[發明專利]一種基于弱監督學習的云服務器配置異常識別方法

在審

• 申請號: 202211636518.5
• 申請日: 2022-12-20
• 公開（公告）號: CN116048912A
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 田秋雨;唐宏偉;潘志偉;王曉虹
• 申請（專利權）人: 中科南京信息高鐵研究院
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F18/2431;G06F18/214;G06F18/2433
• 代理公司: 南京知識律師事務所 32207
• 代理人: 劉豐

1.一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，包括以下步驟：

S1:從歷史數據中，讀取服務器基礎配置信息，所述服務器基礎配置信息包括離散變量與非離散變量，讀取歷史服務器使用時長；

S2:將服務器基礎配置信息作為CatBoost回歸模型的特征變量，將歷史服務器使用時長作為CatBoost回歸模型的監督信息，得到服務器使用時長的預測模型，用于計算預期服務器使用時長；

S3：將服務器基礎配置信息中的非離散變量、使用服務器使用時長的預測模型得到的預期服務器使用時長作為孤立森林模型的特征變量，得到異常識別模型；

S4：將待測試的數據中服務器基礎配置信息輸入到服務器使用時長的預測模型，并將得到的預期服務器使用時長作為異常識別模型的輸入，同時將服務器基礎配置信息中的非離散變量作為異常識別模型的輸入，即可得到被識別為異常的服務器。

2.根據權利要求1所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，

S1中還包括從歷史數據中，讀取用戶族群信息；

S2中還包括將用戶族群信息作為CatBoost回歸模型的特征變量；

S4中還包括將待測試的數據中用戶族群信息輸入到服務器使用時長的預測模型。

3.根據權利要求1所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，S3中服務器基礎配置信息中的非離散變量，變量間相關度低于相關度閾值的變量獨立作為孤立森林模型的特征變量，變量間相關度高于相關度閾值的變量取互相之間的比例，作為孤立森林模型的特征變量。

4.根據權利要求3所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，對所述比例進行對數轉化處理后，再作為孤立森林模型的特征變量。

5.根據權利要求3所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，所述相關度閾值為皮爾森相關系數0.25。

6.根據權利要求1所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，所述孤立森林模型生成的異常識別模型，在其異常識別步驟增加一個條件，需同時滿足預期服務器使用時長低于服務器使用時長閾值時，才能判定為異常。

7.根據權利要求6所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，所述服務器使用時長閾值為168小時。

8.根據權利要求1所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，所述服務器基礎配置信息的離散變量為系統、架構，所述所述服務器基礎配置信息的非離散變量為CPU核數、內存容量、硬盤容量、網絡帶寬。

9.根據權利要求1所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，所述S2中CatBoost回歸模型使用的超參數包括：迭代次數：1000，決策樹結構：對稱，L2正則化強度：3，決策樹最大深度：6，學習率：0.0496，最大葉子數量：64。

10.根據權利要求1所述的一種基于弱監督學習的云服務器配置異常識別方法，其特征在于，所述S3中孤立森林模型的超參數包括：是否使用Bootstrap：是的，污染度：0.01，最大特征數：1.0，決策樹數量：1000。