异常检测模型的训练方法、装置、设备及存储介质与流程

1.本发明涉及数据处理技术领域，尤其涉及一种异常检测模型的训练方法、装置、设备及存储介质。


背景技术：

2.在生产环境中，通常需要对实时获取的各种时序数据进行异常检测。如果检测后发现数据出现异常，可以提醒运维人员及时的处理，从而为后续的告警或者故障的根因定位提供数据支持。因此，异常检测在智能运维当中的作用至关重要。
3.现有技术对异常数据检测的方式，通常为对不同类型的数据采用不同异常检测手段进行数据的异常检测。然而，这种检测方式的检测准确度低，缺乏通用性。


技术实现要素：

4.本发明提供了一种页面更新方法、装置、设备及存储介质，以提高异常数据检测的准确度和通用性。
5.根据本发明的一方面，提供了一种异常检测模型的训练方法，该方法包括：
6.获取历史时间周期内的待测指标数据；
7.根据所述待测指标数据的时间属性，对所述待测指标数据进行分类，得到至少一个待测指标数据簇；
8.根据各所述待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各所述待测指标数据簇分别对应的异常检测模型。
9.根据本发明的另一方面，提供了一种异常数据检测方法，该方法包括：
10.获取当前时间周期内的待测指标数据；
11.根据所述待测指标数据的时间属性，从不同模型类别的异常检测模型中，确定目标异常检测模型；
12.将所述待测指标数据输入至所述目标异常检测模型中，得到所述待测指标数据的异常检测结果；
13.其中，所述目标异常检测模型采用如权利要求1-5任一项所述的异常检测模型的训练方法得到。
14.根据本发明的另一方面，提供了一种异常检测模型的训练装置，该装置包括：
15.指标数据获取模块，用于获取历史时间周期内的待测指标数据；
16.数据簇确定模块，用于根据所述待测指标数据的时间属性，对所述待测指标数据进行分类，得到至少一个待测指标数据簇；
17.异常检测模型确定模块，用于根据各所述待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各所述待测指标数据簇分别对应的异常检测模型。
18.根据本发明的另一方面，提供了一种异常数据检测装置，该装置包括：
19.指标数据获取模块，用于获取当前时间周期内的待测指标数据；
20.模型确定模块，用于根据所述待测指标数据的时间属性，从不同模型类别的异常检测模型中，确定目标异常检测模型；
21.异常检测结果确定模块，用于将所述待测指标数据输入至所述目标异常检测模型中，得到所述待测指标数据的异常检测结果；
22.其中，所述目标异常检测模型采用如权利要求1-5任一项所述的异常检测模型的训练方法得到。
23.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
24.至少一个处理器；以及
25.与所述至少一个处理器通信连接的存储器；其中，
26.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的异常检测模型的训练方法和/或异常数据检测方法。
27.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的异常检测模型的训练方法和/或异常数据检测方法。
28.本发明实施例方案通过获取历史时间周期内的待测指标数据；根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇；根据各待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型。上述方案通过在确定异常检测模型的过程中考虑待测指标数据的时间属性，使得得到的异常检测模型的检测准确度高，并且具有通用性，能够适配各种周期场景。尤其对于在不同时间周期内所呈现的数据特征不同的待测指标数据，在进行异常数据检测时，检测效果更好，检测准确度更高。此外，本发明实施例方案能够有效提升异常检测的性能，同时在时序预测方面也能够有效提高其预测性能。
29.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
30.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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，还可以根据这些附图获得其他的附图。
31.图1是根据本发明实施例一提供的一种异常检测模型的训练方法的流程图；
32.图2a是根据本发明实施例二提供的一种异常数据检测方法的流程图；
33.图2b是根据本发明实施例二提供的一种异常数据检测的示意图；
