本發(fā)明涉及異常檢測技術(shù)領(lǐng)域，特別涉及一種報(bào)警方法及裝置。

背景技術(shù)：

異常檢測旨在檢測出不符合期望行為的數(shù)據(jù)，因而適應(yīng)于故障診斷、入侵和欺詐檢測以及數(shù)據(jù)預(yù)處理等多個(gè)領(lǐng)域。時(shí)間序列是指將同一統(tǒng)計(jì)指標(biāo)的數(shù)值按其發(fā)生的時(shí)間先后順序排列而成的數(shù)列，時(shí)間序列在工業(yè)、金融業(yè)以及通信業(yè)等各個(gè)領(lǐng)域普遍存在，因此基于時(shí)間序列的異常檢測有著非常重要的作用。

實(shí)際應(yīng)用中，對(duì)每一個(gè)需要進(jìn)行異常檢測的對(duì)象進(jìn)行監(jiān)控時(shí)，對(duì)所監(jiān)控到的時(shí)間序列進(jìn)行曲線擬合處理，可以得到該對(duì)象對(duì)應(yīng)的曲線。

以it運(yùn)維為例，無論是網(wǎng)絡(luò)流量的監(jiān)控、磁盤容量的監(jiān)控、還是響應(yīng)時(shí)間的監(jiān)控，時(shí)間序列異常檢測均可以幫助用戶及時(shí)發(fā)現(xiàn)服務(wù)運(yùn)行中出現(xiàn)的問題，比如曲線出現(xiàn)突變、曲線中的某一點(diǎn)與歷史數(shù)據(jù)不相符等等，發(fā)現(xiàn)異常時(shí)，通常還會(huì)對(duì)檢測到的異常進(jìn)行報(bào)警，以提醒用戶對(duì)異常進(jìn)行處理。目前，時(shí)間序列異常檢測系統(tǒng)使用通用的異常檢測算法來檢測異常，并且對(duì)檢測到的每個(gè)異常都會(huì)進(jìn)行報(bào)警。

然而用戶對(duì)于異常的報(bào)警需求是不盡相同的。以出現(xiàn)突變的異常為例，對(duì)于磁盤剩余容量的監(jiān)控，用戶只對(duì)磁盤剩余容量的突然減小感興趣，因?yàn)榇藭r(shí)他們需要增加硬盤或者刪除文件，而磁盤剩余容量的突然增加并不會(huì)導(dǎo)致問題的出現(xiàn)，因此在磁盤剩余容量突然減小時(shí)應(yīng)當(dāng)報(bào)警、而突然增加的情況無需報(bào)警；進(jìn)一步的，在磁盤剩余容量突然減小時(shí)，用戶a認(rèn)為在磁盤剩余容量減小到閾值t1時(shí)需要報(bào)警，而用戶b認(rèn)為在磁盤剩余容量減小到閾值t2時(shí)才需要報(bào)警。

從上述例子可以發(fā)現(xiàn)，相同類型的異常，有些情況需要報(bào)警而有些情況下不需要報(bào)警，即相同異常的報(bào)警規(guī)則是不一樣的。目前，傳統(tǒng)的異常檢測系統(tǒng)對(duì)于相同異常只能提供一種統(tǒng)一的報(bào)警規(guī)則，導(dǎo)致報(bào)警的準(zhǔn)確率不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種報(bào)警方法及裝置，以提高報(bào)警的準(zhǔn)確率。具體技術(shù)方案如下：

為達(dá)到上述目的，本發(fā)明實(shí)施例公開了一種報(bào)警方法，所述方法包括：

獲得目標(biāo)曲線中預(yù)設(shè)時(shí)長內(nèi)的目標(biāo)曲線段，其中，所述目標(biāo)曲線段中包含目標(biāo)異常點(diǎn)；

從所述目標(biāo)曲線段中提取所述目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息；

根據(jù)所述目標(biāo)特征信息和預(yù)先構(gòu)建的所述目標(biāo)曲線對(duì)應(yīng)的目標(biāo)預(yù)測模型，預(yù)測所述目標(biāo)異常點(diǎn)所對(duì)應(yīng)的目標(biāo)異常處理類別，其中，所述目標(biāo)預(yù)測模型是基于標(biāo)記樣本以及所述標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，所述標(biāo)記樣本為所述目標(biāo)曲線中標(biāo)記有異常處理類別的異常點(diǎn)；

