业务异常监测方法、装置、电子设备及存储介质与流程

1.本公开涉及互联网技术领域，尤其涉及一种业务异常监测方法、装置、电子设备及存储介质。


背景技术：

2.随着互联网技术的发展，各类网络服务的业务功能规模也在不断扩大，如何及时监测业务异常情况，也成为了维持相关服务正常运行的重点。
3.相关技术中，常常通过在业务代码中进行异常描点，再通过收集异常描点的信息，并将异常描点的信息渲染到界面后，进行导致业务异常的事件的分析确定。但相关技术中，例如一些服务中的登录态校验业务，导致登录态校验异常失败的事件种类较多，且不同业务场景无法统一配置异常描点等监测方案，导致无法准确定位异常因素，监测效率和精准性均较低，进而也导致业务异常等问题。


技术实现要素：

4.本公开提供一种业务异常监测方法、装置、电子设备及存储介质，以至少解决相关技术中无法准确定位异常因素，监测效率和精准性均较低，进而也导致业务异常等问题。本公开的技术方案如下：
5.根据本公开实施例的第一方面，提供一种业务异常监测方法，包括：
6.获取至少一个第一监测维度下预设业务对应的至少一种预设事件的第一出现数据，所述第一出现数据为当前监测周期内的多个相邻时间段各自对应的出现次数；
7.将所述第一出现数据输入第一异常监测模型进行异常监测处理，得到所述至少一个第一监测维度对应的至少一种预设事件，在所述多个相邻时间段内对应的第一异常指标数据；
8.基于所述第一异常指标数据，确定所述预设业务对应的第一异常监测结果，所述第一异常监测结果表征所述至少一个第一监测维度中异常监测维度对应的异常事件。
9.在一个可选的实施例中，所述方法还包括：
10.基于第一次数阈值对所述第一出现数据进行过滤，得到第一目标出现数据；
11.所述将所述第一出现数据输入第一异常监测模型进行异常监测处理，得到所述至少一个第一监测维度对应的至少一种预设事件，在所述多个相邻时间段内对应的第一异常指标数据包括：
12.将所述第一目标出现数据输入所述第一异常监测模型进行异常监测处理，得到所述第一异常指标数据。
13.在一个可选的实施例中，所述基于所述第一异常指标数据，确定所述预设业务对应的第一异常监测结果包括：
14.在任一第一监测维度对应的预设事件，在所述多个相邻时间段内对应的第一异常指标数据均大于等于第一预设阈值的情况下，将在所述多个相邻时间段内对应的第一异常
指标数据均大于等于所述第一预设阈值的第一监测维度对应的预设事件，作为所述异常监测维度对应的异常事件；
15.基于所述异常监测维度对应的异常事件，生成所述第一异常监测结果。
16.在一个可选的实施例中，所述方法还包括：
17.获取至少一个第二监测维度下所述预设业务对应的所述异常事件的第二出现数据，所述第二出现数据为所述当前监测周期对应的出现次数，所述至少一个第二监测维度为在所述异常监测维度中加入附加监测维度后的监测维度；
18.将第二出现数据输入第二异常识别模型进行异常监测处理，得到所述至少一个第二监测维度对应的所述异常事件，在所述当前监测周期对应的第二异常指标数据；
19.基于所述第二异常指标数据，确定所述预设业务对应的第二异常监测结果，所述第二异常监测结果表征所述至少一个第二监测维度中目标异常监测维度对应的目标异常事件。
20.在一个可选的实施例中，所述基于所述第二异常指标数据，确定所述预设业务对应的第二异常监测结果包括：
21.在任一第二监测维度对应的预设事件，在所述当前监测周期对应的第二异常指标数据大于等于第二预设阈值的情况下，将在所述当前监测周期对应的第二异常指标数据大于等于第二预设阈值的第二监测维度对应的异常事件，作为所述目标异常监测维度对应的目标异常事件；
22.根据所述目标异常监测维度对应的目标异常事件，生成所述第二异常监测结果。
23.在一个可选的实施例中，所述预设业务为登录态校验业务，所述至少一个第一监测维度为至少一个服务，所述附加监测维度为至少一个区域，所述第二异常监测结果表征所述异常服务对应的异常区域下的目标异常事件，所述方法还包括：
24.将所述至少一个区域中对应的第二异常指标数据大于等于所述第二预设阈值的区域，作为所述异常区域；
25.确定所述异常区域对应的第一区域数量和目标区域对应的第二区域数量，所述目标区域为所述至少一个区域中参与异常监测处理的区域；
26.所述根据所述目标异常监测维度对应的目标异常事件，生成所述第二异常监测结果包括：
27.在所述第一区域数量大于第一区域阈值，且所述第二区域数量大于第二区域阈值的情况下，根据所述目标异常监测维度对应的目标异常事件，生成所述第二异常监测结果。
28.在一个可选的实施例中，所述方法还包括：
29.基于第二次数阈值对所述第二出现数据进行过滤，得到第二目标出现数据；
30.所述将第二出现数据输入第二异常识别模型进行异常监测处理，得到所述至少一个第二监测维度下对应的所述异常事件的第二异常指标数据包括：
