[发明专利]异常任务智能监测方法、装置、设备及存储介质

说明书

本发明涉及智能决策领域，本发明公开了一种异常任务智能监测方法、装置、设备及存储介质，通过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，能够自动学习历史规律，不需要人工干预，提高了特征提取的科学性和准确性，能够实现任务的实时监控，提升了用户体验。

技术领域

本发明涉及智能决策领域，尤其涉及一种异常任务智能监测方法、装置、设备及存储介质。

背景技术

在日常办公过程中，现有的异常任务检测方式存在以下缺点或问题：市面上的多数异常任务检测参数设置高度依赖于经验值，且一套参数通常只使用于一个或一类任务；并且市面上多数异常任务检测参数的设置完全没有数据支撑，导致准确率下降；而且市面上异常任务检测算法的判断标准为设置有限多个条件判断进行检测，且对各条件之间的相互影响很少做考虑，市面上监控多数无法对任务进行实时检测。

发明内容

本发明的主要目的在于提供一种异常任务智能监测方法、装置、设备及存储介质，旨在解决现有技术中过于依赖日常操作经验值，缺乏数据支撑导致准确率下降，并且无法实时进行异常任务检测的技术问题。

为实现上述目的，本发明提供一种异常任务智能监测方法，所述异常任务智能监测方法包括以下步骤：

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。

优选地，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。

优选地，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。

优选地，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。

优选地，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；