本公开涉及计算机技术领域，提供了一种异常预测方法、装置、存储介质及电子设备，通过图注意力网络算法、递归神经网络算法和自注意力模型将每个预设时间间隔，对应用程序编程接口的调用顺序进行处理，预测得到预测时间间隔内，应用程序编程接口的调用顺序，通过将预测得到的调用顺序与真实的调用顺序进行比较，可以在两者的差异超过预设范围时，确定预测时间间隔的调用顺序存在异常。面对深度学习框架或人工智能模型对应用程序编程接口调用频次高的情况，将应用程序编程接口的调用情况按照预设时间间隔进行划分和处理，实现分块处理，提高处理效率，提高了深度学习框架或人工智能模型运行时异常定位的及时性、准确性和定位效率。率。率。
【技术实现步骤摘要】
异常预测方法、装置、存储介质及电子设备
[0001]本公开涉及计算机领域，具体地，涉及一种异常预测方法、装置、存储介质及电子设备。
技术介绍
[0002]随着科技进步，深度学习技术和人工智能技术在社会生活中得到了广泛应用。通过建立不同的深度学习框架和人工智能任务，可以处理不同的实际任务。为了了解这些深度学习框架和人工智能任务在运行时的运行情况，包括深度学习框架和人工智能任务对设备的图形处理器（Graphics Processing Unit，GPU）和中央处理器（Central Processing Unit ，CPU）的占用情况，可以通过分析深度学习框架和人工智能任务对不同的应用程序编程接口（Application Programming Interface，API）的调用情况，来监测深度学习框架和人工智能任务的运行性能，及时发现性能异常情况，从而可以帮助对计算资源进行最优化的分配和利用。
[0003]而随着深度学习框架和人工智能任务复杂程度的提升，深度学习框架和人工智能任务对应用程序编程接口的调用频次也越来越高，一些深度学习框架和人工智能任务在一定时间内，对应用程序编程接口的调用次数能够达到几十万次甚至上百万次，从这样高数量的调用次数中，很难准确定位到出现性能异常的上下文位置。
技术实现思路
[0004]本公开的目的是提供一种异常预测方法、装置、存储介质及电子设备，以对深度学习框架和人工智能任务运行时的异常进行预测。
[0005]为了实现上述目的，本公开实施例的第一方面提供了一种异常预测方法，该方法包括：获得多个预设时间间隔各自对应的调用顺序信息，其中，一个所述调用顺序信息包括一个所述预设时间间隔内，被调用的应用程序编程接口的顺序；将多个所述调用顺序信息分别表示为图结构信息，得到与每个所述预设时间间隔对应的图结构信息集合；调用图注意力网络算法对每个预设时间间隔对应的所述图结构信息集合进行处理，提取得到每个所述图结构信息集合的嵌入表示特征信息；调用递归神经网络算法和时间自注意力模型对所述嵌入表示特征信息进行处理，得到在预测时间间隔内，所述应用程序编程接口被调用的预测顺序，其中，所述预测时间间隔为所有所述预设时间间隔的下一个时间间隔；当在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序，与所述预测顺序的差异超过预设范围时，确定在所述预测时间间隔内，所述应用程序编程接口的调用顺序存在异常。
[0006]可选地，将所有所述调用顺序信息分别表示为图结构信息，得到与每个所述预设
时间间隔对应的图结构信息集合的步骤包括：建立与每个所述预设时间间隔对应的，以所述应用程序编程接口为节点，以应用程序编程接口被调用的先后顺序为有向边的图集合；将每个所述节点的特征编码至预设维度的特征空间，得到所有所述预设时间间隔对应的特征集合，作为所述图结构信息集合，其中，所述特征集合包括所述节点在预设时间间隔的被调用次数、总调用时间以及平均调用时间中的至少一个参数。
[0007]可选地，调用递归神经网络算法和时间自注意力模型对所述嵌入表示特征信息进行处理，得到在预测时间间隔内，所述应用程序编程接口被调用的预测顺序的步骤包括：将所述嵌入表示特征信息作为所述递归神经网络算法的输入数据，调用所述递归神经网络算法对所述嵌入表示特征信息进行建模和学习，得到每个所述预设时间间隔基于所述递归神经网络的隐藏层输出数据；将所述隐藏层输出数据送入所述时间自注意力模型，计算得到每个所述预设时间间隔的注意力表示函数；根据每个所述预设时间间隔的注意力表示函数，计算得到所述预测时间间隔对应的注意力表示函数，所述预测时间间隔的注意力表示函数表征在所述预测时间间隔内，所述应用程序编程接口被调用的预测顺序。
[0008]可选地，当在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序，与所述预测顺序的差异超过预设范围时，确定在所述预测时间间隔存在性能异常的步骤包括：将在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序表示为特征函数；调用预设损失函数，计算所述预测时间间隔对应的注意力表示函数与所述真实调用顺序对应的特征函数之间的损失；当计算得到的所述预设损失函数的结果大于预设阈值时，确定在所述预测时间间隔内，所述应用程序编程接口的调用顺序存在异常。
[0009]可选地，在确定在所述预测时间间隔存在性能异常的步骤之后，该方法还包括：记录在所述预测时间间隔，所述应用程序编程接口的真实调用顺序。
[0010]可选地，所述预设损失函数为平方差损失函数。
