[发明专利]用于识别数据异常的方法、装置、服务器和介质

说明书

本公开的实施例公开了用于识别数据异常的方法、装置、服务器和介质。该方法的一具体实施方式包括：获取预设时间段内的目标数据序列；确定该目标数据序列对应的预测值；基于该目标数据序列和该预测值，提取数据特征指标；将该数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。该实施方式减少了人员的工作量，提升了数据异常识别的准确性。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别数据异常的方法、装置、服务器和介质。

背景技术

随着互联网技术的发展，数据规模日益增加。对于大规模数据，如何及时有效地识别出异常值对于业务系统的正常运行等方面具有重要意义。

现有技术中，往往采用人为监控数据变化或通过设置波动阈值来判断数据是否异常。然而人为监控需要投入大量人力，并且难以确保人员能够及时发现大规模数据的异常。而由于实际的场景中数据通常都会波动，采用设置波动阈值“一刀切”而进行数据是否异常的判断准确性欠佳。

发明内容

本公开的实施例提出了用于识别数据异常的方法、装置、服务器和介质。

第一方面，本公开的实施例提供了一种用于识别数据异常的方法，该方法包括：获取预设时间段内的目标数据序列；确定目标数据序列对应的预测值；基于目标数据序列和预测值，提取数据特征指标；将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

第二方面，本公开的实施例提供了一种用于训练异常分级模型的方法，该方法包括：获取训练样本集合，其中，训练样本集合中的训练样本包括样本数据特征和对应的标注值，样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，标注值基于第一方面的方法生成；将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；根据代表值和准异常分级模型，生成异常分级模型，其中，异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

第三方面，本公开的实施例提供了一种用于识别数据异常的装置，该装置包括：获取单元，被配置成获取预设时间段内的目标数据序列；确定单元，被配置成确定目标数据序列对应的预测值；提取单元，被配置成基于目标数据序列和预测值，提取数据特征指标；生成单元，被配置成将数据特征指标输入至预先训练的自主学习模型，生成用于表征是否存在数据异常的提示信息。

第四方面，本公开的实施例提供了一种用于训练异常分级模型的装置，该装置包括：训练样本获取单元，被配置成获取训练样本集合，其中，训练样本集合中的训练样本包括样本数据特征和对应的标注值，样本数据特征基于历史时间段内的数据统计特征和时间段对比特征生成，标注值基于权利要求7的方法生成；训练单元，被配置成将训练样本集合中的训练样本的样本数据特征作为输入，将与输入的样本数据特征对应的标注值作为期望输出，训练得到准异常分级模型；聚类单元，被配置成将训练样本集合中的训练样本对应的输出值进行聚类，生成目标数目个聚类的类别对应的代表值作为等级判定的参考；模型生成单元，被配置成根据代表值和准异常分级模型，生成异常分级模型，其中，异常分级模型用于表征数据特征与数据异常等级之间的对应关系。

第五方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。