指标分析方法、装置、设备及存储介质

技术领域

本发明属于业务支撑技术领域，尤其涉及一种指标分析方法、装置、设备及存储介质。

背景技术

目前，业务指标的预测方法有多种，如，回归模型、循环神经网络模型、自回归移动平均(Autoregressive Integrated Moving Average，ARIMA)模型等方式。但是上述预测业务指标的方式得到的预测结果准确度低，导致无法对业务指标的影响因素进行准确分析。

发明内容

本发明实施例提供一种指标分析方法、装置、设备及存储介质，能够解决预测业务指标的方式得到的预测结果准确度低，导致无法对业务指标的影响因素进行准确分析的问题。

第一方面，提供了一种指标分析方法，该方法包括：

获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列；

将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果；

根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度。

在一种可能的实现方式中，将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果，包括：

对待分析指标时间序列和第一影响因素时间序列进行迭代计算，得到待分析指标时间序列的第一预测值；

根据第一预测值对待分析指标时间序列进行区间预测，确定待分析指标时间序列的预测结果。

在一种可能的实现方式中，根据待分析指标时间序列的预测结果，确定第一影响因素时间序列第一影响因素对待分析指标时间序列的影响度，包括：

获取第二预设时间段内待分析指标时间序列的第二影响因素时间序列；

将待分析指标时间序列和第二影响因素时间序列中输入至预先建立的指标预测模型中，确定待分析指标时间序列的第二预测值；

根据预测结果、第一预测值、第二预测值，确定第一影响因素对待分析指标时间序列的影响度。

在一种可能的实现方式中，在将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果之前，方法还包括：

获取样本指标时间序列和样本指标时间序列的影响因素时间序列；

确定样本指标时间序列的周期；

基于样本指标时间序列的周期，对样本指标时间序列进行平方根检验；

若检验样本指标时间序列中的每个样本指标时间序列不平稳，基于样本指标时间序列和样本指标时间序列的影响因素时间序列，确定模型阶数和模型参数；

根据模型阶数和模型参数，确定指标预测模型。

在一种可能的实现方式中，该方法还包括：

若检测样本指标时间序列不平稳，则对样本指标时间序列进行差分，直至样本指标时间序列不平稳。

在一种可能的实现方式中，该方法还包括：

对指标预测模型的残差进行异方差检验；

当指标预测模型存在异方差，对样本指标时间序列进行数字化处理或box-cox变换，生成新的样本指标时间序列；

基于新的样本指标时间序列和样本指标时间序列的影响因素时间序列，确定新的模型阶数和新的模型参数；

根据新的模型阶数和新的模型参数，确定新的指标预测模型。

在一种可能的实现方式中，该方法还包括：

确定预设周期内预测结果中待分析指标值未达到预设的阈值的次数；

当次数达到预设次数阈值时，对指标预测模型的模型阶数和/或模型参数进行更新。

第二方面，提供了一种指标分析装置，该装置包括：

获取模块，用于获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列；

结果确定模块，用于将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果；

影响度确定模块，用于根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度。

在一种可能的实现方式中，结果确定模块，具体用于：

对待分析指标时间序列和第一影响因素时间序列进行迭代计算，得到待分析指标时间序列的第一预测值；

根据第一预测值对待分析指标时间序列进行区间预测，确定待分析指标时间序列的预测结果。

在一种可能的实现方式中，结果确定模块，具体用于：

获取第二预设时间段内待分析指标时间序列的第二影响因素时间序列；

将待分析指标时间序列和第二影响因素时间序列中输入至预先建立的指标预测模型中，确定待分析指标时间序列的第二预测值；

根据预测结果、第一预测值、第二预测值，确定第一影响因素对待分析指标时间序列的影响度。

在一种可能的实现方式中，该装置还包括：

获取模块，用于获取样本指标时间序列和样本指标时间序列的影响因素时间序列；

周期确定模块，用于确定样本指标时间序列的周期；

检验模块，用于基于样本指标时间序列的周期，对样本指标时间序列进行平方根检验；

参数确定模块，用于若检验样本指标时间序列中的每个样本指标时间序列不平稳，基于样本指标时间序列和样本指标时间序列的影响因素时间序列，确定模型阶数和模型参数；

模型确定模块，用于根据模型阶数和模型参数，确定指标预测模型。

在一种可能的实现方式中，该装置还包括：