當(dāng)所述目標(biāo)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，針對(duì)所述目標(biāo)異常點(diǎn)進(jìn)行報(bào)警。

可選的，按照以下方式訓(xùn)練所述目標(biāo)預(yù)測模型：

獲得所述目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本；

提取所述標(biāo)記樣本對(duì)應(yīng)的特征信息；

根據(jù)所述標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練所述目標(biāo)預(yù)測模型。

可選的，按照以下方式訓(xùn)練所述目標(biāo)預(yù)測模型：

獲得所述目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本和非標(biāo)記樣本，其中，所述非標(biāo)記樣本為未標(biāo)記異常處理類別的異常點(diǎn)；

分別提取所述標(biāo)記樣本和所述非標(biāo)記樣本對(duì)應(yīng)的特征信息；

根據(jù)所述非標(biāo)記樣本的特征信息、所述標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練所述目標(biāo)預(yù)測模型。

可選的，在所述針對(duì)所述目標(biāo)異常點(diǎn)進(jìn)行報(bào)警之后，還包括：

在接收到用戶對(duì)所述目標(biāo)異常點(diǎn)標(biāo)記的異常處理類別時(shí)，將所述目標(biāo)異常點(diǎn)作為標(biāo)記樣本，對(duì)所述目標(biāo)預(yù)測模型進(jìn)行再次訓(xùn)練，得到新的目標(biāo)預(yù)測模型。

可選的，所述目標(biāo)預(yù)測模型為隨機(jī)森林模型。

為達(dá)到上述目的，本發(fā)明實(shí)施例還公開了一種報(bào)警裝置，所述裝置包括：

獲得模塊，用于獲得目標(biāo)曲線中預(yù)設(shè)時(shí)長內(nèi)的目標(biāo)曲線段，其中，所述目標(biāo)曲線段中包含目標(biāo)異常點(diǎn)；

提取模塊，用于從所述目標(biāo)曲線段中提取所述目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息；

預(yù)測模塊，用于根據(jù)所述目標(biāo)特征信息和預(yù)先構(gòu)建的所述目標(biāo)曲線對(duì)應(yīng)的目標(biāo)預(yù)測模型，預(yù)測所述目標(biāo)異常點(diǎn)所對(duì)應(yīng)的目標(biāo)異常處理類別，其中，所述目標(biāo)預(yù)測模型是基于標(biāo)記樣本以及所述標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，所述標(biāo)記樣本為所述目標(biāo)曲線中標(biāo)記有異常處理類別的異常點(diǎn)；

報(bào)警模塊，用于當(dāng)所述目標(biāo)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，針對(duì)所述目標(biāo)異常點(diǎn)進(jìn)行報(bào)警。

可選的，所述裝置還包括：

第一訓(xùn)練模塊，用于訓(xùn)練所述目標(biāo)預(yù)測模型；

其中，所述第一訓(xùn)練模塊，包括：

第一獲得子模塊，用于獲得所述目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本；

第一提取子模塊，用于提取所述標(biāo)記樣本對(duì)應(yīng)的特征信息；

第一訓(xùn)練子模塊，用于根據(jù)所述標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練所述目標(biāo)預(yù)測模型。

可選的，所述裝置還包括：

第二訓(xùn)練模塊，用于訓(xùn)練所述目標(biāo)預(yù)測模型；

其中，所述第二訓(xùn)練模塊，包括：

第二獲得子模塊，用于獲得所述目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本和非標(biāo)記樣本，其中，所述非標(biāo)記樣本為未標(biāo)記異常處理類別的異常點(diǎn)；

第二提取子模塊，用于分別提取所述標(biāo)記樣本和所述非標(biāo)記樣本對(duì)應(yīng)的特征信息；

第二訓(xùn)練子模塊，用于根據(jù)所述非標(biāo)記樣本的特征信息、所述標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練所述目標(biāo)預(yù)測模型。

可選的，所述裝置還包括：

第三訓(xùn)練模塊，用于在所述報(bào)警模塊針對(duì)所述目標(biāo)異常點(diǎn)進(jìn)行報(bào)警之后，在接收到用戶對(duì)所述目標(biāo)異常點(diǎn)標(biāo)記的異常處理類別時(shí)，將所述目標(biāo)異常點(diǎn)作為標(biāo)記樣本，對(duì)所述目標(biāo)預(yù)測模型進(jìn)行再次訓(xùn)練，得到新的目標(biāo)預(yù)測模型。

