CN117667587A - 一种异常检测方法、装置、电子设备及存储介质 - Google Patents
一种异常检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117667587A CN117667587A CN202311658345.1A CN202311658345A CN117667587A CN 117667587 A CN117667587 A CN 117667587A CN 202311658345 A CN202311658345 A CN 202311658345A CN 117667587 A CN117667587 A CN 117667587A
- Authority
- CN
- China
- Prior art keywords
- target
- monitoring
- change data
- input
- time 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 230000005856 abnormality Effects 0.000 title claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 196
- 230000008859 change Effects 0.000 claims abstract description 124
- 239000011159 matrix material Substances 0.000 claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013075 data extraction Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实施例公开了一种异常检测方法、装置、电子设备及存储介质。该方法包括：收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，并对多个监控指标进行组合，得到至少一个监控指标组合；针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵；基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于卷积长短期记忆网络以及目标原始输入，得到目标重构输入；通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题。本发明可以准确检测信息系统中是否存在异常问题。
Description
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种异常检测方法、装置、电子设备及存储介质。
背景技术
随着信息技术的不断发展，现代的信息系统逐步向大规模和复杂化发展。一旦大规模复杂的信息系统中出现运行异常并且未被及时发现，可能会给整个信息系统造成不可逆转的影响。因此，有效发现信息系统中的异常问题，确保信息系统的高可用性、高性能和高安全性，至关重要。
目前，主要基于有监督学习检测信息系统中的异常问题，这一实现方案需要大量带标注的异常数据作为训练集，以帮助机器学习算法学习如何识别异常数据。但是，经实践发现，该实现方案至少存在如下两方面问题：
一方面，由于异常数据通常比正常数据更为罕见和不可预测，这使得获取大量带标注的异常数据是难以实现的，异常数据的缺少，会直接影响到训练出的机器学习模型的异常检测能力；另一方面，异常数据的标注过程严重依赖于标注人员的专业知识和背景，使得无法保证机器学习模型的异常检测能力。
发明内容
本发明实施例提供了一种异常检测方法、装置、电子设备及存储介质，以准确检测信息系统中是否存在异常问题。
根据本发明的一方面，提供了一种异常检测方法，包括：
收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合；
针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵；
基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，其中，卷积长短期记忆网络基于无监督方式预先训练得到；
通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题。
根据本发明的另一方面，提供了一种异常检测装置，可以包括：
监控指标组合得到模块，用于收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合；
多尺度状态矩阵确定模块，用于针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵；
目标重构输入得到模块，用于针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵；
异常问题检测模块，用于通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题。