差分模块，用于若检测样本指标时间序列不平稳，则对样本指标时间序列进行差分，直至样本指标时间序列不平稳。

在一种可能的实现方式中，该装置还包括：

检验模块，用于对指标预测模型的残差进行异方差检验；

生成模块，用于当指标预测模型存在异方差，对样本指标时间序列进行数字化处理或box-cox变换，生成新的样本指标时间序列；

参数确定模块，用于基于新的样本指标时间序列和样本指标时间序列的影响因素时间序列，确定新的模型阶数和新的模型参数；

模型确定模块，用于根据新的模型阶数和新的模型参数，确定新的指标预测模型。

在一种可能的实现方式中，该装置还包括：

确定模块，用于确定预设周期内预测结果中待分析指标值未达到预设的阈值的次数；

更新模块，用于当次数达到预设次数阈值时，对指标预测模型的模型阶数和/或模型参数进行更新。

第三方面，提供了一种电子设备，该设备包括：处理器以及存储有计算机程序指令的存储器；所述处理器执行所述计算机程序指令时实现如第一方面或者第一方面的任一可能实现方式中的方法。

第四方面，提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面或者第一方面的任一可能实现方式中的方法。

本发明实施例的指标分析方法、装置、设备及存储介质，通过获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列；将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果；根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度，提高了对业务指标的影响因素进行分析准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，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的附图。

图1是本发明一个实施例提供的一种指标分析方法的流程示意图；

图2是本发明一个实施例提供的另一种指标分析方法的流程示意图；

图3是本发明一个实施例提供的一种指标分析装置的结构示意图；

图4是本发明一个实施例提供的电子设备的结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

目前，业务指标分析的方法有很多，例如，经验判断。通常由专家根据特定指标的历史走势、对应业务的发展近况、外部环境影响、市场景气程度等因素进行综合判断，从而给出一个下周期内该指标的预测值。

但是，通过经验判断得到的预测值很大程度上受专家主观判断的影响。并且该方法无持续性，若是日指标，很难每天都去进行人工预测业务指标是否出现波动。

还可以通过回归模型预测业务指标。通常的做法是：首先筛选出对指标可能产生影响的变量，然后通过最小二乘法估计每一个变量的回归系数，由此建立线性回归模型，推算下一周期内的指标走势，然后根据推算出来的指标走势，确定下一个周期的指标。

但是，回归模型能够通过变量的权重解释各外部因素对于指标的影响程度，但是该模型存在的最大问题是很难将历史数据的影响因素体现出来，而当期指标的数值往往很大程度上收到前几期指标值的影响，因此线性回归模型在指标预测中的准确度欠佳。

也可以通过循环神经网络模型预测指标。通常的做法是，首先筛选出对指标可能产生影响的外部变量，与指标的历史数据一同作为训练集输入循环神经网络模型，之后经过多次迭代，使损失函数最小化，由此得到各神经元的参数，从而输出指标的预测结果。

但是深度学习算法若要达到稳定，通常需要大量的训练样本及足够多的迭代次数，该方法对运维中高频指标的预测效果较好，但对于月频度的业务指标，则因样本量不足，预测值常常会波动很大，预测效果不佳；而且运算过程都是通过类似于黑箱的一个个神经激活函数，因此很难通过模型来分析某一个特定的因素对于预测结果的影响程度。

或者还可以通过自回归积分滑动平均模型(Autoregressive Integrated MovingAverage Model，ARIMA)预测。但是ARIMA模型仅仅依赖于该指标本身的历史数据，不能解释外部因素对于指标的影响，并且对于由外部事件造成指标波动的预测能力较弱。

以上多种指标预测方式均存在预测业务指标准确度低，导致无法对业务指标的影响因素进行准确分析的问题。

因此，本发明实施例提供了一种指标分析方法、装置、设备及存储介质，能够提高对业务指标的影响因素进行分析准确度。

下面首先对本发明实施例所提供的指标分析方法进行介绍。

图1是本发明实施例提供的一种指标分析方法的流程示意图。

如图1所示，该方法可以包括：

S101：获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列。

在本发明的一个实施例中，第一预设时间段可以是当前时刻与历史时间之间的时间长度。第一预设时间段可以是一个月、一年等。第一影响因素时间序列是导致待分析指标时间序列的变化的影响因素。例如，待分析指标时间序列是每天所用流量数量受节假日、时间为月初或月末以及天气情况的外部因素的影响。

