2018 国际AIOps挑战赛单指标数据集分析

关于数据集

2018年国际AIOps 由中国建设银行、清华大学以及必示科技公司联合举办，尽管已经过去了这么长时间，其提供的比赛数据依然被用于智能运维相关算法的研究。这里我们对此数据集做简单的分析，把一些常用的数据分析方法在这里进行略微地概述。

数据集下载地址：https://smileyan.lanzoul.com/ixpcU03lp97g

内容概述

接下来的部分我按照自己的习惯，使用python代码对数据进行简单的处理分析，不牵扯到具体论文的复现。

1. 加载数据

下载解压后，可以得到两个文件，即

• phase2_train.csv
• phase2_ground_truth.hdf

对于两种类型文件读取方法不同，代码如下：

import pandas as pd

df_train = pd.read_csv("data/phase2_train.csv")
print(df_train.head(5))

df_test = pd.read_hdf("data/phase2_ground_truth.hdf")
df_test["KPI ID"] = df_test["KPI ID"].astype(str)
print(df_test.head(5))

如下图所示：

2. 使用 pd.groupby 拆分成多个 kpi

以训练集为例，这里先将整个df拆分成多个 DataFrame，以便于分别对不同的KPI进行分析。

首先统计一下总共多少种 KPI

df_train["KPI ID"].unique()

接着使用groupby收集每个指标，组成数组，并分析一下每个DataFrame 的shape。

name_dfs = df_train.groupby("KPI ID")
for name, df in name_dfs:
    print(f"{name}:{df.shape}")

3. 其他基本特征

包括最大值最小值等等。

name_dfs = df_train.groupby("KPI ID")
names, v_mean, v_max, v_min, v_std, v_sum, v_size = [], [], [], [], [], [], []
for name, df in name_dfs:
    names.append(name)
    v_mean.append(df["value"].mean())
    v_max.append(df["value"].max())    
    v_min.append(df["value"].min())    
    v_std.append(df["value"].std())
    v_sum.append(df["value"].sum())
    v_size.append(df.shape[0])

basic_analysis_df = pd.DataFrame({"name": names, "size": v_size, "mean": v_mean, 
                                  "max": v_max, "min": v_min, "std": v_std, "sum": v_sum})
basic_analysis_df

4. 分析采样间隔

不同的指标可能存在不同的缺失情况，但是一般情况下我们认为在所有的间隔中，占比最大的间隔为期望的采样间隔。比如说总共101个采样点，排序后计算它们的采样间隔，得到 1 分钟采样间隔共 80次，2分钟采样间隔20次，所以我们认为1分钟的采样间隔为最接近真实情况的采样间隔。

import numpy as np


def calc_interval(timestamps):
    """根据所有的采样时间计算采样间隔"""
    diff = np.diff(timestamps)
    intervals, counts = np.unique(diff, return_counts=True)
    tmp = np.hstack((intervals.reshape(-1, 1), counts.reshape(-1, 1)))
    return tmp[np.argmax(tmp[:, 1])][0]

name_dfs = df_train.groupby("KPI ID")
names, intervals = [], []
for name, df in name_dfs:
    df = df.sort_values(by="timestamp")
    names.append(name)
    intervals.append(calc_interval(df["timestamp"].values))
    

interval_df = pd.DataFrame({"name": names, "interval": intervals})
interval_df

5. 缺失情况分析

计算得到采样间隔以后，即可分析数据缺失情况，方法也非常简单。

import numpy as np


def calc_interval(timestamps):
    """根据所有的采样时间计算采样间隔"""
    diff = np.diff(timestamps)
    intervals, counts = np.unique(diff, return_counts=True)
    tmp = np.hstack((intervals.reshape(-1, 1), counts.reshape(-1, 1)))
    return tmp[np.argmax(tmp[:, 1])][0]

name_dfs = df_train.groupby("KPI ID")
names, intervals, missing_rate = [], [], []
for name, df in name_dfs:
    df = df.sort_values(by="timestamp")
    names.append(name)
    interval = calc_interval(df["timestamp"].values)
    intervals.append(interval)
    target_points = int((df["timestamp"].values[-1] - df["timestamp"].values[0]) / interval) + 1
    missing_rate.append((target_points - df.shape[0]) / target_points)

missing_df = pd.DataFrame({"name": names, "interval": intervals, "missing_rate": missing_rate})
missing_df

