[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

说明书

本发明提供的一种基于深度学习的运维检测方法、系统、电子设备及介质，属于智能运维技术领域。其中运维检测方法包括：获取原始数据；对原始数据进行特征提取处理，形成KPI特征样本集，KPI特征样本集包括各个原始数据的训练数据特征；将KPI特征样本集输入训练模型，得到权重值，权重值被配置为训练模型对KPI特征样本集中的数据计算得到的数值；对比权重值，判断原始数据的检测结果。本发明从原始数据中提取特征并形成KPI特征样本集，进而对KPI特征样本集进行训练模型的处理，通过深度集成学习的方法，最终将异常检测转变为二分类问题，以实现提高检测准确率的效果，避免人工堆砌规则，降低运维成本，提高智能自动化运维的效率。

技术领域

本发明属于智能运维技术领域，尤其涉及一种基于深度学习的运维检测方法、系统、电子设备及介质。

背景技术

传统的IT运维系统，一般是通过手工运维的方式，手工运维方式是指维护人员在客户端通过通信协议逐个登陆到各个服务器后，在服务器上执行相关的维护命令，并逐一进行检查。在互联网IT行业快速发展的时代下，人工成本高，运维效率低，手工运维方式已无法满足要求。

逐渐地，人们开始使用自动化运维方式进行运维，常用的自动化运维方式是在服务器端和客户端同时安装相应的软件程序来实现自动化维护，但自动化运维通过预定义规则脚本来减少重复性运维工作，已慢慢地不适合当前服务类型多样、KPI异常类型多样的大环境。因此，基于人为指定规则的自动化运维方式，使得运维人员学习成本提高，运维难度大，运维效率不高，常规自动化运维方式已无法满足现在人们对智能运维的需求。

发明内容

本发明的目的在于克服上述现有技术存在的不足，提供一种基于深度学习的运维检测方法、系统、电子设备及介质，解决了现有技术中基于人为指定规则的自动化运维方式所带来运维人员学习成本提高、运维难度大、运维效率不高的问题，克服了常规自动化运维方式无法满足现在人们对智能运维的需求的缺陷。

为了实现上述目的，第一方面，本发明提供一种基于深度学习的运维检测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，所述训练数据特征包括64个时序特征。

进一步地，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。