[发明专利]一种异常检测方法

权利要求书

1.一种异常检测方法，其特征在于，包括以下步骤：

S1，获取被监控设备的某个性能指标历史检测值进行数据处理，包括数据清洗、特征工程和数据标记；

S2，根据历史标记数据训练回归模型和分类模型；

S3，根据被监控设备的某个性能指标的历史检测值通过调用回归模型预测出将来一段时间的指标预测值，并形成该性能指标的动态基线；

S4，根据该性能指标当前时刻的检测值与所述当前时刻的预测值确定当前时刻的差值、比值，生成对比特征标签，通过分类算法生成异常标记。

2.根据权利要求1所述的异常检测方法，其特征在于，所述S1中的数据标记工作采用3-sigema算法和Tukey’s Test算法实现。

3.根据权利要求2所述的异常检测方法，其特征在于，所述3-sigema算法包括以下步骤：

S31，根据被监控设备的某个性能指标历史检测值计算数据列的平均值；

S32，根据历史检测值的平均值计算数据列的标准差；

S33，比较数据列中的每个值与平均值的排查是否超过3倍的标准差，标记是否是异常值。

4.根据权利要求2所述的异常检测方法，其特征在于，所述Tukey’s Test算法包括以下步骤：

S41，根据被监控设备的某个性能指标历史检测值升序排序，得到历史检测值有序队列；

S42，根据有序队列计算出数据列的中位数；

S43，根据有序队列计算出数据列的下四分位，数据列中最小的25%的数据在这个点以下；

S44，根据有序队列计算出数据列的上四分位，数据列中最大的25%数据都在这个点以上；

S45，根据上四分位和下四分位的差乘以1.5得到值a，上四分位加上a得到上围，下四分位减去a得到下围，从而得到数据列的两个内围值；

S46，根据内围与数据列中的每个值比对，在内围值外的值为异常值，从而标记出异常值。

5.根据权利要求1所述的异常检测方法，其特征在于，所述S2中采用LightGBM算法构建回归模型。

6.根据权利要求5所述的异常检测方法，其特征在于，所述LightGBM算法包括以下步骤：

S61，根据被监控设备的某个性能指标历史检测值计算数据列划分为N个不同的区域，再求得每个区域的常识值c；

S62，根据每个区域的常识值c确定数据具体的切分点；

S63，根据每个区域的切分点求得回归树公式；

S64，根据回归树公式拟合训练数据得到数据残差；

S65，根据数据残差计算训练数据的平方损失差；

S66，根据你和数据的平方损失误差循环以上步骤得到回归树公式T2、T3...Tn；

S67，根据Tn你和训练数据的平方损失误差满足误差要求时，得到回归树公式Tn。

7.根据权利要求6所述的异常检测方法，其特征在于，所述S61采用以下公式求得每个区域的常识值c：

所述S62采用以下公式：

所述S65采用以下公式：

所述S67采用以下公式：

。

8.根据权利要求1所述的异常检测方法，其特征在于，所述S2中采用Isolation Forest算法和One Class SVM算法构建分类模型，Isolation Forest算法包括以下步骤：

S81，根据被监控设备的某个性能指标历史检测值计算数据列训练出T棵孤立树；

S82，根据孤立树将每个监测值带入森林中的每棵孤立树中，计算平均高度；

S83，根据平均高度再计算每个样本点的异常值分数。

9.根据权利要求8所述的异常检测方法，其特征在于，所述S81采用以下公式：

所述S83根据平均高度再计算每个样本点的异常值分数所用公式如下：

其中：

。

10.根据权利要求8所述的异常检测方法，其特征在于，One Class SVM算法包括：

S11，根据被监控设备的某个性能指标历史检测值数据列计算出数据的中心样本；所述S11采用如下公式：

S12，根据数据的展现样本计算出检测值数据列中每个样本数据距离中心的距离，距离大于样本半径的为异常样本；所述S12采用如下公式：

。