6. 填充缺失值

为了接下来的分析工作需要，我们可能需要填充缺失值。这里采样最简单可靠的 “线性插值填充” 方法。不同情况下需要进行调整而进行填充，一般情况下如果不存在连续大段缺失的话，线性插值填充是可靠的。

总体过程可以概述为：

1. 通过时间戳和采样间隔计算下一个点的时间戳；
2. 判断下一个点的时间戳是否缺失，如果缺失则填充 np.nan；
3. 使用 pandas 的工具进行线性填充。

def fill_missing_points(tv_df, interval):
    """填充缺失值"""
    timestamps, values = tv_df["timestamp"].values, tv_df["value"].values
    start = timestamps[0]
    f_t, f_v = [], []
    index = 0
    while start <= timestamps[-1]:
        if start == timestamps[index]:
            f_t.append(start)
            f_v.append(values[index])
            index += 1
        else:
            f_t.append(start)
            f_v.append(np.nan)
        start += interval
    
    r_df = pd.DataFrame({"timestamp": f_t, "value": f_v})
    r_df["value"] = r_df["value"].interpolate()
    return r_df

7. 使用 3-sigma 方法去除可能存在的异常值

3-sigma 也是一种光滑处理的方法，即计算原数据的标准差 $\sigma$ 以及均值 $\mu$，对于原数据中每一个点 $x$ 进行考察：

• 如果 $x\in [\mu -3\ast \sigma ,\mu +3\ast \sigma ]$，则保留该点数据 $x$；
• 其他情况，去除这个点，以 $\mu -3\ast \sigma$ 或者 $\mu +3\ast \sigma$ 进行填充。

def smooth_values(values, p=3):
    """平滑处理"""
    mean, std = np.mean(values), np.std(values)
    lower, upper = mean - p * std, mean + p * std
    results = []
    for value in values:
        if lower <= value <= upper:
            results.append(value)
        else:
            if value < lower:
                results.append(lower)
            elif value > upper:
                results.append(upper)
    
    return results

8. 周期类型分析

周期类型分析需要根据实际偏好进行调整，比如在特定场景中，只存在 “天周期” 、“周周期” 以及 “无周期” 三种情况，但是其他场景中可能存在 “月周期” 的情况等等。

这里我们使用 “相关系数” 来计算数据的周期类型，基本的原理是：分别对数据进行切块，分割成N个时间片段，然后计算相邻两个时间片段之间的相关系数，最终以所有的相关系数的均值作为最终的结果。

周期类型判断建立在需要推断采样间隔、完成缺失值填充、完成光滑处理的基础上。

def extract_seasonality(values, interval, t_w = 1.0, t_d = 1.0, t_season = 0.6):
    """提取周期类型
    其中 t_w, t_d 分别代表周周期可能性系数、天周期可能性系数
    t_season 表示具有周期性的最低相关系数
    """
    s_values = smooth_values(values)
    points_per_day = int(60 * 60 * 24 / interval)
    points_per_week = points_per_day * 7
    
    if len(values) < points_per_day:
        return "NON"

    p_w = calc_spearmanr(s_values, points_per_week)
    p_d = calc_spearmanr(s_values, points_per_day)

    if p_w < t_season and p_d < t_season:
        return "NON"
    
    if p_w * t_w >= p_d * t_d:
        return "WEEK"
    
    if p_w * t_w < p_d * t_d:
        return "DAY"
    
    return "NON"

有待补充

以上内容为常见的一些特征提取方法，在实际应用中一般会根据业务逻辑、实际数据场景进行调整。但总体而言大体如此，还有更多内容今后还会补充发布。

Smileyan
2023.09.24 19:00