CN111880998B - 服务系统异常检测方法、装置、计算机设备和存储介质 - Google Patents

服务系统异常检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111880998B
CN111880998B CN202010752303.4A CN202010752303A CN111880998B CN 111880998 B CN111880998 B CN 111880998B CN 202010752303 A CN202010752303 A CN 202010752303A CN 111880998 B CN111880998 B CN 111880998B
Authority
CN
China
Prior art keywords
layer
signature matrix
matrix
feature map
spatial feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010752303.4A
Other languages
English (en)
Other versions
CN111880998A (zh
Inventor
郑立颖
徐亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010752303.4A priority Critical patent/CN111880998B/zh
Priority to PCT/CN2020/118526 priority patent/WO2021139251A1/zh
Publication of CN111880998A publication Critical patent/CN111880998A/zh
Application granted granted Critical
Publication of CN111880998B publication Critical patent/CN111880998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请涉及人工智能，提供一种服务系统异常检测方法、装置、计算机设备和存储介质，包括：根据服务系统生成的各指标的多元时间序列数据，构造多尺度签名矩阵；将多尺度签名矩阵输入卷积层对多尺度签名矩阵的空间模式进行编码，输出空间特征图；将空间特征图输入基于注意力的卷积长短期记忆网络层，通过基于注意力的卷积长短期记忆网络层更新空间特征图的隐藏状态，得到更新空间特征图；将更新空间特征图输入反卷积层对更新空间特征图进行解码重构，得到重构签名矩阵；对比重构签名矩阵和多尺度签名矩阵，确定服务系统的异常指标。此外，本申请还涉及区块链技术，多元时间序列数据可存储于区块链中。采用本方法能够提高异常检测的准确率。

Description

服务系统异常检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及人工智能技术领域，特别是涉及一种服务系统异常检测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了各种各样的服务系统。服务系统是一种社会化的技术系统，是对特定的技术或组织的一种网络化配置。通过服务系统提供服务能够满足用户的需求和期望。为了保证服务系统的正常运行，通常都需要监控系统检测异常，准确的检测可以在最大程度上控制损失，查明根本原因也有助于系统操作员即是进行系统诊断和维修。
目前，为了监控系统，通常通过分析机器所生成的大量的多元时间序列数据实现。由于多元时间序列数据中存在时间依赖性，传统大多采用聚类方法，例如K近邻方法、密度估计方法等对多元时间序列数据进行分析。
然而，多元时间序列数据中除了存在时间依赖性以外，通常还包含一定的噪声。而当噪声变得相对严重时，就会对异常检测产生一定的影响，尤其是还极有可能增加误报检测的概率，从而降低了异常检测的准确率。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高异常检测准确率的服务系统异常检测方法、装置、计算机设备和存储介质。
一种服务系统异常检测方法，所述方法包括：
根据服务系统生成的各指标的多元时间序列数据，构造多尺度签名矩阵；
将所述多尺度签名矩阵输入卷积层，通过所述卷积层对所述多尺度签名矩阵的空间模式进行编码，输出空间特征图；
将所述空间特征图输入基于注意力的卷积长短期记忆网络层，通过所述基于注意力的卷积长短期记忆网络层更新所述空间特征图的隐藏状态，得到更新空间特征图；
将所述更新空间特征图输入反卷积层，通过所述反卷积层对所述更新空间特征图进行解码重构，得到重构签名矩阵；
对比所述重构签名矩阵和所述多尺度签名矩阵，确定所述服务系统的异常指标。
在其中一个实施例中，所述根据服务系统生成的多元时间序列数据构造多尺度签名矩阵，包括：
选取预设数量的时间步长，获取各所述时间步长对应的多元时间序列数据片段；
基于各所述时间步长对应的多元时间序列数据片段，分别构造各所述时间步长的签名矩阵；
将各所述签名矩阵的集合作为多尺度签名矩阵。
在其中一个实施例中，所述基于各所述时间步长对应的多元时间序列数据片段，分别构造各所述时间步长的签名矩阵，包括：
将各所述多元时间序列数据片段分别进行组合，得到多组时间序列片段对；
将各所述时间序列片段对中两个时间序列数据片段中对应时间的数据，分别进行成对内积，得到所述时间序列片段对的矩阵元素；
组合各所述时间序列片段对的矩阵元素，得到签名矩阵。
在其中一个实施例中，所述基于注意力的卷积长短期记忆网络层的数量与所述卷积层的数量相等，各所述基于注意力的卷积长短期记忆网络层对应一层所述卷积层；
所述将所述空间特征图输入基于注意力的卷积长短期记忆网络层，通过所述基于注意力的卷积长短期记忆网络层更新所述空间特征图的隐藏状态，得到更新空间特征图，包括：
将各所述卷积层输出的所述空间特征图输入与所述卷积层对应的基于注意力的卷积长短期记忆网络层；
各所述基于注意力的卷积长短期记忆网络层，分别更新各所述空间特征图的隐藏状态，得到各所述空间特征图的更新空间特征图。
在其中一个实施例中，所述反卷积层的数量与所述基于注意力的卷积长短期记忆网络层的数量相等，各所述反卷积层对应一层所述基于注意力的卷积长短期记忆网络层；
所述将所述更新空间特征图输入反卷积层，通过所述反卷积层对所述更新空间特征图进行解码重构，得到重构签名矩阵，包括：
