一种异常变更检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种异常变更检测方法、装置、设备及存储介质。该方法包括：根据历史指标数据中历史同期数据样本和随机时刻前后数据样本，生成原始数据样本集；向所述原始数据样本集中原始样本注入噪声，得到训练样本集；将所述训练样本集中训练样本进行组对得到训练样本对，并根据所述训练样本对中训练样本所注入噪声的噪声属性值确定所述训练样本对的训练标签；根据所述训练样本对和训练标签对孪生网络模型进行训练，并根据训练完成的孪生网络模型对待检测指标数据进行处理，得到变更的异常检测结果。本发明专利技术实施例可以提高异常变更的检测准确性，并提高训练样本标注效率。并提高训练样本标注效率。并提高训练样本标注效率。

【技术实现步骤摘要】
一种异常变更检测方法、装置、设备及存储介质


[0001]本专利技术涉及计算机
，尤其涉及一种异常变更检测方法、装置、设备及存储介质。

技术介绍

[0002]如今，各软件厂商越来越依赖于日趋复杂的软件服务系统，而这些软件系统的变更具有高频、不可避免、影响范围大等特点，这也对变更的操作流程和相关代码的质量带来了挑战。即使有针对变更全流程的监控，其仍可能会给软件服务系统引入新的问题，给软件厂商或客户带来经济上的损失。其中，在变更后实时监控，检测软件在变更后是否仍然处于正常状态，是该运维场景的关键所在。
[0003]软件厂商可选择基于对比或异常检测的方法来确定软件在变更后所处状态，前者比较变更前后的指标数据（KPI）是否相似，如果变更之后的数据形态差异较大，则认为此次变更是异常变更，由于没有考虑不同类别指标数据的形态差异性，导致判定的准确率不高，某些基于距离计算的方法也会导致判定效率过低;后者以变更前的指标数据训练模型，再用该模型来预测变更后的指标数据，据此获知变更后数据是否存在异常，由于需要对每条指标数据训练单独的模型，其训练开销过大，计算效率太低。