34.图3是根据本发明实施例三提供的一种异常检测模型的训练装置的结构示意图；
35.图4是根据本发明实施例四提供的一种异常数据检测装置的结构示意图；
36.图5是实现本发明实施例的异常检测模型的训练和/或异常数据检测方法的电子设备的结构示意图。
具体实施方式
37.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
38.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
39.实施例一
40.图1为本发明实施例一提供了一种异常检测模型的训练方法的流程图，本实施例可适用于受节假日效应影响的时间序列数据进行数据异常检测的情况，该方法可以由异常检测模型的训练装置来执行，该异常检测模型的训练装置可以采用硬件和/或软件的形式实现，该异常检测模型的训练装置可配置于电子设备中。如图1所示，包括：
41.s110、获取历史时间周期内的待测指标数据。
42.其中，历史时间周期可以由相关技术人员进行预先设定，例如，历史时间周期可以是3～6个月。
43.其中，待测指标数据可以是受时间属性影响变化的时间序列数据。例如，时间属性可以包括节假日、工作日和周末等。例如，待测指标数据可以是交易量、cpu(中央处理器，central processing unit)占用率、交易成功率和响应时间等。待测指标数据与需要进行异常数据测试的待测系统有关。例如，待测系统为用于进行购物的商城系统，则相应的待测指标数据可以是交易量、交易成功率和访问量等。
44.可以理解的是，待测指标数据会受到诸多因素影响，它可能会在一段时间周期内表现出周期性，但是又会在一些具体特殊时间属性的周期或节点出现较大波动，即在具有不同时间属性的时间周期中，待测指标数据会表现出不同的特性。例如，在节假日或休息日时，交易量等待测指标数据的数据量会明显大于工作日时的数据量。若将受时间属性因素影响的待测指标数据混在一起检测异常数据，会导致异常检测效果较差，缺乏通用性。而本发明的方案会充分考虑受时间属性，例如节假日属性的影响，检测待测指标数据中的异常数据，提高异常检测准确度的同时能够适配各种周期场景。
45.需要说明的是，由于获取待测指标数据的过程中，可能会出现待测系统的服务器状态不稳定而无法正常提供待测指标数据的情况。或者，由于探针状态异常或网络延迟等原因，无法获取某一时间周期的待测指标数据，从而导致异常检测效果较差等问题。为克服上述问题，可以对获取的待测指标数据进行数据预处理。
46.在一个可选实施例中，在获取历史时间周期内的待测指标数据之后，还包括：对待测指标数据进行缺失值补充，得到填充待测指标数据；对填充待测指标数据进行数据平滑
处理，得到平滑待测指标数据；将平滑待测指标数据作为待测指标数据。
47.其中，缺失值补充可以是对待测指标数据中对应时间段内缺失的数据进行补充。对待测指标数据进行缺失值补充的方式可以是采用插值算法进行缺失值补充。其中，填充待测指标数据可以是进行缺失值补充后的待测指标数据。
48.示例性的，根据待测指标数据按照对应时间段，对待测指标数据内缺失的数据使用插值算法进行的缺失值补充。其中，插值算法例如可以是最近邻插值法(nearest neighbour interpolation)、线性插值法和双线性插值法等。
49.可以将填充待测指标数据作为待测指标数据并进行后续异常数据的检测。为进一步移除噪声以及削弱异常的影响，还可以对填充待测指标数据进行平滑处理。其中，平滑待测指标数据可以是进行平滑处理后的填充待测指标数据。
50.示例性的，可以使用移动平均法对填充待测指标数据进行平滑处理。具体可以根据相关技术人员的实际经验值和实验值，选取平滑处理时的平滑窗口周期。例如，平滑窗口周期可以为30分钟。可以将平滑待测指标数据作为待测指标数据并进行后续异常数据的检测。
51.s120、根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇。
52.其中，时间属性可以包括工作日、休息日和节假日等。待测指标数据簇可以是具有相同时间属性的待测指标数据。
53.示例性的，可以采用人为手动分类的方式，根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇。还可以采用自动化的方式，通过聚类算法，对待测指标数据进行聚类，从而得到至少一个具有相同时间属性的待测指标数据簇。其中，聚类算法可以是dbscan聚类算法(density-based spatial clustering of applications with noise，有代表性的基于密度的聚类算法)。
