基于距离度量的运维时序分类方法、装置、设备及介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于距离度量的运维时序分类方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着现代电子行业的飞速发展，需要处理的电子数据也越来越庞大，各种处理数据对数据进行分类的方法层出不穷。为了提高运维时间数据的处理速度，加快运维时间序列的分类效率，需要利用一种新的基于距离度量的分类方法，加快对运维时间序列的处理进程。
3.现有的通过系统指标的变化由人工判断是否存在问题与隐患的运维模式已经不足以支撑大部分企业的需求，海量的运维时间序列难以分类处理。传统的分类处理主要使用欧式距离测量两条序列的距离值，从而判断两条序列的相似度，是否属于同一类别。由于欧式距离无法处理不等长的两条序列，且时间移位会对计算结果造成很大影响，从而导致对运维时间序列分类的准确度较低。


技术实现要素：

4.本发明提供一种基于距离度量的运维时序分类方法、装置及计算机可读存储介质，其主要目的在于解决对运维时间序列分类时准确度较低的问题。
5.为实现上述目的，本发明提供的一种基于距离度量的运维时序分类方法，包括：
6.获取运维时间序列，以及每条运维时间序列上的特征点；
7.随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；
8.根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；
9.选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；
10.选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。
11.可选地，所述获取运维时间序列，以及每条运维时间序列上的特征点，包括：
12.获取预设的运维时间文档，提取所述运维时间文档内的时间数据信息；
13.将所述时间数据信息按时间顺序映射至预设的空白坐标系内，得到特征点；
14.将所述特征点连成一条连续不间断的折线，得到所述运维时间序列。
15.可选地，所述提取所述运维时间文档内的时间数据信息，包括：
16.将所述运维时间文档拆分成文本分词，并将所述文本分词转化成词向量；
17.利用预设的语言处理算法对所述词向量进行文本分析，得到所述时间数据信息。
18.可选地，所述将所述运维时间文档拆分成文本分词，并将所述文本分词转化成词向量，包括：
19.将所述运维时间文档按照不同的长度在预设的标准词库中进行检索，并将可在所述标准词库中检索到的内容汇集为文本分词；
20.从预设的字向量表中查询所述文本分词中每个字的字向量；
21.按照所述文本分词中每一个字的顺序将所述字向量拼接为所述文本分词的词向量。
22.可选地，所述随机选取两条不同的运维时间序列为第一序列与第二序列，包括：
23.将全部的运维时间序列使用1到n进行唯一编号，n为所述运维时间序列的数量；
24.使用随机函数随机选取所述唯一编号内一个编号对应的运维时间序列为第一序列；
25.使用所述随机函数再次随时选取所述唯一编号内一个编号对应的运维时间序列为第二序列，其中，所述第一时间序列与所述第二序列不相同。
26.可选地，所述逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，包括：
27.利用如下距离值算法计算所述第一序列与所述第二序列之间对应的特征点的累加距离值：
28.d)n，m)＝min{d(n-1，m-1)，d)n-1，m)，d(n，m-1)}
29.+c(n，m)
30.c(n，m)＝‖x
n-tm‖231.其中，所述c(n，m)是第一序中第n个特征点与第二序列中第m个特征点之间的绝对距离值，所述xn是第一序列中第n个特征点的横坐标，所述tm是第二序列中第m个特征点的横坐标，所述d(n，m)是第一序中第n个特征点与第二序列中第m个特征点之间的累加距离值。
32.可选地，所述根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，包括：
33.确定所述目标矩阵填入的第一个数值的位置为终点位置；
34.确定所述目标矩阵填入的最后一个数值的位置为起始位置；
35.从起始位置出发，选取起始位置在终点位置方向上的三个相邻数值中，最小的数值的位置为下一个起始位置；
36.直至起始位置与终点位置重合，确定所有起始位置的集合为所述最短路径。
37.为了解决上述问题，本发明还提供一种基于距离度量的运维时序分类装置，所述装置包括：
38.获取序列模块：获取运维时间序列，以及每条运维时间序列上的特征点；
39.计算矩阵模块：随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；
40.第一距离值模块：根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，
根据所述最短路径计算所述第一序列与所述第二序列的距离值；
41.第二距离值模块：选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；
42.分类模块：选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。
43.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
44.至少一个处理器；
45.以及，与所述至少一个处理器通信连接的存储器；
46.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于距离度量的运维时序分类方法。
47.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于距离度量的运维时序分类方法。