根据本发明的另一方面，提供了一种电子设备，可以包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；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，计算机程序被至少一个处理器执行，以使至少一个处理器执行时实现本发明任意实施例所提供的异常检测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任意实施例所提供的异常检测方法。
本发明实施例的技术方案，通过收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合，通过对监控指标进行组合可以进一步的计算监控指标之间的相关性；针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵，这样做可以通过各监控指标之间的相关性的多尺度状态矩阵，更好地刻画大规模复杂信息系统的运行状态，弥补了单监控指标表征能力不足的问题；基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，其中，卷积长短期记忆网络基于无监督方式预先训练得到，无监督训练方式的应用，解决了因为异常数据标注而带来的一些列问题；通过对比目标原始输入与目标重构输入间的差异性，检测信息系统中是否存在异常问题，这样只需通过两者之间的差异性即可判断是否存在问题，无需过多依赖人工，提高了异常检测的效率，降低了成本。上述技术方案，考虑到信息系统中多个监控指标之间的相关性，并且基于无监督方式训练出可用于分析时序变化数据的卷积长短期记忆网络，由此实现了信息系统中异常问题的准确检测。
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是重要特征，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是根据本发明实施例提供的一种异常检测方法的流程图；
图2是根据本发明实施例提供的另一种异常检测方法的流程图；
图3是根据本发明实施例提供的另一种异常检测方法具体示例的结构框图；
图4是根据本发明实施例提供的一种异常检测装置的结构框图；
图5是实现本发明实施例的异常检测方法的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。“目标”、“原始”等的情况类似，在此不再赘述。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。
图1是本发明实施例中提供的一种异常检测方法的流程图。本实施例可适用于无监督学习检测信息系统中的异常问题的情况，尤其适用于根据多个指标之间的相关性，无监督学习检测信息系统中的异常问题的情况。该方法可以由本发明实施例提供的异常检测装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可集成在电子设备上，该电子设备可以是各种用户终端或服务器。
参见图1，本发明实施例的方法具体包括如下步骤：
S110、收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合。
其中，目标时段可理解为对监控指标进行异常检测的时段。可选的，可以是人工设置的一段时间，也可以是通过定时任务设置好的进行轮询的时段。
监控指标可理解为信息系统中各模块的各项被监控的指标信息。可选的，例如，中央处理器、内存和硬盘等关键部件的运行状态(如CPU利用率、交换内存利用率和磁盘利用率等)。
时序变化数据可理解为各监控指标的时序变化情况。可选的，可通过下式进行表示：其中，x为监控指标，n为监控指标数量，T为监控时长。
监控指标组合可理解为对多个监控指标进行组合得到的监控指标组合。可选的，可以是两两组合，也可以是三三组合等其他数量的组合，可根据实际情况进行选择，这里不做具体限制。
对信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据进行收集，并对监控指标进行组合，得到监控指标组合，这样可以考虑到复杂信息系统中各监控指标之间的相关性，提高异常数据检测的准确性。
S120、针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵。
其中，多尺度状态矩阵可理解为在监控指标列表中任选多个系统指标，并获取多个指标在特定长度时间窗口内的数值变化趋势，利用笛卡尔积计算多个指标时序变化得到的相关性矩阵。
基于每个监控指标组合中各监控指标分别对应的时序变化数据，构建表征各监控指标之间的相关性的多尺度状态矩阵，可以通过多尺度状态矩阵表征出信息系统中各监控指标对应的不同软硬件之间的关联关系，考虑到了不同监控指标的相互影响，从而可以提高异常检测的准确性。
S130、基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，其中，卷积长短期记忆网络基于无监督方式预先训练得到。
其中，目标原始输入可理解为输入卷积长短期记忆网络进行处理的基于目标时间段内的各监控指标组合的多尺度状态矩阵得到的原始输入数据。
卷积长短期记忆网络可理解为一种基于无监督方式预先训练得到的，结合了卷积神经网络和长短时记忆网络的深度神经网络模型，其将长短期记忆网络中的一部分连接操作替换为了卷积操作，具有良好的时序特征提取能力和空间特征提取能力。
