[發明專利]運維系統異常指標檢測模型優化方法、裝置及存儲介質

在審

• 申請號: 202010170069.4
• 申請日: 2020-03-12
• 公開（公告）號: CN111459778A
• 公開（公告）日: 2020-07-28
• 發明（設計）人: 陳楨博;金戈;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F11/34
• 分類號: G06F11/34;G06F17/14;G06F17/18;G06K9/62
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 董永輝;李玉琦

本方案公開一種運維系統異常指標檢測模型優化方法、裝置及存儲介質，方法包括：將指標類型分類到周期性與低波動性指標、周期性與高波動性指標、無周期性指標的分類中；對應每個指標設置一個異常指標檢測模型，將指標數據分別輸入到對應的異常指標檢測模型中，根據指標所屬的指標類型分類，異常指標檢測模型采用對應的方法確定異常指標的監測區間，將落在監測區間外的指標數據判為異常數據；并根據判斷結果分別處理；重復參數更換和異常數據判斷，直至檢測出的異常數據數量少于閾值；將各指標類型分類中的各異常指標檢測模型的參數分別對應求取平均值，作為該分類的異常指標檢測模型的參數。本發明有利于提高異常指標檢測模型的精度。

技術領域

本發明涉及運維管理技術領域，具體地說，涉及運維系統異常指標檢測模型優化方法、裝置及存儲介質。

背景技術

運維系統的異常指標檢測模型負責監控運維系統中關于應用、硬件等多個分支的指標。每個指標的數據，均根據一定粒度(如1min)進行采集，并輸入模型及時反饋異常情況。目前常用的方法中，異常檢測模型需要通過學習某指標過去一定時期內的規律與分布，經過訓練后將監測的指標與閾值比較從而判定異常。此類方法的缺陷在于，模型基于一組普適參數建立，而不同運維系統可能具有不同的敏感度要求，因此可能要求不同的模型參數設定。運維系統的監控指標是百萬級的，因此不可能針對每一指標進行模型參數設定。另一方面，盡管監督學習方法能夠根據每一指標進行學習并獲取最優參數，但是由于監控指標的數量級，人工無法針對每一指標進行定期的標注。

發明內容

為解決以上技術問題，本發明提供一種運維系統異常指標檢測模型優化方法，包括以下步驟：

S1，將多個指標分別按指標波動幅值以及指標波動周期性分類到指標類型分類中；

S2，從每一個指標類型分類中選取多個指標，對應每個指標都設置一個異常指標檢測模型，所述異常指標檢測模型包括依次連接的輸入層、監測區間層、輸出層，其中，監測區間層包括判斷指標是否異常的監測區間，以各指標任一段時間的歷史數據為訓練集，所述歷史數據中的異常數據設置有標簽，將歷史數據分別輸入到對應的異常指標檢測模型中；

S3，根據指標所屬的指標類型分類，每一異常指標檢測模型采用滑動窗口沿所述歷史數據按時間順序滑動確定異常指標的監測區間，并將落在監測區間以外的指標數據判定為異常數據；

S4，將異常指標檢測模型的輸出結果與設置有標簽的異常數據進行比對，從而判斷異常指標檢測模型的輸出結果是否正確，并根據判斷結果分別處理：

其中，若異常指標檢測模型對異常數據的判斷是正確的，則從所述歷史數據中刪除該異常數據；

若模型判斷的異常數據是錯誤的，則異常指標檢測模型根據監測區間的下限倍數與監測區間的上限倍數構建輔助閾值區間；

S5，重復步驟S3、S4，更換異常指標檢測模型的參數，并結合輔助閾值區間，重復進行參數更換和異常數據判斷，直至異常指標檢測模型檢測出的異常數據數量少于設定的閾值；

S6，對于每個指標類型分類，將指標類型分類中的各異常指標檢測模型的參數分別對應求取平均值，作為該指標類型分類的異常指標檢測模型的參數。

優選地，步驟S3中，若指標屬于周期性與低波動性指標類型分類，將滑動窗口中的數據計算與周期分量值的殘差并轉換為百分位數，計算殘差預設低分位數p1至殘差預設中分位數p2區間的標準差s1，和殘差預設低分位數p1至殘差預設高分位數p3區間的標準差s2，由[p1-n1s1，p3+n2s2]構成異常指標的監測區間；

其中，若指標屬于周期性與高波動性指標類型分類，將滑動窗口中的數據轉換為百分位數，計算預設低分位數d1至預設中分位數d2區間的標準差t1，和預設低分位數d1至預設高分位數d3區間的標準差t2，由[d1-m1t1，d3+m2t2]構成異常指標的監測區間；