获取到的待分析指标时间序列实际可以是按照时间进行排序的序列。获取到待分析指标时间序列后，需要检测待分析指标时间序列的平稳性。例如，可以根据待分析指标时间序列的自相关函数图(ACF图)，确定待分析指标时间序列的周期长度S。根据待分析指标时间序列的周期长度S，对待分析指标时间序列进行平方根检验，判断待分析指标时间序列是否平稳。当待分析指标时间序列不平稳，对待分析指标时间序列进行差分，例如，对待分析指标时间序列进行d阶差分及D阶S步差分，直到差分后待分析指标时间序列的序列平稳。其中，d和D均为差分阶数。S为待分析指标时间序列的周期长度。

S102：将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果。

在本发明的一个实施例中，输入指标预测模型中的待分析指标时间序列是序列平稳的待分析指标时间序列。将待分析指标时间序列输入至指标预测模型中，能够预测出未来一定时间内待分析指标时间序列的波动情况，也即待分析指标时间序列的预测结果。

具体的，对待分析指标时间序列和第一影响因素时间序列进行迭代计算，得到待分析指标时间序列的第一预测值。

根据第一预测值对待分析指标时间序列进行区间预测，确定待分析指标时间序列的预测结果。

在本发明的一个实施例中，预测分为点预测和区间预测。待分析指标时间序列的第一预设时间段预测值，即点预测值，依赖于该待分析指标时间序列的第一预设时间段的数值、第一影响因素时间序列在第一预设时间段的数值、第一影响因素时间序列在历史时间段的数值以及指标预测模型中各个模型参数估计值。因此，若要进行点预测，则需进行迭代。例如，需要进行10步的点预测，则需要进行10次的迭代计算。

将待分析指标时间序列和第一影响因素时间序列进行迭代计算后，得到待分析指标时间序列的第一预测值。得到第一预测值，对第一预测值进行区间预测，根据Green函数以及预设的置信度(一般设为95％)，给出预测结果的置信上限和置信下限，若第一预设时间段内的预测结果中待分析指标的指标值对应的实际值落在置信区间内，则认为待分析指标时间序列无波动。

在这里，指标预测模型是基于季节性多元时间序列分析模型(SARIMAX)构建得到。由于采用多元时间序列分析(ARIMAX)进行指标预测的准确度偏差过大，例如，在进行流量日指标预测时发现：月初月末预测误差很大，一般会达到20％左右的偏差；无法反应节假日期间的非季节性波动；无法分析营销活动对流量波动的影响。因此，本发明实施例基于季节性多元时间序列分析模型构建指标预测模型。

其中，季节性多元时间序列分析模型的算法满足下述公式(1)：

其中，

Φ(B)表示季节性回归函数，满足下述公式(3)：

θ(B)表示滑动平均数，满足下述公式(4)：

Θ(B)表示季节性滑动平均数，满足下述公式(5)：

z

其中，公式(1)至公式(6)中，ε

y

在S102之前，还需要基于上述季节性多元时间序列分析模型的算法，构建指标预测模型。

具体的，获取样本指标时间序列和样本指标时间序列的影响因素时间序列；

确定样本指标时间序列的周期；

基于样本指标时间序列的周期，对样本指标时间序列进行平方根检验；

若检验样本指标时间序列中的每个样本指标时间序列不平稳，基于样本指标时间序列和样本指标时间序列的影响因素时间序列，确定模型阶数和模型参数；

根据模型阶数和模型参数，确定指标预测模型。

在本发明的一个实施例中，为了能够更准确的对待分析指标时间序列进行预测，本发明实施例中的指标预测模型的输入信息不仅包括样本指标时间序列，还包括样本指标时间序列的影响因素时间序列。比如在流量日指标的预测中，加入是否节假日、是否月末月初、赠送资源量、是否恶劣天气等数据待分析指标时间序列的特征变量，可将构建得到的指标预测模型的预测准确度提高3倍左右，在节假日、月末月初等特殊节点上的预测准确度甚至能提升10倍以上。

