一種異常檢測方法、應(yīng)用和監(jiān)控設(shè)備的制造方法
【專利摘要】本發(fā)明公開了一種異常檢測方法，在監(jiān)控設(shè)備中執(zhí)行，適于對被監(jiān)控設(shè)備的一個或多個性能指標(biāo)進(jìn)行實時異常檢測，該方法包括：獲取被監(jiān)控設(shè)備的某個性能指標(biāo)在當(dāng)前時刻的觀測值；根據(jù)前一時刻的預(yù)測值和當(dāng)前時刻的觀測值確定當(dāng)前時刻的預(yù)測值；根據(jù)當(dāng)前時刻的觀測值與當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻的差值；根據(jù)當(dāng)前時刻的差值，采用增量的ESD算法判斷所述當(dāng)前時刻的觀測值是否為異常值。本發(fā)明還公開了能夠?qū)嵤┥鲜龇椒ǖ漠惓z測應(yīng)用，和包括上述應(yīng)用的監(jiān)控設(shè)備。
【專利說明】
_種異常檢測方法、應(yīng)用和監(jiān)控設(shè)備
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及計算設(shè)備性能監(jiān)控技術(shù)領(lǐng)域，尤其涉及一種能夠?qū)Ρ槐O(jiān)控設(shè)備的一個 或多個性能指標(biāo)進(jìn)行實時異常檢測的方法、應(yīng)用和監(jiān)控設(shè)備。
【背景技術(shù)】
[0002] 隨著信息技術(shù)的發(fā)展，各種應(yīng)用、網(wǎng)站層出不窮，對計算設(shè)備的性能提出了更高的 要求。對各項性能指標(biāo)進(jìn)行監(jiān)控，實時獲取計算設(shè)備的運行狀態(tài)并排查異常，是提高其計算 性能的必要步驟。一般來說，監(jiān)控的性能指標(biāo)包括CHJ利用率、吞吐量、響應(yīng)時間，等等。
[0003] 現(xiàn)有的技術(shù)方案中多采用閾值來進(jìn)行異常檢測，即，針對某個性能指標(biāo)設(shè)置固定 的閾值，若性能指標(biāo)的觀測值超出閾值范圍，則判定該觀測值為異常值。在上述方法中，閾 值的取值對異常檢測的準(zhǔn)確性有很大的影響，然而對于閾值的設(shè)置卻缺少系統(tǒng)的方法，導(dǎo) 致該異常檢測方法往往準(zhǔn)確性不高。此外，需要對不同的性能指標(biāo)分別設(shè)置閾值，費時費 力。
【發(fā)明內(nèi)容】
[0004] 為此，本發(fā)明提供一種異常檢測方法、應(yīng)用和監(jiān)控設(shè)備，以力圖解決或至少緩解上 面存在的問題。
[0005] 根據(jù)本發(fā)明的一個方面，提供一種異常檢測方法，在監(jiān)控設(shè)備中執(zhí)行，適于對被監(jiān) 控設(shè)備的一個或多個性能指標(biāo)進(jìn)行實時異常檢測，所述方法包括:獲取被監(jiān)控設(shè)備的某個 性能指標(biāo)在當(dāng)前時刻的觀測值;根據(jù)前一時刻的預(yù)測值和所述當(dāng)前時刻的觀測值確定當(dāng)前 時刻的預(yù)測值;根據(jù)所述當(dāng)前時刻的觀測值與所述當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻的差 值;根據(jù)所述當(dāng)前時刻的差值，采用增量的ESD算法判斷所述當(dāng)前時刻的觀測值是否為異常 值。
[0006] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，根據(jù)前一時刻的預(yù)測值和所述當(dāng)前時 刻的觀測值確定當(dāng)前時刻的預(yù)測值的步驟采用卡爾曼濾波算法實現(xiàn)。
[0007] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，卡爾曼濾波算法包括:根據(jù)前一時刻的 預(yù)測值確定當(dāng)前時刻的學(xué)習(xí)值;根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的 協(xié)方差;根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益;根據(jù)所述當(dāng)前 時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時刻的預(yù)測 值;根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時刻的預(yù) 測值的協(xié)方差。
[0008] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，根據(jù)前一時刻的預(yù)測值確定當(dāng)前時刻 的學(xué)習(xí)值的步驟采用以下公式：
[0009] XS)n = XP)n-l；
[0010] 所述根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差的步驟采 用以下公式：
[0011] Ps；n = Pp；n-i+Qn
[0012] 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益的步驟采 用以下公式：
[0014] 所述根據(jù)所述當(dāng)前時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾 曼增益確定當(dāng)前時刻的預(yù)測值的步驟采用以下公式：
[0015] XP)n = Xs,n+Kn(Xr>n-Xs>n)
[0016] 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng) 前時刻的預(yù)測值的協(xié)方差的步驟采用以下公式：
[0017] PP)n = Ps,n(l-Kn)
[0018]其中，n為正整數(shù)，表示當(dāng)前時刻，（n-1)表示前一時刻，表示前一時刻的預(yù)測 值，Pp, n-1表不前一時刻的預(yù)測值的協(xié)方差，Xs, !!表不當(dāng)前時刻的學(xué)習(xí)值，Xr, !!表不當(dāng)前時刻的 觀測值，XP,n表示當(dāng)前時刻的預(yù)測值，Ps, n表示當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差，Pp,n表示當(dāng)前時 刻的預(yù)測值的協(xié)方差，K n表示當(dāng)前時刻的卡爾曼增益，Qn為觀測值序列Xr在當(dāng)前時刻的標(biāo)準(zhǔn) 差，Rn為觀測值序列Xr在當(dāng)前時刻的方差。
[0019] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，將XP,Q設(shè)置為0，Pp,Q設(shè)置為1。
[0020] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，根據(jù)所述當(dāng)前時刻的觀測值與所述當(dāng) 前時刻的預(yù)測值確定當(dāng)前時刻的差值的步驟采用如下公式：
