[发明专利]异常流量识别方法、装置、电子设备及存储介质

权利要求书

1.一种异常流量识别方法，其特征在于，包括：

获取网络流量时间序列，其中，所述网络流量时间序列用于表征目标业务在预设时间长度中，每个单位时段所接入的网络流量数据；

对所述网络流量时间序列进行预处理，并从预处理所生成的网络流量时序数据集中获取目标时序数据，其中，所述目标时序数据用于表征所述网络流量时间序列的异常数据；

利用长短期记忆神经网络预测模型对所述目标时序数据进行处理，获得与所述目标时序数据对应的预测时序数据；

基于所述预测时序数据和所述目标时序数据的误差值，确定异常流量识别结果。

2.根据权利要求1所述的方法，其特征在于，获取网络流量时间序列，包括：

从预设文件系统中获取对应的网络流量数据；

将所述网络流量数据转化预设的键值对key-value格式，得到所述网络流量时间序列，其中，所述key-value中key用于表征一个所述目标业务，所述key-value中value用于表征目标业务在预设时间长度中，每个单位时段接入的网络流量数据。

3.根据权利要求2所述的方法，其特征在于，对所述网络流量时间序列进行预处理，包括：

检测所述网络流量时间序列的缺失值；

基于所述缺失值，对所述网络流量时间序列进行过滤处理，得到候选网络流量时间序列；

根据所述候选网络流量时间序列，生成多种类别的第一流量时序数据，其中，每种所述第一流量时序数据对应一种设定的变化周期；

过滤多种所述第一流量时序数据中变化周期小于流量变化周期阈值的第一流量时序数据，并基于过滤得到的第二流量时序数据，生成所述网络流量时序数据集。

4.根据权利要求3所述的方法，其特征在于，根据所述候选网络流量时间序列，生成多种类别的第一流量时序数据，包括：利用时间序列分解算法STL对所述候选网络流量时间序列进行分解，生成多种所述第一流量时序数据。

5.根据权利要求4所述的方法，其特征在于，基于过滤得到的第二流量时序数据，生成所述网络流量时序数据集，包括：

利用移动窗递推算法，对所有所述第二流量时序数据进行加窗，得到每条所述第二流量时序数据所对应的子时序数据集，其中，所述网络流量时序数据集包括每条所述第二流量时序数据所对应的子时序数据集。

6.根据权利要求5所述的方法，其特征在于，所述第二流量时序数据至少包括残差项时序数据，从预处理所生成的网络流量时序数据集中获取目标时序数据，包括：

从所述网络流量时序数据集所对应的多种类别的所述第二流量时序数据中，选取所述残差项时序数据；

将所述残差项时序数据作为所述目标时序数据，其中，所述目标时序数据包括每条所述残差项时序数据对应的子时序数据集。

7.根据权利要求6所述的方法，其特征在于，基于所述预测时序数据和所述目标时序数据的误差值，确定异常流量识别结果，包括：

确定所述残差项时序数据所对应多个所述误差值，其中，所述误差值为所述残差项时序数据与所对应的所述预测时序数据的差值的绝对值；

判断多个所述误差值之和是否大于预设误差值阈值；

在判断到多个所述误差值之和大于所述预设误差值阈值的情况下，确定所述网络流量时间序列所对应的网络流量数据为异常网络流量数据。

8.根据权利要求3所述的方法，其特征在于，基于所述缺失值，对所述网络流量时间序列进行过滤处理，得到候选网络流量时间序列，包括：

删除所述缺失值大于缺失值阈值的网络流量时间序列，得到所述候选网络流量时间序列，和/或，

利用滑动平均算法对所述缺失值进行插值填充，得到所述候选网络流量时间序列。