[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

说明书

本发明涉及自动化运维领域，具体地涉及一种基于生成对抗网络的变更智能检查方法，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；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。本发明实施例适用于变更前后的自动化检查，能够自动适应实际变更场景的参数变化，并减少人力投入，提升变更检查的召回率。

技术领域

本发明涉及自动化运维领域，具体地涉及一种基于生成对抗网络的变更智能检查方法，以及一种基于生成对抗网络的变更智能检查装置。

背景技术

当产品发布新版本、修复Bug，或者提升系统性能时，都需要进行上线，也就是变更发布，变更发布无疑是产品迭代的必经之路。但是变化总伴随着风险，互联网公司发生的一些用户有感、损失重大的故障，往往跟变更相关。提升开发和测试的质量虽然在一定程度上可以减少线上故障数量，但是由于生产环境与测试环境不同，并且服务的调用关系比较复杂，无法完全避免变更引入故障。

为了减少异常变更对线上服务稳定性的影响，我们将变更分为多个阶段，每个阶段对指定的机器进行服务部署变更，并在每个阶段变更完成后对服务的状态进行检查，当服务正常时继续下一阶段变更，否则认为本次变更可能对服务稳定性造成影响，则终止变更。

目前对于变更的检查主要有两种方案：1.主要靠人力制定阈值的方案。维护人员为模块选定一些核心指标，并提前对挑选的指标配置异常检测阈值。当模块变更时，查看其关联指标是否在人工配置的阈值范围内。如果存在指标不在人工配置范围内，则认为变更异常，终止变更。2.基于统计学的方案。主要通过考察模块变更前后的关联指标的均值和方差的变化，当这种变化较显著时，则认为变更异常，终止变更。

但是以上方案均存在弊端：对于靠人力制定阈值的方案，其检查效果完全取决于人工选择的指标以及为指标配置的阈值，由于人工选择的指标通常是一个很小的集合，经常出现因为指标没有被覆盖，导致异常变更未被及时发现，引发大规模故障。另外人工很难针对每个指标选择一个恰到好处的阈值，过松的阈值将导致异常变更未被发现，过严苛的阈值将导致频繁出现误判，影响变更效率。并且，此方案需要人工参与，效率很低。

对于基于统计学的方案，指标的均值和方差的变化不足以反映变更前后的变化，因为均值和方差只是衡量变化的两个方面。因此，此方案虽然能减少人工成本，但是对变更检查的召回率不是很高，导致有些异常变更成为漏网之鱼。

发明内容

本发明的目的是提出一种基于生成对抗网络的变更智能检查方法，通过人工智能检查模块变更是否正常，以至少解决现有人工检查中的人力成本高和检查效率低的问题。

为了实现上述目的，本发明第一方面提供一种基于生成对抗网络的变更智能检查方法，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；

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。

可选的，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。

可选的，所述预先训练为离线训练。

可选的，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’；