一种数据处理方法、装置及设备与流程

1.本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置及设备。


背景技术：

2.目前，“区分异常，降低误检”是现网运维人员的关键诉求。固定门限机制下，为了避免漏检，运维人员会将门限设置较为保守，从而产生了大量误检，耗用不必要的人工成本。现有其他技术方案多为对指标的统计特征建立模型，而后利用模型对指标的单个采样点是否异常进行判断，而在实际运维工作中，大量运维指标之间重要度不同，对于非重要指标，其异常不用特别处理；对于重要指标，单个采样点的轻微和短时异常也不用特别处理，因此现有方法会产生大量的误检。
3.由上可知，现有技术中针对网络指标进行异常检测的数据处理方案存在耗费人力、准确率低等问题。


技术实现要素：

4.本发明的目的在于提供一种数据处理方法、装置及设备，以解决现有技术中针对网络时序指标进行异常检测的数据处理方案存在耗费人力、准确率低的问题。
5.为了解决上述技术问题，本发明实施例提供一种数据处理方法，包括：
6.获取至少两个网络指标的指标数据；
7.根据所述指标数据，得到预设参数；
8.根据预设参数，得到网络指标异常检测结果；
9.其中，所述预设参数包括以下参数中的至少一个：
10.针对所述至少两个指标的多指标联合参数；
11.针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；
12.针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点。
13.可选的，所述根据预设参数，得到网络指标异常检测结果，包括：
14.在确定至少一个所述多指标联合参数与第一阈值之间的大小关系满足第一条件、至少一个所述单采样点参数与第二阈值之间的大小关系满足第二条件以及至少一个所述多采样点参数与第三阈值之间的大小关系满足第三条件的情况下，确定网络指标异常检测结果为高等级正常；
15.在只确定至少一个所述多指标联合参数与第四阈值之间的大小关系满足第四条件以及至少一个所述单采样点参数与第五阈值之间的大小关系满足第五条件的情况下，确定网络指标异常检测结果为中等级正常；
16.在只确定至少一个所述多指标联合参数与第六阈值之间的大小关系满足第六条件的情况下，确定网络指标异常检测结果为低等级正常。
17.可选的，还包括：
18.根据预设周期内的网络指标的数据，对参考阈值进行更新；
19.其中，所述参考阈值包括：第一阈值、第二阈值、第三阈值、第四阈值、第五阈值以及第六阈值中的至少一个。
20.可选的，所述根据所述指标数据，得到预设参数，包括：
21.从所述至少两个网络指标中确定预设类型的网络指标；
22.根据所述预设类型的网络指标，从所述指标数据中确定所述预设类型的网络指标的指标数据；
23.根据所述预设类型的网络指标的指标数据，分别获取每个所述预设类型的网络指标的单采样点参数和/或多采样点参数。
24.可选的，所述时间窗的窗口大小为采样周期的整数倍。
25.本发明实施例还提供了一种数据处理装置，包括：
26.第一获取模块，用于获取至少两个网络指标的指标数据；
27.第一处理模块，用于根据所述指标数据，得到预设参数；
28.第二处理模块，用于根据预设参数，得到网络指标异常检测结果；
29.其中，所述预设参数包括以下参数中的至少一个：
30.针对所述至少两个指标的多指标联合参数；
31.针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；
32.针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点。
33.可选的，所述第二处理模块，包括：
34.第一确定子模块，用于在确定至少一个所述多指标联合参数与第一阈值之间的大小关系满足第一条件、至少一个所述单采样点参数与第二阈值之间的大小关系满足第二条件以及至少一个所述多采样点参数与第三阈值之间的大小关系满足第三条件的情况下，确定网络指标异常检测结果为高等级正常；
35.在只确定至少一个所述多指标联合参数与第四阈值之间的大小关系满足第四条件以及至少一个所述单采样点参数与第五阈值之间的大小关系满足第五条件的情况下，确定网络指标异常检测结果为中等级正常；
36.在只确定至少一个所述多指标联合参数与第六阈值之间的大小关系满足第六条件的情况下，确定网络指标异常检测结果为低等级正常。
37.可选的，还包括：