可選的，所述目標(biāo)預(yù)測模型為隨機(jī)森林模型。

由以上可見，本發(fā)明實(shí)施例提供的報(bào)警方法及裝置，對(duì)于目標(biāo)曲線中的異常點(diǎn)，可以利用目標(biāo)預(yù)測模型來預(yù)測該異常點(diǎn)的異常處理類別，當(dāng)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，會(huì)針對(duì)該異常點(diǎn)進(jìn)行報(bào)警。目標(biāo)預(yù)測模型是基于目標(biāo)曲線中的標(biāo)記樣本以及標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，由于不同用戶對(duì)同一曲線的異常點(diǎn)所標(biāo)記的異常處理類別可能不同、同一用戶對(duì)不同曲線的異常點(diǎn)所標(biāo)記的異常處理類別也可能不同，因此對(duì)于不同的用戶或不同的曲線，可以得到相應(yīng)的預(yù)測模型，進(jìn)而可以對(duì)不同的用戶或不同的曲線，有針對(duì)性地進(jìn)行報(bào)警，提高報(bào)警的準(zhǔn)確率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種報(bào)警方法的流程示意圖；

圖2為本發(fā)明實(shí)施例提供的一種報(bào)警裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

為解決現(xiàn)有技術(shù)問題，本發(fā)明實(shí)施例提供了一種報(bào)警方法及裝置。下面首先對(duì)本發(fā)明實(shí)施例所提供的一種報(bào)警方法進(jìn)行詳細(xì)說明。

圖1為本發(fā)明實(shí)施例提供的一種報(bào)警方法的流程示意圖，如圖1所示，該方法包括：

s101，獲得目標(biāo)曲線中預(yù)設(shè)時(shí)長內(nèi)的目標(biāo)曲線段，其中，目標(biāo)曲線段中包含目標(biāo)異常點(diǎn)。

可以理解的，在基于時(shí)間序列的異常檢測中，每一個(gè)監(jiān)控對(duì)象對(duì)應(yīng)一個(gè)曲線，例如，如果同時(shí)監(jiān)控一臺(tái)服務(wù)器的網(wǎng)絡(luò)流量、磁盤容量，則可以得到兩條曲線，即該服務(wù)器的網(wǎng)絡(luò)流量對(duì)應(yīng)的曲線和磁盤容量對(duì)應(yīng)的曲線，如果同時(shí)監(jiān)控兩臺(tái)服務(wù)器的網(wǎng)絡(luò)流量，則可以得到兩條曲線，即每臺(tái)服務(wù)器的網(wǎng)絡(luò)流量對(duì)應(yīng)的曲線。

實(shí)際應(yīng)用中，目標(biāo)曲線可以由異常檢測系統(tǒng)在監(jiān)控過程中根據(jù)檢測到的時(shí)間序列生成的。進(jìn)一步的，異常檢測系統(tǒng)可以根據(jù)預(yù)設(shè)的判斷標(biāo)準(zhǔn)，判斷目標(biāo)曲線中的每一個(gè)點(diǎn)是否是異常點(diǎn)，具體的，異常檢測系統(tǒng)對(duì)于異常點(diǎn)的判斷標(biāo)準(zhǔn)可以參考現(xiàn)有技術(shù)的方法，本實(shí)施例對(duì)此不做贅述。需要強(qiáng)調(diào)的是，本實(shí)施例并不對(duì)目標(biāo)曲線的獲得方式以及目標(biāo)異常點(diǎn)的獲得方式進(jìn)行限定。

s102，從目標(biāo)曲線段中提取目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息。

可以理解的，目標(biāo)曲線段所包含的點(diǎn)對(duì)應(yīng)的數(shù)據(jù)可以理解為與目標(biāo)異常點(diǎn)相應(yīng)的歷史數(shù)據(jù)，則目標(biāo)曲線段的特征信息可以理解為對(duì)應(yīng)目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息。

