[发明专利]异常检测方法、装置、计算机装置及存储介质

权利要求书

1.一种异常检测方法，其特征在于，所述方法包括：

数据模型训练步骤：采集服务器中与服务器寿命相关的数据，将采集数据进行整理、降维、标准化操作，输出降维后的无量纲化数据，将所述数据导入数据模型拟合出影响服务器寿命的阈值范围和服务器性能状态曲线；

数据模型验证步骤：继续采集服务器中与服务器寿命相关的数据，进行整理降维标准化后，将所述整理降维标准化后的数据分为训练集数据和验证集数据，所述训练集数据导入所述数据模型再次拟合阈值范围和服务器性能状态曲线，所述验证集数据用于基于所述训练集数据拟合的阈值范围和服务器性能状态曲线，对数据模型的精确性进行验证；

服务器状态监控步骤：将实时采集的数据进行整理降维得到降维后的无量纲化数据，将降维后的无量纲化数据与阈值范围进行比对，如果超出阈值范围则发出服务器状态异常警报通知。

2.如权利要求1所述的异常检测方法，其特征在于，所述服务器寿命相关的数据至少包括CPU的使用率和温度、内存的使用率和温度、硬盘使用率和温度、硬盘转速、网络状态、网络上行速度、网络下行速度中的一种或多种；所述数据的采集方法包括在Python使用中API接口远程获取服务器寿命指标的相关数据。

3.如权利要求1所述的异常检测方法，其特征在于，所述整理降维标准化包括：

整理数据：在数据采集过程中由于数据存储失败，网络传输，机械故障的原因导致某段时间未能采集到应有的数据，将未能采集到的空缺数据使用相邻数据利用移动平均、加权平均、取对数、标记的数学方法将所述空缺数据计算补齐；

降维：将采集到的多维数据进行降维处理的方法包括，通过主分量分析算法或者线性判别分析的方法将采集到的多维数据进行分析找到最能影响服务器性能的前三类数据，从而将多维数据降到三维数据；

标准化：将所述三维数据按照Min-Max标准化算法统一映射到[0,1]区间上，将所属于不同量纲的数据进行无量纲化处理。

4.如权利要求1所述的异常检测方法，其特征在于，所述数据模型包括高斯混合模型和逻辑回归模型。

5.如权利要求4所述的异常检测方法，其特征在于，所述高斯混合模型用于拟合阈值范围，将所述整理降维标准化后的数据导入高斯混合模型，按照三维高斯分布图，确定高斯混合模型的中心坐标和标准差，根据模型的中心坐标和标准差确定服务器性能的阈值范围。

6.如权利要求4所述的异常检测方法，其特征在于，所述逻辑回归模型用于拟合服务器性能状态曲线，将所述整理降维标准化后的数据导入逻辑回归函数，拟合出服务器性能状态曲线，如果服务器性能状态异常，所述曲线会出现明显波动。

7.如权利要求1所述的异常检测方法，其特征在于，所述异常警报通知的方法至少包括邮件通知、电话通知、短信通知、社交网络平台通知的一种或多种。