[发明专利]一种异常状态检测方法、系统、存储介质、程序、服务器

权利要求书

1.一种异常状态检测方法，其特征在于，所述异常状态检测方法对LSTM1进行无监督学习，对LSTM2进行有监督学习，利用日志信息快速解决服务器故障；采用LSTM1循环神经网络对具有时序特点的日志信息进行预测，通过识别日志信息的异常出现来发出警报，并辅助运维人员检查故障原因；LSTM2则通过故障发生前的一段时间内的日志信息来给出造成当前情况的故障原因；

所述异常状态检测方法包括：

第一步，获取服务器的原始日志信息，一类正常运行的日志数据和一类异常状态的日志数据，以及专家得出的相应的故障日志对应的故障事件；

第二步，数据预处理，统计服务器组中有限的可统计的日志种类，建立字典库将其编号；通过日志解析器将原始日志信息解析成文本，并按照字典库将其转换为数字序列，对于异常日志转换的数字序列还需要与对应的异常事件相关联，对异常数字序列进行标签标注，每个故障标签对应的值为0和1，其中0表示该故障并未发生，1表示发生了该故障；

第三步，构建LSTM神经网络，采用双层LSTM堆叠而成的LSTM的神经网络模型，通过训练获取模型中各部分的权重参数与偏置项，同时对超参数进行微调，训练过程中将收集到的数据按比例随机划分为训练集和测试集；

第四步，采用线性回归单元，将LSTM网络的输出映射到对应的标签上构建分类器；

第五步，采集需要预测的日志信息，将原始日志信息转换为日志编号的数字序列，将转换后的数字序列输入神经网络之中；

第六步，异常状态分析，将转换后的日志序列输入神经网络之中后，选取有前面10个日志编号预测下一个日志编号，选取概率最大的8个日志编号认为服务器运行状态正常，否则会将前一段时间内的异常日志序列输入到网络LSTM2中进行预测，是何种原因导致的服务器异常，在异常事件的维度上再添加一个正常事件，当LSTM2预测出结果不是正常的时候，发出警报；将预测的结果以及异常日志信息呈现给运维人员，以辅助运维人员进行检测；

所述第三步确定LSTM1模型的时间步长，选取10个日志编号对下一个日志编号进行预测；对于LSTM2模型，选取25个日志编号作为判断异常事件原因的序列长度，将LSTM1预测出的差别较大的日志编号时刻为起始，沿序列向前的25个日志编号作为预测事件原因的输入。

2.如权利要求1所述的异常状态检测方法，其特征在于，所述第三步的两个LSTM分类预测模型包括输入层、隐藏层和输出层；

输入层由一系列神经元构成，用以获取输入数据的特征向量；

隐藏层由两层LSTM层堆叠而成，每层LSTM层分别具有多个神经元，每个神经元对应一个LSTM记忆块，记忆块包含自连接的状态神经元以及输入门、输出门和遗忘门，在同一时间步的LSTM层之间，采用正则化方法减少过拟合的影响；

输出层为具有多个神经元的全连接层，分别对应需要预测的目标类别，通过归一化指数函数softmax激活函数，将隐藏层的输出转换为与分类预测类别相关的概率分布预测值。