實(shí)際應(yīng)用中，曲線段中可以提取的特征信息包括：曲線周期性、趨勢、季節(jié)性、自相關(guān)性、偏度、峰度、線性程度、自相似性、混沌系數(shù)、t時(shí)間內(nèi)異常點(diǎn)個(gè)數(shù)，等等中的一個(gè)或多個(gè)，其中t可以取半小時(shí)。具體的，從曲線段中提取特征信息的方法為現(xiàn)有技術(shù)，在此不做贅述。

s103，根據(jù)目標(biāo)特征信息和預(yù)先構(gòu)建的目標(biāo)曲線對(duì)應(yīng)的目標(biāo)預(yù)測模型，預(yù)測目標(biāo)異常點(diǎn)所對(duì)應(yīng)的目標(biāo)異常處理類別。

其中，目標(biāo)預(yù)測模型是基于標(biāo)記樣本以及標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，標(biāo)記樣本為目標(biāo)曲線中標(biāo)記有異常處理類別的異常點(diǎn)。

實(shí)際應(yīng)用中，用戶可以將異常處理類別劃分為：需要報(bào)警、是異常但是不需要報(bào)警、不是異常等類別；也可以劃分為：一類、二類、三類等類別，其中，一類可以表示需要報(bào)警、二類可以表示是異常但是不需要報(bào)警、三類可以表示不是異常。其中，根據(jù)用戶的需要，需要報(bào)警的類別還可以進(jìn)一步劃分，例如，報(bào)警后需要立即處理、報(bào)警后不需要立即處理等類別。當(dāng)然，還可以按照其它方式進(jìn)行劃分，本實(shí)施例對(duì)此不做限定。

在本實(shí)施例中，目標(biāo)預(yù)測模型的輸入為目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息，輸出為目標(biāo)異常點(diǎn)所對(duì)應(yīng)的目標(biāo)異常處理類別。上述目標(biāo)預(yù)測模型可以為隨機(jī)森林模型，隨機(jī)森林模型也稱為協(xié)同森林模型，隨機(jī)森林顧名思義，是用隨機(jī)的方式建立一個(gè)森林，森林里面有很多決策樹組成，每一棵決策樹之間是沒有關(guān)聯(lián)的，在得到森林之后，當(dāng)有一個(gè)新的輸入樣本進(jìn)入的時(shí)候，就讓森林中的每一棵決策樹分別進(jìn)行一下判斷，看看這個(gè)樣本應(yīng)該屬于哪一類，然后看看哪一類被選擇最多，就預(yù)測這個(gè)樣本為那一類。

在一種實(shí)現(xiàn)方式中，可以按照以下方式訓(xùn)練目標(biāo)預(yù)測模型：

獲得目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本；

提取標(biāo)記樣本對(duì)應(yīng)的特征信息；

根據(jù)標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練目標(biāo)預(yù)測模型。

提取標(biāo)記樣本對(duì)應(yīng)的特征信息，也就是從目標(biāo)曲線中預(yù)設(shè)時(shí)長的曲線段中提取特征信息，該曲線段中包含標(biāo)記樣本。具體的，提取標(biāo)記樣本對(duì)應(yīng)的特征信息的方式與上述提取目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息的方式相同，在此不做贅述。

本領(lǐng)域技術(shù)人員可以理解的是，上述訓(xùn)練目標(biāo)預(yù)測模型的方式為機(jī)器學(xué)習(xí)中的有監(jiān)督式學(xué)習(xí)(supervisedlearning)算法。由于上述有監(jiān)督學(xué)習(xí)的訓(xùn)練方式只能利用目標(biāo)曲線中的標(biāo)記有異常處理類別的異常點(diǎn)、無法利用未標(biāo)記異常處理類別的異常點(diǎn)，因此需要較多的標(biāo)記樣本進(jìn)行訓(xùn)練，以提高目標(biāo)預(yù)測模型的預(yù)測精度。

而實(shí)際上，用戶不一定對(duì)所有出現(xiàn)的異常點(diǎn)都進(jìn)行標(biāo)記，而是只對(duì)部分異常點(diǎn)標(biāo)記了異常處理類別，因此并不是所有的異常點(diǎn)都是標(biāo)記樣本，即標(biāo)記樣本的數(shù)量有限，這樣導(dǎo)致有監(jiān)督式學(xué)習(xí)算法所訓(xùn)練出的預(yù)測模型的準(zhǔn)確度不高。

