主机异常检测方法、计算机设备和存储介质技术

本申请涉及一种主机异常检测方法、计算机设备和存储介质。方法包括：利用主机历史数据，通过训练出LSTM预测模型，并利用预测值和实际值的差值组成的差值向量训练的得到OCSVM分类模型，然后利用两种模型相结合的方式，在线预测并检测预测值与实际值差值向量是否正常，从而判断出主机是否异常。有效提高了检测的准确性，避免了固定阈值带来的误报和漏报问题。避免了固定阈值带来的误报和漏报问题。避免了固定阈值带来的误报和漏报问题。

【技术实现步骤摘要】
主机异常检测方法、计算机设备和存储介质


[0001]本申请涉及云主机监控
，特别是涉及一种主机异常检测方法、计算机设备和存储介质。

技术介绍

[0002]随着大数据和云计算的快速发展，云平台的建设也迎来一个爆发时发展的阶段。主机服务器是云计算平台中最基础且最重要的资源之一，虚拟资源所依赖的内存、CPU等资源底层均是由主机提供，主机在云平台运行中承担着举足轻重的地位。若主机由于种种原因出现异常时，有可能导致云平台中的各种资源出现卡顿、延迟甚至虚拟机宕机等情况。因此，对云平台中的主机进行在线异常检测具有非常重要的意义。当前对主机的各种运行状况进行检测，主要是通过一些固定指标进行衡量，比如资源的使用率阈值、某进程的运行时长等，使用这样的方式进行检测，能够在主机出现可预见的异常时，通过告警提醒等方式通知维护人员，但是使用率、时间等阈值的设定具有主观性和固定性，无法根据主机所承担的任务角色进行自适应地调整，从而会产生大量的漏报和误报现象。

技术实现思路

[0003]基于此，有必要针对上述技术问题，提供一种能够准确地检测到云平台中主机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主机异常检测方法，其特征在于，所述方法包括：步骤S1，采集主机第一运行时间内主机性能指标数据，并根据主机性能指标类别进行分类；步骤S2，根据不同类别指标的主机性能指标数据分别构建针对每个类别指标的M个LSTM训练序列数据，其中M≥2；步骤S3，利用所述M个LSTM训练序列数据对原始LSTM模型进行训练，得到训练后的M个LSTM预测模型；步骤S4，采集主机第二运行时间内主机性能指标数据，并利用所述M个LSTM预测模型对第一时刻的M个指标类别运行数据分别进行预测，得到M个预测数据值[p1,p2,
…
,p
M
]；步骤S5，利用所述M个预测数据值[p1,p2,
…
,p
M
]以及所述第一时刻M个指标类别的实际运行值对原始OCSVM模型进行训练，得到训练后的OCSVM模型；步骤S6，继续采集主机运行性能指标数据，利用训练后的OCSVM模型对主机进行在线异常检测。2.根据权利要求1所述的主机异常检测方法，其特征在于，所述步骤S5包括：根据所述M个预测数据值[p1,p2,
…
,p
M
]以及所述第一时刻M个指标类别的实际运行值的差值构建第一差值向量[
▽
p1,
▽
p2,
…
,
▽
p
M
]；利用所述第一差值向量[
▽
p1,
▽
p2,
…
,
▽
p
M
]对原始OCSVM模型进行训练，得到训练后的OCSVM模型。3.根据权利要求1所述的主机异常检测方法，其特征在于，步骤S1、步骤S4、步骤S6中还包括对采集的主机性能指标数据进行最大最小归一化处理，并利用处理后的指标数据进行后续操作。4.根据权利要求1所述的主机异常检测方法，其特征在于，所述步骤S3包括：将性能指标的LSTM训练序列数据的前N
‑
1个数据作为输入序列，将第N个数据作为输出数据进行训练，其中LSTM训练序列数据包括N个数据...

【专利技术属性】
技术研发人员：郭城阳，
申请(专利权)人：济南浪潮数据技术有限公司，
类型：发明
国别省市：