CN117454174A - 异常检测模型训练、数据检测方法、装置、设备及介质 - Google Patents
异常检测模型训练、数据检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117454174A CN117454174A CN202311428494.9A CN202311428494A CN117454174A CN 117454174 A CN117454174 A CN 117454174A CN 202311428494 A CN202311428494 A CN 202311428494A CN 117454174 A CN117454174 A CN 117454174A
- Authority
- CN
- China
- Prior art keywords
- sample data
- data
- cluster
- detection model
- target
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 288
- 238000012549 training Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000005856 abnormality Effects 0.000 claims description 68
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 16
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 abstract description 15
- 239000000523 sample Substances 0.000 description 208
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000005634 sigma model Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种异常检测模型训练、数据检测方法、装置、设备及介质,其中,异常检测模型训练方法包括:根据原始历史样本数据获取集群代表样本数据;对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。本发明实施例的技术方案能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及一种异常检测模型训练、数据检测方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的快速发展,大规模数据中心的运维管理变得越来越复杂。在这种背景下,如何有效地检测和处理运维过程中的异常数据变得至关重要。
目前,大规模数据的异常检测算法主要分为三类:统计方法、机器学习方法和深度学习方法。其中,统计方法主要包括Z分数法、箱线图法和自回归模型(AutoregressiveIntegrated Moving Average model,ARIMA)三种类型。Z分数法的检测思路为:基于数据集的均值和标准差计算Z分数,通过比较Z分数与设定的阈值来判断数据是否异常,该方法适用于正态分布的数据集。箱线图法的检测思路为:通过计算数据的最小值、第一四分位数(Q1)、中位数(Q2)、第三四分位数(Q3)和最大值,构建箱线图。根据设定的IQR(interquartile range,四分位距)和异常倍数来判断数据是否异常,该方法适用于大多数数据分布。自回归模型的检测思路为:利用自回归模型对时间序列数据进行建模,通过比较预测值与实际值之间的差异来检测异常,该方法适用于具有一定趋势和季节性的时间序列数据。机器学习方法主要包括支持向量机(support vector machines,SVM)、K-近邻(K-NearestNeighbor,KNN)、决策树以及聚类算法(如K-means)等。其中,支持向量机方法通过构建分类模型,将数据映射到高维空间,找到数据间的最大间隔。利用这个间隔,可以检测到距离中心较远的异常数据。K-近邻方法则需要计算数据点之间的距离,找到距离最近的K个邻居。通过计算新数据点与邻居的距离,判断其是否异常。决策树方法通过将数据集分成多个子集,根据特征值进行决策,构建一棵树形结构。可以利用决策树对数据进行分类,并检测出异常数据。聚类算法主要是将数据集划分为若干个类别,计算各类别的均值和标准差。通过比较新数据点与各类别的均值和标准差,判断其是否异常。深度学习方法主要包括自编码器(autoencoder,AE)、变分自编码器(Variational AutoEncoder,VAE)、循环神经网络(Recurrent Neural Network,RNN)以及卷积神经网络(Convolutional NeuralNetworks,CNN)。其中,自编码器利用自编码器对正常数据进行建模,将数据映射为低维表示。当新数据出现时,通过比较其与正常数据的低维表示,判断其是否异常。