一种异常分析方法、装置、设备以及计算机可读存储介质制造方法及图纸

本申请公开了一种异常识别方法，包括为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。该异常识别方法能够实现自主学习，精确定位异常类型。本申请还公开了一种异常识别的装置、设备及计算机可读存储介质，均具有上述技术效果。

【技术实现步骤摘要】
一种异常分析方法、装置、设备以及计算机可读存储介质
本申请涉及计算机
，特别涉及一种异常分析方法；还涉及一种异常分析装置、设备以及计算机可读存储介质。
技术介绍
随着计算机技术的发展与普及，计算机已成为各领域必不可少的工作设备。而伴随着的工作任务的增加，计算机的工作量随之加重，由此导致计算机系统故障频发。准确有效的定位故障，对于及时修复故障，保障生产效率至关重要。然而，目前的异常识别方案定位精度低，无自主学习能力，不能满足在新的系统生态中定位异常以及发现新的异常的需求。有鉴于此，如何提高系统异常定位的准确性已成为本领域技术人员亟待解决的技术问题。
技术实现思路
本申请的目的是提供一种异常识别方法，能够实现自主学习，精确定位异常类型；本申请的另一个目的是提供一种异常识别装置、设备以及计算机可读存储介质，均具有上述技术效果。为解决上述技术问题，本申请提供一种异常识别方法，包括：为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。可选的，所述为各项系统参数设置权重，包括：以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。可选的，所述依据所述系统参数与其对应的所述权重构建权重切片，包括：以所述系统参数与其对应的所述权重构建一次切片；以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。可选的，所述系统参数包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。可选的，还包括：将所述实时权重切片与所述权重切片进行耦合，得到耦合权重切片，并以所述耦合权重切片作为异常样本再次训练所述卷积神经网络。为解决上述技术问题，本申请还提供了一种异常识别装置，包括：权重设置模块，用于为各项系统参数设置权重；权重切片构建模块，用于依据所述系统参数与其对应的所述权重构建权重切片；神经网络训练模块，用于以所述权重切片作为异常样本对卷积神经网络进行训练；异常识别模块，用于获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。可选的，所述权重设置模块具体用于以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。可选的，所述权重切片构建模块包括：一次切片构建单元，用于以所述系统参数与其对应的所述权重构建一次切片；权重切片构建单元，用于以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。为解决上述技术问题，本申请还提供了一种异常识别设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上所述的异常识别方法的步骤。为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的异常识别方法的步骤。本申请所提供的异常识别方法，包括：为各项系统参数设置权重；依据所述系统参数与其对应的所述权重构建权重切片；以所述权重切片作为异常样本对卷积神经网络进行训练；获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。可见，本申请所提供的异常识别方法，基于卷积神经网络算法，抽象各系统参数并为各系统参数设置权重，以及以各系统参数与其对应的权重所构建的权重切片作为异常样本对卷积神经网络进行训练，进而利用训练完成的卷积神经网络识别异常，对卷积神经网络进行训练的过程即为自主学习的过程，随着学习量的增加，能够精确定位多种系统异常。本申请所提供的异常识别装置、设备以及计算机可读存储介质均具有上述技术效果。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例所提供的一种异常识别方法的流程示意图；图2为本申请实施例所提供的一种异常识别装置的示意图；图3为本申请实施例所提供的一种异常识别设备的示意图。具体实施方式本申请的核心是提供一种异常识别方法，能够实现自主学习，精确定位异常类型；本申请的另一个核心是提供一种异常识别装置、设备以及计算机可读存储介质，均具有上述技术效果。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。请参考图1，图1为本申请实施例所提供的一种异常识别方法的示意图，参考图1所示，该异常识别方法主要包括：S101：为各项系统参数设置权重；具体的，本步骤旨在对各项系统参数进行加权操作，即在抽象各系统参数的基础上，为各项系统参数设置权重。其中，权重大小的范围为0-1。其中，在一种具体的实施方式中，上述系统参数可以包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。当然，除上述CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率外，还可以为其他类型的系统参数，对此，本申请不做唯一限定，可以根据实际情况进行差异性设置。另外，在一种具体的实施方式中，上述为各项系统参数设置权重，包括：以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。具体的，人为制造异常，并统计各类异常分别持续的时长以及系统总的异常时间，即统计各系统参数的异常持续时间以及总异常时间，进而以系统参数的异常持续时间与总异常时间的比值作为该系统参数的权重。例如，总异常时间为50s，这期间，系统参数CPU利用率的异常持续时间为15s，硬盘利用率的异常持续时间为20s，日志文件增长速率的异常持续时间为15s。由此，系统参数CPU利用率的权重为15/50，即为0.3，系统参数硬盘利用率的权重为0.4，系统参数日志文件增长速率的权重为0.3。S102：依据所述系统参数与其对应的所述权重构建权重切片；具体的，在为各项系统参数设置权重的基础上，进一步，依据系统参数与系统参数对应的权重构建权重切片，以后续以此权重切片作为异常样本进行卷积神经网络训练。其中，在一种具体的实施方式中，上述依据所述系统参数与其对应的所述权重构建权重切片，包括：以所述系统参数与其对应的所述权重构建一次切片；以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。具体的，本实施例中，依据系统参数本文档来自技高网...

【技术保护点】
1.一种异常识别方法，其特征在于，包括：/n为各项系统参数设置权重；/n依据所述系统参数与其对应的所述权重构建权重切片；/n以所述权重切片作为异常样本对卷积神经网络进行训练；/n获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。/n

【技术特征摘要】
1.一种异常识别方法，其特征在于，包括：
为各项系统参数设置权重；
依据所述系统参数与其对应的所述权重构建权重切片；
以所述权重切片作为异常样本对卷积神经网络进行训练；
获取实时权重切片，并通过训练完成的所述卷积神经网络分析所述实时权重切片，得到异常类型。


2.根据权利要求1所述的异常识别方法，其特征在于，所述为各项系统参数设置权重，包括：
以所述系统参数的异常持续时间与总异常时间的比值作为所述系统参数的权重。


3.根据权利要求2所述的异常识别方法，其特征在于，所述依据所述系统参数与其对应的所述权重构建权重切片，包括：
以所述系统参数与其对应的所述权重构建一次切片；
以时间为纵轴，横切所述一次切片得到各异常时间段对应的所述权重切片。


4.根据权利要求3所述的异常识别方法，其特征在于，所述系统参数包括CPU利用率、内存利用率、硬盘使用率以及日志文件增长速率。


5.根据权利要求4所述的异常识别方法，其特征在于，还包括：
将所述实时权重切片与所述权重切片进行耦合，得到耦合权重切片，并以所述耦合权重切片作为异常样本再次训练所述卷积神经网络。


6.一种异常识别装置，其特征在于，包...

【专利技术属性】
技术研发人员：孟梦，
申请(专利权)人：苏州浪潮智能科技有限公司，
类型：发明
国别省市：江苏;32