CN109583475A - 异常信息的监测方法及装置 - Google Patents

Abstract

本说明书一个或多个实施例公开了一种异常信息的监测方法及装置，用以实现将结构信息融入到异常信息监测的过程中，从而提高监测异常信息的准确率和效率。所述方法包括：获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；根据所述预测结果对所述节点关联事件进行监测。

Description

异常信息的监测方法及装置

技术领域

本说明书涉及信息监测技术领域，尤其涉及一种异常信息的监测方法及装置。

背景技术

伴随着各项业务的迅猛发展，现阶段在底层起支撑作用的系统平台数量多达数百，这些平台每周的代码、数据库和配置变更等数据已达数千，任何一个环节的疏忽、错误，都可能导致系统风险，给用户带来巨大损失。

相关技术中，对业务数据的监控主要集中在对单源时间序列的监测上，且是在经过汇聚计算后的指标上展开的，具体的明细信息则会被忽略掉，数据中的结构信息自然也会被忽略掉，从而导致异常检测的误报率高。事实上，系统与系统之间错综复杂的调用结构会给异常检测带来丰富的数据源，因此，如何针对错综复杂的结构信息来检测异常数据，是一项亟需解决的问题。

发明内容

本说明书一个或多个实施例的目的是提供一种异常信息的监测方法及装置，用以实现将结构信息融入到异常信息监测的过程中，从而提高监测异常信息的准确率和效率。

为解决上述技术问题，本说明书一个或多个实施例是这样实现的：

一方面，本说明书一个或多个实施例提供一种异常信息的监测方法，包括：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

在一个实施例中，所述获取用于训练人工神经网络ANN分类器的训练样本，包括：

获取预设时间段内的所述节点关联事件；

确定所述节点关联事件的发生时间；

确定所述节点关联事件及所述发生时间为所述训练样本。

在一个实施例中，在确定所述节点关联事件的发生时间之前，还包括：

利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息；其中，所述指定格式能够被所述ANN分类器所识别。

在一个实施例中，所述指定格式包括向量集；

相应的，所述利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息，包括：

根据所述节点关联事件中各节点的关联关系，将所述节点关联事件转化为有序字符串；所述有序字符串包括所述各节点的节点标识信息、属性信息、边信息中的至少一项；

利用指定的自动编码器对所述有序字符串进行压缩处理，得到所述节点关联事件对应的向量集。

在一个实施例中，所述根据所述预测结果对所述节点关联事件进行监测，包括：

若所述预测结果与监测结果不一致，则确定所述节点关联事件发生异常。

在一个实施例中，在确定所述节点关联事件发生异常之后，还包括：

确定所述节点关联事件发生异常的异常信息，所述异常信息包括异常次数、异常频率、异常比率中的至少一项；

若所述异常信息满足以下至少一项，则发出报警信息：所述异常次数大于第一预设阈值、所述异常频率大于第二预设阈值、所述异常比率大于第三预设阈值。

在一个实施例中，所述节点关联事件为系统调用。

另一方面，本说明书一个或多个实施例提供一种异常信息的监测装置，包括：

获取模块，用于获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

训练模块，用于利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

预测模块，用于利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

监测模块，用于根据所述预测结果对所述节点关联事件进行监测。

在一个实施例中，所述获取模块包括：

获取单元，用于获取预设时间段内的所述节点关联事件；

第一确定单元，用于确定所述节点关联事件的发生时间；

第二确定单元，用于确定所述节点关联事件及所述发生时间为所述训练样本。

在一个实施例中，所述装置还包括：

处理模块，用于在确定所述节点关联事件的发生时间之前，利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息；其中，所述指定格式能够被所述ANN分类器所识别。

在一个实施例中，所述指定格式包括向量集；

相应的，所述处理模块包括：

转化单元，用于根据所述节点关联事件中各节点的关联关系，将所述节点关联事件转化为有序字符串；所述有序字符串包括所述各节点的节点标识信息、属性信息、边信息中的至少一项；