变分自编码器与自编码器类似,但在生成过程中引入了随机变量。通过计算新数据点与正常数据的差异,判断其是否异常。循环神经网络利用循环神经网络对时间序列数据进行建模,通过比较新数据点与历史数据的相似性,判断其是否异常。卷积神经网络对图像数据进行建模,通过提取局部特征和空间关系,判断图像中的异常区域。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:随着业务的发展对于大型互联网公司或者AIOPS(Artificial Intelligence for IT Operations,即智能运维)技术提供商来说,需要监控的数据越来越多,监控大量的数据和检测异常情况以确保服务质量和可靠性是非常重要的。随着技术的发展常规的异常检测算法由于其天然的缺陷,逐渐被机器学习(深度学习)算法所替代。然而,由于模型选择、参数调优以及模型训练的资源的巨大开销,对数百万个以及越来越多的数据进行大规模异常检测模型训练具有非常大的挑战性。
发明内容
本发明实施例提供一种异常检测模型训练、数据检测方法、装置、设备及介质,能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
根据本发明的一方面,提供了一种异常检测模型训练方法,包括:
根据原始历史样本数据获取集群代表样本数据;
对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;
提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
根据本发明的另一方面,提供了一种数据检测方法,包括:
获取目标待检测数据;
根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型;其中,所述异常检测模型通过第一方面所述的异常检测模型训练方法训练得到;
将所述目标待检测数据输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
根据本发明的另一方面,提供了一种异常检测模型训练装置,包括:
集群代表样本数据获取模块,用于根据原始历史样本数据获取集群代表样本数据;
集群代表样本数据拼接模块,用于对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;
异常检测模型训练模块,用于提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
根据本发明的另一方面,提供了一种数据检测装置,包括:
目标待检测数据获取模块,用于获取目标待检测数据;
目标异常检测模型确定模块,用于根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型;其中,所述异常检测模型通过第一方面所述的异常检测模型训练方法训练得到;
目标待检测数据检测模块,用于将所述目标待检测数据的提取特征输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的异常检测模型训练或数据检测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的异常检测模型训练或数据检测方法。
本发明实施例通过根据原始历史样本数据获取集群代表样本数据,并对集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,进而提取拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。得到多个异常检测模型之后,获取目标待检测数据,并根据异常检测模型的模型唯一编码从各异常检测模型中确定目标异常检测模型,以将目标待检测数据的提取特征输入至目标异常检测模型中,从而通过目标异常检测模型对目标待检测数据进行异常检测,解决现有异常检测模型训练所消耗的资源较多且训练效率较低等问题,能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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是本发明实施例一提供的一种异常检测模型训练方法的流程图;
图2是本发明实施例一提供的一种异常检测模型的训练流程示意图;
图3是本发明实施例二提供的一种数据检测方法的流程图;
图4是本发明实施例二提供的一种数据检测方法的流程示意图;
图5是本发明实施例三提供的一种异常检测系统的结构示意图;
图6是本发明实施例四提供的一种异常检测模型训练装置的示意图;
图7是本发明实施例五提供的一种数据检测装置的示意图;
图8为本发明实施例六提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种异常检测模型训练方法的流程图,本实施例可适用于利用集群代表样本数据训练异常检测模型的情况,该方法可以由异常检测模型训练装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中,该电子设备可以是终端设备,也可以是服务器设备,只要能够用于训练异常检测模型即可,本发明实施例并不对电子设备的具体设备类型进行限定。相应的,如图1所示,该方法包括如下操作:
