文章目录
网络KPI介绍
- 什么是KPI？
KPI可以看作是一种时间序列，时间序列包含时间戳以及时间戳上对应的取值。(例如股票走势，气温变化，心电图等等都可以被看做时间序列)
-
什么是网络KPI？
网络设备在运行的过程中会持续的产生大量的数据，例如告警,KPI,日志,MML等等。KPI是能够反映网络性能与设备运行状态的一类指标。比较常见的KPI指标有：
| KPI类别 | 举例 | 特征 | |
|---|---|---|---|
| 1 | 成功率类指标 | 附着成功率，下载成功率 | 整体上相对平稳 |
| 2 | 次数类指标 | 请求次数，错误码次数 | 突变频率较多 |
| 3 | 时延类指标 |
网络设备KPI也可以看做是时间序列。
KPI的规模庞大，一个网元的原始KPI 5000+，衍生KPI约00+
KPI的表现形式也各不相同，例如
异常检测步骤
网络KPI异常检测是工程师的‘眼睛’，帮助工程师看到问题要识得庐山真面目，必须采用有效的KPI异常检测方法
举例说明
比如说我们要预测2019年11月29日1:00的数据。我们要它进行异常检测，那么我们可以取11月29号0:00到0:55分的历史数据。进行构造模型。记作F，此模型即可以给出11月29日1：00预测的下载成功率是92.7，得到数据之后与1:00的真实结果71.12进行对比。用残差的方式进行相见，可以得到相减值为21.58，假如说我们定义的异常门限为10。则可以发现残差已经大于门限，此时即可以上报异常。
遇到的难点有：
- 时间序列相对复杂
- 函数F()构造复杂
这就需要我们有有效的KPI异常检测方法
异常表现形式
成功率指标在某一时刻突降
错误码指标在某一时刻突增
可以看到在图片中出现了明显的突增(错误码)和突降(成功率)
更复杂的表现形式
序列平移异常
此案例来自于某一设备温度时间序列，根据经验来看，此设备温度应该维持在10度-20度之间，可以看到在图片左侧有非常明显的突增，温度突增到80度，而右侧的徒增则不是特别明显，但是右侧对于设备的影响非常严重(不允许超过20度)，这就是对设备门限的控制得当
模式变换
此图为心电图，人的心跳反应在心电图上就是相当于周期波动，可以看到在中间有一段红色相对平坦的信号，可以看出它与正常信号的差异非常明显，由于他没有波动，可以认为此人此时心跳可能骤停
异常定义
离群点与异常
离群点:离群点Outlier是一个更广泛的概念，通常指与样本总体差别较大的点
异常的定义:异常是样本空间中的一种样本，它们与样本空间中其他样本是如此的不同，以致人们不得不怀疑它们是通过另外一种机制产生的。-Hawkins，1980
如下图所示，正常的预测点位于绿色部分，异常的预测点位于红色圆圈
再如下图所示，身高2.26米，是一个离群点身高3米，是异常，
即认为人类不可能身高3米或者身高2.72米
离群点与异常的不同:
- 离群点虽然与样本总体差别较大，但仍在可接受的范围内，只是出现的概率较小一些
- 异常则完全由不同的机制产生
- 实践当中通常不加以严格区分
不同领域的异常
异常的定义中没有说明数据类型，因此适用广泛，包括表格数据、图像、文本、时间序列，异常的定义都是一致的
例如下图可以看到右侧黑色车辆有一个轧白线的的违章动作，对于交警处理违章问题帮助很大
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-X2qGIPKg-1644336390625)(C:/Users/19867/AppData/Roaming/Typora/typora-user-images/image-20220127110918206.png)]
此图为NLP自然语言处理，正常评论为与内容相关的评论，而恶意评论则是一些与内容不相干的评论
总结：异常的两个特点:明显区别，极少出现
异常检测的主要方法
1基于距离的方法
1.1根据样本集X计算当前样本x的预测值x0
1.2计算样本真实值x与x0的距离d=|x-x0|
1.3若距离大于阈值t，则判断为异常
2基于分布的方法
2.1根据样本集X计算当前样本x的分布f(x)
2.2根据分布f和样本真实值x做假设检验，计算p值
2.3若p值低于显著性水平a(0.05)，则认为检测到异常
时间序列异常检测的难点
