异常检测的方法、装置、电子设备及计算机可读存储介质与流程

1.本技术涉及检测技术领域，具体而言，涉及异常检测的方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.在一些应用场景中，通常需要对系统的某些指标值进行异常检测以及维护，以保证业务的正常运行。
3.现有技术下，通常采用指标预测模型的预测结果，检测待测的指标值是否异常，但是，由于实际应用场景的多样性和复杂性，异常检测结果的准确度较低。


技术实现要素：

4.本技术实施例的目的在于提供异常检测的方法、装置、电子设备及计算机可读存储介质，用以进行指标异常检测时，提高指标的异常检测的准确度。
5.一方面，提供一种异常检测的方法，包括：
6.基于目标指标的历史数据集合，以及预先训练好的指标预测模型，获得待测时间点的预测上限阈值、预测值以及预测下限阈值，历史数据集合包括目标指标在指定历史时间段内多个采样时间的历史指标值；
7.基于目标指标的待测数据集合，确定目标数据特征的特征值集合；待测数据集合中包含待测时间点的实际指标值以及待测时间点之前的指定时间段内多个采样时间的历史指标值；
8.根据特征值集合中的各特征值以及预测值，分别对预测上限阈值和预测下限阈值进行调整，获得指标上限阈值和指标下限阈值；
9.根据指标上限阈值以及指标下限阈值，对实际指标值进行异常检测，获得实际指标值的异常检测结果。
10.在上述实现过程中，结合目标指标在待测时间点(如，当前时刻)的目标数据特征，对模型预测出的待测时间点的阈值范围进行调整，获得指标上下阈值(即指标上限阈值和指标下限阈值)进行调整，并根据指标上下阈值判断待测时间点的实际指标值是否异常，结合了待测时间点以及时间应用场景(即目标指标)，选取目标数据特征，以及实时调整指标上下阈值，提高了异常检测的准确性。
11.一种实施方式中，在基于目标指标的待测数据集合，确定目标数据特征的特征值集合之前，方法还包括：
12.获取目标指标的历史数据序列，历史数据序列包括按照时间顺序排列的多个采样时间的历史指标值；
13.根据历史数据序列中的各历史指标值，确定多个数据特征分别对应的特征值序列；
14.根据各特征值序列，对各数据特征分别进行评分，获得各数据特征的特征评分，特
征评分表示数据特征的特征值的变化程度；
15.根据各数据特征的特征评分，从各数据特征中选取目标数据特征。
16.在上述实现过程中，结合了待测时间点以及时间应用场景(即目标指标)，选取指标异常区域变化明显的目标数据特征。
17.一种实施方式中，根据特征值集合中的各特征值以及预测值，分别对预测上限阈值和预测下限阈值进行调整，获得指标上限阈值和指标下限阈值，包括：
18.根据特征值集合中的各特征值，确定伸缩系数；
19.确定预测上限阈值与预测值之间的第一距离；
20.确定预测值与预测下限阈值之间的第二距离；
21.根据伸缩系数，第一距离以及预测值，获得指标上限阈值；
22.根据伸缩系数，第二距离以及预测值，获得指标下限阈值。
23.在上述实现过程中，根据各特征值，调整指标上下阈值，提高了指标上下阈值的准确性。
24.一种实施方式中，根据特征值集合中的各特征值，确定伸缩系数，包括：
25.确定特征值集合中的各特征值中的最大特征值以及最小特征值；
26.确定特征值集合中包含的实际特征值与最小特征值之间的第一差值；实际特征值为待测时间点的特征值；
27.确定最大特征值与最小特征值之间的第二差值；
28.根据第一差值与第二差值之间比值，确定伸缩系数，伸缩系数与占比呈负相关。
29.在上述实现过程中，提高了伸缩系数确定的准确性。
30.一种实施方式中，根据伸缩系数，第一距离以及预测值，对预测上限阈值，获得指标上限阈值，包括：
31.确定伸缩系数与第一距离之间的第一乘积；
32.基于第一乘积与预测值的和，获得指标上限阈值。
33.在上述实现过程中，根据伸缩系数，调整指标上限阈值。
34.一种实施方式中，根据伸缩系数，第二距离以及预测值，获得指标下限阈值，包括：
35.确定伸缩系数与第二距离之间的第二乘积；
36.基于预测值与第二乘积之间的差，获得指标下限阈值。
37.在上述实现过程中，根据伸缩系数，调整指标下限阈值。
38.一种实施方式中，根据指标上限阈值以及指标下限阈值，对实际指标值进行异常检测，获得实际指标值的异常检测结果，包括：