S110、根据原始历史样本数据获取集群代表样本数据。
其中,原始历史样本数据可以是收集到的未经处理的大规模的数据。示例性的,原始历史样本数据可以包括但不限于KPI(Key Performance Indicator,关键性能指标)数据、云平台或大规模数据中心中的设备运行数据以及各企业的业务运营数据等。集群代表样本数据可以是原始历史样本数据的各集群中的代表性的数据。所谓代表性的数据可以是原始历史样本数据的各集群中变化极为剧烈和/或含有大量信息的样本数据。
在本发明实施例中,在训练异常检测模型之前,可以首先获取用于训练异常检测模型的样本数据。可选的,可以首先获取原始历史样本数据,并对获取的原始历史样本数据进行处理,例如对其进行分类聚类处理,得到多个集群数据,每个集群数据可以包括多个同一类别的或相似性较高的样本数据。进一步的,从各集群数据中筛选出具有代表性的样本数据作为集群代表样本数据。由于集群代表样本数据是每个集群数据中变化极为剧烈和/或含有大量信息的样本数据,因此集群代表样本数据可以精确地反应出各集群数据的特征。
可选的,集群代表样本数据可以是一组数据,也还可以是单个数据,本发明实施例并不对集群代表样本数据包括的样本数据的数量进行限定。
在本发明的一个可选实施例中,所述根据原始历史样本数据获取集群代表样本数据,可以包括:对所述原始历史样本数据进行预处理,得到预处理样本数据;根据预设聚类算法对所述预处理样本数据进行聚类处理,得到多个聚类集群样本数据;对各所述聚类集群样本数据筛选所述集群代表样本数据。
其中,预处理样本数据可以是对原始历史样本数据进行预处理后得到的样本数据。预设聚类算法可以根据实际数据处理需求以及预处理样本数据的特性进行选择,本发明实施例并不对预设聚类算法的具体聚类算法类型进行限定。聚类集群样本数据可以是利用预设聚类算法对预处理样本数据进行聚类处理后得到的样本数据。聚类集群样本数据也即对预处理样本数据进行聚类处理得到的集群数据。
可选的,对原始历史样本数据进行预处理的操作可以包括但不限于数据清洗和过滤、数据集成、数据变化或数据归约等各种可用的数据预处理操作。相应的,预设聚类算法可以根据实际数据处理需求以及预处理样本数据的特性进行选择。示例性的,当原始历史样本数据为KPI数据时,预设聚类算法可以选择MinBatchK-means(K-Means算法的一种优化方案)和/或Fast-DWT(Fast-Dynamic Time Warping,快速动态时间规整)等。
在本发明的一个可选实施例中,所述对各所述聚类集群样本数据筛选所述集群代表样本数据,可以包括:确定目标标准差阈值;将当前聚类集群样本数据中标准差大于或等于所述目标标准差阈值的数据筛选为当前聚类集群样本数据对应的备用聚类集群样本数据;对各所述聚类集群样本数据对应的备用聚类集群样本数据进行排序,并根据排序结果从所述备用聚类集群样本数据中筛选所述集群代表样本数据。
其中,目标标准差阈值可以是根据实际需求设定的用于筛选标准的阈值,本发明实施例并不对目标标准差阈值的具体数值进行限定。当前聚类集群样本数据可以是当前用于筛选集群代表样本数据的聚类集群样本数据。备用聚类集群样本数据可以是当前聚类集群样本数据中标准差满足需求的样本数据。
具体的,在对各聚类集群样本数据筛选集群代表样本数据时,可以首先确定一个目标标准差阈值,对当前聚类集群样本数据,可以分析判断当前聚类集群样本数据中的每个样本数据的标准差是否大于或等于目标标准差阈值,以筛选出标准差大于或等于目标标准差阈值的数据作为当前聚类集群样本数据对应的备用聚类集群样本数据。进一步的,还可以对各聚类集群样本数据对应的备用聚类集群样本数据进行排序,并根据排序结果从备用聚类集群样本数据中筛选得到集群代表样本数据。
S120、对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据。
其中,拼接集群代表样本数据可以是对集群代表样本数据进行一维拼接处理后得到的拼接的数据。
相应的,在筛选得到集群代表样本数据之后,可以对各集群代表样本数据进行一维拼接处理,得到拼接集群代表样本数据。所谓一维拼接处理,可以是对各集群代表样本数据进行首尾相接的拼接处理,最终得到一维的样本数据。
在本发明的一个可选实施例中,所述对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,可以包括:对各所述集群代表样本数据的时间序列进行随机排序;根据各所述集群代表样本数据的随机排序结果对各所述集群代表样本数据进行一维拼接,得到所述拼接集群代表样本数据。
由于集群代表样本数据可能是按照时间序列的排序结果筛选得到的。因此,集群代表样本数据可能是按照时间顺序排列的。为了提高异常检测模型的训练效果,在得到集群代表样本数据之后,可以对各集群代表样本数据的时间序列进行随机排序,也即打乱集群代表样本数据的时间序列,从而根据各集群代表样本数据的随机排序结果对各集群代表样本数据进行一维拼接,得到拼接集群代表样本数据。