38.第一更新模块，用于根据预设周期内的网络指标的数据，对参考阈值进行更新；
39.其中，所述参考阈值包括：第一阈值、第二阈值、第三阈值、第四阈值、第五阈值以及第六阈值中的至少一个。
40.可选的，所述第一处理模块，包括：
41.第二确定子模块，用于从所述至少两个网络指标中确定预设类型的网络指标；
42.第三确定子模块，用于根据所述预设类型的网络指标，从所述指标数据中确定所述预设类型的网络指标的指标数据；
43.第一获取子模块，用于根据所述预设类型的网络指标的指标数据，分别获取每个所述预设类型的网络指标的单采样点参数和/或多采样点参数。
44.可选的，所述时间窗的窗口大小为采样周期的整数倍。
45.本发明实施例还提供了一种数据处理设备，包括：处理器；
46.所述处理器，用于获取至少两个网络指标的指标数据；
47.根据所述指标数据，得到预设参数；
48.根据预设参数，得到网络指标异常检测结果；
49.其中，所述预设参数包括以下参数中的至少一个：
50.针对所述至少两个指标的多指标联合参数；
51.针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；
52.针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点。
53.可选的，所述处理器具体用于：
54.在确定至少一个所述多指标联合参数与第一阈值之间的大小关系满足第一条件、至少一个所述单采样点参数与第二阈值之间的大小关系满足第二条件以及至少一个所述多采样点参数与第三阈值之间的大小关系满足第三条件的情况下，确定网络指标异常检测结果为高等级正常；
55.在只确定至少一个所述多指标联合参数与第四阈值之间的大小关系满足第四条件以及至少一个所述单采样点参数与第五阈值之间的大小关系满足第五条件的情况下，确定网络指标异常检测结果为中等级正常；
56.在只确定至少一个所述多指标联合参数与第六阈值之间的大小关系满足第六条件的情况下，确定网络指标异常检测结果为低等级正常。
57.可选的，所述处理器还用于：
58.根据预设周期内的网络指标的数据，对参考阈值进行更新；
59.其中，所述参考阈值包括：第一阈值、第二阈值、第三阈值、第四阈值、第五阈值以及第六阈值中的至少一个。
60.可选的，所述处理器具体用于：
61.从所述至少两个网络指标中确定预设类型的网络指标；
62.根据所述预设类型的网络指标，从所述指标数据中确定所述预设类型的网络指标的指标数据；
63.根据所述预设类型的网络指标的指标数据，分别获取每个所述预设类型的网络指标的单采样点参数和/或多采样点参数。
64.可选的，所述时间窗的窗口大小为采样周期的整数倍。
65.本发明实施例还提供了一种数据处理设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器执行所述程序时实现上述的数据处理方法。
66.本发明实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的数据处理方法中的步骤。
67.本发明的上述技术方案的有益效果如下：
68.上述方案中，所述数据处理方法通过获取至少两个网络指标的指标数据；根据所述指标数据，得到预设参数；根据预设参数，得到网络指标异常检测结果；其中，所述预设参数包括以下参数中的至少一个：针对所述至少两个指标的多指标联合参数；针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点；能够实现自动监控并发现网络运维性能指标(即上述网络指标)中的异常情况，从而达到节省人力，提升监控效率，及时发现、定位、解决异常，保障网络性能的效果；并且可从单点/短时异常和多点/长时异常的多维度考虑网络指标的异常，提升检测准确率，降低误检率；很好的解决了现有技术中针对网络时序指标进行异常检测的数据处理方案存在耗费人力、准确率低的问题。
附图说明
69.图1为本发明实施例中数据处理方法流程示意图；
70.图2为本发明实施例中数据处理方法具体应用流程示意图一；
71.图3为本发明实施例中数据处理方法具体应用流程示意图二；
72.图4为本发明实施例中数据处理装置结构示意图；
73.图5为本发明实施例中数据处理设备结构示意图。
具体实施方式
74.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