[0021] XgaP,n = Xr,n-XP,n
[0022]其中，n為正整數(shù)，表示當(dāng)前時刻，Xr,n表示當(dāng)前時刻的觀測值，XP, n表示當(dāng)前時刻的 預(yù)測值，乂_,"表示當(dāng)前時刻的差值。
[0023] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，根據(jù)所述當(dāng)前時刻的差值，采用增量的 方式更新差值序列Xgap在當(dāng)前時亥Ijn的均值mean n和標(biāo)準(zhǔn)差stdn;在設(shè)定的顯著性水平a下，計 算當(dāng)前時刻的臨界值根據(jù)所述當(dāng)前時刻的差值X gap,n、所述均值meann和所述標(biāo)準(zhǔn)差stdn 確定離群度G;判斷離群度G與臨界值A(chǔ)的大小，若G>A，則乂1"是異常值，若G<A，則Xr,n不是異 常值。
[0024] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，采用以下公式更新差值序列Xgap在當(dāng)前 時刻的均值mean n:
[0026] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，采用以下公式更新差值序列Xgap在當(dāng)前 時刻的標(biāo)準(zhǔn)差stdn:
[0027] Sn - Sn-l'l'(Xgap,n-HlGailn-l) (Xgap,n-HlGailn)
[0029]可選地，在根據(jù)本發(fā)明的異常檢測方法中，臨界值A(chǔ)按照如下公式計算：
[0031]其中，tp,n-2表示自由度為n-2的t分布的第100*p百分位數(shù)，其中，p = l-a/(2n)。
[0032]可選地，在根據(jù)本發(fā)明的異常檢測方法中，離群度G按照如下公式確定：
[0034] 可選地，在根據(jù)本發(fā)明的異常檢測方法中，在所述采用增量的ESD算法判斷所述當(dāng) 前時刻的觀測值是否為異常值的步驟之后，還包括:將異常值和各異常值的離群度以文本 和/或圖形界面的形式在監(jiān)控設(shè)備的屏幕上顯示。
[0035] 根據(jù)本發(fā)明的一個方面，提供一種異常檢測應(yīng)用，在監(jiān)控設(shè)備中執(zhí)行，適于對被監(jiān) 控設(shè)備的一個或多個性能指標(biāo)進(jìn)行實時異常檢測，所述應(yīng)用包括:數(shù)據(jù)獲取模塊，適于獲取 被監(jiān)控設(shè)備的某個性能指標(biāo)在當(dāng)前時刻的觀測值;數(shù)據(jù)預(yù)測模塊，適于根據(jù)前一時刻的預(yù) 測值和所述當(dāng)前時刻的觀測值確定當(dāng)前時刻的預(yù)測值;差值求取模塊，適于根據(jù)所述當(dāng)前 時刻的觀測值與所述當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻的差值;異常檢測模塊，適于根據(jù)所 述當(dāng)前時刻的差值，采用增量的ESD算法判斷所述當(dāng)前時刻的觀測值是否為異常值。
[0036] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，數(shù)據(jù)預(yù)測模塊進(jìn)一步適于采用卡爾曼 濾波算法來根據(jù)前一時刻的預(yù)測值和當(dāng)前時刻的觀測值確定當(dāng)前時刻的預(yù)測值。
[0037] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，卡爾曼濾波算法包括:根據(jù)前一時刻的 預(yù)測值確定當(dāng)前時刻的學(xué)習(xí)值;根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的 協(xié)方差;根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益;根據(jù)所述當(dāng)前 時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時刻的預(yù)測 值;根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時刻的預(yù) 測值的協(xié)方差。
[0038] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，根據(jù)前一時刻的預(yù)測值確定當(dāng)前時刻 的學(xué)習(xí)值的步驟采用以下公式：
[0039] Xs,n = Xp,n-l；
[0040] 所述根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差的步驟采 用以下公式：
[0041] Ps；n = Pp；n-i+Qn
[0042]所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益的步驟采 用以下公式：
[0044] 所述根據(jù)所述當(dāng)前時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾 曼增益確定當(dāng)前時刻的預(yù)測值的步驟采用以下公式：
[0045] XP)n = Xs,n+Kn(Xr>n-Xs>n)
[0046] 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng) 前時刻的預(yù)測值的協(xié)方差的步驟采用以下公式：
[0047] PP)n = Ps,n(l-Kn)
[0048] 其中，n為正整數(shù)，表示當(dāng)前時刻，（n-1)表示前一時刻，表示前一時刻的預(yù)測 值，Pp, n-1表不前一時刻的預(yù)測值的協(xié)方差，Xs, !!表不當(dāng)前時刻的學(xué)習(xí)值，Xr, !!表不當(dāng)前時刻的 觀測值，XP,n表示當(dāng)前時刻的預(yù)測值，Ps, n表示當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差，Pp,n表示當(dāng)前時 刻的預(yù)測值的協(xié)方差，K n表示當(dāng)前時刻的卡爾曼增益，Qn為觀測值序列Xr在當(dāng)前時刻的標(biāo)準(zhǔn) 差，Rn為觀測值序列Xr在當(dāng)前時刻的方差。
[0049] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，XP,0取值為0，PP,o取值為1。
[0050] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，差值求取模塊適于按照以下公式根據(jù) 所述當(dāng)前時刻的觀測值與所述當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻的差值：
[0051] Xgap,n = Xr,n-Xp,n
