以需要对缺失的数据进行填补。但是对于缺失数据的填补，需要在不影响数据分布的前提下进行。

可选地，可以在数据缺失比例较低时，采用线性差值法进行缺失数据的填补。当数据缺失比例较大时，则可以采用均值法进行填补。当然，若是缺失数据过大，则说明其并不能用于进行模型构建，则需要重新进行数据采集。例如，当数据缺失比例小于5％时，则可以采用线性差值法进行填补。当数据缺失比例大于5％，且不超过10％时，则可以采用均值法进行填补。当数据缺失比例大于10％时，则反馈数据不能用于进行模型构建。

S302、对填补后的目标系统的历史CPU使用率时序数据进行降采样处理，以统一目标系统的历史CPU使用率时序数据中的数据的时间间隔。

需要说明的是，由于后续在分析过程中，可能需要计算不同时间间隔的数据的波动差值，如果数据的时间间隔没有统一，会导致计算得到的差值存在误差，因此需要对目标系统的历史CPU使用率时序数据进行降采样处理。

可选地，具体降采样的时间间隔计算方法可以如下：

其中，t_i表示采样数据的时间间隔。

S203、检测目标系统的历史CPU使用率时序数据是否符合正态分布。

需要说明的是，对于不同系统的CPU使用率时序数据，其分布形态可能存在较大的差异，而对于不同分布形态的数据，显然需要采用不同的检测方法判断数据的异常状态。因此，在本申请实施例中，分别对属于正态分布的数据，以及属于非正态分布的数据采用不同的方式进行处理，所以需要先检测目标系统的历史CPU使用率时序数据是否符合正态分布。

可选地，可以采用K-S检验方法来检测目标系统的历史CPU使用率时序数据的正态性。

其中，若检测出目标系统的历史CPU使用率时序数据符合正态分布，则执行步骤S204，若检测出目标系统的历史CPU使用率时序数据不符合正态分布，则执行步骤S205。

S204、通过对目标系统的历史CPU使用率时序数据进行离群值分析，构建目标系统对应的异常检测模型。

由于目标系统的历史CPU使用率时序数据符合正态分布，所以若是一个数据与其他数据的差异较大，则显然其大概率为异常数据，而这样的数据即为离群值，所以可以通过对目标系统的历史CPU使用率时序数据进行离群值分析，构建目标系统对应的异常检测模型，用于对符合正态分布的目标系统的CPU使用率进行异常检测。

可选地，在本申请另一实施例中，步骤S204的一种具体实施方式，如图4所示，包括以下步骤：

S401、提取目标系统的历史CPU使用率时序数据的均值和方差。

S402、将该均值减去该方差与预设参数的乘积，得到最小离群值检测因子，以及将该均值加上该方差与预设参数的乘积，得到最大离群值检测因子。

均值与方差体现出了历史CPU使用率时序数据的整体大小以及偏离情况，所以将该均值减去该方差与预设参数的乘积的，得到允许向下偏离的最小值，并将其作为最小离群值检测因子。相应的，将将该均值加上该方差与预设参数的乘积，得到允许向上偏离的最大值，并将其作为最大离群值检测因子。

可选地，预设参数具体可以根据目标系统的历史CPU使用率时序数据中的数据量确定，例如，可以设置为6。

S403、利用最小离群值检测因子以及最大离群值检测因子，构建目标系统对应的离群判断条件。

其中，目标系统对应的离群判断条件为小于最小离群值检测因子或大于最大离群值检测因子。

S404、至少将目标系统对应的离群判断条件以及目标系统的标签信息共同组成目标系统对应的异常检测模型。

具体将目标系统对应的离群判断条件以及目标系统的标签信息共同进行存储，并将其确定为目标系统对应的异常检测模型。并且，为了便于后续追溯以及利用相关的信息，还可以将目标系统的历史CPU使用率时序数据的分布形态、最小离群值检测因子和大于最大离群值检测因子等存储至目标系统对应的异常检测模型中。