无监督方式可理解为能够自动化地从海量的无标注数据中检测和识别出系统的异常数据的神经网络训练方式。
目标重构输入可理解为通过卷积长短期记忆网络对目标原始输入进行处理得到的重构数据。
通过将目标原始数据输入到基于无监督方式预先训练得到的卷积长短期记忆网络中进行处理，即可以基于目标原始数据得到目标重构输入。
S140、通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题。
其中，当目标原始数据无异常时，可以得到与目标原始数据相近的的目标重构输入；当目标原始数据存在异常时，得到的目标重构输入与目标原始数据存在较大差距，通过将两者进行对比，即可检测信息系统中是否存在异常问题。
本发明实施例的技术方案，通过收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合，通过对监控指标进行组合可以进一步的计算监控指标之间的相关性；针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵，这样做可以通过各监控指标之间的相关性的多尺度状态矩阵，更好地刻画大规模复杂信息系统的运行状态，弥补了单监控指标表征能力不足的问题；基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，其中，卷积长短期记忆网络基于无监督方式预先训练得到，无监督训练方式的应用，解决了因为异常数据标注而带来的一些列问题；通过对比目标原始输入与目标重构输入间的差异性，检测信息系统中是否存在异常问题，这样只需通过两者之间的差异性即可判断是否存在问题，无需过多依赖人工，提高了异常检测的效率，降低了成本。上述技术方案，考虑到信息系统中多个监控指标之间的相关性，并且基于无监督方式训练出可用于分析时序变化数据的卷积长短期记忆网络，由此实现了信息系统中异常问题的准确检测。
一种可选的技术方案，通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题，包括：针对目标原始输入中的每个原始数值，确定目标重构输入中的与原始数值对应的重构数值，计算原始数值与重构数值之间的差值；在差值大于预设差值阈值的情况下，对预设差异指标的指标分数进行递增处理，并根据得到的递增处理结果更新指标分数；在处理完成目标原始输入中的至少部分原始数值之后，根据指标分数，检测信息系统中是否存在异常问题。
其中，指标分数可理解为对目标原始输入和目标重构输入的差异性进行评估的分数。
针对目标原始输入中的每个原始数值，当与其对应的目标重构输入中的重构数值与该原始数值的差值大于预设阈值时，即对指标分数进行递增处理，可选的，例如是对指标分数进行加一处理，当指标分数达到预设阈值时，则可以判断该目标原始输入存在异常。可选的，检测信息系统中是否存在异常问题，可以是当处理完部分原始数值后，指标分数达到预设阈值，此时判断该目标原始输入存在异常，也可以是对目标原始输入中的所有原始数值都处理完毕，得到指标分数后再判断该目标原始输入是否存在异常。
通过对目标原始输入中的每个原始数值与目标重构输入对应的重构数值进行对比，当两者差值大于预设阈值的数值数量过多时，则判断该目标原始输入存在异常，进而判断该监控指标组合异常，从而实现信息系统中异常问题的准确检测。
另一种可选的技术方案，基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，包括：基于预设的不同尺度下的至少两个卷积核，逐步对目标原始输入进行编码，得到至少两个卷积核分别输出的编码结果；基于预先训练完成的卷积长短期记忆网络，对至少两个卷积核分别输出的编码结果进行时序演化建模，得到卷积长短期记忆网络中的每层网络分别输出的时序演化建模结果；针对每层网络分别输出的时序演化建模结果进行解码，得到目标重构输入。
其中，对不同尺度下的至少两个卷积核，逐步对目标原始输入进行编码，得到至少两个卷积核分别输出的编码结果。可选的，例如至少两个卷积核为l个，假设Wl是第l-1个卷积核，则具体的编码计算过程可以表示为：
其中，为第l-1个卷积核对应的输出，/>为第l-2个卷积核对应的输出，bl为与卷积核Wl对应的偏置向量，*表示卷积操作，f(·)是非线性激活函数。在得到不同卷积核对应的输出编码结果后，使用卷积长短期记忆网络对每层的输出进行时序演化建模。可选的，对于第l层的输出，具体计算过程如下：
其中,和/>分别是第l-1个卷积操作的输出、第t-1个LSTM神经元的输出和第t-1个LSTM神经元的内部状态，/>和/>分别是对应于第t-1个LSTM神经元的可学习参数和偏置。在此之后，针对每层网络分别输出的时序演化建模结果进行解码，得到目标重构输入。可选的，可以针对于每一层卷积长短期记忆网络的输出使用逆卷积方法进行解码，可选的，具体的解码方式如下：
其中，为第l个逆卷积的输出，/>表示逆卷积操作。
通过对目标原始输入进行编码，并通过卷积长短期记忆网络对目标原始输入进行时序演化建模，再对建模结果进行解码，可以准确的得到目标重构输入，提高目标原始输入和目标重构输入对比结果的准确性。