39.若确定实际指标值高于指标上限阈值或者低于指标下限阈值，则确定异常检测结果为指标值异常，否则，确定异常检测结果为指标值正常。
40.在上述实现过程中，根据调整后的指标上下阈值，进行异常检测，提高了异常检测的准确性。
41.一方面，提供一种异常检测的装置，包括：
42.预测单元，用于基于目标指标的历史数据集合，以及预先训练好的指标预测模型，获得待测时间点的预测上限阈值、预测值以及预测下限阈值，历史数据集合包括目标指标在指定历史时间段内多个采样时间的历史指标值；
43.确定单元，用于基于目标指标的待测数据集合，确定目标数据特征的特征值集合；待测数据集合中包含待测时间点的实际指标值以及待测时间点之前的指定时间段内多个采样时间的历史指标值；
44.调整单元，用于根据特征值集合中的各特征值以及预测值，分别对预测上限阈值和预测下限阈值进行调整，获得指标上限阈值和指标下限阈值；
45.检测单元，用于根据指标上限阈值以及指标下限阈值，对实际指标值进行异常检测，获得实际指标值的异常检测结果。
46.一种实施方式中，确定单元还用于：
47.获取目标指标的历史数据序列，历史数据序列包括按照时间顺序排列的多个采样时间的历史指标值；
48.根据历史数据序列中的各历史指标值，确定多个数据特征分别对应的特征值序列；
49.根据各特征值序列，对各数据特征分别进行评分，获得各数据特征的特征评分，特征评分表示数据特征的特征值的变化程度；
50.根据各数据特征的特征评分，从各数据特征中选取目标数据特征。
51.一种实施方式中，调整单元用于：
52.根据特征值集合中的各特征值，确定伸缩系数；
53.确定预测上限阈值与预测值之间的第一距离；
54.确定预测值与预测下限阈值之间的第二距离；
55.根据伸缩系数，第一距离以及预测值，获得指标上限阈值；
56.根据伸缩系数，第二距离以及预测值，获得指标下限阈值。
57.一种实施方式中，调整单元用于：
58.确定特征值集合中的各特征值中的最大特征值以及最小特征值；
59.确定特征值集合中包含的实际特征值与最小特征值之间的第一差值；实际特征值为待测时间点的特征值；
60.确定最大特征值与最小特征值之间的第二差值；
61.根据第一差值与第二差值之间比值，确定伸缩系数，伸缩系数与占比呈负相关。
62.一种实施方式中，调整单元用于：
63.确定伸缩系数与第一距离之间的第一乘积；
64.基于第一乘积与预测值的和，获得指标上限阈值。
65.一种实施方式中，调整单元用于：
66.确定伸缩系数与第二距离之间的第二乘积；
67.基于预测值与第二乘积之间的差，获得指标下限阈值。
68.一种实施方式中，检测单元用于：
69.若确定实际指标值高于指标上限阈值或者低于指标下限阈值，则确定异常检测结果为指标值异常，否则，确定异常检测结果为指标值正常。
70.一方面，提供了一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行如上述任一种异常检测的各种可选实现方式中提供的方法的步骤。
71.一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时运行如上述任一种异常检测的各种可选实现方式中提供的方法的步骤。
72.一方面，提供了一种计算机程序产品，计算机程序产品在计算机上运行时，使得计算机执行如上述任一种异常检测的各种可选实现方式中提供的方法的步骤。
73.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
74.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
75.图1为本技术实施例提供的一种异常检测的方法的流程图；
76.图2为本技术实施例提供的一种异常检测的装置的结构框图；
77.图3为本技术实施方式中一种电子设备的结构示意图。
具体实施方式
78.下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
79.首先对本技术实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
80.终端设备：可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。还可预见到的是，终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