可选地，为了便于对历史数据进行分析，所以在执行步骤S404之后，可以利用目标系统对应的异常检测模型对目标系统的历史CPU使用率时序数据进行异常检测，从而检测出其中的异常数据，并将检测出的异常数据存储至数据库中。

S205、利用孤立森林算法检测出目标系统的历史CPU使用率时序数据中的异常值，并将异常值从目标系统的历史CPU使用率时序数据中移除。

由于目标系统的历史CPU使用率时序数据属于非正态分布，所以无法通过离群值分析，确定异常数据。所以在本申请实施例中，此时通过数据的波动率确定数据是否为异常数据。

为了避免目标系统的历史CPU使用率时序数据中的异常值影响数据特征值的提取，所以在本申请实施例中需要向通过孤立森林算法检测出目标系统的历史CPU使用率时序数据中的异常值，并将异常值从目标系统的历史CPU使用率时序数据中移除，然后再执行步骤S206。

S206、通过对移除异常值后的目标系统的历史CPU使用率时序数据进行波动率分析，构建目标系统对应的异常检测模型。

可选地，在本申请另一实施例中，步骤S206的一种具体实施方式，如图5所示，包括以下步骤：

S501、提取移除异常值后的目标系统的历史CPU使用率时序数据的极小百分位数、极大百分位数、第一四分位数以及第三四分位数。

其中，极小百分位数指的是处以一个预设的较小的百分位上的数值，例如，可以将历史CPU使用率时序数据中位于0.0001上的分位数确定为极小百分位。同理，极大百分位数指的是处以一个预设的较大的百分位上的数值，例如，可以将历史CPU使用率时序数据中位于0.9999上的分位数确定为极大百分位。具体可以通过分位数函数计算得到。从而可以确定出目标系统的历史CPU使用率时序数据中的一个上限值和下限值。

四分位数是一种常用的分位数，其包括第一至第三分位数，其中第一四分位数指的是样本中所有数值由小到大排列后第25％的数据。而第三四分位数指的是样本中所有数值由小到大排列后第75％的数据。同样，可以通过分位数函数对目标系统的历史CPU使用率时序数据进行计算得到。

S502、将第一四分位数减去预设参数与四分位差值的乘积，得到最小波动率，以及将第三四分位数加上预设参数与四分位差值的乘积，得到最大波动率。

其中，四分位差值第三四分位数减去第一四分位数的差值。

通过四分位数进行异常值检测的方式，通常按照步骤S502的方式，计算出异常上限值和异常下限值，然后通过这两个限值确定数据是否异常。因此在本申请实施例中，也通过步骤S502计算出两个限值，并分别确定为最小波动率和最大波动率。

S503、将最小波动率与极小百分位数中的较小值，确定为最小波动率检测因子，以及将极大百分位数与最大波动率中的较大值，确定为最大波动率因子。

S504、利用最小波动率检测因子以及最大波动率因子，构建目标系统对应的离群判断条件。

其中，目标系统对应的离群判断条件为小于最小波动率检测因子或大于最大波动率因子。

S505、至少将目标系统对应的离群判断条件以及目标系统的标签信息共同组成目标系统对应的异常检测模型。

具体将目标系统对应的离群判断条件以及目标系统的标签信息共同进行存储，并将其确定为目标系统对应的异常检测模型。并且，为了便于后续追溯以及利用相关的信息，还可以将目标系统的历史CPU使用率时序数据的分布形态、最小离群值检测因子和大于最大离群值检测因子等存储至目标系统对应的异常检测模型中。

同样可选地，为了便于对历史数据进行分析，所以在执行步骤S505之后，可以利用目标系统对应的异常检测模型对目标系统的历史CPU使用率时序数据进行异常检测，从而检测出其中的异常数据，并将检测出的异常数据存储至数据库中。