在一个具体的例子中,假设第一集群代表样本数据包括的数据序列为[1,2,3,4,5,6],第二集群代表样本数据包括的数据序列为[4,5,6,7],第三集群代表样本数据包括的数据序列为[7,8,9,10],其中,数据序列集合中的每个数字代表一个样本数据。则根据标准差筛选得到各集群代表样本数据时,各集群代表样本数据的时间序列可能是按时间先后顺序排序的。因此,可以将各集群代表样本数据的时间序列的顺序打乱,使其不再按标准差的顺序排序,然后对每个时间序列对应的进行集群代表样本数据追加连接实现一维拼接,得到[1,2,3,4,5,6]+[7,8,9,10]+[4,5,6,7]=[1,2,3,4,5,6,7,8,9,10,4,5,6,7]。其中,[1,2,3,4,5,6,7,8,9,10,4,5,6,7]即为拼接得到的拼接集群代表样本数据,属于一维的拼接集群代表样本数据。或者,针对每个集群代表样本数据的内部数据,也还可以进行数据打乱的操作。例如,将[1,2,3,4,5,6]的数据打乱为[1,5,3,6,4,2]。
S130、提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
相应的,在得到拼接集群代表样本数据之后,即完成对模型需要的样本数据的处理。因此,可以进一步提取拼接集群代表样本数据的特征,并采用孤立森林模型作为原始待训练的模型,以将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
图2是本发明实施例一提供的一种异常检测模型的训练流程示意图。在一个具体的例子中,如图2所示,假设始历史样本数据为KPI数据,则在获取到原始的指标KPI历史数据后,可以首先对所有指标KPI历史数据进行预处理,得到预处理样本数据。进一步的,利用MinBatchK-means以及Fast-DWT等聚类算法对预处理样本数据进行KPI聚类。具体的,可以以Fast-DWT距离度量预处理样本数据时间序列的相似性,并以MinBatchK-means作为聚类算法进行聚类处理。进一步的,开始执行小集群指标选择操作,具体可以从每个聚类结果中获得标准差最大的topN KPI指标,作为集群代表样本数据。标准差可以在一定程度上反应样本数据的变化剧烈情况以及含有的信息量情况。选择标准差最大的部分样本数据,即可获取整个集群数据中更具有代表性的集群代表样本数据,能够代表整个集群数据。进一步的,将上一步获得的topN KPI指标进行一维连接,得到拼接集群代表样本数据,实现代表性指标连接。最终对拼接集群代表样本数据进行特征提取并用获得特征进行孤立森林模型训练,获得此集群内所有指标的异常检测模型并进行保存。
上述技术方案,通过利用聚类算法对原始历史样本数据进行聚类处理,可以获取分布近似的集群,后续可以基于这一集群提取时间序列的特征,筛选集群代表样本数据以表征整个集群数据的特征。通过利用集群代表样本数据提取的特征训练异常检测模型,而不必针对每个样本数据序列分别进行模型训练。这对于百万级甚至千万级的样本数据来说,可以节省大量的计算资源,也大大提高了异常检测模型更新的时效性。
在本发明的一个可选实施例中,在所述提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型之后,还可以包括:根据所述原始历史样本数据生成模型唯一编码;根据所述模型唯一编码对所述异常检测模型进行标识。
其中,模型唯一编码也即UUID(Universally Unique Identifier,通用唯一识别码),可以用于标识异常检测模型所使用的样本数据的类型。
为了后续可以利用异常检测模型对待检测的数据进行正常检测,当异常检测模型训练完成后,可以根据训练异常检测模型的原始历史样本数据生成模型唯一编码。示例性的,当原始历史样本数据包括KPI数据时,可以根据整个原始历史样本数据中各个KPI的关键信息生成模型唯一编码,并利用模型唯一编码对训练得到的异常检测模型进行标识。相应的,当训练得到多个异常检测模型时,每个异常检测模型所适用的KPI的类型可能存在区别。通过模型唯一编码则可以快速匹配待检测的KPI数据所适用的异常检测模型,从而提高数据检测的效率。
本发明实施例通过根据原始历史样本数据获取集群代表样本数据,并对集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,进而提取拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。得到多个异常检测模型之后,获取目标待检测数据,并根据异常检测模型的模型唯一编码从各异常检测模型中确定目标异常检测模型,以将目标待检测数据的提取特征输入至目标异常检测模型中,从而通过目标异常检测模型对目标待检测数据进行异常检测,解决现有异常检测模型训练所消耗的资源较多且训练效率较低等问题,能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
实施例二
