一种异常情况的检测方法、装置和设备与流程

技术特征：
1.一种异常情况的检测方法，其特征在于，包括：获取在目标时间段内目标系统的初始运行参数集；其中，所述运行参数集中包含多组运行参数；对所述初始运行参数集进行预处理，得到目标运行参数集；其中，所述目标运行参数集中的各组运行参数按照时间顺序排列；根据所述目标运行参数集，利用检测模型确定目标系统在所述目标时间段内的运行情况；其中，所述运行情况用于表征目标系统是否存在异常，所述检测模型是预先利用lightgbm训练得到的用于检测系统是否存在异常的模型。2.根据权利要求1所述的方法，其特征在于，在根据所述目标运行参数集，利用检测模型确定目标系统在所述目标时间段内的运行情况之后，还包括：在根据所述运行情况确定所述目标系统存在异常的情况下，所述目标系统根据在所述目标时间段内的运行情况进行运维操作。3.根据权利要求2所述的方法，其特征在于，所述运维操作包括：运行情况展示、运行情况反馈、运行情况记录、负载均衡、网络限流、服务限流、资源动态扩容、主备切换。4.根据权利要求1所述的方法，其特征在于，每组运行参数包括：业务成功率、系统成功率、cpu使用率、内存使用率、服务响应时间、服务耗时、网络速率、监控报文。5.根据权利要求1所述的方法，其特征在于，对所述初始运行参数集进行预处理，得到目标运行参数集，包括：对所述初始运行参数集进行数据清洗，得到目标运行参数集。6.根据权利要求1所述的方法，其特征在于，在根据所述目标运行参数集，利用检测模型确定目标系统在所述目标时间段内的运行情况之前，还包括：获取所述目标系统在预设时间范围内的历史运维信息集；其中，所述历史运维信息集中包含多组运维信息，每组运维信息中包含预设时间段内的运行信息和故障标签，所述故障标签用于表征系统是否存在异常；对所述历史运维信息集进行预处理，得到训练样本信息集；其中，所述训练样本信息集中包含多组训练样本，每组训练样本中的运维信息按照时间顺序排列；基于所述训练样本信息集，利用lightgbm和自步集成学习算法训练得到检测模型；其中，所述自步集成学习算法用于平衡所述训练样本信息集中的正样本和负样本。7.根据权利要求6所述的方法，其特征在于，所述预处理包括：噪声过滤、数据清洗、数据相关性分析、主成分分析。8.根据权利要求6所述的方法，其特征在于，在基于所述训练样本信息集，利用lightgbm和自步集成学习算法训练得到检测模型之后，还包括：按照预设时间间隔更新所述训练样本信息集；基于更新后的训练样本信息集，利用lightgbm和自步集成学习算法训练得到更新后的检测模型。9.一种异常情况的检测装置，其特征在于，包括：获取模块，用于获取在目标时间段内目标系统的初始运行参数集；其中，所述运行参数集中包含多组运行参数；预处理模块，用于对所述初始运行参数集进行预处理，得到目标运行参数集；其中，所
述目标运行参数集中的各组运行参数按照时间顺序排列；确定模块，用于根据所述目标运行参数集，利用检测模型确定目标系统在所述目标时间段内的运行情况；其中，所述运行情况用于表征目标系统是否存在异常，所述检测模型是预先利用lightgbm训练得到的用于检测系统是否存在异常的模型。10.一种异常情况的检测设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至8中任一项所述方法的步骤。11.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至8中任一项所述方法的步骤。

技术总结
本说明书实施例提供了一种异常情况的检测方法、装置和设备，涉及人工智能技术领域，其中，该方法包括：获取在目标时间段内目标系统的初始运行参数集；对初始运行参数集进行预处理，得到目标运行参数集；目标运行参数集中的各组运行参数按照时间顺序排列；根据目标运行参数集，利用检测模型确定目标系统在所述目标时间段内的运行情况；运行情况用于表征目标系统是否存在异常，所述检测模型是预先利用LightGBM训练得到的用于检测系统是否存在异常的模型。在本说明书实施例中，利用检测模型可以准确地在故障影响范围较小、甚至在故障发生以前检测到目标系统的异常，以便及时对目标系统进行维护，使系统运维工作更加高效地进行。行。行。


技术研发人员：胡艳霞 徐林嘉
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2021.07.29
技术公布日：2021/10/23