81.服务器：可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
82.为了在进行指标异常检测时，可以提高指标的异常检测的准确度，本技术实施例提供了异常检测的方法、装置、电子设备及计算机可读存储介质。
83.参阅图1所示，为本技术实施例提供的一种异常检测的方法的流程图，应用于电子设备，电子设备可以为服务器，也可以为终端设备。该方法的具体实施流程如下：
84.步骤100：基于目标指标的历史数据集合，以及预先训练好的指标预测模型，获得待测时间点的预测上限阈值、预测值以及预测下限阈值，历史数据集合包括目标指标在指定历史时间段内多个采样时间的历史指标值；步骤101：基于目标指标的待测数据集合，确定目标数据特征的特征值集合；待测数据集合中包含待测时间点的实际指标值以及待测时间点之前的指定时间段内多个采样时间的历史指标值；步骤102：根据特征值集合中的各特征值以及预测值，分别对预测上限阈值和预测下限阈值进行调整，获得指标上限阈值和指标下限阈值；步骤103：根据指标上限阈值以及指标下限阈值，对实际指标值进行异常检测，获得实际指标值的异常检测结果。
85.一种实施方式中，为提高预测准确性，执行步骤100的实现过程可以包括：
86.s1001：获取目标指标的历史数据集合。
87.需要说明的是，目标指标的指标数据(如，历史数据集合)为连续的时序数据。如，指标数据为某一指标的日志数据。历史数据集合包括目标指标在指定历史时间段(如，上一周)内多个采样时间(如，相邻采样时间之间可以间隔5分钟)的历史指标值。作为一个示例，历史数据集合可以为目标指标的时间序列，即时间序列中各指标值按照其生成时间的先后顺序排列。
88.实际应用中，目标指标、指定历史时间段以及采样时间内均可以根据实际应用场景进行设置，如，目标指标为丢包率，指定历史时间段可以为前一天8-9点，采样时间可以是按照设定间隔时长确定的，在此不作限制。
89.s1002：将历史数据集合输入到预先训练好的指标预测模型，获得待测时间点的预测上限阈值、预测值以及预测下限阈值。
90.需要说明的是，预测时间点为指定历史时间段之后的某一个时间点，如，指定历史时间段为8-9点，预测时间点为10点。
91.其中，指标预测模型是基于神经网络构建的，预测值是指预测的目标指标在待测时间点的指标值。预测上限阈值和预测下限阈值是指：预测的目标指标在待测时间点的指标值的正常数值范围，即[预测下限阈值，预测上限阈值]。
[0092]
一种实施方式中，为提高基于目标指标的目标数据特征进行异常检测的准确性，步骤101的实现过程还可以包括：按照特征筛选条件，从目标指标的各数据特征中，筛选出目标数据特征。
[0093]
实际应用中，数据特征以及特征筛选条件均可以根据实际应用场景进行设置，如，数据特征可以包括：数据特征有差分、二阶差分以及方差。特征筛选条件(还可以称为特征筛选器)可以为根据专家经验设置的。需要说明的是，目标数据特征可以为一个，也可以为多个，在此不作限制。
[0094]
一种实施方式中，筛选目标数据特征时，可以采用以下至少一种方式：
[0095]
方式1：根据用户指令，从各数据特征中，选取目标数据特征。
[0096]
这是由于如果我们有专家提供的先验知识，如，哪些数据特征很重要，则可以直接按照专家的先验知识选取目标数据特征。
[0097]
方式2：按照各数据特征的变化程度，选取目标数据特征。
[0098]
一种实施方式中，执行方式2时，可以采用以下步骤：
[0099]
s1011：获取目标指标的历史数据序列，历史数据序列包括按照时间顺序排列的多
个采样时间的历史指标值(即为连续的时序数据)；s1012：根据历史数据序列中的各历史指标值，确定多个数据特征分别对应的特征值序列；s1013：根据各特征值序列，对各数据特征分别进行评分，获得各数据特征的特征评分，特征评分表示数据特征的特征值的变化程度；s1014：根据各数据特征的特征评分，从各数据特征中选取目标数据特征。
[0100]
其中，特征值的变化程度，可以根据各数据特征的方差或者标准差等方式确定。方差(或者标准差)越大，表示数据特征的变化程度越大。
[0101]