又一种可选的技术方案，卷积长短期记忆网络，通过如下步骤预先训练得到：收集信息系统于历史时段内在多个监控指标下分别对应的历史变化数据；基于与监控指标组合中的各监控指标分别对应的历史变化数据，确定用于表征各监控指标之间的相关性的历史状态矩阵；基于历史状态矩阵，得到与监控指标组合对应的历史原始输入，并基于原始网络以及历史原始输入，得到历史重构输入，其中，原始网络与卷积长短期记忆网络的网络结构相同；通过对比历史原始输入与历史重构输入之间的差异性，计算重构损失，并基于重构损失调整原始网络中的参数，以训练得到卷积长短期记忆网络。
其中，历史变化数据可理解为历史时段中的多个监控指标变化数据。
历史状态矩阵可理解为在历史时间段内的利用笛卡尔积计算多个历史监控指标时序变化得到的用于表征各历史监控指标之间的相关性的多个多尺度相关性矩阵。
历史原始输入可理解为基于历史时间段内的各监控指标组合的多尺度状态矩阵得到的历史输入数据。
原始网络可理解为用于进行训练的与卷积长短期记忆网络的网络结构相同的神经网络。
重构损失可理解为基于历史原始输入重构得到的历史重构输入与该历史原始输入之间的差异。
获取历史时间段内的历史输入数据，将该历史输入数据通过原始网络进行处理，得到历史重构输入，通过对比历史原始输入与历史重构输入之间的差异性，计算重构损失，并基于重构损失调整原始网络中的参数，使该原始网络不断优化，直至重构损失达到预设标准，这样即可训练得到卷积长短期记忆网络。
通过历史输入数据进行训练得到的卷积长短期记忆网络，正常的原始输入通过该卷积长短期记忆网络处理后可以得到相近的重构输入，异常的原始输入由于该卷积长短期记忆网络未曾训练过，因此得到的重构输入与原始输入差距较大，基于此，可以通过该预先训练得到卷积长短期记忆网络提高异常检测的准确性。
图2是本发明实施例中提供的另一种异常检测方法的流程图。本实施例以上述各技术方案为基础进行优化。在本实施例中，可选的，各监控指标包括第一监控指标和第二监控指标，则各监控指标分别对应的时序变化数据包括第一监控指标对应的第一时序变化数据以及第二监控指标对应的第二时序变化数据；基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵，包括：基于预设窗口长度以及目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，以及从第二时序变化数据中提取出第二窗口变化数据，其中，预设窗口长度小于或等于目标时段的时间长度；基于第一窗口变化数据和第二窗口变化数据，确定用于表征第一监控指标与第二监控指标之间的相关性的多尺度状态矩阵。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
参见图2，本实施例的方法具体可以包括如下步骤：
S210、收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合。
S220、针对至少一个监控指标组合中的每个监控指标组合，从采集到的各时序变化数据中确定出与监控指标组合中的第一监控指标对应的第一时序变化数据，以及与监控指标组合中的第二监控指标对应的第二时序变化数据。
其中，第一时序变化数据可理解为第一监控指标对应的在目标时间段内的第一监控指标的变化数据；第二时序变化数据可理解为第二监控指标对应的在目标时间段内的第二监控指标的变化数据。
S230、基于预设窗口长度和目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，以及从第二时序变化数据中提取出第二窗口变化数据，其中，预设窗口长度小于或等于目标时段的时间长度。
其中，预设窗口长度可理解为目标时段中的一段预设的时间长度，如目标时间段为10s，则预设窗口长度可以为2s、3s等等，只要不大于目标时段即可。
第一窗口变化数据可理解为在第一时序变化数据中提取出的，预设窗口长度的时序变化数据；第二窗口变化数据可理解为在第二时序变化数据中提取出的，预设窗口长度的时序变化数据。
S240、基于第一窗口变化数据和第二窗口变化数据，确定用于表征第一监控指标与第二监控指标之间的相关性的多尺度状态矩阵。
其中，在得到第一窗口变化数据和第二窗口变化数据后，可以确定用于表征第一监控指标与第二监控指标之间的相关性的多尺度状态矩阵。可选的，可以根据成对內积的原则计算指标和/>之间的相关性/>具体规则如下：
其中，是多尺度状态矩阵/>中第i行、第j列的值，κ为缩放因子，/>为第一窗口变化数据，/>为第二窗口变化数据。
S250、基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，其中，卷积长短期记忆网络基于无监督方式预先训练得到。
S260、通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题。
本发明实施例的技术方案，通过对监控指标进行组合，基于各监控指标分别对应的时序变化数据，建立用于表征各监控指标之间的相关性的多尺度状态矩阵，考虑到了不同监控指标之间的相互影响，提高了对各监控指标异常检测的准确性。
一种可选的技术方案，基于预设窗口长度以及目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，包括：基于预设窗口长度以及目标时段内的当前时刻，确定目标时段内的于当前时刻之前并且时刻数量与预设窗口长度对应的历史时刻；从第一时序变化数据中提取出分别位于当前时刻下以及时刻数量的历史时刻下的指标数据；基于提取出的指标数据，组合得到第一窗口变化数据。
其中，可选的，若指定状态窗口长度为ω，可以两个指标在状态窗口内的变化情况分别表示为和/>