将各所述基于注意力的卷积长短期记忆网络层输出的所述更新空间特征图，输入至各所述基于注意力的卷积长短期记忆网络层对应的所述反卷积层；
各所述反卷积层根据所述更新空间特征图，以及所述反卷积层对应上一层反卷积层输出的矩阵进行解码重构，得到所述反卷积层输出的重构签名矩阵；
将最后一层所述反卷积层输出的重构签名矩阵作为最终的重构签名矩阵。
在其中一个实施例中，对比所述重构签名矩阵和所述多尺度签名矩阵，确定所述服务系统的异常指标，包括：
确定所述重构签名矩阵和所述多尺度签名矩阵的重构误差值；
当重构误差值大于预设误差阈值时，确定所述服务系统存在异常；
将所述重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；
确定大于所述元素阈值的元素值所对应的指标为异常指标。
在其中一个实施例中，所述确定所述重构签名矩阵和所述多尺度签名矩阵的重构误差值，包括：
计算所述多尺度签名矩阵和所述重构签名矩阵对应两个矩阵元素的范数；
将各所述范数进行求和，得到所述多尺度签名矩阵和所述重构签名矩阵的重构误差值。
一种服务系统异常检测装置，所述装置包括：
矩阵构造模块，用于根据服务系统生成的多元时间序列数据构造多尺度签名矩阵；
编码模块，用于将所述多尺度签名矩阵输入卷积层，通过所述卷积层对所述多尺度签名矩阵的空间模式进行编码，输出空间特征图；
更新模块，用于将所述空间特征图输入基于注意力的卷积长短期记忆网络层，通过所述基于注意力的卷积长短期记忆网络层更新所述空间特征图的隐藏状态，得到更新空间特征图；
解码模块，用于将所述更新空间特征图输入反卷积层，通过所述反卷积层对所述更新空间特征图进行解码重构，得到重构签名矩阵；
对比模块，用于对比所述重构签名矩阵和所述多尺度签名矩阵，确定所述服务系统的异常指标。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述服务系统异常检测方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述服务系统异常检测方法的步骤。
上述服务系统异常检测方法、装置、计算机设备和存储介质，首先根据服务系统生成的各指标的多元时间序列数据构造多尺度签名矩阵，进而通过卷积层对多尺度签名矩阵的空间模式进行编码、通过基于注意力的卷积长短期记忆网络层更新隐藏状态，以及通过反卷积层进行解码重构，最终将得到的重构签名矩阵与原始的多尺度签名矩阵进行比对确定服务系统的异常指标。该方法通过考虑多元时间序列之间的相关性以构建矩阵的方式，利用卷积编码和反卷积解码进行异常检测，可以在排除噪声干扰前提下实现异常检测，从而提高异常检测的准确率。同时，由于随着时间序列长度的增加可能导致捕获时间序列中信息的性能下降，进而该方法采用基于注意力的卷积长短期记忆网络层进行隐藏状态的更新，使得性能提高从而提高异常检测的准确性。
附图说明
图1为一个实施例中服务系统异常检测方法的应用场景图；
图2为一个实施例中服务系统异常检测方法的流程示意图；
图3为一个实施例中根据服务系统生成的各指标的多元时间序列数据，构造多尺度签名矩阵步骤的流程示意图；
图4为一个实施例中服务系统异常检测装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的服务系统异常检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104通过网络进行通信。当接收到用户下发的异常检测指令时，终端102获取服务系统生成的各指标的多元时间序列数据，根据多元时间序列数据实现服务系统异常检测。或者，终端102将异常检测指令发送各服务器104，由服务器104获取服务系统生成的各指标的多元时间序列数据，根据多元时间序列数据实现服务系统异常检测。
本实施例以服务器104为例，具体地，服务器104根据服务系统生成的各指标的多元时间序列数据，构造多尺度签名矩阵；服务器104将多尺度签名矩阵输入卷积层，通过卷积层对多尺度签名矩阵的空间模式进行编码，输出空间特征图；服务器104将空间特征图输入基于注意力的卷积长短期记忆网络层，通过基于注意力的卷积长短期记忆网络层更新空间特征图的隐藏状态，得到更新空间特征图；服务器104将更新空间特征图输入反卷积层，通过反卷积层对更新空间特征图进行解码重构，得到重构签名矩阵；服务器104对比重构签名矩阵和多尺度签名矩阵，确定服务系统的异常指标。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种服务系统异常检测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，根据服务系统生成的各指标的多元时间序列数据，构造多尺度签名矩阵。
其中，多元时间序列数据是指服务系统中多个不同指标按照时间顺序记录得到的数据列，多元即表示多个指标，指标包括但不限于内存使用情况、CPU(central processingunit，中央处理器)使用率等等。多尺度签名矩阵是指构建多个不同时间步长的签名矩阵，用于表示服务系统状态。可以理解为，多尺度签名矩阵是用于表示不同时间步长的服务系统状态的多个级别。多尺度签名矩阵中包括多个签名矩阵，而所包括的签名矩阵的数据由时间步长的取样个数决定。时间步长的取样个数需要通过多次试验确定合适的参数，本实施例优选3个。
具体地，当接收到用户下发或者定时启动的需要对服务系统进行异常检测的指令时，服务器首先获取各指标的时间序列数据，得到多元时间序列数据。然后，通过试验确定的取样个数确定不同的时间步长，根据不同的时间步长构造对应的签名矩阵，所有时间步长对应的签名矩阵组合作为多尺度签名矩阵。签名矩阵可以根据一对时间序列数据中对应的两个数据进行成对内积得到对应的矩阵元素，所有时间序列数据对的矩阵元素组成多元时间序列数据的签名矩阵。即，当多元时间序列数据是指三个指标的时间序列数据时，即三个指标对应的时间序列一一通过成对内积确定对应的矩阵元素，最终所有矩阵元素构建得到的签名矩阵。例如，多元时间序列数据包括3个指标，得到的单个签名矩阵的维度就是3*3。而包括4个指标时，得到的单个签名矩阵的维度就是4*4。可以理解为，签名矩阵n*n中的n就是时序数，即指标的个数。
需要强调的是，为进一步保证上述多元时间序列数据的私密和安全性，上述多元时间序列数据还可以存储于一区块链的节点中。
步骤S204，将多尺度签名矩阵输入卷积层，通过卷积层对多尺度签名矩阵的空间模式进行编码，输出空间特征图。
