[发明专利]指标异常检测模型的训练方法、推荐的方法及装置

说明书

本发明实施例提供指标异常检测模型的训练方法、推荐的方法及装置。该训练方法包括：获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线；分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；分别对每个KPI基线使用标准化Z‑Score算法处理，得到每个KPI基线对应的标准化曲线；基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型。能够有效降低模型训练的训练开销，更好的适用于运维系统云化后产生的大量的指标数据。

技术领域

本发明实施例涉及大数据处理领域，尤其涉及指标异常检测模型的训练方法、推荐的方法及装置。

背景技术

目前运营商内部互联网技术(Internet Technology，IT)运行维护系统(以下简称运维系统)相关的关键绩效指标(Key Performance Indicator，KPI)在检测的过程，部分实现了不需要人工设置阈值，而基于人工智能(Artificial Intelligence，AI)算法模型进行阈值检测。

虽然通过人工智能算法模型自动生成阈值，在一定程度上减少人工设置阈值的工作，但是，现有的指标异常检测过程需要对每一个指标数据都需要对应的训练相应的异常检测算法模型，这导致训练过程繁杂且模型训练开销大。

发明内容

本发明实施例提供了一种指标异常检测模型的训练方法、推荐的方法及装置，能够有效降低模型训练的复杂程度，更好的适用于运维系统云化后产生的大量的指标数据。

第一方面，本发明提供一种指标异常检测模型的训练方法，该方法包括：获取第一样本数据集，第一样本数据集包括多个关键绩效指标KPI曲线；

分别提取每个KPI曲线的基线，得到每个KPI对应的KPI基线；

分别对每个KPI基线使用标准化Z-Score算法处理，得到每个KPI基线对应的标准化曲线；

基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇；其中，至少一个类簇的每个类簇中包括多条标准化曲线；

针对至少一个类簇中的每个类簇，分别根据属于同一类簇中的多条标准化曲线训练指标异常检测模型，直至满足预设训练停止条件，得到训练好的每个类簇对应的指标异常检测模型。

在第一方面的一些可实现方式中，得到训练好的每个类簇对应的指标异常检测模型之后，还包括：获取每个类簇的聚类中心曲线；

建立类簇的聚类中心曲线与类簇对应的指标异常检测模型的关联关系。

第一方面的一些可实现方式中，基于每条标准化曲线的相似性，对每条标准化曲线进行聚类处理，得到至少一个类簇之前，还包括：计算所有标准化曲线中的任意两条标准化曲线的相似度；

对每条标准化曲线进行聚类处理，得到至少一个类簇，具体包括：根据任意两条标准化曲线的相似度，采用基于密度的聚类算法DBSCAN对每条标准化曲线进行聚类处理，得到至少一个类簇。

在第一方面的一些可实现方式中，计算所有标准化曲线中的任意两条标准化曲线的相似度，具体包括：基于互相关函数的相似度度量SBD，计算所有标准化曲线中的任意两条标准化曲线的相似度度量值。

在第一方面的一些可实现方式中，获取每个类簇的聚类中心曲线，具体包括：

每个类簇的聚类中心曲线分别由聚类中心的计算公式获得，聚类中心计算公式为：

其中，clusteri为第i个类簇，SBD(X,Y)为第一标准化曲线X和第二标准化曲线Y的相似度度量值，Centroid为聚类中心曲线。