[发明专利]基于图像特征的业务异常检测方法及装置

说明书

技术领域

本申请涉及计算机应用领域，尤其涉及一种基于图像特征的业务异常检测方法及装置。

背景技术

随着计算机网络技术的普及率不断提高，应用场景不断丰富，网络规模在不断扩大，而且各种网络技术也层出不穷。在网络发展带来信息爆炸式发展带来便利的同时，也同时会面临一些新的挑战，尤其是对于一些异常问题的检测。

一方面，网络越复杂，可能出现问题的环节也越多，网络出现异常问题的概率也就更大；另一方面，由于网络结构错综复杂，快速而准确的发现和找到问题根源也更加困难；而且，当某一个网络出现异常问题，该异常问题可能会向依赖该网络的其它网络传播，从而导致依赖该网络的其它网络也会异常。因此，为了保障网络的正常运行，有必要采取有效的措施对网络进行监督和管理，一旦发现业务异常情况，能够及时发现问题，并且迅速解决。

然而，在相关技术中，对网络进行业务异常检测，通常是在后台通过检测网络流量来完成的，而网络中的流量通常并不稳定，因此会影响异常检测的准确度。

发明内容

本申请提出一种基于图像特征的业务异常检测方法，该方法包括：

从目标页面的页面图像中提取图像特征；

将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；

基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。

可选的，所述方法还包括：

基于预设的若干样本页面的页面图像生成图像样本集合；其中，所述图像样本集合中的正常页面的页面图像以及异常页面的页面图像均被标定了对应的识别标签；

分别提取所述图像样本集合中的页面图像的图像特征；

将提取出的图像特征作为训练样本，基于预设的机器学习算法进行训练以得到所述异常检测模型。

可选的，所述异常检测模型为SVM支持向量机模型。

可选的，所述图像特征为图像纹理特征；其中，所述图像纹理特征包括图像全局纹理特征和图像局部纹理特征。

可选的，所述图像全局纹理特征为GLCM灰度共生矩阵特征；所述图像局部纹理特征为LBP局部二值模式特征。

本申请还提出一种基于图像特征的业务异常检测装置，该装置包括：

提取模块，从目标页面的页面图像中提取图像特征；

计算模块，将提取出的所述图像特征输入预设的异常检测模型中进行计算；其中，所述异常检测模型为基于从若干正常页面以及异常界面中提取出的图像特征训练得到的机器学习模型；

检测模块，基于所述异常检测模型的计算结果针对所述目标页面进行异常检测。

可选的，所述提取模块进一步：

基于预设的若干样本页面的页面图像生成图像样本集合；其中，所述图像样本集合中的正常页面的页面图像以及异常页面的页面图像均被标定了对应的识别标签；分别提取所述图像样本集合中的页面图像的图像特征；

所述装置还包括：

训练模块，将提取出的图像特征作为训练样本，基于预设的机器学习算法进行训练以得到所述异常检测模型。

可选的，所述异常检测模型为SVM模型。

可选的，所述图像特征为图像纹理特征；其中，所述图像纹理特征包括图像全局纹理特征和图像局部纹理特征。

可选的，所述图像全局纹理特征为GLCM灰度共生矩阵特征；所述图像局部纹理特征为LBP局部二值模式特征。

本申请中，通过从若干正常页面以及异常界面中提取出的图像特征训练机器学习模型，当需要进行异常检测时，可以从目标页面的页面图像中提取图像特征，并将提取出的图像特征输入异常检测模型中进行计算，然后根据计算结果针对该目标页面进行异常检测；实现了可以完全基于从目标页面的页面图像中提取出的图像特征，在前台完成异常检测，而不再需要在后台通过流量检测来执行异常检测，因而可以提升异常检测的稳定性；同时，通过从正常页面以及异常界面中提取出的图像特征训练机器学习模型，并使用机器学习模型针对目标页面进行异常检测，能够提升异常检测的准确度。

附图说明

图1是本申请一实施例示出的一种基于图像特征的业务异常检测方法的流程图；

图2是本申请一实施例示出的一种异常检测模型的离线训练以及实时使用的流程示意图；

图3是本申请一实施例示出的一种基于图像特征的业务异常检测装置的逻辑框图；