若没有专家先验知识，则可以对目标指标的特征空间(即特征值序列)进行分析和打分，并根据打分的结果，确定哪些数据特征是可以被采纳为目标数据特征。这里主要是根据特征空间的变化程度，变化的越剧烈得分越高。特征空间变化的剧烈说明数据特征自身的多样性较多，更适合作为伸缩的机制以在后续步骤中确定伸缩系数。
[0102]
进一步的，在获得各特征评分后，还可以结合专家先验知识设置目标数据特征的筛选规则，如，将特征评分高于第一评分阈值(为正整数，如，60分)的数据特征作为目标数据特征，又如，将特征评分由高到低的顺序，将前n(n为正整数，如3)个数据特征，作为目标数据特征，又如，将特征评分高于第一评分阈值且排序位于前n的数据特征，作为目标数据特征。
[0103]
这样，就可以确定待测数据集合的目标数据特征的特征值集合。
[0104]
一种实施方式中，确定特征值集合时，可以采用以下步骤：
[0105]
根据待测数据集合中各采样时间的指标值，分别确定每一采样时间的特征值，并对各特征值进行标准分数(zscore)处理，以及将zscore处理之后的各特征值进行标准正态分布转换，并取绝对值，获得取绝对值之后的特征值集合。
[0106]
其中，zscore为一组数据中各个原始数据点(即特征值)脱离该组数据均值(即各特征值的均值)的幅度，幅度以标准差(即各特征值的标准差)为衡量单位。
[0107]
一种实施方式中，为调整预测上限阈值和预测下限阈值，以提高后续异常检测的准确度，执行步骤102时，可以采用以下步骤：
[0108]
s1021：根据特征值集合中的各特征值，确定伸缩系zscore数。
[0109]
一种实施方式中，确定特征值集合中的各特征值中的最大特征值以及最小特征值；确定特征值集合中包含的实际特征值与最小特征值之间的第一差值；实际特征值为待测时间点的特征值；确定最大特征值与最小特征值之间的第二差值；根据第一差值与第二差值之间比值，确定伸缩系数，伸缩系数与占比呈负相关。
[0110]
可选的，确定伸缩系数时，可以采用以下公式：
[0111]
r＝l-(v-nmin)/(nmax-nmin)*l；
[0112]
其中，r为伸缩系数，l为伸缩幅度上限(l为常数值，可以根据用户指令设置，作为一个示例，l大于等于2)，v为实际特征值，nmax为最大特征值，nmin为最小特征值。
[0113]
s1022：确定预测上限阈值与预测值之间的第一距离。
[0114]
s1023：确定预测值与预测下限阈值之间的第二距离。
[0115]
一种实施方式中，分别确定预测上限阈值与预测值之间的第一距离d1，以及预测值与预测上限阈值之间的第二距离d2。
[0116]
作为一个示例，d1＝d2＝d＝置信区间3σ(即指标数据的标准差的3倍)。d表示距离，实际应用中，d1和d2之间的关系，可以根据实际应用场景进行设置，在此不作限制。
[0117]
s1024：根据伸缩系数，第一距离以及预测值，获得指标上限阈值。
[0118]
一种实施方式中，确定伸缩系数与第一距离之间的第一乘积；基于第一乘积与预测值的和，获得指标上限阈值。
[0119]
可选的，确定指标上限阈值可以采用以下公式：
[0120]
y_up＝y_hat r*d1；
[0121]
其中，y_up为指标上限阈值，r为伸缩系数，d1为第一距离，y_hat为预测值。
[0122]
s1025：根据伸缩系数，第二距离以及预测值，获得指标下限阈值。
[0123]
一种实施方式中，确定伸缩系数与第二距离之间的第二乘积，并基于预测值与第二乘积之间的差，获得指标下限阈值。
[0124]
可选的，确定指标下限阈值可以采用以下公式：
[0125]
y_low＝y_hat-r*d2；
[0126]
其中，y_low为指标下限阈值，r为伸缩系数，d2为第二距离，y_hat为预测值。
[0127]
这样，就可以获得待测时间点的预测值，指标下限阈值以及指标上限阈值。需要说明的是，待测时间点位于历史数据集合中各采样时间之后的时间，各采样时间分别为每一指标值的生成时间。
[0128]
需要说明的是，既然是伸缩处理，那就兼顾伸和缩：当r》1时，指标上下阈值(即指标下限阈值以及指标上限阈值)被进行“伸”处理；当r《1时，指标上下阈值被进行“缩”处理；当r＝1时，指标上下阈值保持不变。
[0129]
从公式可以推导出，v0＝(nmax nmin)/2是临界值，此时r＝1。当v》v0时，r《1，指标上下阈值是“缩”，说明当特征数值(v)变化较大时，应提升将其判断为异常的可能性；当v《v0时，r》1，指标上下阈值是“伸”，说明当特征数值(v)变化较小时，也就是比较平稳的时候，是需要提升将它认定为是正常点的可能性。如果引入多个特征，则r＝r1*r2*......*rn，n表示选择目标数据特征的个数，n为正整数。