其中，卷积层(Conv)是由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到。卷积层用于进行卷积运算，提取输入的不同特征。本实施例通过卷积层对多尺度签名矩阵进行编码，编码是通过降维、压缩等处理手段提炼信息。
具体地，当服务器得到多尺度签名矩阵之后，将多尺度签名矩阵输入至卷积层中，通过卷积层对多尺度签名矩阵进行降维、压缩等处理，实现对根据服务系统的各指标的多元时间序列数据构造的多尺度签名矩阵的空间模式进行编码，从而得到对应的空间特征图。空间特征图可以理解为是卷积层对多尺度签名矩阵进行编码后得到的矩阵。
应当理解的是，当卷积层包括两层或两层以上时，除了第一层卷积层接收多尺度签名矩阵作为输入，其他层卷积层接收对应上一层卷积层的输出作为本层的输入。例如，第一层的输出作为第二层的输入，第二层的输出作为第三层的输入。
步骤S206，将空间特征图输入基于注意力的卷积长短期记忆网络层，通过基于注意力的卷积长短期记忆网络层更新空间特征图的隐藏状态，得到更新空间特征图。
其中，基于注意力的卷积长短期记忆网络层是带有注意力机制的卷积长短记忆网络层(Conv Long Short-Term Memory，ConvLSTM)。由于卷积层进行编码生成的空间特征图在时间上取决于先前的时间步长。因此，尽管ConvLSTM可以用于捕获时间序列中的信息，但随着序列长度的增加，其性能可能会下降。所以，为了防止性能下降，本实施例通过基于注意力的ConvLSTM层实现隐藏状态的更新。基于注意力的ConvLSTM可以跨不同时间步长自适应地选择相关的隐藏状态。
具体地，当服务器通过卷积层得到多尺度签名矩阵的空间特征图之后，将卷积层输出的空间特征图输入至基于注意力的ConvLSTM层。通过基于注意力的ConvLSTM对空间特征图的隐藏状态进行更新，从而得到隐藏状态更新后的空间特征图，即更新空间特征图。例如，假设给定空间特征图Xt,l和先前的隐藏状态Ht-1,l，则当前的隐藏状态Ht,l被更新为Ht,l＝ConvLSTM(Xt,l,Ht-1,l)。
在一个实施例中，基于注意力的卷积长短期记忆网络层的数量与卷积层的数量相等，各基于注意力的卷积长短期记忆网络层对应一层卷积层。基于此，步骤S206包括，将各卷积层输出的空间特征图输入与卷积层对应的基于注意力的卷积长短期记忆网络层；各基于注意力的卷积长短期记忆网络层，分别更新各空间特征图的隐藏状态，得到各空间特征图的更新空间特征图。
具体地，本实施例中基于注意力的ConvLSTM层与卷积层的数量相等，每一层基于注意力的ConvLSTM层对应一层卷积层，分别将对应卷积层的输出作为输入。比如，卷积层包括5层，每一层卷积层都有对应的一层基于注意力的ConvLSTM层，一共5层基于注意力的ConvLSTM层。而每层基于注意力的ConvLSTM层接收对应卷积层输出的空间特征图作为本层的输入。然后，各个基于注意力的ConvLSTM层分别对各自的输入空间特征图进行隐藏状态的更新，得到更新空间特征图。
步骤S208，将更新空间特征图输入反卷积层，通过反卷积层对更新空间特征图进行解码重构，得到重构签名矩阵。
其中，反卷积是用于进行反卷积的网络层，反卷积又被称为转置卷积。反卷积与卷积相反，卷积的前向传播过程是反卷积的反向传播过程，卷积的反向传播过程是反卷积的前向传播过程。简单来说就是，卷积是与矩阵C相乘，反卷积就是与矩阵C的转置相乘。
具体地，当服务器通过基于注意力的ConvLSTM得到隐藏状态更新后的更新空间特征图之后，将基于注意力的ConvLSTM所输出的更新空间特征图输入至反卷积层中进行反卷积。与本实施例中卷积层进行编码相对应的，反卷积则用于对更新空间特征图进行解码，重构得到签名矩阵。即，反卷积层通过转置卷积的方式解码还原被提炼的信息。通过卷积编码的压缩与反卷积解码的还原能够有效去除原始数据(多元时间序列数据)中的噪声与异常。
在一个实施例中，反卷积层的数量与所述基于注意力的卷积长短期记忆网络层的数量相等，各反卷积层对应一层基于注意力的卷积长短期记忆网络层。基于此，步骤S208包括：将各基于注意力的卷积长短期记忆网络层输出的更新空间特征图，输入至各基于注意力的卷积长短期记忆网络层对应的反卷积层；各反卷积层根据更新空间特征图，以及反卷积层对应上一层反卷积层输出的矩阵进行解码重构，得到反卷积层输出的重构签名矩阵；将最后一层反卷积层输出的重构签名矩阵作为最终的重构签名矩阵。
具体地，本实施例中的反卷积层的数量与基于注意力的ConvLSTM层的数量相等，每一层反卷积层对应一层基于注意力的ConvLSTM层，分别将对应的基于注意力的ConvLSTM层的输出作为输入。比如，基于注意力的ConvLSTM层包括5层，每一层基于注意力的ConvLSTM层都有对应的一层反卷积层，一共5层反卷积层。而每层反卷积层接收对应基于注意力的ConvLSTM层输出的更新空间特征图作为本层的输入。然后，各个反卷积层分别基于各自输入的更新空间特征图进行解码重构。其中，反卷积层与卷积层类似，除了第一层反卷积层，其他反卷积层的输入还应该包括对应上一层反卷积层的输出。故，本实施例中第一层反卷积层对应的上一层卷积层的输出即为空，第一层反卷积层只需要根据对应基于注意力的ConvLSTM层的输出进行解码重构。其他反卷积层除了接收对应基于注意力的ConvLSTM层的输出，还需要接收对应上一层反卷积层的输出，通过基于注意力的ConvLSTM层的输出更新空间特征图和上一层反卷积层输出的矩阵进行解码重构，最终获取最后一层反卷积层输出的矩阵作为重构签名矩阵。
步骤S210，对比重构签名矩阵和多尺度签名矩阵，确定服务系统的异常指标。
具体地，当服务器得到反卷积层输出的重构后的重构签名矩阵之后，将重构签名矩阵与原始的多尺度签名矩阵进行对比确定差异数据，存在差异的数据即为异常数据。可以理解为将两个矩阵之间对应的矩阵元素进行比对，确定差异较大的矩阵元素的异常数据。而由于矩阵元素是基于对应指标的时间序列数据得到，因此差异数据对应的指标即为服务系统的异常指标。
上述服务系统异常检测方法，首先根据服务系统生成的各指标的多元时间序列数据构造多尺度签名矩阵，进而通过卷积层对多尺度签名矩阵的空间模式进行编码、通过基于注意力的卷积长短期记忆网络层更新隐藏状态，以及通过反卷积层进行解码重构，最终将得到的重构签名矩阵与原始的多尺度签名矩阵进行比对确定服务系统的异常指标。该方法通过考虑多元时间序列之间的相关性以构建矩阵的方式，利用卷积编码和反卷积解码进行异常检测，可以在排除噪声干扰前提下实现异常检测，从而提高异常检测的准确率。同时，由于随着时间序列长度的增加可能导致捕获时间序列中信息的性能下降，进而该方法采用基于注意力的卷积长短期记忆网络层进行隐藏状态的更新，使得性能提高从而提高异常检测的准确性。
