基于神经网络的检测方法以及装置制造方法及图纸

本申请提供基于神经网络的检测方法以及装置，其中，所述基于神经网络的检测方法，包括：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。本申请提供的基于神经网络的检测方法，以周期的方式进行业务状态检测，并在检测过程中充分考虑不同时刻的系统状态相互之间的影响，实现了更加及时的业务状态检测，并且检测准确率也更高。

【技术实现步骤摘要】
基于神经网络的检测方法以及装置
本申请涉及机器学习
，特别涉及一种基于神经网络的检测方法。本申请同时涉及一种基于神经网络的检测装置，一种计算设备，以及一种机器可读存储介质。
技术介绍
伴随着互联网金服业务的迅猛发展，金服业务涉及的业务规模也越来越庞大，现阶段金服业务在底层起支撑作用的系统、平台数量就达数百，这些系统、平台每周的代码、数据库和配置变更等数目也非常大，任何一个环节的疏忽、错误，都可能导致系统风险，给公司带来巨大损失。智能监控作为一种检测手段，提供在发生问题时快速报警能力，而传统基于时间序列的智能监控检测手段是基于聚合数据进行的，具体是针对N个输入序列，分别预测这N个序列是否存在异常，得到N个结果，然后通过一个聚合操作，将N个结果汇聚成1个结果来判断最后整个系统是否存在问题。但是上述方法没有考虑到N个输入之间的关联性，即系统业务前后之间的关联性，对系统业务进行异常检测的准确性较低，检测效果较差。
技术实现思路
有鉴于此，本申请实施例提供了一种基于神经网络的检测方法，以解决现有技术中存在的技术缺陷。本申请实施例同时提供了一种基于神经网络的检测装置，一种计算设备，以及一种机器可读存储介质。本申请实施例公开了一种基于神经网络的检测方法，包括：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。可选的，所述循环神经网络模型，采用如下方式进行训练：获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；每个检测周期内业务调用序列关联的业务状态数据对应的状态参数为所述训练样本集中的一个训练样本；根据所述训练样本集进行模型训练，获得所述循环神经网络模型。可选的，所述循环神经网络模型，包括：包含至少一个输入的输入层、输出层和至少一个隐藏层；其中，所述输入层包含的输入与所述隐藏层具有一一对应关系，且所述输入分别与对应隐藏层的神经元连接。可选的，所述根据所述训练样本集进行模型训练，包括：训练所述循环神经网络模型的权重参数和/或阈值参数；其中，所述循环神经网络模型的权重参数包括：输入层包含的输入与对应隐藏层神经元连接对应的第一连接权、各隐藏层前序检测周期的神经元与检测周期的神经元连接对应的第二连接权、各隐藏层的神经元与输出层连接对应的第三连接权；所述阈值参数包括：对应于隐藏层的隐层阈值、对应于输出层的输出阈值。可选的，所述业务调用序列关联的业务状态数据，包括下述至少一项：业务调用涉及的业务输入数据、业务调用涉及的业务输出数据。可选的，所述获取检测周期内至少一个业务调用序列关联的业务状态数据，包括：若所述检测周期内包含业务调用序列的数目大于或者等于2，则按照预设序列聚合规则对所述检测周期内的业务调用序列进行聚合。可选的，所述预设序列聚合规则，包括下述至少一项：将所述业务调用涉及的业务输入数据和/或所述业务调用涉及的业务输出数据相同的至少两个业务调用序列，聚合为一个业务调用序列。可选的，所述聚合后获得的业务调用序列携带有被聚合业务调用序列的序列调用次数；所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数，在输入所述循环神经网络模型进行业务状态检测过程中，所述聚合后获得的业务调用序列对应的关联的业务状态数据映射获得的状态参数被赋予序列权重；其中，所述序列权重按照所述聚合后获得的业务调用序列携带的被聚合业务调用序列的序列调用次数确定。可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：调用映射函数将所述业务调用涉及的输入数据和所述业务调用涉及的输出数据映射为同一字符串；对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据对应的状态参数。可选的，所述将所述业务状态数据分别映射为对应的状态参数，包括：调用映射函数将所述业务调用涉及的输入数据射为字符串，或者将所述业务调用涉及的输出数据映射为字符串；对映射获得的所述字符串进行编码，将所述字符串的编码结果作为所述业务状态数据各自对应的状态参数。可选的，所述模型训练采用下述至少一种学习算法进行训练：自适应矩估计算法、随机梯度下降算法。可选的，所述循环神经网络模型，包括：长短期记忆神经网络模型、门控循环单元神经网络模型。本申请还提供一种基于神经网络的检测装置，包括：业务状态数据获取模块，被配置为获取检测周期内至少一个业务调用序列关联的业务状态数据；状态参映射模块，被配置为将所述业务状态数据分别映射为对应的状态参数；业务状态检测模块，被配置为将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。本申请还提供一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。本申请还提供一种计算机可读存储介质，其存储有计算机指令，该指令被处理器执行时实现上述基于神经网络的检测方法的步骤。与现有技术相比，本申请具有如下优点：本申请提供一种基于神经网络的检测方法，包括：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。本申请提供的基于神经网络的检测方法，以周期的方式进行业务状态检测，并在检测过程中将不同时刻系统状态作为输入融合到循环神经网络模型进行业务状态检测，同时基于循环神经网络模型进一步融合了前序时刻的系统状态，从而充分考虑不同时刻的系统状态相互之间的影响，实现了更加及时的业务状态检测，并且检测准确率也更高。附图说明图1是本申请实施例提供的一种基于神经网络的检测方法处理流程图；图2是本申请实施例提供的一种循环神经网络模型的示意图；图3是本申请实施例提供的一种神经元的示意图；图4是本申请实施例提供的一种业务状态检测过程的处理流程图；图5是本申请实施例提供的一种基于神经网络的检测装置的示意图；图6是本申请实施例提供的一种计算设备的结构框图。具体实施方式在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本说明书一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本说明书一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，本文档来自技高网...

