[发明专利]一种智能运维异常检测方法、装置及服务器

说明书

本发明公开一种智能运维异常检方法、装置及服务器，获取银行网络系统实时运行数据以及银行网络系统检测时序序列数据，对银行网络系统检测时序序列数据进行预处理，得到多维度训练数据集，所述多维度训练数据集包含多个不同的数据训练数据集，对实时获取的银行网络数据进行分类，得到多维度特征数据，通过多维度特征数据在长短期记忆网络模型进行在线训练，得到长短期记忆网络预测模型，根据得到的长短期记忆网络预测模型，比较长短期记忆网络预测数据与实时获取的银行网络数据的差值，当差值大于预设值时，则判定银行网络系统存在异常，解决在当前银行网络系统中海量指标场景下，需要针对每个系统的时序数据进行异常测试的问题。

技术领域

本发明涉及互联网金融领域异常检测技术领域，尤其涉及一种智能运维异常检测方法、装置及服务器。

背景技术

随着时代的发展，银行越来越多地采用数字化系统为业务提供服务支持，银行开始采用云平台等基础设施、分布式、微服务架构等应用体系的应用，银行网络系统的运维管理对象越来越复杂。银行网络系统运管对象涉及应用服务、中间件、主机、网络等多个层级，当存在异常或故障时，异常检测能力和根因分析能力不足，已经成为运维工作的核心痛点之一。

在故障管理智能化的过程中，故障发现作为故障管理中最开始的步骤，在当前银行网络系统中海量指标场景下，针对每个系统的时序数据进行异常测试，自动发现故障和自动异常检测的需求甚为迫切，能极大地简化研发策略配置成本，提高告警的准确率，减少告警风暴和误告，从而提高研发的效率，为此研发出一种智能运维异常检测方法、装置及服务器。

发明内容

本发明的目的在于提供一种智能运维异常检测方法、装置及服务器，以解决在当前银行网络系统中海量指标场景下，需要针对每个系统的时序数据进行异常测试的问题。

第一方面，本发明提供一种智能运维异常检测方法，包括；

获取银行网络系统实时运行数据以及银行网络系统检测时序序列数据；

对银行网络系统检测时序序列数据进行预处理，得到多维度训练数据集，所述多维度训练数据集包含多个不同的数据训练数据集；

基于实时获取银行网络运行数据，构建银行网络智能运维异常检测的长短期记忆网络模型；

对实时获取的银行网络数据进行分类，得到多维度特征数据，通过多维度特征数据在长短期记忆网络模型进行在线训练，得到长短期记忆网络预测模型；

根据得到的长短期记忆网络预测模型，比较长短期记忆网络预测数据与实时获取的银行网络数据的差值，当差值大于预设值时，则判定银行网络系统存在异常。

进一步地，获取银行网络系统实时运行数据以及银行网络系统检测时序序列数据，包括；

获取银行网络系统中不同时间范围内多种特征动态数据；

将多种特征动态数据与时间数据建立对应关系，得到时间序列数据；

通过多种特征动态与时间数据的关联得到时间序列数据，用于对银行网络系统的历史数据进行预测。

进一步地，对银行网络系统检测时序序列数据进行预处理，得到多维度训练数据集，所述多维度训练数据集包含多个不同的数据训练数据集，包括：

时间序列数据包括多维度数据，对时间序列数据中的无序时间戳、缺失值、异常值进行数据的降噪，得到降噪后的时间序列数据；

将时间序列数据的数据时间转化为标准格式时间数据类型；

对时间序列数据进行实时分析，得到多维度训练数据集。

进一步地，基于实时获取银行网络运行数据，构建银行网络智能运维异常检测的长短期记忆网络模型，包括：