[发明专利]日志异常检测方法、装置、训练方法、装置及电子设备

权利要求书

1.一种训练方法，其特征在于，用于训练日志预测模型，所述方法包括：

获取包括多个样本的训练集，其中，所述样本为与正常日志对应的日志模板的向量序列；

将所述样本输入至基础网络模型进行训练，得到所述日志预测模型；

其中，所述基础网络模型包括第一长短记忆网络、第二长短记忆网络以及监督网络；

所述第一长短记忆网络的输入为所述样本，且在所述第一长短记忆网络内设置有针对所述第一长短记忆网络的输入进行向量拆分的滑动窗口；

所述第二长短记忆网络的输入为，针对输入至所述第一长短记忆网络的样本数量的计数向量；

所述监督网络的输入为所述第二长短记忆网络的输出；

所述基础网络模型的输出为所述监督网络与所述第一长短记忆网络的共同输出。

2.一种日志异常检测方法，其特征在于，所述方法包括：

获取针对第N-1次检测所对应的日志R_N-1进行预测后所得到的第一向量序列；所述第一向量序列用于表征所述日志R_N-1之后最大概率产生的第一个日志的向量表示，所述第一向量序列通过权利要求1所述方法训练得到的日志预测模型得到；

获取第N次检测所对应的日志R_N；

生成与所述日志R_N对应的第二向量序列；

根据所述第一向量序列及所述第二向量序列，判断所述日志R_N是否出现异常；

其中，第N次检测的检测对象为第N-1次检测的检测对象的后一个日志，且N大于1。

3.根据权利要求2所述的方法，其特征在于，所述获取针对第N-1次检测所对应的日志R_N-1进行预测后所得到的第一向量序列，包括：

获取针对第N-1次检测所对应的日志R_N-1的日志模板进行预测后所得到的第一向量序列；

相应的，所述生成与所述日志R_N对应的第二向量序列，包括：

将所述日志R_N与日志模板库进行匹配，得到所述日志R_N的日志模板；

生成与所述日志R_N的日志模板对应的第二向量序列。

4.根据权利要求3所述的方法，其特征在于，所述获取针对第N-1次检测所对应的日志R_N-1的日志模板进行预测后所得到的第一向量序列，包括：

通过将所述日志R_N-1的日志模板对应的第三向量序列输入至日志预测模型进行预测，获取所述日志预测模型所输出的预测结果；

所述预测结果即为所述第一向量序列。

5.根据权利要求3所述的方法，其特征在于，所述生成与所述日志R_N的日志模板对应的第二向量序列，包括：

通过将所述日志R_N的日志模板输入至特征提取模型进行特征提取，获取所述特征提取模型所输出的特征提取结果，所述特征提取结果为所述日志R_N的日志模板所包括的各个词的词向量；

将所述各个词的词向量加权求平均，得到所述第二向量序列。

6.根据权利要求2-5中任一项所述的方法，其特征在于，所述根据所述第一向量序列及所述第二向量序列，判断所述日志R_N是否出现异常，包括：

计算所述第一向量序列与所述第二向量序列的相似度值；

判断所述相似度值与相似度阈值之间的大小关系；

若所述相似度值大于或等于所述相似度阈值，则确定所述日志R_N未出现异常；

若所述相似度值小于所述相似度阈值，则确定所述日志R_N出现异常。