31.将所述第二目标出现数据输入所述第二异常识别模型进行异常监测处理，得到所述第二异常指标数据。
32.在一个可选的实施例中，所述方法还包括：
33.获取所述至少一个第一监测维度下所述预设业务对应的至少一种预设事件的第一样本出现数据和所述第一样本出现数据对应的预设异常指标数据，所述第一样本出现数
据为多个历史监测周期内的多个相邻历史时间段各自对应的出现次数；
34.将所述第一样本出现数据输入预设机器学习模型进行异常监测处理，得到所述至少一个第一监测维度对应的至少一种预设事件，在所述多个相邻历史时间段内对应的样本异常指标数据；
35.根据所述预设异常指标数据和所述样本异常指标数据，确定目标损失信息；
36.基于所述目标损失信息，训练所述预设机器学习模型，得到所述第一异常监测模型。
37.根据本公开实施例的第二方面，提供一种业务异常监测装置，包括：
38.第一出现数据获取模块，被配置为执行获取至少一个第一监测维度下预设业务对应的至少一种预设事件的第一出现数据，所述第一出现数据为当前监测周期内的多个相邻时间段各自对应的出现次数；
39.第一异常监测处理模块，被配置为执行将所述第一出现数据输入第一异常监测模型进行异常监测处理，得到所述至少一个第一监测维度对应的至少一种预设事件，在所述多个相邻时间段内对应的第一异常指标数据；
40.第一异常监测结果确定模块，被配置为执行基于所述第一异常指标数据，确定所述预设业务对应的第一异常监测结果，所述第一异常监测结果表征所述至少一个第一监测维度中异常监测维度对应的异常事件。
41.在一个可选的实施例中，所述装置还包括：
42.第一数据过滤模块，被配置为执行基于第一次数阈值对所述第一出现数据进行过滤，得到第一目标出现数据；
43.所述第一异常监测处理模块还被配置为执行将所述第一目标出现数据输入所述第一异常监测模型进行异常监测处理，得到所述第一异常指标数据。
44.在一个可选的实施例中，所述第一异常监测结果确定模块包括：
45.第一异常确定单元，被配置为执行在任一第一监测维度对应的预设事件，在所述多个相邻时间段内对应的第一异常指标数据均大于等于第一预设阈值的情况下，将在所述多个相邻时间段内对应的第一异常指标数据均大于等于所述第一预设阈值的第一监测维度对应的预设事件，作为所述异常监测维度对应的异常事件；
46.第一异常监测结果生成单元，被配置为执行基于所述异常监测维度对应的异常事件，生成所述第一异常监测结果。
47.在一个可选的实施例中，所述装置还包括：
48.第二出现数据获取模块，被配置为执行获取至少一个第二监测维度下所述预设业务对应的所述异常事件的第二出现数据，所述第二出现数据为所述当前监测周期对应的出现次数，所述至少一个第二监测维度为在所述异常监测维度中加入附加监测维度后的监测维度；
49.第二异常监测处理模块，被配置为执行将第二出现数据输入第二异常识别模型进行异常监测处理，得到所述至少一个第二监测维度对应的所述异常事件，在所述当前监测周期对应的第二异常指标数据；
50.第二异常监测结果确定模块，被配置为执行基于所述第二异常指标数据，确定所述预设业务对应的第二异常监测结果，所述第二异常监测结果表征所述至少一个第二监测
维度中目标异常监测维度对应的目标异常事件。
51.在一个可选的实施例中，所述第二异常监测结果确定模块包括：
52.第二异常确定单元，被配置为执行在任一第二监测维度对应的预设事件，在所述当前监测周期对应的第二异常指标数据大于等于第二预设阈值的情况下，将在所述当前监测周期对应的第二异常指标数据大于等于第二预设阈值的第二监测维度对应的异常事件，作为所述目标异常监测维度对应的目标异常事件；
53.第二异常监测结果生成单元，被配置为执行根据所述目标异常监测维度对应的目标异常事件，生成所述第二异常监测结果。
54.在一个可选的实施例中，所述预设业务为登录态校验业务，所述至少一个第一监测维度为至少一个服务，所述附加监测维度为至少一个区域，所述第二异常监测结果表征所述异常服务对应的异常区域下的目标异常事件，所述装置还包括：
55.异常区域确定模块，被配置为执行将所述至少一个区域中对应的第二异常指标数据大于等于所述第二预设阈值的区域，作为所述异常区域；
56.第二区域数量确定模块，被配置为执行确定所述异常区域对应的第一区域数量和目标区域对应的第二区域数量，所述目标区域为所述至少一个区域中参与异常监测处理的区域；
57.所述第二异常监测结果生成单元还被配置为执行在所述第一区域数量大于第一区域阈值，且所述第二区域数量大于第二区域阈值的情况下，根据所述目标异常监测维度对应的目标异常事件，生成所述第二异常监测结果。
58.在一个可选的实施例中，所述装置还包括：
59.第二数据过滤模块，被配置为执行基于第二次数阈值对所述第二出现数据进行过滤，得到第二目标出现数据；
