一种基于VAE-GRU和对抗训练的KPIs异常检测方法技术

本发明专利技术公开了一种基于VAE‑GRU和对抗训练的KPIs异常检测方法，包括：对KPIs时间序列数据进行归一化处理，利用滑动窗口将归一化后的KPIs时间序列数据转换为滑动窗口序列；基于使用GRU来捕获所述滑动窗口序列中复杂的时间相关性；基于对抗训练模型放大重构误差，得到更精确的滑动窗口序列的重构数据；根据滑动窗口序列的重构数据对测试数据及未知数据进行异常得分计算；根据每个KPIs维度的异常分数，计算KPIs数据各时间戳的异常阈值；根据每个KPIs维度的异常阈值，判断KPIs数据各时间戳是否异常。本发明专利技术能够在异常数据与正常数据比较接近时扩大重构误差，提升异常检测精确率。

【技术实现步骤摘要】

本专利技术涉及计算机，具体而言，涉及一种基于vae-gru和对抗训练的kpis异常检测方法。

技术介绍

1、近年来，随着人工智能技术的快速发展，it运维也迎来一个智能化运维(artificial intelligence for it operations，aiops)的新时代。其中，kpis异常检测是互联网服务智能运维的一个底层核心技术，大多数运维的关键技术都依赖于kpis异常检测的结果。

2、目前针对kpis的异常检测方法主要包括基于有监督机器学习的方法和基于无监督机器学习的方法。

3、基于有监督机器学习的异常检测方法是目前精确率较高的方法，通过使用正常和异常数据实例的标签训练机器学习二分类或多分类器，但需要使用大量的标记数据进行模型训练，并且只能识别已知异常类型的异常事件，因此有监督方法的使用受到限制。

4、基于无监督机器学习的异常检测方法不需要标注异常数据，其根据数据的内在特性来检测异常值。这种方法最开始是为了解决带有标记的数据难以获取的问题，进而被普遍用于无标记数据样本的自动标记。在目前的学术研究中，基于无监督本文档来自技高网...

【技术保护点】

1.一种基于VAE-GRU和对抗训练的KPIs异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于VAE-GRU和对抗训练的KPIs异常检测方法，其特征在于，所述变分自编码器的训练过程包括：

3.根据权利要求2所述的一种基于VAE-GRU和对抗训练的KPIs异常检测方法，其特征在于，异常得分S被定义为以下公式所示：

4.根据权利要求3所述的一种基于VAE-GRU和对抗训练的KPIs异常检测方法，其特征在于，根据每个KPIs维度的异常分数，计算KPIs数据各时间戳的异常阈值，包括针对每个KPIs维度使用POT方法来动态地计算阈值。<...

【技术特征摘要】

1.一种基于vae-gru和对抗训练的kpis异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于vae-gru和对抗训练的kpis异常检测方法，其特征在于，所述变分自编码器的训练过程包括：

3.根据权利要求2所述的一种基于vae-gru和对抗训练的...

【专利技术属性】
技术研发人员：张秀国，王腾龙，曹志英，王培鹏，王凯月，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：