[0130]
一种实施方式中，为进行指标的异常检测，步骤103的实现过程可以包括：
[0131]
若确定实际指标值高于指标上限阈值或者低于指标下限阈值，则确定异常检测结果为指标值异常，否则，确定异常检测结果为指标值正常。
[0132]
需要说明的是，异常检测中异常的定义可以为：待测时间点(如，当前时刻)的实际指标值高于指标上限阈值或者低于指标下限阈值。
[0133]
这样，就可以根据待测时间点的指标上下阈值，判断该待测时间点的实际指标值是否异常，从而获得实际指标值的异常检测结果。
[0134]
下面采用一个例子对上述实施例的异常检测效果进行对比说明。采用prophet算法(即传统的异常检测方式)，对某国际挑战决赛的关键绩效指标(key performance indicator，kpi)(即目标指标)进行异常检测，准确率为81.32％。而本技术实施例中，通过对kpi数据的分析发现差分(即数据特征)在指标异常区域变化比较明显，因此，选取差分作为kpi指标的目标数据特征，并设置l为2。以采集间隔时间为5分钟进行指标数据采集，获得2017-01-10 10:00:00到2016-12-13 10:00:00(即从当前时刻历史的28天)的kpi数据，并对其进行zscore以及取绝对值，获得特征值集合，以及根据特征值集合，确定nmax和nmin。以及，根据kpi指标分别在2017-01-1010:00:00和2017-01-10 09:55:00的指标值y1和y2，确定kpi指标在2017-01-10 10:00:00时刻的差分为v＝y1-y2，并根据公式r＝2-(v-nmin)/
(nmax-nmin)*2，获得伸缩系数r。获取通过prophet算法预测的kpi指标在2017-01-10 10:00:00时刻的y_hat、y_up以及y_low，若根据y_hat、y_up以及y_low确定出的第一距离d1和第二距离d2相同，即d1＝d2＝d，则通过以下公式y_up＝y_hat r*d，以及y_low＝y_hat-r*d2，确定出y_up和y_low，并可以根据y2是否位于y_up和y_low之间，判断其是否异常，异常检测的准确率提升到了89.61％。
[0135]
传统方式中，通常需要较长的一段历史数据(即宏观变化)作为模型输入数据，但是，大量的历史数据可能难以获取，且仅通过历史数据进行预测，缺少了对实际情况(即微观因素)的应急处理，如，当前系统上了一个新的业务之后，会导致某些指标发生较大的变化，由于传统方式中的模型预测，难以及时获取该部分信息，从而导致大量的误报。再者，传统方式中的模型从无监督学习、输出模型到利用模型进行预测的过程都是自动的，用户只能通过调整超参数实现对异常检测效果的调整。当有一些先验知识，如运维工程师明确告知某个场景下的某些指标的某些特征的影响会比较明显，目前的这些模型是无法加入这些知识的。
[0136]
而本技术实施例中，采用指标预测模型，先根据目标指标在指定历史时间段内的指标数据(即，历史数据集合)，预测待测时间点(如，当前时刻)的预测上限阈值、预测值以及预测下限阈值，并根据实际应用场景结合专家先验知识，选取在指标异常区域变化明显的目标数据特征，以及根据目标数据特征分别在待测时间点以及某一时间段内的待测数据集合的特征值集合，确定伸缩系数，兼顾了历史数据以及待测时间点的特征值，提高了对不同应用场景的实用性，且结合了目标数据特征的实时变化，调整伸缩系数，进而根据伸缩系数调整指标上下阈值，提高了异常检测的可解释性，降低了误报率和漏报率，以及可以与任意指标预测模型结合进行异常检测，提高了异常检测的适用性。进一步的，还可以采用多个目标数据特征融合后计算伸缩系数，在上述结果的基础上，进一步提升异常检测结果的准确性。在实际的使用中也可以很大程度上节省人力和物力的成本投入，实现降本增效的目的。
[0137]
基于同一发明构思，本技术实施例中还提供了一种异常检测的装置，由于上述装置及设备解决问题的原理与一种异常检测的方法相似，因此，上述装置的实施可以参见方法的实施，重复之处不再赘述。
[0138]
如图2所示，其为本技术实施例提供的一种异常检测的装置的结构示意图，包括：