60.所述第二异常监测处理模块还被配置为执行将所述第二目标出现数据输入所述第二异常识别模型进行异常监测处理，得到所述第二异常指标数据。
61.在一个可选的实施例中，所述装置还包括：
62.训练数据模块，被配置为执行获取所述至少一个第一监测维度下所述预设业务对应的至少一种预设事件的第一样本出现数据和所述第一样本出现数据对应的预设异常指标数据，所述第一样本出现数据为多个历史监测周期内的多个相邻历史时间段各自对应的出现次数；
63.第三异常监测处理模块，被配置为执行将所述第一样本出现数据输入预设机器学习模型进行异常监测处理，得到所述至少一个第一监测维度对应的至少一种预设事件，在所述多个相邻历史时间段内对应的样本异常指标数据；
64.目标损失信息确定模块，被配置为执行根据所述预设异常指标数据和所述样本异常指标数据，确定目标损失信息；
65.模型训练模块，被配置为执行基于所述目标损失信息，训练所述预设机器学习模型，得到所述第一异常监测模型。
66.根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如上述第一方面中任一项所述的方法。
67.根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行本公开实施例的第一方面中任一项所述方法。
68.根据本公开实施例的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例的第一方面中任一项所述方法。
69.本公开的实施例提供的技术方案至少带来以下有益效果：
70.将至少一个第一监测维度下预设业务对应的至少一种预设事件的第一出现数据，作为第一异常监测模型的输入，来进行异常监测处理，可以实现按照监测维度来进行业务异常监测，提升不同业务场景下异常监测的通用性，且第一出现数据为当前监测周期内的多个相邻时间段各自对应的出现次数，可以有效反映业务异常波动趋势，有效保证了得到的第一异常指标数据对第一监测维度下预设业务在每个相邻时间段因任一预设事件出现异常概率的表征精准性，进而基于该第一异常指标数据，可以快速准确的定位异常因素，大大提升业务异常监测效率和精准性，从而提升有效报警率，减少业务异常情况。
71.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
72.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。
73.图1是根据一示例性实施例示出的一种应用环境的示意图；
74.图2是根据一示例性实施例示出的一种业务异常监测方法的流程图；
75.图3是根据一示例性实施例示出的一种预先训练出第一异常监测模型的流程图；
76.图4是根据一示例性实施例示出的另一种业务异常监测方法的流程图；
77.图5是根据一示例性实施例示出的另一种业务异常监测方法的流程图；
78.图6是根据一示例性实施例示出的一种业务异常监测装置框图；
79.图7是根据一示例性实施例示出的一种用于业务异常监测的电子设备的框图；
80.图8是根据一示例性实施例示出的一种用于业务异常监测的电子设备的框图。
具体实施方式
81.为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。
82.需要说明的是，本公开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，以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
83.需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过
各方充分授权的信息和数据。
84.请参阅图1，图1是根据一示例性实施例示出的一种应用环境的示意图，如图1所示，该应用环境可以包括终端100和服务器200。
85.在一个可选的实施例中，终端100可以用于面向提供预设业务服务。具体的，终端100可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality，ar)/虚拟现实(virtual reality，vr)设备、智能可穿戴设备等类型的电子设备，也可以为运行于上述电子设备的软体，例如应用程序等。可选的，电子设备上运行的操作系统可以包括但不限于安卓系统、ios系统、linux、windows等。
86.在一个可选的实施例中，服务器200可以为终端100提供后台服务，以及进行业务异常监测处理。可选的，服务器200可以预先训练出异常监测模型。相应的，可以结合异常监测模型进行业务异常监测处理。具体的，服务器200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、cdn(content delivery network，内容分发网络)、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。
