CN112799913A - 容器运行异常检测方法及装置 - Google Patents

容器运行异常检测方法及装置 Download PDF

Info

Publication number
CN112799913A
CN112799913A CN202110117505.6A CN202110117505A CN112799913A CN 112799913 A CN112799913 A CN 112799913A CN 202110117505 A CN202110117505 A CN 202110117505A CN 112799913 A CN112799913 A CN 112799913A
Authority
CN
China
Prior art keywords
data sequence
container operation
prediction
container
sequence
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.)
Pending
Application number
CN202110117505.6A
Other languages
English (en)
Inventor
吴庭栋
任政
郑杰
程鹏
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110117505.6A priority Critical patent/CN112799913A/zh
Publication of CN112799913A publication Critical patent/CN112799913A/zh
Pending legal-status Critical Current

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
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • 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

Abstract

本发明提供一种容器运行异常检测方法及装置，属于云计算技术领域。该方法包括：根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；将当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间；根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。本发明可以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。

Description

容器运行异常检测方法及装置
技术领域
本发明涉及云计算技术领域，具体地，涉及一种容器运行异常检测方法及装置。
背景技术
随着银行信息化的不断深入发展，系统保存的各种容器运行数据也呈现爆炸式的增长。这些容器运行数据随着时间的迁移形成了多条时间序列曲线，其条数少则几百万条，多则上亿条。海量容器运行数据中的正常数据和异常数据混杂在一起，当容器运行数据的数据量少时，可以通过人工方式去判断数据有无异常，但当容器运行数据的数据量大时，采用人工方式筛选异常数据不可行。如果没有及时发现容器运行数据中存在的异常会对生产运行造成严重影响，还会给用户带来不良体验，因此如何及时发现异常成为了一个亟待解决的技术难题。
发明内容
本发明实施例的主要目的在于提供一种容器运行异常检测方法及装置，以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。
为了实现上述目的，本发明实施例提供一种容器运行异常检测方法，包括：
根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
将当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间；
根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
本发明实施例还提供一种容器运行异常检测装置，包括：
当前差值数据序列模块，用于根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
预测数据序列模块，用于将当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
预测区间确定模块，用于根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间；
异常检测结果模块，用于根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现所述的容器运行异常检测方法的步骤。
本发明实施例还提供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所述的容器运行异常检测方法的步骤。
本发明实施例的容器运行异常检测方法及装置先根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列，然后将当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列以确定各未来差值数据的预测区间，最后根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果，以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中容器运行异常检测方法的流程图；
图2是本发明另一实施例中容器运行异常检测方法的流程框图；
图3是本发明实施例中创建第一容器运行数据预测模型的流程图；