图3是本发明实施例二提供的一种数据检测方法的流程图,本实施例可适用于利用集群代表样本数据训练得到的异常检测模型进行数据检测的情况,该方法可以由数据检测装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中,该电子设备可以是终端设备,也可以是服务器设备,只要能够用于利用异常检测模型进行数据检测即可,本发明实施例并不对电子设备的具体设备类型进行限定。相应的,如图3所示,该方法包括如下操作:
S210、获取目标待检测数据。
其中,目标待检测数据可以是需要利用异常检测模型进行数据异常检测的数据。
示例性的,当异常检测模型为通过KPI数据训练到底的模型时,目标待检测数据则可以为待检测的KPI数据。
S220、根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型。
其中,所述异常检测模型通过上述实施例所述的异常检测模型训练方法训练得到。目标异常检测模型可以是用于检测目标待检测数据是否异常的异常检测模型。
S230、将所述目标待检测数据的提取特征输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
可以理解的是,由于原始历史样本数据不同,训练得到的异常检测模型的数量可能是多个。每个异常检测模型可以根据原始历史样本数据的关键信息生成模型唯一编码,以标识异常检测模型所适用的待检测的数据类型。
因此,当获取到目标待检测数据时,需要通过模型唯一编码查询该目标待检测数据是否存在已训练好的异常检测模型,并确定适用于目标待检测数据的目标异常检测模型。相应的,即可将目标待检测数据作为输入数据,并提取输入数据的特征输入至目标异常检测模型中,以通过目标异常检测模型对目标待检测数据进行异常检测。
可选的,目标待检测数据包括待检测KPI数据。
图4是本发明实施例二提供的一种数据检测方法的流程示意图,在一个具体的例子中,如图4所示,假设目标待检测数据为KPI数据,则可以获取某一个KPI的实时数据作为目标待检测数据,通过模型唯一编码查询是否该KPI存在已训练好的目标异常检测模型。如果该KPI存在已训练好的目标异常检测模型,则预处理该KPI实时数据并进行特征提取,利用已提取的特征输入至目标异常检测模型进行异常检测获得检测结果。如果该KPI不存在已训练好的目标异常检测模型,则可以使用N-Sigma(Nonlinear sigma model,非线性西格玛模型)模型进行异常检测并获得异常检测结果。
本发明实施例通过根据原始历史样本数据获取集群代表样本数据,并对集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,进而提取拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。得到多个异常检测模型之后,获取目标待检测数据,并根据异常检测模型的模型唯一编码从各异常检测模型中确定目标异常检测模型,以将目标待检测数据的提取特征输入至目标异常检测模型中,从而通过目标异常检测模型对目标待检测数据进行异常检测,解决现有异常检测模型训练所消耗的资源较多且训练效率较低等问题,能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
实施例三
在上述实施例的基础上,本发明实施例还提供了一种基于大规模运维指标数据快速聚类的孤立森林异常检测系统,图5是本发明实施例三提供的一种异常检测系统的结构示意图,如图5所示,该异常检测系统主要包括以下几个模块:数据采集模块、指标聚类以及模型训练模块、数据存储模块、异常检测算法模块以及结果显示模块。
其中,数据采集模块主要用于收集从各种探针以及各种采集器上报的各种数据,包括但不仅限于KPI指标数据等,并将这些数据推送到数据存储模块中。指标聚类训练模块从数据存储模块获取KPI数据进行聚类和模型训练,将训练好的异常检测模型存储到数据存储模块。异常检测算法模块从数据存储模块获取要检测的数据以及对应的训练好的异常检测模型进行异常检测,将检测结果一方面存储在数据存储模块用于其他功能使用,另一方面将检测结果直接输出到结果显示模块进行显示。
上述技术方案,通过利用MinBatchK-means和Fast-DWT等相关聚类算法进行KPI聚类可以获得KPI分布近似的集群。通过计算小集群的单个KPI的标准差,并获得标准差最大的topN KPI进行一维连接,可以得到代表性的拼接集群代表样本数据。最终对拼接集群代表样本数据特征提取,然后进行孤立森林模型训练获得训练好的异常检测模型,用该模型代表整个小集群的异常检测模型,能够大幅减少训练模型的样本数据的数量,节省了计算资源,提高了模型训练的效率。同时,孤立森林算法的并发性也使得训练得到的异常检测模型能够处理大规模的数据集,提高了异常检测模型的数据检测性能。此外,还可以通过调整聚类的参数,来控制异常检测模型的敏感性和特异性,以满足不同的数据检测需求。
本发明实施例的技术方案中,所涉及各种数据(如原始历史样本数据等)可以是经授权处理后的数据,其数据的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