87.此外，需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在实际应用中，还可以包括其他应用环境，例如业务异常监测处理也可以在终端实现。
88.本说明书实施例中，上述终端100以及服务器200可以通过有线或无线通信方式进行直接或间接地连接，本公开在此不做限制。
89.图2是根据一示例性实施例示出的一种业务异常监测方法的流程图，如图2所示，该业务异常监测方法用于终端、服务器等电子设备中，包括以下步骤。
90.在步骤s201中，获取至少一个第一监测维度下预设业务对应的至少一种预设事件的第一出现数据。
91.在一个具体的实施例中，预设业务可以结合实际应用需求对应不同的业务，例如预设业务可以为登录态校验业务、信息推送业务、短信下发业务等。可选的，至少一个第一监测维度可以为监测业务异常的维度，具体的，结合实际业务下的监测需求的不同而不同。上述至少一种预设事件可以为与预设业务出现异常关联的事件，具体的，可以结合不同预设业务的不同而不同。
92.在一个具体的实施例中，可以结合实际需求定期进行业务异常监测，相应的，上述第一出现数据可以为当前监测周期内的多个相邻时间段各自对应的出现次数；可选的，假设业务异常监测的周期为3分钟，可以将3分钟划分为3个相邻时间段，相应的，每个相邻时间段可以为1分钟，可选的，可以每分钟获取一个至少一个第一监测维度下预设业务对应的至少一种预设事件的出现次数(第一出现数据)。
93.在一个具体的实施例中，以预设业务为登录态校验业务为例，且监测需求为需要对至少一个服务中的登录态校验业务进行异常监测，相应的，上述至少一个第一监测维度可以为至少一个服务，具体的，至少一个服务可以为至少一个需要进行登录态校验的业务服务。可选的，至少一种预设事件可以包括token(令牌)错误事件、token解密错误事件、参数中的userid(用户标识)和token不匹配事件以及token已失效事件等。
94.在一个具体的实施例中，以预设业务为短信下发业务为例，且监测需求为需要对
至少一个区域的短信下发业务进行异常监测，相应的，上述至少一个第一监测维度可以为至少一个短信下发区域，可选的，至少一种预设事件可以包括信息服务提供故障事件、短信类型错误事件、短信应用场景错误事件和短信签名错误事件等。
95.在一个具体的实施例中，以预设业务为信息推送业务为例，且监测需求为需要对至少一个信息推送设备的机型进行信息推送业务的异常监测，相应的，上述至少一个第一监测维度可以为至少一种信息推送设备的机型，可选的，至少一种预设事件可以包括推送渠道故障事件、网络错误事件等。
96.在步骤s203中，将第一出现数据输入第一异常监测模型进行异常监测处理，得到至少一个第一监测维度对应的至少一种预设事件，在多个相邻时间段内对应的第一异常指标数据；
97.在一个具体的实施例中，上述至少一个第一监测维度对应的至少一种预设事件，在上述多个相邻时间段内对应的第一异常指标数据可以表征任一第一监测维度下预设业务在每个相邻时间段因任一预设事件出现异常的概率。具体的，以上述需要对至少一个服务中的登录态校验业务进行异常监测的场景为例，第一异常指标数据可以表征任一服务的登陆态校验业务在每个相邻时间段内因任一预设事件出现异常的概率。
98.在一个具体的实施例中，上述第一异常监测模型可以为预先基于第一训练数据对预设机器学习模型进行异常监测处理训练得到的模型，具体的，第一训练数据可以包括至少一个第一监测维度下预设业务对应的至少一种预设事件的第一样本出现数据和第一样本出现数据对应的预设异常指标数据，其中，第一样本出现数据为多个历史监测周期内的多个相邻历史时间段各自对应的出现次数。具体的，任一历史监测周期可以包括多个相邻历史时间段。某一第一监测维度下预设业务对应的某种预设事件的第一样本出现数据对应的预设异常指标数据可以表征预先设置的该第一监测维度下预设业务在每个相邻历史时间段因该预设事件出现异常的真实概率。
99.在一个可选的实施例中，上述方法还可以包括：预先训练出第一异常监测模型的步骤，具体的，如图3所示，可以包括以下步骤：
100.在步骤s301中，获取至少一个第一监测维度下预设业务对应的至少一种预设事件的第一样本出现数据和第一样本出现数据对应的预设异常指标数据；
101.在步骤s303中，将第一样本出现数据输入预设机器学习模型进行异常监测处理，得到至少一个第一监测维度对应的至少一种预设事件，在多个相邻历史时间段内对应的样本异常指标数据；
102.在一个具体的实施例中，某一第一监测维度下预设业务对应的某种预设事件在多个相邻历史时间段内对应的样本异常指标数据可以表征预设机器学习模型预测的该第一监测维度下预设业务分别在多个相邻历史时间段因该预设事件出现异常的概率。
103.在步骤s305中，根据预设异常指标数据和样本异常指标数据，确定目标损失信息；
104.在一个具体的实施例中，可以结合预设损失函数来确定上述目标损失信息，具体的，目标损失信息可以表征上述预设异常指标数据和样本异常指标数据间差异程度。
105.在步骤s307中，基于目标损失信息，训练预设机器学习模型，得到第一异常监测模型。
106.在一个具体的实施例中，上述基于目标损失信息，训练预设机器学习模型，得到第
一异常监测模型可以包括：基于目标损失信息，更新预设机器学习模型的模型参数；基于更新后的预设机器学习模型，重复步骤s303至基于目标损失信息，更新预设机器学习模型的模型参数的训练迭代操作，直至达到训练收敛条件；将达到训练收敛条件的情况下得到的预设机器学习模型，作为第一异常监测模型。
107.在一个具体的实施例中，上述达到训练收敛条件可以为训练迭代操作的次数达到预设训练次数。可选的，达到预设收敛条件也可以为目标损失信息小于指定阈值。本说明书实施例中，预设训练次数和指定阈值可以结合实际应用中对模型的训练速度和异常监测处理的准确性预先设置。
108.上述实施例中，结合至少一个第一监测维度下预设业务对应的至少一种预设事件的第一样本出现数据和第一样本出现数据对应的预设异常指标数据，对预设机器学习模型进行训练，可以训练出能够针对至少一个第一监测维度下预设业务对应的至少一种预设事件的异常指标数据进行预测的第一异常监测模型，进而提升后续业务异常监测处理的效率。
109.在一个可选的实施例中，如图4所示，上述方法还可以包括：
110.在步骤s207中，基于第一次数阈值对第一出现数据进行过滤，得到第一目标出现数据；
111.相应的，上述将第一出现数据输入第一异常监测模型进行异常监测处理，得到至少一个第一监测维度对应的至少一种预设事件，在多个相邻时间段内对应的第一异常指标数据包括：将第一目标出现数据输入第一异常监测模型进行异常监测处理，得到第一异常指标数据。
112.在一个具体的实施例中，第一次数阈值可以结合实际应用进行设置。
113.在实际应用中，在预设业务处理过程中会出现某些与预设业务异常关联的预设事件，但在可控范围内，就不会导致业务异常。相应的，可以将第一出现数据中小于等于第一次数阈值的出现次数过滤掉，得到上述第一目标出现数据。
114.上述实施例中，基于第一次数阈值过滤掉出现次数较低的第一出现数据，可以有效筛选出与预设业务异常关联的数据，进而可以在提升异常监测处理有效性的基础上，降低异常监测处理的数据量，提升异常监测处理效率。
115.在步骤s205中，基于第一异常指标数据，确定预设业务对应的第一异常监测结果。
116.在一个具体的实施例中，上述第一异常监测结果可以表征上述至少一个第一监测维度中异常监测维度对应的异常事件。以登录态校验业务为例，假设至少一个第一监测维度可以为至少一个服务，相应的，第一异常监测结果可以表征至少一个服务中异常服务对应的异常事件，即可以通过第一异常监测结果确定出现异常的服务，以及该出现异常的服务是由于那个预设事件(对应的异常事件)导致的异常。
117.在一个可选的实施例中，上述基于第一异常指标数据，确定预设业务对应的第一异常监测结果可以包括：
118.在任一第一监测维度对应的预设事件，在多个相邻时间段内对应的第一异常指标数据均大于等于第一预设阈值的情况下，将在多个相邻时间段内对应的第一异常指标数据均大于等于第一预设阈值的第一监测维度对应的预设事件，作为异常监测维度对应的异常事件；
119.基于异常监测维度对应的异常事件，生成第一异常监测结果。
120.在一个具体的实施例中，第一预设阈值可以结合实际应用进行设置。具体的，可以将异常监测维度对应的异常事件作为第一异常监测结果，可选的，也可以将异常监测维度对应的异常事件转换成预设的数据形式(例如列表等)后，作为上述第一异常监测结果。
121.上述实施例中，结合多个相邻时间段内对应的第一异常指标数据，可以有效反映至少一个第一监测维度对应的预设事件出现情况的波动趋势，进而可以快速准确的确定出异常监测维度对应的异常事件，大大提升业务异常监测的效率和精准性。
122.在一个可选的实施例中，如图5所示，上述方法还可以包括：
123.在步骤s209中，获取至少一个第二监测维度下预设业务对应的异常事件的第二出现数据；
124.在一个具体的实施例中，上述第二出现数据可以为上述当前监测周期对应的出现次数，上述至少一个第二监测维度为在异常监测维度中加入附加监测维度后的监测维度。具体的，附加监测维度可以为在结合第一异常指标数据确定的异常监测维度的基础上，增加的监测业务异常的维度。