样本指标时间序列实际可以是按照时间进行排序的序列。获取到样本指标时间序列后，需要检测样本指标时间序列的平稳性。例如，可以根据样本指标时间序列的自相关函数图(ACF图)，确定样本指标时间序列的周期长度S。根据样本指标时间序列的周期长度S，对样本指标时间序列进行平方根检验，判断待分析指标时间序列是否平稳。当样本指标时间序列不平稳时，对样本指标时间序列进行差分，例如，对样本指标时间序列进行d阶差分及D阶S步差分，直到差分后的样本指标时间序列平稳。

根据样本指标时间序列和样本指标时间序列的影响因素时间序列，基于季节性多元时间序列分析模型的算法，采用网格搜索的方法，列举季节性多元时间序列分析模型的算法中的自回归阶数、季节性自回归系数、移动平均阶数和季节性移动平均阶数在0-5之间的排列组合。基于赤池信息量准则(Akaike information criterion，AIC)，选取使得AIC指标值最低的自回归阶数、季节性自回归系数、移动平均阶数和季节性移动平均阶数。将使得AIC指标值最低的自回归阶数、季节性自回归系数、移动平均阶数和季节性移动平均阶数作为模型阶数。确定模型阶数后，采用极大似然法对模型的各参数进行估计。

由于多指标时间序列分析模型的前提是残差为白噪声，所以在建模之后还需对模型残差进行异方差检验。具体的，对指标预测模型的残差进行异方差检验；

当指标预测模型存在异方差，对样本指标时间序列进行数字化处理或box-cox变换，生成新的样本指标时间序列；

基于新的样本指标时间序列和样本指标时间序列的影响因素时间序列，确定新的模型阶数和新的模型参数；

根据新的模型阶数和新的模型参数，确定新的指标预测模型。

在本发明的一个实施例中，若模型存在异方差，将样本指标时间序列进行对数字化处理，或box-cox变换，使其分布更加均匀，然后以新的序列替代原有序列重新进行定阶和参数估计。

另外，由于指标的波动规律具有一定的时效性，可能在一段时期过后模型的预测效果会降低，因此，指标预测模型需要不断的更新，具体的：

确定预设周期内预测结果中待分析指标值未达到预设的阈值的次数；当次数达到预设次数阈值时，对指标预测模型的模型阶数和/或模型参数进行更新。

在本发明的一个实施例中，如果在一定时期内，预测结果的误差显著增大，实际值频繁在置信区间之外，则有必要对模型的参数或是阶数进行迭代更新。

S103：根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度。

待分析指标时间序列的阈值可以是待分析指标时间序列未出现异常的预测标准，当待分析指标时间序列的指标值为超过阈值时，待分析指标时间序列未出现异常。例如，待分析指标时间序列的阈值可以是根据Green函数以及预设的置信度(一般设为95％)，给出待分析指标时间序列值的置信上限和置信下限。若待分析指标时间序列值落在置信区间内，则可以认为待分析指标时间序列无异常。若待分析指标时间序列值未落在置信区间内，则可以认为待分析指标时间序列异常。

确定待分析指标时间序列异常后，还可以确定第一影响因素时间序列对待分析指标时间序列的影响程度。

具体的，获取第二预设时间段内待分析指标时间序列的第二影响因素时间序列；

将待分析指标时间序列和第二影响因素时间序列中输入至预先建立的指标预测模型中，确定待分析指标时间序列的第二预测值；

根据预测结果、第一预测值、第二预测值，确定第一影响因素对待分析指标时间序列的影响度。

在本发明的一个实施例中，首先将公式(1)由隐式展开为显式表达式，记第一预设时间段内的点预测值为

本发明实施例提供的指标分析方法，通过获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列；将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果；根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度，提高了对业务指标的影响因素进行分析准确度。