在一个实施例中，如图3所示，步骤S202，包括：
步骤S302，选取预设数量的时间步长，获取各时间步长对应的多元时间序列数据片段。
步骤S304，基于各时间步长对应的多元时间序列数据片段，分别构造各时间步长的签名矩阵。
步骤S306，将各签名矩阵的集合作为多尺度签名矩阵。
其中，预设数量的时间步长即为时间步长的取样个数，时间步长的取样个数需要通过多次试验确定合适的参数，本实施例优选三个。例如，三个时间步长的取样可以是10、30以及60。
具体地，当根据实验确定的时间步长的取样个数之后，根据不同的时间步长确定各时间步长对应的多元时间序列数据片段。例如，时间步长为W时，对应的多元时间序列数据片段就是t-W到t之间的时间序列数据。然后，基于各个多元时间序列数据片段构造对应的签名矩阵，得到多尺度签名矩阵。即，根据多元时间序列数据片段构造的单个签名矩阵维度为n*n，当时间步长W的取样个数为S时，则每个时间步有S个n*n的签名矩阵。假设时间序列数据长度为h，则多尺度签名矩阵为h*S个n*n的签名矩阵。
在一个实施例中，步骤S304，包括：将各多元时间序列数据片段分别进行组合，得到多组时间序列片段对；将各时间序列片段对中两个时间序列数据片段中对应时间的数据，分别进行成对内积，得到时间序列片段对的矩阵元素；组合各时间序列片段对的矩阵元素，得到签名矩阵。
具体地，根据多元时间序列数据片段中指标的数量分别进行组队，得到的多组的时间序列片段对。例如，多元时间序列数据是三个指标的时间序列数据，则有三组时间序列片段对。然后，将每组时间序列片段对中两个时间序列数据片段对应时间的数据进行成对内积，得到对应的矩阵元素。例如，假设为t-W到t之间的时间序列数据，则一组时间序列片段对中两个时间序列数据片段为
Figure BDA0002610434530000101
和
Figure BDA0002610434530000102
这两个时间序列数据片段对应时间的数据的成对内积计算公式如下：
Figure BDA0002610434530000103
其中，
Figure BDA0002610434530000104
表示指标i的时间序列数据片段，
Figure BDA0002610434530000105
表示指标j的时间序列数据片段，
Figure BDA0002610434530000111
表示片段
Figure BDA0002610434530000112
内的数据，
Figure BDA0002610434530000113
表示片段
Figure BDA0002610434530000114
内的数据，
Figure BDA0002610434530000115
是矩阵元素，k是重新缩放因子，k＝w。
通过成对内积计算每组时间序列片段对中两个时间序列数据片段的矩阵元素，最终将所有矩阵元素组合得到的单个的签名矩阵。例如，三个指标的时间序列数据对应的单个签名矩阵维度是3*3，即任一行任一列对应的矩阵元素是通过两个指标对应时间的数据计算得到。
在一个实施例中，步骤S210，包括：确定重构签名矩阵和多尺度签名矩阵的重构误差值；当重构误差值大于预设误差阈值时，确定服务系统存在异常；将重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；确定大于元素阈值的元素值所对应的指标为异常指标。
具体地，服务器通过计算多尺度签名矩阵和重构签名矩阵之间对应两个矩阵元素之差的范数，然后将各范数之和作为多尺度签名矩阵和重构签名矩阵之间的重构差异值。当重构差异值大于预设误差阈值时，表示重构后矩阵的与原始的矩阵差异过大，确定服务器系统存在异常。然后，为了能够准确得到导致服务系统异常的指标，在服务器已经确定服务系统异常时，将异常的签名矩阵中的各个矩阵元素与预设的元素阈值进行比较，确定不符合预设元素阈值的矩阵元素为异常矩阵元素。例如，矩阵元素超过预设元素阈值的矩阵元素为异常矩阵元素。而由于每个矩阵元素对应至少一个指标，因此遗产矩阵元素对应的指标为影响服务系统异常的指标。重构误差的计算公式如下：
Figure BDA0002610434530000116
其中，a为多尺度签名矩阵中的矩阵元素，b为重构签名矩阵中的矩阵元素，a和b对应于同一个时间，F表示范数。当计算得到各个矩阵元素的范数之后，求和所有范数得到重构误差值ζMSCRED。
在本实施例中，在确定异常之后，通过阈值对比能够准确确定导致异常的指标，在迅速判断异常的基础上可以帮助运营人员找到原因并给出故障的原因，为故障的迅速解决提供了重要信息，很大程度上减少了因服务系统故障而造成的损失。
在一个实施例中，提供一种包括输入层、卷积编码器、基于注意力的ConvLSTM，反卷积层和输出层的多尺度卷积递归编码器/解码器(MSCRED)。基于该MSCRED对服务系统异常检测方法进行详细解释说明。
具体地，本实施例提供的MSCRED的结构包括4层卷积层，4层基于注意力的ConvLSTM和4层反卷积层。MSCRED的计算流程如下：
输入层：接收输入的多尺度签名矩阵X，含有h时间步
第一层卷积层：X1＝Conv1(X)；
第二层卷积层：X2＝Conv2(X1)；
第三层卷积层：X3＝Conv3(X2)；
第四层卷积层：X4＝Conv4(X3)；
第一层基于注意力的ConvLSTM层：E1＝Atte1(ConvLSTM1(X1))；
第二层基于注意力的ConvLSTM层：E2＝Atte2(ConvLSTM2(X2))；
第三层基于注意力的ConvLSTM层：E3＝Atte3(ConvLSTM3(X3))；
第四层基于注意力的ConvLSTM层：E4＝Atte4(ConvLSTM4(X4))；
第一层反卷积层：D4＝ConvTranspose4(E4)；
第二层反卷积层：D3＝ConvTranspose3([E3,D4])；
第三层反卷积层：D2＝ConvTranspose2([E2,D3])；
第四层反卷积层：D1＝ConvTranspose1([E1,D2])；
输出层：Loss＝MSE(xh,D1)。
其中，Conv表示卷积层，ConvLSTM表示卷积长短期记忆网络层，ConvTranspose表示反卷积层，Atte表示注意力机制。需要补充的是，注意力机制的作用是将h个step分配对应softmax权重并将其加权合并为1个step。损失函数Loss，计算的是输入签名矩阵的最后一个step以及模型的重构。如果重构误差过大，则代表原始数据存在异常。即，X1、X2、X3和X4为输出的空间特征图，E1、E2、E3和E4为更新空间特征图，D4、D3、D2和D1为重构的矩阵，最后一层反卷积层输出的D1为最终的重构签名矩阵。然后，在输入层通过损失函数Loss计算得到的重构误差，损失函数即为重构误差的计算公式。
