[发明专利]基于深度机器学习模型的异常网络数据生成与预测方法有效
| 申请号： | 201811627720.5 | 申请日： | 2018-12-28 |
| 公开（公告）号： | CN109492193B | 公开（公告）日： | 2020-11-27 |
| 发明（设计）人： | 杨恺;窦绍瑜 | 申请（专利权）人： | 同济大学 |
| 主分类号： | G06F17/18 | 分类号： | G06F17/18;G06N3/08;G06Q10/04;G06Q10/06 |
| 代理公司： | 上海科盛知识产权代理有限公司 31225 | 代理人： | 蔡彭君 |
| 地址： | 200092 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度机器学习模型的异常网络数据生成与预测方法，包括：步骤S1：收集系统组件的历史性能指标数据，并训练异常预测模型；步骤S2：在线收集系统中所有组件的性能指标数据；步骤S3：判断各组件是否存在与其有关联关系的组件，若为是，则执行步骤S4，反之，则执行步骤S5；步骤S4：将两个组件的数据组合成二元组，计算该二元组的残差值，并输入至该二元组对应的异常预测模型，并执行步骤S6；步骤S5：搜索该组件对应的异常预测模型，将该组件的性能指标数据输入至该组件所对应的异常预测模型，并执行步骤S6；步骤S6：判断模型输出的预测结果，若为是存在异常，则进行报警。与现有技术相比，本发明克服了异常预测系统训练时出现的样本不均衡问题，提高模型预测性能。 | ||
| 搜索关键词： | 基于 深度 机器 学习 模型 异常 网络 数据 生成 预测 方法 | ||
【主权项】：
1.一种基于深度机器学习模型的异常网络数据生成与预测方法，其特征在于，包括：步骤S1：收集系统组件的历史性能指标数据，并训练异常预测模型；步骤S2：在线收集系统中所有组件的性能指标数据；步骤S3：判断各组件是否存在与其有关联关系的组件，若为是，则执行步骤S4，反之，则执行步骤S5；步骤S4：将两个组件的数据组合成二元组，计算该二元组的残差值，并输入至该二元组对应的异常预测模型，并执行步骤S6；步骤S5：搜索该组件对应的异常预测模型，将该组件的性能指标数据输入至该组件所对应的异常预测模型，并执行步骤S6；步骤S6：判断模型输出的预测结果，若为是存在异常，则进行报警。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于同济大学，未经同济大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811627720.5/，转载请声明来源钻瓜专利网。