54.在一个可选实施例中，根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇，包括：对待测指标数据进行数据切分，得到至少一个待测指标数据集合；根据待测指标数据集合对应的时间属性，对各待测指标数据集合进行聚类，得到至少一个待测指标数据簇。
55.对待测指标数据进行数据切分的方式可以由相关技术人员进行预先设定。示例性的，可以根据预先设定的切分周期，对历史时间周期内的待测指标数据进行切分，切分得到至少一个待测数据集合。例如，若切分周期为1天，历史时间周期为30天，则可以将待测指标数据切分成30个待测指标数据集合。每个待测指标数据集合中包括1天的待测指标数据。
56.对至少一个待测指标数据集合进行聚类，得到聚类后的至少一个待测指标数据簇。每个待测指标数据簇中包括具有相同时间属性的至少一个待测指标数据集合。
57.可选的，可以采用dbscan聚类算法对待测指标数据集合进行聚类。首先，由于待测指标数据可以是从各种不同的待测应用程序或者待测系统中采集得到的，而相关技术人员可能没有对待测应用程序或待测系统对应的待测指标数据的先验知识，而dbscan聚类算法可以根据待测指标数据自动推断出其时间属性并按照相应的时间属性分成至少一个聚类类别，得到相应的待测指标数据簇。其次，dbscan聚类算法可以采用不同的距离度量方式，例如采用sbd(shape-based distance，距离度量算法)，解决待测指标数据的漂移问题。
58.本可选实施例通过对待测指标数据进行数据切分，得到至少一个待测指标数据集合，根据待测指标数据集合对应的时间属性，对各待测指标数据集合进行聚类，得到至少一个待测指标数据簇，实现了对具有相同时间属性的待测指标数据的准确分类，提高了待测指标数据簇的确定准确度，从而便于后续更好的对相应的异常检测模型的训练。
59.为便于后续在进行数据异常检测过程中，能够有针对性且准确的选择用于检测相应的待检测指标数据的异常检测模型，可以通过确定待测指标数据簇的类别特性的方式，为后续训练得到的该待测指标数据簇对应的异常检测模型赋予模型类别或模型名称。
60.在一个可选实施例中，在根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇之后，还包括：根据各待测指标数据簇中待测指标数据集合的时间属性，确定各待测指标数据簇的类别特征；其中，类别特征用于表征待测指标数据簇对应的异常检测模型的模型类别；相应的，根据各待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型，包括：根据各待测指标数据簇中的待测指标数据，以及各待测指标数据簇的类别特性，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型。
61.其中，类别特征可以包括周末、工作日和节假日等，具体与待测指标数据簇中的待测指标数据的时间属性有关。
62.示例性的，若存在待测指标数据簇a和待测指标数据簇b。待测指标数据簇a中的各待测指标数据大多为周六和周日的数据，因此，待测指标数据簇a的类别特征为周末特征类别。待测指标数据簇b中的各待测指标数据大多为周一至周五的数据，因此，待测指标数据簇b的类别特征为工作日特征类别。
63.相应的，类别特征用于表征待测指标数据簇对应的异常检测模型的模型类别。延续前例，待测指标数据簇a的模型类别可以为周末类别；待测指标数据簇b的模型类别可以为工作日类别。
64.为提高待测指标数据簇的类别特征的准确度，还可以采用以下方式对待测指标数据簇的类别特征进行确定。
65.在一个可选实施例中，根据各待测指标数据簇中待测指标数据的时间属性，确定各待测指标数据簇的类别特征，包括：确定待测指标数据簇中各待测指标数据集合的时间属性；确定待测指标数据簇中具有相同时间属性的待测指标数据集合的集合数量；根据满足预设数量阈值的集合数量对应的时间属性，确定待测指标数据簇的类别特征。
66.其中，预设数量阈值可以由相关技术人员根据实际需求或待测指标数据的数量进行预先设定。例如，预设数量阈值可以为10个。
67.示例性的，若待测指标数据簇a中存在20个待测指标数据集合，预设数量阈值为15。其中，待测指标数据簇a中存在18个待测指标数据集合的时间属性为周末属性，因此，可以确定待测指标数据簇a中具有相同时间属性的集合数量满足预设数量阈值，则待测指标数据簇a的类别特征为周末特征。
68.可选的，还可以通过预先设定相同时间属性在待测指标数据簇中的集合占比的方式确定。例如，预先设定占比阈值，若待测指标数据簇中具有相同属性的待测指标数据集合的集合数量在该待测指标数据簇的全部集合数量的占比大于预设的占比阈值，则可以将占比大于预设占比阈值的相同属性的待测指标数据集合对应的时间属性，确定为该待测指标
数据簇的类别特征。