应当理解的是，由于卷积层的输出依旧是时间序列，即包含h个时间步，LSTM的计算是逐一计算每个时间步，因此，隐变量H属于LSTM的内部计算过程中的变量。所以，上述计算流程中基于注意力的ConvLSTM层的计算并未体现出隐变量H，因为基于注意力的ConvLSTM层的输入就是卷积层输出的X1、X2、X3和X4。然后LSTM会自行计算H并逐步更新。另外，反卷积解码公式如下：
Figure BDA0002610434530000131
其中，
Figure BDA0002610434530000132
为本层反卷积层的输出，
Figure BDA0002610434530000133
为本层反卷积层对应上一层反卷积层的输出，
Figure BDA0002610434530000134
表示解卷积运算，
Figure BDA0002610434530000135
是级联运算，f()是激活单元，
Figure BDA0002610434530000136
和
Figure BDA0002610434530000137
是过滤器反卷积层的核和偏差参数。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种服务系统异常检测装置，包括：矩阵构造模块402、编码模块404、更新模块406、解码模块408和对比模块410，其中：
矩阵构造模块402，用于根据服务系统生成的多元时间序列数据构造多尺度签名矩阵。
编码模块404，用于将多尺度签名矩阵输入卷积层，通过卷积层对多尺度签名矩阵的空间模式进行编码，输出空间特征图。
更新模块406，用于将空间特征图输入基于注意力的卷积长短期记忆网络层，通过基于注意力的卷积长短期记忆网络层更新空间特征图的隐藏状态，得到更新空间特征图。
解码模块408，用于将更新空间特征图输入反卷积层，通过反卷积层对更新空间特征图进行解码重构，得到重构签名矩阵。
对比模块410，用于对比重构签名矩阵和多尺度签名矩阵，确定服务系统的异常指标。
在一个实施例中，矩阵构造模块402还用于选取预设数量的时间步长，获取各时间步长对应的多元时间序列数据片段；基于各时间步长对应的多元时间序列数据片段，分别构造各时间步长的签名矩阵；将各签名矩阵的集合作为多尺度签名矩阵。
在一个实施例中，矩阵构造模块402还用于将各多元时间序列数据片段分别进行组合，得到多组时间序列片段对；将各时间序列片段对中两个时间序列数据片段中对应时间的数据，分别进行成对内积，得到时间序列片段对的矩阵元素；组合各时间序列片段对的矩阵元素，得到签名矩阵。
在一个实施例中，基于注意力的卷积长短期记忆网络层的数量与卷积层的数量相等，各基于注意力的卷积长短期记忆网络层对应一层卷积层；更新模块406将各卷积层输出的空间特征图输入与卷积层对应的基于注意力的卷积长短期记忆网络层；各基于注意力的卷积长短期记忆网络层，分别更新各空间特征图的隐藏状态，得到各空间特征图的更新空间特征图。
在一个实施例中，反卷积层的数量与基于注意力的卷积长短期记忆网络层的数量相等，各反卷积层对应一层基于注意力的卷积长短期记忆网络层；解码模块408还用于将各基于注意力的卷积长短期记忆网络层输出的更新空间特征图，输入至各基于注意力的卷积长短期记忆网络层对应的反卷积层；各反卷积层根据更新空间特征图，以及反卷积层对应上一层反卷积层输出的矩阵进行解码重构，得到反卷积层输出的重构签名矩阵；将最后一层反卷积层输出的重构签名矩阵作为最终的重构签名矩阵。
在一个实施例中，对比模块410还用于确定重构签名矩阵和多尺度签名矩阵的重构误差值；当重构误差值大于预设误差阈值时，确定服务系统存在异常；将重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；确定大于元素阈值的元素值所对应的指标为异常指标。
在一个实施例中，对比模块410还用于计算多尺度签名矩阵和重构签名矩阵对应两个矩阵元素的范数；将各范数进行求和，得到多尺度签名矩阵和重构签名矩阵的重构误差值。
关于服务系统异常检测装置的具体限定可以参见上文中对于服务系统异常检测方法的限定，在此不再赘述。上述服务系统异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储多元时间序列数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种服务系统异常检测方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
根据服务系统生成的多元时间序列数据构造多尺度签名矩阵；
将多尺度签名矩阵输入卷积层，通过卷积层对多尺度签名矩阵的空间模式进行编码，输出空间特征图；
将空间特征图输入基于注意力的卷积长短期记忆网络层，通过基于注意力的卷积长短期记忆网络层更新空间特征图的隐藏状态，得到更新空间特征图；
将更新空间特征图输入反卷积层，通过反卷积层对更新空间特征图进行解码重构，得到重构签名矩阵；
对比重构签名矩阵和多尺度签名矩阵，确定服务系统的异常指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：选取预设数量的时间步长，获取各时间步长对应的多元时间序列数据片段；基于各时间步长对应的多元时间序列数据片段，分别构造各时间步长的签名矩阵；将各签名矩阵的集合作为多尺度签名矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各多元时间序列数据片段分别进行组合，得到多组时间序列片段对；将各时间序列片段对中两个时间序列数据片段中对应时间的数据，分别进行成对内积，得到时间序列片段对的矩阵元素；组合各时间序列片段对的矩阵元素，得到签名矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各卷积层输出的空间特征图输入与卷积层对应的基于注意力的卷积长短期记忆网络层；各基于注意力的卷积长短期记忆网络层，分别更新各空间特征图的隐藏状态，得到各空间特征图的更新空间特征图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各基于注意力的卷积长短期记忆网络层输出的更新空间特征图，输入至各基于注意力的卷积长短期记忆网络层对应的反卷积层；各反卷积层根据更新空间特征图，以及反卷积层对应上一层反卷积层输出的矩阵进行解码重构，得到反卷积层输出的重构签名矩阵；将最后一层反卷积层输出的重构签名矩阵作为最终的重构签名矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：确定重构签名矩阵和多尺度签名矩阵的重构误差值；当重构误差值大于预设误差阈值时，确定服务系统存在异常；将重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；确定大于元素阈值的元素值所对应的指标为异常指标。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：计算多尺度签名矩阵和重构签名矩阵对应两个矩阵元素的范数；将各范数进行求和，得到多尺度签名矩阵和重构签名矩阵的重构误差值。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
