一种基于时间序列的服务器多性能指标异常检测方法及装置

技术特征：
1.一种基于时间序列的服务器多性能指标异常检测方法，其特征在于，包括以下步骤：(1)采集服务器性能指标的原始数据和待检测数据，对原始数据和待检测数据进行探索性分析，统计每个指标数据的均值、方差及分位数等属性特征；然后分别对获取的数据进行预处理，包括数据清洗和归一化处理，得到指标数据的有效时域信号；再将有效时域信号进行离散小波变换得到有效频域信号；(2)从步骤(1)处理后的原始数据中选取服务器正常运行状况下的产生的指标数据的有效时域信号和频域信号，截取定长的局部信号，将截取的时频域信号作为基于cnn-lstm的注意力预测模型的训练样本，通过无监督训练方式对预测模型进行训练得到指标数据的预测模型；(3)从步骤(1)处理后的待检测数据中截取定长的时频域局部信号，将截取的信号作为测试样本输入至步骤(2)训练好的指标数据预测模型进行预测，得到待检测指标数据的预测结果；(4)通过步骤(3)获得待检测数据在预测模型上的预测值，根据预测值和实际值计算预测误差；采用指数加权移动平均对预测误差进行优化处理，消除由于指标数据存在突变峰值导致预测误差较大产生的影响；对预测误差进行拟合计算得到异常阈值，若预测误差大于异常阈值则表明服务器指标数据存在异常的时间点数据。2.根据权利要求1所述的一种基于时间序列的服务器多性能指标异常检测方法，其特征在于，所述步骤(1)实现过程如下：从原始标数据中确定包含的恒值特征数据，比较某条数据的最大值与最小值，若最大值与最小值相同则将其视为恒值特征去除；各指标数据值范围不同，对各指标数据分别使用min-max标准化方法将数据映射到[0,1]范围内，得到有效的指标数据时域信号；将所述服务器性能指标数据进行预处理之后得到的时域信号，通过离散小波变换得到指标时序数据的频域信号表示；离散小波变换通过高通滤波和低通滤波器得到的频域信号长度为原始信号长度的一半，通过二次样条插值重构将频域信号扩充至与原始信号长度相同。3.根据权利要求1所述的一种基于时间序列的服务器多性能指标异常检测方法，其特征在于，步骤(2)所述基于cnn-lstm的注意力预测模型包括：时频域特征提取模块，包含两个由一维卷积网络组成的特征提取模块，分别对时频域信号进行卷积操作，提取其空间特征和局部时序特征；时频域特征融合模块，包含一个用于提取特征上下文关系的一维卷积网络和一个软选择操作对时频域特征进行自适应融合，具体过程为：m(z
t
,z
f
)＝σ(conv(gap(z
t
z
f
)))其中，gap为全局平均池化操作，conv为卷积操作，为张量点乘运算，σ表示激活函数，z
t
表示提取得到的时域特征，z
f
表示提取得到的频域特征；采用sigmoid激活函数将数值映射到[0,1]范围内作为各模态特征的权重，首先将时域特征和频域特征进行相加，经过全局平均池化层对全局信息进行整合，使用一维卷积网络学习通道特征的上下文关系，经过激活函数得到每个通道的权重，最后对z
t
和z
f
做加权平均，各自权重分别为m(z
t
,z
f
)和1-m(z
t
,
z
f
)；时空注意力模块，包含一个时间注意力机制和一个空间注意力机制，分别提取服务器指标数据的长时依赖关系和空间依赖关系，具体过程为：首先，对融合后的时频域特征经由bilstm层提取其时序关系，接着对bilstm层的输出特征由时间注意力和tpa注意力机制并行提取其超长时依赖关系和空间依赖关系分别得到时间注意力向量和空间注意力向量，最后经由全连接层得到预测结果。4.根据权利要求1所述的一种基于时间序列的服务器多性能指标异常检测方法，其特征在于，步骤(2)所述通过无监督方式对预测模型进行训练，具体方式为：通过滑动窗口方式从有效时域信号和频域信号中截取定长局部信号，滑动窗口大小根据数据的周期性进行分析得到，滑动步长设置为1，划分后的数据表示为w＝{w1,w2,...,w
