[发明专利]异常信息的统计方法及装置

说明书

本说明书一个或多个实施例公开了一种异常信息的统计方法及装置，用以实现智能化地分析异常数据，从而高效、准确地监控异常数据的异常类型。所述方法包括：获取利用样本数据作为输入数据所搭建的径向基函数RBF神经网络的网络结构；其中，所述RBF神经网络的网络结构包括输入层、输出层及隐藏层；所述样本数据包括样本异常数据及所述样本异常数据的样本异常类别；根据所述样本异常数据及所述样本异常类别之间的映射关系，确定所述RBF神经网络的参数；根据所述RBF神经网络的网络结构，利用所述输入数据及所述参数确定所述RBF神经网络的输出数据；及，根据所述输出数据对各所述样本异常类别进行归类。

技术领域

本说明书数据分析技术领域，尤其涉及一种异常信息的统计方法及装置。

背景技术

现有技术中，传统的异常监控统计解决方案仅为开发者提供简单、单一的分类规则，即采用单点维度展示异常信息，这对简单问题的解决能够提供一定的指导意义，但对复杂问题的解决却帮助甚微，甚至会提供错误的指导方向。例如，由于内存污染问题导致系统库闪退，若采用单点维度展示系统库闪退的异常信息时，则容易误导开发者认为是系统本身的问题。

因此，从海量数据中筛选出有意义的数据信息进行过滤、提取特征值及智能关联等，显得越来越重要。如何利用计算机系统强大的数据处理与数据分析能力，把异常分析处理工作中获取的各类信息进行统一而规范的管理，成为当前亟需解决的一大问题。

发明内容

本说明书一个或多个实施例的目的是提供一种异常信息的统计方法及装置，用以实现智能化地分析异常数据，从而高效、准确地监控异常数据的异常类型。

为解决上述技术问题，本说明书一个或多个实施例是这样实现的：

一方面，本说明书一个或多个实施例提供一种异常信息的统计方法，包括：

获取利用样本数据作为输入数据所搭建的径向基函数RBF神经网络的网络结构；其中，所述RBF神经网络的网络结构包括输入层、输出层及隐藏层；所述样本数据包括样本异常数据及所述样本异常数据的样本异常类别；每个所述样本数据对应各自的径向基函数；

根据所述样本异常数据及所述样本异常类别之间的映射关系，确定所述RBF神经网络的参数；

根据所述RBF神经网络的网络结构，利用所述输入数据及所述参数确定所述RBF神经网络的输出数据；及，根据所述输出数据对各所述样本异常类别进行归类。

在一个实施例中，在获取利用样本数据作为输入数据所搭建的径向基函数RBF神经网络的网络结构之前，所述方法还包括：

将所述样本数据作为所述输入数据，搭建所述RBF神经网络的网络结构。

在一个实施例中，所述将所述样本数据作为所述输入数据，搭建所述RBF神经网络的网络结构，包括：

根据所述样本异常数据的第一数量及所述样本异常类别的第二数量，分别确定所述输入层、所述输出层及所述隐藏层的节点数目；

根据所述输入层、所述输出层及所述隐藏层的节点数目搭建所述RBF神经网络的网络结构。

在一个实施例中，所述根据所述样本异常数据的第一数量及所述样本异常类别的第二数量，分别确定所述输入层、所述输出层及所述隐藏层的节点数目，包括：

确定所述输入层的节点数目等于所述第一数量的值，及，确定所述输出层的节点数目等于所述第二数量的值。

在一个实施例中，所述参数包括基函数中心；

相应的，所述确定所述RBF神经网络的参数，包括：

从各所述样本异常数据中选择多个第一样本异常数据作为初始聚类中心；