75.本发明针对现有的技术中针对网络时序指标进行异常检测的数据处理方案存在耗费人力、准确率低的问题，提供一种数据处理方法，如图1所示，包括：
76.步骤11：获取至少两个网络指标的指标数据；
77.步骤12：根据所述指标数据，得到预设参数；
78.步骤13：根据预设参数，得到网络指标异常检测结果；其中，所述预设参数包括以下参数中的至少一个：针对所述至少两个指标的多指标联合参数；针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点。
79.本发明实施例中，还可以根据网络指标异常检测结果进行对应等级的警示操作，在此不作限定。
80.本发明实施例提供的所述数据处理方法通过获取至少两个网络指标的指标数据；根据所述指标数据，得到预设参数；根据预设参数，得到网络指标异常检测结果；其中，所述预设参数包括以下参数中的至少一个：针对所述至少两个指标的多指标联合参数；针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点；能够实现自动监控并发现网络运维性能指标(即上述网络指标)中的异常情况，从而达到节省人力，提升监控效率，及时发现、定位、解决异常，保障网络性能的效果；并且
可从单点/短时异常和多点/长时异常的多维度考虑网络指标的异常，提升检测准确率，降低误检率；很好的解决了现有技术中针对网络时序指标进行异常检测的数据处理方案存在耗费人力、准确率低的问题。
81.本发明实施例中，所述根据预设参数，得到网络指标异常检测结果，包括：在确定至少一个所述多指标联合参数与第一阈值之间的大小关系满足第一条件、至少一个所述单采样点参数与第二阈值之间的大小关系满足第二条件以及至少一个所述多采样点参数与第三阈值之间的大小关系满足第三条件的情况下，确定网络指标异常检测结果为高等级正常；在只确定至少一个所述多指标联合参数与第四阈值之间的大小关系满足第四条件以及至少一个所述单采样点参数与第五阈值之间的大小关系满足第五条件的情况下，确定网络指标异常检测结果为中等级正常；在只确定至少一个所述多指标联合参数与第六阈值之间的大小关系满足第六条件的情况下，确定网络指标异常检测结果为低等级正常。
82.其中，至少一个参数(可以是多指标联合参数、单采样点参数或多采样点参数)，可以理解为对应于单个采样时刻(或时间窗)或连续多个采样时刻(或时间窗)的参数，在此不作限定。
83.第二阈值可以包含两个子值，即上下限值；第四阈值可以与第一阈值相同、第四条件可以与第一条件相同、第五阈值可以与第二阈值相同、第五条件可以与第二条件相同、第六阈值可以与第三阈值相同，和/或第六条件可以与第三条件相同。
84.进一步的，所述的数据处理方法，还包括：根据预设周期内的网络指标的数据，对参考阈值进行更新；其中，所述参考阈值包括：第一阈值、第二阈值、第三阈值、第四阈值、第五阈值以及第六阈值中的至少一个。
85.这样可以进一步检测的准确率。
86.本发明实施例中，所述根据所述指标数据，得到预设参数，包括：从所述至少两个网络指标中确定预设类型的网络指标；根据所述预设类型的网络指标，从所述指标数据中确定所述预设类型的网络指标的指标数据；根据所述预设类型的网络指标的指标数据，分别获取每个所述预设类型的网络指标的单采样点参数和/或多采样点参数。
87.预设类型的网络指标对应于通常理解的重要的网络指标。
88.本发明实施例中，所述时间窗的窗口大小为采样周期的整数倍。
89.这样可以在一定程度上保证检测的准确率。
90.下面对本发明实施例提供的所述数据处理方法进行进一步说明。
91.针对上述技术问题，本发明实施例提供了一种数据处理方法，具体可结合单点异常快速检测、时序多点异常评分和多指标联合单点异常评分，实现为一种多维度多算法相集成的、针对网络时序指标(即上述网络指标)的异常检测方法。在此先说明，箱线图和vae(变分自编码器)算法均基于指标数据的统计分布特征来判断异常，属于无监督算法，无需标注信息。
92.具体的，本发明实施例提供的方案如图2所示(图中的计数器counter表示上述指标数据，异常分数anomaly score1表示所述多指标联合参数，异常指示anomaly indication 1表示所述单采样点参数，anomaly score2表示所述多采样点参数)，涉及以下操作：
93.1.将某一时间点上采样的n个(至少两个)网络指标的值组成指标向量，进行多指
