[發(fā)明專利]異常監(jiān)控方法、裝置、電子設備以及計算機可讀存儲介質

在審

• 申請?zhí)枺?/td>: 202110351828.1
• 申請日: 2021-03-31
• 公開（公告）號: CN112860526A
• 公開（公告）日: 2021-05-28
• 發(fā)明（設計）人: 徐威;高麗;朱夢婷;張瑜
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06K9/62;G06N3/08
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 任默聞;王濤

1.一種異常監(jiān)控方法，其特征在于，包括：

獲取運維數(shù)據(jù)，所述運維數(shù)據(jù)包括：業(yè)務日志數(shù)據(jù)以及硬件監(jiān)控數(shù)據(jù)；

分別對所述業(yè)務日志數(shù)據(jù)以及所述硬件監(jiān)控數(shù)據(jù)進行特征提取得到對應的業(yè)務日志特征以及硬件監(jiān)控特征；

將所述業(yè)務日志特征以及所述硬件監(jiān)控特征輸入預建立的深度學習異常監(jiān)控模型得到異常監(jiān)控結果；

其中，所述深度學習異常監(jiān)控模型包括：多個并行的局部CNN層、連接在多個局部CNN層之后的數(shù)據(jù)拼合層、連接在所述拼合層之后的全局CNN層、連接在所述全局CNN層之后的LSTM以及連接在所述LSTM輸出端的輸出層。

2.根據(jù)權利要求1所述的異常監(jiān)控方法，其特征在于，所述全局卷積層包括：兩層卷積層和一層展平層，兩層卷積層用于學習不同運維數(shù)據(jù)之間的關聯(lián)關系，將所述展平層得到全局關聯(lián)特征。

3.根據(jù)權利要求1所述的異常監(jiān)控方法，其特征在于，各局部卷積層基于其輸入數(shù)據(jù)的采樣頻率大小而設置了不同大小的卷積核。

4.根據(jù)權利要求1所述的異常監(jiān)控方法，其特征在于，所述硬件監(jiān)控數(shù)據(jù)包括：CPU使用率、CPU內核占用、內存占用率、網(wǎng)絡IO傳輸速度、IO響應時間。

5.根據(jù)權利要求1所述的異常監(jiān)控方法，其特征在于，所述業(yè)務日志數(shù)據(jù)包括：每秒交易成功率、前十位錯誤碼及數(shù)量、不同服務的交易出口平均耗時。

6.一種異常監(jiān)控裝置，其特征在于，包括：

數(shù)據(jù)獲取模塊，獲取運維數(shù)據(jù)，所述運維數(shù)據(jù)包括：業(yè)務日志數(shù)據(jù)以及硬件監(jiān)控數(shù)據(jù)；

特征提取模塊，分別對所述業(yè)務日志數(shù)據(jù)以及所述硬件監(jiān)控數(shù)據(jù)進行特征提取得到對應的業(yè)務日志特征以及硬件監(jiān)控特征；

異常監(jiān)控模塊，將所述業(yè)務日志特征以及所述硬件監(jiān)控特征輸入預建立的深度學習異常監(jiān)控模型得到異常監(jiān)控結果；

其中，所述深度學習異常監(jiān)控模型包括：多個并行的局部CNN層、連接在多個局部CNN層之后的數(shù)據(jù)拼合層、連接在所述拼合層之后的全局CNN層、連接在所述全局CNN層之后的LSTM以及連接在所述LSTM輸出端的輸出層。

7.根據(jù)權利要求6所述的異常監(jiān)控裝置，其特征在于，所述全局卷積層包括：兩層卷積層和一層展平層，兩層卷積層用于學習不同運維數(shù)據(jù)之間的關聯(lián)關系，將所述展平層得到全局關聯(lián)特征。

8.根據(jù)權利要求6所述的異常監(jiān)控裝置，其特征在于，各局部卷積層基于其輸入數(shù)據(jù)的采樣頻率大小而設置了不同大小的卷積核。

9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)權利要求1至5任一項所述的異常監(jiān)控方法的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1至5任一項所述的異常監(jiān)控方法的步驟。