S103、利用目标系统对应的异常检测模型，检测目标系统的当前CPU使用率是否异常。

由于，目标系统对应的异常检测模型是基于目标系统的历史数据以及历史数据的分布特征构建的，所以可以准确的检测出目标系统的当前CPU使用率是否异常。

其中，若检测出目标系统的当前CPU使用率异常，则执行步骤S104。

可选地，在采用如图4或图5所示的方法构建出目标系统对应的异常检测模型时，则相应的，步骤S103的具体实施方式，包括：

检测目标系统的当前CPU使用率是否小于目标系统对应的异常检测模型中的检测因子中的较小值，或大于两个检测因子中的较小值的较大值。

其中，若检测目标系统的当前CPU使用率小于目标系统对应的异常检测模型中的两个检测因子中的较小值，或大于两个检测因子中的较小值的较大值，则确定目标系统的当前CPU使用率异常。

可选地，为了能让运维人员了解更多的信息，在确定数据存在异常时，还可以将数据来源分布情况、数据异常标签、数据判断方法数量，异常波动比率等信息增加到数据流中，以便于后续根据数据流中的这些信息进行告警以及问题分析。

其中，数据来源分布请求指的是目标系统的CPU使用率的分布情况，即是属于正态分布还是非正态分布，或者其他的分布形态。数据异常标签即为指示是否存在异常的标签。数据判断方法数量指的是判断当前CPU使用率异常的方法的数量，即对于当前CPU使用率异常不仅可以通过本申请实施例提供的方法检测其是否异常，还可以同时采用多种方法进行判断，以进一步保证结果的准确性。

S104、至少基于目标系统的标签信息以及目标系统的当前CPU使用率进行告警。

具体的，为了能让运维人员了解到出现异常的是哪个类型的数据，具体出现异常的数值，以及确定是哪个系统出现了异常，因此至少需要基于目标系统的标签信息、目标系统的当前CPU使用率以及目标系统对应的异常检测模型中信息进行告警。

可选地，在本申请另一实施例中步骤S104的一种具体实施方式，如图6所示，包括以下步骤：

S601、根据目标系统的当前CPU使用率计算当前波动比率。

由于不同系统的数据分布不同，检测时也采用了并不同的模型，所以为了能让反馈的结果同质化，便于进行比较，因此在本申请实施例中，会计算当前波动比率，并基于波动比率匹配对应的告警基本，实现分级告警。

S602、确定当前波动比率对应的告警等级。

S603、将告警等级以及目标系统的标签信息进行展示。

具体的，除告警等级外，目标系统的标签信息等可以作为告警点信息，即作为详细信息进行展示，便于运维人员根据详细信息进行问题排查和诊断等。

S604、利用目标系统的当前CPU使用率及其前预设时间段的使用率序列，变化趋势图，并将变化趋势图进行展示。

需要说明的是，仅依据异常点的信息可能无法及时了解序列波动变化情况，因此将发生异常前的序列波动情况与存在异常点的数据信息用不同标签绘制在同一张展示图中，为问题排查人员直接展示序列异常前的变化趋势，同时方便及时确认异常检测的结果是否有效，方便后续进一步优化异常检测模型。

本申请实施例提供一种指标异常的监控方法，预先基于各个系统的历史CPU使用率时序数据及其分布特性构建得到其对应的异常检测模型，从而得到一个符合其CPU使用率具体分布情况的异常检测模型。然后实时获取目标系统的当前CPU使用率以及目标系统的标签信息，并基于目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出目标系统对应的异常检测模型。然后利用目标系统对应的异常检测模型，检测目标系统的当前CPU使用率是否异常。若检测出目标系统的当前CPU使用率异常，则至少基于目标系统的标签信息以及目标系统的当前CPU使用率进行告警。由于系统对应的异常检测模型，是基于其历史数据及其分布特征构建的，所以对于各个不同用途的系统都符合其数据的特征，因此可以有效保证检测的准确性，避免出现误报和漏报的情况发生。

