本申请涉及人工智能技术领域，提供一种微服务的异常检测方法、装置、计算机设备和存储介质，方法包括：对于微服务架构下的每个微服务，获取各微服务在预设时间段内的指标参数；基于指标参数以及预设的指标参数阈值，对所有微服务进行筛选处理得到对应的第一微服务；基于各第一微服务的指标参数与预设的异常检测模型生成各第一微服务的异常概率；将各第一微服务的异常概率分别与预设的概率阈值进行数值比较处理，从所有第一微服务中筛选出异常概率大于概率阈值的第二微服务；将第二微服务确定为所有微服务中存在异常的目标微服务。本申请能提高判断微服务异常的准确率。本申请还可以应用于区块链领域，上述异常概率等数据可以存储于区块链上。存储于区块链上。存储于区块链上。
【技术实现步骤摘要】
微服务的异常检测方法、装置、计算机设备和存储介质
[0001]本申请涉及人工智能
，具体涉及一种微服务的异常检测方法、装置、计算机设备和存储介质。
技术介绍
[0002]微服务架构是一项在云中部署应用和服务的新技术。微服务通常会部署到多个节点中，首先在预发布的环境下进行运行一段时间，若没有发现异常，则发布。发布后进入运维环境。从预发布环境到运维环境时，需要预测微服务是否会出现异常，以暂停发布或修正异常。
[0003]现有预测微服务是否出现异常的方式通常是通过对微服务进行心跳测试，若微服务失去响应或者响应延迟，则说明微服务出现异常。这种方法经常出现误判，预测准确性较低，如果展示错误的微服务状态则会导致工作人员做出错误处理。
技术实现思路
[0004]本申请的主要目的为提供一种微服务的异常检测方法、装置、计算机设备和存储介质，旨在解决现有预测微服务是否出现异常的方式存在容易出现误判，预测准确性较低的技术问题。
[0005]本申请提出一种微服务的异常检测方法，所述方法包括步骤：
[0006]对于微服务架构下的每个微服务，获取各所述微服务在预设时间段内的指标参数；
[0007]基于所述指标参数以及预设的指标参数阈值，对所有所述微服务进行筛选处理得到对应的第一微服务；
[0008]基于各所述第一微服务的指标参数与预设的异常检测模型生成各所述第一微服务的异常概率；
[0009]将各所述第一微服务的异常概率分别与预设的概率阈值进行数值比较处理，从所有所述第一微服务中筛选出异常概率大于所述概率阈值的第二微服务；
[0010]将所述第二微服务确定为所有所述微服务中存在异常的目标微服务。
[0011]可选地，所述基于各所述第一微服务的指标参数与预设的异常检测模型生成各所述第一微服务的异常概率的步骤，包括：
[0012]获取预先训练生成的多个异常检测模型；其中，每一个所述异常检测模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干指标数据样本，以及与所述指标数据样本对应的分类标签；
[0013]基于预设的验证样本集从所有所述异常检测模型中确定出目标异常检测模型；
[0014]将各所述第一微服务的指标参数分别输入至目标异常检测模型内；
[0015]通过所述目标异常检测模型对输入的各所述第一微服务的指标参数进行异常分析，得到与各所述第一微服务的指标参数分别对应的异常概率。
[0016]可选地，所述基于预设的验证样本集从所有所述异常检测模型中确定出目标异常检测模型的步骤，包括：
[0017]获取所述验证样本集；
[0018]基于所述验证样本集，计算各所述异常检测模型的模型处理时间；以及，
[0019]基于所述验证样本集，按照预设计算规则生成各所述异常检测模型的综合评测分值；
[0020]从所有所述异常检测模型筛选出模型处理时间小于预设时间阈值的第一异常检测模型；
[0021]从所述第一异常检测模型中筛选出综合评测分值大于预设分值阈值的第二异常检测模型；
[0022]将所述第二异常检测模型作为所述目标异常检测模型。
[0023]可选地，所述目标异常检测模型的数量为多个，所述通过所述目标异常检测模型对输入的各所述第一微服务的指标参数进行异常分析，得到与各所述第一微服务的指标参数分别对应的异常概率的步骤，包括：
[0024]遍历每一个所述第一微服务的指标参数，将当前遍历到的指标参数分别输入至各所述目标异常检测模型内；
[0025]获取各所述目标异常检测模型各自输出的与所述当前遍历到的指标参数对应的指定异常概率；
[0026]获取各所述目标异常检测模型分别对应的模型权重；
[0027]基于所述指定异常概率与所述模型权重计算得到与所述当前遍历到的指标参数对应的异常概率；
[0028]重复遍历步骤，直至完成对所有所述第一微服务的指标参数的异常分析处理，得到与每一个所述第一微服务的指标参数分别对应的异常概率。
[0029]可选地，所述获取预先训练生成的多个异常检测模型的步骤之前，包括：
[0030]获取预设数量的训练样本集，并从所述训练样本集中随机筛选出指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集，所述指定训练样本集包括若干指定指标数据样本，以及与所述指定指标数据样本对应的指定分类标签；
[0031]通过所述指定指标数据样本与所述指定分类标签对预设的机器学习模型进行训练，得到相应的初始异常检测模型；