需要说明的是,以上各实施例中各技术特征之间的任意排列组合也属于本发明的保护范围。
实施例四
图6是本发明实施例四提供的一种异常检测模型训练装置的示意图,如图6所示,所述装置包括:集群代表样本数据获取模块310、集群代表样本数据拼接模块320以及异常检测模型训练模块330,其中:
集群代表样本数据获取模块310,用于根据原始历史样本数据获取集群代表样本数据;
集群代表样本数据拼接模块320,用于对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;
异常检测模型训练模块330,用于提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
本发明实施例通过根据原始历史样本数据获取集群代表样本数据,并对集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,进而提取拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。得到多个异常检测模型之后,获取目标待检测数据,并根据异常检测模型的模型唯一编码从各异常检测模型中确定目标异常检测模型,以将目标待检测数据的提取特征输入至目标异常检测模型中,从而通过目标异常检测模型对目标待检测数据进行异常检测,解决现有异常检测模型训练所消耗的资源较多且训练效率较低等问题,能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
可选的,集群代表样本数据获取模块310具体用于:对所述原始历史样本数据进行预处理,得到预处理样本数据;根据预设聚类算法对所述预处理样本数据进行聚类处理,得到多个聚类集群样本数据;对各所述聚类集群样本数据筛选所述集群代表样本数据。
可选的,集群代表样本数据获取模块310具体用于:确定目标标准差阈值;
将当前聚类集群样本数据中标准差大于或等于所述目标标准差阈值的数据筛选为当前聚类集群样本数据对应的备用聚类集群样本数据;对各所述聚类集群样本数据对应的备用聚类集群样本数据进行排序,并根据排序结果从所述备用聚类集群样本数据中筛选所述集群代表样本数据。
可选的,集群代表样本数据拼接模块320具体用于:对各所述集群代表样本数据的时间序列进行随机排序;根据各所述集群代表样本数据的随机排序结果对各所述集群代表样本数据进行一维拼接,得到所述拼接集群代表样本数据。
可选的,异常检测模型训练装置还可以包括异常检测模型标识模块,用于:根据所述原始历史样本数据生成模型唯一编码;根据所述模型唯一编码对所述异常检测模型进行标识。
可选的,原始历史样本数据包括KPI数据。
上述异常检测模型训练装置可执行本发明任意实施例所提供的异常检测模型训练方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的异常检测模型训练方法。
由于上述所介绍的异常检测模型训练装置为可以执行本发明实施例中的异常检测模型训练方法的装置,故而基于本发明实施例中所介绍的异常检测模型训练方法,本领域所属技术人员能够了解本实施例的异常检测模型训练装置的具体实施方式以及其各种变化形式,所以在此对于该异常检测模型训练装置如何实现本发明实施例中的异常检测模型训练方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中异常检测模型训练方法所采用的装置,都属于本申请所欲保护的范围。
实施例五
图7是本发明实施例五提供的一种数据检测装置的示意图,如图7所示,所述装置包括:目标待检测数据获取模块410、目标异常检测模型确定模块420以及目标待检测数据检测模块430,其中:
目标待检测数据获取模块410,用于获取目标待检测数据;
目标异常检测模型确定模块420,用于根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型;其中,所述异常检测模型通过本发明实施例所述的异常检测模型训练方法训练得到;
目标待检测数据检测模块430,用于将所述目标待检测数据的提取特征输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
可选的,目标待检测数据包括待检测KPI数据。
本发明实施例通过根据原始历史样本数据获取集群代表样本数据,并对集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,进而提取拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。得到多个异常检测模型之后,获取目标待检测数据,并根据异常检测模型的模型唯一编码从各异常检测模型中确定目标异常检测模型,以将目标待检测数据的提取特征输入至目标异常检测模型中,从而通过目标异常检测模型对目标待检测数据进行异常检测,解决现有异常检测模型训练所消耗的资源较多且训练效率较低等问题,能够降低异常检测模型训练所消耗的资源,提高异常检测模型的训练效率,进而提高数据检测的效率。