根据服务系统生成的多元时间序列数据构造多尺度签名矩阵；
将多尺度签名矩阵输入卷积层，通过卷积层对多尺度签名矩阵的空间模式进行编码，输出空间特征图；
将空间特征图输入基于注意力的卷积长短期记忆网络层，通过基于注意力的卷积长短期记忆网络层更新空间特征图的隐藏状态，得到更新空间特征图；
将更新空间特征图输入反卷积层，通过反卷积层对更新空间特征图进行解码重构，得到重构签名矩阵；
对比重构签名矩阵和多尺度签名矩阵，确定服务系统的异常指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：选取预设数量的时间步长，获取各时间步长对应的多元时间序列数据片段；基于各时间步长对应的多元时间序列数据片段，分别构造各时间步长的签名矩阵；将各签名矩阵的集合作为多尺度签名矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各多元时间序列数据片段分别进行组合，得到多组时间序列片段对；将各时间序列片段对中两个时间序列数据片段中对应时间的数据，分别进行成对内积，得到时间序列片段对的矩阵元素；组合各时间序列片段对的矩阵元素，得到签名矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各卷积层输出的空间特征图输入与卷积层对应的基于注意力的卷积长短期记忆网络层；各基于注意力的卷积长短期记忆网络层，分别更新各空间特征图的隐藏状态，得到各空间特征图的更新空间特征图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各基于注意力的卷积长短期记忆网络层输出的更新空间特征图，输入至各基于注意力的卷积长短期记忆网络层对应的反卷积层；各反卷积层根据更新空间特征图，以及反卷积层对应上一层反卷积层输出的矩阵进行解码重构，得到反卷积层输出的重构签名矩阵；将最后一层反卷积层输出的重构签名矩阵作为最终的重构签名矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：确定重构签名矩阵和多尺度签名矩阵的重构误差值；当重构误差值大于预设误差阈值时，确定服务系统存在异常；将重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；确定大于元素阈值的元素值所对应的指标为异常指标。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：计算多尺度签名矩阵和重构签名矩阵对应两个矩阵元素的范数；将各范数进行求和，得到多尺度签名矩阵和重构签名矩阵的重构误差值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种服务系统异常检测方法，其特征在于，所述方法包括：
根据服务系统生成的各指标的多元时间序列数据，构造多尺度签名矩阵；所述多元时间序列数据是服务系统中不同指标按照时间顺序记录得到的数据列；
将所述多尺度签名矩阵输入卷积层，通过所述卷积层对所述多尺度签名矩阵的空间模式进行编码，输出空间特征图；
将所述空间特征图输入基于注意力的卷积长短期记忆网络层，通过所述基于注意力的卷积长短期记忆网络层更新所述空间特征图的隐藏状态，得到更新空间特征图；
将所述更新空间特征图输入反卷积层，通过所述反卷积层对所述更新空间特征图进行解码重构，得到重构签名矩阵；
确定所述重构签名矩阵和所述多尺度签名矩阵的重构误差值；
当重构误差值大于预设误差阈值时，确定所述服务系统存在异常；
将所述重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；每个矩阵元素对应至少一个指标；
确定大于所述元素阈值的元素值所对应的指标为异常指标。
2.根据权利要求1所述的方法，其特征在于，所述根据服务系统生成的多元时间序列数据构造多尺度签名矩阵，包括：
选取预设数量的时间步长，获取各所述时间步长对应的多元时间序列数据片段；
基于各所述时间步长对应的多元时间序列数据片段，分别构造各所述时间步长的签名矩阵；
将各所述签名矩阵的集合作为多尺度签名矩阵。
3.根据权利要求2所述的方法，其特征在于，所述基于各所述时间步长对应的多元时间序列数据片段，分别构造各所述时间步长的签名矩阵，包括：
将各所述多元时间序列数据片段分别进行组合，得到多组时间序列片段对；
将各所述时间序列片段对中两个时间序列数据片段中对应时间的数据，分别进行成对内积，得到所述时间序列片段对的矩阵元素；
组合各所述时间序列片段对的矩阵元素，得到签名矩阵。
4.根据权利要求1所述的方法，其特征在于，所述基于注意力的卷积长短期记忆网络层的数量与所述卷积层的数量相等，各所述基于注意力的卷积长短期记忆网络层对应一层所述卷积层；
所述将所述空间特征图输入基于注意力的卷积长短期记忆网络层，通过所述基于注意力的卷积长短期记忆网络层更新所述空间特征图的隐藏状态，得到更新空间特征图，包括：
将各所述卷积层输出的所述空间特征图输入与所述卷积层对应的基于注意力的卷积长短期记忆网络层；
各所述基于注意力的卷积长短期记忆网络层，分别更新各所述空间特征图的隐藏状态，得到各所述空间特征图的更新空间特征图。
5.根据权利要求1所述的方法，其特征在于，所述反卷积层的数量与所述基于注意力的卷积长短期记忆网络层的数量相等，各所述反卷积层对应一层所述基于注意力的卷积长短期记忆网络层；
所述将所述更新空间特征图输入反卷积层，通过所述反卷积层对所述更新空间特征图进行解码重构，得到重构签名矩阵，包括：
将各所述基于注意力的卷积长短期记忆网络层输出的所述更新空间特征图，输入至各所述基于注意力的卷积长短期记忆网络层对应的所述反卷积层；
