基于图像特征的业务异常检测方法及装置制造方法及图纸

本申请提供一种基于图像特征的业务异常检测方法及装置，其中的方法包括：从目标页面的页面图像中提取图像特征；将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。本申请可以基于图像特征在前台完成针对目标页面的异常检测，而不再需要在后台通过流量检测来执行异常检测。

Method and device for detecting service anomaly based on image characteristic

The present invention provides a method and device for detecting abnormal image features based on the business, the method includes: extracting image features from the page image of the target page; the anomaly detection model of the input image features extracted preset is calculated; wherein, the anomaly detection model for image feature extraction training learning model from some normal and abnormal page interface in the machine based on calculation; anomaly detection model and the results of the anomaly detection based on the target page. The application can be based on image features in the foreground to complete the abnormal detection of the target page, and no longer need to perform abnormal detection in the background through traffic detection.

【技术实现步骤摘要】
基于图像特征的业务异常检测方法及装置
本申请涉及计算机应用领域，尤其涉及一种基于图像特征的业务异常检测方法及装置。
技术介绍
随着计算机网络技术的普及率不断提高，应用场景不断丰富，网络规模在不断扩大，而且各种网络技术也层出不穷。在网络发展带来信息爆炸式发展带来便利的同时，也同时会面临一些新的挑战，尤其是对于一些异常问题的检测。一方面，网络越复杂，可能出现问题的环节也越多，网络出现异常问题的概率也就更大；另一方面，由于网络结构错综复杂，快速而准确的发现和找到问题根源也更加困难；而且，当某一个网络出现异常问题，该异常问题可能会向依赖该网络的其它网络传播，从而导致依赖该网络的其它网络也会异常。因此，为了保障网络的正常运行，有必要采取有效的措施对网络进行监督和管理，一旦发现业务异常情况，能够及时发现问题，并且迅速解决。然而，在相关技术中，对网络进行业务异常检测，通常是在后台通过检测网络流量来完成的，而网络中的流量通常并不稳定，因此会影响异常检测的准确度。
技术实现思路
本申请提出一种基于图像特征的业务异常检测方法，该方法包括：从目标页面的页面图像中提取图像特征；将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。可选的，所述方法还包括：基于预设的若干样本页面的页面图像生成图像样本集合；其中，所述图像样本集合中的正常页面的页面图像以及异常页面的页面图像均被标定了对应的识别标签；分别提取所述图像样本集合中的页面图像的图像特征；将提取出的图像特征作为训练样本，基于预设的机器学习算法进行训练以得到所述异常检测模型。可选的，所述异常检测模型为SVM支持向量机模型。可选的，所述图像特征为图像纹理特征；其中，所述图像纹理特征包括图像全局纹理特征和图像局部纹理特征。可选的，所述图像全局纹理特征为GLCM灰度共生矩阵特征；所述图像局部纹理特征为LBP局部二值模式特征。本申请还提出一种基于图像特征的业务异常检测装置，该装置包括：提取模块，从目标页面的页面图像中提取图像特征；计算模块，将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；检测模块，基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。可选的，所述提取模块进一步：基于预设的若干样本页面的页面图像生成图像样本集合；其中，所述图像样本集合中的正常页面的页面图像以及异常页面的页面图像均被标定了对应的识别标签；分别提取所述图像样本集合中的页面图像的图像特征；所述装置还包括：训练模块，将提取出的图像特征作为训练样本，基于预设的机器学习算法进行训练以得到所述异常检测模型。可选的，所述异常检测模型为SVM模型。可选的，所述图像特征为图像纹理特征；其中，所述图像纹理特征包括图像全局纹理特征和图像局部纹理特征。可选的，所述图像全局纹理特征为GLCM灰度共生矩阵特征；所述图像局部纹理特征为LBP局部二值模式特征。