48.本发明实施例通过计算产品画像与每个所述用户画像之间的匹配值，进而根据该匹配值选取第一目标用户群体进行产品推荐，有利于提高产品与用户的适配度，进而提高产品推荐的精确度；获取用户对推荐的产品的反馈信息，以实现对用户画像的完善，得到目标用户画像，并根据完目标用户画像选取第二目标用户群体进行产品推荐，可实现对相关用户的挖掘，进而增大产品推荐的用户群体，便于在更大的用户群体中更实现精确的产品推荐。因此本发明提出的基于距离度量的运维时序分类方法、装置、电子设备及计算机可读存储介质，可以解决进行产品推荐时的精确度较低的问题。
附图说明
49.图1为本发明一实施例提供的基于距离度量的运维时序分类方法的流程示意图；
50.图2为本发明一实施例提供的获取序列的流程示意图
51.图3为本发明一实施例提供的转化分词的流程示意图；
52.图4为本发明一实施例提供的目标矩阵的建立示意图；
53.图5为本发明一实施例提供的基于距离度量的运维时序分类装置的功能模块图；
54.图6为本发明一实施例提供的实现所述基于距离度量的运维时序分类方法的电子设备的结构示意图。
55.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
56.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
57.本技术实施例提供一种基于距离度量的运维时序分类方法。所述基于距离度量的运维时序分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述基于距离度量的运维时序分类方
法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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、内容分发网络(contentdelivery network，cdn)、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。
58.参照图1所示，为本发明一实施例提供的基于距离度量的运维时序分类方法的流程示意图。在本实施例中，所述基于距离度量的运维时序分类方法包括：
59.s1、获取运维时间序列，以及每条运维时间序列上的特征点；
60.本发明实施例中，所述运维时间序列就是一连串按照时间索引的运维数据，按照时间顺序画入空白的坐标系中，将所述运维数据连点成线，在坐标系内形成一条连续不间断的折线就称为运维时间序列。
61.本发明实施例中，所述特征点为所述运维时间序列上的折点，代表着不同时间点的运维数据的数据特征。
62.详细地，参照图2所示，所述获取运维时间序列，以及每条运维时间序列上的特征点，包括：
63.s21、获取预设的运维时间文档，提取所述运维时间文档内的时间数据信息；
64.s22、将所述时间数据信息按时间顺序映射至预设的空白坐标系内，得到特征点；
65.s23、将所述特征点连成一条连续不间断的折线，得到所述运维时间序列。
66.具体地，所述获取预设的运维时间文档，可以利用具有数据抓取功能的计算机语句(如java语句、python语句等)从预先确定的存储区域抓取存储的运维时间数据信息，所述存储区域包括但不限于数据库、区块链节点、网络缓存。
67.本发明实施例中，所述提取所述运维时间文档内的时间数据信息，包括：将所述运维时间文档拆分成文本分词，并将所述文本分词转化成词向量；利用预设的语言处理算法对所述词向量进行文本分析，得到所述时间数据信息。
68.详细地，参照图3所示，所述将所述运维时间文档拆分成文本分词，并将所述文本分词转化成词向量，包括：
69.s31、将所述运维时间文档按照不同的长度在预设的标准词库中进行检索，并将可在所述标准词库中检索到的内容汇集为文本分词；
70.s32、从预设的字向量表中查询所述文本分词中每个字的字向量；
71.s33、按照所述文本分词中每一个字的顺序将所述字向量拼接为所述文本分词的词向量。
72.详细地，所述标准词库中包含多个标准分词，将所述运维时间文档按照不同的长度在所述标准词典中进行检索，若可检索到相同的标准分词，则可确定检索到的标准分词为所述运维时间文档的文本分词。
73.另外地，所述字向量表是由多个字以及每个字对应的向量组成的表格，多个字向量可以拼接成词向量。其中，所述字向量表与所述标准词典类似，为预先构建的，包含多个单字对应的字向量的数据表。
74.具体地，所述利用预设的语言处理算法对所述词向量进行文本分析，得到所述时间数据信息，其中所述语言处理算法包括但不限于npl自然语言处理算法等。
75.s2、随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；
76.由于运维时间文档内包含多组运维时间数据，每组运维时间数据都能生成一条运维时间序列，因此需要对每条运维时间序列都进行分析。
77.本发明实施例中，所述随机选取两条不同的运维时间序列为第一序列与第二序列，包括：将全部的运维时间序列使用1到n进行唯一编号，n为所述运维时间序列的数量；使用随机函数随机选取所述唯一编号内一个编号对应的运维时间序列为第一序列；使用所述随机函数再次随时选取所述唯一编号内一个编号对应的运维时间序列为第二序列，其中，所述第一时间序列与所述第二序列不相同。
78.详细地，所述随机函数包括但不限于raptor函数、rand函数等。
79.本发明实施例中，所述逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，包括：
80.利用如下距离值算法计算所述第一序列与所述第二序列之间对应的特征点的累加距离值：
81.d(n，m)＝min{d(n-1，m-1)，d(n-1，m)，d(n，m-1)}
82.+(n，m)
83.c(n，m)＝‖x
