[发明专利]一种时序异常检测方法、装置、计算机设备及存储介质

说明书

本发明公开了一种时序异常检测方法、装置、计算机设备及存储介质，方法包括：利用第一卷积神经网络对时序数据样本进行卷积处理，得到局部邻近时间步关联的时序特征；利用注意力机制对时序特征的全局时间步进行关联，得到全局时间步关联的时序特征；利用变分自编码算法对全局时间步关联的时序特征进行编码和解码，得到重构的时序特征；利用第二卷积神经网络对重构的时序特征进行卷积处理，得到时序还原数据；利用时序数据样本与所述时序还原数据的差异检测所述时序数据样本的异常值，完成时序异常检测模型的构建；利用所述时序异常检测模型对待测时序数据进行检测，得到所述待测时序数据的异常值。本发明提高了模型适用性和准确率。

技术领域

本发明涉及人工智能技术领域，特别涉及一种时序异常检测方法、装置、计算机设备及存储介质。

背景技术

运维系统的异常检测程序，主要负责监控运维系统中关于应用、硬件等多个对象的指标(例如某一主机对象的CPU使用率指标)，当指标发生异常时则实时告警，从而提示工作人员进行排查。异常检测算法种类较多，包括统计算法、机器学习算法、深度学习算法。其中，深度学习算法精度更高，是当前主要的研究和应用方向。

但现有技术中，异常检测过程中，普遍无法提供大量标注数据，造成监督学习算法的适用性降低、准确率不高。

发明内容

本发明的目的是提供一种时序异常检测方法、装置、计算机设备及存储介质，旨在解决现有技术中时序异常检测方法适用性降低、准确率不高的问题。

第一方面，本发明实施例提供一种时序异常检测方法，其中，包括：

利用第一卷积神经网络对运维系统的时序数据样本进行卷积处理，得到局部邻近时间步关联的时序特征；

利用注意力机制对所述时序特征的全局时间步进行关联，得到全局时间步关联的时序特征；

利用变分自编码算法对所述全局时间步关联的时序特征进行编码和解码，得到重构的时序特征；

利用第二卷积神经网络对所述重构的时序特征进行卷积处理，得到时序还原数据；

利用所述时序数据样本与所述时序还原数据的差异检测所述时序数据样本的异常值，完成时序异常检测模型的构建；

利用所述时序异常检测模型对待测时序数据进行检测，得到所述待测时序数据的异常值。

第二方面，本发明实施例提供一种时序异常检测装置，其中，包括：

第一卷积单元，用于利用第一卷积神经网络对运维系统的时序数据样本进行卷积处理，得到局部邻近时间步关联的时序特征；

注意力机制单元，用于利用注意力机制对所述时序特征的全局时间步进行关联，得到全局时间步关联的时序特征；

自编码单元，用于利用变分自编码算法对所述全局时间步关联的时序特征进行编码和解码，得到重构的时序特征；

第二卷积单元，用于利用第二卷积神经网络对所述重构的时序特征进行卷积处理，得到时序还原数据；

模型构建单元，用于利用所述时序数据样本与所述时序还原数据的差异检测所述时序数据样本的异常值，完成时序异常检测模型的构建；

模型检测单元，用于利用所述时序异常检测模型对待测时序数据进行检测，得到所述待测时序数据的异常值。

第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如第一方面所述的时序异常检测方法。