[发明专利]基于设备指标数据的异常检测方法及相关设备

说明书

本发明涉及数据检测技术领域，应用于智慧安防领域中，一种基于设备指标数据的异常检测方法及相关设备，其方法包括：获取设备指标数据对应的目标时间序列数据；使用训练好的一维卷积神经网络模型获得目标时间序列数据的曲线特征；根据长短期记忆网络模型，确定目标时间序列数据的可疑分类特征；根据可疑分类特征，确定目标时间序列数据的残差特征；使用预先训练好的编码器模型，获取目标时间序列数据的降维特征；获取目标时间序列数据的基础特征；将曲线特征、可疑分类特征、残差特征、降维特征以及基础特征输入至预先训练好的异常检测模型中，获得设备指标数据的异常检测结果。此外，本申请还涉及区块链技术，所述异常检测结果可存储于区块链中。

技术领域

本发明涉及数据检测技术领域，尤其涉及一种基于设备指标数据的异常检测方法及相关设备。

背景技术

随着计算机技术的发展，由大量主机以及网络交换机等设备组成的云平台得到大规模的应用。为了确保云平台可以稳定地提供服务，需要对云平台的设备的一些指标数据(比如：主机CPU使用率以及内存使用率)进行实时监控，目前，监控的指标数据是一段连续的、能够反应变化状态、趋势或程度的时间序列数据，通过提取时间序列数据的特征，对这些特征进行异常检测，但在实践中发现，这些提取出来的特征不能很好地表达出时间序列数据的变化状态、趋势或程度以及周期性的特点，从而导致异常检测不够准确。

因此，如何提高针对设备指标数据的异常检测的准确度是一个亟需解决的技术问题。

发明内容

鉴于以上内容，有必要提供一种基于设备指标数据的异常检测方法及相关设备，能够提高针对设备指标数据的异常检测的准确度。

本发明的第一方面提供一种基于设备指标数据的异常检测方法，所述方法包括：

当接收到针对设备指标数据进行异常检测的指令时，获取所述设备指标数据对应的目标时间序列数据，其中，所述目标时间序列数据包括一段连续的时间点和所述时间点对应的设备指标数据；

使用训练好的一维卷积神经网络模型对所述目标时间序列数据进行特征提取，获得所述目标时间序列数据的曲线特征，其中，所述一维卷积神经网络模型是通过三元组算法训练完成，所述曲线特征为设备指标数据随着时间而变化形成的曲线的特征；

根据预先训练好的长短期记忆网络模型，确定所述目标时间序列数据的可疑分类特征；

根据所述可疑分类特征，确定所述目标时间序列数据的残差特征；

使用预先训练好的编码器模型，获取所述目标时间序列数据的降维特征；

获取所述目标时间序列数据的基础特征；

将所述曲线特征、所述可疑分类特征、所述残差特征、所述降维特征以及所述基础特征输入至预先训练好的异常检测模型中，获得所述设备指标数据的异常检测结果。

在一种可能的实现方式中，所述使用训练好的一维卷积神经网络模型对所述目标时间序列数据进行特征提取，获得所述目标时间序列数据的曲线特征之前，所述方法还包括：

获取设备指标数据对应的多组历史时间序列数据；

根据所述多组历史时间序列数据，确定多条时间序列曲线，其中，所述多条时间序列曲线与所述多组历史时间序列数据一一对应；

通过相似度算法，确定所述多条时间序列曲线中任意相邻的两条所述时间序列曲线之间的基于形状的距离；

将多个所述基于形状的距离映射为所述多条时间序列曲线之间的多个相似度；

根据所述多条时间序列曲线之间的多个相似度，确定多个训练样本；

使用三元组算法以及所述多个训练样本进行训练，获得训练好的一维卷积神经网络模型。