【技术实现步骤摘要】
一种异常监测方法、装置和电子设备
本专利技术涉及异常监测
，具体涉及一种异常监测方法、装置和电子设备。
技术介绍
随着云基础设施的和微服务架构越来越成为支撑互联网公司业务的重要基石，互联网公司在运维阶段将面对海量的线上数据，导致运维的复杂性问题日渐凸显，其中，对运维数据进行异常检测是运维过程中的重要环节，现有技术中通常是按照相关运维经验，制定相应的运维规则进行异常检测，例如，运维人员发现当CPU用量超过95％时为存在异常的表现，则可以设定相应的规则对CPU的用量进行监测，当监测到CPU用量超过95％时，则显示CPU异常，然而，运维人员难以将各种异常情况进行全面的总结，而运维人员总结出的运维经验不全面，使得采样此种方式仅能实现对一些表现明显且常见的异常进行检测，而很难对运维数据中的其他相对隐蔽的异常进行检测，可见，现有技术中在对运维数据进行异常检测时，存在异常监测系统结构复杂，且泛化能力弱的问题。
技术实现思路
本专利技术实施例的目的在于提供一种异常监测方法、装置和电子设备，以解决现有技术中对运维数据进行异常检测时，...
【技术保护点】
1.一种异常监测方法，其特征在于，包括：/n获取目标监测任务的目标数据源；/n从所述目标数据源的数据中提取特征数据组，其中，所述特征数据组中包括的特征数据的种类与所述目标监测任务关联；/n将所述特征数据组输入至目标异常检测模型，得出异常监测结果，其中，所述目标异常检测模型基于所述目标监测任务的第一训练数据集训练得到，所述第一训练数据集包括历史异常数据，且所述第一训练数据集中特征数据的种类与所述特征数据组中的特征数据的种类相同。/n
【技术特征摘要】
1.一种异常监测方法，其特征在于，包括：
获取目标监测任务的目标数据源；
从所述目标数据源的数据中提取特征数据组，其中，所述特征数据组中包括的特征数据的种类与所述目标监测任务关联；
将所述特征数据组输入至目标异常检测模型，得出异常监测结果，其中，所述目标异常检测模型基于所述目标监测任务的第一训练数据集训练得到，所述第一训练数据集包括历史异常数据，且所述第一训练数据集中特征数据的种类与所述特征数据组中的特征数据的种类相同。
2.根据权利要求1所述的方法，其特征在于，在所述将所述特征数据组输入至目标异常检测模型，得出异常监测结果之前，所述方法还包括：
构建机器学习模型和深度学习模型；
基于所述第一训练数据集对所述机器学习模型进行训练；
在训练结果符合预设条件的情况下，确定所述目标异常检测模型为训练后的机器学习模型；
在所述训练结果不符合所述预设条件的情况下，基于所述第一训练数据集对所述深度学习模型进行训练，并确定所述目标异常检测模型为训练后的深度学习模型。
3.根据权利要求2所述的方法，其特征在于，所述在训练结果符合预设条件的情况下，确定所述目标异常检测模型为训练后的机器学习模型，包括：
基于所述第一训练数据集对所述机器学习模型进行迭代训练得到的第一检测模型的性能参数值大于或者等于预设性能参数值的情况下，确定所述目标异常检测模型为所述第一检测模型；
所述在所述训练结果不符合所述预设条件的情况下，基于所述第一训练数据集对所述深度学习模型进行训练，并确定所述目标异常检测模型为训练后的深度学习模型，包括：
在所述第一检测模型的性能参数值小于所述预设性能参数值的情况下，基于所述第一训练数据集对所述深度学习模型进行迭代训练，得到第二检测模型；
确定所述目标异常检测模型为所述第二检测模型。
4.根据权利要求1所述的方法，其特征在于，在所述将所述特征数据组输入至目标异常检测模型，得出异常监测结果之后，所述方法还包括：
在所述异常监测结果与所述特征数据组对应的实际异常结果不匹配的情况下，将所述特征数据组加入至第二训练数据集；
基于所述第二训练数据集对所述目标异常检测模型进行训练，得到第三检测模型，其中，所述第三检测模型对所述特征数据组的异常监测结果与其实际异常结果匹配；
更新所述目标异常检测模型为所述第三检测模型。
5.根据权利要求1...
【专利技术属性】
技术研发人员：王政，
申请(专利权)人：北京奇艺世纪科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。