[發明專利]一種系統異常診斷方法和裝置

有效

• 申請號: 202110325710.1
• 申請日: 2021-03-26
• 公開（公告）號: CN112990329B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 錢敏;李彥夫
• 申請（專利權）人: 清華大學
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/23;G06F18/25
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 蔣冬梅;栗若木

1.一種系統異常診斷方法，其特征在于，所述方法包括：

采集系統監控數據，并對所述系統監控數據進行預處理獲取第一數據；

從所述第一數據中選擇出第一特征數據，所述第一特征數據具有滿足預設要求的特征；

將所述第一特征數據按照迭代的順序依次輸入預設的聚類模型中，根據所述聚類模型的輸出結果判斷所述第一特征數據是否屬于預設的目標類集合；

當所述第一特征數據不屬于所述目標類集合時，判定當前系統處于正常狀態；當所述第一特征數據屬于所述目標類集合時，將所述第一特征數據輸入預先訓練好的分類模型中，根據所述分類模型的分類結果判斷當前系統是否處于異常狀態；其中，所述分類模型是以相對平衡的數據集作為分類訓練集對預設的分類器進行訓練獲得的，所述相對平衡的數據集的獲得包括：對采集的系統監控數據進行預處理獲取第二數據；從所述第二數據中選擇出第二特征數據，并將所述第二特征數據劃分成第一訓練數據集和驗證數據集；將所述第一訓練數據集輸入預設的迭代聚類模型，以通過所述迭代聚類模型對所述第一訓練數據進行迭代聚類，獲得將所述相對平衡的數據集；

所述通過所述迭代聚類模型對所述第一訓練數據進行迭代聚類，包括：

采用聚類模型對所述第一訓練數據集進行聚類，聚為q個類，得到目標類集合，其中q為正整數；將所述聚類模型應用到所述驗證數據集，如果所述聚類模型對所述驗證數據集的聚類效果的覆蓋率不小于預設的覆蓋率閾值，并且每次迭代刪除的多樣樣本數量不小于預設數量閾值，則接受聚類模型M，刪除不屬于所述目標類集合的所有訓練樣本，得到相對平衡的數據集；

其中，所述覆蓋率定義為驗證數據集中覆蓋異常樣本的目標類集合中的異常樣本數量占驗證數據集中的異常樣本數量的比例。

2.根據權利要求1所述的系統異常診斷方法，其特征在于，所述對所述系統監控數據進行預處理獲取第一數據，包括：

對所述系統監控數據進行向量初始化，獲取第一初始特征矩陣；

將所述第一初始特征矩陣中的每個特征分別進行中心標準化處理，得到第一新特征矩陣，作為所述第一數據。

3.根據權利要求1所述的系統異常診斷方法，其特征在于，所述從所述第一數據中選擇出第一特征數據，包括：

采用基于互信息的最小冗余最大相關方法從所述第一數據中選出與預設的異常狀態之間的互信息值最大的一個或多個特征，組成所述第一特征數據。

4.根據權利要求1所述的系統異常診斷方法，其特征在于，所述聚類模型，用于采用學習向量量化聚類算法對所述第一特征數據集進行聚類。

5.根據權利要求1所述的系統異常診斷方法，其特征在于，在將所述第一特征數據輸入預先訓練好的分類模型中之前，所述方法還包括：

調取預先存儲的訓練好的分類模型；或者，

獲取所述分類訓練集，并通過所述分類訓練集對預設的分類器進行訓練，獲取所述分類模型。

6.根據權利要求5所述的系統異常診斷方法，其特征在于，將所述相對平衡的數據集，作為所述分類訓練集；所述相對平衡的數據集是指所包含的正常狀態的樣本數量與異常狀態的樣本數量的比值滿足預設的比值范圍的數據集。

7.根據權利要求1所述的系統異常診斷方法，其特征在于，所述對采集的系統監控數據進行預處理獲取第二數據，包括：

對所述系統監控數據進行向量初始化，獲取第二初始特征矩陣；將所述第二初始特征矩陣中的每個特征分別進行中心標準化處理，得到第二新特征矩陣，作為所述第二數據；

所述從所述第二數據中選擇出第二特征數據，包括：

采用基于互信息的最小冗余最大相關方法從所述第二數據中選出與預設的異常狀態之間的互信息值最大的一個或多個特征，組成所述第二特征數據。

8.根據權利要求5所述的系統異常診斷方法，其特征在于，所述預設的分類器包括：代價敏感的支持向量分類器CS-SVM。

9.一種系統異常診斷裝置，包括處理器和計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有指令，其特征在于，當所述指令被所述處理器執行時，實現如權利要求1-8任意一項所述的系統異常診斷方法。