[发明专利]一种基于生成对抗网络的变更智能检查方法及装置

权利要求书

1.一种基于生成对抗网络的变更智能检查方法，其特征在于，所述方法包括：

获取指标数据，所述指标数据包含变更前的数据和变更后的数据；所述指标数据与稳定性相关；

对所述指标数据进行预处理；

将预处理后的指标数据输入至预先训练的生成对抗网络；

根据所述生成对抗网络输出的异常分数判断所述变更是否异常；

所述获取指标数据，包括：获取模块在当前变更前一个时段的数据，以及当前变更后一个时段的数据，将两者拼接形成指标数据；所述预先训练为离线训练。

2.根据权利要求1所述的方法，其特征在于，所述预先训练的生成对抗网络，包括：生成器部分G、判别器部分D和编码器E(x’)；

所述生成器部分G包括编码器G_E(x)和解码器G_D(z)；所述编码器G_E(x)用于将输入的指标数据x编码成向量z，所述解码器G_D(z)用于将所述向量z解码成重构的x’；

所述判别器部分D，用于评判所述生成器部分G产生的重构的 x’和原输入的指标数据x的相似性；

所述编码器E(x’)用于将所述重构的x’编码成z’；

异常分数s(x)=‖G_E(x)-E(G(x))‖₁。

3.根据权利要求2所述的方法，其特征在于，所述预先训练，包括：

从历史变更数据中获取训练样本；

对所述训练样本进行预处理；

将预处理后的训练样本输入至所述生成对抗网络；

通过最小化损失函数L来更新，所述为所述生成器部分G和编码器E(x’)的参数；

通过最大化价值函数V来更新所述判别器部分D的参数。

4.根据权利要求3所述的方法，其特征在于，所述损失函数L为重构误差损失、隐变量误差损失和优化生成器的损失的加权和。

5.根据权利要求4所述的方法，其特征在于，对所述指标数据进行预处理，包括：采用z-score标准化对所述指标数据进行数据标准化；

对所述训练样本进行预处理，包括：采用z-score标准化对所述训练样本进行数据标准化。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括在所述预先训练阶段对所述异常分数进行建模的步骤：

取若干训练样本输入至所述生成对抗网络，对应得到若干个异常分数，用核密度估计对所述若干个异常分数所构成的集合进行建模，得到概率分布模型p(s’)。

7.根据权利要求6所述的方法，其特征在于，所述根据所述生成对抗网络输出的异常分数判断所述变更是否异常，包括：

将异常分数s(x)代入所述概率分布模型p(s’)；

判断p{s’＞ s(x)}是否小于设定阈值；

当p{s’＞ s(x)}小于设定阈值时，确定判断所述变更存在异常。

8.一种基于生成对抗网络的变更智能检查装置，其特征在于，包括：

指标获取模块，用于获取指标数据，所述指标数据包含变更前的数据和变更后的数据；所述指标数据与稳定性相关；所述获取指标数据，包括：获取模块在当前变更前一个时段的数据，以及当前变更后一个时段的数据，将两者拼接形成指标数据；

预处理模块，用于对所述指标数据进行预处理，获得预处理后的指标数据；

生成对抗网络模块，所述生成对抗网络模块经过预先训练，用于处理所述预处理后的指标数据，并输出对应的异常分数；所述预先训练为离线训练；

异常判定模块，用于根据所述生成对抗网络输出的异常分数判断所述变更是否异常。