标联合异常评分(即根据多指标联合参数进行网络指标异常检测)，则对于每个采样时刻上均能计算出多指标联合异常评分值anomaly score_1(t)，其中，t为在一定采样周期下确定的采样时刻点。多指标联合异常评分可采用深度学习生成算法vae，对每个指标向量的异常程度给出量化分值。具体可以是对多指标的至少一个时刻进行判断。
94.2.根据预置规则，从n个网络指标中筛选出重要网络指标进行重点分析。若共筛选出m个重要指标，则并行m条分析进程。在每条进程中，对该网络指标同时进行单采样点异常检测和时序多采样点异常评分(即根据单时刻点的单采样点参数和多采样点参数进行网络指标异常检测)。其中，
95.a)单采样点异常检测：对每个采样时刻点上该网络指标的统计分布进行计算，设置异常判断上下界(即上述第二阈值和第五阈值)，超出上下界则认为发生单点异常。可采用基于统计分布特征的箱线图算法，也可以是其他基于统计的算法。具体可以是对单个重要指标的至少一个采样时刻进行判断。
96.b)时序多采样点异常评分：对该网络指标的采样点时序设置异常评估时间窗，窗口大小为采样周期的整数倍，窗口大小可配置。对当前采样时刻往前一个时间窗口内，网络指标的采样值向量的异常程度给出量化分值。可采用深度学习生成算法vae，也可采用能量化出异常程度的其他算法。具体可以是对单个重要指标的至少一个时间窗进行判断，时间窗包括至少两个时刻。
97.3.集成判断：可配置多级别异常警示，按照误检率由低至高分为多级：比如一级、二级和三级。也可以根据运维需求，在anomaly score1、anomaly score2和anomaly indication1间组合生成判断条件。不同级别下，同一参数的异常判断阈值可配置为不同值，例如可按照如下组合分为三级及相关判断条件：
98.a)一级：误检率最低(对应于上述网络指标异常检测结果为高等级正常)，结合anomaly score 1、anomaly score 2和anomaly indication判断，比如判断条件为：
99.anomaly score 1《thres(阈值)1，以及，
100.有1个或多个重要网络指标的anomaly indication＝＝true(即满足与阈值之间的关系条件)，以及，
101.上述重要网络指标的anomaly score 2《thres2。
102.上述每条判断条件均可以是对于单个采样时刻(即网络指标的单个参数值)，或连续多个采样时刻的累加值(即网络指标的多个参数值)。
103.b)二级：误检率较低(对应于上述网络指标异常检测结果为中等级正常)，结合anomaly score 1和anomaly indication判断：
104.anomaly score 1《thres3，以及，
105.有1个或多个重要网络指标的anomaly indication＝＝true。
106.上述每条判断条件均可以是对于单个采样时刻，或连续多个采样时刻的累加值
107.c)三级：误检率最高(对应于上述网络指标异常检测结果为低等级正常)，仅根据anomaly score 1判断：
108.anomaly score 1《thres4。
109.上述每条判断条件均可以是对于单个采样时刻，或连续多个采样时刻的累加值。
110.在此说明，上面的参数与阈值之间的大小关系的判断条件只为示例，不作限制，各
个参数与阈值之间的可能是大于或小于的关系才满足判断条件；关于阈值可以是周期性更新的，或者由预设条件触发更新的。
111.下面对本发明实施例提供的方案进行具体举例说明，关于单采样点参数以箱线图方式确定为例，多指标联合参数以及多采样点参数以vae方式确定为例。
112.如图3所示(图中anomaly indication 2表示所述网络指标异常检测结果)，涉及以下操作：
113.1.对多指标向量，采用多指标vae进行单采样时刻上的异常度评分。
114.2.当anomaly score 1超过门限时，可以对于所有重要网络性能指标，按照经典统计方法(箱线图)对每个15分钟时段计算最新的异常门限值(比如共有96组门限)，并对当前样本按照对应的最新异常门限进行快速判断(即获取anomaly indication 1)。
115.3.当有1个或多个重要网络指标指示发生异常时，启动基于vae的大时间尺度异常量化评估，对后续多个采样时刻对应的大时间尺度样本(如96个采样点组成的样本向量)进行异常度评分(即获取anomaly score 2)。可以对上述多个采样时刻的异常度分值走势和累加值进行判断。由于持续异常的发生会使得异常度分值单调下降，而异常越严重，异常度评分值越低，因此若异常度分值为单调下降或累加值低于门限，则可认为发生“严重告警”。
