[發明專利]一種異常在線聚類方法及裝置，電子設備

有效

• 申請號: 201810079301.6
• 申請日: 2018-01-26
• 公開（公告）號: CN108509975B
• 公開（公告）日: 2020-04-10
• 發明（設計）人: 馮欽林
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F11/36
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 莎日娜

1.一種異常在線聚類方法，其特征在于，包括：

如果系統異常，則獲取線上異常的特征；

通過當前線上聚類模型基于所述特征對所述線上異常進行分類，確定異常類別；

如果滿足預設更新條件，則根據所述線上異常的特征和所述線上異常對應的異常類別，更新所述當前線上聚類模型。

2.根據權利要求1所述的方法，其特征在于，所述通過當前線上聚類模型基于所述特征對所述線上異常進行分類，確定異常類別的步驟之前，還包括：

基于離線異常的預設特征，訓練所述預設特征的特征向量；

將所述離線異常的特征向量作為訓練樣本，訓練所述當前線上聚類模型，其中，所述離線異常的特征向量通過相應所述預設特征的特征向量表示。

3.根據權利要求1或2所述的方法，其特征在于，所述通過當前線上聚類模型基于所述特征對所述線上異常進行分類，確定異常類別的步驟，包括：

根據預先訓練的所述預設特征的特征向量和所述線上異常的特征，確定所述線上異常的特征向量；

如果所述線上異常的特征向量與所述當前線上聚類模型包括的聚類中心的特征向量的相似度滿足第一預設相似度條件，則確定所述線上異常屬于新發現的異常類別；

如果所述線上異常的特征向量與所述當前線上聚類模型包括的聚類中心的特征向量相似度滿足第二預設相似度條件，則確定所述線上異常屬于所述聚類中心對應的異常類別；

其中，所述第一預設相似度條件與所述第二預設相似度條件互補。

4.根據權利要求3所述的方法，其特征在于，所述如果滿足預設更新條件，則根據所述線上異常的特征和所述線上異常對應的異常類別，更新所述當前線上聚類模型的步驟，包括：

如果所述線上異常屬于新發現的異常類別，則將所述線上異常的特征向量確定為所述新發現的異常類別聚類中心的特征向量，將所述新發現的異常類別聚類中心作為所述當前線上模型的一個新增聚類中心。

5.根據權利要求4所述的方法，其特征在于，所述通過當前線上聚類模型基于所述特征對所述線上異常進行分類，確定異常類別的步驟之后，還包括：

根據所述線上異常的特征，確定所述異常類別包含的異常的線上訓練樣本；

如果所述新發現的異常類別包含的異常的線上訓練樣本達到預設數量，則將所述新發現的異常類別包含的異常的樣本特征向量的平均值，作為所述新發現的異常類別的聚類中心的特征向量；其中，所述異常的樣本特征向量為根據預先訓練的所述預設特征的特征向量和所述異常的線上訓練樣本，確定的所述異常的特征向量。

6.根據權利要求3所述的方法，其特征在于，所述通過當前線上聚類模型基于所述特征對所述線上異常進行分類，確定異常類別的步驟之后，還包括：

根據所述線上異常的特征，確定所述異常類別包含的異常的線上訓練樣本；

所述如果滿足預設更新條件，則根據所述線上異常的特征和所述線上異常對應的異常類別，更新所述當前線上聚類模型的步驟，還包括：

如果達到預設更新周期，則通過所述線上訓練樣本，訓練目標聚類模型；

將所述當前線上聚類模型包括的聚類中心，映射到所述目標聚類模型的聚類中心下；

將映射后的所述目標聚類模型，作為當前線上聚類模型。

7.根據權利要求6所述的方法，其特征在于，所述將所述當前線上聚類模型包括的聚類中心，映射到所述目標聚類模型的聚類中心下的步驟，包括：

將與目標聚類中心共同包含至少一個異常的原聚類中心，映射到所述目標聚類中心下；所述目標聚類中心為所述目標聚類模型包括的聚類中心，所述原聚類中心為所述當前線上聚類模型包括的聚類中心；

對于映射有至少兩個所述原聚類中心的所述目標聚類中心，分別執行以下操作：

通過所述目標聚類中心包含的異常的特征向量，更新映射到所述目標聚類中心下的每個原聚類中心包含的相應異常的特征向量；

對于映射到所述目標聚類中心下的每個所述原聚類中心，將原聚類中心各自對應的異常更新后的特征向量的平均值，作為相應原聚類中心的特征向量。