压缩单元，用于利用指定的自动编码器对所述有序字符串进行压缩处理，得到所述节点关联事件对应的向量集。

在一个实施例中，所述监测模块包括：

第三确定单元，用于若所述预测结果与监测结果不一致，则确定所述节点关联事件发生异常。

在一个实施例中，所述装置还包括：

确定模块，用于在确定所述节点关联事件发生异常之后，确定所述节点关联事件发生异常的异常信息，所述异常信息包括异常次数、异常频率、异常比率中的至少一项；

报警模块，用于若所述异常信息满足以下至少一项，则发出报警信息：所述异常次数大于第一预设阈值、所述异常频率大于第二预设阈值、所述异常比率大于第三预设阈值。

在一个实施例中，所述节点关联事件为系统调用。

再一方面，本说明书一个或多个实施例提供一种异常信息的监测设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

再一方面，本申请实施例提供一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

采用本说明书一个或多个实施例的技术方案，通过获取用于训练人工神经网络ANN分类器的训练样本，并利用训练样本训练ANN分类器，进而利用ANN分类器对节点关联事件(即多个节点之间的关联关系)在指定时间上是否发生进行预测，以及根据预测结果对节点关联事件进行预测。可见，该技术方案将节点之间的关联关系融入到了异常信息的监测过程中，使得异常信息的监测能够综合节点关联事件带来的丰富的数据源，从而提高了节点关联事件的异常监测效率及准确度。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是根据本说明书一实施例的一种异常信息的监测方法的示意性流程图；

图2是根据本说明书一具体实施例的多个系统之间的调用关系图；

图3是根据本说明书一具体实施例的一种异常信息的监测方法的示意性流程图；

图4是根据本说明书一具体实施例的多个节点之间的关联关系图；

图5是根据本说明书一实施例的一种异常信息的监测装置的示意性框图；

图6是根据本说明书一实施例的一种异常信息的监测设备的示意性框图。

具体实施方式

本说明书一个或多个实施例提供一种异常信息的监测方法及装置，用以实现将结构信息融入到异常信息监测的过程中，从而提高监测异常信息的准确率和效率。

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个实施例保护的范围。

图1是根据本说明书一实施例的一种异常信息的监测方法的示意性流程图，如图1所示，该方法包括：

S102，获取用于训练人工神经网络ANN分类器的训练样本。

其中，ANN(Artificial Neural Network，人工神经网络)分类器用于对节点关联事件进行监测，以监测出节点关联事件中是否发生异常。节点关联事件指多个节点之间的关联关系。

S104，利用训练样本训练ANN分类器，ANN分类器包括节点关联事件在各个时间是否发生的信息。

S106，利用ANN分类器对节点关联事件在指定时间上是否发生进行预测，得到预测结果。

S108，根据预测结果对节点关联事件进行监测。

采用本说明书一个或多个实施例的技术方案，通过获取用于训练人工神经网络ANN分类器的训练样本，并利用训练样本训练ANN分类器，进而利用ANN分类器对节点关联事件(即多个节点之间的关联关系)在指定时间上是否发生进行预测，以及根据预测结果对节点关联事件进行预测。可见，该技术方案将节点之间的关联关系融入到了异常信息的监测过程中，使得异常信息的监测能够综合节点关联事件带来的丰富的数据源，从而提高了节点关联事件的异常监测效率及准确度。

以下详细说明上述实施例提供的异常信息的监测方法。

在一个实施例中，节点关联事件可以是系统调用。

图2示出了一具体实施例中多个系统之间的调用关系图。如图2所示，以箭头指向表示各接口之间的调用关系，具体的，在转账服务时，转账接口210会调用安全接口220，安全接口220又会调用环境监察接口230及监管监察接口240。此外，转账接口210还会调用余额检查接口250。由图2可看出，各接口之间的调用关系可看作纵向和横向的调用，例如，转账接口210与调用安全接口220、安全接口220与环境监察接口230之间为横向调用关系，环境监察接口230与监管监察接口240之间为纵向调用关系。

在一个实施例中，获取用于训练人工神经网络ANN分类器的训练样本时，可首先获取预设时间段内的节点关联事件，然后确定节点关联事件的发生时间，进而确定所获取的节点关联事件及其发生时间为训练样本。