那么在這種情況下，為了提高目標(biāo)預(yù)測模型的預(yù)測精度，在一種較佳的實(shí)現(xiàn)方式中，可以利用機(jī)器學(xué)習(xí)算法中的無監(jiān)督式學(xué)習(xí)(unsupervisedlearning)算法，同時(shí)利用標(biāo)記樣本和未標(biāo)記樣本進(jìn)行訓(xùn)練得到預(yù)測模型。

具體的，可以按照以下方式訓(xùn)練目標(biāo)預(yù)測模型：

獲得目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本和非標(biāo)記樣本，其中，非標(biāo)記樣本為未標(biāo)記異常處理類別的異常點(diǎn)；

分別提取標(biāo)記樣本和非標(biāo)記樣本對(duì)應(yīng)的特征信息；

根據(jù)非標(biāo)記樣本的特征信息、標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練目標(biāo)預(yù)測模型。

下面對(duì)上述“根據(jù)非標(biāo)記樣本的特征信息、標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練目標(biāo)預(yù)測模型”的步驟進(jìn)行詳細(xì)說明：

步驟1、只利用標(biāo)記樣本的集合l中的標(biāo)記樣本，訓(xùn)練出一個(gè)初始的隨機(jī)森林，其中有n棵樹，一種特征信息對(duì)應(yīng)一棵樹；

步驟2、對(duì)每棵樹hi，從未標(biāo)記樣本的集合u中選擇置信度最高的未標(biāo)記樣本，如果該未標(biāo)記樣本的置信度超過閾值p，則將其加入集合li，并將該未標(biāo)記樣本的異常處理類別標(biāo)記為多數(shù)樹的分類結(jié)果；

其中，該未標(biāo)記樣本的置信度為集合hi中的樹對(duì)該未標(biāo)記樣本的分類結(jié)果的一致程度，集合hi是由除該樹hi以外的其它樹所組成的集合；如果集合hi中的樹對(duì)該未標(biāo)記樣本的分類結(jié)果都相同，那么該未標(biāo)記樣本的置信度為1；

舉例而言，如果n＝8，則集合hi中包含7棵樹，對(duì)于集合u中的每一個(gè)未標(biāo)記樣本u，根據(jù)該未標(biāo)記樣本u的的特征信息可以確定集合hi中的每一棵樹對(duì)該未標(biāo)記樣本u的分類結(jié)果，如果有2棵樹將該未標(biāo)記樣本u的異常處理類別歸為一類、其它5棵樹將該未標(biāo)記樣本u的異常處理類別歸為二類，則該未標(biāo)記樣本u的置信度為5/7，如果5/7大于預(yù)設(shè)的閾值p，則表示該未標(biāo)記樣本u可以用來訓(xùn)練樹hi，并且該未標(biāo)記樣本u的異常處理類別應(yīng)當(dāng)標(biāo)記為二類；

步驟3、對(duì)每棵樹hi，重新利用集合l∪li中的標(biāo)記樣本進(jìn)行單棵樹的訓(xùn)練；

步驟4、重復(fù)步驟2～步驟3，直至所有樹的訓(xùn)練結(jié)果均不再變化。

需要說明的是，本領(lǐng)域技術(shù)人員可以理解的，本質(zhì)上，這種協(xié)同訓(xùn)練方式的半監(jiān)督式學(xué)習(xí)方法在訓(xùn)練預(yù)測模型時(shí)，用的也是有監(jiān)督式學(xué)習(xí)算法，區(qū)別在于標(biāo)記樣本集合中標(biāo)記樣本數(shù)量可以不斷增加，而增加的標(biāo)記樣本是由機(jī)器對(duì)未標(biāo)記樣本進(jìn)行標(biāo)記所獲得的、不是用戶標(biāo)記的樣本。利用有監(jiān)督式學(xué)習(xí)算法訓(xùn)練出初始隨機(jī)森林模型后，由于標(biāo)記樣本的數(shù)量比較少，初始隨機(jī)森林模型不太可靠，為了增加可用的樣本數(shù)，從未標(biāo)記樣本中選擇一些置信度較高的加入標(biāo)記樣本集合。之后用新的標(biāo)記樣本集合進(jìn)行訓(xùn)練，這其實(shí)也是有監(jiān)督式學(xué)習(xí)，只是標(biāo)記樣本集合里面有一些樣本的標(biāo)記是由機(jī)器判斷的。按照這種方法，不斷重復(fù)來擴(kuò)大標(biāo)記樣本集合，可以使得最終得到的隨機(jī)森林模型更加準(zhǔn)確、可靠。

s104，當(dāng)目標(biāo)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，針對(duì)目標(biāo)異常點(diǎn)進(jìn)行報(bào)警。