[0052]其中，n為正整數(shù)，表示當(dāng)前時刻，Xr,n表示當(dāng)前時刻的觀測值，XP, n表示當(dāng)前時刻的 預(yù)測值，乂_,"表示當(dāng)前時刻的差值。
[0053] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，異常檢測模塊進(jìn)一步適于:采用增量的 方式更新差值序列Xgap在當(dāng)前時刻的均值meanr^P標(biāo)準(zhǔn)差std n;在設(shè)定的顯著性水平a下，計 算當(dāng)前時刻的臨界值根據(jù)所述當(dāng)前時刻的差值Xgap, n、所述均值meann和所述標(biāo)準(zhǔn)差stdn 確定離群度G;判斷離群度G與臨界值A(chǔ)的大小，若G>A，則乂1"是異常值，若G<A，則Xr,n不是異 常值。
[0054] 可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，異常檢測模塊適于按照以下公式更新 差值序列Xgap在當(dāng)前時刻的均值mean n:
[0056]可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，異常檢測模塊適于按照以下公式更新 差值序列Xgap在當(dāng)前時刻的標(biāo)準(zhǔn)差Stdn:
[0059]可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，異常檢測模塊適于按照以下公式計算 臨界值h
[0061]其中，tp,n-2表示自由度為n-2的t分布的第100*p百分位數(shù)，其中，p = l-a/(2n)。
[0062]可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，異常檢測模塊適于按照以下公式計算 離群度G:
[0064]可選地，在根據(jù)本發(fā)明的異常檢測應(yīng)用中，還包括結(jié)果輸出模塊，適于將異常值和 各異常值的離群度以文本和/或圖形界面的形式在監(jiān)控設(shè)備的屏幕上顯示。
[0065] 根據(jù)本發(fā)明的一個方面，提供一種監(jiān)控設(shè)備，包括如上所述的異常檢測應(yīng)用。
[0066] 根據(jù)本發(fā)明的技術(shù)方案，采用卡爾曼濾波算法學(xué)習(xí)某個性能指標(biāo)的狀態(tài)，并輸出 當(dāng)前時刻的預(yù)測值。計算當(dāng)前時刻的觀測值與預(yù)測值的差值，采用增量的ESD算法判斷該差 值是否為異常值。此外，本發(fā)明還可以計算出異常值的離群度，用來標(biāo)記各異常值的異常程 度?？柭鼮V波算法使得本發(fā)明的異常檢測方法無須設(shè)置閾值，減少了人為設(shè)置閾值等參 數(shù)帶來的誤差，提高了異常檢測的準(zhǔn)確性。增量的ESD算法采用增量的方式實時更新差值序 列的方差和均值，節(jié)省了存儲空間和運算時間，更好地實現(xiàn)了的實時的異常檢測。
【附圖說明】
[0067] 為了實現(xiàn)上述以及相關(guān)目的，本文結(jié)合下面的描述和附圖來描述某些說明性方 面，這些方面指示了可以實踐本文所公開的原理的各種方式，并且所有方面及其等效方面 旨在落入所要求保護(hù)的主題的范圍內(nèi)。通過結(jié)合附圖閱讀下面的詳細(xì)描述，本公開的上述 以及其它目的、特征和優(yōu)勢將變得更加明顯。遍及本公開，相同的附圖標(biāo)記通常指代相同的 部件或元素。
[0068] 圖1示出了根據(jù)本發(fā)明一個實施例的性能監(jiān)控系統(tǒng)100的示意圖；
[0069] 圖2示出了根據(jù)本發(fā)明一個實施例的監(jiān)控設(shè)備200的結(jié)構(gòu)圖；
[0070] 圖3示出了根據(jù)本發(fā)明一個實施例的異常檢測應(yīng)用300的結(jié)構(gòu)圖；
[0071]圖4示出了根據(jù)本發(fā)明一個實施例的采用卡爾曼濾波算法輸出各時刻的預(yù)測值的 示意圖；
[0072]圖5示出了根據(jù)本發(fā)明一個實施例的增量的ESD算法500的流程圖；
[0073] 圖6示出了根據(jù)本發(fā)明一個實施例的異常檢測結(jié)果的示意圖；以及
[0074] 圖7示出了根據(jù)本發(fā)明一個實施例的異常檢測方法700的流程圖。
【具體實施方式】
[0075] 下面將參照附圖更詳細(xì)地描述本公開的示例性實施例。雖然附圖中顯示了本公開 的示例性實施例，然而應(yīng)當(dāng)理解，可以以各種形式實現(xiàn)本公開而不應(yīng)被這里闡述的實施例 所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍 完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。
[0076] 圖1示出了根據(jù)本發(fā)明一個實施例的性能監(jiān)控系統(tǒng)100的示意圖。如圖1所示，性能 監(jiān)控系統(tǒng)包括1個監(jiān)控設(shè)備200和多個被監(jiān)控設(shè)備。監(jiān)控設(shè)備200可以是桌面計算機(jī)、筆記本 計算機(jī)、服務(wù)器或工作站。監(jiān)控設(shè)備200還可以實現(xiàn)為小尺寸便攜(或者移動）電子設(shè)備的一 部分，這些電子設(shè)備可以是諸如手機(jī)、平板電腦、個人媒體播放器設(shè)備、無線網(wǎng)絡(luò)瀏覽設(shè)備、 可穿戴設(shè)備(如智能手表、智能眼鏡等）、應(yīng)用專用設(shè)備、或者可以包括上面任何功能的混合 設(shè)備。被監(jiān)控設(shè)備包括桌面電腦、筆記本電腦、平板電腦、手機(jī)等具有運算能力的設(shè)備。雖然 圖1中僅示出了一個監(jiān)控設(shè)備200,但是本領(lǐng)域技術(shù)人員可以意識到，性能監(jiān)控系統(tǒng)100中還 可以包括多個監(jiān)控設(shè)備，這些監(jiān)控設(shè)備可以駐留在多個地理位置中。
[0077]監(jiān)控設(shè)備200中部署了異常檢測應(yīng)用300,可以對多個被監(jiān)控設(shè)備的多項性能指標(biāo) 進(jìn)行監(jiān)控，實時獲取被監(jiān)控設(shè)備的運行狀態(tài)并排查異常。具體來說，首先獲取性能指標(biāo)的實 時觀測值，然后采用卡爾曼濾波算法確定當(dāng)前時刻的預(yù)測值，計算當(dāng)前時刻的觀測值與預(yù) 測值的差值，根據(jù)上述差值，采用增量的ESD算法判斷當(dāng)前時刻的觀測值是否為異常值并計 算各異常值的離群度，最后，將異常檢測結(jié)果以文本和/或圖形界面的形式在監(jiān)控設(shè)備200 的屏幕上進(jìn)行顯示。
[0078]圖2示出了根據(jù)本發(fā)明一個實施例的監(jiān)控設(shè)備200的結(jié)構(gòu)圖。在基本配置202中，監(jiān) 控設(shè)備200典型地包括系統(tǒng)存儲器206和一個或者多個處理器204。系統(tǒng)存儲器206可以包括 操作系統(tǒng)220、一個或者多個應(yīng)用222以及程序數(shù)據(jù)226,應(yīng)用222可以布置為在操作系統(tǒng)上 利用程序數(shù)據(jù)226進(jìn)行操作。