本申请中，通过从若干正常页面以及异常界面中提取出的图像特征训练机器学习模型，当需要进行异常检测时，可以从目标页面的页面图像中提取图像特征，并将提取出的图像特征输入异常检测模型中进行计算，然后根据计算结果针对该目标页面进行异常检测；实现了可以完全基于从目标页面的页面图像中提取出的图像特征，在前台完成异常检测，而不再需要在后台通过流量检测来执行异常检测，因而可以提升异常检测的稳定性；同时，通过从正常页面以及异常界面中提取出的图像特征训练机器学习模型，并使用机器学习模型针对目标页面进行异常检测，能够提升异常检测的准确度。附图说明图1是本申请一实施例示出的一种基于图像特征的业务异常检测方法的流程图；图2是本申请一实施例示出的一种异常检测模型的离线训练以及实时使用的流程示意图；图3是本申请一实施例示出的一种基于图像特征的业务异常检测装置的逻辑框图；图4是本申请一实施例提供的承载所述一种基于图像特征的业务异常检测装置的异常检测设备的硬件结构图。具体实施方式在相关技术中，对网络进行业务异常检测，通常是在后台通过检测网络流量来完成的。现有的业务异常检测主要有以下几种实现方案：第一种方案，基于经验阈值的业务异常检测方案。在这种方案中，通常需要网络管理人员根据网络管理的丰富经验，来确定出网络性能和流量参数的阈值，当网络在某个时刻的性能参数和流量超过某个阈值时，就认为此时的网络出现了业务异常。这种方案的核心在于，确定出较为合理的阈值，如果阈值设置太小，会导致业务异常情况的误报；当阈值设置过高，则容易导致业务异常情况的漏报。然而，这种基于经验阈值的方案，通常要求网络管理人员对网络中的流量数据有着丰富的管理经验，需要耗费大量的人力和物力对于流量进行人工分析。而且，实际的网络流量本身并不稳定，不同的网络结构，不同应用场景下的流量数据特征通常完全不同，因而使得阈值的设定非常困难；如果阈值设置太小，会导致异常情况的误报；当阈值设置过高，则容易导致异常情况的漏报；并且，在某个应用中设定的阈值，在其他应用中可能完全无法适用。第二种方案，基于统计学的流量异常监测方案。例如，可以采用GLR(GeneralizedLikelihoodRatio)监测方法，这种方案通常是基于时间窗口序列，计算相邻时间窗口序列的回归模型参数，得到似然联合比，如果当前似然联合比大于一定的阈值，就进行异常监测的报警。这种方案的核心在于，通检测网络流量平均观测值的平移或跳跃行为，从而达到异常检测的目的。然而，这种基于统计学的异常监测，通常要求流量数据有着明显的数据分布特征，比如符合高斯分布，泊松分布等；当数据分布较为理想，异常检测的准确率就较高；当网络流量不稳定，造成历史数据较少，数据可能就会不符合某种分布，使得统计的参数不准确，从而导致检测准确率较低。第三种方案，基于小波变换的流量异常检测方案。小波变换是一种结合时间和空间特性的数据分析方案，通过小波分析，可以把数据流量信号分解到不同的频带，从而得到不同频带的特征，对于异常检测，检测率较高。然而，基于小波分析的异常检测方案，对于数据流量微小的变动都会检测出来，而实际的网络流量本身并不稳定，容易出现正常的波动，因此通过小波分析来进行异常检测，就会出现较多的误报，造成检测不准确。可见，在相关技术中，对网络进行业务异常检测，通常是依赖于在后台检测网络流量来完成的，而实际的网络流量通常并不稳定，因此网络流量的波动会导致异常检测的稳定性以及准确度较差的问题。有鉴于此，本申请提出一种基于图像特征的业务异常检测方法，通过从若干正常页面以及异常界面中提取出的图像特征训练机器学习模型，当需要进行异常检测时，可以从目标页面的页面图像中提取图像特征，并将提取出的图像特征输入异常检测模型中进行计算，然后根据计算结果针对该目标页面进行异常检测；实现了可以完全基于从目标页面的页面图像中提取出的图像特征，在前台完成异常检测，而不再需要在后台通过流量检测来执行异常检测，因而可以提升异常检测的稳定性；同时，通过从正常页面以及异常界面中提取出的图像特征训练机器本文档来自技高网...

【技术保护点】
一种基于图像特征的业务异常检测方法，其特征在于，该方法包括：从目标页面的页面图像中提取图像特征；将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。

【技术特征摘要】
1.一种基于图像特征的业务异常检测方法，其特征在于，该方法包括：从目标页面的页面图像中提取图像特征；将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于预设的若干样本页面的页面图像生成图像样本集合；其中，所述图像样本集合中的正常页面的页面图像以及异常页面的页面图像均被标定了对应的识别标签；分别提取所述图像样本集合中的页面图像的图像特征；将提取出的图像特征作为训练样本，基于预设的机器学习算法进行训练以得到所述异常检测模型。3.根据权利要求1或2所述的方法，其特征在于，所述异常检测模型为SVM支持向量机模型。4.根据权利要求1或2所述的方法，其特征在于，所述图像特征为图像纹理特征；其中，所述图像纹理特征包括图像全局纹理特征和图像局部纹理特征。5.根据权利要求4所述的方法，其特征在于，所述图像全局纹理特征为GLCM灰度共生矩阵特征；所述图像局部纹理特征为LBP局部二值模式特征。6.一种基于图像特征的业务...

【专利技术属性】
技术研发人员：程磊，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY