[发明专利]一种异常检测方法、装置以及计算机存储介质

说明书

本发明涉及一种异常检测方法、装置以及计算机存储介质，该方法包括：获取设备的状态检测数据，该状态检测数据构成历史数据；对所述历史数据进行数据处理，得到训练数据样本集；利用遗传算法对K均值聚类算法进行改进，得到非监督学习模型，通过所述非监督学习模型对所述训练数据进行聚类分析，得到设备异常检测模型；获取设备的最新状态检测数据，该最新状态检测数据构成实时数据；将所述实时数据导入到所述非监督学习模型进行预测以得到预测结果，当所述预测结果确定所述待设备为故障设备时，对所述设备进行标记。本发明解决了由于现有技术中采用常规的K均值聚类算法收敛速度慢、计算效率低的技术问题。

技术领域

本发明涉及一种异常检测技术领域，特别涉及一种故障检测方法、装置以及计算机存储介质。

背景技术

智能电子设备可能会在使用过程中出现各种各样的故障，比如软件方面的代码bug、硬件方面的元件损坏、环境引起的网络故障等。故障诊断需要专家来进行，但排查之前往往需要复现问题，这需要花费很多时间，为此，希望通过一些指标的预测，可以帮专家排除一些故障原因。且也希望在设备出现故障之前能获得一些预警，这样就能提前采取一些措施。

异常检测，是对某个事务活动中产生的大量数据进行检测以确定其中的异常数据，所述异常数据被称为异常点。异常点具有不符合正常数据的分布特征或表现模式，通过分析异常点可以获知事务活动的安全状态。目前常采用的异常检测技术包括监督的、半监督的和无监督的异常检测方法。

基于监督的异常检测技术通过给出带标签的正常数据集和异常数据集来构成整个训练集，而标签需要事先通过人工定义进行手工定义。

基于k均值聚类的异常检测方法为广泛使用的无监督异常检测方法，然而，常规的k均值聚类由于采用均值计算方法来确定聚类中心，收敛较慢，特别是对于样本规模大的收据，异常检测效率低下。

发明内容

本发明的目的是为了克服现有技术的不足，引入了遗传算法对常规的k均值聚类进行改进，以加快收敛速度，提高异常检测效率。

本发明是通过以下技术方案实现：

一种异常检测方法，该方法包括：获取设备的状态检测数据，该状态检测数据构成历史数据；

对所述历史数据进行数据处理，得到训练数据样本集X＝{X₁,X₂,X₃,...,X_n}，其中X_i＝[x_i1,x_i2,x_i3,...,x_im]表示第i个样本且1≤i≤n，n表示训练数据样本集的样本个数，m表示每个样本的维数；

利用遗传算法对K均值聚类算法进行改进，得到非监督学习模型，通过所述非监督学习模型对所述训练数据进行聚类分析，得到设备异常检测模型；

获取设备的最新状态检测数据，该最新状态检测数据构成实时数据；

将所述实时数据导入到所述非监督学习模型进行预测以得到预测结果，当所述预测结果确定所述待设备为故障设备时，对所述设备进行标记，所述利用遗传算法对K均值聚类算法进行改进，得到非监督学习模型，通过所述非监督学习模型对所述训练数据进行聚类分析，得到设备异常检测模型，具体包括：

步骤一：从样本集X中随机选择k个样本X_radom作为每个聚类结果的聚类中心，其中radom表示在[1,n]之间随机选择的整数，构造初始聚类中心集