69.本可选实施例通过采用满足预设数量阈值的集合数量对应的时间属性，确定待测指标数据簇的类别特征的方式，实现了对待测指标数据簇的类别特征的准确确定。通过根据各待测指标数据簇中待测指标数据集合的时间属性，确定各待测指标数据簇的类别特征，便于后续在进行数据异常检测过程中，能够有针对性且准确的选择用于检测相应的待检测指标数据的异常检测模型。
70.s130、根据各待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型。
71.其中，算法模型可以由相关技术人员进行预先设定。算法模型可以是神经网络模型，也可以是数学算法模型。例如，算法模型可以是omp(orthogonal matching pursuit，正交匹配追踪)算法。各待测指标数数据簇分别对应相应的异常检测模型。
72.示例性的，针对任一待测指标数据簇，将该待测指标数据簇中的待测指标数据集合输入至预设的算法模型中进行训练，得到训练后的算法模型作为该待测数据簇的异常检测模型。
73.示例性的，根据各待测指标数据簇中的待测指标数据，以及各待测指标数据簇的类别特性，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型。
74.在算法模型训练的过程中还可以考虑待测数据簇的类别特征。或者，在得到异常检测模型后，可以根据该异常检测模型对应的待测指标数据簇的类别特征，确定该异常检测模型的模型类别和/或模型名称，便于后续在模型的实际使用场景下，能够根据模型类别和/或模型名称，快速匹配到与待进行异常检测的数据相应的异常检测模型。
75.本发明实施例方案通过获取历史时间周期内的待测指标数据；根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇；根据各待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型。上述方案通过在确定异常检测模型的过程中考虑待测指标数据的时间属性，使得得到的异常检测模型的检测准确度高，并且具有通用性，能够适配各种周期场景。尤其对于在不同时间周期内所呈现的数据特征不同的待测指标数据，在进行异常数据检测时，检测效果更好，检测准确度更高。此外，本发明实施例方案能够有效提升异常检测的性能，同时在时序预测方面也能够有效提高其预测性能。
76.实施例二
77.图2a为本发明实施例一提供了一种异常数据检测方法的流程图，本实施例可适用于受节假日效应影响的时间序列数据进行数据异常检测的情况，该方法可以由异常数据检测装置来执行，该异常数据检测装置可以采用硬件和/或软件的形式实现，该异常数据检测装置可配置于电子设备中。如图2a所示，包括：
78.s210、获取当前时间周期内的待测指标数据。
79.其中，当前时间周期内的待测指标数据可以是当前需要进行异常检测的时间周期内的待测指标数据。例如，待测指标数据可以是受时间属性影响变化的时间序列数据。例如，时间属性可以包括节假日、工作日和周末等。例如，待测指标数据可以是交易量、cpu占用率、交易成功率和响应时间等。
80.s220、根据待测指标数据的时间属性，从不同模型类别的异常检测模型中，确定目
标异常检测模型。
81.其中，模型类别与时间属性相对应。例如，时间属性为节假日，则对应的模型类别可以为节假日类别。
82.示例性的，若待测指标数据的时间属性为工作日属性，则从至少一个不同模型类别的异常检测模型中，获取模型类别为工作日类别的异常检测模型，即用于对工作日属性的待测指标数据进行异常检测的异常检测模型，作为目标异常进测模型。
83.s230、将待测指标数据输入至目标异常检测模型中，得到待测指标数据的异常检测结果。
84.其中，目标异常检测模型采用如上述实施例所提供的异常检测模型的训练方法得到。
85.示例性的，将待测指标数据输入至目标异常检测模型中，得到目标异常检测模型的输出结果，并将该模型的输出结果作为该待测指标数据的异常检测结果。其中，异常检测结果可以包括数据正常和数据异常。其中，该目标异常检测模型能够检测出待测指标数据是否具有与该模型的模型类别一致的数据属性，若是，则表示该待测指标数据的数据正常；若否，则表示该待测指标数据的数据异常。
86.本发明实施例方案通过获取当前时间周期内的待测指标数据；根据待测指标数据的时间属性，从不同模型类别的异常检测模型中，确定目标异常检测模型；将待测指标数据输入至所述目标异常检测模型中，得到待测指标数据的异常检测结果。本实施例方案在对当前时间周期内的待测指标数据进行异常检测的过程中，考虑了待测指标数据的时间属性，提高了异常检测结果的检测准确度。此外，本发明的异常数据检测方法具有通用性，能够适配各种周期场景。尤其对于在不同时间周期内所呈现的数据特征不同的待测指标数据，在进行异常数据检测时，检测效果更好，检测准确度更高。
