[发明专利]异常信息检测模型的构建方法和灰度环境异常检测方法

说明书

本公开提供了一种异常信息检测模型的构建方法和灰度环境异常检测方法，可以应用于人工智能领域。构建方法包括：获取训练样本，其中，训练样本包括训练数据和与样本标签，训练数据包括第一历史检测偏离度，第一历史偏离度基于待检测系统分别在灰度环境中运行的第一历史检测数据和在正式环境中运行的第二历史检测数据生成，样本标签包括第二历史偏离度；获取N个初始模型；利用训练数据分别训练N个初始模型中的每个初始模型，得到训练后的N个预测模型；根据样本标签，确定N个预测模型各自的预测精度；根据N个预测模型各自的预测精度，构建异常信息检测模型。本公开还提供了异常信息检测模型的构建装置、灰度环境异常检测装置、设备、介质和程序产品。

技术领域

本公开涉及人工智能领域，具体地涉及一种异常信息检测模型的构建方法、灰度环境异常检测方法、装置、设备、介质和程序产品。

背景技术

为了适应业务的快速上线，系统功能升级周期进一步缩短，通过灰度发布上线，即将需要投产的系统发布至灰度环境中运行，可以通过灰度环境检测系统运行的异常情况，有针对性地进行调整，从而可以有效降低系统投产上线可能引发的风险。

在实现本公开的发明构思过程中，发明人发现相关技术中通过获取到的运行数据和预先设定的检测阈值，来检测系统在灰度环境中运行的异常情况，检测手段智能化程度较低，且检测准确率较低。

发明内容

鉴于上述问题，本公开提供了异常信息检测模型的构建方法、灰度环境异常检测方法、装置、设备、介质和程序产品。

根据本公开的第一个方面，提供了一种异常信息检测模型的构建方法，包括：

获取训练样本，其中，上述训练样本包括训练数据和与上述训练数据相对应的样本标签，上述训练数据包括第一历史检测偏离度，上述第一历史偏离度基于待检测系统分别在灰度环境中运行的第一历史检测数据和在正式环境中运行的第二历史检测数据生成，上述样本标签包括第二历史偏离度，上述训练数据的时序标记早于上述样本标签；

获取N个初始模型，其中，N个上述初始模型各自的网络结构不同，N≥2；

利用上述训练数据分别训练N个上述初始模型中的每个初始模型，得到训练后的N个预测模型，其中，每个预测模型与N个上述初始模型中的一个初始模型相对应；

根据上述样本标签，确定N个上述预测模型各自的预测精度；

根据N个上述预测模型各自的预测精度，构建异常信息检测模型。

根据本公开的实施例，根据上述样本标签，确定N个上述预测模型各自的预测精度包括：

将上述训练数据分别输入至N个上述预测模型，得到每个上述预测模型各自输出的预测结果；

利用上述样本标签分别处理N个上述预测模型各自输出的预测结果，确定N个上述预测模型各自的预测精度。

根据本公开的实施例，根据N个上述预测模型各自的预测精度，构建异常信息检测模型包括：

根据N个上述预测模型各自的预测精度，确定每个上述预测模型相对应的检测权重；

根据N个上述预测模型和每个上述预测模型相对应的检测权重，构建上述异常信息检测模型。

根据本公开的实施例，上述初始模型包括基于时间序列算法构建的模型。

根据本公开的实施例，上述基于时间序列算法构建的模型包括以下至少一项：

指数平滑模型、自回归差分移动平均模型、Prophet模型、自回归模型、移动平均模型。

根据本公开的实施例，上述第一历史检测数据或上述第二历史检测数据包括以下至少一项：