[发明专利]一种基于LSTM模型的运维系统异常预警方法、装置及设备

权利要求书

1.一种基于长短期记忆网络LSTM模型的运维系统异常预警方法，其特征在于，所述方法包括：

获取目标时段的多种运维数据；

通过历史运维数据训练得到针对每种运维数据的LSTM模型，并获得每种运维数据的LSTM模型预测基线；

根据所述运维数据预测基线，获取每种运维数据在所述目标时段对应的预测数据；

根据所述预测数据和所述运维数据，计算得到所述目标时段的异常值；

当所述异常值超过预警门限值时，则向用户发出异常预警。

2.根据权利要求1所述的预警方法，其特征在于，所述历史运维数据包括多个周期数据，每个周期数据包括多组连续预设时段的运维数据，所述预设时段与所述目标时段相同。

3.根据权利要求1所述的预警方法，其特征在于，所述LSTM模型包括多层记忆单元结构，每层所述记忆单元结构包括遗忘门、输入门、输出门和细胞状态；

遗忘门，用于决定细胞状态中需要舍弃的信息，接收上一个状态的输出和当前时刻的数据输入；

输入门，用于确定需要在细胞状态中保存的信息；

细胞状态，用于对原细胞状态进行更新，决定需要忘记的信息；

输出门，用于确定预测基线对应的输出值。

4.根据权利要求1所述的预警方法，其特征在于，所述通过历史运维数据训练得到针对每种运维数据的LSTM模型，包括：

获取每种运维数据对应的历史运维数据；

对所述历史运维数据进行预处理，以获得标准化的历史运维数据，并将标准化的历史运维数据分为训练时间段的训练集数据和验证时间段的验证集数据；

通过粒子群优化算法PSO对LSTM模型的超参数巡优，计算每次巡优后的LSTM模型针对所述验证时间段的预测集数据；

根据所述验证集数据和所述预测集数据，计算LSTM模型每次巡优后的多个适应度函数值；

根据多个所述适应度函数值，确定每次迭代中的最优适应度函数值；

当达到预设迭代次数，则将全部所述最优适应度函数值中的最小值对应的超参数设定为最终设定值；

将所述超参数的最终设定值带入所述LSTM模型中得到训练完成的LSTM模型。

5.根据权利要求4所述的预警方法，其特征在于，所述通过粒子群优化算法PSO对LSTM模型的超参数巡优，包括：

对所述PSO进行改进，通过改进后的PSO对LSTM模型的超参数巡优，其中所述超参数包括时间窗口大小、批处理数量、第一层隐藏层单元数目、第二层隐藏层单元数目和学习率。

6.根据权利要求1所述的预警方法，其特征在于，所述预警门限值获得过程包括：

获取所述历史运维数据中每个预设时段的实际运维数据；

根据每种运维数据的LSTM模型预测基线，获取每个预设时段的每种运维数据的预测数据；

根据每个预设时段的每种运维数据的预测数据和实际运维数据，计算得到每个预设时段的预警门限值。

7.根据权利要求6所述的预警方法，其特征在于，所述根据每个预设时段的每种运维数据的预测数据和实际运维数据，计算得到每个预设时段的预警门限值，包括：

获取所述历史运维数据中的异常数据；

将所述异常数据的对应时段标记为异常时段，其余时段标记为正常时段；

根据所述异常数据和所述异常时段对应的预测数据，按照第一函数计算所述异常时段的第一预警门限值；

根据所述正常时段和所述正常时段对应的预测数据，按照第二函数计算所述正常时段的第二预警门限值。

8.根据权利要求7所述的预警方法，其特征在于，所述方法还包括：

确定所述运维数据对应的运维业务种类，根据所述运维业务种类确定所述第二函数。