116.由上可知，本发明实施例提供的方案涉及：
117.1、多维多算法集成异常检测方法；
118.2、多指标联合异常评分与重要指标单独异常评分相结合；
119.3、单时刻点异常评分与连续多时刻点异常评分相结合；
120.4、可配置多级别异常警示、每级别的输入组合，以及每级别的判断条件；
121.5、可配置组合预设参数中的任意参数生成判断条件，参数的判断阈值可配置。
122.综上，本发明实施例提供的方案通过结合经典数理统计分析方法与ai(人工智能)算法，自动监控并发现网络运维性能指标(即上述网络指标)中的异常情况，可区分网络指标重要度、可量化异常严重程度，降低误检率，从而达到节省人力，提升监控效率，及时发现、定位、解决异常，保障网络性能的效果；具体的：
123.(1)可以区分网络指标间的重要程度；
124.(2)可以区分轻微异常和严重异常；
125.(3)可以区分单点异常和多点异常，和/或，短时异常和长时异常。
126.本发明实施例还提供了一种数据处理装置，如图4所示，包括：
127.第一获取模块41，用于获取至少两个网络指标的指标数据；
128.第一处理模块42，用于根据所述指标数据，得到预设参数；
129.第二处理模块43，用于根据预设参数，得到网络指标异常检测结果；
130.其中，所述预设参数包括以下参数中的至少一个：
131.针对所述至少两个指标的多指标联合参数；
132.针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；
133.针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点。
134.本发明实施例提供的所述数据处理装置通过获取至少两个网络指标的指标数据；
根据所述指标数据，得到预设参数；根据预设参数，得到网络指标异常检测结果；其中，所述预设参数包括以下参数中的至少一个：针对所述至少两个指标的多指标联合参数；针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点；能够实现自动监控并发现网络运维性能指标(即上述网络指标)中的异常情况，从而达到节省人力，提升监控效率，及时发现、定位、解决异常，保障网络性能的效果；并且可从单点/短时异常和多点/长时异常的多维度考虑网络指标的异常，提升检测准确率，降低误检率；很好的解决了现有技术中针对网络时序指标进行异常检测的数据处理方案存在耗费人力、准确率低的问题。
135.本发明实施例中，所述第二处理模块，包括：第一确定子模块，用于在确定至少一个所述多指标联合参数与第一阈值之间的大小关系满足第一条件、至少一个所述单采样点参数与第二阈值之间的大小关系满足第二条件以及至少一个所述多采样点参数与第三阈值之间的大小关系满足第三条件的情况下，确定网络指标异常检测结果为高等级正常；在只确定至少一个所述多指标联合参数与第四阈值之间的大小关系满足第四条件以及至少一个所述单采样点参数与第五阈值之间的大小关系满足第五条件的情况下，确定网络指标异常检测结果为中等级正常；在只确定至少一个所述多指标联合参数与第六阈值之间的大小关系满足第六条件的情况下，确定网络指标异常检测结果为低等级正常。
136.进一步的，所述的数据处理装置，还包括：第一更新模块，用于根据预设周期内的网络指标的数据，对参考阈值进行更新；其中，所述参考阈值包括：第一阈值、第二阈值、第三阈值、第四阈值、第五阈值以及第六阈值中的至少一个。
137.本发明实施例中，所述第一处理模块，包括：第二确定子模块，用于从所述至少两个网络指标中确定预设类型的网络指标；第三确定子模块，用于根据所述预设类型的网络指标，从所述指标数据中确定所述预设类型的网络指标的指标数据；第一获取子模块，用于根据所述预设类型的网络指标的指标数据，分别获取每个所述预设类型的网络指标的单采样点参数和/或多采样点参数。
138.本发明实施例中，所述时间窗的窗口大小为采样周期的整数倍。
139.其中，上述数据处理方法的所述实现实施例均适用于该数据处理装置的实施例中，也能达到相同的技术效果。
140.本发明实施例还提供了一种数据处理设备，如图5所示，包括：处理器；
141.所述处理器51，用于获取至少两个网络指标的指标数据；
142.根据所述指标数据，得到预设参数；
143.根据预设参数，得到网络指标异常检测结果；