上述数据检测装置可执行本发明任意实施例所提供的数据检测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的数据检测方法。
由于上述所介绍的数据检测装置为可以执行本发明实施例中的数据检测方法的装置,故而基于本发明实施例中所介绍的数据检测方法,本领域所属技术人员能够了解本实施例的数据检测装置的具体实施方式以及其各种变化形式,所以在此对于该数据检测装置如何实现本发明实施例中的数据检测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中数据检测方法所采用的装置,都属于本申请所欲保护的范围。
实施例六
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如异常检测模型训练或数据检测方法。
其中,异常检测模型训练方法包括:根据原始历史样本数据获取集群代表样本数据;对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
数据检测方法包括:获取目标待检测数据;根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型;其中,所述异常检测模型通过本发明实施例所述的异常检测模型训练方法训练得到;将所述目标待检测数据的提取特征输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
在一些实施例中,异常检测模型训练或数据检测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的异常检测模型训练或数据检测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行异常检测模型训练或数据检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
Claims (11)
1.一种异常检测模型训练方法,其特征在于,包括:
根据原始历史样本数据获取集群代表样本数据;
对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;
提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
2.根据权利要求1所述的方法,其特征在于,所述根据原始历史样本数据获取集群代表样本数据,包括:
对所述原始历史样本数据进行预处理,得到预处理样本数据;
根据预设聚类算法对所述预处理样本数据进行聚类处理,得到多个聚类集群样本数据;
对各所述聚类集群样本数据筛选所述集群代表样本数据。
3.根据权利要求2所述的方法,其特征在于,所述对各所述聚类集群样本数据筛选所述集群代表样本数据,包括:
确定目标标准差阈值;
将当前聚类集群样本数据中标准差大于或等于所述目标标准差阈值的数据筛选为当前聚类集群样本数据对应的备用聚类集群样本数据;
对各所述聚类集群样本数据对应的备用聚类集群样本数据进行排序,并根据排序结果从所述备用聚类集群样本数据中筛选所述集群代表样本数据。
4.根据权利要求1所述的方法,其特征在于,所述对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据,包括:
对各所述集群代表样本数据的时间序列进行随机排序;
根据各所述集群代表样本数据的随机排序结果对各所述集群代表样本数据进行一维拼接,得到所述拼接集群代表样本数据。
5.根据权利要求1所述的方法,其特征在于,在所述提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型之后,还包括:
根据所述原始历史样本数据生成模型唯一编码;
根据所述模型唯一编码对所述异常检测模型进行标识。
6.根据权利要求1-5任一所述的方法,其特征在于,所述原始历史样本数据包括关键性能指标KPI数据。
7.一种数据检测方法,其特征在于,包括:
获取目标待检测数据;
根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型;其中,所述异常检测模型通过权利要求1-6任一所述的异常检测模型训练方法训练得到;
将所述目标待检测数据的提取特征输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
8.一种异常检测模型训练装置,其特征在于,包括:
集群代表样本数据获取模块,用于根据原始历史样本数据获取集群代表样本数据;
集群代表样本数据拼接模块,用于对所述集群代表样本数据进行一维拼接,得到拼接集群代表样本数据;
异常检测模型训练模块,用于提取所述拼接集群代表样本数据的特征,并将提取的特征输入至孤立森林模型中进行训练,得到异常检测模型。
9.一种数据检测装置,其特征在于,包括:
目标待检测数据获取模块,用于获取目标待检测数据;
目标异常检测模型确定模块,用于根据异常检测模型的模型唯一编码从各所述异常检测模型中确定目标异常检测模型;其中,所述异常检测模型通过权利要求1-6任一所述的异常检测模型训练方法训练得到;