[0011]本公开实施例的第二方面一种异常预测装置，该异常预测装置包括：调用信息获得模块，被配置为获得多个预设时间间隔各自对应的调用顺序信息，其中，一个所述调用顺序信息包括一个所述预设时间间隔内，被调用的应用程序编程接口的顺序；图结构信息转换模块，被配置为将多个所述调用顺序信息分别表示为图结构信息，得到与每个所述预设时间间隔对应的图结构信息集合；图注意力网络处理模块，被配置为调用图注意力网络算法对每个预设时间间隔对应的所述图结构信息集合进行处理，提取得到每个所述图结构信息集合的嵌入表示特征信息；预测模块，被配置为调用递归神经网络算法和时间自注意力模型对所述嵌入表示特征信息进行处理，得到在预测时间间隔内，所述应用程序编程接口被调用的预测顺序，其中，所述预测时间间隔为所有所述预设时间间隔的下一个时间间隔；
异常确定模块，被配置为当在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序，与所述预测顺序的差异超过预设范围时，确定在所述预测时间间隔内，所述应用程序编程接口的调用顺序存在异常。
[0012]可选地，所述预测模块具体被配置为：将所述嵌入表示特征信息作为所述递归神经网络算法的输入数据，调用所述递归神经网络算法对所述嵌入表示特征信息进行建模和学习，得到每个所述预设时间间隔基于所述递归神经网络的隐藏层输出数据；将所述隐藏层输出数据送入所述时间自注意力模型，计算得到每个所述预设时间间隔的注意力表示函数；根据每个所述预设时间间隔的注意力表示函数，计算得到所述预测时间间隔对应的注意力表示函数，所述预测时间间隔的注意力表示函数表征在所述预测时间间隔内，所述应用程序编程接口被调用的预测顺序。
[0013]本公开实施例的第三方面提供了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被第一处理器执行时实现第一方面的步骤。
[0014]本公开实施例的第四方面提供了一种电子设备，包括：存储器，其上存储有计算机程序；第二处理器，用于执行所述存储器中的所述计算机程序，以实现第一方面的步骤。
[0015]基于上述技术方案，通过图注意力网络算法、递归神经网络算法和自注意力模型将每个预设时间间隔，对应用程序编程接口的调用顺序进行处理，预测得到预测时间间隔内，应用程序编程接口的调用顺序，通过将预测得到的调用顺序与真实的调用顺序进行比较，可以在两者的差异超过预设范围时，确定预测时间间隔的调用顺序存在异常。面对人工智能模型对应用程序编程接口调用频次高的情况，将本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常预测方法，其特征在于，该方法包括：获得多个预设时间间隔各自对应的调用顺序信息，其中，一个所述调用顺序信息包括一个所述预设时间间隔内，被调用的应用程序编程接口的顺序；将多个所述调用顺序信息分别表示为图结构信息，得到与每个所述预设时间间隔对应的图结构信息集合；调用图注意力网络算法对每个预设时间间隔对应的所述图结构信息集合进行处理，提取得到每个所述图结构信息集合的嵌入表示特征信息；调用递归神经网络算法和时间自注意力模型对所述嵌入表示特征信息进行处理，得到在预测时间间隔内，所述应用程序编程接口被调用的预测顺序，其中，所述预测时间间隔为所有所述预设时间间隔的下一个时间间隔；当在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序，与所述预测顺序的差异超过预设范围时，确定在所述预测时间间隔内，所述应用程序编程接口的调用顺序存在异常。2.根据权利要求1所述的异常预测方法，其特征在于，将所有所述调用顺序信息分别表示为图结构信息，得到与每个所述预设时间间隔对应的图结构信息集合的步骤包括：建立与每个所述预设时间间隔对应的，以所述应用程序编程接口为节点，以应用程序编程接口被调用的先后顺序为有向边的图集合；将每个所述节点的特征编码至预设维度的特征空间，得到所有所述预设时间间隔对应的特征集合，作为所述图结构信息集合，其中，所述特征集合包括所述节点在预设时间间隔的被调用次数、总调用时间以及平均调用时间中的至少一个参数。3.根据权利要求1所述的异常预测方法，其特征在于，调用递归神经网络算法和时间自注意力模型对所述嵌入表示特征信息进行处理，得到在预测时间间隔内，所述应用程序编程接口被调用的预测顺序的步骤包括：将所述嵌入表示特征信息作为所述递归神经网络算法的输入数据，调用所述递归神经网络算法对所述嵌入表示特征信息进行建模和学习，得到每个所述预设时间间隔基于所述递归神经网络的隐藏层输出数据；将所述隐藏层输出数据送入所述时间自注意力模型，计算得到每个所述预设时间间隔的注意力表示函数；根据每个所述预设时间间隔的注意力表示函数，计算得到所述预测时间间隔对应的注意力表示函数，所述预测时间间隔的注意力表示函数表征在所述预测时间间隔内，所述应用程序编程接口被调用的预测顺序。4.根据权利要求3所述的异常预测方法，其特征在于，当在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序，与所述预测顺序的差异超过预设范围时，确定在所述预测时间间隔存在性能异常的步骤包括：将在所述预测时间间隔内，所述应用程序编程接口的真实调用顺序表示为特征函数；调用预设损失函数，计算所述预测时间间隔对应...
【专利技术属性】
技术研发人员：刘展宏，王鲲，陈飞，邹懋，
申请(专利权)人：北京趋动智能科技有限公司，
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。