[0032]获取预设的测试样本集，并基于所述测试样本集对所述初始异常检测模型进行准确度测试，得到对应的预测准确率；
[0033]判断所述预测准确率是否大于预设的准确率阈值；
[0034]若大于所述准确率阈值，将所述初始异常检测模型作为与所述指定训练样本集对应的异常检测模型。
[0035]可选地，所述基于所述指标参数以及预设的指标参数阈值，对所有所述微服务进行筛选处理得到对应的第一微服务的步骤，包括：
[0036]获取预设的指标参数阈值；其中，所述指标参数阈值为对应所有所述微服务的一个综合阈值；
[0037]将每一个所述微服务的指标参数分别与所述指标参数阈值进行数值比较处理，从
所有所述微服务中筛选出指标参数满足所述指标参数阈值的指定微服务；
[0038]将所述指定微服务作为所述第一微服务。
[0039]可选地，所述将所述第二微服务确定为所有所述微服务中存在异常的目标微服务的步骤之后，包括：
[0040]将所述目标微服务设置为隔离状态；
[0041]获取所述目标微服务的微服务标识；
[0042]基于所述微服务标识与预设的异常信息模板生成相应的异常预警信息；
[0043]获取预设的邮件登录信息，以及获取与目标用户对应的目标邮件地址；
[0044]基于所述邮件登录信息登录至对应的邮件服务器；
[0045]通过所述邮件服务器将所述异常预警信息发送至所述目标邮件地址。
[0046]本申请还提供一种微服务的异常检测装置，包括：
[0047]第一获取模块，用于对于微服务架构下的每个微服务，获取各所述微服务在预设时间段内的指标参数；
[0048]第一筛选模块，用于基于所述指标参数以及预设的指标参数阈值，对所有所述微服务进行筛选处理得到对应的第一微服务；
[0049]第一生成模块，用于基于各所述第一微服务的指标参数与预设的异常检测模型生成各所述第一微服务的异常概率；
[0050]第二筛选模块，用于将各所述第一微服务的异常概率分别与预设的概率阈值进行数值比较处理，从所有所述第一微服务中筛选出异常概率大于所述概率阈值的第二微服务；
[0051]确定模块，用于将所述第二微服务确定为所有所述微服务中存在异常的目标微服务。
[0052]本申请还提供一种计算本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种微服务的异常检测方法，其特征在于，包括：对于微服务架构下的每个微服务，获取各所述微服务在预设时间段内的指标参数；基于所述指标参数以及预设的指标参数阈值，对所有所述微服务进行筛选处理得到对应的第一微服务；基于各所述第一微服务的指标参数与预设的异常检测模型生成各所述第一微服务的异常概率；将各所述第一微服务的异常概率分别与预设的概率阈值进行数值比较处理，从所有所述第一微服务中筛选出异常概率大于所述概率阈值的第二微服务；将所述第二微服务确定为所有所述微服务中存在异常的目标微服务。2.根据权利要求1所述的微服务的异常检测方法，其特征在于，所述基于各所述第一微服务的指标参数与预设的异常检测模型生成各所述第一微服务的异常概率的步骤，包括：获取预先训练生成的多个异常检测模型；其中，每一个所述异常检测模型是根据各自不同的训练样本集训练生成的，每一个所述训练样本集包括若干指标数据样本，以及与所述指标数据样本对应的分类标签；基于预设的验证样本集从所有所述异常检测模型中确定出目标异常检测模型；将各所述第一微服务的指标参数分别输入至目标异常检测模型内；通过所述目标异常检测模型对输入的各所述第一微服务的指标参数进行异常分析，得到与各所述第一微服务的指标参数分别对应的异常概率。3.根据权利要求2所述的微服务的异常检测方法，其特征在于，所述基于预设的验证样本集从所有所述异常检测模型中确定出目标异常检测模型的步骤，包括：获取所述验证样本集；基于所述验证样本集，计算各所述异常检测模型的模型处理时间；以及，基于所述验证样本集，按照预设计算规则生成各所述异常检测模型的综合评测分值；从所有所述异常检测模型筛选出模型处理时间小于预设时间阈值的第一异常检测模型；从所述第一异常检测模型中筛选出综合评测分值大于预设分值阈值的第二异常检测模型；将所述第二异常检测模型作为所述目标异常检测模型。4.根据权利要求2所述的微服务的异常检测方法，其特征在于，所述目标异常检测模型的数量为多个，所述通过所述目标异常检测模型对输入的各所述第一微服务的指标参数进行异常分析，得到与各所述第一微服务的指标参数分别对应的异常概率的步骤，包括：遍历每一个所述第一微服务的指标参数，将当前遍历到的指标参数分别输入至各所述目标异常检测模型内；获取各所述目标异常检测模型各自输出的与所述当前遍历到的指标参数对应的指定异常概率；获取各所述目标异常检测模型分别对应的模型权重；基于所述指定异常概率与所述模型权重计算得到与所述当前遍历到的指标参数对应的异常概率；重复遍历步骤，直至完成对所有所述第一微服务的指标参数的异常分析处理，得到与
每一个所述第一微服务的指标参数分别对应的异常概率。5.根据权利要求2所述的微服务的异常检测方法，其特征在于，所述获取预先训练生成...
【专利技术属性】
技术研发人员：张盛荣，
申请(专利权)人：中国平安财产保险股份有限公司，
类型：发明
国别省市：
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。