用于检测异常的业务指标的方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112668693A(43)申请公布日2021.04.16(21)申请号202011398067.7(22)申请日2020.12.03(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人陆金星熊涛(74)专利代理机构济南信达专利事务所有限公司37100代理人李世喆(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书10页附图3页(54)发明名称用于检测异常的业务指标的方法和装置(57)摘要本说明书实施例提供了用于检测异常的业务指标的方法和装置。根据实施例的方法，首先将获取的业务指标的原始时间序列数据输入到已训练的神经网络中，由于该已训练的神经网络为从前向后传播的神经网络，且包括一个输入节点和一个输出节点，在训练阶段的目标损失函数包括正则化项，因此可以得到剔除异常值的目标时间序列数据，这提高了目标时间序列数据的准确性；然后可以获得更为准确的原始时间序列数据与目标时间序列数据的残差，从而基于对残差的异常检测结果，可以得到更为准确的异常的业务指标。由于以上方案不需要针对时间序列进行多次参数迭代和人工校准来提高准确率，因此可以提高业务指标异常检测的普适性。CN112668693ACN112668693A权利要求书1/3页1.用于检测异常的业务指标的方法，包括：获取业务指标的原始时间序列数据；将所述原始时间序列数据输入已训练的神经网络，得到已训练的神经网络输出的目标时间序列数据；其中，所述已训练的神经网络为从前向后传播的神经网络，包括一个输入节点和一个输出节点，在训练阶段的目标损失函数包括正则化项；获取所述原始时间序列数据与所述目标时间序列数据的残差；基于对所述残差的异常检测结果，确定异常的业务指标。2.根据权利要求1所述的方法，其中，所述已训练的神经网络在训练阶段基于所述原始时间序列数据的特性，确定以下至少一项：所述正则化项的正则系数；归一化并初始化神经网络的神经元的权重；隐藏层的以下数据：层数和每层的神经元的数量。3.根据权利要求2所述的方法，其中，所述原始时间序列数据的特性，包括以下中的任一项：长度、均值、方差以及自相关性。4.根据权利要求1所述的方法，其中，所述已训练的神经网络采用周期函数作为激活函数。5.根据权利要求1‑4中任一项所述的方法，其中，所述已训练的神经网络在训练阶段的目标损失函数还包括：原始损失函数；所述原始损失函数包括：均方误差函数或平均绝对误差函数；所述已训练的神经网络经由以下训练步骤确定：基于当前训练的神经网络的参数，更新本次训练的所述目标损失函数中的所述原始损失函数和所述正则化项，采用梯度下降算法和反向传播算法更新当前训练的神经网络的参数，并跳转至执行所述训练步骤，直至训练次数达到迭代次数阈值或目标损失函数的返回值小于目标阈值，得到已训练的神经网络。6.根据权利要求5所述的方法，其中，所述采用梯度下降算法和反向传播算法确定当前训练的神经网络的参数，包括：基于预设学习率，确定对当前训练的神经网络的神经元的权重进行调整的学习率；其中，所述预设学习率基于本次训练的目标损失函数与所述原始时间序列数据的特性确定；基于所确定的学习率，采用梯度下降算法和反向传播算法确定当前训练的神经网络的参数。7.根据权利要求6所述的方法，其中，所述基于预设学习率，确定对当前训练的神经网络的神经元的权重进行调整的学习率，包括：基于预设学习率和学习率调整规则，确定对当前训练的神经网络的神经元的权重进行调整的学习率。8.根据权利要求1‑4中任一项所述的方法，其中，所述正则化项为L1范数或L2范数。9.根据权利要求1‑4中任一项所述的方法，其中，所述基于对所述残差的异常检测结果，确定异常的业务指标，包括：基于所述残差与检测门限的比较结果，确定异常的业务指标；或基于所述残差中存在的不符合预设分布的异常点，确定异常的业务指标。2CN112668693A权利要求书2/3页10.用于检测异常的业务指标的装置，包括：第一获取单元，配置为获取业务指标的原始时间序列数据；数据处理单元，配置为将所述原始时间序列数据输入已训练的神经网络，得到已训练的神经网络输出的目标时间序列数据；其中，所述已训练的神经网络为从前向后传播的神经网络，包括一个输入节点和一个输出节点，在训练阶段的目标损失函数包括正则化项；第二获取单元，配置为获取所述原始时间序列数据与所述目标时间序列数据的残差；异常确定单元，配置为基于对所述残差的异常检测结果，确定异常的业务指标。11.根据权利要求10所述的装置，其中，所述已训练的神经网络在训练阶段基于所述原始时间序列数据的特性，确定以下至少