图4是本发明实施例中创建第二容器运行数据预测模型的流程图；
图5是本发明实施例中S103的流程图；
图6是本发明实施例中容器运行异常检测装置的结构框图；
图7是本发明实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
鉴于现有技术无法及时发现容器运行数据中的异常，对生产运行造成严重影响，给用户带来不良体验，本发明实施例提供一种容器运行异常检测方法，可以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。以下结合附图对本发明进行详细说明。
为监控生产运行过程中的容器运行数据，本发明提供了一种容器运行异常检测方法，对灰度容器与正常容器的大量差值数据进行预处理，使用两种时间序列模型(ARIMA模型和LSTM模型)进行训练，使模型在训练集上具有较高的拟合性、较高的预测准确度以及较低的误差，然后根据两个模型输出的预测数据序列进行组合预测，并根据组合预测的结果确定最终的预测区间。当未来差值数据的实际值超出该预测区间时，则判定容器运行数据为异常，以此来监控容器的运行健康状态。
图1是本发明实施例中容器运行异常检测方法的流程图。图2是本发明另一实施例中容器运行异常检测方法的流程框图。如图1所示，容器运行异常检测方法包括：
S101：根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列。
其中，正常容器运行数据和灰度容器运行数据均可以包括内存使用量和CPU使用量。S101包括：将正常容器运行数据序列与对应的同一时间段的灰度容器运行数据序列相减，得到当前差值数据序列，对当前差值数据序列进行去噪处理后执行S102。
例如，当前差值数据序列为Y＝{yk:yk∈R,k＝m,m+1,...,q}，yk为第k个时间点的历史差值数据；q为大于m的整数，m为大于p的整数。
S102：将当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列。
一实施例中，在执行S102之前，还包括：
检验当前差值数据序列是否为平稳序列；当当前差值数据序列是平稳序列时，执行S102；当当前差值数据序列不是平稳序列时，对当前差值数据序列进行差分变换，将进行差分变换后的当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列。
其中，差分变换的目的是为了使时间序列变得平稳，平稳序列得到的拟合曲线在未来一段时间内仍然能顺着现有的形态惯性地延续下去。
具体实施时，第一容器运行预测数据序列为Y1＝{y1 s:y1 s∈R,s＝q+1,q+2,...,t}，y1 s为第s个时间点的第一容器运行预测数据；t为大于q+1的整数。第二容器运行预测数据序列为Y2＝{y2 s:y2 s∈R,s＝q+1,q+2,...,t}，y2 s为第s个时间点的第二容器运行预测数据。
S103：根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间。
图5是本发明实施例中S103的流程图。如图5所示，S103包括：
S401：根据第一容器运行预测数据序列和第二容器运行预测数据序列确定目标容器运行预测数据序列。
一实施例中，S401包括：确定第一容器运行预测数据序列与第二容器运行预测数据序列的平均序列为目标容器运行预测数据序列。
具体实施时，将第一容器运行预测数据序列与第二容器运行预测数据序列相加，并将相加后的数据序列除以2，可以得到目标容器运行预测数据序列。
例如，目标容器运行预测数据序列为
Figure BDA0002920898420000041
S402：根据目标容器运行预测数据序列确定各未来差值数据的预测区间。
其中，目标容器运行预测数据序列由各容器运行预测数据组成，容器运行预测数据为该容器运行预测数据对应的未来差值数据的预测区间的中值。将容器运行预测数据与预设阈值相加或相减，即可得到与该容器运行预测数据同一时间点的未来差值数据的预测区间。
例如，第s个时间点的容器运行预测数据为
Figure BDA0002920898420000051
预设阈值为z，则第s个时间点的未来差值数据的实际值对应的预测区间为
Figure BDA0002920898420000052
S104：根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
一实施例中，S104包括：
当未来差值数据的实际值不在对应的预测区间中时，输出容器运行异常检测结果。
例如，当第s个时间点的未来差值数据的实际值大于
Figure BDA0002920898420000053
或小于
Figure BDA0002920898420000054
时，表明第s个时间点的未来差值数据的实际值异常，第s个时间点的未来差值数据对应的(灰度容器或正常容器的)容器运行数据异常。
图1所示的容器运行异常检测方法的执行主体可以为计算机。由图1所示的流程可知，本发明实施例的容器运行异常检测方法先根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列，然后将当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列以确定各未来差值数据的预测区间，最后根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果，以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。
图3是本发明实施例中创建第一容器运行数据预测模型的流程图。如图3所示，基于历史差值数据序列和预设的整合移动平均自回归模型创建第一容器运行数据预测模型包括：
执行如下迭代处理：
S201：将历史差值数据序列输入预设的整合移动平均自回归模型中，得到第一历史容器运行预测数据序列。
