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日志，该方法包括：
[0005]获取待监控日志图像；
[0006]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；
[0007]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；
[0008]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。
[0009]本专利技术实施例还提供一种基于反卷积神经网络的日志监控装置，用以及时有效地监控异常日志，该装置包括：
[0010]获取单元，用于获取待监控日志图像；
[0011]分段处理单元，用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；
[0012]提取单元，用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；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；
[0013]监控单元，用于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。
[0014]本专利技术实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并
可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于反卷积神经网络的日志监控方法。
[0015]本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于反卷积神经网络的日志监控方法。
[0016]本专利技术实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于反卷积神经网络的日志监控方法。
[0017]本专利技术实施例中，基于反卷积神经网络的日志监控方案，通过：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，可以及时有效地监控异常日志。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，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。在附图中：
[0019]图1为本专利技术实施例中基于反卷积神经网络的日志监控方法的流程示意图；
[0020]图2为本专利技术另一实施例中基于反卷积神经网络的日志监控方法的流程示意图；
[0021]图3为本专利技术另一实施例中基于反卷积神经网络的日志监控方法的流程示意图；
[0022]图4为本专利技术实施例中基于反卷积神经网络的日志监控装置的结构示意图；
[0023]图5为本专利技术另一实施例中基于反卷积神经网络的日志监控装置的结构示意图。
具体实施方式
[0024]为使本专利技术实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本专利技术实施例做进一步详细说明。在此，本专利技术的示意性实施例及其说明用于解释本专利技术，但并不作为对本专利技术的限定。
[0025]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案，该方案利用自适应反卷积神经网络对分段的日志图像重要信息特征提取，抓取关键特性进行实时监控，保障程序运行状态。下面对该基于反卷积神经网络的日志监控方案进行详细介绍。
[0026]图1为本专利技术实施例中基于反卷积神经网络的日志监控方法的流程示意图，如图1所示，该方法包括如下步骤：
[0027]步骤101：获取待监控日志图像；
[0028]步骤102：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；
[0029]步骤103：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；
[0030]步骤104：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。
[0031]本专利技术实施例提供的基于反卷积神经网络的日志监控方法，工作时：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，可以及时有效地监控异常日志。下面对该基于反卷积神经网络的日志监控方法进行详细介绍。
[0032]考虑到如果日志中信息过多，容易造成字符轮廓特征提取不明显的技术问题，因此，专利技术人提出了将日志分块，提升关键字轮廓识别准确率，进而提升日志监控准确度的方案，该方案中反卷积神经网络具有高度自适应特性，对于图像重要特征的提取性能优越，不仅能够监控异常日志，及时解决问题，同时也可以实时监控程序运行阶段及状态。
[0033]首先，在实施本专利技术之前，首先预先建立了反卷积神经网络模型，该模型的网络结构具有高度的自适应特性，网络参数随网络输入可变，而最优网络参数是在多轮迭代中基于目标函数最小化的原理确定本文档来自技高网...

【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：