[發(fā)明專利]異常任務(wù)智能監(jiān)測方法、裝置、設(shè)備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910205657.4
• 申請日: 2019-03-16
• 公開（公告）號: CN110008082B
• 公開（公告）日: 2022-06-17
• 發(fā)明（設(shè)計）人: 陳萬慧;簡杰生;汪偉;蘇雪婷
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30
• 代理公司: 深圳市世紀(jì)恒程知識產(chǎn)權(quán)代理事務(wù)所 44287
• 代理人: 胡海國

本發(fā)明涉及智能決策領(lǐng)域，本發(fā)明公開了一種異常任務(wù)智能監(jiān)測方法、裝置、設(shè)備及存儲介質(zhì)，通過將目標(biāo)運行特征代入至預(yù)設(shè)多元高斯分布模型中，獲得多元高斯分布概率圖；根據(jù)預(yù)設(shè)聚類算法對所述多元高斯分布概率圖進(jìn)行聚類，獲得異常特征；根據(jù)異常特征建立預(yù)設(shè)異常特征數(shù)據(jù)集；獲取當(dāng)前任務(wù)的執(zhí)行數(shù)據(jù)，將所述執(zhí)行數(shù)據(jù)與所述預(yù)設(shè)異常特征數(shù)據(jù)集進(jìn)行對比分析，根據(jù)分析結(jié)果判斷所述當(dāng)前任務(wù)是否為異常任務(wù)，能夠自動學(xué)習(xí)歷史規(guī)律，不需要人工干預(yù)，提高了特征提取的科學(xué)性和準(zhǔn)確性，能夠?qū)崿F(xiàn)任務(wù)的實時監(jiān)控，提升了用戶體驗。

技術(shù)領(lǐng)域

本發(fā)明涉及智能決策領(lǐng)域，尤其涉及一種異常任務(wù)智能監(jiān)測方法、裝置、設(shè)備及存儲介質(zhì)。

背景技術(shù)

在日常辦公過程中，現(xiàn)有的異常任務(wù)檢測方式存在以下缺點或問題：市面上的多數(shù)異常任務(wù)檢測參數(shù)設(shè)置高度依賴于經(jīng)驗值，且一套參數(shù)通常只使用于一個或一類任務(wù)；并且市面上多數(shù)異常任務(wù)檢測參數(shù)的設(shè)置完全沒有數(shù)據(jù)支撐，導(dǎo)致準(zhǔn)確率下降；而且市面上異常任務(wù)檢測算法的判斷標(biāo)準(zhǔn)為設(shè)置有限多個條件判斷進(jìn)行檢測，且對各條件之間的相互影響很少做考慮，市面上監(jiān)控多數(shù)無法對任務(wù)進(jìn)行實時檢測。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于提供一種異常任務(wù)智能監(jiān)測方法、裝置、設(shè)備及存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)中過于依賴日常操作經(jīng)驗值，缺乏數(shù)據(jù)支撐導(dǎo)致準(zhǔn)確率下降，并且無法實時進(jìn)行異常任務(wù)檢測的技術(shù)問題。

為實現(xiàn)上述目的，本發(fā)明提供一種異常任務(wù)智能監(jiān)測方法，所述異常任務(wù)智能監(jiān)測方法包括以下步驟：

將目標(biāo)運行特征代入至預(yù)設(shè)多元高斯分布模型中，獲得多元高斯分布概率圖；

根據(jù)預(yù)設(shè)聚類算法對所述多元高斯分布概率圖進(jìn)行聚類，獲得異常特征；

根據(jù)異常特征建立預(yù)設(shè)異常特征數(shù)據(jù)集；

獲取當(dāng)前任務(wù)的執(zhí)行數(shù)據(jù)，將所述執(zhí)行數(shù)據(jù)與所述預(yù)設(shè)異常特征數(shù)據(jù)集進(jìn)行對比分析，根據(jù)分析結(jié)果判斷所述當(dāng)前任務(wù)是否為異常任務(wù)。

優(yōu)選地，所述將目標(biāo)運行特征代入至預(yù)設(shè)多元高斯分布模型中，獲得多元高斯分布概率圖的步驟，包括：

將目標(biāo)運行特征代入至預(yù)設(shè)多元高斯分布模型中，獲得各目標(biāo)運行特征對應(yīng)的特征向量；

獲取各特征向量之間的關(guān)聯(lián)關(guān)系，根據(jù)所述關(guān)聯(lián)關(guān)系和各特征向量生成多元高斯概率圖。

優(yōu)選地，根據(jù)預(yù)設(shè)聚類算法對所述多元高斯分布概率圖進(jìn)行聚類，獲得異常特征的步驟，包括：

根據(jù)預(yù)設(shè)聚類算法對所述多元高斯分布概率圖進(jìn)行聚類，可獲得聚類結(jié)果；

對所述聚類結(jié)果分析，獲得所述多元高斯分布概率圖中的離群向量；

將所述離群向量對應(yīng)的離群特征作為異常特征。

優(yōu)選地，所述根據(jù)異常特征建立預(yù)設(shè)異常特征數(shù)據(jù)集的步驟，包括：

從預(yù)設(shè)樣本任務(wù)集中篩選出預(yù)設(shè)數(shù)量的多個樣本任務(wù)；

獲取各樣本任務(wù)的歷史執(zhí)行率，將所述歷史執(zhí)行率大于預(yù)設(shè)執(zhí)行率的樣本任務(wù)作為目標(biāo)任務(wù)；

根據(jù)預(yù)設(shè)多元高斯分布模型獲得多個目標(biāo)任務(wù)的異常特征；

根據(jù)各異常特征建立預(yù)設(shè)異常特征數(shù)據(jù)集。

優(yōu)選地，所述獲取當(dāng)前任務(wù)的執(zhí)行數(shù)據(jù)，將所述執(zhí)行數(shù)據(jù)與所述預(yù)設(shè)異常特征數(shù)據(jù)集進(jìn)行對比分析，根據(jù)分析結(jié)果判斷所述當(dāng)前任務(wù)是否為異常任務(wù)的步驟，包括：

對正在運行的當(dāng)前任務(wù)進(jìn)行實時監(jiān)控，獲得所述當(dāng)前任務(wù)的執(zhí)行數(shù)據(jù)；

將所述執(zhí)行數(shù)據(jù)與所述預(yù)設(shè)異常特征數(shù)據(jù)集中的異常特征對應(yīng)的異常數(shù)據(jù)進(jìn)行匹配分析，并獲得分析結(jié)果；