其中，t为目标时段，为第一窗口变化数据，/>为第二窗口变化数据。
另一种可选的技术方案，预设窗口长度的数量是至少两个，则基于预设窗口长度以及目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，以及从第二时序变化数据中提取出第二窗口变化数据，包括：针对至少两个预设窗口长度中的每个预设窗口长度，基于预设窗口长度和目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，以及从第二时序变化数据中提取出第二窗口变化数据；相应的，基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，包括：对已得到的至少两个多尺度状态矩阵进行拼接，得到与监控指标组合对应的目标原始输入。
其中，对已得到的至少两个多尺度状态矩阵进行拼接，得到与监控指标组合对应的目标原始输入，可以表示为：
其中，为不同状态窗口长度ω的多尺度状态矩阵，ω1、ω2、ω3表示不同的窗口长度。
通过对不同状态窗口长度ω的多尺度状态矩阵拼接起来，可以得到不同时序特征的多尺度状态矩阵，提高对监控指标异常检测的准确性。
为了更好地理解上述的各个技术方案，下面结合具体示例进行示例性说明，逻辑流程图如图3所示。示例性的，具体步骤如下：
一、监控指标收集模块
利用定时任务轮询地收集系统中中央处理器、内存和硬盘等关键部件的运行状态，如CPU利用率、交换内存利用率和磁盘利用率等等。所有需要收集的监控指标如表1所示。将所有收集到的监控指标的时序变化情况表示为其中n为监控指标数量，T为监控时长。
表1信息系统监控指标列表
二、多尺度状态矩阵构造模块
将指标集合X中的所有指标进行两两组合，并根据组合结果构建多尺度状态矩阵。指定状态窗口长度为ω，可以两个指标在状态窗口内的变化情况分别表示为和/>接下来可以根据成对內积的原则计算指标/>和/>之间的相关性/>具体规则如下：
其中，是多尺度状态矩阵/>中第i行、第j列的值，κ为缩放因子。
三、时序相关性表征模块
通过编码器、卷积长短期记忆网络和解码器对多尺度状态矩阵中的相关性和时序变化进行表征。
首先将对应于不同状态窗口长度ω的多尺度状态矩阵拼接起来，组成新的输入/>并使用不同尺度的卷积核逐步对输入进行表征。假设Wl是第l-1个卷积核，则具体的计算过程可以表示为
其中，为第l-2个卷积核对应的输出，bl为与卷积核Wl对应的偏置向量，*表示卷积操作，f(·)是非线性激活函数。
在得到了不同卷积层的输出之后，使用卷积长短期记忆网络对每层的输出进行时序演化建模。对于第l层的输出，具体计算过程如下：
其中，和/>分别是第l-1个卷积操作的输出、第t-1个LSTM神经元的输出和第t-1个LSTM神经元的内部状态，/>和/>分别是对应于第t-1个LSTM神经元的可学习参数和偏置。
最后，针对于每一层卷积长短期记忆网络的输出使用逆卷积方法进行解码，具体的解码方式如下：
其中，为第l个逆卷积的输出，/>表示逆卷积操作。
四、异常级别预测模块
基于上述模块，可以计算原始输入和重构输入之间的重构损失，并通过最小化该损失函数对模型进行训练，具体如下：
其中，t,i,j,c分别表示时间戳、横纵坐标和通道数。
而在预测过程中，需要计算当前时刻t下的异常分数S，该分数被定义为通过模型重构失败的元素个数。具体来讲，当多尺度状态矩阵中第i行、第j列的值与输出矩阵中第i行、第j列的值之间的差异大于指定阈值θ时，当前时刻的异常分数会执行加一的操作。
其中，I(a,b)为指示函数，当a>b时为1，反之则为0。
在得到异常分数后，通过判断异常分数是否大于预设阈值，即可判断该监控指标是否异常。
上述具体示例，实现了在考虑到信息系统之间多个监控指标之间的相关性的情况下，以无监督学习的方式完成了监控指标的异常检测，提高了监控指标异常检测的准确性。
图4为本发明实施例提供的异常检测装置的结构框图，该装置用于执行上述任意实施例所提供的异常检测方法。该装置与上述各实施例的异常检测方法属于同一个发明构思，在异常检测装置的实施例中未详尽描述的细节内容，可以参考上述异常检测方法的实施例。参见图4，该装置具体可包括：监控指标组合得到模块310、多尺度状态矩阵确定模块320、目标重构输入得到模块330和异常问题检测模块340。
其中，监控指标组合得到模块310，用于收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合；
多尺度状态矩阵确定模块320，用于针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵；
目标重构输入得到模块330，基于多尺度状态矩阵，得到与监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及目标原始输入，得到目标重构输入，其中，卷积长短期记忆网络基于无监督方式预先训练得到；
异常问题检测模块340，用于通过对比目标原始输入与目标重构输入之间的差异性，检测信息系统中是否存在异常问题。
可选的，异常问题检测模块还包括：
差值计算子模块，用于针对目标原始输入中的每个原始数值，确定目标重构输入中的与原始数值对应的重构数值，计算原始数值与重构数值之间的差值；
指标分数更新子模块，用于在差值大于预设差值阈值的情况下，对预设差异指标的指标分数进行递增处理，并根据得到的递增处理结果更新指标分数；
