[發明專利]基于PCA余量空間的異常診斷方法及裝置

有效

• 申請號: 201410592380.2
• 申請日: 2014-10-28
• 公開（公告）號: CN105630642B
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 賓行言;趙穎;王元鋼
• 申請（專利權）人: 華為技術有限公司;清華大學
• 主分類號: G06F11/22
• 分類號: G06F11/22
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 劉芳

本發明實施例提供一種基于PCA余量空間的異常診斷方法及裝置，應用于包含M個狀態量的系統中，M個狀態量在同一時刻的取值構成一狀態向量，系統正常工作狀態下的N個狀態向量構成原始空間，該方法包括：在檢測到系統異常時，獲取K個第一基向量，其中，K個第一基向量為通過對K個第二基向量進行稀疏化處理得到，第二基向量用于表示對原始空間進行PCA降維得到的余量空間，K為余量空間的維數，K小于或等于N，每個第一基向量中的元素個數為M；根據系統異常時對應的狀態向量在K個第一基向量中的投影，診斷系統異常產生的原因。本發明實施例中，由于第一基向量具有稀疏的特點，便于快速、有效地診斷異常產生的原因。

技術領域

本發明實施例涉及信息技術，尤其涉及一種基于PCA余量空間的異常診斷方法及裝置。

背景技術

隨著計算需求的增長，需要規模更大、更加復雜的分布式計算系統。但更復雜的分布式計算系統更容易產生故障。另外，由于故障往往因系統的異常行為所導致，因此，對系統運行過程中異常的檢測與診斷，是進行故障檢測與診斷的基礎。

利用機器學習方法，例如基于分布式計算系統中各個狀態量與日志的異常檢測與診斷，可以有效排除故障。其中，主成分分析(Principle Component Analysis，簡稱：PCA)異常檢測算法與決策樹模型相結合的方法，是一種有效的異常檢測診斷方法。具體地，PCA異常檢測算法的依據是余量的大小，例如，B收到的數據與A發出的數據不相符；在檢測到異常之后，通過決策樹模型來對異常檢測的結果進行學習，以診斷異常產生的原因。

而決策樹模型在學習PCA異常檢測的結果時，將PCA異常檢測的結果拆分為多種情況，例如，當A發出的數據量遠大于0.5，B收到的數據量遠小于0.5時為異常；當A發出的數據遠小于0.5，B收到的數據遠大于0.5時為異常，等等，這使得原本相同的故障被拆分成了不同的故障，從而不利于故障的診斷。

發明內容

本發明實施例提供一種基于PCA余量空間的異常診斷方法及裝置，以實現對異常的有效診斷。

第一方面，本發明實施例提供一種基于主成分分析PCA余量空間的異常診斷方法，應用于包含M個狀態量的系統中，所述M個狀態量在同一時刻的取值構成一狀態向量，所述M為大于1的正整數，所述系統正常工作狀態下的N個狀態向量構成原始空間，所述N為大于所述M的正整數，所述方法包括：

在檢測到所述系統異常時，獲取K個第一基向量，其中，所述K個第一基向量為通過對K個第二基向量進行稀疏化處理得到，所述第二基向量用于表示對所述原始空間進行PCA降維得到的余量空間，所述K為所述余量空間的維數，所述K小于或等于所述N，每個所述第一基向量中的元素個數為所述M；

根據所述系統異常時對應的狀態向量在所述K個第一基向量中的投影，診斷所述系統異常產生的原因。

在第一方面的第一種可能的實現方式中，所述獲取K個第一基向量，包括：

采用消元方法或優化方法，處理所述K個第二基向量，得到所述K個第一基向量。

根據第一方面的第一種可能的實現方式，在第一方面的第二種可能的實現方式中，所述第二基向量為列向量，所述K個第二基向量組成一M*K的矩陣，所述采用消元方法，處理所述K個第二基向量，得到所述K個第一基向量，包括：

對每一所述第二基向量，得到該第二基向量中各元素的平方和，并確定平方和最大的第二基向量作為消元的主元；

更換所述矩陣中第一列與所述主元的位置，將所述主元調整到所述矩陣的第一列；

以所述主元的第一行元素為列向量長度，其他元素為零為目標，對所述矩陣進行Householder變換；