[发明专利]数据异常检测模型获取方法、装置、设备、介质及产品

说明书

本公开实施例公开了一种数据异常检测模型获取方法、装置、设备、介质及产品，该方法包括：使用CDN内多个预设时序指标中每个时序指标对应的待测时序数据，分别训练预设的多种类型的初始弱分类器，得到每个时序指标对应的多种类型指标分类器；从各时序指标中抽样得到预设数量的样本时序指标对应的样本时序数据及其数据类型；基于样本时序数据及其数据类型，对各类型指标分类器进行评估，得到各类型指标分类器的评估结果；基于各类型指标分类器的评估结果，确定各类型指标分类器的投票权重；生成的数据异常检测模型包括时序指标对应的多种类型的指标分类器及其投票权重。该技术方案可以快速生成接入监测且准确地对大规模时序数据进行异常检测。

技术领域

本公开实施例涉及数据处理技术领域，具体涉及一种数据异常检测模型获取方法、装置、设备、介质及产品。

背景技术

数据，已经渗透到当今每一个行业和应用职能领域,成为重要的生产因素。在数据技术时代，数据主要都是随时间变化的时序数据，日常的时序数据异常检测非常重要，一旦发生数据异常影响不可估量。所谓异常检测就是监测并发现数据中不符合正常行为的异常模式。它已广泛用于交易监测、故障诊断、疾病检测、入侵检测、身份辨识等领域。例如商家退货比例飙升可能是竞争对手恶意刷单，网络流量的异常可能意味着受攻击主机上敏感信息的泄密，信用卡的异常消费等欺诈行为会导致巨大的经济损失。目前，业界常用的数据异常检测方法是基于统计方法的异常检测和基于深度学习的异常检测，这两种方法都是应用服务运行后采集历史时序数据、对历史时序数据进行分析和打标后进行时序预测模型的训练，通过训练好的时序预测模型来预测当前时序数据是否出现异常。这类方案使用的时序预测模型是定制化的模型，只有对特定类型的时序数据的预测可以达到很好的准确性，但在实际应用中，需要检测的时序数据体量规模很大，不同时序指标的时序数据的特征有很大差别，甚至不同维度对象的同一类时序数据的特征差别都很大，仅使用特定类型的时序预测模型无法取得准确的检测结果；而且应用功能变化快，服务指标接入检测的周期很短，使用现有的方案需要进行长时间的训练才能得到准确的预测模型进行数据检测，无法快速接入检测。

发明内容

本公开实施例提供一种数据异常检测模型获取方法、装置、设备、介质及产品。

第一方面，本公开实施例中提供了一种数据异常检测模型获取方法。

具体的，所述数据异常检测模型获取方法，包括：

使用内容分发网络CDN内多个预设时序指标中每个时序指标对应的待测时序数据，分别训练预设的多种类型的初始弱分类器，得到每个时序指标对应的多种类型指标分类器；

从各时序指标中抽样得到预设数量的样本时序指标，获取所述样本时序指标对应的样本时序数据及其数据类型，所述数据类型包括异常数据和正常数据；

基于所述样本时序指标对应的样本时序数据及其数据类型，对各类型指标分类器进行评估，得到各类型指标分类器的评估结果；

基于各类型指标分类器的评估结果，确定各类型指标分类器的投票权重；

生成数据异常检测模型，所述数据异常检测模型包括每个时序指标对应的多种类型的指标分类器以及各类型指标分类器的投票权重。

结合第一方面，本公开在第一方面的第一种实现方式中，其中，所述基于所述样本时序指标对应的样本时序数据及其数据类型，对各类型指标分类器进行评估，得到各类型指标分类器的评估结果，包括：

基于所述样本时序指标对应的样本时序数据及其数据类型，对所述样本时序指标对应的多种类型指标分类器进行评估，得到所述样本时序指标对应的多种类型指标分类器的评估结果；

基于各样本时序指标对应的同一类型的各指标分类器的评估结果，确定同一类型指标分类器的综合评估结果。