[发明专利]一种基于深度学习的运维检测方法、系统、电子设备及介质

权利要求书

1.一种基于深度学习的运维检测方法，其特征在于，包括以下步骤：

步骤S1：获取原始数据；

步骤S2：对所述原始数据进行特征提取处理，形成KPI特征样本集，所述KPI特征样本集包括所述各个原始数据的训练数据特征；

步骤S3：将所述KPI特征样本集输入训练模型，得到权重值，所述权重值被配置为所述训练模型对KPI特征样本集中的数据计算得到的数值；

步骤S4：对比所述权重值，判断所述原始数据的检测结果。

2.如权利要求1所述的一种基于深度学习的运维检测方法，其特征在于，在步骤S2前，还包括原始数据预处理步骤S101：通过缺失值处理、异常值剔除、数据变换的步骤，对所述原始数据进行预处理。

3.如权利要求2所述的一种基于深度学习的运维检测方法，其特征在于，在步骤S101中：应用格拉布斯准则，对原始数据进行异常值剔除，所述异常值为新出现的异常值或官方标记的异常值，再应用Z-score或Min-Max标准化准则，对原始数据进行标准化和归一化，从原始数据中得到原始数据特征，对所述原始数据特征进行均值方法补全。

4.如权利要求3所述的一种基于深度学习的运维检测方法，其特征在于，在步骤S2中，在对所述原始数据的原始数据特征进行特征提取处理，得到与所述原始数据对应的训练数据特征，所述训练数据特征包括原始值特征、小波分析特征、统计特征和拟合特征。

5.如权利要求4所述的一种基于深度学习的运维检测方法，其特征在于，所述训练数据特征包括64个时序特征。

6.如权利要求5所述的一种基于深度学习的运维检测方法，其特征在于，在形成KPI特征样本集中，包括以下步骤：

对所述训练数据特征进行迭代处理，产生特征子集，所述特征子集包括非异常数据特征子集和异常数据特征子集，对所述非异常数据特征子集进行欠采样处理，对所述异常数据特征子集进行过采样处理，结合欠采样处理和过采样处理的结果，形成KPI特征样本集。

7.如权利要求1至6任一项所述的一种基于深度学习的运维检测方法，其特征在于，所述训练模型包括加权模型，所述加权模型被配置为逻辑回归模型、小波分析模型、随机森林模型和BiLSTM神经网络模型四种模型综合所得。

8.如权利要求7所述的一种基于深度学习的运维检测方法，其特征在于，在所述逻辑回归模型中，包括以下步骤：

步骤S311:数据预处理；

步骤S312:训练集数据STL分解；

步骤S313:特征选取；

步骤S314:选取训练集异常区间前7个点和所有正常点作为训练样本，其中，对于少于7个点的训练集异常区间则选取所述异常区间的所有异常点；

步骤S315:模型训练，梯度下降求解参数；

步骤S316:确定阈值；

步骤S317:测试集标注。

9.如权利要求7所述的一种基于深度学习的运维检测方法，其特征在于，在所述小波分析模型中，包括以下步骤：

步骤S321:对KPI特征样本集进行离散小波变换，得到多个KPI特征样本序列，对所述KPI特征样本序列进行重建；

步骤S322:对重建后的KPI特征样本序列进行5级别小波变换，得到变换结果，所述变换结果包括细节部分序列和近似部分序列；

步骤S323:针对细节部分序列，自定义时间窗，对时间窗内的数据进行小波分解和重构，提取细节部分序列，并采用Grubbs准则对时间窗内细节部分序列上的异常点进行识别；

步骤S324:若当前时间窗的时刻点在异常点集合中，则判定当前时刻点的检测异常。

10.如权利要求7所述的一种基于深度学习的运维检测方法，其特征在于，所述随机森林模型中的关键参数包括n_estimators，max_depth，max_features和min_sample_leaf。