實(shí)際應(yīng)用中，可以預(yù)先設(shè)置一種或多種異常處理類別為報(bào)警類別，例如將需要報(bào)警或者一類異常處理類別設(shè)置為報(bào)警類別。當(dāng)預(yù)測得到的目標(biāo)異常處理類別為需要報(bào)警或者一類異常處理類別時(shí)，針對(duì)目標(biāo)異常點(diǎn)進(jìn)行報(bào)警，輸出報(bào)警信息。在報(bào)警信息中還可以攜帶本次報(bào)警的標(biāo)識(shí)信息和目標(biāo)曲線的標(biāo)識(shí)信息，以便于進(jìn)行區(qū)分和管理，報(bào)警的標(biāo)識(shí)信息可以理解為每條報(bào)警信息的id(identification，身份標(biāo)識(shí)號(hào))，也稱為報(bào)警id。

報(bào)警的方式可以為聲、光及其組合的方式，也可以為其它的能夠提醒或警示用戶的方式，本實(shí)施例對(duì)此不做限定。進(jìn)一步的，當(dāng)設(shè)置了多種異常處理類別為報(bào)警類別時(shí)，還可以對(duì)不同的報(bào)警類別按照不同的方式進(jìn)行報(bào)警，例如以不同顏色的光來區(qū)分不同的報(bào)警類別。

當(dāng)然，當(dāng)目標(biāo)異常處理類別不是預(yù)設(shè)報(bào)警類別時(shí)，也可以輸出該目標(biāo)異常點(diǎn)的目標(biāo)異常處理類別，以使用戶可以了解和掌握所監(jiān)控的對(duì)象的運(yùn)行狀況。

在一種實(shí)現(xiàn)方式中，在針對(duì)目標(biāo)異常點(diǎn)進(jìn)行報(bào)警之后，該方法還可以包括：

在接收到用戶對(duì)目標(biāo)異常點(diǎn)標(biāo)記的異常處理類別時(shí)，將目標(biāo)異常點(diǎn)作為標(biāo)記樣本，對(duì)目標(biāo)預(yù)測模型進(jìn)行再次訓(xùn)練，得到新的目標(biāo)預(yù)測模型。

可以理解的，在針對(duì)目標(biāo)異常點(diǎn)進(jìn)行報(bào)警之后，用戶可能對(duì)該目標(biāo)異常點(diǎn)的異常處理類別重新進(jìn)行了標(biāo)記，例如，在預(yù)測得到目標(biāo)異常點(diǎn)的目標(biāo)異常處理類別為預(yù)設(shè)報(bào)警類別的情況下，用戶經(jīng)過分析發(fā)現(xiàn)該目標(biāo)異常點(diǎn)并不需要報(bào)警，則用戶可以重新標(biāo)記該目標(biāo)異常點(diǎn)的異常處理類別。

當(dāng)接收到用戶對(duì)目標(biāo)異常點(diǎn)的標(biāo)記信息后，表示目標(biāo)預(yù)測模型的預(yù)測結(jié)果并不符合用戶的需求，因此為了提高目標(biāo)預(yù)測模型預(yù)測的準(zhǔn)確性，可以將目標(biāo)異常點(diǎn)作為標(biāo)記樣本，按照上述訓(xùn)練方法對(duì)目標(biāo)預(yù)測模型進(jìn)行再次訓(xùn)練，得到新的目標(biāo)預(yù)測模型。

實(shí)際應(yīng)用中，當(dāng)用戶所監(jiān)控的對(duì)象較多時(shí)，為了便于管理，可以為每個(gè)檢測的曲線賦予一個(gè)標(biāo)識(shí)信息，如曲線id，與該曲線對(duì)應(yīng)的預(yù)測模型、預(yù)測模型的訓(xùn)練、用戶反饋的標(biāo)記信息都可以通過該曲線id進(jìn)行關(guān)聯(lián)。