[0079]根據(jù)一種實施例，應(yīng)用222可以被配置為包括異常檢測應(yīng)用300,相應(yīng)地，程序數(shù)據(jù) 226中存儲有實時采集到的一個或多個被監(jiān)控設(shè)備的一個或多個性能指標(biāo)數(shù)據(jù)，性能指標(biāo) 數(shù)據(jù)實際上是一個時間序列。異常檢測應(yīng)用300從程序數(shù)據(jù)226中獲取性能指標(biāo)在每個時刻 的觀測值，并分別檢測各觀測值是否異常。
[0080]圖3示出了根據(jù)本發(fā)明一個實施例的異常檢測應(yīng)用300的結(jié)構(gòu)圖。該應(yīng)用在監(jiān)控設(shè) 備中執(zhí)行，適于對被監(jiān)控設(shè)備的一個或多個性能指標(biāo)進(jìn)行實時異常檢測。實時異常檢測就 是，每當(dāng)監(jiān)控設(shè)備200采集到某個性能指標(biāo)的新的觀測值，異常檢測應(yīng)用300均進(jìn)行一次異 常檢測，判斷該觀測值是否為異常值。如圖3所示，異常檢測應(yīng)用300包括數(shù)據(jù)獲取模塊310、 數(shù)據(jù)預(yù)測模塊320、差值求取模塊330、異常檢測模塊340。
[0081]數(shù)據(jù)獲取模塊310適于獲取被監(jiān)控設(shè)備的某個性能指標(biāo)在當(dāng)前時刻的觀測值。性 能指標(biāo)可以是CHJ利用率、吞吐量、響應(yīng)時間，但不限于此。當(dāng)然，數(shù)據(jù)獲取模塊210也可以獲 取多個性能指標(biāo)在當(dāng)前時刻的觀測值。對于上述多個性能指標(biāo)，需要分別判斷每個性能指 標(biāo)在當(dāng)前時刻的觀測值是否為異常值。因此，多個性能指標(biāo)的實時異常檢測與單個性能指 標(biāo)的實時異常檢測的原理相同，為了敘述方便，此處以單個性能指標(biāo)的實時異常檢測為例 對本發(fā)明的技術(shù)方案進(jìn)行說明。
[0082]數(shù)據(jù)獲取模塊310可以直接采集被監(jiān)控設(shè)備的性能指標(biāo)數(shù)據(jù)，也可以先由監(jiān)控設(shè) 備200的其他應(yīng)用224來采集數(shù)據(jù)并存儲至程序數(shù)據(jù)226(參考圖2)，然后數(shù)據(jù)獲取模塊310 再從程序數(shù)據(jù)226處讀取性能指標(biāo)數(shù)據(jù)。性能指標(biāo)數(shù)據(jù)的采集方法是本領(lǐng)域的公知技術(shù)，例 如通過向被監(jiān)控設(shè)備中部署探針、注入腳本，或通過被監(jiān)控設(shè)備本身提供的接口，等等，此 處對性能數(shù)據(jù)的采集方法不做贅述。
[0083]若數(shù)據(jù)獲取模塊310未能成功獲取到某個性能指標(biāo)在當(dāng)前時刻的觀測值，則由數(shù) 據(jù)填充模塊350(圖3中未示出）對當(dāng)前時刻的觀測值進(jìn)行填充，以使后續(xù)的異常檢測過程能 夠正常進(jìn)行。根據(jù)一種實施例，若數(shù)據(jù)獲取模塊310未能成功獲取當(dāng)前時刻的觀測值，則數(shù) 據(jù)填充模塊350將當(dāng)前時刻的觀測值自動設(shè)置為0。根據(jù)另一種實施例，若數(shù)據(jù)獲取模塊310 未能成功獲取當(dāng)前時刻的觀測值，則數(shù)據(jù)填充模塊350將當(dāng)前時刻的觀測值設(shè)置為與前一 時刻的觀測值相同。當(dāng)然，除上述方法之外，還可以采用其他方法來填充缺失的數(shù)據(jù)，本發(fā) 明對填充缺失數(shù)據(jù)的具體算法不做限制。
[0084] 在獲取了當(dāng)前時刻的觀測值后，數(shù)據(jù)預(yù)測模塊320根據(jù)該觀測值和前一時刻的預(yù) 測值確定當(dāng)前時刻的預(yù)測值。根據(jù)一種實施例，當(dāng)前時刻的預(yù)測值可以采用卡爾曼濾波算 法來確定。
[0085] 卡爾曼濾波算法由匈牙利數(shù)學(xué)家Rudolf Emil Kalman于1960年在其論文《A New Approach to Linear Filtering and Prediction Problems》（線型濾波與預(yù)測問題的新 方法）中提出。卡爾曼濾波算法是一種最優(yōu)化自回歸數(shù)據(jù)處理算法。卡爾曼濾波算法包括以 下5個核心公式：
[0086] Xn|n-l = FnXn-l|n-l+BnUn (1)
[0087] Pn|n-l = FnPn-l|n-lFnT+Qn (2)
[0088] Kn = Pn | n-lHnT ( HnPn | n-lHnT+Rn ) (3)
[0089] Xn|n = Xn|n-l+Kn(zn-HnXn|n-l) (4)
[0090] Pn|n = Pn|n-1-KnHnPn|n-l (5)
[0091] 其中，式（1)中，n為正整數(shù)，表示當(dāng)前時刻，n-1表示前一時刻。Xn-Urrf是前一時刻 的預(yù)測值，為當(dāng)前時刻的學(xué)習(xí)值，u n為當(dāng)前時刻的控制量，F(xiàn)4PBn為系統(tǒng)參數(shù)。
[0092] 式⑵中，Pn-l I n-l為前一時刻的預(yù)測值的協(xié)方差，Pn I n-l為當(dāng)前時刻的學(xué)習(xí)值的協(xié)方 差，Qn為系統(tǒng)參數(shù)，其他參數(shù)的含義與式(1)中相同。
[0093]式(3)中，Kn為當(dāng)前時刻的卡爾曼增益，H4PRn均為系統(tǒng)參數(shù)，其他參數(shù)的含義與式 (1)-(2)中相同。
[0094]式(4)中，Xn|n為當(dāng)前時刻的預(yù)測值，zn為當(dāng)前時刻的觀測值，其他參數(shù)的含義與式 (1)_(3)中相同。
[0095]式(5)中，Pn|n為當(dāng)前時刻的預(yù)測值的協(xié)方差，他參數(shù)的含義與式(1)_(4)中相同。 [0096]以上5個公式中，涉及到三種值，即觀測值、學(xué)習(xí)值、預(yù)測值。其中，觀測值即為系統(tǒng) 測量得到的值，預(yù)測值是采用卡爾曼濾波算法算出的最優(yōu)預(yù)測值，學(xué)習(xí)值是根據(jù)上一時刻 的預(yù)測值計算得出的并用于計算下一時刻的預(yù)測值的中間變量。為了區(qū)分方便，我們用Xr 表示觀測值序列，X s表示學(xué)習(xí)值序列，知表示預(yù)測值序列?？紤]到異常檢測的實際情況(性能 指標(biāo)的時間序列為一維），并為了節(jié)省計算時間，將u n設(shè)為0，F(xiàn)n、Hn均設(shè)為l，Qn為觀測值序列 Xr在當(dāng)前時刻的標(biāo)準(zhǔn)差，R n為觀測值序列Xr在當(dāng)前時刻的方差。當(dāng)然，un、Bn、F n、Hn、Qn&&Rn 均可以設(shè)為其他數(shù)值，本發(fā)明對各參數(shù)的取值并無限制。