[0139]
预测单元201，用于基于目标指标的历史数据集合，以及预先训练好的指标预测模型，获得待测时间点的预测上限阈值、预测值以及预测下限阈值，历史数据集合包括目标指标在指定历史时间段内多个采样时间的历史指标值；
[0140]
确定单元202，用于基于目标指标的待测数据集合，确定目标数据特征的特征值集合；待测数据集合中包含待测时间点的实际指标值以及待测时间点之前的指定时间段内多个采样时间的历史指标值；
[0141]
调整单元203，用于根据特征值集合中的各特征值以及预测值，分别对预测上限阈值和预测下限阈值进行调整，获得指标上限阈值和指标下限阈值；
[0142]
检测单元204，用于根据指标上限阈值以及指标下限阈值，对实际指标值进行异常检测，获得实际指标值的异常检测结果。
[0143]
一种实施方式中，确定单元202还用于：
[0144]
获取目标指标的历史数据序列，历史数据序列包括按照时间顺序排列的多个采样时间的历史指标值；
[0145]
根据历史数据序列中的各历史指标值，确定多个数据特征分别对应的特征值序列；
[0146]
根据各特征值序列，对各数据特征分别进行评分，获得各数据特征的特征评分，特征评分表示数据特征的特征值的变化程度；
[0147]
根据各数据特征的特征评分，从各数据特征中选取目标数据特征。
[0148]
一种实施方式中，调整单元203用于：
[0149]
根据特征值集合中的各特征值，确定伸缩系数；
[0150]
确定预测上限阈值与预测值之间的第一距离；
[0151]
确定预测值与预测下限阈值之间的第二距离；
[0152]
根据伸缩系数，第一距离以及预测值，获得指标上限阈值；
[0153]
根据伸缩系数，第二距离以及预测值，获得指标下限阈值。
[0154]
一种实施方式中，调整单元203用于：
[0155]
确定特征值集合中的各特征值中的最大特征值以及最小特征值；
[0156]
确定特征值集合中包含的实际特征值与最小特征值之间的第一差值；实际特征值为待测时间点的特征值；
[0157]
确定最大特征值与最小特征值之间的第二差值；
[0158]
根据第一差值与第二差值之间比值，确定伸缩系数，伸缩系数与占比呈负相关。
[0159]
一种实施方式中，调整单元203用于：
[0160]
确定伸缩系数与第一距离之间的第一乘积；
[0161]
基于第一乘积与预测值的和，获得指标上限阈值。
[0162]
一种实施方式中，调整单元203用于：
[0163]
确定伸缩系数与第二距离之间的第二乘积；
[0164]
基于预测值与第二乘积之间的差，获得指标下限阈值。
[0165]
一种实施方式中，检测单元204用于：
[0166]
若确定实际指标值高于指标上限阈值或者低于指标下限阈值，则确定异常检测结果为指标值异常，否则，确定异常检测结果为指标值正常。
[0167]
本技术实施例提供的异常检测的方法、装置、电子设备及计算机可读存储介质中，基于目标指标的历史数据集合，以及预先训练好的指标预测模型，获得待测时间点的预测上限阈值、预测值以及预测下限阈值；基于目标指标的待测数据集合，确定目标数据特征的特征值集合；根据特征值集合中的各特征值以及预测值，分别对预测上限阈值和预测下限阈值进行调整，获得指标上限阈值和指标下限阈值；根据指标上限阈值以及指标下限阈值，对实际指标值进行异常检测，获得实际指标值的异常检测结果。这样，提高了异常检测的准确性。
[0168]
图3示出了一种电子设备3000的结构示意图。参阅图3所示，电子设备3000包括：处理器3010以及存储器3020，可选的，还可以包括电源3030、显示单元3040、输入单元3050。
[0169]
处理器3010是电子设备3000的控制中心，利用各种接口和线路连接各个部件，通过运行或执行存储在存储器3020内的软件程序和/或数据，执行电子设备3000的各种功能，
从而对电子设备3000进行整体监控。
[0170]
本技术实施例中，处理器3010调用存储器3020中存储的计算机程序时执行上述实施例中的各个步骤。
[0171]
可选的，处理器3010可包括一个或多个处理单元；优选的，处理器3010可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器3010中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
