针对微服务系统的异常检测方法、系统及相关设备技术方案

本发明专利技术公开了一种针对微服务系统的异常检测方法、系统及相关设备，方法包括：获取训练信息集合，包括训练数据、异常检测算法、组合优化算法、种群规模、迭代次数阈值和可行解长度；获取微服务系统在待检测时刻的待检测数据集合，包括多个候选指标；根据种群规模、可行解长度以及候选指标初始化可行解种群，其中包括多个可行解个体，一个可行解个体由至少一个候选指标构成；根据训练数据、异常检测算法和可行解种群进行迭代训练，满足预设训练条件时获得目标可行解种群；将目标可行解种群中最适应个体的适应度作为异常分数。本发明专利技术有利于提高微服务系统异常检测的准确性。服务系统异常检测的准确性。服务系统异常检测的准确性。

【技术实现步骤摘要】
针对微服务系统的异常检测方法、系统及相关设备


[0001]本专利技术涉及异常检测
，尤其涉及的是一种针对微服务系统的异常检测方法、系统及相关设备。

技术介绍

[0002]随着科学技术的进步，微服务系统因其能够帮助构建高度可扩展和高度可用的企业级系统而得到广泛应用。相比于传统单一架构来说，微服务系统的理念是将一整个系统分割成相互关联的微服务。具体的，每个微服务针对应用的功能独立工作，并位于不同的容器中。不同的微服务可以由不同的团队开发，且微服务实例可以在自己的环境中独立部署，微服务实例之间使用基于消息的API进行通信。
[0003]在微服务系统的使用过程中，可能由于一个或多个微服务的使用状态异常而导致微服务系统出现异常，因此需要对微服务系统进行异常检测。现有技术中，通常从微服务系统的多种数据指标中固定选择一个指标，根据该固定的指标对微服务系统进行异常检测。现有技术的问题在于，在不同的时刻以及微服务系统的不同运行状态下，都需要使用该固定的指标进行判断，但该固定的指标可能无法适用于所有时刻和所有运行状态并取得较好的检测效果。具体的，该固定的指标无法准确体现所有时刻或所有运行状态下微服务系统的异常情况，因此不利于提高微服务系统异常检测的准确性。
[0004]因此，现有技术还有待改进和发展。