需要说明的是，附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法、节点和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。

本申请另一实施例提供了一种指标异常的监控装置，如图7所示，包括：

实时数据获取单元701，用于实时获取目标系统的当前CPU使用率以及目标系统的标签信息。

模型匹配单元702，用于基于目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出目标系统对应的异常检测模型。

其中，各个异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到。

异常检测单元703，用于利用目标系统对应的异常检测模型，检测目标系统的当前CPU使用率是否异常。

告警单元704，用于在检测出目标系统的当前CPU使用率异常时，至少基于目标系统的标签信息以及目标系统的当前CPU使用率进行告警。

可选地，在本申请另一实施例提供的指标异常的监控装置中，还包括：

日志获取单元，用于获取目标系统的离线日志数据。

转换单元，用于对目标系统的离线日志数据进行结构化转换，得到目标系统的标签信息以及目标系统的历史CPU使用率时序数据。

分布形态检测单元，用于检测目标系统的历史CPU使用率时序数据是否符合正态分布。

第一模型构建单元，用于在检测出目标系统的历史CPU使用率时序数据符合正态分布时，通过对目标系统的历史CPU使用率时序数据进行离群值分析，构建目标系统对应的异常检测模型。

移除单元，用于在检测出目标系统的历史CPU使用率时序数据不符合正态分布时，利用孤立森林算法检测出目标系统的历史CPU使用率时序数据中的异常值，并将异常值从目标系统的历史CPU使用率时序数据中移除。

第二模型构建单元，用于通过对移除异常值后的目标系统的历史CPU使用率时序数据进行波动率分析，构建目标系统对应的异常检测模型。

可选地，在本申请另一实施例提供的指标异常的监控装置中，还包括：

填补单元，用于根据目标系统的历史CPU使用率时序数据中的数据缺失比例，对目标系统的历史CPU使用率时序数据中的缺失数据进行填补。

降采样单元，用于对填补后的目标系统的历史CPU使用率时序数据进行降采样处理，以统一目标系统的历史CPU使用率时序数据中的数据的时间间隔。

可选地，在本申请另一实施例提供的指标异常的监控装置中，第一模型构建单元，包括：

第一特征提取单元，用于提取目标系统的历史CPU使用率时序数据的均值和方差。

第一计算单元，用于将均值减去方差与预设参数的乘积，得到最小离群值检测因子，以及将均值加上方差与预设参数的乘积，得到最大离群值检测因子。

第一条件构建单元，用于利用最小离群值检测因子以及最大离群值检测因子，构建目标系统对应的离群判断条件。其中，目标系统对应的离群判断条件为小于最小离群值检测因子或大于最大离群值检测因子。

第一模型组成单元，用于至少将目标系统对应的离群判断条件以及目标系统的标签信息共同组成目标系统对应的异常检测模型。

可选地，在本申请另一实施例提供的指标异常的监控装置中，第二模型构建单元，包括：

第二特征提取单元，用于提取移除异常值后的目标系统的历史CPU使用率时序数据的极小百分位数、极大百分位数、第一四分位数以及第三四分位数。

第二计算单元，用于将第一四分位数减去预设参数与四分位差值的乘积，得到最小波动率，以及将第三四分位数加上预设参数与四分位差值的乘积，得到最大波动率。其中，四分位差值第三四分位数减去第一四分位数的差值。

因子确定单元，用于将最小波动率与极小百分位数中的较小值，确定为最小波动率检测因子，以及将极大百分位数与最大波动率中的较大值，确定为最大波动率因子。

第二条件构建单元，利用最小波动率检测因子以及最大波动率因子，构建目标系统对应的离群判断条件。其中，目标系统对应的离群判断条件为小于最小波动率检测因子或大于最大波动率因子。

