业务异常检测方法及装置制造方法及图纸

本说明书一个或多个实施例公开了一种业务异常检测方法及装置。所述方法包括：根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与所述目标业务类型对应的目标业务参数集，所述初始异常检测模型根据至少一种业务类型的样本业务数据训练得到，所述初始异常检测模型包括异常检测模块和噪声检测模块。根据所述初始异常检测模型和所述目标业务参数集，生成所述目标业务对应的目标异常检测模型。将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果。的异常检测结果。的异常检测结果。

【技术实现步骤摘要】
业务异常检测方法及装置


[0001]本说明书涉及风控
，尤其涉及一种业务异常检测方法及装置。

技术介绍

[0002]时序异常检测是智能运维系统中一项基础且重要的功能，其旨在通过智能算法自动地发现KPI(Key Performance Indicator，关键绩效指标)时间序列的异常波动，从而为后续的异常告警、根因定位、故障自愈等提供决策依据。时序异常检测在相关领域一直是研究热点，各类新型算法也不断涌现，然而现有的时序异常检测方案在实际落地推广中却并不顺利。除异常检测效果、算法黑盒等制约因素外，其它最突出的问题便是模型迁移适配能力较差。由于不同业务场景对异常的评判标准是不同的，导致针对一种业务训练的模型无法快速迁移到另一种业务，每次迁移都需要算法工程师介入进行参数调整，极端情况下甚至需要重新积累样本再训练新的模型，这样的投入必然是不可持续的。在具有海量业务场景的情况下，若每种业务都需要算法工程师进行参数调整，那花费的时间和成本必然是不被接受的。
[0003]因此，亟需一种能够适配于多种业务场景的业务异常检测方法。

