[發明專利]一種基于皮質學習的異常檢測方法、裝置及終端設備

有效

• 申請號: 201910696486.X
• 申請日: 2019-07-30
• 公開（公告）號: CN110515796B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 馬文佳
• 申請（專利權）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: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 李紅梅

本發明適用于計算機運維技術領域，提供了一種基于皮質學習的異常檢測方法、裝置及終端設備，方法包括：獲取服務集群的服務數據；建立基于皮質學習的數據模型；通過數據模型學習服務數據的變化模式；根據服務數據的變化模式將服務數據重新排布，輸出特征排布數據，其中，服務數據變化模式包括數據變化模式和時間變化模式；設置經驗閾值；將特征排布數據輸出至Q函數，根據經驗閾值判斷服務數據的異常情況，其中，服務數據的異常情況包括極端數值異常和數據波動異常。通過本發明可以從特征排布數據判斷服務數據的變化是否符合數據既往模式，從而準確判斷服務數據的異常情況，提高異常檢測的準確率。

技術領域

本發明涉及計算機運維技術領域，尤其涉及一種基于皮質學習的異常檢測方法、裝置及終端設備。

背景技術

隨著信息化建設的射入發展，IT系統日益成為核心業務處理的關鍵基礎設施，為了保證網絡、服務器、數據庫等IT資源的正常運行，需要對服務集群進行維護，而在服務集群的運維過程中，會對各種指標進行檢測，在數據發生異常時能夠及時產生警告，通知相關技術人員及時完成相對應的維護工作，目前，針對某一指標所采用的異常檢測方法中，通常會使用固定的檢測閾值和動態基線。

然而，上述檢測方法難以適應數據的各種變化，且會對于過去的異常十分敏感，從而影響當前數據的異常檢測結果，例如，對于當前數據的一些細小波動，將難以察覺。那么在對數據變化敏感的指標進行檢測時，勢必降低檢測效果，無法有效的協助服務集群的運維。

發明內容

本發明的主要目的在于提出一種基于皮質學習的異常檢測方法、裝置及終端設備，以解決現有技術中針對服務集群的某一指標所采用的異常檢測方法，難以適應數據的各種變化，且會對于過去的異常十分敏感，影響當前數據的異常檢測效果，無法有效的協助服務集群的運維的問題。

為實現上述目的，本發明實施例第一方面提供一種基于皮質學習的異常檢測方法，包括：

獲取服務集群的服務數據；

建立基于皮質學習的數據模型；

通過所述數據模型學習所述服務數據的變化模式；

根據所述服務數據的變化模式將所述服務數據重新排布，輸出特征排布數據，其中，所述服務數據變化模式包括數據變化模式和時間變化模式；

設置經驗閾值；

將所述特征排布數據輸出至Q函數，根據所述經驗閾值判斷所述服務數據的異常情況，其中，所述服務數據的異常情況包括極端數值異常和數據波動異常。

結合本發明第一方面，本發明第一實施方式中，根據每個所述服務數據的變化模式將所述服務數據重新排布，輸出特征排布數據，包括：

根據每個所述服務數據變化模式，獲取每個所述服務數據的向量表示；

根據每個所述服務數據的向量表示，按照預設的特征排布方式將所述服務數據整理為一組或多組特征排布數據。

結合本發明第一方面，本發明第二實施方式中，所述設置經驗閾值包括：

獲取所述服務數據的過往異常率，設置置信水平；

通過所述置信水平產生所述經驗閾值。

結合本發明第一方面，本發明第三實施方式中，將所述特征排布數據輸出至Q函數，根據所述經驗閾值判斷所述服務數據的異常情況，包括：

將所述特征排布數據輸出至Q函數，選擇任一數據作為目標數據，計算所述目標數據的異常概率，公式為：

其中，Pr是目標數據x0的異常概率，p(x)是正態分布函數，σ為標準差，μ為期望值；