n
}，w
i
＝{x1,x2,...,x
l
}，l为窗口长度；每次输入模型一个窗口大小的w
i
数据，根据历史l个数据预测未来某一时刻数据x
l δ
的值，其中δ值设置为6；将均方根误差作为损失函数对预测模型进行训练，通过迭代训练直至模型收敛得到训练好的预测模型。5.根据权利要求1所述的一种基于时间序列的服务器多性能指标异常检测方法，其特征在于，所述步骤(4)实现过程如下：根据预测模型对待检测的服务器性能指标数据进行预测，比较预测值与实际值得到预测误差：其中，表示第i个性能指标t时刻预测模型预测值，表示第i个性能指标t时刻原始数据值；对预测误差进行指数加权移动平均，计算方式为：v
t
＝v
t-1
*α e
t
*(1-α)其中，v
t
是t时刻移动平均结果，e
t
是t时刻的原始值，α为权重，通过设置α可以控制结果的平稳性，减少突变峰值对最终检测效果的影响；根据pot算法对平滑处理后的预测误差进行拟合得到异常阈值：根据pot算法对平滑处理后的预测误差进行拟合得到异常阈值：其中，f(x)为广义帕累托分布，通过最大似然估计得到辅助参数σ和极值指数γ，n为数据总数，q表示期望概率，n
t
表示峰值数，最后通过设置q得到异常阈值。6.一种采用如权利要求1-5任一所述方法的基于时间序列的服务器多性能指标异常检测装置，其特征在于，包括：数据采集模块，对服务器运行指标数据进行采集，包括数据初步分析子模块和指标数据标记子模块；所述数据初步分析子模块查看指定时间段内指标数据的均值、方差及分位数等属性特征；所述指标数据标记子模块用于标记服务器不同运行状态下产生的指标数据；
数据预处理模块，在将数据输入至模型之前对数据进行预处理，得到对应的指标数据特征，包括数据清洗子模块，用于剔除无用的指标数据特征；归一化子模块，将各指标数据的数值范围映射至[0,1]范围内；数据预测模块，包括模态转换子模块、窗口划分子模块和模型更新子模块；所述模态转换子模块，将指标数据的有效的时域信号转换为有效的频域信号；所述窗口划分子模块，用于截取定长的局部时频域信号；将截取的定长时频域数据输入至预测模型，得到相应的指标数据的预测值；所述模型更新子模块，当数据采集模块采集到的正常状态下的指标数据达到预设规模时，选取最新采集得到的数据对预测模型进行训练更新模型参数；异常检测模块，比较数据预测模块输出的预测值与实际值进行异常检测，包括预测误差计算子模块和异常阈值计算子模块；所述预测误差计算子模块将指标数据的预测值与实际值比较得出预测误差，使用指数加权移动平均对预测误差进行平滑处理；所述异常阈值计算子模块根据pot算法对预测误差进行拟合确定异常阈值；若某时刻的预测误差大于异常阈值则将此时刻的状态标记为异常状态。

技术总结
本发明公开了一种基于时间序列的服务器多性能指标异常检测方法及装置，所述方法实现过程如下：采集待检测的原始指标数据，提取有效的时域信号数据，变换得到有效的频域信号；建立基于卷积网络和长短时记忆网络的指标数据预测模型；将指标数据的有效时域信号和频域信号输入到训练好的预测模型，得到指标数据的预测结果；根据预测值和实际值计算指标数据的预测误差，通过指数加权移动平均对上述误差进行处理得到异常评分，根据POT算法确定异常阈值，若异常评分大于异常阈值，表明当前时刻的服务器存在异常状态。本发明能够有效提高在类不平衡情况下的异常数据的识别能力，从而提高整体异常检测精度，具有很好的应用价值。具有很好的应用价值。具有很好的应用价值。


技术研发人员：燕雪峰 张国华
受保护的技术使用者：南京航空航天大学
技术研发日：2022.07.28
技术公布日：2022/11/29