异常任务智能监测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及智能决策领域，本发明专利技术公开了一种异常任务智能监测方法、装置、设备及存储介质，通过将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；根据异常特征建立预设异常特征数据集；获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务，能够自动学习历史规律，不需要人工干预，提高了特征提取的科学性和准确性，能够实现任务的实时监控，提升了用户体验。

Intelligent Monitoring Method, Device, Equipment and Storage Medium for Abnormal Tasks

【技术实现步骤摘要】
异常任务智能监测方法、装置、设备及存储介质
本专利技术涉及智能决策领域，尤其涉及一种异常任务智能监测方法、装置、设备及存储介质。
技术介绍
在日常办公过程中，现有的异常任务检测方式存在以下缺点或问题：市面上的多数异常任务检测参数设置高度依赖于经验值，且一套参数通常只使用于一个或一类任务；并且市面上多数异常任务检测参数的设置完全没有数据支撑，导致准确率下降；而且市面上异常任务检测算法的判断标准为设置有限多个条件判断进行检测，且对各条件之间的相互影响很少做考虑，市面上监控多数无法对任务进行实时检测。
技术实现思路
本专利技术的主要目的在于提供一种异常任务智能监测方法、装置、设备及存储介质，旨在解决现有技术中过于依赖日常操作经验值，缺乏数据支撑导致准确率下降，并且无法实时进行异常任务检测的技术问题。为实现上述目的，本专利技术提供一种异常任务智能监测方法，所述异常任务智能监测方法包括以下步骤：将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；根据异常特征建立预设异常特征数据集；获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务。优选地，所述将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图的步骤，包括：将目标运行特征代入至预设多元高斯分布模型中，获得各目标运行特征对应的特征向量；获取各特征向量之间的关联关系，根据所述关联关系和各特征向量生成多元高斯概率图。优选地，根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征的步骤，包括：根据预设聚类算法对所述多元高斯分布概率图进行聚类，可获得聚类结果；对所述聚类结果分析，获得所述多元高斯分布概率图中的离群向量；将所述离群向量对应的离群特征作为异常特征。优选地，所述根据异常特征建立预设异常特征数据集的步骤，包括：从预设样本任务集中筛选出预设数量的多个样本任务；获取各样本任务的历史执行率，将所述历史执行率大于预设执行率的样本任务作为目标任务；根据预设多元高斯分布模型获得多个目标任务的异常特征；根据各异常特征建立预设异常特征数据集。优选地，所述获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务的步骤，包括：对正在运行的当前任务进行实时监控，获得所述当前任务的执行数据；将所述执行数据与所述预设异常特征数据集中的异常特征对应的异常数据进行匹配分析，并获得分析结果；在所述分析结果为所述执行数据与所述异常数据匹配时，判定所述当前任务为异常任务；在所述分析结果为所述执行数据与所述异常数据不匹配时，判定所述当前任务为正常任务。优选地，所述将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图之前，所述方法还包括：获取目标任务的历史执行数据；将所述历史执行数据代入至预设无监督学习模型中，获得所述目标任务的目标运行特征。优选地，所述将所述历史执行数据代入至预设无监督学习模型中，获得所述目标任务的目标运行特征的步骤，包括：将所述历史执行数据代入至预设无监督学习模型中，获得所述目标任务的CPU占用数据和内存占用数据；将所述CPU占用数据和内存占用数据作为目标运行特征。此外，为实现上述目的，本专利技术还提出一种异常任务智能监测设备，所述异常任务智能监测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异常任务智能监测程序，所述异常任务智能监测程序配置为实现如上文所述的异常任务智能监测方法的步骤。此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有异常任务智能监测程序，所述异常任务智能监测程序被处理器执行时实现如上文所述的异常任务智能监测方法的步骤。此外，为实现上述目的，本专利技术还提供一种异常任务智能监测装置，所述异常任务智能监测装置包括：概率图获取模块、异常特征获取模块、数据集建立模块和判断模块；其中，所述概率图获取模块，用于将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；所述异常特征获取模块，用于根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；所述数据集建立模块，用于根据异常特征建立预设异常特征数据集；所述判断模块，用于获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务。本专利技术提出的异常任务智能监测方法，通过将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；根据异常特征建立预设异常特征数据集；获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务，能够自动学习历史规律，不需要人工干预，提高了特征提取的科学性和准确性，能够实现任务的实时监控，提升了用户体验。附图说明图1为本专利技术实施例方案涉及的硬件运行环境的异常任务智能监测设备结构示意图；图2为本专利技术异常任务智能监测方法第一实施例的流程示意图；图3为本专利技术异常任务智能监测方法第二实施例的流程示意图；图4为本专利技术异常任务智能监测方法第三实施例的流程示意图；图5为本专利技术异常任务智能监测装置第一实施例的功能模块图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术实施例的解决方案主要是：本专利技术通过将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；根据异常特征建立预设异常特征数据集；获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务，能够自动学习历史规律，不需要人工干预，提高了特征提取的科学性和准确性，能够实现任务的实时监控，提升了用户体验，解决了现有技术中过于依赖日常操作经验值，缺乏数据支撑导致准确率下降，并且无法实时进行异常任务检测的技术问题。参照图1，图1为本专利技术实施例方案涉及的硬件运行环境的异常任务智能监测设备结构示意图。如图1所示，该异常任务智能监测设备可以包括：处理器1001，例如中央处理器(CentralProcessingUnit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccessMemory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图1中示出的异常任务智能监测设备结构并不构成对该异常任务智能监测设本文档来自技高网...

【技术保护点】
1.一种异常任务智能监测方法，其特征在于，所述方法包括：将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；根据异常特征建立预设异常特征数据集；获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务。

【技术特征摘要】
1.一种异常任务智能监测方法，其特征在于，所述方法包括：将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；根据异常特征建立预设异常特征数据集；获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务。2.如权利要求1所述的方法，其特征在于，所述将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图的步骤，包括：将目标运行特征代入至预设多元高斯分布模型中，获得各目标运行特征对应的特征向量；获取各特征向量之间的关联关系，根据所述关联关系和各特征向量生成多元高斯概率图。3.如权利要求2所述的方法，其特征在于，根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征的步骤，包括：根据预设聚类算法对所述多元高斯分布概率图进行聚类，可获得聚类结果；对所述聚类结果分析，获得所述多元高斯分布概率图中的离群向量；将所述离群向量对应的离群特征作为异常特征。4.如权利要求3所述的方法，其特征在于，所述根据异常特征建立预设异常特征数据集的步骤，包括：从预设样本任务集中筛选出预设数量的多个样本任务；获取各样本任务的历史执行率，将所述历史执行率大于预设执行率的样本任务作为目标任务；根据预设多元高斯分布模型获得多个目标任务的异常特征；根据各异常特征建立预设异常特征数据集。5.如权利要求4所述的方法，其特征在于，所述获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务的步骤，包括：对正在运行的当前任务进行实时监控，获得所述当前任务的执行数据；将所述执行数据与所述预设异常特征数据集中的异常特征对应的异常数据进行匹配分析，并获得分析结果；在所述分析结果为所述执行数据...

【专利技术属性】
技术研发人员：陈万慧，简杰生，汪伟，苏雪婷，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44