(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111654479.7 (22)申请日 2021.12.3 0 (71)申请人 畅捷通信息技 术股份有限公司 地址 100094 北京市海淀区永丰路9号院3 号楼3层 (72)发明人 郭帆　王胜辉　熊昌伟　 (74)专利代理 机构 北京智乾知识产权代理事务 所(普通合伙) 11552 代理人 王利娟 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的多云数据异常检测方 法和系统 (57)摘要 本发明提出一种基于深度学习的多云数据 异常检测方法和系统。 其中， 方法包括： 将数据的 时间序列输入训练好的深度学习网络， 得到数据 的重构序列； 应用数据的时间序列和数据的重构 序列计算重构误差， 再应用重构误差计算异常分 数阈值； 如果实时的数据的时间序列中的数值超 过所述异常分数阈值， 则认为所述数值为异常 值。 本发明提出的方案， 基于深度学习网络实现 的多云数据异常检测更精准的异常告警， 从而提 高多云数据组件 数据的准确性， 快速定位数据 异 常， 保证多云平台的稳定性和健壮性。 权利要求书2页 说明书7页 附图3页 CN 114332537 A 2022.04.12 CN 114332537 A 1.一种基于深度学习的多云数据异常检测方法， 其特 征在于， 所述方法包括： 步骤S1、 采集多个云平台的数据的时间序列； 将正常的数据的时间序列分成四个子集,其中N1子集用于超参数选择， N2子集用于深 度学习网络训练， N3子集用于 常分数阈值的学习， N4子集用于测试； 将异常数据的时间序列 分为两个子集， A1子集用于学习常 分数阈值， A 2用于测试； 步骤S2、 将所述 N2子集的数据的时间序列输入深度学习网络进行训练， 输出重构序列； 步骤S3、 将所述A1子集的数据的时间序列输入训练好的深度学习网络， 得到A1子集的 数据的重构序列； 步骤S4、 应用所述A 1子集的数据的时间序列和A 1子集的数据的重构序列计算A 1子集的 重构误差， 再应用所述A1子集的重构误差计算异常 分数阈值 τ； 步骤S5、 如果实时的数据的时间序列中的数值超过所述异常分数阈值， 则认为所述数 值为异常值。 2.根据权利要求1所述的一种基于深度 学习的多云数据异常检测方法， 其特征在于， 在 所述步骤S4中， 所述计算异常 分数阈值 τ 的具体方法包括： 应用所述A1子集的重构误差计算A1子集的异常估计阈值a(A1)， 将所述异常估计阈值 作为异常 分数阈值 τ， 具体公式包括： a(·)＝(e(i)‑μ )TΣ‑1(e(i)‑μ ) 其中， μ和Σ为正态分布N( μ,Σ)的参数； e(i)为某子集的重构误差； e(i)＝X(i)‑X’(i)； X(i)为某子集的数据的时间序列； X’(i)为某子集的数据的重构序列； T为转置。 3.根据权利要求2所述的一种基于深度 学习的多云数据异常检测方法， 其特征在于， 在 所述步骤S4中， 所述计算异常 分数阈值 τ 的具体方法还 包括： 应用N3子集的重构误差计算 N3子集的异常估计阈值a(N3)； 应用所述N3子集的异常估计阈值a(N3)计算AUC值， 所述AUC值为ROC曲线下方的面积 值； 将所述AUC值作为异常 分数阈值 τ。 4.根据权利要求3所述的一种基于深度 学习的多云数据异常检测方法， 其特征在于， 在 所述步骤S4中， 所述计算异常 分数阈值 τ 的具体方法还 包括： 应用所述A1子集的重构误差计算所述A1子集的异常估计阈值a(A1)； 应用N3子集的重构误差计算 N3子集的异常估计阈值a(N3)； 应用所述N3子集的异常估计阈值a(N3)计算AUC值， 所述AUC值为ROC曲线下方的面积 值； 取所述A1子集的异常估计阈值与AUC值的较大值作为异常 分数阈值 τ。 5.根据权利要求1所述的一种基于深度 学习的多云数据异常检测方法， 其特征在于， 在 所述步骤S2中， 所述深度学习网络的输入 还包括：权　利　要　求　书 1/2 页 2 CN 114332537 A 2N2子集的数据的统计指标。 6.根据权利要求5所述的一种基于深度 学习的多云数据异常检测方法， 其特征在于， 在 所述步骤S2中， 所述统计指标包括： N2子集的数据的最大值、 N2子集的数据的最小值、 N2子集的数据的均 值、 N2子集的数据 的中位数和N2子集的数据的方差 。 7.根据权利要求1所述的一种基于深度 学习的多云数据异常检测方法， 其特征在于， 在 所述步骤S2中， 所述深度学习网络的输入 还包括： N2子集的数据的时间序列的倒序。 8.一种用于基于深度学习的多云数据异常检测系统， 其特 征在于， 所述系统包括： 第一处理模块， 被 配置为， 采集多个云平台的数据的时间序列； 将正常的数据的时间序列分成四个子集,其中N1子集用于超参数选择， N2子集用于深 度学习网络训练， N3子集用于 常分数阈值的学习， N4子集用于测试； 将异常数据的时间序列 分为两个子集， A1子集用于学习常 分数阈值， A 2用于测试； 第二处理模块， 被配置为， 将所述N2子集的数据的时间序列输入深度学习网络进行训 练， 输出重构序列； 第三处理模块， 被配置为， 将所述A1子集的数据的时间序列输入训练好的深度学习网 络， 得到A1子集的数据的重构序列； 第四处理模块， 被配置为， 应用所述A1子集的数据的时间序列和A1子集的数据的重构 序列计算A1子集的重构误差， 再应用所述A1子集的重构误差计算异常 分数阈值 τ； 第五处理模块， 被配置为， 如果实时的数据的时间序列中的数值超过所述异常分数阈 值， 则认为所述数值 为异常值。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器和处理器， 所述存储器存储有 计算机程序， 所述处理器执行所述计算机程序时， 实现权利要求1至7中任一项所述的一种 基于深度学习的多云数据异常检测方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时， 实现权利要求1至7中任一项所述的一种基于深度 学习的多云数据异常检测方法中的步骤。权　利　要　求　书 2/2 页 3 CN 114332537 A 3