异常问题检测子模块，用于在处理完成目标原始输入中的至少部分原始数值之后，根据指标分数，检测信息系统中是否存在异常问题。
可选的，各监控指标包括第一监控指标和第二监控指标，则各监控指标分别对应的时序变化数据包括第一监控指标对应的第一时序变化数据以及第二监控指标对应的第二时序变化数据；
多尺度状态矩阵确定模块还包括：
窗口变化数据提取子模块，用于基于预设窗口长度以及目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，以及从第二时序变化数据中提取出第二窗口变化数据，其中，预设窗口长度小于或等于目标时段的时间长度；
多尺度状态矩阵确定子模块，用于基于第一窗口变化数据和第二窗口变化数据，确定用于表征第一监控指标与第二监控指标之间的相关性的多尺度状态矩阵。
可选的，窗口变化数据提取子模块还包括：
历史时刻确定单元，用于基于预设窗口长度以及目标时段内的当前时刻，确定目标时段内的于当前时刻之前并且时刻数量与预设窗口长度对应的历史时刻；
指标数据提取单元，用于从第一时序变化数据中提取出分别位于当前时刻下以及时刻数量的历史时刻下的指标数据；
第一窗口变化数据得到单元，用于基于提取出的指标数据，组合得到第一窗口变化数据。
可选的，预设窗口长度的数量是至少两个；
窗口变化数据提取子模块还包括：
窗口变化数据提取单元，用于针对至少两个预设窗口长度中的每个预设窗口长度，基于预设窗口长度和目标时段内的当前时刻，从第一时序变化数据中提取出第一窗口变化数据，及从第二时序变化数据中提取出第二窗口变化数据；
目标重构输入得到模块还包括：
目标原始输入得到子模块，用于对已得到的至少两个多尺度状态矩阵进行拼接，得到与监控指标组合对应的目标原始输入。
可选的，目标重构输入得到模块还包括：
编码结果得到子模块，用于基于预设的不同尺度下的至少两个卷积核，逐步对目标原始输入进行编码，得到至少两个卷积核分别输出的编码结果；
时序演化建模结果得到子模块，用于基于预先训练完成的卷积长短期记忆网络，对至少两个卷积核分别输出的编码结果进行时序演化建模，得到卷积长短期记忆网络中的每层网络分别输出的时序演化建模结果；
目标重构输入得到子模块，用于针对每层网络分别输出的时序演化建模结果进行解码，得到目标重构输入。
可选的，异常检测装置还包括：
历史变化数据收集模块，用于收集信息系统于历史时段内在多个监控指标下分别对应的历史变化数据；
历史状态矩阵确定模块，用于基于与监控指标组合中的各监控指标分别对应的历史变化数据，确定用于表征各监控指标之间的相关性的历史状态矩阵；
历史重构输入得到模块，用于基于历史状态矩阵，得到与监控指标组合对应的历史原始输入，并基于原始网络以及历史原始输入，得到历史重构输入，其中，原始网络与卷积长短期记忆网络的网络结构相同；
卷积长短期记忆网络训练模块，用于通过对比历史原始输入与历史重构输入之间的差异性，计算重构损失，并基于重构损失调整原始网络中的参数，以训练得到卷积长短期记忆网络。
本发明实施例提供的异常检测装置，通过监控指标组合得到模块，收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对多个监控指标进行组合，得到至少一个监控指标组合，通过对监控指标进行组合可以进一步的计算监控指标之间的相关性；通过多尺度状态矩阵确定模块，针对至少一个监控指标组合中的每个监控指标组合，基于与监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征各监控指标之间的相关性的多尺度状态矩阵，这样做可通过各监控指标之间的相关性的多尺度状态矩阵，更好地刻画大规模复杂信息系统的运行状态，弥补了单监控指标表征能力不足的问题；通过目标重构输入得到模块，对比目标原始输入与目标重构输入间的差异性，检测信息系统中是否存在异常问题，这样只需通过两者之间的差异性即可判断是否存在问题，无需过多依赖人工，提高了异常检测的效率，降低了成本。上述装置，考虑到信息系统中多个监控指标之间的相关性，并且基于无监督方式训练出可用于分析时序变化数据的卷积长短期记忆网络，由此实现了信息系统中异常问题的准确检测。
本发明实施例所提供的异常检测装置可执行本发明任意实施例所提供的异常检测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述异常检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
图5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5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，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，例如异常检测方法。
在一些实施例中，异常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、以及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、以及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、专用计算机或是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并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。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种异常检测方法，其特征在于，包括：
