[发明专利]一种基于多指标的时间序列异常检测方法、系统及存储介质

权利要求书

1.一种基于多指标的时间序列异常检测方法，其特征在于，包括以下步骤：

S1 基于CMDB服务调用对照表，构建包括系统间调用关系和服务码间调用关系的全局异质拓扑图；

S2构建基于多指标的时间序列异常检测模型，对所述全局异质拓扑图的调用边进行异常检测；

S3 基于所述调用边的异常检测结果，生成异质故障图；

异常检测获得所有节点的融合特征，所述融合特征基于的关联权重通过多个节点注意力值的指数函数的比确定;

所述S2还包括以下步骤：

S2.1 对n个指标对应的时间窗口的时间序列进行归一化；

S2.2 通过图注意力机制学习节点的融合特征；

S2.3 基于获得的所有节点的融合特征H_i，学习获得不同指标对应的时间序列的嵌入特征；

S2.4 基于获得的所述不同指标对应的时间序列的所述嵌入特征，得到所有指标的时间序列在t时刻的预测值；

S2.5 基于得到的所有所述指标的时间序列在时刻的所述预测值，

算获得代表指标偏离程度的异常分数值scorei(t)；

S2.6 基于获得的所述异常分数值scorei(t)，判断所述调用边是否异常。

2.一种如权利要求1所述的基于多指标的时间序列异常检测方法，其特征在于，所述调用边是由交易明细数据和设定的时间粒度聚合生成的时间序列指标数据，所述指标数据至少包括交易量、成功量、响应量、失败量、未响应量、成功率、响应率、响应时间中的两种或多种的组合。

3.一种如权利要求1所述的基于多指标的时间序列异常检测方法，其特征在于，所述基于多指标的时间序列异常检测模型通过图注意力机制构建。

4.一种如权利要求1所述的基于多指标的时间序列异常检测方法，其特征在于，所述S2.2包括：节点v_i的融合特征h_i通过如下公式计算：

其中，N(i)表示节点 v_i的邻居节点的集合，v_j表示节点v_i的邻居节点， 表示sigmoid 激活函数,aij表示节点vi和节点vj的关联权重aij，节点Vj表示第j个指标对应的w维特征向量,关联权重aij通过以下公式计算：

其中，eij表示节点vi和节点vj之间的调用边的注意力值，eil表示节点vi和节点vl之间的调用边的注意力值，表示特征连接操作，LeakyReLU为激活函数，W表示可学习的参数矩阵，L表示v_j节点的邻居节点数量，l表示vi节点的邻居节点的序号。

5.一种如权利要求1所述的基于多指标的时间序列异常检测方法，其特征在于，所述S2.4包括：

将所有所述指标的所述嵌入特征输入到多层感知机MLP中得到所有时间序列在t时刻的预测值；采用均方差损失函数 MSE 作为优化函数：

其中，n表示预测的指标的个数。

6.一种如权利要求1所述的基于多指标的时间序列异常检测方法，其特征在于，所述S2.5包括：对于第 i个指标的偏离值通过以下公式计算：

通过以下公式对指标的偏离值进行标准化：

其中，score_i(t)为异常分数值，和 分别表示中位数和四分位数。

7.一种如权利要求1所述的基于多指标的时间序列异常检测方法，其特征在于，所述S2.6包括：将获得的代表指标的偏离程度的所述异常分数值scorei(t)与预设的阈值相比，当所述异常分数值scorei(t)大于所述阈值时，判定所述调用边的检测结果为异常。