在一个实施例中，在确定节点关联事件的发生时间之前，可利用指定的自动编码器，将节点关联事件预处理为指定格式的信息。

其中，指定格式能够被ANN分类器所识别。

在一个实施例中，指定格式包括向量集。因此，利用指定的自动编码器将节点关联事件预处理为指定格式的信息时，可先根据节点关联事件中各节点的关联关系，将节点关联事件转化为有序字符串，然后利用指定的自动编码器对有序字符串进行压缩处理，得到节点关联事件对应的向量集。

其中，有序字符串包括各节点的节点标识信息、属性信息、边信息中的至少一项。节点标识信息可采用预设的数字、字母等任一种字符形式标识，属性信息为节点上特有的一些信息，例如，节点为转账服务中的“安全接口”时，其属性信息即为安全接口对应的一些基本属性信息。边信息可用于表征各节点之间的关联关系，例如，转账服务中的“安全接口”调用“环境监察接口”时，其对应的边信息即为“安全接口”对“环境监察接口”的调用信息；再例如，转账服务中的“余额检查接口”不再调用其他接口，则其对应的边信息为空。

本实施例中，当指定格式为向量集时，指定的自动编码器可以是AutoEncoder自动编码器，该AutoEncoder自动编码器是一种有损的数据压缩算法，其可通过压缩节点关联事件中的噪声，将一些小业务不规律的出现所带来的干扰剔除，从而将节点关联事件压缩为向量集。

在一个实施例中，根据预测结果对节点关联事件进行监测时，若预测结果与监测结果不一致，则确定节点关联事件发生异常；若预测结果与监测结果一致，则确定节点关联事件未发生异常。

在一个实施例中，在确定节点关联事件发生异常之后，确定节点关联事件发生异常的异常信息，该异常信息包括异常次数、异常频率、异常比率中的至少一项。若异常信息满足以下至少一项，则发出报警信息：异常次数大于第一预设阈值、异常频率大于第二预设阈值、异常比率大于第三预设阈值。

其中，异常比率指异常次数占总事件次数的比率，总事件次数即为在监测过程中监测到的所有事件次数。

图3是根据本说明书一具体实施例的一种异常信息的监测方法的示意性流程图。如图3所示，该方法包括：

S301，获取预设时间段内的节点关联事件。

本实施例中，获取到的预设时间段内的节点关联事件如图4所示。由图4可知，节点关联事件包括节点a、b、c、d、e之间的关联关系，其中，节点a的属性信息包括属性1和属性2，节点b的属性信息包括属性3和属性4，节点c的属性信息包括属性5和属性6，节点d的属性信息包括属性7，节点3的属性信息包括属性8和属性9。

本实施例中，节点关联事件为周期性出现的事件，因此，预设时间段内可能获取到多个节点关联事件。例如，对于节点关联事件“系统调用”，由于在某个业务中，系统调用通常是周期性发生的，因此可获取到预设时间段(如一个月)内的多个系统调用事件。

S302，根据节点关联事件中各节点的关联关系，将节点关联事件转化为有序字符串。

其中，有序字符串包括各节点的节点标识信息、属性信息、边信息中的至少一项。

在将节点关联事件转化为有序字符串时，可按照预设的转化规则进行转化。本实施例中，转化规则为先横向、再纵向的转化规则：对于其中任一节点，按照节点标识信息、属性信息、边信息的顺序依次进行转化，且每遇到一次横向关联结束(即边信息为空)时，采用预设符号“)”表示。

具体的，由图4可看出，节点a、节点b和节点c之间为横向关系，节点d和节点e为纵向关系。按照上述转化规则可将图4中所示的节点关联事件转化为如下有序字符串：a12b34d7)e89))c56))。其中，有序字符串中的“a”、“b”、“c”、“d”、“e”分别为各节点的节点标识信息，各节点标识信息之后的“12”、“34”、“7”、“89”、“56”分别为各节点的属性信息，“d7”之后的符号“)”表示节点d的边信息为空，即节点d之后不再调用其他节点。“e89”之后的符号“))”表示节点e的边信息为空、且节点e的上一层节点(即节点b)的边信息也为空，即节点e之后不再调用其他节点，节点b在调用完节点d和节点e之后也不再调用其他节点。同样的，“c56”之后的符号“))”表示节点c的边信息为空、且节点c的上一层节点(即节点a)的边信息也为空，即节点c之后不再调用其他节点，节点a在调用完节点b和节点c之后也不再调用其他节点。

