一种基于云平台时间序列编码图像的异常检测方法及装置制造方法及图纸

本发明专利技术涉及一种基于云平台时间序列编码图像的异常检测方法及装置，其中方法包括：获取云平台运维数据；将云平台运维数据的时间序列分别编码为格拉姆角和场、格拉姆角差场和马尔可夫迁移场，并将其拼接为一个三通道图像；搭建综合Attention机制的Encoder/Decoder

【技术实现步骤摘要】
一种基于云平台时间序列编码图像的异常检测方法及装置


[0001]本专利技术涉及时间序列异常检测领域，尤其是涉及一种基于云平台时间序列编码图像的异常检测方法及装置。

技术介绍

[0002]近年来，云平台系统架构日益庞大，运维数据量指数级增长，呈现多种复杂特征。在此背景下，传统的基于人工干预的被动式运维方式已经无法满足系统日常运行的需求。伴随着人工智能技术的兴起，将运维手段与人工智能相结合的“智能运维(AIOps)”成为云平台运维关键技术。其中，基于云平台运维时间序列数据的异常检测方法对于未来大型系统的维护具有重要意义。
[0003]目前，国内外学者已针对时间序列的异常检测方法开展了一系列的研究，可分为两类：(1)基于传统算法的异常检测模型，基本思想是利用传统数学方法对原始数据进行建模，然后运用统计学知识进行异常检测。(2)基于深度学习的异常检测模型，基本思想是使用深度模型进行端到端的异常检测。启发于近年来深度学习在图像处理上的发展，有的研究将时间序列编码为图像，将时间序列分类问题转变为图像分类问题，使用CNN模型进行预测，Wang Z等人(2015)将时间序列编码为图像，通过将时间序列的分类问题转化为图像分类问题以充分利用图像识别的优势。
[0004]但目前时间序列的异常检测方法存在局限之处：
[0005](1)由于现代系统对全天候运行的要求，收集到的数据往往是规模大、特征复杂的，传统算法无法处理复杂的大数据，也难以捕获大型数据的特征关系；
[0006](2)大多数系统绝大多数情况都处于正常状态，收集到的异常数据很少，数据样本存在类别不均衡问题，对于有监督问题来说，使用类别不均衡数据训练出来的分类器泛化性能不好；
[0007](3)目前云平台系统时序异常检测算法中的模型中，大多数由于自身结构无法进行并行计算，运维效率有待提升。
[0008](4)虽然基于重建的模型一定程度上缓解了数据样本类别不均衡的问题，但是采用的模型存在训练消耗大、不能建立时序双向关系的缺点。如LSTM对时间序列进行建模由于自身结构的局限性只够从前往后获取时序信息，无法从两个方向捕获时序的异常特征；此外，LSTM无法进行并行计算，时间消耗远大于CNN模型。此外，现有的编码器、解码器结构较为单一，不能很好捕捉长时间序列的依赖关系。
[0009]现关于面向云平台系统运维工作研究亟需一种能够提取复杂时序特征、实现并行计算的高效率异常检测方法。

