[发明专利]异常监控方法、装置、电子设备以及计算机可读存储介质

说明书

本发明提供一种异常监控方法、装置、电子设备以及计算机可读存储介质，应用于人工智能领域，该方法包括：分别对所述业务日志数据以及所述硬件监控数据进行特征提取；将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层，对CNN与LSTM的混合模型进行了改进，对监控数据进行多维度的特征提取，有效提高了复杂分布式场景下异常监控的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种异常监控方法、装置、电子设备以及计算机可读存储介质。

背景技术

智能运维技术逐渐替代传统运维方式，能够更大程度地取代人工操作，解放传统运维人力。智能运维中很重要地一环就是通过监控数据识别和定位系统异常，现有的系统异常监控技术主要有以下几种：

1.传统基于特定指标的系统异常监控方法：该方法的优点是实现和落地相对简单，但其缺点是需要人为识别异常现象及提取异常特征，过于依赖个人的专业领域知识和对系统的熟悉程度；

2.基于无监督学习的系统异常监控方法：该方法利用了一些无监督学习方法(聚类，随机森林等)来对系统异常进行监控，无监督学习具有不依赖于个人的专业领域知识的优点，但是无监督学习的稳定性不强，学习结果并不能很好地适应复杂的生产系统；

3.基于已有深度学习模型的系统异常监控方法：

深度学习的优点是能够自动提取数据的异常特征，并且稳定性强，比如基于CNN的系统异常监控方法；在实际生产系统中，运维监控的数据源不止一个，不同数据源之间的数据变化有可能是相互关联的，如果单纯使用CNN对每个数据源进行特征提取将无法提取出不同数据源之间的关联特征；另外，由于运维监控的数据有多种格式和类型(比如设备硬件运行数据，请求数据，调用返回结果信息等)，每种数据的格式和采样频率都不尽相同，如果单纯将所有数据结合后利用CNN进行关联特征提取，会存在数据格式以及形状不一致的情况。

发明内容

针对现有技术中的问题，本发明提供一种异常监控方法、装置、电子设备以及计算机可读存储介质，能够至少部分地解决现有技术中存在的问题。

为了实现上述目的，本发明采用如下技术方案：

第一方面，提供一种异常监控方法，包括：

获取运维数据，所述运维数据包括：业务日志数据以及硬件监控数据；

分别对所述业务日志数据以及所述硬件监控数据进行特征提取得到对应的业务日志特征以及硬件监控特征；

将所述业务日志特征以及所述硬件监控特征输入预建立的深度学习异常监控模型得到异常监控结果；

其中，所述深度学习异常监控模型包括：多个并行的局部CNN层、连接在多个局部CNN层之后的数据拼合层、连接在所述拼合层之后的全局CNN层、连接在所述全局CNN层之后的LSTM以及连接在所述LSTM输出端的输出层；

所述业务日志特征以及所述硬件监控特征分别输入对应的CNN层进行局部特征提取，所述数据拼合层用于将各局部CNN层提取的局部特征进行拼合后输至所述全局CNN层提取全局关联特征并传输至所述LSTM；

所述LSTM基于所述全局CNN层提取的特征的全局关联特征对所述运维数据的时序关系进行建模并得到一特征向量；

所述特征向量输入所述输出层，经过全连接神经网络并通过softmax函数得到最终的分类结果。

进一步地，所述全局卷积层包括：两层卷积层和一层展平层，两层卷积层用于学习不同运维数据之间的关联关系，将所述展平层得到全局关联特征。