[发明专利]异常任务智能监测方法、装置、设备及存储介质

权利要求书

1.一种异常任务智能监测方法，其特征在于，所述方法包括：

将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；

根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；

根据异常特征建立预设异常特征数据集；

获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务；

其中，所述将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图的步骤，包括：

将目标运行特征代入至预设多元高斯分布模型中，获得各目标运行特征对应的特征向量；

获取各特征向量之间的关联关系，根据所述关联关系和各特征向量生成多元高斯概率图。

2.如权利要求1所述的方法，其特征在于，根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征的步骤，包括：

根据预设聚类算法对所述多元高斯分布概率图进行聚类，可获得聚类结果；

对所述聚类结果分析，获得所述多元高斯分布概率图中的离群向量；

将所述离群向量对应的离群特征作为异常特征。

3.如权利要求2所述的方法，其特征在于，所述根据异常特征建立预设异常特征数据集的步骤，包括：

从预设样本任务集中筛选出预设数量的多个样本任务；

获取各样本任务的历史执行率，将所述历史执行率大于预设执行率的样本任务作为目标任务；

根据预设多元高斯分布模型获得多个目标任务的异常特征；

根据各异常特征建立预设异常特征数据集。

4.如权利要求3所述的方法，其特征在于，所述获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务的步骤，包括：

对正在运行的当前任务进行实时监控，获得所述当前任务的执行数据；

将所述执行数据与所述预设异常特征数据集中的异常特征对应的异常数据进行匹配分析，并获得分析结果；

在所述分析结果为所述执行数据与所述异常数据匹配时，判定所述当前任务为异常任务；

在所述分析结果为所述执行数据与所述异常数据不匹配时，判定所述当前任务为正常任务。

5.如权利要求1-4中任一项所述的方法，其特征在于，所述将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图之前，所述方法还包括：

获取目标任务的历史执行数据；

将所述历史执行数据代入至预设无监督学习模型中，获得所述目标任务的目标运行特征。

6.如权利要求5所述的方法，其特征在于，所述将所述历史执行数据代入至预设无监督学习模型中，获得所述目标任务的目标运行特征的步骤，包括：

将所述历史执行数据代入至预设无监督学习模型中，获得所述目标任务的CPU占用数据和内存占用数据；

将所述CPU占用数据和内存占用数据作为目标运行特征。

7.一种异常任务智能监测装置，其特征在于，所述装置包括：概率图获取模块、异常特征获取模块、数据集建立模块和判断模块；

其中，所述概率图获取模块，用于将目标运行特征代入至预设多元高斯分布模型中，获得多元高斯分布概率图；

所述异常特征获取模块，用于根据预设聚类算法对所述多元高斯分布概率图进行聚类，获得异常特征；

所述数据集建立模块，用于根据异常特征建立预设异常特征数据集；

所述判断模块，用于获取当前任务的执行数据，将所述执行数据与所述预设异常特征数据集进行对比分析，根据分析结果判断所述当前任务是否为异常任务；

所述概率图获取模块，还用于将目标运行特征代入至预设多元高斯分布模型中，获得各目标运行特征对应的特征向量；获取各特征向量之间的关联关系，根据所述关联关系和各特征向量生成多元高斯概率图。