[发明专利]一种自动化构建异常检测模型的方法及系统

权利要求书

1.一种自动化构建异常检测模型的方法，其特征在于，应用于由服务端和设备端构成的系统，所述方法包括：

所述设备端从监控的网络流量数据中实时采集指定KPI对应的KPI时间序列数据，并持续上传至所述服务端；

所述服务端对所述KPI时间序列数据进行波形分类，得到所述指定KPI对应的波形分类结果，并下发至所述设备端；

所述设备端根据所述指定KPI对应所述波形分类结果从算法库中动态匹配所述指定KPI对应的异常检测算法，并根据所述异常检测算法更新异常检测模型，所述异常检测模型用于在所述设备端对所述指定KPI对应的数据进行异常检测。

2.根据权利要求1所述的方法，其特征在于，所述服务端对所述KPI时间序列数据进行波形分类，还包括：

所述服务端预先提取所述指定KPI对应的历史KPI时间序列数据，并基于所述历史KPI时间序列数据训练得到所述指定KPI对应的时间序列分类模型；以及，

所述服务端将所述KPI时间序列数据输入所述时间序列分类模型，得到所述指定KPI对应的波形分类结果。

3.根据权利要求1所述的方法，其特征在于，所述服务端对所述KPI时间序列数据进行波形分类，还包括：

所述服务端提取存储的所述指定KPI对应的全量KPI时间序列数据，并按采集时间进行排列；

所述服务端提取所述全量KPI时间序列数据的波动趋势特征，根据所述波动趋势特征得到所述指定KPI对应的波形分类结果。

4.根据权利要求3所述的方法，其特征在于，所述服务端提取存储的所述指定KPI对应的全量KPI时间序列数据之后，所述方法还包括：

所述服务端对所述全量KPI时间序列数据进行数据预处理；

所述数据预处理包括以下中的任意一种或多种：滤波去噪、缺失值填补操作。

5.根据权利要求1所述的方法，其特征在于，对所述KPI时间序列数据进行波形分类，包括：

提取所述KPI时间序列数据的序列特征，所述序列特征包括序列长度和/或序列极值，根据所述序列特征判断所述KPI时间序列数据的波形类别是否为少点型、低值型和直线型中的一种；和/或，

对所述KPI时间序列数据进行相关性分析，所述相关性分析包括快速傅里叶变换和自相关计算，根据相关性分析结果判断所述KPI时间序列数据的波形类别是否为周期性；和/或，

提取所述KPI时间序列的第一统计特征，根据所述第一统计特征判断所述KPI时间序列数据的波形类别是否为趋势型、震荡型和突变型中的一种，其中所述第一统计特征包括所述KPI时间序列数据的一阶差分值、二阶差分值、3Sigma值的一种或多种。

6.根据权利要求1所述的方法，其特征在于，所述波形分类结果包括：KPI标识、波形类别、周期长度以及第二统计特征；

其中，所述第二统计特征包括所述KPI时间序列数据的最大值、最小值、均值、方差中的一种或多种；其中，如所述波形类别为非周期型，所述周期长度为空值。

7.根据权利要求1所述的方法，其特征在于，还包括：

所述服务端响应于触发指令和/或周期性地向所述设备端下发模型更新指令；

所述设备端响应于所述服务端下发的所述模型更新指令，根据所述指定KPI对应的波形分类结果从算法库中动态匹配对应的异常检测算法，并根据所述异常检测算法更新异常检测模型。

8.根据权利要求5所述的方法，其特征在于，所述方法还包括：

所述设备端根据所述KPI时间序列数据的所述波形类别自动匹配对应的所述异常检测算法；根据所述KPI时间序列数据的所述第二统计特征异常检测参数；根据所述异常检测算法对异常检测模型进行更新训练；根据所述异常检测模型和所述异常检测参数对所述设备端实时采集的KPI时间序列数据进行异常检测。