[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

说明书

本发明公开了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，方法包括：获取互联网服务性能历史数据，构建多变量时间序列；通过小波变换将多变量时间序列分解为多个子分量，并去噪滤除噪音；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；根据LSTM分量预测值构建线性回归模型，并利用历史数据估计线性参数；将新产生的互联网服务性能数据输入LSTM分量预测模型，将得到的子分量预测值输入线性回归模型中，计算得到互联网服务性能时间序列的预测值；当计算得到的预测值与真实值的误差值大于预设的异常阈值时，判断为互联网服务出现异常。本发明可提高互联网服务性能检测准确度和鲁棒性。

技术领域

本发明涉及计算机领域，具体涉及一种互联网服务性能异常检测方法。

背景技术

在运维场景中，异常检测是发现系统处于异常的关键技术，异常检测是为了发现数据中不符合期待的行为模式。异常检测的应用场景有：互联网服务性能检测，网络安全中的入侵检测，系统中的错误检测。在互联网服务性能监控场景中，网页服务浏览量、网络游戏延迟、即时聊天响应时间等指标是影响互联网服务性能的关键因素。异常检测算法挖掘出数据中的异常信息意味着各种互联网服务中至关重要的现象。例如，网页浏览量的剧增意味网络服务可能遭受DDoS等网络攻击，网络游戏延迟增大意味着网络环境变化等等。因此，互联网服务关键性能指标的异常检测有重要意义。

最近几年有大量的研究关注异常检测。有基于贝叶斯网络分类技术、基于回归模型、无监督学习方法，如最邻近距离、聚类、统计、信息理论、谱的监督学习方法，也有神经网络、支持向量机、SOM聚类等半监督学习方法。大量的异常检测方法关注时间序列异常，这方面有大量基于时间序列分解、双重差分、集成学习、深度生成模型的研究。但这类方法针对复杂时间序列的效果较差，采用的预测模型直接对原时间序列建模，导致模型很难建模复杂的预测对应关系。

发明内容

发明目的：为了解决现有互联网服务性能检测的缺点，本发明提供一种基于多变量时间序列预测的互联网服务性能异常检测方法，以提高互联网服务性能检测准确度和鲁棒性。

技术方案：为实现上述目的，第一方面，本发明提出一种基于多变量时间序列预测的鲁棒性异常检测方法，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；

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；

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；

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；

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，判断为互联网服务出现异常。

第二方面，本发明提出一种计算机设备，所述设备包括一个或多个处理器；存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现根据本发明的第一方面所述的方法。