[发明专利]一种基于多变量时间序列预测的鲁棒性异常检测方法和设备

权利要求书

1.一种基于多变量时间序列预测的鲁棒性异常检测方法，其特征在于，该方法包括以下步骤：

S1、获取互联网服务性能历史数据，构建多变量时间序列，所述互联网服务性能历史数据包括访问量、失败访问量、页面浏览量、连接时间、响应时间、吞吐量；

S2、通过小波变换将多变量时间序列分解为多个子分量，并通过小波去噪滤除噪音，具体包括：

S2-1、选择合适的母小波，对多变量时间序列进行K级离散小波变换，将其分解为一个近似分量和K个细节分量：

表示互联网服务性能时间序列，是小波函数，是由小波函数缩放j倍并平移k步得到，代表函数的系数，是相应的缩放函数，代表函数的系数，表示互联网服务性能近似分量，表示互联网服务性能细节分量；

S2-2、通过软阈值方法对近似分量和细节分量的系数进行处理：

代表小波参数，表示和中的任何一个参数,均按上式进行处理，表示通过软阈值处理后的小波参数，为阈值；

S2-3、用通过软阈值处理的系数重构去噪后的近似分量和细节分量：

为重构去噪后的互联网服务性能近似分量，为重构去噪后的互联网服务性能细节分量；

S3、将滤除噪音后的子分量输入到LSTM网络中，并训练网络，得到LSTM分量预测模型，所述LSTM分量预测模型如下：

LSTM通过互联网服务性能分量前m个时刻的值预测下个时刻的取值，为当前时刻互联网服务性能近似分量，为当前时刻互联网服务性能细节分量，和分别表示下一时刻互联网服务性能近似分量和细节分量，分别代表一个LSTM网络，表示模型参数；所述LSTM分量预测模型的训练过程如下：

模型：，代表服务性能分量前m个时刻的值，代表LSTM分量预测模型中服务性能分量下一个时刻的预测值；

输入数据：前m个时刻互联网服务性能分量取值为样本个数为；

下一个时刻互联网服务性能分量取值为样本个数为；

（1）初始化参数；

（2）为从数据集，中随机采样M个数据点构成的数据集；

（3）计算梯度，MSE代表均方误差；

（4）使用梯度更新模型参数，为学习率；

若参数收敛或者达到指定轮数，结束训练，否则转到（2）；

S4、根据LSTM分量预测值构建互联网服务性能时间序列预测值的线性回归模型，并利用历史数据估计线性参数，所述线性回归模型如下：

表示互联网服务性能时间序列的预测值，表示线性回归模型的线性参数；

S5、按照步骤S1、S2的方法对新产生的互联网服务性能数据进行处理后输入步骤S3得到的LSTM分量预测模型，将得到的子分量预测值输入到步骤S4得到的线性回归模型中，计算得到互联网服务性能时间序列的预测值；

S6、当计算得到的互联网服务性能时间序列的预测值与真实值的误差值大于预设的异常阈值时，判断为互联网出现异常。

2.根据权利要求1所述的检测方法，其特征在于，所述步骤S6中预设的异常阈值根据历史数据和预测值的误差来估计得到，方法如下：根据互联网服务性能历史数据通过LSTM分量预测模型和线性回归模型得到预测值，计算互联网服务性能历史数据的预测值和真实值的误差均值和标准差，根据用户对假正例率的容忍度指定假正例率上界，根据cantelli不等式设置互联网服务性能异常阈值。

3.一种计算机设备，其特征在于，所述设备包括：

一个或多个处理器；

存储器；以及

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1或2所述方法的步骤。