[发明专利]一种异常检测优化方法及相关设备

说明书

本公开提供的一种异常检测优化方法及相关设备，通过利用数据集自身的空间分布特性，在保证聚类正确且稳定的情况下获得数据集对应的最优簇数，通过对最优簇数对应的参数组的参数密度计算，能够快速且准确地获得DBSCAN算法的最优扫描半径参数和最优最小包含点数参数，从而提高异常检测的准确度，进而提升系统智能运维的效率。

技术领域

本公开涉及智能运维技术领域，尤其涉及一种异常检测优化方法及相关设备。

背景技术

DBSCAN(Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法)是密度聚类算法中的一种代表性算法。该聚类算法能够在有噪声的空间数据集中，通过对空间密度的划分，可以得到任何形状的簇，并将密度达到阈值的相邻区域进行连接，还可以有效地处理滤除低密度区域的噪声点，能够适用于对系统的异常检测的运维场景下。

然而，DBSCAN算法对扫描半径参数最小包含点数参数十分敏感，如果选择错误的最小包含点数参数后，无论如何调整扫描半径参数的值也不会得到正确的聚类结果，而且在最小包含点数参数确认后，扫描半径参数的值的调整范围也是有限的，取值不当会导致聚类结果变差甚至不准确。

因此，如何更好地适应不同的数据集，准确且快速获得DBSCAN算法的最优扫描半径参数和最优最小包含点数参数，成为本领域技术人员急需解决的技术问题。

发明内容

鉴于上述问题，本公开提供一种克服上述问题或者至少部分地解决上述问题的一种异常检测优化方法及相关设备，技术方案如下：

一种异常检测优化方法，包括：

获得目标系统对应的数据集，其中，所述数据集包括多个数据点；

利用预设时序数据分析算法，确定所述数据集中任意两个所述数据点之间的点距离，获得距离分布矩阵；

利用所述距离分布矩阵，对DBSCAN算法的扫描半径参数和最小包含点数参数进行计算，获得扫描半径值参数列表和最小包含点数参数列表，其中，所述扫描半径值参数列表包括多个候选扫描半径参数，所述最小包含点数参数列表包括与所述候选扫描半径参数对应的候选最小包含点数参数；

在所述扫描半径值参数列表中依次选择各所述候选扫描半径参数以及与选择的所述候选扫描半径参数对应的所述候选最小包含点数参数输入至所述DBSCAN算法中进行聚类分析，确定与所述数据集对应的最优簇数，并确定与所述最优簇数对应的多个参数组，其中，所述参数组包括一个所述候选扫描半径参数和一个所述候选最小包含点数参数；

对任一所述参数组：确定以该参数组中所述候选扫描半径参数为半径的圆的面积，将该参数组中的所述候选最小包含点数参数除以该面积，获得与该参数组对应的参数密度；

利用各所述参数组对应的所述参数密度，确定最优扫描半径参数和最优最小包含点数参数。

可选的，所述利用各所述参数组对应的所述参数密度，确定最优扫描半径参数和最优最小包含点数参数，包括：

将各所述参数组对应的所述参数密度进行比较，对所述参数密度最小的所述参数组：将该参数组中的所述候选扫描半径参数确定为最优扫描半径参数，将该参数组中的所述候选最小包含点数参数确定为最优最小包含点数参数。

可选的，所述在所述扫描半径值参数列表中依次选择各所述候选扫描半径参数以及与选择的所述候选扫描半径参数对应的所述候选最小包含点数参数输入至所述DBSCAN算法中进行聚类分析，确定与所述数据集对应的最优簇数，并确定与所述最优簇数对应的多个参数组，包括：

在所述扫描半径值参数列表中依次选择各所述候选扫描半径参数以及与选择的所述候选扫描半径参数对应的所述候选最小包含点数参数输入至所述DBSCAN算法中进行聚类分析，依次获得每次聚类分析后输出的聚类簇数；