[0097]采用以上參數(shù)設(shè)置，上述式(1)_(5)將轉(zhuǎn)化為以下5個公式：
[0098] Xs,n = XP)n-l (6)
[0099] Ps；n = Pp；n-i+Qn (7)
[0100] Kn = Ps,n/(Ps,n+Rn) (8)
[0101] XP)n = Xs,n+Kn(Xr>n-Xs>n) (9)
[0102] PP)n = Ps,n(l-Kn) (10)
[0103]其中，n為正整數(shù)，表示當(dāng)前時刻，（n-l)表示前一時刻，表示前一時刻的預(yù)測 值，Pp, n-1表不前一時刻的預(yù)測值的協(xié)方差，Xs, !!表不當(dāng)前時刻的學(xué)習(xí)值，Xr, !!表不當(dāng)前時刻的 觀測值，XP,n表示當(dāng)前時刻的預(yù)測值，Ps, n表示當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差，Pp,n表示當(dāng)前時 刻的預(yù)測值的協(xié)方差，K n表示當(dāng)前時刻的卡爾曼增益，Qn為觀測值序列Xr在當(dāng)前時刻的標(biāo)準(zhǔn) 差，Rn為觀測值序列Xr在當(dāng)前時刻的方差。
[0104]當(dāng)數(shù)據(jù)獲取模塊310獲取到當(dāng)前時刻的觀測值乂1"后，數(shù)據(jù)預(yù)測模塊320即可根據(jù) 當(dāng)前時刻的觀測值Xr,n、前一時刻的預(yù)測值Xp,n-4P前一時刻的預(yù)測值的協(xié)方差Pppi，采用 式(6)-(10)計算得出當(dāng)前時刻的預(yù)測值X P,n。預(yù)測值的計算是一個遞推的過程。對于異常檢 測應(yīng)用獲取的第一個觀測值Xr>1，由于其對應(yīng)于異常檢測的初始時刻，卡爾曼濾波模型尚未 建立，缺少Xp,(^PPp,o的值。因此，對于異常檢測應(yīng)用獲取的第一個觀測值Xr>1，需要給X P,o和 Pp, 0賦值;對于接下來獲取的觀測值Xr, 2，Xr, 3，…，則可以按照式(6 )-(10 )依次計算。根據(jù)一 種實施例，將XP,0設(shè)置為0，將匕,〇設(shè)置為1。當(dāng)然，XP,dPP P,()也可以設(shè)置為其他值，本發(fā)明對 Xp,(^PPp,o的取值不做限制。
[0105] 圖4示出了根據(jù)本發(fā)明一個實施例的采用卡爾曼濾波算法輸出各時刻的預(yù)測值的 示意圖。圖4中，橫坐標(biāo)表示觀測值的時間序號，左邊的縱坐標(biāo)表示觀測值的大小，右邊的縱 坐標(biāo)表示采用卡爾曼濾波算法得出的預(yù)測值的大小。圖4中有上下兩條曲線，上面的曲線即 為觀測值序列，下面的曲線為預(yù)測值序列。如圖4所示，兩條曲線的形狀很相似，表明卡爾曼 濾波算法算出的預(yù)測值可以很好地擬合采集到的性能指標(biāo)的觀測值。
[0106] 數(shù)據(jù)預(yù)測模塊320確定了當(dāng)前時刻的預(yù)測值XP,n后，差值求取模塊330根據(jù)當(dāng)前時 亥IJ的預(yù)測值X P, n和當(dāng)前時刻的觀測值Xr, n確定當(dāng)前時刻的差值Xgap, n，即：
[0107] XgaP>n = Xr>n-XP)n (11)
[0108] 隨后，異常檢測模塊340根據(jù)當(dāng)前時刻的差值xgap,n，采用增量的ESD算法判斷觀測 值Xr, n是否為異常值?，F(xiàn)有技術(shù)中的ESD(Extreme Studentized Deviate，極端學(xué)生化偏差） 算法能夠確定一組數(shù)據(jù)中的異常點，在本發(fā)明中，對現(xiàn)有技術(shù)中的ESD算法做了改進(jìn)，即提 出一種增量的 ESD算法，在該算法中，采用增量的方式計算均值、方差等參數(shù)，節(jié)省了存儲空 間和運算時間，更好地實現(xiàn)了的實時的異常檢測。
[0109]異常檢測模塊340采用增量的ESD算法判斷當(dāng)前時刻的差值Xgap,n是否為異常值。當(dāng) 前時刻的差值Xgap, n與當(dāng)前時刻的觀測值Xr, "是一一對應(yīng)的關(guān)系，差值Xgap, "為異常值即表明 觀測值Xr,n是異常值。
[0110] 圖5示出了根據(jù)本發(fā)明一個實施例的增量的ESD算法500的流程圖。如圖5所示，該 算法始于步驟S510。
[0111] 在步驟S510中，采用增量的方式更新差值序列xgap在當(dāng)前時刻的均值meann和標(biāo)準(zhǔn) 差std n。其中，均值meann可以按照以下公式來計算：
(12)
[0113]對于標(biāo)準(zhǔn)差stdn的計算，可以采用以下公式：
[0116] 上述標(biāo)準(zhǔn)差stdn的更新過程可以用以下偽代碼表示： Let n 1, mean 0, old_mearH- 0, S 0 For each datum X^.p^ : old-mean - mean
[0117] mean 一 mean + (Xgap.丨,一.mean) / n S S + (X^p^-mean) * ( X,;;,P.n - old_mean) n=n+l std - (S / (li-2))八0.5
[0118] 由以上分析，當(dāng)前時刻的標(biāo)準(zhǔn)差^4采用的是一種增量的計算方式，避免了每次 獲取新的差值后根據(jù)差值序列Xgap中的所有元素重新計算X gap的標(biāo)準(zhǔn)差，節(jié)省了存儲空間和 運算時間，更好地實現(xiàn)了的實時的異常檢測。
[0119] 隨后，在步驟S520中，計算當(dāng)前時刻的臨界值A(chǔ)。在現(xiàn)有技術(shù)的能夠檢測出j個異常 點的ESD算法中，臨界值\按照以下公式計算： (15) L0121」式（15)中，tP,n-i-1
表示自由度為n-i-1的t分布的第100*p百分位數(shù)4 = 1-〇/(2(11-i+1 ))，a為顯著水平，一般設(shè)定為一個較小的數(shù)，例如，a = 〇. 05。當(dāng)然，a也可以取其他值，本 發(fā)明對a的取值并無限制。i = 1，2，…，j。
[0122]在本發(fā)明中，每個時刻分別采用增量的ESD算法判斷當(dāng)前時刻的差值Xgap,n是否為 異常值，即每次算法僅需計算一個臨界值A(chǔ)，且至多檢測出一個異常點。這種情況下，式（15) 中的i取值為1，相應(yīng)地，式(15)轉(zhuǎn)化為以下公式：
(16)
[0124] 式（16)中，tP,n-2表示自由度為n-2的t分布的第100*p百分位數(shù)，其中，p=l_a/ (2n)，根據(jù)一種實施例，a = 〇.〇5。
[0125] 隨后，在步驟S530中，根據(jù)當(dāng)前時刻的差值Xgap,n、均值rneandP標(biāo)準(zhǔn)差std n確定離 群度G。離群度G采用以下公式確定：
(17)
