链路异常检测方法以及装置.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CN111314121A(43)申请公布日2020.06.19(21)申请号202010078851.3(22)申请日2020.02.03(71)申请人支付宝（杭州）信息技术有限公司地址310013浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人柳泽波(74)专利代理机构北京智信禾专利代理有限公司11637代理人吴肖肖(51)Int.Cl.H04L12/24(2006.01)H04L12/26(2006.01)权利要求书3页说明书14页附图4页(54)发明名称链路异常检测方法以及装置(57)摘要本说明书实施例提供链路异常检测方法以及装置，其中所述链路异常检测方法包括：获取业务链路中各个业务节点的流量监测数据以及所述业务链路的链路参数信息；分别将对各个业务节点的流量监测数据以及所述链路参数信息进行特征处理获得的特征矩阵输入流量预测模型进行流量预测，并获取输出的各个业务节点在目标时间的预测流量；获取各个业务节点在所述目标时间的真实流量，并根据所述真实流量以及所述预测流量计算生成对应的流量残差序列；利用至少一种异常分析策略对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素对应的业务节点确定为异常节点。CN111314121ACN111314121A权利要求书1/3页1.一种链路异常检测方法，包括：获取业务链路中各个业务节点的流量监测数据以及所述业务链路的链路参数信息；分别将对各个业务节点的流量监测数据以及所述链路参数信息进行特征处理获得的特征矩阵输入流量预测模型进行流量预测，并获取输出的各个业务节点在目标时间的预测流量；获取各个业务节点在所述目标时间的真实流量，并根据所述真实流量以及所述预测流量计算生成对应的流量残差序列；利用至少一种异常分析策略对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素对应的业务节点确定为异常节点。2.根据权利要求1所述的链路异常检测方法，所述利用至少一种异常分析策略对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素对应的业务节点确定为异常节点，包括：利用异常统计算法对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素组合生成第一流量残差子序列；利用异常分类模型对所述第一流量残差子序列中的元素进行异常筛选处理，并将筛选结果中的元素对应的业务节点确定为异常节点。3.根据权利要求1所述的链路异常检测方法，所述利用至少一种异常分析策略对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素对应的业务节点确定为异常节点，包括：利用异常统计算法对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素组合生成第二流量残差子序列；利用异常分类模型对所述第二流量残差子序列中的元素进行异常筛选处理，将筛选结果中的元素组合生成第三流量残差子序列；利用异常筛选规则对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素组合生成第四流量残差子序列；将所述第三流量残差子序列以及所述第四流量残差子序列中的元素对应的业务节点确定为异常节点；其中，所述异常筛选规则根据所述业务链路涉及的业务类型确定。4.根据权利要求3所述的链路异常检测方法，所述利用异常统计算法对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素组合生成第二流量残差子序列，包括：利用至少两种统计方法对所述流量残差序列中的元素进行异常筛选处理，获得对应的至少两种筛选结果；确定所述至少两种筛选结果的交集，将所述交集中的元素组合生成所述第二流量残差子序列。5.根据权利要求1所述的链路异常检测方法，所述分别将对各个业务节点的流量监测数据以及所述链路参数信息进行特征处理获得的特征矩阵输入流量预测模型进行流量预测，并获取输出的各个业务节点在目标时间的预测流量，包括：对各个业务节点的流量监测数据以及所述链路参数信息进行特征处理获得特征矩阵；2CN111314121A权利要求书2/3页分别将所述特征矩阵输入门控循环神经网络模型进行流量预测，获取所述门控循环神经网络模型输出的各个业务节点在所述目标时间的预测流量。6.根据权利要求5所述的链路异常检测方法，所述利用至少一种异常分析策略对所述流量残差序列中的元素进行异常筛选处理，将筛选结果中的元素对应的业务节点确定为异常节点步骤执行之后，还包括：确定异常节点个数，计算所述异常节点个数在所述业务链路中业务节点总数的占比；在所述占比大于预设阈值的情况下，将所述异常节点对应的真实流量添加到训练样本以形成新的训练样本，基于所述新的训练样本对所述门控循环神经网络模型进行优化。7.根据权利要求1所述的链路异常检测方法，所述利用至少一种异常分析策略对所述流量残差序列中的元素进行异常筛选处理，将筛选