其中，整合移动平均自回归模型(ARIMA模型，Autoregressive IntegratedMoving Average Model)是一种时间序列的建模方法，基本思想为用一定的回归模型近似描述随时间推移形成的数据序列，检验模型的拟合能力，并且通过模型预测未来值。
例如，历史差值数据序列为X＝{xi:xi∈R,i＝1,2,...,n}，xi为第i个时间点的历史差值数据；n为大于1的整数；得到第一历史容器运行预测数据序列为：
X1＝{x1 j:x1 j∈R,j＝n+1,n+2,...,p}；x1 j为第j个时间点的第一历史容器运行预测数据；p为大于n+1的整数。
S202：根据第一历史容器运行预测数据序列和对应的第一历史容器运行真实数据序列确定第一残差序列。
例如，第一历史容器运行真实数据序列为
Figure BDA0002920898420000061
Figure BDA0002920898420000062
为第j个时间点的第一历史容器运行真实数据，则第一残差序列为：
Figure BDA0002920898420000063
S203：判断第一残差序列是否符合随机误差分布。
S204：当第一残差序列符合随机误差分布时，确定整合移动平均自回归模型为第一容器运行数据预测模型。
其中，第一残差序列符合随机误差分布即第一残差序列符合均值为0的整体分布，符合随机误差分布的第一残差序列表明整合移动平均自回归模型的拟合效果优异。
S205：当第一残差序列不符合随机误差分布时，根据第一残差序列更新整合移动平均自回归模型，继续执行迭代处理。
图4是本发明实施例中创建第二容器运行数据预测模型的流程图。如图4所示，基于历史差值数据序列和预设的长短期记忆模型创建第二容器运行数据预测模型包括：
执行如下迭代处理：
S301：将历史差值数据序列输入预设的长短期记忆模型中，得到第二历史容器运行预测数据序列。
其中，长短期记忆模型(LSTM模型，Long Short-term memory)可看作是一种特殊的RNN(Recurrent Neural Network，循环神经网络)模型。相较于传统的RNN，长短期记忆模型天生对长期依赖有着很好的支持。其核心思想主要有两个，分别为记忆元组(memorycell)和非线性的门单元(nonlinear gating unit)，其中记忆元组用于保持系统的状态，非线性的门单元用于在每一个时间点调节流入和流出记忆元组的信息。
例如，历史差值数据序列为X＝{xi:xi∈R,i＝1,2,...,n}，xi为第i个时间点的历史差值数据；n为大于1的整数；得到第二历史容器运行预测数据序列为：
X2＝{x2 j:x2 j∈R,j＝n+1,n+2,...,p}；x2 j为第j个时间点的第二历史容器运行预测数据；p为大于n+1的整数。
S302：根据第二历史容器运行预测数据序列和对应的第二历史容器运行真实数据序列确定第二残差序列。
例如，第二历史容器运行真实数据序列为
Figure BDA0002920898420000071
Figure BDA0002920898420000072
为第j个时间点的第二历史容器运行真实数据，则第二残差序列为：
Figure BDA0002920898420000073
S303：判断第二残差序列是否符合随机误差分布。
S304：当第二残差序列符合随机误差分布时，确定长短期记忆模型为第二容器运行数据预测模型。
其中，第二残差序列符合随机误差分布即第二残差序列符合均值为0的整体分布，符合随机误差分布的第二残差序列表明长短期记忆模型的拟合效果优异。
S305：当第二残差序列不符合随机误差分布时，根据第二残差序列更新长短期记忆模型，继续执行迭代处理。
综上，本发明实施例的具体流程如下：
1、将历史差值数据序列输入预设的整合移动平均自回归模型中，得到第一历史容器运行预测数据序列。
2、根据第一历史容器运行预测数据序列和对应的第一历史容器运行真实数据序列确定第一残差序列。
3、当第一残差序列符合随机误差分布时，确定整合移动平均自回归模型为第一容器运行数据预测模型，否则根据第一残差序列更新整合移动平均自回归模型，返回步骤1。
4、将历史差值数据序列输入预设的长短期记忆模型中，得到第二历史容器运行预测数据序列。
5、根据第二历史容器运行预测数据序列和对应的第二历史容器运行真实数据序列确定第二残差序列。
6、当第二残差序列符合随机误差分布时，确定长短期记忆模型为第二容器运行数据预测模型，否则根据第二残差序列更新长短期记忆模型，返回步骤4。
7、根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列。
8、检验当前差值数据序列是否为平稳序列。当当前差值数据序列不是平稳序列时，对当前差值数据序列进行差分变换，将进行差分变换后的当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列。
9、根据第一容器运行预测数据序列和第二容器运行预测数据序列确定目标容器运行预测数据序列。
10、根据目标容器运行预测数据序列确定各未来差值数据的预测区间。
11、当未来差值数据的实际值不在对应的预测区间中时，输出容器运行异常检测结果。
综上，为监控生产运行过程中的容器运行数据，本发明提供了一种容器运行异常检测方法。通过结合两个模型的预测结果得到最终的预测区间。在该预测区间内的数据为正常数据，超出该区间的数据为异常数据。因此，本发明可以通过两个模型的结合预测，降低模型预测误差和单模型拟合的偶然性，提升了异常检测的性能。
基于同一发明构思，本发明实施例还提供了一种容器运行异常检测装置，由于该装置解决问题的原理与容器运行异常检测方法相似，因此该装置的实施可以参见方法的实施，重复之处不再赘述。
图6是本发明实施例中容器运行异常检测装置的结构框图。如图6所示，容器运行异常检测装置包括：
当前差值数据序列模块，用于根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
