[發明專利]一種自動化構建異常檢測模型的方法及系統

在審

• 申請號: 202210106978.0
• 申請日: 2022-01-28
• 公開（公告）號: CN114444602A
• 公開（公告）日: 2022-05-06
• 發明（設計）人: 施沈池;陳華俊;吳一娜;嚴峻嶺;吳志強
• 申請（專利權）人: 中國銀聯股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;H04L43/08
• 代理公司: 北京市中倫律師事務所 11410
• 代理人: 操寒

本發明提供了一種自動化構建異常檢測模型的方法及系統，該系統包括服務端和設備端，該方法包括：設備端從監控的網絡流量數據中實時采集指定KPI對應的KPI時間序列數據，并持續上傳至服務端；服務端對KPI時間序列數據進行波形分類，得到指定KPI對應的波形分類結果，并下發至設備端；設備端根據指定KPI對應波形分類結果從算法庫中動態匹配指定KPI對應的異常檢測算法，并根據異常檢測算法更新異常檢測模型，異常檢測模型用于在設備端對指定KPI對應的數據進行異常檢測。利用上述方法，能夠提高異常檢測模型的構建效率及自適應程度。

技術領域

本發明屬于網絡流量監控領域，具體涉及一種自動化構建異常檢測模型的方法及系統。

背景技術

本部分旨在為權利要求書中陳述的本發明的實施方式提供背景或上下文。此處的描述不因為包括在本部分中就承認是現有技術。

數據中心網絡有大量的KPI(Key Performance Indicator，關鍵性能指標)數據，比如網絡流量中的TCP重傳率、TCP上行比特率、TCP下載速率、TCP時延等等。通過對這些KPI數據進行實時監控和異常檢測，不僅能夠及時發現故障并發出告警，而且能夠幫助運維人員進行準確的故障定位，支撐故障快速恢復。

然而，目前的KPI數據的實時監控和異常檢測面臨了兩個問題：一是傳統設置閾值監控的方式，其靈敏準確度已經無法滿足現在的網絡需求，通常需要借助人工智能技術訓練智能模型以進行更靈敏精準的監控；二是網絡領域的KPI數據種類繁多，不同業務場景下有不同的異常檢測需求，建模技術門檻較高，難以無法滿足大規模業務需求。

發明內容

針對上述現有技術中存在的問題，提出了一種自動化構建異常檢測模型的方法及系統，利用這種方法、裝置及計算機可讀存儲介質，能夠解決上述問題。

本發明提供了以下方案。

第一方面，提供一種自動化構建異常檢測模型的方法，應用于由服務端和設備端構成的系統，方法包括：設備端從監控的網絡流量數據中實時采集指定KPI對應的KPI時間序列數據，并持續上傳至服務端；服務端對KPI時間序列數據進行波形分類，得到指定KPI對應的波形分類結果，并下發至設備端；設備端根據指定KPI對應波形分類結果從算法庫中動態匹配指定KPI對應的異常檢測算法，并根據異常檢測算法更新異常檢測模型，異常檢測模型用于在設備端對指定KPI對應的數據進行異常檢測。

在一種實施例中，服務端對KPI時間序列數據進行波形分類，還包括：服務端預先提取指定KPI對應的歷史KPI時間序列數據，并基于歷史KPI時間序列數據訓練得到指定KPI對應的時間序列分類模型；以及，服務端將KPI時間序列數據輸入時間序列分類模型，得到指定KPI對應的波形分類結果。

在一種實施例中，服務端對KPI時間序列數據進行波形分類，還包括：服務端提取存儲的指定KPI對應的全量KPI時間序列數據，并按采集時間進行排列；服務端提取全量KPI時間序列數據的波動趨勢特征，根據波動趨勢特征得到指定KPI對應的波形分類結果。

在一種實施例中，服務端提取存儲的指定KPI對應的全量KPI時間序列數據之后，方法還包括：服務端對全量KPI時間序列數據進行數據預處理；數據預處理包括以下中的任意一種或多種：濾波去噪、缺失值填補操作。

在一種實施例中，對KPI時間序列數據進行波形分類，包括：提取KPI時間序列數據的序列特征，序列特征包括序列長度和/或序列極值，根據序列特征判斷KPI時間序列數據的波形類別是否為少點型、低值型和直線型中的一種；和/或，對KPI時間序列數據進行相關性分析，相關性分析包括快速傅里葉變換和自相關計算，根據相關性分析結果判斷KPI時間序列數據的波形類別是否為周期性；和/或，提取KPI時間序列的第一統計特征，根據第一統計特征判斷KPI時間序列數據的波形類別是否為趨勢型、震蕩型和突變型中的一種，其中第一統計特征包括KPI時間序列數據的一階差分值、二階差分值、3Sigma值的一種或多種。