技术实现思路

[0010]本专利技术的目的就是为了提供一种基于云平台时间序列编码图像的异常检测方法及装置，能够提取复杂时间特征，实现并行计算，提高检测效率。
[0011]本专利技术的目的可以通过以下技术方案来实现：
[0012]一种基于云平台时间序列编码图像的异常检测方法，包括以下步骤：
[0013]获取云平台运维数据；
[0014]将云平台运维数据的时间序列分别编码为格拉姆角和场、格拉姆角差场和马尔可夫迁移场，并将其拼接为一个三通道图像；
[0015]搭建综合Attention机制的Encoder/Decoder
‑
CNN重建模型，增强模型的全局参考能力，对三通道图像进行特征提取，输出重建后的时间序列编码图像；
[0016]基于重建后的时间序列编码图像和输入的三通道图像计算异常分数；
[0017]判断异常分数是否超过预配置的阈值，若是，则判定时间序列异常。
[0018]所述综合Attention机制的Encoder/Decoder
‑
CNN重建模型由三个基本组件构成，按照前后关系依次为融合了Attention机制的编码器、CNN、解码器，所述模型将接收到的三通道图像传送至编码器中，在不改变图像大小的前提下，重构输入，同时将图像压缩到较低维度的潜在空间中，之后，经过CNN的卷积层进行对运维时序数据进行特征提取，最后经过解码器，输出重建后的时间序列编码图像。
[0019]所述编码器为Transformer Encoder，所述解码器为Transformer Decoder。
[0020]每一个像素点的异常分数计算公式如下：
[0021]Anomaly Score(x
ij
)＝x
ij
‑
x
ij
′
[0022]其中，x
ij
为像素点的实际值，x
ij
′
为图像在同一位置的重建值；
[0023]图像的异常分数为所有像素点异常分数之和：
[0024][0025]对所述综合Attention机制的Encoder/Decoder
‑
CNN重建模型进行训练时采用的数据集仅为正常时间序列数据。
[0026]一种基于云平台时间序列编码图像的异常检测装置，包括：
[0027]数据获取模块，用于获取云平台运维数据；
[0028]图像转换模块，用于将云平台运维数据的时间序列分别编码为格拉姆角和场、格拉姆角差场和马尔可夫迁移场，并将其拼接为一个三通道图像；
[0029]图像重建模块，用于基于综合Attention机制的Encoder/Decoder
‑
CNN重建模型，对三通道图像进行处理，输出重建后的时间序列编码图像；
[0030]异常分数计算模块，用于基于重建后的时间序列编码图像和输入的三通道图像计算异常分数；
[0031]异常监测模块，用于判断异常分数是否超过预配置的阈值，若是，则判定时间序列异常。
[0032]所述综合Attention机制的Encoder/Decoder
‑
CNN重建模型由三个基本组件构成，按照前后关系依次为融合了Attention机制的编码器、CNN、解码器，所述模型将接收到的三通道图像传送至编码器中，在不改变图像大小的前提下，重构输入，同时将图像压缩到较低维度的潜在空间中，之后，经过CNN的卷积层进行对运维时序数据进行特征提取，最后经过解码器，输出重建后的时间序列编码图像。
[0033]所述编码器为Transformer Encoder，所述解码器为Transformer Decoder。
[0034]所述异常分数计算模块中，每一个像素点的异常分数计算公式如下：
[0035]Anomaly Score(x
ij
)＝x
ij
‑
x
ij
′
[0036]其中，x
ij
为像素点的实际值，x
ij
′
为图像在同一位置的重建值；
[0037]图像的异常分数为所有像素点异常分数之和：
[0038][0039]对所述Encoder/Decoder
‑
CNN重建模型进行训练时采用的数据集仅为正常时间序列数据。
[0040]与现有技术相比，本专利技术具有以下有益效果：...

【技术保护点】

【技术特征摘要】
1.一种基于云平台时间序列编码图像的异常检测方法，其特征在于，包括以下步骤：获取云平台运维数据；将云平台运维数据的时间序列分别编码为格拉姆角和场、格拉姆角差场和马尔可夫迁移场，并将其拼接为一个三通道图像；搭建综合Attention机制的Encoder/Decoder
‑
CNN重建模型对三通道图像特征提取，输出重建后的时间序列编码图像；基于重建后的时间序列编码图像和输入的三通道图像计算异常分数；判断异常分数是否超过预配置的阈值，若是，则判定时间序列异常。2.根据权利要求1所述的一种基于云平台时间序列编码图像的异常检测方法，其特征在于，所述综合Attention机制的Encoder/Decoder
‑
CNN重建模型由三个基本组件构成，按照前后关系依次为融合了Attention机制的编码器、CNN、解码器，所述模型将接收到的三通道图像传送至编码器中，在不改变图像大小的前提下，重构输入，同时将图像压缩到较低维度的潜在空间中，之后，经过CNN的卷积层进行对运维时序数据进行特征提取，最后经过解码器，输出重建后的时间序列编码图像。3.根据权利要求2所述的一种基于云平台时间序列编码图像的异常检测方法，其特征在于，所述编码器为Transformer Encoder，所述解码器为Transformer Decoder。4.根据权利要求1所述的一种基于云平台时间序列编码图像的异常检测方法，其特征在于，每一个像素点的异常分数计算公式如下：Anomaly Score(x
ij
)＝x
ij
‑
x
ij
′
其中，x
ij
为像素点的实际值，x
ij
′
为图像在同一位置的重建值；图像的异常分数为所有像素点异常分数之和：5.根据权利要求1所述的一种基于云平台时间序列编码图像的异常检测方法，其特征在于，对所述综合Attention机制的Encoder/Decoder
‑
CNN重建模型进行训练时采用的数据集仅为正常时间序列数据。6.一种基于云平台时间序列编码图像的异常检测装置，其特征在于，包括：数...

【专利技术属性】
技术研发人员：杜庆峰，石晓楠，张双俐，
申请(专利权)人：同济大学，
类型：发明
国别省市：