本实施例中，由于获取到了预设时间段内的多个节点关联事件，因此执行完S302之后，可得到多个有序字符串。

S303，利用AutoEncoder自动编码器对有序字符串进行压缩处理，得到节点关联事件对应的向量集。

该步骤中，将有序字符串作为AutoEncoder自动编码器的输入数据，经过压缩可得到如下表1所示的向量集。由于预设时间段内包括多个节点关联事件，且该节点关联事件为周期性发生的事件，因此压缩后的向量集也包括多个，表1中示意性地示出了3个有序字符串对应的向量集。

表1

有序字符串	向量集
		a12b34d7)e89))c56))	(0.001,0.002,0.003,0.005,-0.001)
a12b34d7)e89))c56))	(0.001,0.002,0.003,0.005,-0.001)
		a12b34d7)e89))c56))	(0.001,0.002,0.003,0.005,-0.001)
……	……

通过AutoEncoder自动编码器的压缩，向量集能够在损失最小化的基础上得到有序字符串的近似表示，从而对有序字符串进行有效地噪声过滤。

S304，确定节点关联事件的发生时间。

假设预设时间段为最近一个月，且节点关联事件在最近一个月内的每周都会发生，因此若将最近一个月按周为单位划分为四个子时间段(即四周)，那么结合上述表1，节点关联事件的发生时间可如下表2所示。在表2中，第三列的“是否发生”中，“1”表示在当前子时间段内发生了节点关联事件，“0”表示在当前子时间段内未发生节点关联事件。

表2

有序字符串	向量集	是否发生
			a12b34d7)e89))c56))	(0.001,0.002,0.003,0.005,-0.001)	1
a12b34d7)e89))c56))	(0.001,0.002,0.003,0.005,-0.001)	1
			a12b34d7)e89))c56))	(0.001,0.002,0.003,0.005,-0.001)	1
……	……	0

S305，确定所获取的节点关联事件及其发生时间为训练样本。

本实施例中，表2所示的全部数据即为训练样本。

S306，利用训练样本训练ANN分类器，该ANN分类器包括节点关联事件在各个时间是否发生的信息。

该步骤中，如何利用样本训练ANN分类器为现有技术，在此不再赘述。

S307，利用ANN分类器对节点关联事件在指定时间上是否发生进行预测，得到预测结果。

S308，对节点关联事件进行监测，得到监测结果。

S309，判断预测结果与监测结果是否一致；若否，则执行S310；若是，则执行S311。

S310，确定节点关联事件发生异常，并发出报警信息。

S311，确定节点关联事件未发生异常。

例如，指定时间为最近一周，假设利用ANN分类器预测节点关联事件将最近一周内发生。对节点关联事件进行监测，若监测到节点关联事件在最近一周内发生，则说明节点关联事件未发生异常，不进行报警；若监测到节点关联事件在最近一周内未发生，则说明节点关联事件发生了异常，此时发出报警信息。

此外，还可预设报警条件如下：当异常次数达到预设次数，或当异常频率达到预设频时，发出报警信息。

由本实施例可看出，该技术方案通过获取用于训练人工神经网络ANN分类器的训练样本，并利用训练样本训练ANN分类器，进而利用ANN分类器对节点关联事件(即多个节点之间的关联关系)在指定时间上是否发生进行预测，以及根据预测结果对节点关联事件进行预测。可见，该技术方案将节点之间的关联关系融入到了异常信息的监测过程中，使得异常信息的监测能够综合节点关联事件带来的丰富的数据源，从而提高了节点关联事件的异常监测效率及准确度。