【技术保护点】
1.一种基于神经网络的检测方法，其特征在于，包括：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。

【技术特征摘要】
1.一种基于神经网络的检测方法，其特征在于，包括：获取检测周期内至少一个业务调用序列关联的业务状态数据；将所述业务状态数据分别映射为对应的状态参数；将所述状态参数输入循环神经网络模型进行业务状态检测，获得业务检测结果。2.根据权利要求1所述的基于神经网络的检测方法，其特征在于，所述循环神经网络模型，采用如下方式进行训练：获取历史时间段包含的检测周期内业务调用序列关联的业务状态数据；所述历史时间段包含的检测周期具有时间连续性；将所述业务状态调用数据分别映射为对应的状态参数，获得训练样本集；每个检测周期内业务调用序列关联的业务状态数据对应的状态参数为所述训练样本集中的一个训练样本；根据所述训练样本集进行模型训练，获得所述循环神经网络模型。3.根据权利要求2所述的基于神经网络的检测方法，其特征在于，所述循环神经网络模型，包括：包含至少一个输入的输入层、输出层和至少一个隐藏层；其中，所述输入层包含的输入与所述隐藏层具有一一对应关系，且所述输入分别与对应隐藏层的神经元连接。4.根据权利要求3所述的基于神经网络的检测方法，其特征在于，所述根据所述训练样本集进行模型训练，包括：训练所述循环神经网络模型的权重参数和/或阈值参数；其中，所述循环神经网络模型的权重参数包括：输入层包含的输入与对应隐藏层神经元连接对应的第一连接权、各隐藏层前序检测周期的神经元与检测周期的神经元连接对应的第二连接权、各隐藏层的神经元与输出层连接对应的第三连接权；所述阈值参数包括：对应于隐藏层的隐层阈值、对应于输出层的输出阈值。5.根据权利要求1所述的基于神经网络的检测方法，其特征在于，所述业务调用序列关联的业务状态数据，包括下述至少一项：业务调用涉及的业务输入数据、业务调用涉及的业务输出数据。6.根据权利要求5所述的基于神经网络的检测方法，其特征在于，所述获取检测周期内至少一个业务调用序列关联的业务状态数据，包括：若所述检测周期内包含业务调用序列的数目大于或者等于2，则按照预设序列聚合规则对所述检测周期内的业务调用序列进行聚合。7.根据权利要求6所述的基于神经网络的检测方法，其特征在于，所述预设序列聚合规则，包括下述至少一项：将所述业务调用涉及的业务输入数据和/或所述业务调用涉及的业务输出数据相同的至少两个业务调用序列，聚合为一个业务调用序列。8.根据权利要求7所述的基于神经网络的检测方法，其特征在...

【专利技术属性】
技术研发人员：周扬，
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