时间序列检测的难点最主要的就是门限的设置，因为不同人对异常的感受是不一样的，有的人可能感受很敏感，有的人觉得无所谓，他们心目中的门限可能有高有低，这是一个很难去统一的标准。
异常是与众不同的，但是这个"众"我们应该怎样去定义，下面通过一个例子来解释
下面这个图为时间序列，可能很难发现他有与众不同的点
但是将时间序列拉长后如下图所示
可以看出红色部分本身即为异常
异常检测常见方法
Z-score方法
一组正态分布样本中，偏离均值3倍标准差之外的区间的概率密度很低，若样本落在这个区间，则很可能是异常
Zscore是衡量正态分布样本的偏离程度的指标
将时间序列每个时间戳的点视为一个样本用z-score计算每个时间点的偏离程度，若大于阈值(3)则判断为异常
注明：只能检测明显的值异常，不能检测序列异常
我们可以看到下图中间的绿色线为均值，上下面的绿线为标准差，且有3个值Outlier位于绿线外面
Z-score方法弊端：没有用到任何时间序列的信息，也就是说这个时间序列是否有序，检测出的异常不会发生变化这显然是不符合我们需求的，因为很多异常可能是一些局部的特征，所以此方法不能用于检测序列的异常
滑动平均法(Moving Average,MA)
MA的方法利用到了序列的特征，滑动平均法基于最近时刻的值估计当前时刻的取值
例如在下面的时间序列，我们要预测1:00的下载成功率，那就把0:00到0:55的下载成功率取平均值，即可以得到1:00滑动平均的结果为3
此图展示了美国佛罗里达州的新冠人数，蓝色线为真实值，红色线基于7天平均值的预测值
指数加权滑动平均法(Exponential Weighted Moving Average,EWMA)
由于序列的距离-相似性，越近的点相似度越高，因此在做滑动平均时采取等权重是不合适的，直观上来说应当给较近的点较高的权重
第i时刻的加权求和满足:
Si为当前时刻的真实值，α为衰减因子，值越大则最近数据的权重越高，历史数据的权重越低
采用EWMA，设a=0.5，则预测下一时刻2019/10/22 1:00的取值为93.166
同比与环比
环比:当前时刻与前一时刻之比
例如国家统计局计算GDP以月为单位，比如算2020年2月份的GDP有没有达到预期，就需要和上个月进行对比，这就叫做环比，环比是当前时刻与前一时刻之比。
如果是2020年2月份和2019年12月份对比，这就叫做同比，同比是当前时刻与上一周期同一时刻之比。
下图为典型的时间序列
使用同比可以较容易的预测出下一个高峰的出现时间，而环比则很难预测
Boxplot方法
环比和同比在时间序列检测中的应用为Boxplot方法
Boxplot双线图是数据科学家在分析数据分布的情况下经常用的一种方法
下图为100名学生的考试成绩，中位数为第50名的学生成绩，上四分数为第25名孩子的成绩，下四分数为第75名孩子的成绩
IQR为
超过上限和下限的值均为异常值
下图为用Boxplot检测异常值实例(蓝色线为预测值，绿线为真实值)
Boxplot(箱线图)通过绘制数据分布分位数的方式检测异常点分位数相比于3 sigma:无需假设正态分布，适用更广
基于同比数据，更符合当前数据的分布
算法总结
z-score:异常+检测
MA,EWMA:序列+异常+检测
Boxplot:时间+序列+异常+检测
异常:零维，样本之间是独立同分布的，不存在任何顺序关系序列
异常:一维，样本仅与前后样本有关，只在一个方向上演化
时间序列异常:二维，样本不仅与前后样本有关，也与上一周期内的样本有关，在两个方向演化
例如此飞镖盘有很多块组成，可以形成不同的分数，分数与所在的环有关，在同一个环，击中的概率相同(同比)，在不同的环环比情况下外侧击中概率较大，分值相对较小(环比)
KPI异常检测实例
KPI异常检测帮助运营商提前5小时发现问题，保障四地市用户体验
及时发送信息
总结异常检测
异常检测的方法有很多，总结起来分为三类
0维:只看整体，不看轮廓
1维:只看轮廓，不看整体
2维:既看整体，又看轮廓
要做好时间序列异常检测，必须同时做好‘时间’、‘序列’、‘异常三个层面的工作，三者相辅相成，缺一不可。
异常检测演示
涵盖数据预处理、特征提取、模型训练、模型验证、推理执行和重训练全流程。该服务提供开发环境和模拟验证环境，内嵌华为在电信领域30多年积累的的知识和经验沉淀，内置50+电信领域资产，包括项目模板，算法、特征分析及处理SDK。帮助开发者降低开发门槛，提升开发效率，保障模型应用效果