[发明专利]一种基于自注意力机制的图网络的系统日志检测方法

权利要求书

1.一种基于自注意力机制的图网络的系统日志检测方法，其特征在于，其包括以下步骤：

S1、从系统的主日志文件中收集日志文本数据和系统硬件数据，建立标准的多序列数据源；

S2、建立自注意力图网络模型，并基于标准多序列数据源建立序列间图关系和序列内时序关系；

S3、分别对日志序列进行序列内特征学习，建立频域时序模型；

S4、结合自注意力图网络模型和频域时序模型，建立自注意力时空模型，从空间和时间两个维度学习多序列日志间的关系；

S5、根据判别标准调试自注意力时空模型，将多序列训练数据作为输入进行模型训练得到最优参数模型；

S6、基于最优参数模型，将处理后的待检测多序列日志作为输出，推理结果，定位异常事件发生区域及异常发生时间，并根据硬件数据分析异常原因。

2.根据权利要求1所述的一种基于自注意力机制的图网络的系统日志检测方法，其特征在于，S1具体包括以下步骤：

S1.1、收集系统日志文本序列，基于日志解析器提取日志模板序号，得到日志数字序列；

S1.2、收集硬件序列信息，包括系统的Cpu，Ram，Buffer，Disk信息，按照1条/s的频次收集，写入文件，内容包含各指标信息及对应时间；

S1.3、以秒为单位，建立标准多序列数据源，对日志文本数据及系统硬件数据按照时间维度进行匹配，每条日志数据对应一个底层硬件序列关系，得到标准多序列数据；

S1.4、对硬件数据进行归一化处理，具体处理方法如下：

（1）

其中，为标准数据结果，和是硬件数据样本中的最大和最小值，为硬件数据。

3.根据权利要求1所述的一种基于自注意力机制的图网络的系统日志检测方法，其特征在于，S2中建立自注意力图网络模型的具体步骤包括：

S2.1、利用自注意力机制得到权重矩阵，建立图结构学习层，计算方法如下：

（2）

其中，，和表示所有节点的查询、键和嵌入，权重矩阵是图结构学习层的结果；

2.2、基于权重矩阵，得到当前时刻不同序列之间的权重关系，对不同时刻重复权重矩阵，得到序列时间上所有时刻的空间关系。

4.根据权利要求1所述的一种基于自注意力机制的图网络的系统日志检测方法，其特征在于，S3中建立频域时序模型的具体步骤包括：

S3.1、利用谱域图卷积的方式构建序列内特征，通过图傅里叶变换将输入转换为谱域，公式如下：

（3）

其中，是单位矩阵，是的对角矩阵，是归一化图的拉普拉斯矩阵的特征向量矩阵，是定义为的特征值的对角化矩阵；

S3.2、在建立序列间图关系的基础上，学习序列内部的时序关系，采用一维卷积的方式捕捉时序特征，计算公式如下：

（4）

其中，是一维卷积的输入，是卷积核，是非线性sigmoid函数，是矩阵之间的元素级乘积。

5.根据权利要求1所述的一种基于自注意力机制的图网络的系统日志检测方法，其特征在于，S4中建立自注意力时空模型的具体步骤包括：

S4.1、将每个谱时间图卷积单元通过谱域变换和频域变换捕捉序列之间和序列内部的特征，并将两个单位以残差的形式连接起来；

S4.2、自注意力时空模型中所有模块参数通过数据统一训练，以数据驱动的方式更新所有参数，设置目标损失函数如下：

（5）

其中，是标准输入，为t时刻模型的预测值；

S4.3设定训练策略，将采集数据按照7:2:1的比例划分为训练数据，验证数据和测试数据，利用验证数据来评定是否为最优参数模型。