第二模型组成单元，至少将目标系统对应的离群判断条件以及目标系统的标签信息共同组成目标系统对应的异常检测模型。

可选地，在本申请另一实施例提供的指标异常的监控装置中，异常检测单元，包括：

异常检测子单元，用于检测目标系统的当前CPU使用率是否小于目标系统对应的异常检测模型中的检测因子中的较小值，或大于两个检测因子中的较小值的较大值。其中，若检测目标系统的当前CPU使用率小于目标系统对应的异常检测模型中的两个检测因子中的较小值，或大于两个检测因子中的较小值的较大值，则确定目标系统的当前CPU使用率异常。

可选地，在本申请另一实施例提供的指标异常的监控装置中，告警单元，包括：

波动率计算单元，用于根据目标系统的当前CPU使用率计算当前波动比率。

等级确定单元，用于确定当前波动比率对应的告警等级。

信息展示单元，用于将告警等级以及目标系统的标签信息进行展示。

绘图单元，用于利用目标系统的当前CPU使用率及其前预设时间段的使用率序列，变化趋势图，并将变化趋势图进行展示。

需要说明的是，本申请上述实施例提供的各个单元的具体工作过程，可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。

并且，上述实施例中上描述的各个单元的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等。

本申请另一实施例提供一种电子设备，如图8所示，其示出了适于用来实现本公开实施例的电子设备800的结构示意图。其中，本公开实施例中的电子设备可以包括但不限于诸如台式计算机、笔记本电脑、平板电脑、车载终端等电子设备。

如图8所示，电子设备800包括一个或多个处理装置801，例如中央处理器、图形处理器等，以及包括存储器802，其上存储有一个或多个程序。其中一个或多个程序被一个或多个处理装置801执行时，使得一个或多个处理装置801实现如上述任意一个实施例提供的指标异常的监控方法。

可选地，电子设备还可以包括其他组成结构，同样参见图8，处理装置801、只读存储器ROM802以及随机存取存储器RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器、扬声器、振动器等的输出装置807，包括例如磁带、硬盘等的存储装置808，以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

本申请另一实施例提供了一种计算机存储介质，用于存储程序，该程序被执行时，用于实现如上述任意一项所述的指标异常的监控方法。

计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种指标异常的监控方法，其特征在于，包括：

实时获取目标系统的当前CPU使用率以及所述目标系统的标签信息；

基于所述目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出所述目标系统对应的异常检测模型；其中，各个所述异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到；

利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常；

若检测出所述目标系统的当前CPU使用率异常，则至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警。

2.根据权利要求1所述的方法，其特征在于，所述目标系统对应的异常检测模型的构建方法，包括：

获取所述目标系统的离线日志数据；

对所述目标系统的离线日志数据进行结构化转换，得到所述目标系统的标签信息以及所述目标系统的历史CPU使用率时序数据；

检测所述目标系统的历史CPU使用率时序数据是否符合正态分布；

若检测出所述目标系统的历史CPU使用率时序数据符合正态分布，则通过对所述目标系统的历史CPU使用率时序数据进行离群值分析，构建所述目标系统对应的异常检测模型；

若检测出所述目标系统的历史CPU使用率时序数据不符合正态分布，则利用孤立森林算法检测出所述目标系统的历史CPU使用率时序数据中的异常值，并将所述异常值从所述目标系统的历史CPU使用率时序数据中移除；

