[发明专利]基于神经网络的异常定位方法、系统、设备及存储介质

权利要求书

1.一种基于神经网络的异常定位方法，其特征在于，包括：

获取目标业务系统预处理后的当前故障告警信息；

根据预处理后的当前故障告警信息和训练后的受限玻尔兹曼机模型，获取当前关键特征；

根据所述当前关键特征和训练后的故障预测神经网络模型，获取风险预测等级和异常位置信息；

根据所述风险预测等级和所述异常位置信息，对所述目标业务系统进行预告警。

2.根据权利要求1所述的基于神经网络的异常定位方法，其特征在于，所述训练后的受限玻尔兹曼机模型通过如下步骤获得：

获取预设数量历史故障告警信息训练集，每一历史故障告警信息训练集中包括对应同一历史异常位置信息的若干历史故障告警信息；

利用每一历史故障告警信息训练集分别对每一初始受限玻尔兹曼机进行训练，获取预设数量训练后的初始受限玻尔兹曼机；

将预设数量训练后的初始受限玻尔兹曼机进行级联，作为训练后的受限玻尔兹曼机模型。

3.根据权利要求2所述的基于神经网络的异常定位方法，其特征在于，所述训练后的故障预测神经网络模型通过如下步骤获得：

将每一历史故障告警信息训练集输入到训练后的受限玻尔兹曼机模型中，获取每一历史故障告警信息对应的历史关键特征；

根据每一历史故障告警信息对应的历史关键特征、每一历史故障告警信息对应的预设历史风险等级和每一历史故障告警信息对应的历史异常位置信息，对初始故障预测神经网络模型进行训练，获取训练后的故障预测神经网络模型。

4.根据权利要求2所述的基于神经网络的异常定位方法，其特征在于，所述初始受限玻尔兹曼机为两层的受限玻尔兹曼机。

5.根据权利要求4所述的基于神经网络的异常定位方法，其特征在于，所述根据预处理后的当前故障告警信息和训练后的受限玻尔兹曼机模型，获取当前关键特征，具体计算公式如下：

ftr＝[ftr₁,…,ftr_k,…,ftr_n]，

其中，ftr表示所述当前关键特征，n表示所述预设数量，ftr_k表示第k类别对应的训练后的初始受限玻尔兹曼机提取出来的当前关键特征，为第k类别对应第一层受限玻尔兹曼机模型中隐层单元和可见单元之间的交互项，为第k类别对应第一层受限玻尔兹曼机模型中可见层的偏差，为第k类别对应第一层受限玻尔兹曼机模型中隐层的偏差，为第k类别对应第一层受限玻尔兹曼机模型中隐层单元和可见单元之间的交互项，为第k类别对应第二层受限玻尔兹曼机模型中可见层的偏差，为第k类别对应第二层受限玻尔兹曼机模型中隐层的偏差，σ(x)为sigmoid激活函数。

6.根据权利要求1至5任一所述的基于神经网络的异常定位方法，其特征在于，所述获取目标业务系统预处理后的当前故障告警信息，具体包括：

实时采集所述目标业务系统的监测指标数据，所述监测指标数据包括基础资源监测数据、应用性能监测数据和网络安全检测数据；

对所述监测指标数据进行异常值处理、缺失值处理、统一格式化和脱敏预处理，得到预处理后的监测指标数据；

对所述预处理后的监测指标数据进行异常值检测，获取预处理后的当前故障告警信息。

7.根据权利要求6所述的基于神经网络的异常定位方法，其特征在于，所述异常值处理包括固定阈值法、动态阈值法和指标数据预测法中的一种或多种。

8.一种基于神经网络的异常定位系统，其特征在于，包括：

预处理模块，用于获取目标业务系统预处理后的当前故障告警信息；

特征提取模块，用于根据预处理后的当前故障告警信息和训练后的受限玻尔兹曼机模型，获取当前关键特征；

预测模块，用于根据所述当前关键特征和训练后的故障预测神经网络模型，获取风险预测等级和异常位置信息；

告警模块，用于根据所述风险预测等级和所述异常位置信息，对所述目标业务系统进行预告警。