n-m‖284.其中，所述c(n，m)是第一序中第n个特征点与第二序列中第m个特征点之间的绝对距离值，所述xn是第一序列中第n个特征点的横坐标，所述tm是第二序列中第m个特征点的横坐标，所述d(n，m)是第一序中第n个特征点与第二序列中第m个特征点之间的累加距离值。
85.本发明实施例中，参照图4所示，所述将所述累加距离值填入预设的空白矩阵中，得到目标矩阵，例如第一序列的数据集a{1,3,4,9,8,2,1,5,7,3}，第二序列集b{1,6,2,3,0,9,4,1,6,3}，将所述数据集a与数据集b都填入预设的空白矩阵的第一列与最后一行，将对应位置的累加距离值计算出后，填入交叉对应的空格中，完成目标矩阵的建立。
86.详细地，计算出第一序列与第二序列之间所有特征点两两之间的累加距离值，便于后续直接根据目标矩阵中的数值进行筛选操作。计算过程中，由于第一序列长度与第二序列长度不一定相等，需要根据第一序列与第二序列的长度来调整目标矩阵的行数和列数，就能继续计算得出目标矩阵，操作步骤简单，执行结果清晰，一目了然。
87.s3、根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；
88.由于无法控制每条运维时间序列的长短，也就无法控制所述目标矩阵的大小，所述目标矩阵中数值数量较多，无法直接计算出距离值。因此需要对所述目标矩阵中的数值进行筛选，选出一条最短路径，再根据所述最短路径计算出两条运维时间序列的距离值。
89.本发明实施例中，所述根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，包括：确定所述目标矩阵填入的第一个数值的位置为终点位置；确定所述目标矩阵填入的最后一个数值的位置为起始位置；从起始位置出发，选取起始位置在终点位置方向上的三个相邻数值中，最小的数值的位置为下一个起始位置；直至起始位置与终点位置重合，确定所有起始位置的集合为所述最短路径。
90.详细地，所述确定起始位置在终点位置方向上的三个相邻数值中，最小的数值的位置为下一个起始位置，例如矩阵起始位置对应的数值为9，终点位置对应的数值为4，起始位置对应的数值9在终点位置方向上的三个相邻数值为{6、8、5，取最小数值5为下一个起始位置，对应终点位置方向上的三个相邻数值为{8、1、3，取最小值1为下一个起始位置，对应终点位置方向上的数值只有4，此时起始位置和终点位置重合，最短路径为{9、5、1、4。
91.本发明实施例中，所述根据所述最短路径计算所述第一序列与所述第二序列的距离值，将最短路径对应的所有数值加在一起得到所述第一序列与第二序列的距离值。例如最短路径为{9、5、1、4，距离值为所有数值之和19。
92.详细地，每两条运维时间序列之间都有最短路径，与最短路径对应的距离值。根据距离值可以判断不同的两条运维之间序列之间的距离值，从而根据距离值对这些运维时间序列进行分类。
93.s4、选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；
94.本发明实施例中，所述第一聚心与第二聚心类似于k-means聚类算法中的两个不同的聚类中心。所述第一聚心实际上是聚类分析的一个特殊样本，用来表示某一类，其他运维时间序列通过与他计算距离来决定是否属于所述第一聚心的类别。所述第二聚心的定义与第一聚心一样，在此不多赘述。
95.本发明实施例中，所述选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，包括；统计所有运维时间序列之间的距离值；用查找函数找出最大的距离值；确定最大距离值对应的两条运维时间序列为第一聚心和第二聚心。
96.详细地，所述查找函数可以是用c++或c语言等编译语言编辑的查找最大值算法，还可以将所述距离值填入excel表格中，借用表格中的dmax查找函数，快速找出最大距离值。
97.本发明实施例中，所述分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值，包括：逐一选取除两个初始聚心之外的运维时间序列为目标序列；将目标序列到第一聚心的距离值与目标序列到第二聚心的距离值相加，得到所述目标序列的绝对距离值。
98.例如，目标序列到第一聚心的距离值为25，目标序列到第二聚心的距离值为30，所述所述目标序列的绝对距离值为55。
99.详细地，计算统计出除第一聚心与第二聚心外的所有运维时间序列的绝对距离值，便于执行后续操作，还可以将计算出的所有绝对距离值填入预设的空白表格中，得到绝对距离值表，有利于简化后续操作步骤。
100.s5、选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。
101.本发明实施例中，由于根据距离度量来对所述运维时间序列进行分类，即距离度量大的应属于不同的类别，因此选取聚心时要选绝对距离值最大的运维时间序列，这样选出来的聚心才能当做分类样本进行分类操作。
102.本发明实施例中，所述选取绝对距离值最大的运维时间序列为第三聚心，包括：统计除第一聚心与第二聚心以外的所有运维时间序列的绝对距离值；通过最大值函数筛选出绝对距离值最大的运维时间序列确定为第三聚心。详细地，所述最大值函数与s4中查找最大值算法类似，在此不多赘述。
103.本发明实施例中，所述根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类，包括：逐一选取除第一聚心、第二聚心及第三聚心以外的运维时间序列为准备序列；统计所述准备序列到第一聚心、第二聚心及第三聚心的三个距离值；选出三个距离值中最小的距离值对应的聚心为目标聚心；将所述准备序列聚类至所述目标聚心的类别，直至所有运维时间序列聚类完成。
104.具体地，所述统计所述准备序列到第一聚心、第二聚心及第三聚心的三个距离值可以直接提取s3中计算得出的所有运维时间序列两两之间的距离值，在此不多赘述。
105.详细地，例如准备序列q到第一聚心的距离值为54，到第二聚心的距离值为23，到第三聚心的距离值为65，因为23《54《65，因此目标聚心为第一聚心，所述准备序列q属于第一聚心的类别。