125.在一个可选的实施例中，假设预设业务为登录态校验业务，且监测需求为需要对异常服务中的登录态校验业务在至少一个区域的异常情况进行监测，相应的，上述附加监测维度可以为至少一个区域；至少一个第二监测维度可以为至少一个异常服务对应的至少一个区域，即可以结合第一异常监测结果，从第一异常监测结果表征的至少一个异常服务对应的异常事件的基础上，引入区域维度，获取至少一个异常服务对应的异常事件，在至少一个区域进行登录态校验时出现的次数(第二出现数据)，以进行异常服务中的登录态校验业务在至少一个区域的异常情况的监测。在一个具体的实施例中，假设某个服务对应5种预设事件，其中，该服务对应的3种预设事件的第一异常指标数据均大于第一预设阈值，相应的，在上述附加监测维度为至少一个区域的情况下，可以获取这种服务在至少一个区域的这3种预设事件的出现次数，且选的出现次数是当前监测周期的出现次数。
126.在另一个可选的实施例中，假设预设业务为信息推送业务，且监测需求为需要对至少一种异常机型对应的至少一种推送应用版本的信息推送业务进行异常监测，相应的，上述附加监测维度可以为至少一种信息推送应用对应的应用版本(推送应用版本)，至少一个第二监测维度可以为至少一种异常机型对应的至少一种推送应用版本，即可以结合第一异常监测结果，从第一异常监测结果表征的至少一种异常机型对应的异常事件的基础上，引入推送应用版本维度，获取至少一个异常机型对应的异常事件在至少一个推送应用版本的信息推送业务中出现的次数(第二出现数据)，以进行至少一种异常机型对应的至少一种推送应用版本的信息推送业务的异常监测。
127.在步骤s211中，将第二出现数据输入第二异常识别模型进行异常监测处理，得到至少一个第二监测维度对应的异常事件，在当前监测周期对应的第二异常指标数据；
128.在一个具体的实施例中，上述至少一个第二监测维度对应的异常事件，在当前监测周期对应的第二异常指标数据可以表征任一第二监测维度下预设业务在当前监测周期因异常事件出现异常的概率。具体的，以上述需要对异常服务中的登录态校验业务在至少一个区域的异常情况进行监测的场景为例，第二异常指标数据可以表征异常服务的登陆态校验业务在当前监测周期内因对应的异常事件出现异常的概率。
129.在一个具体的实施例中，上述第二异常监测模型可以为预先基于第二训练数据对预设机器学习模型进行异常监测处理训练得到的模型，具体的，第二训练数据可以包括至少一个第二监测维度下预设业务对应的异常事件的第二样本出现数据和第二样本出现数据对应的预设异常指标数据，其中，第二样本出现数据可以为多个历史监测周期各自对应的出现次数。
130.在一个具体的实施例中，上述预先训练出第二异常监测模型的具体细化，可以参见上述预先训练出第一异常监测模型的具体细化，在此不再赘述。
131.在一个具体的实施例中，上述方法还可以包括：
132.基于第二次数阈值对第二出现数据进行过滤，得到第二目标出现数据；
133.相应的，上述将第二出现数据输入第二异常识别模型进行异常监测处理，得到至少一个第二监测维度下对应的异常事件的第二异常指标数据包括：
134.将第二目标出现数据输入第二异常识别模型进行异常监测处理，得到第二异常指标数据。
135.在一个具体的实施例中，第二次数阈值可以结合实际应用进行设置。可选的，可以将第二出现数据中小于等于第二次数阈值的出现次数过滤掉，得到上述第二目标出现数据。
136.上述实施例中，基于第二次数阈值过滤掉出现次数较低的第二出现数据，可以更好的筛选出至少一个第二监测维度下与预设业务异常关联的数据，进而可以在提升异常监测处理有效性的基础上，降低异常监测处理的数据量，提升异常监测处理效率。
137.在步骤s213中，基于第二异常指标数据，确定预设业务对应的第二异常监测结果。
138.在一个具体的实施例中，上述第二异常监测结果可以表征至少一个第二监测维度中目标异常监测维度对应的目标异常事件。在一个可选的实施例中，上述基于第二异常指标数据，确定预设业务对应的第二异常监测结果可以包括：
139.在任一第二监测维度对应的预设事件，在当前监测周期对应的第二异常指标数据大于等于第二预设阈值的情况下，将在当前监测周期对应的第二异常指标数据大于等于第二预设阈值的第二监测维度对应的异常事件，作为目标异常监测维度对应的目标异常事件；
140.根据目标异常监测维度对应的目标异常事件，生成第二异常监测结果。
141.在一个具体的实施例中，第二预设阈值可以结合实际应用进行设置。具体的，可以将目标异常监测维度对应的目标异常事件作为第二异常监测结果，可选的，也可以将目标异常监测维度对应的目标异常事件转换成预设的数据形式(例如列表等)后，作为上述第二异常监测结果。
142.上述实施例中，结合当前监测周期对应的第二异常指标数据，将在当前监测周期对应的第二异常指标数据大于等于第二预设阈值的第二监测维度对应的异常事件，作为目标异常监测维度对应的目标异常事件，可以快速准确的确定出至少一个第二监测维度下的异常监测结果，大大提升业务异常监测的效率和精准性。且在按照至少一个第一监测维度进行业务异常监测的基础上，结合第一异常监测结果，增加监测维度，可以实现不同监测维度的异常监测，满足不同监测需求，进而可以更好的提升异常监测的精准性和有效报警率，减少异常误报概率。
