[發明專利]基于圖像特征的業務異常檢測方法及裝置

在審

• 申請號: 201610634562.0
• 申請日: 2016-08-04
• 公開（公告）號: CN106874926A
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 程磊
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;H04L12/26;H04L12/24
• 代理公司: 北京博思佳知識產權代理有限公司11415
• 代理人: 林祥

技術領域

本申請涉及計算機應用領域，尤其涉及一種基于圖像特征的業務異常檢測方法及裝置。

背景技術

隨著計算機網絡技術的普及率不斷提高，應用場景不斷豐富，網絡規模在不斷擴大，而且各種網絡技術也層出不窮。在網絡發展帶來信息爆炸式發展帶來便利的同時，也同時會面臨一些新的挑戰，尤其是對于一些異常問題的檢測。

一方面，網絡越復雜，可能出現問題的環節也越多，網絡出現異常問題的概率也就更大；另一方面，由于網絡結構錯綜復雜，快速而準確的發現和找到問題根源也更加困難；而且，當某一個網絡出現異常問題，該異常問題可能會向依賴該網絡的其它網絡傳播，從而導致依賴該網絡的其它網絡也會異常。因此，為了保障網絡的正常運行，有必要采取有效的措施對網絡進行監督和管理，一旦發現業務異常情況，能夠及時發現問題，并且迅速解決。

然而，在相關技術中，對網絡進行業務異常檢測，通常是在后臺通過檢測網絡流量來完成的，而網絡中的流量通常并不穩定，因此會影響異常檢測的準確度。

發明內容

本申請提出一種基于圖像特征的業務異常檢測方法，該方法包括：

從目標頁面的頁面圖像中提取圖像特征；

將提取出的所述圖像特征輸入預設的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓練得到的機器學習模型；

基于所述異常檢測模型的計算結果針對所述目標頁面進行異常檢測。

可選的，所述方法還包括：

基于預設的若干樣本頁面的頁面圖像生成圖像樣本集合；其中，所述圖像樣本集合中的正常頁面的頁面圖像以及異常頁面的頁面圖像均被標定了對應的識別標簽；

分別提取所述圖像樣本集合中的頁面圖像的圖像特征；

將提取出的圖像特征作為訓練樣本，基于預設的機器學習算法進行訓練以得到所述異常檢測模型。

可選的，所述異常檢測模型為SVM支持向量機模型。

可選的，所述圖像特征為圖像紋理特征；其中，所述圖像紋理特征包括圖像全局紋理特征和圖像局部紋理特征。

可選的，所述圖像全局紋理特征為GLCM灰度共生矩陣特征；所述圖像局部紋理特征為LBP局部二值模式特征。

本申請還提出一種基于圖像特征的業務異常檢測裝置，該裝置包括：

提取模塊，從目標頁面的頁面圖像中提取圖像特征；

計算模塊，將提取出的所述圖像特征輸入預設的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓練得到的機器學習模型；

檢測模塊，基于所述異常檢測模型的計算結果針對所述目標頁面進行異常檢測。

可選的，所述提取模塊進一步：

基于預設的若干樣本頁面的頁面圖像生成圖像樣本集合；其中，所述圖像樣本集合中的正常頁面的頁面圖像以及異常頁面的頁面圖像均被標定了對應的識別標簽；分別提取所述圖像樣本集合中的頁面圖像的圖像特征；

所述裝置還包括：

訓練模塊，將提取出的圖像特征作為訓練樣本，基于預設的機器學習算法進行訓練以得到所述異常檢測模型。

可選的，所述異常檢測模型為SVM模型。

可選的，所述圖像特征為圖像紋理特征；其中，所述圖像紋理特征包括圖像全局紋理特征和圖像局部紋理特征。

可選的，所述圖像全局紋理特征為GLCM灰度共生矩陣特征；所述圖像局部紋理特征為LBP局部二值模式特征。

本申請中，通過從若干正常頁面以及異常界面中提取出的圖像特征訓練機器學習模型，當需要進行異常檢測時，可以從目標頁面的頁面圖像中提取圖像特征，并將提取出的圖像特征輸入異常檢測模型中進行計算，然后根據計算結果針對該目標頁面進行異常檢測；實現了可以完全基于從目標頁面的頁面圖像中提取出的圖像特征，在前臺完成異常檢測，而不再需要在后臺通過流量檢測來執行異常檢測，因而可以提升異常檢測的穩定性；同時，通過從正常頁面以及異常界面中提取出的圖像特征訓練機器學習模型，并使用機器學習模型針對目標頁面進行異常檢測，能夠提升異常檢測的準確度。

附圖說明

圖1是本申請一實施例示出的一種基于圖像特征的業務異常檢測方法的流程圖；

圖2是本申請一實施例示出的一種異常檢測模型的離線訓練以及實時使用的流程示意圖；

圖3是本申請一實施例示出的一種基于圖像特征的業務異常檢測裝置的邏輯框圖；