预测数据序列模块，用于将当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
预测区间确定模块，用于根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间；
异常检测结果模块，用于根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
在其中一种实施例中，还包括：第一容器运行数据预测模型模块，用于：
执行如下迭代处理：
将历史差值数据序列输入预设的整合移动平均自回归模型中，得到第一历史容器运行预测数据序列；
根据第一历史容器运行预测数据序列和对应的第一历史容器运行真实数据序列确定第一残差序列；
当第一残差序列符合随机误差分布时，确定整合移动平均自回归模型为第一容器运行数据预测模型，否则根据第一残差序列更新整合移动平均自回归模型，继续执行迭代处理。
在其中一种实施例中，还包括：第二容器运行数据预测模型模块，用于：
执行如下迭代处理：
将历史差值数据序列输入预设的长短期记忆模型中，得到第二历史容器运行预测数据序列；
根据第二历史容器运行预测数据序列和对应的第二历史容器运行真实数据序列确定第二残差序列；
当第二残差序列符合随机误差分布时，确定长短期记忆模型为第二容器运行数据预测模型，否则根据第二残差序列更新长短期记忆模型，继续执行迭代处理。
在其中一种实施例中，预测区间确定模块包括：
目标容器运行预测数据序列单元，用于根据第一容器运行预测数据序列和第二容器运行预测数据序列确定目标容器运行预测数据序列；
预测区间单元，用于根据目标容器运行预测数据序列确定各未来差值数据的预测区间。
在其中一种实施例中，还包括：检验模块，用于：
检验当前差值数据序列是否为平稳序列；
预测数据序列模块还用于：
当当前差值数据序列不是平稳序列时，对当前差值数据序列进行差分变换，将进行差分变换后的当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列。
在其中一种实施例中，目标容器运行预测数据序列单元具体用于：
确定第一容器运行预测数据序列与第二容器运行预测数据序列的平均序列为目标容器运行预测数据序列。
在其中一种实施例中，异常检测结果模块具体用于：
当未来差值数据的实际值不在对应的预测区间中时，输出容器运行异常检测结果。
综上，本发明实施例的容器运行异常检测装置先根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列，然后将当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列以确定各未来差值数据的预测区间，最后根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果，以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。
本发明实施例还提供能够实现上述实施例中的容器运行异常检测方法中全部步骤的一种计算机设备的具体实施方式。图7是本发明实施例中计算机设备的结构框图，参见图7，所述计算机设备具体包括如下内容：
处理器(processor)701和存储器(memory)702。
所述处理器701用于调用所述存储器702中的计算机程序，所述处理器执行所述计算机程序时实现上述实施例中的容器运行异常检测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
将当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间；
根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
综上，本发明实施例的计算机设备先根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列，然后将当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列以确定各未来差值数据的预测区间，最后根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果，以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。
本发明实施例还提供能够实现上述实施例中的容器运行异常检测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的容器运行异常检测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
将当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
根据第一容器运行预测数据序列和第二容器运行预测数据序列确定各未来差值数据的预测区间；
根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
综上，本发明实施例的计算机可读存储介质先根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列，然后将当前差值数据序列分别输入第一容器运行数据预测模型和第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列以确定各未来差值数据的预测区间，最后根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果，以准确及时发现容器运行中的异常数据，提高异常检测的性能和用户体验，确保容器稳定运行。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。