[0127] 在圖5所示的算法示例中，先執(zhí)行步驟S520計算臨界值A(chǔ)，再執(zhí)行步驟S530計算離 群度G。顯然，步驟S520和步驟S530的順序可以互換，即先計算離群度G，再計算臨界值A(chǔ)。步 驟S520和步驟S530的執(zhí)行先后順序?qū)Ρ景l(fā)明并無影響。
[0128] 隨后，在步驟S540中，判斷離群度G與臨界值A(chǔ)的大小，若GH，則Xgap,"是異常值，相 應(yīng)地，Xr, n也是異常值;若GSA，則xgap,n不是異常值，相應(yīng)地，Xr,n&不是異常值。
[0129] 根據(jù)一種實施例，異常檢測應(yīng)用300還包括結(jié)果輸出模塊360(圖3中未示出），當(dāng)異 常檢測模塊340完成異常值的檢測后，結(jié)果輸出模塊360適于將異常值和各異常值的離群度 以文本和/或圖形界面的形式在監(jiān)控設(shè)備的屏幕上顯示。圖6示出了根據(jù)本發(fā)明一個實施例 的異常檢測結(jié)果的示意圖。圖6中，橫坐標(biāo)表示觀測值的時間序號，左邊的縱坐標(biāo)表示差值 的大小，右邊的縱坐標(biāo)表示離群度的大小。圖6中有上下兩條曲線，上面的曲線即為差值序 列X gap，下面的曲線是異常檢測結(jié)果曲線。盡管在前面的步驟中計算了差值序列Xgap中每一 個元素的離群度，但是，異常檢測結(jié)果曲線中僅示出了異常值的離群度，而對于非異常值， 其離群度均記為0。即，在異常檢測結(jié)果曲線上，非〇點即為異常點，離群度越高，則該點的異 常程度越大。
[0130] 圖7示出了根據(jù)本發(fā)明一個實施例的異常檢測方法700的流程圖。該方法在監(jiān)控設(shè) 備中執(zhí)行，適于對被監(jiān)控設(shè)備的一個或多個性能指標(biāo)進(jìn)行實時異常檢測。如圖7所示，該方 法始于步驟S710。
[0131 ]在步驟S710中，獲取被監(jiān)控設(shè)備的某個性能指標(biāo)在當(dāng)前時刻的觀測值。
[0132] 隨后，在步驟S720中，根據(jù)前一時刻的預(yù)測值和當(dāng)前時刻的觀測值確定當(dāng)前時刻 的預(yù)測值。根據(jù)一種實施例，采用卡爾曼濾波算法來確定當(dāng)前時刻的預(yù)測值?？柭鼮V波算 法的具體過程參見前述對數(shù)據(jù)預(yù)測模塊320的描述，此處不再贅述。
[0133] 隨后，在步驟S730中，根據(jù)當(dāng)前時刻的觀測值與當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻 的差值。根據(jù)一種實施例，當(dāng)前時刻的差值=當(dāng)前時刻的觀測值-當(dāng)前時刻的預(yù)測值。
[0134] 隨后，在步驟S740中，根據(jù)當(dāng)前時刻的差值，采用增量的ESD算法判斷當(dāng)前時刻的 觀測值是否為異常值。實際上，本發(fā)明中采用增量的ESD算法判斷當(dāng)前時刻的差值是否為異 常值，因為當(dāng)前時刻的差值與當(dāng)前時刻的觀測值有一一對應(yīng)的關(guān)系，差值為異常值即表明 觀測值為異常值。增量的ESD算法的流程參見圖5以及前述對異常檢測模塊340的描述，此處 不再贅述。
[0135] 此外，在步驟S740之后，還可以包括步驟S750 (圖7中未示出），將異常值和各異常 值的離群度以文本和/或圖形界面的形式在監(jiān)控設(shè)備的屏幕上顯示。
[0136] 根據(jù)本發(fā)明的技術(shù)方案，采用卡爾曼濾波算法學(xué)習(xí)某個性能指標(biāo)的狀態(tài)，并輸出 當(dāng)前時刻的預(yù)測值。計算當(dāng)前時刻的觀測值與預(yù)測值的差值，采用增量的ESD算法判斷該差 值是否為異常值。此外，本發(fā)明還可以計算出異常值的離群度，用來標(biāo)記各異常值的異常程 度。卡爾曼濾波算法使得本發(fā)明的異常檢測方法無須設(shè)置閾值，減少了人為設(shè)置閾值等參 數(shù)帶來的誤差，提高了異常檢測的準(zhǔn)確性。增量的ESD算法采用增量的方式實時更新差值序 列的方差和均值，節(jié)省了存儲空間和運算時間，更好地實現(xiàn)了的實時的異常檢測。
[0137] A6:A1所述的異常檢測方法，其中，所述根據(jù)所述當(dāng)前時刻的觀測值與所述當(dāng)前時 刻的預(yù)測值確定當(dāng)前時刻的差值的步驟采用如下公式：
[0138] XgaP>n = Xr>n-XP)n
[0139] 其中，n為正整數(shù)，表示當(dāng)前時刻，Xr,n表示當(dāng)前時刻的觀測值，XP,n表示當(dāng)前時刻的 預(yù)測值，乂_,"表示當(dāng)前時刻的差值。
[0140] A7:A6所述的異常檢測方法，其中，根據(jù)所述當(dāng)前時刻的差值，采用增量的ESD算法 判斷所述當(dāng)前時刻的觀測值是否為異常值的步驟包括：
[0141 ]采用增量的方式更新差值序列Xgap在當(dāng)前時刻n的均值meann和標(biāo)準(zhǔn)差stdn;
[0142]在設(shè)定的顯著性水平a下，計算當(dāng)前時刻的臨界值入；
[0143 ]根據(jù)所述當(dāng)前時刻的差值Xgap, n、所述均值meann和所述標(biāo)準(zhǔn)差s tdn確定離群度G;
[0144] 判斷離群度G與臨界值A(chǔ)的大小，若G>A，則乂1"是異常值，若G彡A，則Xr,nf是異常 值。
[0145] A8:A7所述的異常檢測方法，其中，采用以下公式更新差值序列Xgap在當(dāng)前時刻的 均值mean n:
[0147] A9:7所述的異常檢測方法，其中，采用以下公式更新差值序列Xgap在當(dāng)前時刻的標(biāo) 準(zhǔn)差Stdn:
[0150] A10:A7所述的異常檢測方法，其中，臨界值A(chǔ)按照如下公式計算：
[0152]其中，tP,n-2表示自由度為n-2的t分布的第100*p百分位數(shù)，其中，p = l_a/(2n)。 [0153] All :7所述的異常檢測方法，其中，離群度G按照如下公式確定：
[0155] A12:A1所述的異常檢測方法，其中，在所述采用增量的ESD算法判斷所述當(dāng)前時刻 的觀測值是否為異常值的步驟之后，還包括:將異常值和各異常值的離群度以文本和/或圖 形界面的形式在監(jiān)控設(shè)備的屏幕上顯示。
[0156] B17:B16所述的異常檢測應(yīng)用，其中，XP,o取值為0，PP,o取值為1。
[0157] B18:B13所述的異常檢測應(yīng)用，其中，所述差值求取模塊適于按照以下公式根據(jù)所 述當(dāng)前時刻的觀測值與所述當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻的差值：
[0158] Xgap,n = Xr,n-Xp,n
[0159] 其中，n為正整數(shù)，表示當(dāng)前時刻，Xr,n表示當(dāng)前時刻的觀測值，XP,n表示當(dāng)前時刻的 預(yù)測值，乂_,"表示當(dāng)前時刻的差值。
[0160] B19:B18所述的異常檢測應(yīng)用，其中，所述異常檢測模塊進(jìn)一步適于：
[0161 ]采用增量的方式更新差值序列Xgap在當(dāng)前時刻的均值meandP標(biāo)準(zhǔn)差stdn;
