[發明專利]一種時序異常檢測方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202011306700.5
• 申請日: 2020-11-19
• 公開（公告）號: CN112380098A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 陳楨博;鄭立穎;徐亮
• 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;G06F11/34;G06N3/04;G06N3/08
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

本發明公開了一種時序異常檢測方法、裝置、計算機設備及存儲介質，方法包括：利用第一卷積神經網絡對時序數據樣本進行卷積處理，得到局部鄰近時間步關聯的時序特征；利用注意力機制對時序特征的全局時間步進行關聯，得到全局時間步關聯的時序特征；利用變分自編碼算法對全局時間步關聯的時序特征進行編碼和解碼，得到重構的時序特征；利用第二卷積神經網絡對重構的時序特征進行卷積處理，得到時序還原數據；利用時序數據樣本與所述時序還原數據的差異檢測所述時序數據樣本的異常值，完成時序異常檢測模型的構建；利用所述時序異常檢測模型對待測時序數據進行檢測，得到所述待測時序數據的異常值。本發明提高了模型適用性和準確率。

技術領域

本發明涉及人工智能技術領域，特別涉及一種時序異常檢測方法、裝置、計算機設備及存儲介質。

背景技術

運維系統的異常檢測程序，主要負責監控運維系統中關于應用、硬件等多個對象的指標(例如某一主機對象的CPU使用率指標)，當指標發生異常時則實時告警，從而提示工作人員進行排查。異常檢測算法種類較多，包括統計算法、機器學習算法、深度學習算法。其中，深度學習算法精度更高，是當前主要的研究和應用方向。

但現有技術中，異常檢測過程中，普遍無法提供大量標注數據，造成監督學習算法的適用性降低、準確率不高。

發明內容

本發明的目的是提供一種時序異常檢測方法、裝置、計算機設備及存儲介質，旨在解決現有技術中時序異常檢測方法適用性降低、準確率不高的問題。

第一方面，本發明實施例提供一種時序異常檢測方法，其中，包括：

利用第一卷積神經網絡對運維系統的時序數據樣本進行卷積處理，得到局部鄰近時間步關聯的時序特征；

利用注意力機制對所述時序特征的全局時間步進行關聯，得到全局時間步關聯的時序特征；

利用變分自編碼算法對所述全局時間步關聯的時序特征進行編碼和解碼，得到重構的時序特征；

利用第二卷積神經網絡對所述重構的時序特征進行卷積處理，得到時序還原數據；

利用所述時序數據樣本與所述時序還原數據的差異檢測所述時序數據樣本的異常值，完成時序異常檢測模型的構建；

利用所述時序異常檢測模型對待測時序數據進行檢測，得到所述待測時序數據的異常值。

第二方面，本發明實施例提供一種時序異常檢測裝置，其中，包括：

第一卷積單元，用于利用第一卷積神經網絡對運維系統的時序數據樣本進行卷積處理，得到局部鄰近時間步關聯的時序特征；

注意力機制單元，用于利用注意力機制對所述時序特征的全局時間步進行關聯，得到全局時間步關聯的時序特征；

自編碼單元，用于利用變分自編碼算法對所述全局時間步關聯的時序特征進行編碼和解碼，得到重構的時序特征；

第二卷積單元，用于利用第二卷積神經網絡對所述重構的時序特征進行卷積處理，得到時序還原數據；

模型構建單元，用于利用所述時序數據樣本與所述時序還原數據的差異檢測所述時序數據樣本的異常值，完成時序異常檢測模型的構建；

模型檢測單元，用于利用所述時序異常檢測模型對待測時序數據進行檢測，得到所述待測時序數據的異常值。

第三方面，本發明實施例提供一種計算機設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其中，所述處理器執行所述計算機程序時實現如第一方面所述的時序異常檢測方法。