[发明专利]基于多角度特征的多元KPI时序异常检测方法和系统

说明书

本发明提供了一种基于多角度特征的多元KPI时序异常检测方法和系统，属于KPI异常检测领域。所述方法从嵌入图、时域、频域三个角度提取KPI时序的特征，再分别使用图卷积神经网络、时域卷积神经网络和谱网络对三种特征进行数据特征学习表示，再利用全连接神经网络和Softmax函数得到各特征的注意力分数，根据注意力分数对不同特征表示进行融合，然后输入到解码器中得到原始数据的重构表示，构成完整的多元KPI时序异常检测模型；基于历史数据对模型训练完成后，将待检测的多元KPI时序输入到成熟的检测模型中，检测数据中是否存在异常。本发明提不需要人工对异常进行标注，减少了检测过程中的人力需求，提高了运维管理系统异常检测的准确度和效率。

技术领域

本发明属于KPI时序数据挖掘领域，具体涉及一种基于多角度特征的多元KPI时序的异常检测方法和系统。

背景技术

随着互联网，特别是移动互联网的高速发展，互联网服务已经深入到社会的各个领域，人们使用互联网进行搜索、购物、娱乐等活动，因此保障互联网服务的稳定越来越重要。互联网服务的稳定主要靠运维来保障，运维人员通过监控各种各样的关键性能指标(KPI)来判断互联网服务是否稳定，对KPI进行连续监测，则得到KPI时序数据。当对所监测的KPI时序数据进行检测发现存在异常时，可得出与其相关的应用发生了异常。

在某些复杂的网元中，KPI可能高达数千个，这些KPI时序通常有不同的类型，有表现为周期型的，还有表现为平稳型、非平稳型、持续波动型的，相对应的数据异常类型众多；而且KPI时序中常常伴有不确定性的噪声，异常与正常数据的识别难度增加，尤其当需要进行实时的异常检测时，人工难以快速准确地识别异常，从而使得多元KPI异常检测成为一个挑战性的工作。

现有技术中，一般采用构建KPI异常检测模型的方式识别异常，包括统计学方法、机器学习方法和深度学习方式。其中，统计学方法会学习一个拟合给定数据集的生成模型，然后识别该模型低概率区域中的对象，把它们作为异常，比如基于多元正态分布的参数估计方法，基于直方图的异常值得分的非参数估计方法等；这类方法的局限性在于对前提假设依赖比较严重，难以处理多元KPI时序数据。机器学习方法通常需要提取大量的特征，然后将这些特征输入到强大的分类器中，比如基于树的随机森林，基于聚类的支持向量数据描述，基于距离的K近邻算法等；但机器学习方法由于过于简单的模型难以提取到高维复杂的特征，无法处理高维数据。而深度学习的方法是通过学习数据的正常模式来区分异常，但是，目前基于深度神经网络的多元KPI时序异常检测方法虽然不需要对数据进行前提假设，而且用于特征工程和异常识别的深度监督模型也可以处理高维数据，但由于数据样本不均衡，很容易导致模型收敛到次优的问题；同时，深度监督模型需要人工从大量样本中找到少量异常样本进行标注，这将导致大量人力资源的损耗。

发明内容

鉴于上述问题，本发明实施例提供了一种基于多角度特征的多元KPI时序异常检测方法和系统，以提高运维管理系统异常检测的准确度和效率，同时不需要人工对异常进行标注以减少检测过程中的人力资源消耗。

本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供了一种基于多角度特征的多元KPI时序的异常检测方法，设定KPI时序的元数为M，包括如下步骤：

步骤S1，分析M元KPI时序数据的结构，提取嵌入图特征，基于嵌入图特征构建用于多元KPI时序异常检测的图卷积神经网络GCN，对多元KPI时序不同变量之间的信息表示进行表征；

步骤S2，以M元KPI时序数据本身作为时域特征，并基于时域特征构建用于多元KPI时序异常检测的时域卷积神经网络TCN，以得到多元KPI时序数据在时间域上的历史信息表示；

步骤S3，基于傅立叶变换分别确定M元KPI时序数据频域特征的实部和虚部，并基于频域特征构建用于多元KPI时序数据异常检测的谱网络，以得到多元KPI时序周期上的信息表示；