各所述反卷积层根据所述更新空间特征图，以及所述反卷积层对应上一层反卷积层输出的矩阵进行解码重构，得到所述反卷积层输出的重构签名矩阵；
将最后一层所述反卷积层输出的重构签名矩阵作为最终的重构签名矩阵。
6.根据权利要求1所述的方法，其特征在于，所述确定所述重构签名矩阵和所述多尺度签名矩阵的重构误差值，包括：
计算所述多尺度签名矩阵和所述重构签名矩阵对应两个矩阵元素的范数；
将各所述范数进行求和，得到所述多尺度签名矩阵和所述重构签名矩阵的重构误差值。
7.一种服务系统异常检测装置，其特征在于，所述装置包括：
矩阵构造模块，用于根据服务系统生成的多元时间序列数据构造多尺度签名矩阵；所述多元时间序列数据是服务系统中不同指标按照时间顺序记录得到的数据列；
编码模块，用于将所述多尺度签名矩阵输入卷积层，通过所述卷积层对所述多尺度签名矩阵的空间模式进行编码，输出空间特征图；
更新模块，用于将所述空间特征图输入基于注意力的卷积长短期记忆网络层，通过所述基于注意力的卷积长短期记忆网络层更新所述空间特征图的隐藏状态，得到更新空间特征图；
解码模块，用于将所述更新空间特征图输入反卷积层，通过所述反卷积层对所述更新空间特征图进行解码重构，得到重构签名矩阵；
对比模块，用于确定所述重构签名矩阵和所述多尺度签名矩阵的重构误差值；当重构误差值大于预设误差阈值时，确定所述服务系统存在异常；将所述重构签名矩阵中各矩阵元素的元素值与预设元素阈值进行比较；每个矩阵元素对应至少一个指标；确定大于所述元素阈值的元素值所对应的指标为异常指标。
8.根据权利要求7所述的装置，其特征在于，所述矩阵构造模块，用于选取预设数量的时间步长，获取各所述时间步长对应的多元时间序列数据片段；基于各所述时间步长对应的多元时间序列数据片段，分别构造各所述时间步长的签名矩阵；将各所述签名矩阵的集合作为多尺度签名矩阵。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202010752303.4A 2020-07-30 2020-07-30 服务系统异常检测方法、装置、计算机设备和存储介质 Active CN111880998B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010752303.4A CN111880998B (zh) 2020-07-30 2020-07-30 服务系统异常检测方法、装置、计算机设备和存储介质
PCT/CN2020/118526 WO2021139251A1 (zh) 2020-07-30 2020-09-28 服务系统异常检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010752303.4A CN111880998B (zh) 2020-07-30 2020-07-30 服务系统异常检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111880998A CN111880998A (zh) 2020-11-03
CN111880998B true CN111880998B (zh) 2022-09-02

Family

ID=73205638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010752303.4A Active CN111880998B (zh) 2020-07-30 2020-07-30 服务系统异常检测方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
CN (1) CN111880998B (zh)
WO (1) WO2021139251A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112416661B (zh) * 2020-11-18 2022-02-01 清华大学 基于压缩感知的多指标时间序列异常检测方法和装置
CN112380098B (zh) * 2020-11-19 2024-03-19 平安科技（深圳）有限公司 一种时序异常检测方法、装置、计算机设备及存储介质
CN112861071B (zh) * 2021-02-05 2022-09-02 哈尔滨工程大学 一种基于深度自编码的高铁牵引系统异常检测方法
CN113239075B (zh) * 2021-05-13 2023-05-12 中国公路工程咨询集团有限公司 一种施工数据自检方法及系统
CN114692767B (zh) * 2022-03-31 2024-01-19 中国电信股份有限公司 异常检测方法和装置、计算机可读存储介质、电子设备
CN115204535B (zh) * 2022-09-16 2022-12-06 湖北信通通信有限公司 基于动态多元时间序列的采购业务量预测方法及电子设备
CN116415197A (zh) * 2023-03-13 2023-07-11 海南大学 基于注意力机制的地下管廊异常检测网络及方法
CN116664000A (zh) * 2023-06-13 2023-08-29 无锡物联网创新中心有限公司 基于长短期记忆网络的工业设备异常检测方法及相关装置
CN116652823B (zh) * 2023-06-26 2024-03-22 浙江钱祥工具股份有限公司 磨床的自动监测系统及其方法
CN116931986B (zh) * 2023-07-06 2024-04-12 红石阳光(深圳)科技有限公司 一种3d模型场景资源管控系统及方法
CN117310546A (zh) * 2023-11-03 2023-12-29 北京迪赛奇正科技有限公司 一种ups电源健康管理监测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247653A (zh) * 2017-06-02 2017-10-13 郑州云海信息技术有限公司 一种数据中心监控系统的故障分类方法和装置
JP2020052740A (ja) * 2018-09-27 2020-04-02 株式会社東芝 異常検知装置、異常検知方法及びプログラム
CN111291411A (zh) * 2020-02-13 2020-06-16 福州大学 基于卷积神经网络的安全视频异常检测系统及方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7634137B2 (en) * 2005-10-14 2009-12-15 Microsoft Corporation Unfolded convolution for fast feature extraction
