CN117707899A - 一种微服务异常检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种微服务异常检测方法、装置、设备及存储介质。该方法包括：获取部署在Kubernetes平台上微服务的待检测指标数据；通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；将目标检测数据输入目标检测模型中，得到目标预测数据；若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常，通过本发明的技术方案，能够提高微服务异常检测的效率和准确性，进而减少运维人员压力，提高运维效率和可靠性。

Description

一种微服务异常检测方法、装置、设备及存储介质

技术领域

本发明实施例涉及人工智能技术领域，尤其涉及一种微服务异常检测方法、装置、设备及存储介质。

背景技术

随着互联网的飞速发展，业务的复杂性和软件系统架构的复杂性也在逐渐变大，微服务架构是一种新的软件系统架构，旨在解决传统软件系统架构的复杂性问题，主要致力于设计和开发高可维护性和高可扩展性的软件系统架构。

微服务架构为分布式应用系统的设计和实现提供了指导。遵循微服务架构的设计原则，业务中拆分的每一个微服务的功能都是具体的，且单个微服务的复杂度远小于整体的系统，所以开发人员可以快速开发或者更新某一个微服务。相比较传统的单体服务，各个微服务之间是相互独立的。所以，各个微服务可以单独开发和交付。在云原生时代，微服务以容器的形式部署在机器上，所以独立的微服务也可以被独立的调度部署和扩缩容。

微服务架构有很多优秀的设计，但同时它也存在着一些问题。随着业务的发展和变化，微服务的数量变得越来越多，导致整个微服务系统有海量性能指标，传统的微服务异常检测需要运维人员设置一个固定阈值，但面对海量性能指标时，为每一指标设置一个固定阈值会大幅增加运维人员压力，且微服务的更新迭代十分频繁，设置固定的阈值在微服务更新后往往并不适用。

发明内容

本发明实施例提供一种微服务异常检测方法、装置、设备及存储介质，解决了由于微服务具有海量指标数据导致人工检测微服务困难的问题。

根据本发明的一方面，提供了一种微服务异常检测方法，包括：

获取部署在Kubernetes平台上微服务的待检测指标数据；

通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；

将目标检测数据输入目标检测模型中，得到目标预测数据；

若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常。

根据本发明的另一方面，提供了一种微服务异常检测装置，该微服务异常检测装置包括：

获取模块，用于获取部署在Kubernetes平台上微服务的待检测指标数据；

处理模块，用于通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；

得到模块，用于将目标检测数据输入目标检测模型中，得到目标预测数据；

确定模块，用于若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常。

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微服务异常检测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，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微服务异常检测方法。

本发明实施例通过获取部署在Kubernetes平台上微服务的待检测指标数据；通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；将目标检测数据输入目标检测模型中，得到目标预测数据；若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常，解决了由于微服务具有海量指标数据导致人工检测微服务困难的问题，能够提高微服务异常检测的效率和准确性，进而减少运维人员压力，提高运维效率和可靠性。

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的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施例一中的一种微服务异常检测方法的流程图；

图2是本发明实施例一中的一种微服务异常检测的示意图；

图3是本发明实施例二中的一种微服务异常检测装置的结构示意图；

图4是本发明实施例三中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。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

实施例一

图1是本发明实施例一中的一种微服务异常检测方法的流程图，本实施例可适用于对微服务进行检测的情况，该方法可以由本发明实施例中的微服务异常检测装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：

S110，获取部署在Kubernetes平台上微服务的待检测指标数据。

其中，待检测指标数据为与微服务相关的指标数据，通过对待检测指标数据进行检测，能够判断微服务是否发生异常。可选的，所述指标数据包括：Kubernetes平台的工作节点的指标数据和微服务所属Pod的指标数据。

具体的，获取部署在Kubernetes平台上微服务的待检测指标数据的方式可以为：可通过开源监控工具Prometheus实时采集在Kubernetes平台工作节点的指标数据和微服务所属Pod的指标数据，并对Kubernetes平台工作节点的指标数据和微服务所属Pod的指标数据进行聚合，并处理其中的缺失值，得到待检测指标数据。