用戶對(duì)于接收到的報(bào)警信息，可以標(biāo)記所報(bào)警的異常點(diǎn)的異常處理類別，并通過報(bào)警id進(jìn)行反饋，相當(dāng)于用戶幫助系統(tǒng)對(duì)所報(bào)警的異常點(diǎn)進(jìn)行了樣本標(biāo)記。在接收到用戶的反饋信息后，可以將該異常點(diǎn)的特征信息及所標(biāo)記的異常處理類別存儲(chǔ)到數(shù)據(jù)庫中，如關(guān)系型數(shù)據(jù)庫管理系統(tǒng)mysql，以便于后續(xù)利用該異常點(diǎn)對(duì)預(yù)測模型進(jìn)行再次訓(xùn)練。

每條曲線對(duì)應(yīng)的預(yù)測模型可以存儲(chǔ)在數(shù)據(jù)庫中，如mongodb(一個(gè)基于分布式文件存儲(chǔ)的數(shù)據(jù)庫，由c++語言編寫)，訓(xùn)練完成某條曲線對(duì)應(yīng)的預(yù)測模型后，會(huì)將該預(yù)測模型存入數(shù)據(jù)庫中，如果該曲線已有預(yù)測模型，則會(huì)覆蓋已有的預(yù)測模型，這樣在該曲線有新的異常點(diǎn)時(shí)可以直接使用新的預(yù)測模型。

需要強(qiáng)調(diào)的是，本實(shí)施例提供的方案利用機(jī)器學(xué)習(xí)訓(xùn)練預(yù)測模型，其中，基于半監(jiān)督式學(xué)習(xí)算法，只需要用戶對(duì)接收到的一部分異常點(diǎn)的報(bào)警信息進(jìn)行簡單的反饋，即可學(xué)習(xí)出用戶的個(gè)性化報(bào)警需求，同時(shí)利用標(biāo)記樣本和未標(biāo)記樣本進(jìn)行學(xué)習(xí)，輸出與用戶相關(guān)的預(yù)測模型，提高了報(bào)警的準(zhǔn)確率，減少了用戶人工配置報(bào)警規(guī)則的時(shí)間，而建立報(bào)警規(guī)則需要用戶對(duì)所監(jiān)控的服務(wù)以及使用的異常檢測算法都有一定的了解，因此還可以降低用戶的技能要求。本實(shí)施例提供的方案可以使用在各種流量、磁盤、qps(queriespersecond，每秒查詢率)等時(shí)間序列的監(jiān)控系統(tǒng)中，提供簡單、準(zhǔn)確、個(gè)性化的報(bào)警服務(wù)。

由以上可見，本實(shí)施例提供的報(bào)警方法，對(duì)于目標(biāo)曲線中的異常點(diǎn)，可以利用目標(biāo)預(yù)測模型來預(yù)測該異常點(diǎn)的異常處理類別，當(dāng)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，會(huì)針對(duì)該異常點(diǎn)進(jìn)行報(bào)警。目標(biāo)預(yù)測模型是基于目標(biāo)曲線中的標(biāo)記樣本以及標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，由于不同用戶對(duì)同一曲線的異常點(diǎn)所標(biāo)記的異常處理類別可能不同、同一用戶對(duì)不同曲線的異常點(diǎn)所標(biāo)記的異常處理類別也可能不同，因此對(duì)于不同的用戶或不同的曲線，可以得到相應(yīng)的預(yù)測模型，進(jìn)而可以對(duì)不同的用戶或不同的曲線，有針對(duì)性地進(jìn)行報(bào)警，提高報(bào)警的準(zhǔn)確率。

與上述的報(bào)警方法相對(duì)應(yīng)，本發(fā)明實(shí)施例還提供了一種報(bào)警裝置。

與圖1所示的方法實(shí)施例相對(duì)應(yīng)，圖2為本發(fā)明實(shí)施例提供的一種報(bào)警裝置的結(jié)構(gòu)示意圖，該裝置可以包括：

獲得模塊201，用于獲得目標(biāo)曲線中預(yù)設(shè)時(shí)長內(nèi)的目標(biāo)曲線段，其中，所述目標(biāo)曲線段中包含目標(biāo)異常點(diǎn)；