通过对移除所述异常值后的所述目标系统的历史CPU使用率时序数据进行波动率分析，构建所述目标系统对应的异常检测模型。

3.根据权利要求2所述的方法，其特征在于，所述检测所述目标系统的历史CPU使用率时序数据是否符合正态分布之前，还包括：

根据所述目标系统的历史CPU使用率时序数据中的数据缺失比例，对所述目标系统的历史CPU使用率时序数据中的缺失数据进行填补；

对填补后的所述目标系统的历史CPU使用率时序数据进行降采样处理，以统一所述目标系统的历史CPU使用率时序数据中的数据的时间间隔。

4.根据权利要求2所述的方法，其特征在于，所述通过对所述目标系统的历史CPU使用率时序数据进行离群值分析，构建所述目标系统对应的异常检测模型，包括：

提取所述目标系统的历史CPU使用率时序数据的均值和方差；

将所述均值减去所述方差与预设参数的乘积，得到最小离群值检测因子，以及将所述均值加上所述方差与所述预设参数的乘积，得到最大离群值检测因子；

利用所述最小离群值检测因子以及所述最大离群值检测因子，构建所述目标系统对应的离群判断条件；其中，所述目标系统对应的离群判断条件为小于所述最小离群值检测因子或大于所述最大离群值检测因子；

至少将所述目标系统对应的离群判断条件以及所述目标系统的标签信息共同组成所述目标系统对应的异常检测模型。

5.根据权利要求2所述的方法，其特征在于，所述通过对移除所述异常值后的所述目标系统的历史CPU使用率时序数据进行波动率分析，构建所述目标系统对应的异常检测模型，包括：

提取移除所述异常值后的所述目标系统的历史CPU使用率时序数据的极小百分位数、极大百分位数、第一四分位数以及第三四分位数；

将所述第一四分位数减去预设参数与四分位差值的乘积，得到最小波动率，以及将所述第三四分位数加上所述预设参数与所述四分位差值的乘积，得到最大波动率；其中，所述四分位差值所述第三四分位数减去所述第一四分位数的差值；

将所述最小波动率与所述极小百分位数中的较小值，确定为最小波动率检测因子，以及将所述极大百分位数与所述最大波动率中的较大值，确定为最大波动率因子；

利用所述最小波动率检测因子以及所述最大波动率因子，构建所述目标系统对应的离群判断条件；其中，所述目标系统对应的离群判断条件为小于所述最小波动率检测因子或大于所述最大波动率因子；

至少将所述目标系统对应的离群判断条件以及所述目标系统的标签信息共同组成所述目标系统对应的异常检测模型。

6.根据权利要求4或5任意一项所述的方法，其特征在于，所述利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常，包括：

检测所述目标系统的当前CPU使用率是否小于所述目标系统对应的异常检测模型中的检测因子中的较小值，或大于两个检测因子中的较小值的较大值；其中，若检测所述目标系统的当前CPU使用率小于所述目标系统对应的异常检测模型中的两个检测因子中的较小值，或大于两个检测因子中的较小值的较大值，则确定所述目标系统的当前CPU使用率异常。

7.根据权利要求1所述的方法，其特征在于，所述至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警，包括：

根据所述目标系统的当前CPU使用率计算当前波动比率；

确定所述当前波动比率对应的告警等级；

将所述告警等级以及所述目标系统的标签信息进行展示；

利用所述目标系统的当前CPU使用率及其前预设时间段的使用率序列，变化趋势图，并将所述变化趋势图进行展示。

8.一种指标异常的监控装置，其特征在于，包括：

实时数据获取单元，用于实时获取目标系统的当前CPU使用率以及所述目标系统的标签信息；

模型匹配单元，用于基于所述目标系统的标签信息，从预先构建的各个异常检测模型中，匹配出所述目标系统对应的异常检测模型；其中，各个所述异常检测模型预先利用各个系统的历史CPU使用率时序数据及其分布特性构建得到；

异常检测单元，用于利用所述目标系统对应的异常检测模型，检测所述目标系统的当前CPU使用率是否异常；

告警单元，用于在检测出所述目标系统的当前CPU使用率异常时，至少基于所述目标系统的标签信息以及所述目标系统的当前CPU使用率进行告警。

9.一种电子设备，其特征在于，包括：

一个或多个处理装置；

存储器，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理装置执行时，使得所述一个或多个处理装置实现如权利要求1至7任意一项所述的指标异常的监控方法。

10.一种计算机存储介质，其特征在于，用于存储程序，所述程序被执行时，用于实现如权利要求1至7任意一项所述的指标异常的监控方法。

Images