技术实现思路

[0005]本专利技术的主要目的在于提供一种针对微服务系统的异常检测方法、系统及相关设备，旨在解决现有技术中从微服务系统的多种数据指标中固定选择一个指标，始终根据该固定的指标进行异常检测时，不利于提高微服务系统异常检测准确性的问题。
[0006]为了实现上述目的，本专利技术第一方面提供一种针对微服务系统的异常检测方法，其中，上述针对微服务系统的异常检测方法包括：
[0007]获取训练信息集合，其中，上述训练信息集合中包括训练数据、异常检测算法、组合优化算法、种群规模、迭代次数阈值和可行解长度，上述训练数据是微服务系统对应的正常状态数据；
[0008]获取上述微服务系统在待检测时刻的待检测数据集合，其中，上述待检测数据集合中包括多个候选指标；
[0009]根据上述种群规模、上述可行解长度以及上述候选指标初始化可行解种群，其中，上述可行解种群中包括多个可行解个体，一个上述可行解个体由至少一个上述候选指标构成；
[0010]根据上述训练数据、上述异常检测算法和上述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，其中，在一次迭代过程中根据上述组合优化算法更新一次上述可行解种群，在下一次迭代过程中根据更新后的上述可行解种
群进行训练，上述预设训练条件包括迭代次数超过上述迭代次数阈值；
[0011]将上述目标可行解种群中最适应个体的适应度作为待检测时刻上述微服务系统的异常分数，其中，上述最适应个体是上述目标可行解种群中适应度最高的可行解个体。
[0012]可选的，上述多个候选指标包括上述微服务系统中各个容器的中央处理器利用率以及上述微服务系统中各个机器的内存利用率。
[0013]可选的，上述根据上述种群规模、上述可行解长度以及上述候选指标初始化可行解种群，包括：
[0014]将各上述候选指标进行随机组合，获得上述种群规模个可行解个体，其中，每一个上述可行解个体中候选指标的个数根据上述可行解长度确定；
[0015]根据所有上述可行解个体初始化上述可行解种群。
[0016]可选的，上述根据上述训练数据、上述异常检测算法和上述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，包括：
[0017]根据上述训练数据、上述异常检测算法和上述可行解种群训练获取各上述可行解个体对应的异常检测模型，通过各上述可行解个体对应的异常检测模型计算获取各上述可行解个体对应的适应度；
[0018]根据上述适应度和上述组合优化算法更新上述可行解种群，并继续执行上述根据上述训练数据、上述异常检测算法和上述可行解种群训练获取各上述可行解个体对应的异常检测模型的步骤，直至满足上述预设训练条件，将训练完成时的可行解种群作为上述目标可行解种群。
[0019]可选的，上述组合优化算法为元启发式算法。
[0020]可选的，上述异常检测算法是预设检测算法集合中的任意一种算法，上述组合优化算法是预设优化算法集合中的任意一种算法，其中，上述预设检测算法集合中包括局部离群因子算法、K近邻算法和高斯混合模型算法，上述预设优化算法集合中包括人工生态系统优化算法、生物地理学优化算法、遗传算法、和声搜索算法和粒子群优化算法。
[0021]可选的，上述异常分数是上述微服务系统在待检测时刻的异常概率。
[0022]可选的，在上述将上述目标可行解种群中最适应个体的适应度作为待检测时刻上述微服务系统的异常分数之后，上述方法还包括：
[0023]获取异常阈值，当上述异常分数大于上述异常阈值时，将待检测时刻存在异常作为上述微服务系统对应的异常检测结果；
[0024]当上述异常分数不大于上述异常阈值时，将待检测时刻不存在异常作为上述微服务系统对应的异常检测结果。
[0025]本专利技术第二方面提供一种针对微服务系统的异常检测系统，其中，上述针对微服务系统的异常检测系统包括：
[0026]训练信息获取模块，用于获取训练信息集合，其中，上述训练信息集合中包括训练数据、异常检测算法、组合优化算法、种群规模、迭代次数阈值和可行解长度，上述训练数据是微服务系统对应的正常状态数据；
[0027]待检测数据获取模块，用于获取上述微服务系统在待检测时刻的待检测数据集合，其中，上述待检测数据集合中包括多个候选指标；
[0028]种群初始化模块，用于根据上述种群规模、上述可行解长度以及上述候选指标初
始化可行解种群，其中，上述可行解种群中包括多个可行解个体，一个上述可行解个体由至少一个上述候选指标构成；
[0029]迭代训练模块，用于根据上述训练数据、上述异常检测算法和上述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，其中，在一次迭代过程中根据上述组合优化算法更新一次上述可行解种群，在下一次迭代过程中根据更新后的上述可行解种群进行训练，上述预设训练条件包括迭代次数超过上述迭代次数阈值；
[0030]异常分数获取模块，用于将上述目标可行解种群中最适应个体的适应度作为待检测时刻上述微服务系统的异常分数，其中，上述最适应个体是上述目标可行解种群中适应度最高的可行解个体。
[0031]本专利技术第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的针对微服务系统的异常检测程序，上述针对微服务系统的异常检测程序被上述处理器执行时实现上述任意一种针对微服务系统的异常检测方法的步骤。
[0032]由上可见，本专利技术方案中，获取训练信息集合，其中，上述训练信息集合中包括训练数据、异常检测算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对微服务系统的异常检测方法，其特征在于，所述方法包括：获取训练信息集合，其中，所述训练信息集合中包括训练数据、异常检测算法、组合优化算法、种群规模、迭代次数阈值和可行解长度，所述训练数据是微服务系统对应的正常状态数据；获取所述微服务系统在待检测时刻的待检测数据集合，其中，所述待检测数据集合中包括多个候选指标；根据所述种群规模、所述可行解长度以及所述候选指标初始化可行解种群，其中，所述可行解种群中包括多个可行解个体，一个所述可行解个体由至少一个所述候选指标构成；根据所述训练数据、所述异常检测算法和所述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，其中，在一次迭代过程中根据所述组合优化算法更新一次所述可行解种群，在下一次迭代过程中根据更新后的所述可行解种群进行训练，所述预设训练条件包括迭代次数超过所述迭代次数阈值；将所述目标可行解种群中最适应个体的适应度作为待检测时刻所述微服务系统的异常分数，其中，所述最适应个体是所述目标可行解种群中适应度最高的可行解个体。2.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述多个候选指标包括所述微服务系统中各个容器的中央处理器利用率以及所述微服务系统中各个机器的内存利用率。3.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述根据所述种群规模、所述可行解长度以及所述候选指标初始化可行解种群，包括：将各所述候选指标进行随机组合，获得所述种群规模个可行解个体，其中，每一个所述可行解个体中候选指标的个数根据所述可行解长度确定；根据所有所述可行解个体初始化所述可行解种群。4.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述根据所述训练数据、所述异常检测算法和所述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，包括：根据所述训练数据、所述异常检测算法和所述可行解种群训练获取各所述可行解个体对应的异常检测模型，通过各所述可行解个体对应的异常检测模型计算获取各所述可行解个体对应的适应度；根据所述适应度和所述组合优化算法更新所述可行解种群，并继续执行所述根据所述训练数据、所述异常检测算法和所述可行解种群训练获取各所述可行解个体对应的异常检测模型的步骤，直至满足所述预设训练条件，将训练完成时的可行解种群作为所述目标可行解种群。5.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述组合优化算法为元启发式算法。6.根据权利要求5所述的针对微服务系统的异常检测方法，其特征在于，所述异常检测算...

【专利技术属性】
技术研发人员：周思奇，展鹇，刘烨庞，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：