提取模塊202，用于從所述目標(biāo)曲線段中提取所述目標(biāo)異常點(diǎn)對(duì)應(yīng)的目標(biāo)特征信息；

預(yù)測模塊203，用于根據(jù)所述目標(biāo)特征信息和預(yù)先構(gòu)建的所述目標(biāo)曲線對(duì)應(yīng)的目標(biāo)預(yù)測模型，預(yù)測所述目標(biāo)異常點(diǎn)所對(duì)應(yīng)的目標(biāo)異常處理類別，其中，所述目標(biāo)預(yù)測模型是基于標(biāo)記樣本以及所述標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，所述標(biāo)記樣本為所述目標(biāo)曲線中標(biāo)記有異常處理類別的異常點(diǎn)；

報(bào)警模塊204，用于當(dāng)所述目標(biāo)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，針對(duì)所述目標(biāo)異常點(diǎn)進(jìn)行報(bào)警。

由以上可見，本實(shí)施例提供的報(bào)警裝置，對(duì)于目標(biāo)曲線中的異常點(diǎn)，可以利用目標(biāo)預(yù)測模型來預(yù)測該異常點(diǎn)的異常處理類別，當(dāng)異常處理類別為預(yù)設(shè)報(bào)警類別時(shí)，會(huì)針對(duì)該異常點(diǎn)進(jìn)行報(bào)警。目標(biāo)預(yù)測模型是基于目標(biāo)曲線中的標(biāo)記樣本以及標(biāo)記樣本對(duì)應(yīng)的特征信息進(jìn)行訓(xùn)練得到的，由于不同用戶對(duì)同一曲線的異常點(diǎn)所標(biāo)記的異常處理類別可能不同、同一用戶對(duì)不同曲線的異常點(diǎn)所標(biāo)記的異常處理類別也可能不同，因此對(duì)于不同的用戶或不同的曲線，可以得到相應(yīng)的預(yù)測模型，進(jìn)而可以對(duì)不同的用戶或不同的曲線，有針對(duì)性地進(jìn)行報(bào)警，提高報(bào)警的準(zhǔn)確率。

具體的，所述裝置還可以包括：

第一訓(xùn)練模塊(圖中未示出)，用于訓(xùn)練所述目標(biāo)預(yù)測模型；

其中，所述第一訓(xùn)練模塊，可以包括：

第一獲得子模塊(圖中未示出)，用于獲得所述目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本；

第一提取子模塊(圖中未示出)，用于提取所述標(biāo)記樣本對(duì)應(yīng)的特征信息；

第一訓(xùn)練子模塊(圖中未示出)，用于根據(jù)所述標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練所述目標(biāo)預(yù)測模型。

具體的，所述裝置還可以包括：

第二訓(xùn)練模塊(圖中未示出)，用于訓(xùn)練所述目標(biāo)預(yù)測模型；

其中，所述第二訓(xùn)練模塊，可以包括：

第二獲得子模塊(圖中未示出)，用于獲得所述目標(biāo)曲線對(duì)應(yīng)的標(biāo)記樣本和非標(biāo)記樣本，其中，所述非標(biāo)記樣本為未標(biāo)記異常處理類別的異常點(diǎn)；

第二提取子模塊(圖中未示出)，用于分別提取所述標(biāo)記樣本和所述非標(biāo)記樣本對(duì)應(yīng)的特征信息；

第二訓(xùn)練子模塊(圖中未示出)，用于根據(jù)所述非標(biāo)記樣本的特征信息、所述標(biāo)記樣本的特征信息和對(duì)應(yīng)的異常處理類別，訓(xùn)練所述目標(biāo)預(yù)測模型。

具體的，所述裝置還可以包括：

第三訓(xùn)練模塊(圖中未示出)，用于在所述報(bào)警模塊針對(duì)所述目標(biāo)異常點(diǎn)進(jìn)行報(bào)警之后，在接收到用戶對(duì)所述目標(biāo)異常點(diǎn)標(biāo)記的異常處理類別時(shí)，將所述目標(biāo)異常點(diǎn)作為標(biāo)記樣本，對(duì)所述目標(biāo)預(yù)測模型進(jìn)行再次訓(xùn)練，得到新的目標(biāo)預(yù)測模型。

具體的，所述目標(biāo)預(yù)測模型可以為隨機(jī)森林模型。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個(gè)實(shí)施例均采用相關(guān)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于裝置實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。