[发明专利]基于深度机器学习模型的异常网络数据生成与预测方法

权利要求书

1.一种基于深度机器学习模型的异常网络数据生成与预测方法，其特征在于，包括：

步骤S1：收集系统组件的历史性能指标数据，并训练异常预测模型，

步骤S2：在线收集系统中所有组件的性能指标数据，

步骤S3：判断各组件是否存在与其有关联关系的组件，若为是，则执行步骤S4，反之，则执行步骤S5，

步骤S4：将两个组件的数据组合成二元组，计算该二元组的残差值，并输入至该二元组对应的异常预测模型，并执行步骤S6，

步骤S5：搜索该组件对应的异常预测模型，将该组件的性能指标数据输入至该组件所对应的异常预测模型，并执行步骤S6，

步骤S6：判断模型输出的预测结果，若为是存在异常，则进行报警；

所述步骤S1具体包括：

步骤S11：收集各个系统组件的历史性能指标数据，并两两组合成二元组，

步骤S12：判断各二元组内的数据是否具有关联关系，若为是，则执行步骤S13，反之，则执行步骤S14，

步骤S13：计算二元组内的数据的残差序列，提取出残差序列中的异常事件与正常事件，然后执行步骤S16，

步骤S14：判断是否还有未判断过关联关系的二元组，若为是，则执行步骤S12，反之，则执行步骤S15，

步骤S15：对于与其他组件无关联关系的组件，提取出该组件历史性能指标中的异常事件与正常事件，然后执行步骤S16，

步骤S16：对于每个二元组或单个的组件数据，使用异常事件与正常事件训练一个基于深度学习的异常预测模型，并保存每个异常预测模型；

所述步骤S12具体包括：

步骤S121：针对任一二元组内的数据，生成一个自回归模型，

步骤S122：评估每一个自回归模型的R均方值：

其中：R²为所求的R均方值，y_t为t时刻y组件的性能指标，为使用给定的自回归模型模型θ对组件y在t时刻的预测值，θ为要评估的自回归模型，为y组件在时间窗口[1,t]内的平均值，N为历史性能指标数据的长度，

步骤S123：判断R均方值是否大于设定阈值，若为是，则存储该自回归模型，反之则丢弃该自回归模型；

所述自回归模型的生成过程具体包括：

步骤A1：输入两个组件x、y的历史正常性能指标[x_t-k,x_t-k-1,…,x_t-k-m]与[y_t,y_t-1,…,y_t-n]，并确定自回归模型系数：

y_t+a₁y_t-1+…+a_ny_t-n＝b₀x_t-k+b₁x_t-k-1+…+b_mx_t-k-m

其中：n，m，k为预设的自回归模型的参数，a₁,…,a_n与b₁,…,b_m为自回归模型系数，

步骤A2：确定自回归模型：

θ＝[a₁,…,a_n,b₁,…,b_m]

所述步骤S4具体包括：

步骤S41：将两个组件的数据[x_t-k,x_t-k-1,…,x_t-k-m]、[y_t-1,y_t-2，…,y_t-n]组合成二元组，

步骤S42：搜索该二元组的自回归模型θ，以[x_t-k,x_t-k-1,…,x_t-k-m]作为输入，预测另一个组件的性能指标预测公式如下：

其中：θ为自回归模型，

步骤S43：计算残差序列，[r_t-L-1,r_t-L-2,…,r_t]残差序列计算公式如下：

其中是由自回归模型θ输出的预测值，y_t是真实的性能指标值，r_t为表征关联关系稳定性的残差值，

步骤S44：搜索该二元组对应的异常预测模型，输入残差值到该模型中；

所述异常预测模型为长短期记忆循环神经网络。