一种数据系统异常分析模型的构建方法

技术特征：
1.一种数据系统异常分析模型的构建方法，其特征在于，包括：获取数据系统的若干关键性能指标kpi历史时序数据；对于每两kpi历史时序数据组成的kpi历史时序数据对，根据每一kpi历史时序数据的数据分布，确定所述kpi历史时序数据对的不变量得分；根据每一kpi历史时序数据对的不变量得分，确定所述kpi历史时序数据对是否具有不变量关系，以是否具有不变量关系作为模型构建基准，构建各kpi历史时序数据的不变量网络模型，以监测当所述若干kpi历史时序数据更新后，所述数据系统是否发生故障。2.根据权利要求1所述的方法，其特征在于，在所述构建各kpi历史时序数据的不变量网络模型之后，还包括：当所述若干kpi历史时序数据更新时，对于更新后的每两kpi历史时序数据组成的kpi历史时序数据对：根据每一更新后的kpi历史时序数据的数据分布，确定更新后的kpi历史时序数据对的不变量得分；根据每一更新后的kpi历史时序数据对的不变量得分，确定更新后的kpi历史时序数据对是否具有不变量关系；若kpi历史时序数据对经过更新后，从具有不变量关系改变为不具有不变量关系，则确定所述kpi历史时序数据对存在异常。3.根据权利要求2所述的方法，其特征在于，在所述构建各kpi历史时序数据的不变量网络模型之后，还包括：统计具有不变量关系的kpi历史时序数据对的个数，确定不变量关系总数。4.根据权利要求3所述的方法，其特征在于，在确定所述kpi历史时序数据对存在异常之后，还包括：对于每一kpi历史时序数据，统计各存在异常的kpi历史时序数据对中，包含所述kpi历史时序数据的kpi历史时序数据对的数量，作为异常不变量个数；对于每一kpi历史时序数据，将所述kpi历史时序数据的异常不变量个数，除以所述不变量关系总数，得到所述kpi历史时序数据的异常比率；基于各异常比率，将各kpi历史时序数据由高到低排序，以确定各kpi历史时序数据的异常导致所述数据系统故障的可能性。5.根据权利要求1所述的方法，其特征在于，所述对于每两kpi历史时序数据组成的kpi历史时序数据对，根据每一kpi历史时序数据的数据分布，确定所述kpi历史时序数据对的不变量得分，包括：对于每两kpi历史时序数据组成的kpi历史时序数据对：以时序长度将所述kpi历史时序数据对分成若干子kpi历史时序数据对；对于每个子kpi历史时序数据对：将所述子kpi历史时序数据对输入预先建立的时序数据预测模型，得到其一子kpi历史时序数据的历史时间中的若干目标时刻的预测值；利用下式计算所述子kpi历史时序数据对的不变量子得分：
其中，m为所述目标时刻的个数，y
i
为所述其一子kpi历史时序数据在第i个目标时刻下的值，为所述其一子kpi历史时序数据在第i个目标时刻下的预测值；将每个子kpi历史时序数据对的不变量子得分，组成所述kpi历史时序数据对的不变量得分。6.根据权利要求5所述的方法，其特征在于，所述时序数据预测模型的建立过程，包括：将已有的kpi历史时序训练数据对代入数据预测公式中，并通过最大似然估计法解得所述数据预测公式的各个系数，其中，所述数据预测公式为：δy
t
＝c φ1δy
t-1

…
φ
n
δy
t-n
φ
n 1
δx
t-1

…
φ
2n
δx
t-n
其中，t为历史时序中的目标时刻，t-n为所述目标时刻之前的第n个时刻，δy
t
为所述kpi历史时序训练数据对中，目标kpi历史时序训练数据在所述目标时刻下的值，δy
t-n
为目标kpi历史时序训练数据在所述目标时刻之前的第n个时刻下的值，δx
t-n
为所述kpi历史时序训练数据对中，非目标kpi历史时序训练数据在所述目标时刻之前的第n个时刻下的值，c为所述目标时刻为所述历史时序中的第一个时刻时的值，φ1、φ
n
、φ
n 1
、φ
2n
分别为δy
t-1
、δy
t-n
、δx
t-1
、δx
t-n
的系数；将所述各个系数应用于所述数据预测公式中，得到第一时序数据预测模型。7.根据权利要求6所述的方法，其特征在于，在将所述各个系数应用于所述数据预测公式中，得到第一时序数据预测模型之后，还包括：通过所述第一时序数据预测模型，预测所述目标kpi历史时序训练数据在所述历史时序中的每个时刻的预测值；对于所述目标kpi历史时序训练数据，将所述历史时序中每个时刻的预测值，减去对应时刻下的值，得到所述历史时序中每个时刻下的预测误差值；将所述每个时刻下的预测误差值应用于所述第一时序数据预测模型，得到第二时序数据预测模型。8.根据权利要求5所述的方法，其特征在于，所述根据每一kpi历史时序数据对的不变量得分，确定所述kpi历史时序数据对是否具有不变量关系，包括：对于每一kpi历史时序数据对：绘制所述kpi历史时序数据对的各子kpi历史时序数据对的不变量子得分的quantile-quantile分位图；若拟合所述quantile-quantile分位图的直线斜率与1的差值小于预设阈值，则确定所述kpi历史时序数据对具有不变量关系；若拟合所述quantile-quantile分位图的直线斜率与1的差值不小于预设阈值，则确定所述kpi历史时序数据对不具有不变量关系。9.根据权利要求1所述的方法，其特征在于，在所述对于每两kpi历史时序数据组成的kpi历史时序数据对，根据每一kpi历史时序数据的数据分布，确定所述kpi历史时序数据对的不变量得分之前，还包括：
通过sarimax模型对每一kpi历史时序数据进行季节性差分和一阶差分，得到差分后的每一kpi历史时序数据。10.根据权利要求1-9任一项所述的方法，其特征在于，在所述对于每两kpi历史时序数据组成的kpi历史时序数据对，根据每一kpi历史时序数据的数据分布，确定所述kpi历史时序数据对的不变量得分之前，还包括：分析每两kpi历史时序数据之间的相似性，根据各两kpi历史时序数据之间的相似性，对各kpi历史时序数据进行聚类，得到多类kpi数据；所述对于每两kpi历史时序数据组成的kpi历史时序数据对，根据每一kpi历史时序数据的数据分布，确定所述kpi历史时序数据对的不变量得分，包括：对于每类kpi数据中每两kpi历史时序数据组成的kpi历史时序数据对，根据每一kpi历史时序数据的数据分布，确定所述kpi历史时序数据对的不变量得分。

技术总结
本申请公开了一种数据系统异常分析模型的构建方法，包括：获取数据系统的若干关键性能指标KPI历史时序数据，对于每两KPI历史时序数据组成的KPI历史时序数据对，根据每一KPI历史时序数据的数据分布，确定KPI历史时序数据对的不变量得分，根据每一KPI历史时序数据对的不变量得分，确定KPI历史时序数据对是否具有不变量关系，并构建各KPI历史时序数据的不变量网络模型。由此可见，将两两KPI历史时序数据构成KPI历史时序数据对，分析KPI历史时序数据对的不变量关系，使得各KPI历史时序数据之间得到联系，由此构建得到的不变量网络模型能够表示各KPI之间的空间关系，能够高准确率地对数据系统进行故障监测。对数据系统进行故障监测。对数据系统进行故障监测。


技术研发人员：陈鹏飞 胡子俊 郑子彬
受保护的技术使用者：中山大学
技术研发日：2022.05.17
技术公布日：2022/8/30