87.在一个具体实施例中，如图2b所示的一种异常数据检测的示意图。待测指标数据的历史数据用于训练异常检测模型。具体的，对待测指标数据的历史数据进行数据预处理；基于dbscan算法，对进行数据预处理后的待测指标数据的历史数据进行聚类，得到聚类结果。其中，聚类结果中可以包括至少一个待测指标数据簇，不同待测指标数据簇对应训练得到不同的异常检测模型。获取待测指标数据的实时数据，即用于进行异常数据检测的实时数据；并根据获取的实时数据的时间属性确定相应的异常检测模型；采用确定的异常检测模型对待测指标数据的实时数据进行异常检测，得到异常检测结果。其中，待测指标数据的实时数据还可以作为历史数据更新相应的异常检测模型。
88.实施例三
89.图3为本发明实施例三提供的一种异常检测模型的训练装置的结构示意图。本发明实施例所提供的一种异常检测模型的训练装置，该装置可适用于受节假日效应影响的时间序列数据进行数据异常检测的情况，该异常检测模型的训练装置可以采用硬件和/或软件的形式实现，如图3所示，该装置具体包括：指标数据获取模块301、数据簇确定模块302和异常检测模型确定模块303。其中，
90.指标数据获取模块301，用于获取历史时间周期内的待测指标数据；
91.数据簇确定模块302，用于根据所述待测指标数据的时间属性，对所述待测指标数据进行分类，得到至少一个待测指标数据簇；
92.异常检测模型确定模块303，用于根据各所述待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各所述待测指标数据簇分别对应的异常检测模型。
93.本发明实施例方案通过获取历史时间周期内的待测指标数据；根据待测指标数据的时间属性，对待测指标数据进行分类，得到至少一个待测指标数据簇；根据各待测指标数据簇中的待测指标数据，对预设的算法模型进行训练，得到各待测指标数据簇分别对应的异常检测模型。上述方案通过在确定异常检测模型的过程中考虑待测指标数据的时间属性，使得得到的异常检测模型的检测准确度高，并且具有通用性，能够适配各种周期场景。尤其对于在不同时间周期内所呈现的数据特征不同的待测指标数据，在进行异常数据检测时，检测效果更好，检测准确度更高。
94.可选的，所述数据簇确定模块302，包括：
95.数据集合确定单元，用于对所述待测指标数据进行数据切分，得到至少一个待测指标数据集合；
96.数据簇确定单元，用于根据所述待测指标数据集合对应的时间属性，对各所述待测指标数据集合进行聚类，得到至少一个待测指标数据簇。
97.可选的，所述装置还包括：
98.填充指标数据确定模块，用于在所述获取历史时间周期内的待测指标数据之后，对所述待测指标数据进行缺失值补充，得到填充待测指标数据；
99.平滑指标数据确定模块，用于对所述填充待测指标数据进行数据平滑处理，得到平滑待测指标数据；
100.指标数据更新模块，将所述平滑待测指标数据作为所述待测指标数据。
101.可选的，所述装置还包括：
102.类别特征确定模块，用于在所述根据所述待测指标数据的时间属性，对所述待测指标数据进行分类，得到至少一个待测指标数据簇之后，根据各所述待测指标数据簇中待测指标数据集合的时间属性，确定各所述待测指标数据簇的类别特征；其中，所述类别特征用于表征所述待测指标数据簇对应的异常检测模型的模型类别；
103.相应的，所述异常检测模型确定模块303，包括：
104.异常检测模块确定单元，用于根据各所述待测指标数据簇中的待测指标数据，以及各所述待测指标数据簇的类别特性，对预设的算法模型进行训练，得到各所述待测指标数据簇分别对应的异常检测模型。
105.可选的，所述类别特征确定模块，包括：
106.时间属性确定单元，用于确定所述待测指标数据簇中各待测指标数据集合的时间属性；
107.集合数量确定单元，用于确定所述待测指标数据簇中具有相同时间属性的待测指标数据集合的集合数量；
108.类别特征确定单元，用于根据满足预设数量阈值的集合数量对应的时间属性，确定所述待测指标数据簇的类别特征。
109.本发明实施例所提供的异常检测模型的训练装置可执行本发明任意实施例所提供的异常检测模型的训练方法，具备执行方法相应的功能模块和有益效果。
110.实施例四
111.图4为本发明实施例四提供的一种异常数据检测装置的结构示意图。本发明实施例所提供的一种异常数据检测装置，该装置可适用于受节假日效应影响的时间序列数据进行数据异常检测的情况，该异常数据检测装置可以采用硬件和/或软件的形式实现，如图4所示，该装置具体包括：指标数据获取模块401、模型确定模块402和异常检测结果确定模块403。其中，
112.指标数据获取模块401，用于获取当前时间周期内的待测指标数据；