S120，通过滑动窗口的方式对待检测指标数据进行处理，得到目标检测数据。

其中，目标检测数据为待检测指标数据经过滑动窗口处理后，得到的检测数据。

具体的，通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据的方式可以为：设定滑动窗口的长度，通过滑动窗口在待检测指标数据中进行滑动，得到目标检测数据。

可选的，通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据，包括：

对所述待检测指标数据进行频域分析和因果分析，得到待检测指标数据对应的检测特征；

将所述检测特征添加至待检测指标数据，并通过滑动窗口的方式对添加检测特征的待检测指标数据进行处理，得到目标检测数据。

其中，待检测指标数据对应的检测特征可为待检测指标数据训练特征，其中，训练特征包括频率特征和因果特征。目标检测数据为需进行检测的指标数据，后续会作为目标检测模型的输入数据。

具体的，对所述待检测指标数据进行频域分析和因果分析，得到待检测指标数据对应的检测特征的方式可以为：对待检测指标数据进行预处理，得到待检测指标数据的时域特征，然后进行频域分析，包括傅里叶变换或小波变换，提取待检测指标数据的频域特征，基于频域特征和时域特征，对待检测指标数据进行因果分析，得到待检测指标数据的因果特征，将待检测指标数据的因果特征和待检测指标数据的频域特征作为待检测指标数据对应的检测特征。

具体的，将所述检测特征添加至待检测指标数据，并通过滑动窗口的方式对添加检测特征的待检测指标数据进行处理，得到目标检测数据的方式可以为：将检测特征添加至待检测指标数据中，然后再设定滑动窗口的长度，通过滑动窗口对添加检测特征的待检测指标数据进行滑动处理，得到目标检测数据。例如可以是，添加检测特征的待检测指标数据为S＝{S₁,S₂,...,S_m}，设定每一个时间序列S_i(1≤i≤m)长度为n，设定滑动窗口的长度为k，则使用长度为k的滑动窗口对待检测指标数据处理，可得到每一时间序列对应的n-k+1组数据，可用表示。

通过对所述待检测指标数据进行频域分析和因果分析，得到待检测指标数据对应的检测特征；将所述检测特征添加至待检测指标数据，并通过滑动窗口的方式对添加检测特征的待检测指标数据进行处理，得到目标检测数据，能够得到目标检测数据进行检测时的准确性，后续将目标检测数据输入至目标检测模型，能够提高模型的泛化性。

S130，将目标检测数据输入目标检测模型中，得到目标预测数据。

其中，目标检测模型可为多维指标预测模型，可通过将部署在Kubernetes平台上微服务的历史指标数据作为训练样本，训练待训练模型得到的已训练完成的检测模型。目标预测数据为目标检测模型的输出结果。

具体的，将目标检测数据输入目标检测模型中，得到目标预测数据的方式可以为：将目标检测数据输入至目标检测模型，将目标检测模型的输出结果确定为目标预测数据。

可选的，在将目标检测数据输入目标检测模型中，得到目标预测数据之前，还包括：

获取部署在Kubernetes平台上微服务的历史指标数据；

通过滑动窗口的方式对所述历史指标数据进行处理，得到历史检测数据；

将历史检测数据输入待训练模型，得到第一预测数据；

根据第一预测数据与历史检测数据确定损失函数；

根据损失函数对待训练模型进行迭代训练，直至得到目标检测模型。

其中，历史指标数据为通过Prometheus采集的历史数据，可作为训练样本对待训练模型进行训练，得到目标检测模型。历史检测数据为历史指标数据经过滑动窗口处理后，得到的检测数据。第一预测数据为训练时，每次输入历史检测数据，得到的输出结果。损失函数主要是通过历史检测数据中的真实值与第一预测数据进行对比计算得到的损失函数。

其中，待训练模型为初始训练模型，可包括时间编码层、位置编码层、解码器以及编码器。

具体的，获取部署在Kubernetes平台上微服务的历史指标数据的方式可以为：通过开源监控工具Prometheus采集部署在Kubernetes平台上微服务的历史指标数据。

具体的，通过滑动窗口的方式对所述历史指标数据进行处理，得到历史检测数据的方式可以为：对历史指标数据进行频域分析和因果分析，得到历史指标数据对应的检测特征，将检测特征添加至历史指标数据，然后对历史指标数据进行滑动窗口处理，得到历史检测数据。

具体的，将历史检测数据输入待训练模型，得到第一预测数据。

具体的，根据第一预测数据与历史检测数据确定损失函数的方式可以为：将第一预测数据与历史检测数据中的真实值作对比，通过计算得到损失函数。

具体的，根据损失函数对待训练模型进行迭代训练，直至得到目标检测模型的方式可以为：将损失函数反向传播至输入层，根据随机梯度下降函数调整待训练模型中的模型参数，迭代训练待训练模型，直至得到目标检测模型。

可选的，将历史检测数据输入待训练模型，得到第一预测数据，包括：

将历史检测数据输入至时间编码层，得到时间特征，并将时间特征添加至历史检测数据；

将添加时间特征的历史检测数据输入至位置编码层，得到历史检测数据对应的位置向量，并将所述位置向量添加至历史检测数据，得到中间检测数据；

将中间检测数据输入至编码器，得到中间检测数据对应的编码向量；

将所述编码向量前向传播至解码器，以使解码器生成第一预测数据。

其中，待训练模型可包括时间编码层、位置编码层、解码器以及编码器。中间检测数据为将待训练模型的输入的历史检测数据、历史检测数据对应的事件特征以及历史检测数据对应的位置向量聚合的检测数据，同样也是编码器的输入数据。

具体的，将历史检测数据输入至时间编码层，得到时间特征，并将时间特征添加至历史检测数据的方式可以为：将历史检测数据输入至待训练模型中的时间编码层，可根据历史检测数据对应的时间戳数据计算历史检测数据对应的时间特征，然后将时间特征添加至历史检测数据。

具体的，将添加时间特征的历史检测数据输入至位置编码层，得到历史检测数据对应的位置向量，并将所述位置向量添加至历史检测数据，得到中间检测数据的方式可以为：将添加时间特征的历史检测数据输入至位置编码层，预先设定合适的权重函数计算历史检测数据对应的位置向量，并将历史检测数据对应的位置向量添加至历史检测数据，得到中间检测数据。例如可以是，若历史检测数据为S′＝{S′₁,S′₂,...,S′_m}，同样，设定滑动窗口的长度为k，则可将添加时间特征的历史检测数据记为S′_ij(1≤i≤m,1≤j≤k)，则对应的位置向量可记为P′_ij，将P′_ij添加至S′_ij得到中间检测数据X′_ij。

需要说明的是，在得到历史检测数据的时间特征和位置向量时，可分别将历史检测数据输入至时间编码层和位置编码层，再将得到的时间特征和位置向量添加至历史检测数据，得到中间检测数据。

具体的，将中间检测数据输入至编码器，得到中间检测数据对应的编码向量的方式可以为：将中间检测数据输入至编码器中的注意力层中，在考虑整个中间检测数据中的每个时间序列的环境下计算中间检测数据对应的注意力分数(如在考虑整个时间序列X′_i的环境下计算X′_ij的注意力分数)，通过注意力分数得到中间检测数据对应的编码向量。

具体的，将所述编码向量前向传播至解码器，以使解码器生成第一预测数据的方式可以为：将中间检测数据对应的编码向量标准化后前向传播至解码器，解码器在接收到编码器的输出结果后，逐步生成第一预测数据，例如，第一预测数据可为Y′_ij′(1≤i≤m,2≤j′≤k+1)。需要说明的是，在获取第一预测数据之后，将Y′_ij′(j′＝k+1)与真实值S′_ij(j＝k+1)进行对比计算得到损失函数，将损失函数从输出层向隐藏层反向传播到输入层，根据随机梯度下降函数调整待训练模型中的模型参数，迭代训练待训练模型，直至得到目标检测模型。

通过获取部署在Kubernetes平台上微服务的历史指标数据，通过滑动窗口的方式对所述历史指标数据进行处理，得到历史检测数据，将历史检测数据输入至时间编码层，得到时间特征，并将时间特征添加至历史检测数据；将添加时间特征的历史检测数据输入至位置编码层，得到历史检测数据对应的位置向量，并将所述位置向量添加至历史检测数据，得到中间检测数据；将中间检测数据输入至编码器，得到中间检测数据对应的编码向量；将所述编码向量前向传播至解码器，以使解码器生成第一预测数据，根据第一预测数据与历史检测数据确定损失函数；根据损失函数对待训练模型进行迭代训练，直至得到目标检测模型得到目标检测模型，能够提高模型的时序分析能力、空间分析能力以及泛化能力，进而提高模型的预测准确性。

S140，若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常。

其中，最大阈值和最小阈值可根据实际需求进行预设，也可根据目标检测数据计算得到。

具体的，若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常的方式可以为：若目标预测数据处于最小阈值与最大阈值构建的阈值范围之内，说明目标预测数据处于正常范围内，微服务正常；若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，说明目标预测数据超出正常范围，确定微服务异常。

可选的，在若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常之前，还包括：

根据目标检测数据确定目标检测数据对应的平均值和标准差；

根据所述平均值和所述标准差确定最大阈值和最小阈值。

具体的，根据目标检测数据确定目标检测数据对应的平均值和标准差的方式可以为：可通过numpy数组存储目标检测数据，通过mean()函数计算目标检测数据对应的平均值，通过std()函数计算目标检测数据对应的标准差。

具体的，根据所述平均值和所述标准差确定最大阈值和最小阈值的方式可以为：通过3σ原则计算最大阈值和最小阈值，其中，最大阈值可通过平均值加两倍的标准差得到，最小阈值为平均值减去两倍的标准差得到。

通过根据目标检测数据确定目标检测数据对应的平均值和标准差，根据所述平均值和所述标准差确定最大阈值和最小阈值，能够提高数据处理的效率和准确性，进而根据目标预测数据、最大阈值以及最小阈值确定微服务是否异常。

在一个具体的例子中，如图2所示，图2是本发明实施例一中的一种微服务异常检测的示意图，通过开源监控工具实时获取微服务的待检测指标数据S＝{S₁,S₂,...,S_m}，对待检测指标数据通过滑动窗口的方式处理后输入目标检测模型，具体的，先输入时间编码层得到时间特征，接着输入位置编码层得到位置向量，将时间特征和位置向量添加至输入模型的指标数据，确定中间检测数据，将中间检测数据输入编码器得到编码向量后，将编码向量传播至解码器，以使解码器输出目标预测数据，根据获取微服务的待检测指标数据确定最大阈值和最小阈值，若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常，若目标预测数据大于等于最小阈值，且小于等于最大阈值，则确定微服务正常。

本实施例的技术方案，通过获取部署在Kubernetes平台上微服务的待检测指标数据；通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；将目标检测数据输入目标检测模型中，得到目标预测数据；若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常，解决了由于微服务具有海量指标数据导致人工检测微服务困难的问题，提高微服务异常检测的效率和准确性，进而减少运维人员压力，提高运维效率和可靠性。

实施例二

图3是本发明实施例二中的一种微服务异常检测装置的结构示意图。本实施例可适用于对微服务进行检测的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供微服务异常检测的功能的设备中，如图3所示，所述微服务异常检测装置具体包括：获取模块210、处理模块220、得到模块230和确定模块240。