144.其中，所述预设参数包括以下参数中的至少一个：
145.针对所述至少两个指标的多指标联合参数；
146.针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；
147.针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点。
148.本发明实施例中，所述数据处理设备还可以包括与处理器通信的收发机，在此不
作限定。
149.本发明实施例提供的所述数据处理设备通过获取至少两个网络指标的指标数据；根据所述指标数据，得到预设参数；根据预设参数，得到网络指标异常检测结果；其中，所述预设参数包括以下参数中的至少一个：针对所述至少两个指标的多指标联合参数；针对所述至少两个指标中的预设类型的各个网络指标的单时刻点的单采样点参数；针对所述至少两个指标中的预设类型的各个网络指标的时间窗的多采样点参数，所述时间窗包括至少两个时刻点；能够实现自动监控并发现网络运维性能指标(即上述网络指标)中的异常情况，从而达到节省人力，提升监控效率，及时发现、定位、解决异常，保障网络性能的效果；并且可从单点/短时异常和多点/长时异常的多维度考虑网络指标的异常，提升检测准确率，降低误检率；很好的解决了现有技术中针对网络时序指标进行异常检测的数据处理方案存在耗费人力、准确率低的问题。
150.本发明实施例中，所述处理器具体用于：在确定至少一个所述多指标联合参数与第一阈值之间的大小关系满足第一条件、至少一个所述单采样点参数与第二阈值之间的大小关系满足第二条件以及至少一个所述多采样点参数与第三阈值之间的大小关系满足第三条件的情况下，确定网络指标异常检测结果为高等级正常；在只确定至少一个所述多指标联合参数与第四阈值之间的大小关系满足第四条件以及至少一个所述单采样点参数与第五阈值之间的大小关系满足第五条件的情况下，确定网络指标异常检测结果为中等级正常；在只确定至少一个所述多指标联合参数与第六阈值之间的大小关系满足第六条件的情况下，确定网络指标异常检测结果为低等级正常。
151.进一步的，所述处理器还用于：根据预设周期内的网络指标的数据，对参考阈值进行更新；其中，所述参考阈值包括：第一阈值、第二阈值、第三阈值、第四阈值、第五阈值以及第六阈值中的至少一个。
152.本发明实施例中，所述处理器具体用于：从所述至少两个网络指标中确定预设类型的网络指标；根据所述预设类型的网络指标，从所述指标数据中确定所述预设类型的网络指标的指标数据；根据所述预设类型的网络指标的指标数据，分别获取每个所述预设类型的网络指标的单采样点参数和/或多采样点参数。
153.本发明实施例中，所述时间窗的窗口大小为采样周期的整数倍。
154.其中，上述数据处理方法的所述实现实施例均适用于该数据处理设备的实施例中，也能达到相同的技术效果。
155.本发明实施例还提供了一种数据处理设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器执行所述程序时实现上述的数据处理方法。
156.其中，上述数据处理方法的所述实现实施例均适用于该数据处理设备的实施例中，也能达到相同的技术效果。
157.本发明实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的数据处理方法中的步骤。
158.其中，上述数据处理方法的所述实现实施例均适用于该可读存储介质的实施例中，也能达到相同的技术效果。
159.需要说明的是，此说明书中所描述的许多功能部件都被称为模块/子模块，以便更
加特别地强调其实现方式的独立性。
160.本发明实施例中，模块/子模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
161.实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。
162.在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(vlsi)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
163.以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述原理前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。