目标待检测数据检测模块,用于将所述目标待检测数据的提取特征输入至所述目标异常检测模型中,以通过所述目标异常检测模型对所述目标待检测数据进行异常检测。
10.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一所述的异常检测模型训练方法,或执行权利要求7所述的数据检测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-6中任一所述的异常检测模型训练方法,或执行权利要求7所述的数据检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428494.9A CN117454174A (zh) | 2023-10-31 | 2023-10-31 | 异常检测模型训练、数据检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311428494.9A CN117454174A (zh) | 2023-10-31 | 2023-10-31 | 异常检测模型训练、数据检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454174A true CN117454174A (zh) | 2024-01-26 |
Family
ID=89592480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311428494.9A Pending CN117454174A (zh) | 2023-10-31 | 2023-10-31 | 异常检测模型训练、数据检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454174A (zh) |
-
2023
- 2023-10-31 CN CN202311428494.9A patent/CN117454174A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826648B (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
CN110990461A (zh) | 大数据分析模型算法选型方法、装置、电子设备及介质 | |
CN111796957B (zh) | 基于应用日志的交易异常根因分析方法及系统 | |
CN106708738B (zh) | 一种软件测试缺陷预测方法及系统 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN110493221A (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
CN111738348A (zh) | 一种电力数据异常检测方法和装置 | |
CN115879017A (zh) | 一种电力敏感数据自动化分类分级方法、装置及存储介质 | |
CN114978877B (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
CN113409555A (zh) | 一种基于物联网的实时报警联动方法及系统 | |
CN112800115A (zh) | 数据处理方法及数据处理装置 | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
CN113111139A (zh) | 一种基于物联传感器的告警检测方法和装置 | |
CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
CN112039907A (zh) | 一种基于物联网终端评测平台的自动测试方法及系统 | |
CN115391160B (zh) | 一种异常变更检测方法、装置、设备及存储介质 | |
CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
CN111798237B (zh) | 基于应用日志的异常交易诊断方法及系统 | |
CN117454174A (zh) | 异常检测模型训练、数据检测方法、装置、设备及介质 | |
CN115756919A (zh) | 一种面向多维数据的根因定位方法及系统 | |
CN115509784A (zh) | 数据库实例的故障检测方法和装置 | |
CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
CN113610225A (zh) | 质量评估模型训练方法、装置、电子设备及存储介质 | |
CN111209158A (zh) | 服务器集群的挖矿监控方法及集群监控系统 |
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 |