[發明專利]監控指標異常檢測方法、模型訓練方法、裝置及設備

在審

• 申請號: 201811588789.1
• 申請日: 2018-12-25
• 公開（公告）號: CN110008079A
• 公開（公告）日: 2019-07-12
• 發明（設計）人: 趙孝松;王少華;游永勝;陳治;周揚;霍揚揚;楊樹波
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F11/32
• 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

1.一種基于LSTM模型監控指標異常檢測方法，包括：

獲取監控指標的樣本數據，所述樣本數據為所述監控指標在目標時間之前的指定時間的實際數據；

將所述樣本數據輸入到預先訓練的監控指標預測LSTM模型中預測所述監控指標在目標時間的預測值，其中所述監控指標預測LSTM模型基于所述監控指標的歷史數據訓練得到；

獲取所述監控指標在目標時間的實際值；

判斷所述實際值與所述預測值的偏離程度是否超過預設閾值；

如果是，則發出異常報警信息。

2.如權利要求1所述的一種基于LSTM模型監控指標異常檢測方法，所述目標時間為一個時間點或一個時間段。

3.如權利要求1所述的一種基于LSTM模型監控指標異常檢測方法，所述指定時間包括：

與所述目標時間為同一時間節點的時間；或

與所述目標時間相鄰或多個連續相鄰的時間。

4.如權利要求1所述的一種基于LSTM模型監控指標異常檢測方法，所述監控指標預測LSTM模型的訓練過程包括：

利用監控指標的歷史數據構建訓練樣本和測試樣本，其中，所述訓練樣本和所述測試樣本包括樣本特征和與所述樣本特征對應的樣本標簽；

將所述訓練樣本的樣本特征作為預先選取的基準LSTM模型的輸入，所述樣本特征對應的樣本標簽作為所述基準LSTM模型的輸出，對所述基準LSTM模型進行訓練，不斷調整所述基準LSTM模型的參數，直至訓練后的模型的預測準確率達到預設值，則將所述訓練后的模型作為所述監控指標預測LSTM模型，其中，所述預測準確率通過用所述測試樣本檢驗所述訓練后的模型得到。

5.如權利要求4所述的一種基于LSTM模型監控指標異常檢測方法，利用監控指標的歷史數據構建訓練樣本和測試樣本具體包括：

從所述監控指標的歷史數據中選取相同時間節點的數據，將所述數據按照時間先后順序構成時序序列；

將所述時序序列最后一個數據作為所述樣本標簽，其余的數據作為與所述樣本標簽對應的樣本特征。

6.如權利要求4所述的一種基于LSTM模型監控指標異常檢測方法，利用監控指標的歷史數據構建訓練樣本和測試樣本具體包括：

從所述監控指標的歷史數據中選取一段時間的數據，將所述數據按照時間先后順序構成時序序列；

將所述時序序列最后一個數據作為所述樣本標簽，其余的數據作為與所述樣本標簽對應的樣本特征。

7.如權利要求1所述的一種基于LSTM模型的監控數據異常檢測方法；所述偏離程度通過所述實際值與所述預測值的差值的絕對值來表征；或

通過所述實際值與所述預測值的差值與所述預測值的百分比來表征。

8.如利要求1所述的一種基于LSTM模型的監控數據異常檢測方法，所述方法用于運維監控平臺。

9.一種監控指標預測LSTM模型訓練方法，所述方法包括：

利用監控指標的歷史數據構建訓練樣本和測試樣本，其中，所述訓練樣本和所述測試樣本包括樣本特征和與所述樣本特征對應的樣本標簽；

將所述訓練樣本的樣本特征作為預先選取的基準LSTM模型的輸入，所述樣本特征對應的樣本標簽作為所述基準LSTM模型的輸出，對所述基準LSTM模型進行訓練，不斷調整所述基準LSTM模型的參數，直至訓練后的模型的預測準確率達到預設值，則將所述訓練后的模型作為所述監控指標預測LSTM模型，其中，所述預測準確率通過用所述測試樣本檢驗所述訓練后的模型得到。

10.如權利要求9所述的一種基于LSTM模型的監控數據異常檢測方法；利用監控指標的歷史數據構建訓練樣本和測試樣本具體包括：

從所述監控指標的歷史數據中選取相同時間節點的數據，將所述數據按照時間先后順序構成時序序列；

將所述時序序列最后一個數據作為所述樣本標簽，其余的數據作為與所述樣本標簽對應的樣本特征。