收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对所述多个监控指标进行组合，得到至少一个监控指标组合；
针对所述至少一个监控指标组合中的每个监控指标组合，基于与所述监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征所述各监控指标之间的相关性的多尺度状态矩阵；
基于所述多尺度状态矩阵，得到与所述监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及所述目标原始输入，得到目标重构输入，其中，所述卷积长短期记忆网络基于无监督方式预先训练得到；
通过对比所述目标原始输入与所述目标重构输入之间的差异性，检测所述信息系统中是否存在异常问题。
2.根据权利要求1所述的方法，其特征在于，所述通过对比所述目标原始输入与所述目标重构输入之间的差异性，检测所述信息系统中是否存在异常问题，包括：
针对所述目标原始输入中的每个原始数值，确定所述目标重构输入中的与所述原始数值对应的重构数值，计算所述原始数值与所述重构数值之间的差值；
在所述差值大于预设差值阈值的情况下，对预设差异指标的指标分数进行递增处理，并根据得到的递增处理结果更新所述指标分数；
在处理完成所述目标原始输入中的至少部分原始数值之后，根据所述指标分数，检测所述信息系统中是否存在异常问题。
3.根据权利要求1所述的方法，其特征在于，所述各监控指标包括第一监控指标和第二监控指标，则所述各监控指标分别对应的时序变化数据包括所述第一监控指标对应的第一时序变化数据以及所述第二监控指标对应的第二时序变化数据；
所述基于与所述监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征所述各监控指标之间的相关性的多尺度状态矩阵，包括：
基于预设窗口长度以及所述目标时段内的当前时刻，从所述第一时序变化数据中提取出第一窗口变化数据，以及从所述第二时序变化数据中提取出第二窗口变化数据，其中，所述预设窗口长度小于或等于所述目标时段的时间长度；
基于所述第一窗口变化数据和所述第二窗口变化数据，确定用于表征所述第一监控指标与所述第二监控指标之间的相关性的多尺度状态矩阵。
4.根据权利要求3所述的方法，其特征在于，所述基于预设窗口长度以及所述目标时段内的当前时刻，从所述第一时序变化数据中提取出第一窗口变化数据，包括：
基于预设窗口长度以及所述目标时段内的当前时刻，确定所述目标时段内的于所述当前时刻之前并且时刻数量与所述预设窗口长度对应的历史时刻；
从所述第一时序变化数据中提取出分别位于所述当前时刻下以及所述时刻数量的历史时刻下的指标数据；
基于提取出的指标数据，组合得到第一窗口变化数据。
5.根据权利要求3所述的方法，其特征在于，所述预设窗口长度的数量是至少两个，则所述基于预设窗口长度以及所述目标时段内的当前时刻，从所述第一时序变化数据中提取出第一窗口变化数据，以及从所述第二时序变化数据中提取出第二窗口变化数据，包括：
针对所述至少两个预设窗口长度中的每个预设窗口长度，基于所述预设窗口长度和所述目标时段内的当前时刻，从所述第一时序变化数据中提取出第一窗口变化数据，以及从所述第二时序变化数据中提取出第二窗口变化数据；
相应的，所述基于所述多尺度状态矩阵，得到与所述监控指标组合对应的目标原始输入，包括：
对已得到的所述至少两个多尺度状态矩阵进行拼接，得到与所述监控指标组合对应的目标原始输入。
6.根据权利要求1所述的方法，其特征在于，所述基于预先训练完成的卷积长短期记忆网络以及所述目标原始输入，得到目标重构输入，包括：
基于预设的不同尺度下的至少两个卷积核，逐步对所述目标原始输入进行编码，得到所述至少两个卷积核分别输出的编码结果；
基于预先训练完成的卷积长短期记忆网络，对所述至少两个卷积核分别输出的编码结果进行时序演化建模，得到所述卷积长短期记忆网络中的每层网络分别输出的时序演化建模结果；
针对所述每层网络分别输出的时序演化建模结果进行解码，得到目标重构输入。
7.根据权利要求1所述的方法，其特征在于，所述卷积长短期记忆网络，通过如下步骤预先训练得到：
收集所述信息系统于历史时段内在所述多个监控指标下分别对应的历史变化数据；
基于与所述监控指标组合中的各监控指标分别对应的历史变化数据，确定用于表征所述各监控指标之间的相关性的历史状态矩阵；
基于所述历史状态矩阵，得到与所述监控指标组合对应的历史原始输入，并基于原始网络以及所述历史原始输入，得到历史重构输入，其中，所述原始网络与所述卷积长短期记忆网络的网络结构相同；
通过对比所述历史原始输入与所述历史重构输入之间的差异性，计算重构损失，并基于所述重构损失调整所述原始网络中的参数，以训练得到所述卷积长短期记忆网络。
8.一种异常检测装置，其特征在于，包括：
监控指标组合得到模块，用于收集信息系统于目标时段内在预设的多个监控指标下分别对应的时序变化数据，以及对所述多个监控指标进行组合，得到至少一个监控指标组合；
