[发明专利]一种自适应的异常性能指标确定方法及装置

说明书

本发明提供了一种自适应的异常性能指标确定方法及装置，自适应的异常性能指标确定方法包括：抽取目标系统的异常事件的数据特征，以生成所述目标系统的重构序列；根据所述目标系统的重构序列以及预设阈值确定所述目标系统的整体异常事件；确定所述整体异常事件与所有异常性能指标之间的相关度；根据所述整体异常事件与所有异常性能指标之间的相关度，在所有异常性能指标中优选出最终异常性能指标。本发明所提供的自适应的异常性能指标确定方法及装置，能够量化系统整体异常时的特征变化，能够将各指标和系统整体异常关联，并选择出对系统整体异常最具影响的指标子集。

技术领域

本发明涉及计算机技术领域，尤其是计算机技术在金融行业中应用，具体涉及一种自适应的异常性能指标确定方法及装置。

背景技术

现有技术中，为了保证大型复杂信息系统的稳定运行，对其进行多层级的细粒度监控是必不可少的，监控结果以海量多维时间序列(指标)的形式呈现，如CPU利 用率、主存利用率等。当系统异常发生时，会导致某些指标呈现与过去正常历史规律 不同变化。由于异常的未知性，运维人员往往采用冗余的策略，设计很多指标监控系 统的各个层面，导致有些指标可能并不会或不明显地指示异常。介于此，如何自动地 选择有价值的指标参与异常检测是及其重要的。本质上来说，指标选择选择问题为特 征选择问题，而特征选择方法首先选择设置响应变量(如异常标签)，然后量化特征 与响应变量的相关度，从而实现选择特征的目的。然而，对于异常指标选择问题，是 需要选择出最能刻画出系统整体异常的指标，因此要衡量指标与系统整体异常(响应 变量)之间的相关关系。

基于上述描述，如何刻画系统整体异常和指标异常是主要挑战之一。其次，因为一个系统整体异常事件中，会导致多个指标产生异常，但是由于不同指标刻画的性能 侧面不同，因此它们异常开始的先后顺序是不同的，如何在时间非对齐情况度量系统 整体异常与指标异常的相关性是第二个挑战。最后，往往历史中存在多次异常的情况， 如何融合多次异常情况下指标选择的结果是第三个挑战。而目前已有特征选择方法主 要集中在：(1)过滤式特征选择、(2)封装式特征选择和(3)嵌入式特征选择，但 是它们都不能解决上面提出的三个挑战，进一步地：

过滤式特征选择。该类方法的评价标准从数据集本身内在性质出发，与特定的学习算法无关，具有良好的通用性，通常选择和响应变量相关度大的特征或特征子集。 过滤式特征选择方法有特征方差评价法、相关系数排序、利用假设检验得到特征与响 应变量的相关性方法和互信息类的方法等。但是这些方法并没有考虑响应变量的来源 问题，对于异常指标选择来说，即没有考虑系统整体异常描述问题。此外，该方法中 处理时间序列的相关系数方法能够考虑异常时间的非对齐特点，其他方法并不考虑。 最后它们都不考虑多次异常下的异常指标融合问题。

封装式特征选择。该类方法从初始数据集中不断地选择特征子集并训练学习器，根据学习器的正确率来评价特征子集，直到选择出最佳子集。如果学习器选择适当， 该类方法可以解决异常时间的非对齐问题和异常指标融合问题。但是本质上来说，该 类方法需要遍历整个搜索空间，虽然有一些剪枝策略，但是整体复杂度依然过高。此 外，该类方法依然需要明确的标签作为响应变量，这对本场景是不适用，本场景中用 户只能给出一定对系统整体异常的模糊判断。

嵌入式特征选择。该类方法在学习器训练过程中自动地进行特征选择。其中最常用的是在基学习器中利用L1和L2正则化，使某些非重要的特征模型系数趋0，从而 实现特征选择。但是只有可以得到特征系数或者可以得到特征重要度的算法才可以作 为嵌入式特征选择的基学习器，如逻辑回归算法、线性回归算法、决策树算法等、本 质上来说，该类算法利用的是一些机器学习方法的强解释性，但是这类机器学习算法 往往比较简单，如逻辑回归，线性回归和决策树等，导致学习效果较差，而效果较好 的深度学习模型，又不具有好的解释性，因此并不能用于嵌入式特征选择方法。此外， 该类方法依然需要明确的标签作为响应变量。

发明内容