基于反卷积神经网络的日志监控方法及装置制造方法及图纸

本发明专利技术公开了一种基于反卷积神经网络的日志监控方法及装置，涉及人工智能技术领域，其中该方法包括：获取待监控日志图像；对待监控日志图像进行分段处理，得到多段待监控日志子图像；将每一段待监控日志子图像输入反卷积神经网络模型中进行自适应关键特征提取，得到每一段待监控日志子图像对应的关键特征图像；所述反卷积神经网络模型根据多个日志图像样本预先训练生成；对每一段待监控日志子图像对应的关键特征图像进行关键字日志监控，得到日志监控结果；所述日志监控结果用于监控程序运行状态。本发明专利技术可以及时有效地监控异常日志。本发明专利技术可以及时有效地监控异常日志。本发明专利技术可以及时有效地监控异常日志。

【技术实现步骤摘要】
基于反卷积神经网络的日志监控方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于反卷积神经网络的日志监控方法及装置。

技术介绍

[0002]本部分旨在为权利要求书中陈述的本专利技术实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]程序开发工作中日志的存在异常重要，为了能够实时监控程序运行状态以及及时解决出现的问题，日志监控在生产生活中非常重要。目前，日志监控方法种类较多，多数以行为异常检测、区块链为工具，其中，行为异常检测方法原理如下：首先对日志进行预处理(统一日志结构并聚类)、然后生成行为模式、获取异常指数，比对异常指数与阈值决定是否发出异常预警。基于区块链的日志监控方法基本原理如下：将日志文件发送到区块链网络，对日志文件进行解析、验证可靠性真实性等。现有日志监控方法的缺点是：现有的日志监控方法大多只用来发现异常，不能实时监控、及时预警，应用范围小，性能差。

技术实现思路

[0004]本专利技术实施例提供一种基于反卷积神经网络的日志监控方法，用以及时有效地监控异常本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反卷积神经网络的日志监控方法，其特征在于，包括：获取待监控日志图像；对待监控日志图像进行分段处理，得到多段待监控日志子图像；将每一段待监控日志子图像输入反卷积神经网络模型中进行自适应关键特征提取，得到每一段待监控日志子图像对应的关键特征图像；所述反卷积神经网络模型根据多个日志图像样本预先训练生成；对每一段待监控日志子图像对应的关键特征图像进行关键字日志监控，得到日志监控结果；所述日志监控结果用于监控程序运行状态。2.如权利要求1所述的基于反卷积神经网络的日志监控方法，其特征在于，对待监控日志图像进行分段处理，得到多段待监控日志子图像，包括：根据监控实时性的精度要求，对待监控日志图像进行分段处理，得到多段待监控日志子图像。3.如权利要求1所述的基于反卷积神经网络的日志监控方法，其特征在于，还包括：对每一段待监控日志子图像进行日志图像预处理，得到预处理后的每一段待监控日志子图像；将每一段待监控日志子图像输入反卷积神经网络模型中进行自适应关键特征提取，得到每一段待监控日志子图像对应的关键特征图像，包括：将预处理后的每一段待监控日志子图像输入反卷积神经网络模型中进行自适应关键特征提取，得到每一段待监控日志子图像对应的关键特征图像。4.如权利要求3所述的基于反卷积神经网络的日志监控方法，其特征在于，对每一段待监控日志子图像进行日志图像预处理，得到预处理后的每一段待监控日志子图像，包括：对每一段待监控日志子图像进行日志图像去噪、归一化处理，得到预处理后的每一段待监控日志子图像。5.如权利要求1所述的基于反卷积神经网络的日志监控方法，其特征在于，将每一段待监控日志子图像输入反卷积神经网络模型中进行自适应关键特征提取，得到每一段待监控日志子图像对应的关键特征图像，包括：将每一段待监控日志子图像输入反卷积神经网络模型中基于目标函数极小化的原则对图像进行关键特征提取，得到每一段待监控日志子图像对应的关键特征图像；所述目标函数为基于需求设计的反卷积神经网络目标函数。6.一种基于反卷积神经网络的日志监控装置，其特征在于，包括：获取单元，用于获取待监控日志图像；分段处理单元，用于对待监...

【专利技术属性】
技术研发人员：杨凌波，吴炳鑫，张振庆，
申请(专利权)人：中国银行股份有限公司，
类型：发明
国别省市：