[0172]
存储器3020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、各种应用等；存储数据区可存储根据电子设备3000的使用所创建的数据等。此外，存储器3020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。
[0173]
电子设备3000还包括给各个部件供电的电源3030(比如电池)，电源可以通过电源管理系统与处理器3010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
[0174]
显示单元3040可用于显示由用户输入的信息或提供给用户的信息以及电子设备3000的各种菜单等，本发明实施例中主要用于显示电子设备3000中各应用的显示界面以及显示界面中显示的文本、图片等对象。显示单元3040可以包括显示面板3041。显示面板3041可以采用液晶显示屏(liquid crystal display，lcd)、有机发光二极管(organic light-emitting diode，oled)等形式来配置。
[0175]
输入单元3050可用于接收用户输入的数字或字符等信息。输入单元3050可包括触控面板3051以及其他输入设备3052。其中，触控面板3051，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触摸笔等任何适合的物体或附件在触控面板3051上或在触控面板3051附近的操作)。
[0176]
具体的，触控面板3051可以检测用户的触摸操作，并检测触摸操作带来的信号，将这些信号转换成触点坐标，发送给处理器3010，并接收处理器3010发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板3051。其他输入设备3052可以包括但不限于物理键盘、功能键(比如音量控制按键、开关机按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0177]
当然，触控面板3051可覆盖显示面板3041，当触控面板3051检测到在其上或附近的触摸操作后，传送给处理器3010以确定触摸事件的类型，随后处理器3010根据触摸事件的类型在显示面板3041上提供相应的视觉输出。虽然在图3中，触控面板3051与显示面板3041是作为两个独立的部件来实现电子设备3000的输入和输出功能，但是在某些实施例中，可以将触控面板3051与显示面板3041集成而实现电子设备3000的输入和输出功能。
[0178]
电子设备3000还可包括一个或多个传感器，例如压力传感器、重力加速度传感器、接近光传感器等。当然，根据具体应用中的需要，上述电子设备3000还可以包括摄像头等其它部件，由于这些部件不是本技术实施例中重点使用的部件，因此，在图3中没有示出，且不再详述。
[0179]
本领域技术人员可以理解，图3仅仅是电子设备的举例，并不构成对电子设备的限
定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0180]
本技术实施例中，一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使得通信设备可以执行上述实施例中的各个步骤。
[0181]
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
[0182]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0183]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0184]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0185]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0186]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0187]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。