[0162]在設(shè)定的顯著性水平a下，計算當(dāng)前時刻的臨界值入；
[0163 ]根據(jù)所述當(dāng)前時刻的差值Xgap, n、所述均值meann和所述標(biāo)準(zhǔn)差s tdn確定離群度G;
[0164] 判斷離群度G與臨界值A(chǔ)的大小，若G>A，則乂1"是異常值，若G彡A，則Xr,nf是異常 值。
[0165] B20:B19所述的異常檢測應(yīng)用，其中，所述異常檢測模塊適于按照以下公式更新差 值序列Xg ap在當(dāng)前時刻的均值meann:
[0167] B21:19所述的異常檢測應(yīng)用，其中，所述異常檢測模塊適于按照以下公式更新差 值序列Xgap在當(dāng)前時刻的標(biāo)準(zhǔn)差stdn:
[0170] B22:19所述的異常檢測應(yīng)用，其中，所述異常檢測模塊適于按照以下公式計算臨 界值夂：
[0172]其中，tP,n-2表示自由度為n-2的t分布的第100*p百分位數(shù)，其中，p = l_a/(2n)。
[0173] B23:B19所述的異常檢測應(yīng)用，其中，所述異常檢測模塊適于按照以下公式計算離 群度G:
[0175] B24:B13所述的異常檢測應(yīng)用，其中，還包括結(jié)果輸出模塊，適于將異常值和各異 常值的離群度以文本和/或圖形界面的形式在監(jiān)控設(shè)備的屏幕上顯示。
[0176] 在此處所提供的說明書中，算法和顯示不與任何特定計算機(jī)、虛擬系統(tǒng)或者其它 設(shè)備固有相關(guān)。各種通用系統(tǒng)也可以與本發(fā)明的示例一起使用。根據(jù)上面的描述，構(gòu)造這類 系統(tǒng)所要求的結(jié)構(gòu)是顯而易見的。此外，本發(fā)明也不針對任何特定編程語言。應(yīng)當(dāng)明白，可 以利用各種編程語言實現(xiàn)在此描述的本發(fā)明的內(nèi)容，并且上面對特定語言所做的描述是為 了披露本發(fā)明的最佳實施方式。
[0177] 在此處所提供的說明書中，說明了大量具體細(xì)節(jié)。然而，能夠理解，本發(fā)明的實施 例可以在沒有這些具體細(xì)節(jié)的情況下被實踐。在一些實例中，并未詳細(xì)示出公知的方法、結(jié) 構(gòu)和技術(shù)，以便不模糊對本說明書的理解。
[0178]類似地，應(yīng)當(dāng)理解，為了精簡本公開并幫助理解各個發(fā)明方面中的一個或多個，在 上面對本發(fā)明的示例性實施例的描述中，本發(fā)明的各個特征有時被一起分組到單個實施 例、圖、或者對其的描述中。然而，并不應(yīng)將該公開的方法解釋成反映如下意圖：即所要求保 護(hù)的本發(fā)明要求比在每個權(quán)利要求中所明確記載的特征更多特征。更確切地說，如下面的 權(quán)利要求書所反映的那樣，發(fā)明方面在于少于前面公開的單個實施例的所有特征。因此，遵 循【具體實施方式】的權(quán)利要求書由此明確地并入該【具體實施方式】，其中每個權(quán)利要求本身都 作為本發(fā)明的單獨實施例。
[0179]本領(lǐng)域那些技術(shù)人員應(yīng)當(dāng)理解在本文所公開的示例中的設(shè)備的模塊或單元或組 件可以布置在如該實施例中所描述的設(shè)備中，或者可替換地可以定位在與該示例中的設(shè)備 不同的一個或多個設(shè)備中。前述示例中的模塊可以組合為一個模塊或者此外可以分成多個 子模塊。
[0180] 本領(lǐng)域那些技術(shù)人員可以理解，可以對實施例中的設(shè)備中的模塊進(jìn)行自適應(yīng)性地 改變并且把它們設(shè)置在與該實施例不同的一個或多個設(shè)備中?？梢园褜嵤├械哪K或單 元或組件組合成一個模塊或單元或組件，以及此外可以把它們分成多個子模塊或子單元或 子組件。除了這樣的特征和/或過程或者單元中的至少一些是相互排斥之外，可以采用任何 組合對本說明書(包括伴隨的權(quán)利要求、摘要和附圖）中公開的所有特征以及如此公開的任 何方法或者設(shè)備的所有過程或單元進(jìn)行組合。除非另外明確陳述，本說明書(包括伴隨的權(quán) 利要求、摘要和附圖）中公開的每個特征可以由提供相同、等同或相似目的的替代特征來代 替。
[0181] 此外，本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實施例包括其它實施例 中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的 范圍之內(nèi)并且形成不同的實施例。例如，在下面的權(quán)利要求書中，所要求保護(hù)的實施例的任 意之一都可以以任意的組合方式來使用。
[0182] 此外，所述實施例中的一些在此被描述成可以由計算機(jī)系統(tǒng)的處理器或者由執(zhí)行 所述功能的其它裝置實施的方法或方法元素的組合。因此，具有用于實施所述方法或方法 元素的必要指令的處理器形成用于實施該方法或方法元素的裝置。此外，裝置實施例的在 此所述的元素是如下裝置的例子:該裝置用于實施由為了實施該發(fā)明的目的的元素所執(zhí)行 的功能。
[0183] 如在此所使用的那樣，除非另行規(guī)定，使用序數(shù)詞"第一"、"第二"、"第三"等等來 描述普通對象僅僅表示涉及類似對象的不同實例，并且并不意圖暗示這樣被描述的對象必 須具有時間上、空間上、排序方面或者以任意其它方式的給定順序。
[0184] 盡管根據(jù)有限數(shù)量的實施例描述了本發(fā)明，但是受益于上面的描述，本技術(shù)領(lǐng)域 內(nèi)的技術(shù)人員明白，在由此描述的本發(fā)明的范圍內(nèi)，可以設(shè)想其它實施例。此外，應(yīng)當(dāng)注意， 本說明書中使用的語言主要是為了可讀性和教導(dǎo)的目的而選擇的，而不是為了解釋或者限 定本發(fā)明的主題而選擇的。因此，在不偏離所附權(quán)利要求書的范圍和精神的情況下，對于本 技術(shù)領(lǐng)域的普通技術(shù)人員來說許多修改和變更都是顯而易見的。對于本發(fā)明的范圍，對本 發(fā)明所做的公開是說明性的，而非限制性的，本發(fā)明的范圍由所附權(quán)利要求書限定。
【主權(quán)項】