WO2018124672A1 (en) * 2016-12-28 2018-07-05 Samsung Electronics Co., Ltd. Apparatus for detecting anomaly and operating method for the same
US10699160B2 (en) * 2017-08-23 2020-06-30 Samsung Electronics Co., Ltd. Neural network method and apparatus
CN109035488A (zh) * 2018-08-07 2018-12-18 哈尔滨工业大学（威海） 基于cnn特征提取的航空发动机时间序列异常检测方法
US11169514B2 (en) * 2018-08-27 2021-11-09 Nec Corporation Unsupervised anomaly detection, diagnosis, and correction in multivariate time series data
CN109615019B (zh) * 2018-12-25 2022-05-31 吉林大学 基于时空自动编码器的异常行为检测方法
CN110007355A (zh) * 2019-04-15 2019-07-12 中国科学院电子学研究所 一种卷积自编码器及物体内部异常的检测方法和装置
CN110213788B (zh) * 2019-06-15 2021-07-13 福州大学 基于数据流时空特征的wsn异常检测及类型识别方法
CN111027058B (zh) * 2019-11-12 2023-10-27 深圳供电局有限公司 一种电力系统检测数据攻击的方法、计算机设备和存储介质
CN110909046B (zh) * 2019-12-02 2023-08-11 上海舵敏智能科技有限公司 时间序列的异常检测方法及装置、电子设备、存储介质
CN111338878A (zh) * 2020-02-21 2020-06-26 平安科技（深圳）有限公司 异常检测方法、装置、终端设备及存储介质
CN111368980B (zh) * 2020-03-06 2023-11-07 京东科技控股股份有限公司 状态检测方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107247653A (zh) * 2017-06-02 2017-10-13 郑州云海信息技术有限公司 一种数据中心监控系统的故障分类方法和装置
JP2020052740A (ja) * 2018-09-27 2020-04-02 株式会社東芝 異常検知装置、異常検知方法及びプログラム
CN111291411A (zh) * 2020-02-13 2020-06-16 福州大学 基于卷积神经网络的安全视频异常检测系统及方法

Also Published As

Publication number Publication date
CN111880998A (zh) 2020-11-03
WO2021139251A1 (zh) 2021-07-15

Similar Documents

Publication Publication Date Title
CN111880998B (zh) 服务系统异常检测方法、装置、计算机设备和存储介质
CN112380098B (zh) 一种时序异常检测方法、装置、计算机设备及存储介质
WO2021189844A1 (zh) 多元kpi时间序列的检测方法、装置、设备及存储介质
CN112016318A (zh) 基于解释模型的分诊信息推荐方法、装置、设备及介质
CN110880014B (zh) 数据处理方法、装置、计算机设备及存储介质
CN112787971B (zh) 侧信道攻击模型的构建方法、密码攻击设备及计算机存储介质
Castro et al. Significant motifs in time series
CN116760742A (zh) 基于多阶段混合时空融合的网络流量异常检测方法及系统
CN113627207A (zh) 条码识别方法、装置、计算机设备和存储介质
CN110766048A (zh) 图像内容识别方法、装置、计算机设备和存储介质
CN117194219A (zh) 模糊测试用例生成与选择方法、装置、设备及介质
CN114553681B (zh) 设备状态异常检测方法、装置和计算机设备
CN113505765B (zh) 基于用户头像的年龄预测方法、装置及电子设备
CN115113816A (zh) 一种纠删码数据处理系统、方法、计算机设备及介质
CN111722594B (zh) 工业过程监测方法、装置、设备和可读存储介质
EP4100954A1 (en) Improved quality value compression framework in aligned sequencing data based on novel contexts
CN112798949A (zh) 一种抽水蓄能机组发电机温度预警方法和系统
EP3333751B1 (en) Method, system and computer-readable medium to retrieve a private information symbol with low communication and storage complexity
CN117633441B (zh) 海表面温度数据的填补与修正方法、装置和电子设备
CN113259324B (zh) 数据攻击检测方法、装置、计算机设备和可读存储介质
CN113257227B (zh) 语音识别模型性能检测方法、装置、设备及存储介质
CN111723827B (zh) 基于核字典学习的工业过程监测方法、装置和设备
CN114548367B (zh) 基于对抗网络的多模态数据的重构方法及装置
CN114915502B (zh) 资产异常行为检测方法、装置、终端设备以及存储介质
CN113742184B (zh) 构建用户历史行为表示向量、用户行为异常检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant