[发明专利]异常信息的监测方法及装置

说明书

本说明书一个或多个实施例公开了一种异常信息的监测方法及装置，用以实现将结构信息融入到异常信息监测的过程中，从而提高监测异常信息的准确率和效率。所述方法包括：获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；根据所述预测结果对所述节点关联事件进行监测。

技术领域

本说明书涉及信息监测技术领域，尤其涉及一种异常信息的监测方法及装置。

背景技术

伴随着各项业务的迅猛发展，现阶段在底层起支撑作用的系统平台数量多达数百，这些平台每周的代码、数据库和配置变更等数据已达数千，任何一个环节的疏忽、错误，都可能导致系统风险，给用户带来巨大损失。

相关技术中，对业务数据的监控主要集中在对单源时间序列的监测上，且是在经过汇聚计算后的指标上展开的，具体的明细信息则会被忽略掉，数据中的结构信息自然也会被忽略掉，从而导致异常检测的误报率高。事实上，系统与系统之间错综复杂的调用结构会给异常检测带来丰富的数据源，因此，如何针对错综复杂的结构信息来检测异常数据，是一项亟需解决的问题。

发明内容

本说明书一个或多个实施例的目的是提供一种异常信息的监测方法及装置，用以实现将结构信息融入到异常信息监测的过程中，从而提高监测异常信息的准确率和效率。

为解决上述技术问题，本说明书一个或多个实施例是这样实现的：

一方面，本说明书一个或多个实施例提供一种异常信息的监测方法，包括：

获取用于训练人工神经网络ANN分类器的训练样本；其中，所述ANN分类器用于对节点关联事件进行监测，所述节点关联事件指多个节点之间的关联关系；

利用所述训练样本训练所述ANN分类器，所述ANN分类器包括所述节点关联事件在各个时间是否发生的信息；

利用所述ANN分类器对所述节点关联事件在指定时间上是否发生进行预测，得到预测结果；

根据所述预测结果对所述节点关联事件进行监测。

在一个实施例中，所述获取用于训练人工神经网络ANN分类器的训练样本，包括：

获取预设时间段内的所述节点关联事件；

确定所述节点关联事件的发生时间；

确定所述节点关联事件及所述发生时间为所述训练样本。

在一个实施例中，在确定所述节点关联事件的发生时间之前，还包括：

利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息；其中，所述指定格式能够被所述ANN分类器所识别。

在一个实施例中，所述指定格式包括向量集；

相应的，所述利用指定的自动编码器，将所述节点关联事件预处理为指定格式的信息，包括：

根据所述节点关联事件中各节点的关联关系，将所述节点关联事件转化为有序字符串；所述有序字符串包括所述各节点的节点标识信息、属性信息、边信息中的至少一项；

利用指定的自动编码器对所述有序字符串进行压缩处理，得到所述节点关联事件对应的向量集。

在一个实施例中，所述根据所述预测结果对所述节点关联事件进行监测，包括：

若所述预测结果与监测结果不一致，则确定所述节点关联事件发生异常。