综上，已经对本主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。

以上为本说明书一个或多个实施例提供的异常信息的监测方法，基于同样的思路，本说明书一个或多个实施例还提供一种异常信息的监测装置。

图5是根据本说明书一实施例的一种异常信息的监测装置的示意性框图。如图5所示，异常信息的监测装置500包括：

获取模块510，用于获取用于训练人工神经网络ANN分类器的训练样本；其中，ANN分类器用于对节点关联事件进行监测，节点关联事件指多个节点之间的关联关系；

训练模块520，用于利用训练样本训练ANN分类器，ANN分类器包括节点关联事件在各个时间是否发生的信息；

预测模块530，用于利用ANN分类器对节点关联事件在指定时间上是否发生进行预测，得到预测结果；

监测模块540，用于根据预测结果对节点关联事件进行监测。

在一个实施例中，获取模块510包括：

获取单元，用于获取预设时间段内的节点关联事件；

第一确定单元，用于确定节点关联事件的发生时间；

第二确定单元，用于确定节点关联事件及发生时间为训练样本。

在一个实施例中，装置500还包括：

处理模块，用于在确定节点关联事件的发生时间之前，利用指定的自动编码器，将节点关联事件预处理为指定格式的信息；其中，指定格式能够被ANN分类器所识别。

在一个实施例中，指定格式包括向量集；

相应的，处理模块包括：

转化单元，用于根据节点关联事件中各节点的关联关系，将节点关联事件转化为有序字符串；有序字符串包括各节点的节点标识信息、属性信息、边信息中的至少一项；

压缩单元，用于利用指定的自动编码器对有序字符串进行压缩处理，得到节点关联事件对应的向量集。

在一个实施例中，监测模块540包括：

第三确定单元，用于若预测结果与监测结果不一致，则确定节点关联事件发生异常。

在一个实施例中，装置500还包括：

确定模块，用于在确定节点关联事件发生异常之后，确定节点关联事件发生异常的异常信息，异常信息包括异常次数、异常频率、异常比率中的至少一项；

报警模块，用于若异常信息满足以下至少一项，则发出报警信息：异常次数大于第一预设阈值、异常频率大于第二预设阈值、异常比率大于第三预设阈值。

在一个实施例中，节点关联事件为系统调用。

采用本说明书一个或多个实施例的装置，通过获取用于训练人工神经网络ANN分类器的训练样本，并利用训练样本训练ANN分类器，进而利用ANN分类器对节点关联事件(即多个节点之间的关联关系)在指定时间上是否发生进行预测，以及根据预测结果对节点关联事件进行预测。可见，该技术方案将节点之间的关联关系融入到了异常信息的监测过程中，使得异常信息的监测能够综合节点关联事件带来的丰富的数据源，从而提高了节点关联事件的异常监测效率及准确度。

本领域的技术人员应可理解，上述异常信息的监测装置能够用来实现前文所述的异常信息的监测方法，其中的细节描述应与前文方法部分描述类似，为避免繁琐，此处不另赘述。

基于同样的思路，本说明书一个或多个实施例还提供一种异常信息的监测设备，如图6所示。异常信息的监测设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对异常信息的监测设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在异常信息的监测设备上执行存储器602中的一系列计算机可执行指令。异常信息的监测设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。

具体在本实施例中，异常信息的监测设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对异常信息的监测设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

可选地，计算机可执行指令在被执行时，还可以使所述处理器：

获取预设时间段内的所述节点关联事件；

确定所述节点关联事件的发生时间；

确定所述节点关联事件及所述发生时间为所述训练样本。

可选地，计算机可执行指令在被执行时，还可以使所述处理器：

在确定所述节点关联事件的发生时间之前，利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息；其中，所述指定格式能够被所述ANN分类器所识别。