技术实现思路

[0004]本专利技术提供了一种异常变更检测方法、装置、设备及存储介质，以提高异常变更的检测准确性，并提高训练样本标注效率。
[0005]根据本专利技术的一方面，提供了一种异常变更检测方法，包括：根据历史指标数据中历史同期数据样本和随机时刻前后数据样本，生成原始数据样本集；向所述原始数据样本集中原始样本注入噪声，得到训练样本集；将所述训练样本集中训练样本进行组对得到训练样本对，并根据所述训练样本对中训练样本所注入噪声的噪声属性值确定所述训练样本对的训练标签；根据所述训练样本对和训练标签对孪生网络模型进行训练，并根据训练完成的孪生网络模型对待检测指标数据进行处理，得到变更的异常检测结果。
[0006]根据本专利技术的另一方面，提供了一种异常变更检测装置，包括：原始样本生成模块，用于根据历史指标数据中历史同期数据样本和随机时刻前后数据样本，生成原始数据样本集；训练样本生成模块，用于向所述原始数据样本集中原始样本注入噪声，得到训练样本集；训练样本标注模块，用于将所述训练样本集中训练样本进行组对得到训练样本对，并根据所述训练样本对中训练样本所注入噪声的噪声属性值确定所述训练样本对的训练标签；
变更异常检测模块，用于根据所述训练样本对和训练标签对孪生网络模型进行训练，并根据训练完成的孪生网络模型对待检测指标数据进行处理，得到变更的异常检测结果。
[0007]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的异常变更检测方法。
[0008]根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的异常变更检测方法。
[0009]本专利技术实施例通过向原始样本注入噪声，并根据注入噪声的噪声值来为训练样本对打标，减少生成训练标签过程中的人工参与，降低人工资源消耗；同时，通过孪生网络模型对异常变更进行检测，提高了异常变更检测的准确性。
[0010]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0011]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1是根据本专利技术一实施例提供的一种异常变更检测方法的流程图；图2A是根据本专利技术又一实施例提供的一种异常变更检测方法的流程图；图2B是根据本专利技术又一实施例提供的一种注入噪声的示意图；图3是根据本专利技术又一实施例提供的一种异常变更检测装置的结构示意图；图4是实现本专利技术实施例的电子设备的结构示意图。
具体实施方式
[0013]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0014]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆
盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0015]图1为本专利技术一实施例提供的一种异常变更检测方法的流程图，本实施例可适用于向样本注入噪声，根据注入噪声为样本进行打标，以提高样本标注效率的情况，该方法可以由异常变更检测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于具备相应数据处理能力的电子设备中。如图1所示，该方法包括：S110、根据历史指标数据中历史同期数据样本和随机时刻前后数据样本，生成原始数据样本集。
[0016]S120、向所述原始数据样本集中原始样本注入噪声，得到训练样本集。
[0017]S130、将所述训练样本集中训练样本进行组对得到训练样本对，并根据所述训练样本对中训练样本所注入噪声的噪声属性值确定所述训练样本对的训练标签。
[0018]其中，从数据采集系统中不断地采集机器相关和业务相关的指标，然后将其存储到时序数据库中，作为历史指标数据的数据来源。假设时序数据库中存储节点1
‑
100的时序数据，节点1、10、20、
……
、90和100均为软件服务系统历史变更中的变更节点。历史同期数据样本由时序数据库中同一历史周期位置的时间长度相同的指标数据组成，例如节点22
‑
23（数据样本A）与32
‑
33（数据样本B）组成一份历史同期数据样本。随机时刻前后数据样本为任意随机节点时刻之前和之后时间长度相同的指标数据组成，例如随机时刻为节点8，则随机时刻前后数据样本为可以由节点7
‑
8与8
‑
9组成。需要说明的是，随机时刻可以是时序数据库中任意节点，并非必须是变更节点。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常变更检测方法，其特征在于，所述方法包括：根据历史指标数据中历史同期数据样本和随机时刻前后数据样本，生成原始数据样本集；向所述原始数据样本集中原始样本注入噪声，得到训练样本集；将所述训练样本集中训练样本进行组对得到训练样本对，并根据所述训练样本对中训练样本所注入噪声的噪声属性值确定所述训练样本对的训练标签；根据所述训练样本对和训练标签对孪生网络模型进行训练，并根据训练完成的孪生网络模型对待检测指标数据进行处理，得到变更的异常检测结果。2.根据权利要求1所述的方法，其特征在于，所述将所述训练样本集中训练样本进行组对得到训练样本对，并根据所述训练样本对中训练样本所注入噪声的噪声属性值确定所述训练样本对的训练标签包括：从训练样本集获取第一原始样本、第二原始样本、第一增强样本和第二增强样本；所述第一原始样本和所述第二原始样本互为历史同期数据或随机时刻前后数据；所述第一增强样本通过向第一原始样本注入第一噪声得到，第二增强样本通过向第二原始样本注入第二噪声得到；将所述第一原始样本与第二原始样本组合为训练样本对，并将该训练样本对的训练标签确定为相似负例；将所述第一原始样本与第一增强样本、所述第二原始样本与第一增强样本、第一原始样本与第二增强样本和第二原始样本与第二增强样本分别组合为待标注训练样本对，并根据第一噪声或第二噪声的噪声属性值确定所述待标注训练样本对的训练标签。3.根据权利要求2所述的方法，其特征在于，所述噪声属性值至少包括下述至少一项：噪声幅度、噪声位置和噪声种类。4.根据权利要求2所述的方法，其特征在于，若所述噪声属性值为噪声幅度，则所述根据第一噪声或第二噪声的噪声属性值确定所述待标注训练样本对的训练标签包括：获取原始样本的目标噪声等级，并确定所述目标噪声等级的目标标准噪声幅度；若所述第一噪声的噪声幅度大于所述目标标准噪声幅度，则将存在第一噪声的待标注训练样本对的训练标签，确定为不相似正例；若所述第一噪声的噪声幅度不大于所述目标标准噪声幅度，则将存在第一噪声的待标注训练样本对的训练标签，确定为相似负例；若所述第二噪声的噪声幅度大于所述目标标准噪声幅度，则将存在第二噪声的待标注训练样本对的训练标签，确定为不相似正例；若所述第二噪声的噪声幅度不大...

【专利技术属性】
技术研发人员：温希道，曹立，汤汝鸣，聂晓辉，程世文，
申请(专利权)人：北京必示科技有限公司，
类型：发明
国别省市：