106.具体地，通过距离度量来确定聚心再进行分类的方法有利于简化数据，原理简单，容易实现，当有大规模数据需要分类时，分类速度快，分类效果好。
107.如图5所示，是本发明一实施例提供的基于距离度量的运维时序分类装置的功能模块图。
108.本发明所述基于距离度量的运维时序分类装置100可以安装于电子设备中。根据实现的功能，所述基于距离度量的运维时序分类装置100可以包括获取序列模块101、计算矩阵模块102、第一距离值模块103、第二距离值模块104及分类模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
109.在本实施例中，关于各模块/单元的功能如下：
110.所述获取序列模块101：获取运维时间序列，以及每条运维时间序列上的特征点；
111.所述计算矩阵模块102：随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；
112.所述第一距离值模块103：根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；
113.所述第二距离值模块104：选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；
114.所述分类模块105：选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完
成对所有运维时间序列的分类。
115.详细地，本发明实施例中所述基于距离度量的运维时序分类装置100中所述的各模块在使用时采用与上述图1至图4中所述的基于距离度量的运维时序分类方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
116.如图6所示，是本发明一实施例提供的实现基于距离度量的运维时序分类方法的电子设备的结构示意图。
117.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于距离度量的运维时序分类程序。
118.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于距离度量的运维时序分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
119.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于距离度量的运维时序分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
120.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
121.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
122.图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某
些部件，或者不同的部件布置。
123.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
124.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
125.所述电子设备1中的所述存储器11存储的基于距离度量的运维时序分类程序是多个指令的组合，在所述处理器10中运行时，可以实现：
126.获取运维时间序列，以及每条运维时间序列上的特征点；
127.随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；
128.根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；
129.选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；
130.选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。
131.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
132.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
133.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
134.获取运维时间序列，以及每条运维时间序列上的特征点；
135.随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；
136.根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；
137.选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每
个运维时间序列的绝对距离值；
138.选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。
139.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
140.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
141.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
142.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