143.在一个可选的实施例中，在上述预设业务为登录态校验业务，至少一个第一监测维度为至少一个服务，附加监测维度为至少一个区域(例如至少一个城市，至少一个省份等)的情况下，上述第二异常监测结果可以表征异常服务对应的异常区域下的目标异常事件，可选的，上述方法还可以包括：
144.将至少一个区域中对应的第二异常指标数据大于等于第二预设阈值的区域，作为异常区域；
145.确定异常区域对应的第一区域数量和目标区域对应的第二区域数量；
146.相应的，上述根据目标异常监测维度对应的目标异常事件，生成第二异常监测结果包括：
147.在第一区域数量大于第一区域阈值，且第二区域数量大于第二区域阈值的情况下，根据目标异常监测维度对应的目标异常事件，生成第二异常监测结果。
148.在一个具体的实施例中，第一区域阈值和第二区域阈值可以结合实际应用进行设置，其中，第一区域阈值小于第二区域阈值。具体的，上述目标区域为至少一个区域中参与异常监测处理的区域。
149.在实际应用中，在第二异常指标数据大于等于第二预设阈值的异常区域的第一区域数量大于第一区域阈值，且参与异常监测处理的目标区域的第二区域数量大于第二区域阈值的情况下，可以表征上述结合第二异常指标数据确定的目标异常监测维度对应的目标异常事件的有效性，进而可以根据目标异常监测维度对应的目标异常事件，生成第二异常监测结果。
150.上述实施例中，在登陆态校验业务的异常监测处理过程中，结合第二异常指标数据大于等于第二预设阈值的异常区域的第一区域数量，和参与异常监测处理的目标区域的第二区域数量，可以更好的提升识别目标异常监测维度对应的目标异常事件的有效性，进而可以准确确定出被黑产入侵的服务对应的区域信息，更好的提升了业务异常监测的精准性和有效性。
151.在一个具体的实施例中，在得到异常监测结果的情况下，相关人员可以及时地针对异常因素(某一异常服务对应的异常事件)进行相应的修复处理，进而可以保证业务的正常处理。
152.由以上本说明书实施例提供的技术方案可见，本说明书将至少一个第一监测维度下预设业务对应的至少一种预设事件的第一出现数据，作为第一异常监测模型的输入，来进行异常监测处理，可以实现按照监测维度来进行业务异常监测，提升不同业务场景下异常监测的通用性，且第一出现数据为当前监测周期内的多个相邻时间段各自对应的出现次数，可以有效反映业务异常波动趋势，有效保证了得到的第一异常指标数据对第一监测维度下预设业务在每个相邻时间段因任一预设事件出现异常概率的表征精准性，进而基于该第一异常指标数据，可以快速准确的定位异常因素，大大提升业务异常监测效率和精准性，从而提升有效报警率，减少业务异常情况。
153.图6是根据一示例性实施例示出的一种业务异常监测装置框图。参照图6，该装置包括：
154.第一出现数据获取模块610，被配置为执行获取至少一个第一监测维度下预设业务对应的至少一种预设事件的第一出现数据，第一出现数据为当前监测周期内的多个相邻
时间段各自对应的出现次数；
155.第一异常监测处理模块620，被配置为执行将第一出现数据输入第一异常监测模型进行异常监测处理，得到至少一个第一监测维度对应的至少一种预设事件，在多个相邻时间段内对应的第一异常指标数据；
156.第一异常监测结果确定模块630，被配置为执行基于第一异常指标数据，确定预设业务对应的第一异常监测结果，第一异常监测结果表征至少一个第一监测维度中异常监测维度对应的异常事件。
157.在一个可选的实施例中，上述装置还包括：
158.第一数据过滤模块，被配置为执行基于第一次数阈值对第一出现数据进行过滤，得到第一目标出现数据；
159.第一异常监测处理模块620还被配置为执行将第一目标出现数据输入第一异常监测模型进行异常监测处理，得到第一异常指标数据。
160.在一个可选的实施例中，第一异常监测结果确定模块630包括：
161.第一异常确定单元，被配置为执行在任一第一监测维度对应的预设事件，在多个相邻时间段内对应的第一异常指标数据均大于等于第一预设阈值的情况下，将在多个相邻时间段内对应的第一异常指标数据均大于等于第一预设阈值的第一监测维度对应的预设事件，作为异常监测维度对应的异常事件；
162.第一异常监测结果生成单元，被配置为执行基于异常监测维度对应的异常事件，生成第一异常监测结果。
163.在一个可选的实施例中，上述装置还包括：
164.第二出现数据获取模块，被配置为执行获取至少一个第二监测维度下预设业务对应的异常事件的第二出现数据，第二出现数据为当前监测周期对应的出现次数，至少一个第二监测维度为在异常监测维度中加入附加监测维度后的监测维度；
165.第二异常监测处理模块，被配置为执行将第二出现数据输入第二异常识别模型进行异常监测处理，得到至少一个第二监测维度对应的异常事件，在当前监测周期对应的第二异常指标数据；