技术实现思路

[0004]一方面，本说明书一个或多个实施例提供一种业务异常检测方法，包括：根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与所述目标业务类型对应的目标业务参数集，所述初始异常检测模型根据至少一种业务类型的样本业务数据训练得到，所述初始异常检测模型包括异常检测模块和噪声检测模块。根据所述初始异常检测模型和所述目标业务参数集，生成所述目标业务对应的目标异常检测模型。将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果。
[0005]另一方面，本说明书一个或多个实施例提供一种业务异常检测装置，包括：获取模块，根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与所述目标业务类型对应的目标业务参数集，所述初始异常检测模型根据至少一种业务类型的样本业务数据训练得到，所述初始异常检测模型包括异常检测模块和噪声检测模块。生成模块，根据所述初始异常检测模型和所述目标业务参数集，生成所述目标业务对应的目标异常检测模型。检测模块，将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果。
[0006]再一方面，本说明书一个或多个实施例提供一种电子设备，包括处理器和与所述处理器电连接的存储器，所述存储器存储有计算机程序，所述处理器用于从所述存储器调用并执行所述计算机程序以实现：根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与所述目标业务类型对应的目标业务参数集，所述初始异常检测模型根据至少一种业务类型的样本业务数据训练得到，所述初始异常检测模型包括异常检测模块和噪声检测模块。根据所述初始异常检测模型和所述目标业务参数集，生成所述目标
业务对应的目标异常检测模型。将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果。
[0007]再一方面，本说明书实施例提供一种存储介质，用于存储计算机程序，所述计算机程序能够被处理器执行以实现以下流程：根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与所述目标业务类型对应的目标业务参数集，所述初始异常检测模型根据至少一种业务类型的样本业务数据训练得到，所述初始异常检测模型包括异常检测模块和噪声检测模块。根据所述初始异常检测模型和所述目标业务参数集，生成所述目标业务对应的目标异常检测模型。将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果。
附图说明
[0008]为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例中记载的一些实施例，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。
[0009]图1是根据本说明书一实施例的一种业务异常检测方法的示意性流程图；
[0010]图2是根据本说明书一实施例的一种初始异常检测模型的示意性结构图；
[0011]图3是根据本说明书一实施例的一种业务异常检测方法的示意性原理图；
[0012]图4是根据本说明书另一实施例的一种业务异常检测方法的示意性流程图；
[0013]图5是根据本说明书一实施例的一种业务异常检测装置的示意性框图；
[0014]图6是根据本说明书一实施例的一种电子设备的示意性框图。
具体实施方式
[0015]本说明书一个或多个实施例提供一种业务异常检测方法及装置，以解决现有的异常检测方法在多种业务场景中的迁移适配能力差的问题。
[0016]为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个实施例保护的范围。
[0017]图1是根据本说明书一实施例的一种业务异常检测方法的示意性流程图，如图1所示，该方法包括：
[0018]S102，根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与目标业务类型对应的目标业务参数集；初始异常检测模型根据至少一种业务类型的样本业务数据训练得到；初始异常检测模型包括异常检测模块和噪声检测模块。
[0019]其中，初始异常检测模型的异常检测模块用于检测目标业务的业务数据是否发生异常现象，噪声检测模块用于检测发生异常现象的业务数据是否属于噪声数据或者异常数据。
[0020]可选地，业务模型库中存储有训练后的初始异常检测模型，以及不同业务类型分别对应的业务参数集。在获取与目标业务类型对应的目标业务参数集时，首先确定目标业务的目标业务类型，然后将目标业务类型和业务模型库中的各个业务类型进行匹配，从而匹配出对应的目标业务参数集。也就是说，在执行步骤S102时，能够根据目标业务的目标业务类型，将目标业务路由至业务模型库中对应的目标业务参数集，该目标业务参数集用于生成与目标业务类型相匹配的目标异常检测模型。
[0021]S104，根据初始异常检测模型和目标业务参数集，生成目标业务对应的目标异常检测模型。
[0022]可选地，将目标业务参数集输入至初始异常检测模型中，即可得到目标业务对应的目标异常检测模型。
[0023]S106，将目标业务的业务数据输入目标异常检测模型，得到目标业务对应的异常检测结果。
[0024]其中，业务数据的获取方式以及获取时机不做限定，例如，可以在执行步骤S102之前，将业务数据携带于异常检测请求中发出，异常检测请求用于触本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务异常检测方法，包括：根据待检测的目标业务的目标业务类型，获取训练后的初始异常检测模型以及与所述目标业务类型对应的目标业务参数集；所述初始异常检测模型根据至少一种业务类型的样本业务数据训练得到；所述初始异常检测模型包括异常检测模块和噪声检测模块；根据所述初始异常检测模型和所述目标业务参数集，生成所述目标业务对应的目标异常检测模型；将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果。2.根据权利要求1所述的方法，所述将所述目标业务的业务数据输入所述目标异常检测模型，得到所述目标业务对应的异常检测结果，包括：将所述业务数据输入所述异常检测模块，通过所述异常检测模块对所述业务数据进行异常检测，得到用于标识所述业务数据是否发生异常的第一检测结果；若所述第一检测结果为所述业务数据发生异常，则将所述业务数据输入所述噪声检测模块，通过所述噪声检测模块对所述业务数据进行噪声检测，得到用于标识所述业务数据是否属于噪声数据的第二检测结果；若所述第二检测结果为所述业务数据属于所述噪声数据，则确定所述业务数据不为异常数据；若所述第二检测结果为所述业务数据不属于所述噪声数据，则确定所述业务数据为异常数据。3.根据权利要求2所述的方法，所述异常检测模块包括多种异常类型分别对应的异常检测子模型；所述将所述业务数据输入所述异常检测模块，通过所述异常检测模块对所述业务数据进行异常检测，得到用于标识所述业务数据是否发生异常的第一检测结果，包括：将所述业务数据分别输入每个所述异常检测子模块，通过每个所述异常检测子模块对所述业务数据进行异常检测，得到每个所述异常检测子模块分别对应的异常检测子结果；若至少一个所述异常检测子结果为所述业务数据发生异常，则确定所述第一检测结果为所述业务数据发生异常。4.根据权利要求2所述的方法，所述噪声检测模块包括多种噪声类型分别对应的噪声检测子模型；所述将所述业务数据输入所述噪声检测模块，通过所述噪声检测模块对所述业务数据进行噪声检测，得到用于标识所述业务数据是否属于噪声数据的第二检测结果，包括：将所述业务数据分别输入每个所述噪声检测子模型，通过每个所述噪声检测子模型对所述业务数据进行噪声检测，得到每个所述噪声检测子模块分别对应的噪声检测子结果；若至少一个所述噪声检测子结果为所述业务数据属于所述噪声数据，则确定所述第二检测结果为所述业务数据属于所述噪声数据。5.根据权利要求1所述的方法，所述根据待检测的目标业务的目标业务类型，获取初始异常检测模型以及与所述目标业务类型对应的目标业务参数之前，还包括：获取至少一种业务类型的多个所述样本业务数据；各所述样本业务数据携带有所述样本业务数据对应的业务类型和标签信息，所述标签信息包括以下至少一项信息：所述样本业务数据是否发生异常、发生异常的所述样本业务数据是否属于噪声数据、发生异常的所
述样本业务数据是否属于异常数据；将待训练的初始异常检测模型进行模块化处理，得到待训练的异常检测模块和待训练的噪声检测模块；将所述样本业务数据分别输入所述待训练的异常检测模块和所述待训练的噪声检测模块中进行迭代训练，得到训练后的所述初始异常检测模型。6.根据权利要求5所述的方法，所述待训练的异常检测模块包括多种异常类型分别对应的待训练的异常检测子模型；在多个所述样本业务数据中，属于所述异常数据的样本业务数据对应的所述标签信息还包括：所述样本业务数据对应的异常类型；所述将所述样本业务数据分别输入所述待训练的异常检测模块和所述待训练的噪声检测模块中进行迭代训练，得到训练后的所述初始异常检测模型，包括：将所述样本业务数据分别输入每个所述待训练的异常检测子模型中进行迭代训练，得到各所述异常类型分别对应的训练后的异常检测子模型。7.根据权利要求5所述的方法，所述待训练的噪声检测模块包括多种噪声类型分别对应的待训练的噪声检测子模型；在多个所述样本业务数据中，属于所述噪声数据的样本业务数据对应的所述标签信息还包括：所述样本业务数据对应的噪声类型；所述将所述样本业务数据分别输入所述待训练的异常检测模块和所述待训练的噪声检测模块中进行迭代训练，得到训练后的所述初始异常检测模型，包括：将所述样本业务数据分别输入每个所述待训练的噪声检测子模型中进行迭代训练，得到各所述噪声类型分别对应的...

【专利技术属性】
技术研发人员：徐剑，焦智慧，李建国，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：