143.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
144.本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
145.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
146.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
147.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种基于距离度量的运维时序分类方法，其特征在于，所述方法包括：获取运维时间序列，以及每条运维时间序列上的特征点；随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。2.如权利要求1所述的基于距离度量的运维时序分类方法，其特征在于，所述获取运维时间序列，以及每条运维时间序列上的特征点，包括：获取预设的运维时间文档，提取所述运维时间文档内的时间数据信息；将所述时间数据信息按时间顺序映射至预设的空白坐标系内，得到特征点；将所述特征点连成一条连续不间断的折线，得到所述运维时间序列。3.如权利要求2所述的基于距离度量的运维时序分类方法，其特征在于，所述提取所述运维时间文档内的时间数据信息，包括：将所述运维时间文档拆分成文本分词，并将所述文本分词转化成词向量；利用预设的语言处理算法对所述词向量进行文本分析，得到所述时间数据信息。4.如权利要求3所述的基于距离度量的运维时序分类方法，其特征在于，所述将所述运维时间文档拆分成文本分词，并将所述文本分词转化成词向量，包括：将所述运维时间文档按照不同的长度在预设的标准词库中进行检索，并将可在所述标准词库中检索到的内容汇集为文本分词；从预设的字向量表中查询所述文本分词中每个字的字向量；按照所述文本分词中每一个字的顺序将所述字向量拼接为所述文本分词的词向量。5.如权利要求1所述的基于距离度量的运维时序分类方法，其特征在于，所述随机选取两条不同的运维时间序列为第一序列与第二序列，包括：将全部的运维时间序列使用1到n进行唯一编号，n为所述运维时间序列的数量；使用随机函数随机选取所述唯一编号内一个编号对应的运维时间序列为第一序列；使用所述随机函数再次随时选取所述唯一编号内一个编号对应的运维时间序列为第二序列，其中，所述第一时间序列与所述第二序列不相同。6.如权利要求1至5中任一项所述的基于距离度量的运维时序分类方法，其特征在于，所述逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，包括：利用如下距离值算法计算所述第一序列与所述第二序列之间对应的特征点的累加距离值：d(n，m)＝min{d(n-1，m-1)，d(n-1，m)，d(n，m-1)}+c(n，m)
c(n，m)＝‖x
n-t
m
‖2其中，所述c(n，m)是第一序中第n个特征点与第二序列中第m个特征点之间的绝对距离值，所述x
n
是第一序列中第n个特征点的横坐标，所述t
m
是第二序列中第m个特征点的横坐标，所述d(n，m)是第一序中第n个特征点与第二序列中第m个特征点之间的累加距离值。7.如权利要求1所述的基于距离度量的运维时序分类方法，其特征在于，所述根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，包括：确定所述目标矩阵填入的第一个数值的位置为终点位置；确定所述目标矩阵填入的最后一个数值的位置为起始位置；从起始位置出发，选取起始位置在终点位置方向上的三个相邻数值中，最小的数值的位置为下一个起始位置；直至起始位置与终点位置重合，确定所有起始位置的集合为所述最短路径。8.一种基于距离度量的运维时序分类装置，其特征在于，所述装置包括：获取序列模块：获取运维时间序列，以及每条运维时间序列上的特征点；计算矩阵模块：随机选取两条不同的运维时间序列为第一序列与第二序列，逐个计算所述第一序列与所述第二序列之间对应的特征点的累加距离值，将所述累加距离值填入预设的空白矩阵中，得到目标矩阵；第一距离值模块：根据所述目标矩阵，筛选出累加距离值最小的路径为最短路径，根据所述最短路径计算所述第一序列与所述第二序列的距离值；第二距离值模块：选取所有运维时间序列中，距离值最大的两条序列为第一聚心和第二聚心，分别计算出除第一聚心和第二聚心之外的运维时间序列到两个初始聚心的距离值之和，得到每个运维时间序列的绝对距离值；分类模块：选取绝对距离值最大的运维时间序列为第三聚心，根据每个运维时间序列到三个不同聚心的距离值，将每个运维时间序列划分到距离值最近的聚心，完成对所有运维时间序列的分类。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于距离度量的运维时序分类方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于距离度量的运维时序分类方法。

技术总结
本发明涉及人工智能技术，揭露了一种基于距离度量的运维时序分类方法，包括：获取运维时间序列以及特征点；选取两条运维时间序列为第一序列与第二序列，计算两条序列的累加距离值得到目标矩阵；根据目标矩阵筛选出最短路径，根据最短路径计算两条序列的距离值；选取距离值最大的两条序列为第一聚心和第二聚心，计算得到绝对距离值；选取绝对距离值最大的序列为第三聚心，根据运维时间序列到三个聚心不同的距离值，完成对所有运维时间序列的分类。此外，本发明还涉及区块链技术，运维时间序列及目标矩阵可存储于区块链的节点。本发明还提出一种基于距离度量的运维时序分类装置、电子设备以及存储介质。本发明可以提高运维时间序列分类的精确度。列分类的精确度。列分类的精确度。


技术研发人员：李同 巴堃 庄伯金
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.04.13
技术公布日：2023/7/12