随着移动互联网的出现,手机游戏、手机视频、手机超市、无线音乐、手机阅读、手机动漫等业务也随之呈现。同时,中国移动的数据业务迅猛发展,使得日常业务管理的难度、复杂性越来越大。因错单、恶意消费等问题给公司造成损失也使得客户的满意度降低,因此需要一些强有力的手段来监控数据业务以便及时发现问题。目前实际运行的业务监控系统主要针对用户恶意消费、错单量大、SP平台利用系统漏洞非法获利等现象造成的数据量急剧增大现象进行监控分析,但对某些业务存在误报及漏报的情况。例如手机游戏、手机超市、手机阅读等包月业务大多在月初进行订购,会导致订购量大幅波动,属于正常现象,由于现有系统中算法的缺陷,未区分此类现象,产生大量错误的告警。本文针对现有业务监控系统中存在的误报漏报问题进行研究,引入新的算法解决误报漏报的问题,并通过机器学习算法训练智能告警过滤器,通过告警回复信息指导告警的过滤,以减轻工作人员的工作量。本文主要工作如下:(1)针对数据业务量波动较大的业务引入DBSCAN聚类算法,解决少量突发数据对算法结果的影响并且减少对波动很大但属于正常现象的数据的错误告警。同时,本文对该算法进行改进,提高了该算法的效率,使得该算法可以应用到时间粒度较精确的大数据业务。(2)针对周期性数据业务,本文提出应用神经网络算法与Holt-Winters组合模型进行监控的方法解决周期性业务异常数据漏报的问题。对于特殊业务进行特殊监控,提高了业务监控系统产生告警的准确率以及查全率。(3)业务监控系统自动产生的告警信息仍需交由工作人员进行处理,为减少人工工作量同时提高业务监控系统产生告警的准确度,本文提出利用告警回复信息,通过数据分类技术训练告警过滤器,指导告警的过滤。实验表明,利用告警过滤器可分离出无效的告警信息,减少人工工作量。本文对原有业务监控系统进行的算法改进可较好解决误报漏报问题,并通过加入告警过滤器分离无效告警,实现减少人工工作量的目的。下一步将对告警过滤系统进行深入研究,通过实现系统的自我学习、自我更新提高告警过滤效果。