【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 ...
【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:
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。