1. 一種異常檢測方法，在監(jiān)控設(shè)備中執(zhí)行，適于對被監(jiān)控設(shè)備的一個或多個性能指標(biāo) 進(jìn)行實時異常檢測，所述方法包括： 獲取被監(jiān)控設(shè)備的某個性能指標(biāo)在當(dāng)前時刻的觀測值； 根據(jù)前一時刻的預(yù)測值和所述當(dāng)前時刻的觀測值確定當(dāng)前時刻的預(yù)測值； 根據(jù)所述當(dāng)前時刻的觀測值與所述當(dāng)前時刻的預(yù)測值確定當(dāng)前時刻的差值； 根據(jù)所述當(dāng)前時刻的差值，采用增量的ESD算法判斷所述當(dāng)前時刻的觀測值是否為異 常值。2. 如權(quán)利要求1所述的異常檢測方法，其中，所述根據(jù)前一時刻的預(yù)測值和所述當(dāng)前時 刻的觀測值確定當(dāng)前時刻的預(yù)測值的步驟采用卡爾曼濾波算法實現(xiàn)。3. 如權(quán)利要求2所述的異常檢測方法，其中，所述卡爾曼濾波算法包括： 根據(jù)前一時刻的預(yù)測值確定當(dāng)前時刻的學(xué)習(xí)值； 根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差； 根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益； 根據(jù)所述當(dāng)前時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾曼增益確 定當(dāng)前時刻的預(yù)測值； 根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時刻的 預(yù)測值的協(xié)方差。4. 如權(quán)利要求3所述的異常檢測方法，其中，所述根據(jù)前一時刻的預(yù)測值確定當(dāng)前時刻 的學(xué)習(xí)值的步驟采用以下公式： Xs, η - Xp, η-1 所述根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差的步驟采用以 下公式： Ps, η - Pp，n-1+Qn 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益的步驟采用以 下公式：所述根據(jù)所述當(dāng)前時刻的觀測值、所還當(dāng)麗時刻的字·>」值和所述當(dāng)前時刻的卡爾曼增 益確定當(dāng)前時刻的預(yù)測值的步驟采用以下公式： Xp, η - Xs，n+Kn ( Xr，n_Xs，η ) 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時 刻的預(yù)測值的協(xié)方差的步驟采用以下公式： Pp,n = Ps,n(l-Kn) 其中，η為正整數(shù)，表不當(dāng)前時刻，（η-1 )表不前一時刻，Χρ, η-1表不前一時刻的預(yù)測值， Pp,H表示前一時刻的預(yù)測值的協(xié)方差，Xs,η表示當(dāng)前時刻的學(xué)習(xí)值，Xr,η表示當(dāng)前時刻的觀 測值，Χ Ρ,η表示當(dāng)前時刻的預(yù)測值，Ps,η表示當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差，ΡΡ,η表示當(dāng)前時刻 的預(yù)測值的協(xié)方差，K n表示當(dāng)前時刻的卡爾曼增益，Qn為觀測值序列Xr在當(dāng)前時刻的標(biāo)準(zhǔn) 差，Rn為觀測值序列Xr在當(dāng)前時刻的方差。5. 如權(quán)利要求4所述的異常檢測方法，其中，將Xp, ο設(shè)置為O，Pp, ο設(shè)置為1。6. -種異常檢測應(yīng)用，在監(jiān)控設(shè)備中執(zhí)行，適于對被監(jiān)控設(shè)備的一個或多個性能指標(biāo) 進(jìn)行實時異常檢測，所述應(yīng)用包括： 數(shù)據(jù)獲取模塊，適于獲取被監(jiān)控設(shè)備的某個性能指標(biāo)在當(dāng)前時刻的觀測值； 數(shù)據(jù)預(yù)測模塊，適于根據(jù)前一時刻的預(yù)測值和所述當(dāng)前時刻的觀測值確定當(dāng)前時刻的 預(yù)測值； 差值求取模塊，適于根據(jù)所述當(dāng)前時刻的觀測值與所述當(dāng)前時刻的預(yù)測值確定當(dāng)前時 刻的差值； 異常檢測模塊，適于根據(jù)所述當(dāng)前時刻的差值，采用增量的ESD算法判斷所述當(dāng)前時刻 的觀測值是否為異常值。7. 如權(quán)利要求6所述的異常檢測應(yīng)用，其中，所述數(shù)據(jù)預(yù)測模塊進(jìn)一步適于采用卡爾曼 濾波算法來根據(jù)前一時刻的預(yù)測值和當(dāng)前時刻的觀測值確定當(dāng)前時刻的預(yù)測值。8. 如權(quán)利要求7所述的異常檢測應(yīng)用，其中，所述卡爾曼濾波算法包括： 根據(jù)前一時刻的預(yù)測值確定當(dāng)前時刻的學(xué)習(xí)值； 根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差； 根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益； 根據(jù)所述當(dāng)前時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾曼增益確 定當(dāng)前時刻的預(yù)測值； 根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時刻的 預(yù)測值的協(xié)方差。9. 如權(quán)利要求8所述的異常檢測應(yīng)用，其中，所述根據(jù)前一時刻的預(yù)測值確定當(dāng)前時刻 的學(xué)習(xí)值的步驟采用以下公式： Xs, η - Xp, η-1 所述根據(jù)前一時刻的預(yù)測值的協(xié)方差確定當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差的步驟采用以 下公式： Ps, η - Pp，n-1+Qn 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差確定當(dāng)前時刻的卡爾曼增益的步驟采用以 下公式：所述根據(jù)所述當(dāng)前時刻的觀測值、所述當(dāng)前時刻的學(xué)習(xí)值和所述當(dāng)前時刻的卡爾曼增 益確定當(dāng)前時刻的預(yù)測值的步驟采用以下公式： Xp, η - Xs，n+Kn ( Xr，n_Xs，η ) 所述根據(jù)所述當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差和所述當(dāng)前時刻的卡爾曼增益確定當(dāng)前時 刻的預(yù)測值的協(xié)方差的步驟采用以下公式： Pp,n = Ps,n(l-Kn) 其中，η為正整數(shù)，表不當(dāng)前時刻，（η-1 )表不前一時刻，Χρ, η-1表不前一時刻的預(yù)測值， Pp,H表示前一時刻的預(yù)測值的協(xié)方差，Xs,η表示當(dāng)前時刻的學(xué)習(xí)值，Xr,η表示當(dāng)前時刻的觀 測值，Xp,η表示當(dāng)前時刻的預(yù)測值，Ps,η表示當(dāng)前時刻的學(xué)習(xí)值的協(xié)方差，Pp,η表示當(dāng)前時刻 的預(yù)測值的協(xié)方差，Kn表示當(dāng)前時刻的卡爾曼增益，Qn為觀測值序列Xr在當(dāng)前時刻的標(biāo)準(zhǔn) 差，Rn為觀測值序列Xr在當(dāng)前時刻的方差。10.-種監(jiān)控設(shè)備，包括如權(quán)利要求6-9中任一項所述的異常檢測應(yīng)用。
【文檔編號】G06F11/30GK105893213SQ201610460968
【公開日】2016年8月24日
【申請日】2016年6月22日
【發(fā)明人】阮松松, 吳海珊
【申請人】北京藍(lán)海訊通科技股份有限公司