113.模型确定模块402，用于根据所述待测指标数据的时间属性，从不同模型类别的异常检测模型中，确定目标异常检测模型；
114.异常检测结果确定模块403，用于将所述待测指标数据输入至所述目标异常检测模型中，得到所述待测指标数据的异常检测结果；
115.其中，所述目标异常检测模型采用上述实施例所提供的异常检测模型的训练方法得到。
116.本发明实施例方案通过获取当前时间周期内的待测指标数据；根据待测指标数据的时间属性，从不同模型类别的异常检测模型中，确定目标异常检测模型；将待测指标数据输入至所述目标异常检测模型中，得到待测指标数据的异常检测结果。本实施例方案在对当前时间周期内的待测指标数据进行异常检测的过程中，考虑了待测指标数据的时间属性，提高了异常检测结果的检测准确度。此外，本发明的异常数据检测方法具有通用性，能够适配各种周期场景。尤其对于在不同时间周期内所呈现的数据特征不同的待测指标数据，在进行异常数据检测时，检测效果更好，检测准确度更高。此外，本发明实施例方案能够有效提升异常检测的性能，同时在时序预测方面也能够有效提高其预测性能。
117.本发明实施例所提供的异常数据检测装置可执行本发明任意实施例所提供的异常数据检测方法，具备执行方法相应的功能模块和有益效果。
118.实施例五
119.图5示出了可以用来实施本发明的实施例的电子设备50的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
120.如图5所示，电子设备50包括至少一个处理器51，以及与至少一个处理器51通信连接的存储器，如只读存储器(rom)52、随机访问存储器(ram)53等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器51可以根据存储在只读存储器(rom)52中的计算机程序或者从存储单元58加载到随机访问存储器(ram)53中的计算机程序，来执行各种适当的动作和处理。在ram 53中，还可存储电子设备50操作所需的各种程序和数据。处理器51、rom 52以及ram 53通过总线54彼此相连。输入/输出(i/o)接口55也连接至总线54。
121.电子设备50中的多个部件连接至i/o接口55，包括：输入单元56，例如键盘、鼠标等；输出单元57，例如各种类型的显示器、扬声器等；存储单元58，例如磁盘、光盘等；以及通信单元59，例如网卡、调制解调器、无线通信收发机等。通信单元59允许电子设备50通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
122.处理器51可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器51的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器51执行上文所描述的各个方法和处理，例如异常检测模型的训练和/或异常数据检测方法。
123.在一些实施例中，异常检测模型的训练和/或异常数据检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元58。在一些实施例中，计算机程序的部分或者全部可以经由rom 52和/或通信单元59而被载入和/或安装到电子设备50上。当计算机程序加载到ram 53并由处理器51执行时，可以执行上文描述的异常检测模型的训练和/或异常数据检测方法的一个或多个步骤。备选地，在其他实施例中，处理器51可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行异常检测模型的训练和/或异常数据检测方法。
124.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
125.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
126.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
127.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
128.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
129.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
130.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
131.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。