基于上述实施例，本发明实施例还提供了另一种指标分析方法，如图2所示，该方法包括：

S201：获取待分析指标的原始时间序列，执行S202。

S202：观察原始时间序列的周期性特征，执行S203。

S203：检验原始时间序列的平稳性，检验方式可以是单位根检验。若不平稳，执行S204；若不平稳，执行S205。

S204：对原始时间序列进行差分，直到通过平稳性检验。执行S208。

S205：选取影响待分析指标的第一影响因素。执行S206。

S206：筛选第一影响因素。执行S207。

S207：对筛选过的第一影响因素进行数据预处理。执行S208。

S208：确定模型阶数。执行S209。

S209：模型参数估计。执行S210。

S210：对预测结果进行残差分析。执行S211。

S211：判断残差是否为白噪声。若是，执行S212。若否，执行S217。

S212：对预测结果进行点预测。执行S213。

S213：在点预测的基础上，对预测结果进行区间预测。执行S214。

S214：计算各第一影响因素对指标走势的影响。执行S215。

S215：对指标预测模型模型评价。执行S216。

S216：预设时间内，预测误差增大后，对模型参数进行迭代更新。执行S208。

S217：对预测结果进行异方差检验。执行S218。

S218：消除异方差。执行S208。

图3是本发明实施例提供的一种指标分析装置的结构示意图。

如图3所示，该装置可以包括：获取模块301、结果确定模块302、影响度确定模块303。

获取模块301，用于获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列；

结果确定模块302，用于将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果；

影响度确定模块303，用于根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度。

在一种可能的实现方式中，结果确定模块302，具体用于：

对待分析指标时间序列和第一影响因素时间序列进行迭代计算，得到待分析指标时间序列的第一预测值；

根据第一预测值对待分析指标时间序列进行区间预测，确定待分析指标时间序列的预测结果。

在一种可能的实现方式中，结果确定模块302，具体用于：

获取第二预设时间段内待分析指标时间序列的第二影响因素时间序列；

将待分析指标时间序列和第二影响因素时间序列中输入至预先建立的指标预测模型中，确定待分析指标时间序列的第二预测值；

根据预测结果、第一预测值、第二预测值，确定第一影响因素对待分析指标时间序列的影响度。

在一种可能的实现方式中，该装置还包括：

获取模块301，用于获取样本指标时间序列和样本指标时间序列的影响因素时间序列；

周期确定模块，用于确定样本指标时间序列的周期；

检验模块，用于基于样本指标时间序列的周期，对样本指标时间序列进行平方根检验；

参数确定模块，用于若检验样本指标时间序列中的每个样本指标时间序列不平稳，基于样本指标时间序列和样本指标时间序列的影响因素时间序列，确定模型阶数和模型参数；

模型确定模块，用于根据模型阶数和模型参数，确定指标预测模型。

在一种可能的实现方式中，该装置还包括：

差分模块，用于若检测样本指标时间序列不平稳，则对样本指标时间序列进行差分，直至样本指标时间序列不平稳。

在一种可能的实现方式中，该装置还包括：

检验模块，用于对指标预测模型的残差进行异方差检验；

生成模块，用于当指标预测模型存在异方差，对样本指标时间序列进行数字化处理或box-cox变换，生成新的样本指标时间序列；

参数确定模块，用于基于新的样本指标时间序列和样本指标时间序列的影响因素时间序列，确定新的模型阶数和新的模型参数；

模型确定模块，用于根据新的模型阶数和新的模型参数，确定新的指标预测模型。

在一种可能的实现方式中，该装置还包括：

确定模块，用于确定预设周期内预测结果中待分析指标值未达到预设的阈值的次数；

更新模块，用于当次数达到预设次数阈值时，对指标预测模型的模型阶数和/或模型参数进行更新。

本发明实施例提供的指标分析装置，通过获取模块301，用于获取第一预设时间段内的待分析指标时间序列，以及第一预设时间段内待分析指标时间序列的第一影响因素时间序列；结果确定模块302，用于将待分析指标时间序列和第一影响因素时间序列输入至预先建立的指标预测模型中，确定待分析指标时间序列的预测结果；影响度确定模块303，用于根据待分析指标时间序列的预测结果，确定第一影响因素时间序列对待分析指标时间序列的影响度，提高了对业务指标的影响因素进行分析准确度。

本发明实施例提供的指标分析装置执行图1所示的方法中的各个步骤，并能够达到提高了对业务指标的影响因素进行分析准确度的技术效果，为简洁描述，再此不在详细赘述。

图4示出了本发明实施例提供的一种电子设备的硬件结构示意图。

在电子设备可以包括处理器401以及存储有计算机程序指令的存储器402。

具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在综合网关容灾设备的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种指标分析方法。

在一个示例中，电子设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。

通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线410包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

该电子设备可以执行本发明实施例中的指标分析方法，从而实现结合图1描述的指标分析方法。

另外，结合上述实施例中的指标分析方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种指标分析方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。