Claims (10)

1.一种容器运行异常检测方法，其特征在于，包括：
根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
将所述当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于所述历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
根据所述第一容器运行预测数据序列和所述第二容器运行预测数据序列确定各未来差值数据的预测区间；
根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
2.根据权利要求1所述的容器运行异常检测方法，其特征在于，基于历史差值数据序列和预设的整合移动平均自回归模型创建第一容器运行数据预测模型包括：
执行如下迭代处理：
将所述历史差值数据序列输入预设的整合移动平均自回归模型中，得到第一历史容器运行预测数据序列；
根据所述第一历史容器运行预测数据序列和对应的第一历史容器运行真实数据序列确定第一残差序列；
当所述第一残差序列符合随机误差分布时，确定所述整合移动平均自回归模型为第一容器运行数据预测模型，否则根据所述第一残差序列更新所述整合移动平均自回归模型，继续执行所述迭代处理。
3.根据权利要求1所述的容器运行异常检测方法，其特征在于，基于历史差值数据序列和预设的长短期记忆模型创建第二容器运行数据预测模型包括：
执行如下迭代处理：
将所述历史差值数据序列输入预设的长短期记忆模型中，得到第二历史容器运行预测数据序列；
根据所述第二历史容器运行预测数据序列和对应的第二历史容器运行真实数据序列确定第二残差序列；
当所述第二残差序列符合随机误差分布时，确定所述长短期记忆模型为第二容器运行数据预测模型，否则根据所述第二残差序列更新所述长短期记忆模型，继续执行所述迭代处理。
4.根据权利要求1所述的容器运行异常检测方法，其特征在于，根据所述第一容器运行预测数据序列和所述第二容器运行预测数据序列确定各未来差值数据的预测区间包括：
根据所述第一容器运行预测数据序列和所述第二容器运行预测数据序列确定目标容器运行预测数据序列；
根据所述目标容器运行预测数据序列确定各未来差值数据的预测区间。
5.根据权利要求1所述的容器运行异常检测方法，其特征在于，将所述当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于所述历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列，还包括：
检验所述当前差值数据序列是否为平稳序列；
当所述当前差值数据序列不是平稳序列时，对所述当前差值数据序列进行差分变换，将进行差分变换后的当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于所述历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列。
6.根据权利要求4所述的容器运行异常检测方法，其特征在于，根据所述第一容器运行预测数据序列和所述第二容器运行预测数据序列确定目标容器运行预测数据序列包括：
确定所述第一容器运行预测数据序列与所述第二容器运行预测数据序列的平均序列为所述目标容器运行预测数据序列。
7.根据权利要求1所述的容器运行异常检测方法，其特征在于，根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果包括：
当所述未来差值数据的实际值不在对应的预测区间中时，输出容器运行异常检测结果。
8.一种容器运行异常检测装置，其特征在于，包括：
当前差值数据序列模块，用于根据正常容器运行数据序列与对应的灰度容器运行数据序列获得当前差值数据序列；
预测数据序列模块，用于将所述当前差值数据序列分别输入基于历史差值数据序列和预设的整合移动平均自回归模型创建的第一容器运行数据预测模型，以及基于所述历史差值数据序列和预设的长短期记忆模型创建的第二容器运行数据预测模型中，分别得到第一容器运行预测数据序列和第二容器运行预测数据序列；
预测区间确定模块，用于根据所述第一容器运行预测数据序列和所述第二容器运行预测数据序列确定各未来差值数据的预测区间；
异常检测结果模块，用于根据未来差值数据的实际值与对应的预测区间的比较结果输出容器运行异常检测结果。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，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7任一项所述的容器运行异常检测方法的步骤。
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7任一项所述的容器运行异常检测方法的步骤。
CN202110117505.6A 2021-01-28 2021-01-28 容器运行异常检测方法及装置 Pending CN112799913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117505.6A CN112799913A (zh) 2021-01-28 2021-01-28 容器运行异常检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117505.6A CN112799913A (zh) 2021-01-28 2021-01-28 容器运行异常检测方法及装置