其中，获取模块210，用于获取部署在Kubernetes平台上微服务的待检测指标数据；

处理模块220，用于通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；

得到模块230，用于将目标检测数据输入目标检测模型中，得到目标预测数据；

确定模块240，用于若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常。

可选的，所述处理模块具体用于：

对所述待检测指标数据进行频域分析和因果分析，得到待检测指标数据对应的检测特征；

将所述检测特征添加至待检测指标数据，并通过滑动窗口的方式对添加检测特征的待检测指标数据进行处理，得到目标检测数据。

可选的，还包括：

历史数据获取模块，用于获取部署在Kubernetes平台上微服务的历史指标数据；

历史数据处理模块，用于通过滑动窗口的方式对所述历史指标数据进行处理，得到历史检测数据；

预测数据得到模块，用于将历史检测数据输入待训练模型，得到第一预测数据；

损失函数确定模块，用于根据第一预测数据与历史检测数据确定损失函数；

检测模型得到模块，用于根据损失函数对待训练模型进行迭代训练，直至得到目标检测模型。

可选的，所述预测数据得到模块具体用于：

将历史检测数据输入至时间编码层，得到时间特征，并将时间特征添加至历史检测数据；

将添加时间特征的历史检测数据输入至位置编码层，得到历史检测数据对应的位置向量，并将所述位置向量添加至历史检测数据，得到中间检测数据；

将中间检测数据输入至编码器，得到中间检测数据对应的编码向量；

将所述编码向量前向传播至解码器，以使解码器生成第一预测数据。

可选的，还包括：

数值确定模块，用于根据目标检测数据确定目标检测数据对应的平均值和标准差；

阈值确定模块，用于根据所述平均值和所述标准差确定最大阈值和最小阈值。

上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。

本实施例的技术方案，通过获取部署在Kubernetes平台上微服务的待检测指标数据；通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；将目标检测数据输入目标检测模型中，得到目标预测数据；若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常，解决了由于微服务具有海量指标数据导致人工检测微服务困难的问题，提高微服务异常检测的效率和准确性，进而减少运维人员压力，提高运维效率和可靠性。

实施例三

图4是本发明实施例三中的一种电子设备的结构示意图。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4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RAM13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、ROM12以及RAM13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，例如微服务异常检测方法。

在一些实施例中，微服务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ROM12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RAM13并由处理器11执行时，可以执行上文描述的微服务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)而被配置为执行微服务异常检测方法。

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、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。

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)

1.一种微服务异常检测方法，其特征在于，包括：

获取部署在Kubernetes平台上微服务的待检测指标数据；

通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；

将目标检测数据输入目标检测模型中，得到目标预测数据；

若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常。

2.根据权利要求1所述的方法，其特征在于，通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据，包括：

对所述待检测指标数据进行频域分析和因果分析，得到待检测指标数据对应的检测特征；

将所述检测特征添加至待检测指标数据，并通过滑动窗口的方式对添加检测特征的待检测指标数据进行处理，得到目标检测数据。

3.根据权利要求1所述的方法，其特征在于，在将目标检测数据输入目标检测模型中，得到目标预测数据之前，还包括：

获取部署在Kubernetes平台上微服务的历史指标数据；

通过滑动窗口的方式对所述历史指标数据进行处理，得到历史检测数据；

将历史检测数据输入待训练模型，得到第一预测数据；

根据第一预测数据与历史检测数据确定损失函数；

根据损失函数对待训练模型进行迭代训练，直至得到目标检测模型。

4.根据权利要求3所述的方法，其特征在于，将历史检测数据输入待训练模型，得到第一预测数据，包括：

将历史检测数据输入至时间编码层，得到时间特征，并将时间特征添加至历史检测数据；

将添加时间特征的历史检测数据输入至位置编码层，得到历史检测数据对应的位置向量，并将所述位置向量添加至历史检测数据，得到中间检测数据；

将中间检测数据输入至编码器，得到中间检测数据对应的编码向量；

将所述编码向量前向传播至解码器，以使解码器生成第一预测数据。

5.根据权利要求1所述的方法，其特征在于，在若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常之前，还包括：

根据目标检测数据确定目标检测数据对应的平均值和标准差；

根据所述平均值和所述标准差确定最大阈值和最小阈值。

6.根据权利要求1所述的方法，其特征在于，所述指标数据包括：Kubernetes平台的工作节点的指标数据和微服务所属Pod的指标数据。

7.一种微服务异常检测装置，其特征在于，包括：

获取模块，用于获取部署在Kubernetes平台上微服务的待检测指标数据；

处理模块，用于通过滑动窗口的方式对所述待检测指标数据进行处理，得到目标检测数据；

得到模块，用于将目标检测数据输入目标检测模型中，得到目标预测数据；

确定模块，用于若目标预测数据大于最大阈值，或者，目标预测数据小于最小阈值，则确定微服务异常。

8.根据权利要求7所述的装置，其特征在于，所述处理模块具体用于：

对所述待检测指标数据进行频域分析和因果分析，得到待检测指标数据对应的检测特征；

将所述检测特征添加至待检测指标数据，并通过滑动窗口的方式对添加检测特征的待检测指标数据进行处理，得到目标检测数据。

9.一种电子设备，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中任一项所述的微服务异常检测方法。

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权利要求1-6中任一项所述的微服务异常检测方法。