166.第二异常监测结果确定模块，被配置为执行基于第二异常指标数据，确定预设业务对应的第二异常监测结果，第二异常监测结果表征至少一个第二监测维度中目标异常监测维度对应的目标异常事件。
167.在一个可选的实施例中，第二异常监测结果确定模块包括：
168.第二异常确定单元，被配置为执行在任一第二监测维度对应的预设事件，在当前监测周期对应的第二异常指标数据大于等于第二预设阈值的情况下，将在当前监测周期对应的第二异常指标数据大于等于第二预设阈值的第二监测维度对应的异常事件，作为目标异常监测维度对应的目标异常事件；
169.第二异常监测结果生成单元，被配置为执行根据目标异常监测维度对应的目标异常事件，生成第二异常监测结果。
170.在一个可选的实施例中，预设业务为登录态校验业务，至少一个第一监测维度为至少一个服务，附加监测维度为至少一个区域，第二异常监测结果表征异常服务对应的异常区域下的目标异常事件，上述装置还包括：
171.异常区域确定模块，被配置为执行将至少一个区域中对应的第二异常指标数据大于等于第二预设阈值的区域，作为异常区域；
172.第二区域数量确定模块，被配置为执行确定异常区域对应的第一区域数量和目标区域对应的第二区域数量，目标区域为至少一个区域中参与异常监测处理的区域；
173.第二异常监测结果生成单元还被配置为执行在第一区域数量大于第一区域阈值，且第二区域数量大于第二区域阈值的情况下，根据目标异常监测维度对应的目标异常事件，生成第二异常监测结果。
174.在一个可选的实施例中，上述装置还包括：
175.第二数据过滤模块，被配置为执行基于第二次数阈值对第二出现数据进行过滤，得到第二目标出现数据；
176.第二异常监测处理模块还被配置为执行将第二目标出现数据输入第二异常识别模型进行异常监测处理，得到第二异常指标数据。
177.在一个可选的实施例中，上述装置还包括：
178.训练数据模块，被配置为执行获取至少一个第一监测维度下预设业务对应的至少一种预设事件的第一样本出现数据和第一样本出现数据对应的预设异常指标数据，第一样本出现数据为多个历史监测周期内的多个相邻历史时间段各自对应的出现次数；
179.第三异常监测处理模块，被配置为执行将第一样本出现数据输入预设机器学习模型进行异常监测处理，得到至少一个第一监测维度对应的至少一种预设事件，在多个相邻历史时间段内对应的样本异常指标数据；
180.目标损失信息确定模块，被配置为执行根据预设异常指标数据和样本异常指标数据，确定目标损失信息；
181.模型训练模块，被配置为执行基于目标损失信息，训练预设机器学习模型，得到第一异常监测模型。
182.关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
183.图7是根据一示例性实施例示出的一种用于业务异常监测的电子设备的框图，该电子设备可以是终端，其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务异常监测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
184.图8是根据一示例性实施例示出的一种用于业务异常监测的电子设备的框图，该电子设备可以是服务器，其内部结构图可以如图8所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环
境。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种业务异常监测方法。
185.本领域技术人员可以理解，图7或图8中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
186.在示例性实施例中，还提供了一种电子设备，包括：处理器；用于存储该处理器可执行指令的存储器；其中，该处理器被配置为执行该指令，以实现如本公开实施例中的业务异常监测方法。
187.在示例性实施例中，还提供了一种计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行本公开实施例中的业务异常监测方法。
188.在示例性实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开实施例中的业务异常监测方法。
189.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
190.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
191.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。