数据异常检测模型的训练方法、数据异常检测方法及设备技术

本申请公开了一种数据异常检测模型的训练方法、数据异常检测方法及设备，涉及计算机技术领域。方法包括：获取训练样本集；根据所述训练样本集中训练样本的标签提取目标特征；基于所述训练样本集和所述目标特征对随机森林模型和LightGBM模型进行训练，得到数据异常检测模型。本申请可以实时监控系统的状态，并及时发现系统中的异常情况；可以通过对系统历史数据的分析，预测未来可能出现的故障情况，以便提前进行维护和优化；可以发现系统中的性能瓶颈，如响应时间、吞吐量等，以便进行系统优化；可以通过监控用户行为数据，发现用户可能遇到的问题，以便改善用户体验。

【技术实现步骤摘要】

本申请涉及计算机，尤其涉及一种数据异常检测模型的训练方法、数据异常检测方法及设备。

技术介绍

1、随着数字智能时代的到来，越来越多的数据处理过程可以依靠深度学习算法实现，而无需人工进行参与。在应用算法进行数据处理的过程中，需要通过获取大量的训练数据用以完善深度学习算法的模型，如果训练数据的范围无法覆盖所有的模型可能的使用场景，或者，需要通过模型进行处理的对象包括多种不同形式，会导致模型获取到的输出结果出现异常。现有技术中对于模型异常输出结果的发现主要依靠人工进行干预，例如，通过用户反馈、人工分析反馈结果、并对人工选取的目标样本进行数据加工，生成新的训练数据，以完成对模型的迭代优化。

2、由于上述优化过程需要大量人工参与，因此，在整个异常数据处理阶段均可能出现错误，且发现数据异常需要依靠用户进行反馈，这就导致数据异常的处理并不及时，同时，人工进行异常检测的成本较高，如果检测方向偏离关键异常，可能会导致在数据加工过程中存在大量重复/相似样本标注问题，耗费大量的人工资源。因此，如何通过特定算法找出现有模型无法正确进行数据处理的样本、进而使用这些样本进本文档来自技高网...

【技术保护点】

1.一种数据异常检测模型的训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，根据所述训练样本集中训练样本的标签提取目标特征，包括：

3.根据权利要求1-2中任一项所述的方法，其特征在于，根据所述训练样本集中训练样本的标签提取目标特征之前，所述方法还包括：

4.一种数据异常检测方法，其特征在于，所述方法包括：

5.根据权利要求4所述的方法，其特征在于，所述方法包括：

6.一种数据异常检测模型的训练装置，其特征在于，所述装置包括：

7.根据权利要求6所述的装置，其特征在于，所述特征提取模块具...

【技术特征摘要】

1.一种数据异常检测模型的训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，根据所述训练样本集中训练样本的标签提取目标特征，包括：

3.根据权利要求1-2中任一项所述的方法，其特征在于，根据所述训练样本集中训练样本的标签提取目标特征之前，所述方法还包括：

4.一种数据异常检测方法，其特征在于，所述方法包括：

5.根据权利要求4所述的方法，其特征在于...

【专利技术属性】
技术研发人员：孟德，肖娜，赵雨山，来骥，聂正璞，杨睿，李贤，吕冰，高崧，李硕，张实君，曾静，徐相森，管嘉珩，王海超，
申请(专利权)人：国网冀北电力有限公司信息通信分公司，
类型：发明
国别省市：