可选地，所述指定格式包括向量集；

相应的，计算机可执行指令在被执行时，还可以使所述处理器：

根据所述节点关联事件中各节点的关联关系，将所述节点关联事件转化为有序字符串；所述有序字符串包括所述各节点的节点标识信息、属性信息、边信息中的至少一项；

利用指定的自动编码器对所述有序字符串进行压缩处理，得到所述节点关联事件对应的向量集。

可选地，计算机可执行指令在被执行时，还可以使所述处理器：

若所述预测结果与监测结果不一致，则确定所述节点关联事件发生异常。

可选地，计算机可执行指令在被执行时，还可以使所述处理器：

在确定所述节点关联事件发生异常之后，确定所述节点关联事件发生异常的异常信息，所述异常信息包括异常次数、异常频率、异常比率中的至少一项；

若所述异常信息满足以下至少一项，则发出报警信息：所述异常次数大于第一预设阈值、所述异常频率大于第二预设阈值、所述异常比率大于第三预设阈值。

可选地，所述节点关联事件为系统调用。

本说明书一个或多个实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行上述异常信息的监测方法，并具体用于执行：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (16)

1.一种异常信息的监测方法，包括：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

2.根据权利要求1所述的方法，所述获取用于训练人工神经网络ANN分类器的训练样本，包括：

获取预设时间段内的所述节点关联事件；

确定所述节点关联事件的发生时间；

确定所述节点关联事件及所述发生时间为所述训练样本。

3.根据权利要求2所述的方法，在确定所述节点关联事件的发生时间之前，还包括：

利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息；其中，所述指定格式能够被所述ANN分类器所识别。

4.根据权利要求3所述的方法，所述指定格式包括向量集；

相应的，所述利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息，包括：

根据所述节点关联事件中各节点的关联关系，将所述节点关联事件转化为有序字符串；所述有序字符串包括所述各节点的节点标识信息、属性信息、边信息中的至少一项；

利用指定的自动编码器对所述有序字符串进行压缩处理，得到所述节点关联事件对应的向量集。

5.根据权利要求4所述的方法，所述根据所述预测结果对所述节点关联事件进行监测，包括：

若所述预测结果与监测结果不一致，则确定所述节点关联事件发生异常。

6.根据权利要求5所述的方法，在确定所述节点关联事件发生异常之后，还包括：

确定所述节点关联事件发生异常的异常信息，所述异常信息包括异常次数、异常频率、异常比率中的至少一项；

若所述异常信息满足以下至少一项，则发出报警信息：所述异常次数大于第一预设阈值、所述异常频率大于第二预设阈值、所述异常比率大于第三预设阈值。

7.根据权利要求1所述的方法，所述节点关联事件为系统调用。

8.一种异常信息的监测装置，包括：

获取模块，用于获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

训练模块，用于利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

预测模块，用于利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

监测模块，用于根据所述预测结果对所述节点关联事件进行监测。

9.根据权利要求8所述的装置，所述获取模块包括：

获取单元，用于获取预设时间段内的所述节点关联事件；

第一确定单元，用于确定所述节点关联事件的发生时间；

第二确定单元，用于确定所述节点关联事件及所述发生时间为所述训练样本。

10.根据权利要求9所述的装置，还包括：

处理模块，用于在确定所述节点关联事件的发生时间之前，利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息；其中，所述指定格式能够被所述ANN分类器所识别。

11.根据权利要求10所述的装置，所述指定格式包括向量集；

相应的，所述处理模块包括：

转化单元，用于根据所述节点关联事件中各节点的关联关系，将所述节点关联事件转化为有序字符串；所述有序字符串包括所述各节点的节点标识信息、属性信息、边信息中的至少一项；

压缩单元，用于利用指定的自动编码器对所述有序字符串进行压缩处理，得到所述节点关联事件对应的向量集。

12.根据权利要求11所述的装置，所述监测模块包括：

第三确定单元，用于若所述预测结果与监测结果不一致，则确定所述节点关联事件发生异常。

13.根据权利要求12所述的装置，还包括：

确定模块，用于在确定所述节点关联事件发生异常之后，确定所述节点关联事件发生异常的异常信息，所述异常信息包括异常次数、异常频率、异常比率中的至少一项；

报警模块，用于若所述异常信息满足以下至少一项，则发出报警信息：所述异常次数大于第一预设阈值、所述异常频率大于第二预设阈值、所述异常比率大于第三预设阈值。

14.根据权利要求8所述的装置，所述节点关联事件为系统调用。

15.一种异常信息的监测设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

16.一种存储介质，用于存储计算机可执行指令，所述可执行指令在被执行时实现以下流程：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。