多尺度状态矩阵确定模块，用于针对所述至少一个监控指标组合中的每个监控指标组合，基于与所述监控指标组合中的各监控指标分别对应的时序变化数据，确定用于表征所述各监控指标之间的相关性的多尺度状态矩阵；
目标重构输入得到模块，基于所述多尺度状态矩阵，得到与所述监控指标组合对应的目标原始输入，并基于预先训练完成的卷积长短期记忆网络以及所述目标原始输入，得到目标重构输入，其中，所述卷积长短期记忆网络基于无监督方式预先训练得到；
异常问题检测模块，用于通过对比所述目标原始输入与所述目标重构输入之间的差异性，检测所述信息系统中是否存在异常问题。
9.一种电子设备，其特征在于，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执行如权利要求1-7中任一项所述的异常检测方法。
10.一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如权利要求1-7中任一所述的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311658345.1A CN117667587A (zh) | 2023-12-05 | 2023-12-05 | 一种异常检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311658345.1A CN117667587A (zh) | 2023-12-05 | 2023-12-05 | 一种异常检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117667587A true CN117667587A (zh) | 2024-03-08 |
Family
ID=90063685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311658345.1A Pending CN117667587A (zh) | 2023-12-05 | 2023-12-05 | 一种异常检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117667587A (zh) |
-
2023
- 2023-12-05 CN CN202311658345.1A patent/CN117667587A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
| CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
| CN117667587A (zh) | 一种异常检测方法、装置、电子设备及存储介质 | |
| CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 | |
| CN115375039A (zh) | 一种工业设备故障预测方法、装置、电子设备及存储介质 | |
| CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
| CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
| CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
| CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
| CN116070138B (zh) | 一种抽水蓄能机组的状态监测方法、装置、设备及介质 | |
| CN115391160B (zh) | 一种异常变更检测方法、装置、设备及存储介质 | |
| CN117591983B (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
| CN117891643A (zh) | 一种异常指标排序方法、装置、电子设备和存储介质 | |
| CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
| CN117608896A (zh) | 交易数据处理方法、装置、电子设备及存储介质 | |
| CN117434403A (zh) | 电器的局部放电检测方法及装置 | |
| CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
| CN117574087A (zh) | 模型的确定方法、内存故障预测方法、装置、介质及设备 | |
| CN117554747A (zh) | 电网故障诊断方法、装置、电子设备及存储介质 | |
| CN117688499A (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
| CN117195120A (zh) | 一种检测方法、装置、设备以及存储介质 | |
| CN116258167A (zh) | 一种数据检测方法、装置、电子设备及介质 | |
| CN117149486A (zh) | 告警和根因定位方法、模型训练方法、装置、设备及介质 |
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 |