Publications (1)

Publication Number Publication Date
CN112799913A true CN112799913A (zh) 2021-05-14

Family

ID=75812392

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117505.6A Pending CN112799913A (zh) 2021-01-28 2021-01-28 容器运行异常检测方法及装置

Country Status (1)

Country Link
CN (1) CN112799913A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245047A (zh) * 2019-05-29 2019-09-17 阿里巴巴集团控股有限公司 时间序列异常检测方法、装置及设备
CN110400010A (zh) * 2019-07-11 2019-11-01 新华三大数据技术有限公司 预测方法、装置、电子设备以及计算机可读存储介质
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
US20200027105A1 (en) * 2018-07-20 2020-01-23 Jpmorgan Chase Bank, N.A. Systems and methods for value at risk anomaly detection using a hybrid of deep learning and time series models
CN111695730A (zh) * 2020-06-09 2020-09-22 浙江大学 基于arima及rnn的立磨振动预测方法及装置
CN111913849A (zh) * 2020-07-29 2020-11-10 厦门大学 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200027105A1 (en) * 2018-07-20 2020-01-23 Jpmorgan Chase Bank, N.A. Systems and methods for value at risk anomaly detection using a hybrid of deep learning and time series models
CN110245047A (zh) * 2019-05-29 2019-09-17 阿里巴巴集团控股有限公司 时间序列异常检测方法、装置及设备
CN110400010A (zh) * 2019-07-11 2019-11-01 新华三大数据技术有限公司 预测方法、装置、电子设备以及计算机可读存储介质
CN110674019A (zh) * 2019-08-30 2020-01-10 中国人民财产保险股份有限公司 一种预测系统故障的方法、装置及电子设备
CN111695730A (zh) * 2020-06-09 2020-09-22 浙江大学 基于arima及rnn的立磨振动预测方法及装置
CN111913849A (zh) * 2020-07-29 2020-11-10 厦门大学 一种用于运维数据的无监督异常检测和鲁棒趋势预测方法

Similar Documents

Publication Publication Date Title
CN109818942B (zh) 一种基于时序特征的用户帐号异常检测方法及装置
US11715001B2 (en) Water quality prediction
WO2021139279A1 (zh) 基于分类模型的数据处理方法、装置、电子设备及介质
CN111741002B (zh) 一种网络入侵检测模型的训练方法和装置
CN111369299A (zh) 识别的方法、装置、设备及计算机可读存储介质
CN111382020A (zh) 交易流量监控方法及系统
CN113807469A (zh) 一种多能源用户价值预测方法、装置、存储介质和设备
CN111275338A (zh) 一种企业欺诈行为的判定方法、装置、设备及存储介质
CN113837596A (zh) 一种故障确定方法、装置、电子设备及存储介质
CN109242165A (zh) 一种模型训练及基于模型训练的预测方法及装置
CN112182056A (zh) 一种数据检测方法、装置、设备及存储介质
CN113919432A (zh) 一种分类模型构建方法、数据分类方法及装置
CN111967940B (zh) 一种订单量异常检测方法及装置
US20220083897A1 (en) Explanation for time series forecasting models
CN110704614B (zh) 对应用中的用户群类型进行预测的信息处理方法及装置
CN112799913A (zh) 容器运行异常检测方法及装置
CN115601042A (zh) 信息识别方法、装置、电子设备及存储介质
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN114399224A (zh) 数据处理方法、装置、设备、介质及产品
CN115330103A (zh) 城市运行状态智能分析方法、装置、计算机设备及存储介质
CN113506175A (zh) 中小企业风险预警模型优化方法、装置、设备和存储介质
CN113129127A (zh) 预警方法和装置
CN114996668B (zh) 开源组件的处理方法、装置、设备及介质
CN113487316B (zh) 分布式支付系统安全处理方法及装置
CN112685246B (zh) 一种时序数据的处理方法及装置

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