针对微服务系统的异常检测方法、系统及相关设备.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115934474A(43)申请公布日2023.04.07(21)申请号202211647974.X(22)申请日2022.12.21(71)申请人南方科技大学地址518055广东省深圳市南山区桃源街道学苑大道1088号(72)发明人周思奇展鹇刘烨庞(74)专利代理机构深圳市君胜知识产权代理事务所(普通合伙)44268专利代理师孙果(51)Int.Cl.G06F11/30(2006.01)G06N3/006(2023.01)权利要求书2页说明书14页附图5页(54)发明名称针对微服务系统的异常检测方法、系统及相关设备(57)摘要本发明公开了一种针对微服务系统的异常检测方法、系统及相关设备，方法包括：获取训练信息集合，包括训练数据、异常检测算法、组合优化算法、种群规模、迭代次数阈值和可行解长度；获取微服务系统在待检测时刻的待检测数据集合，包括多个候选指标；根据种群规模、可行解长度以及候选指标初始化可行解种群，其中包括多个可行解个体，一个可行解个体由至少一个候选指标构成；根据训练数据、异常检测算法和可行解种群进行迭代训练，满足预设训练条件时获得目标可行解种群；将目标可行解种群中最适应个体的适应度作为异常分数。本发明有利于提高微服务系统异常检测的准确性。CN115934474ACN115934474A权利要求书1/2页1.一种针对微服务系统的异常检测方法，其特征在于，所述方法包括：获取训练信息集合，其中，所述训练信息集合中包括训练数据、异常检测算法、组合优化算法、种群规模、迭代次数阈值和可行解长度，所述训练数据是微服务系统对应的正常状态数据；获取所述微服务系统在待检测时刻的待检测数据集合，其中，所述待检测数据集合中包括多个候选指标；根据所述种群规模、所述可行解长度以及所述候选指标初始化可行解种群，其中，所述可行解种群中包括多个可行解个体，一个所述可行解个体由至少一个所述候选指标构成；根据所述训练数据、所述异常检测算法和所述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，其中，在一次迭代过程中根据所述组合优化算法更新一次所述可行解种群，在下一次迭代过程中根据更新后的所述可行解种群进行训练，所述预设训练条件包括迭代次数超过所述迭代次数阈值；将所述目标可行解种群中最适应个体的适应度作为待检测时刻所述微服务系统的异常分数，其中，所述最适应个体是所述目标可行解种群中适应度最高的可行解个体。2.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述多个候选指标包括所述微服务系统中各个容器的中央处理器利用率以及所述微服务系统中各个机器的内存利用率。3.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述根据所述种群规模、所述可行解长度以及所述候选指标初始化可行解种群，包括：将各所述候选指标进行随机组合，获得所述种群规模个可行解个体，其中，每一个所述可行解个体中候选指标的个数根据所述可行解长度确定；根据所有所述可行解个体初始化所述可行解种群。4.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述根据所述训练数据、所述异常检测算法和所述可行解种群进行迭代训练，直到满足预设训练条件，以获得训练完成时的目标可行解种群，包括：根据所述训练数据、所述异常检测算法和所述可行解种群训练获取各所述可行解个体对应的异常检测模型，通过各所述可行解个体对应的异常检测模型计算获取各所述可行解个体对应的适应度；根据所述适应度和所述组合优化算法更新所述可行解种群，并继续执行所述根据所述训练数据、所述异常检测算法和所述可行解种群训练获取各所述可行解个体对应的异常检测模型的步骤，直至满足所述预设训练条件，将训练完成时的可行解种群作为所述目标可行解种群。5.根据权利要求1所述的针对微服务系统的异常检测方法，其特征在于，所述组合优化算法为元启发式算法。6.根据权利要求5所述的针对微服务系统的异常检测方法，其特征在于，所述异常检测算法是预设检测算法集合中的任意一种算法，所述组合优化算法是预设优化算法集合中的任意一种算法，其中，所述预设检测算法集合中包括局部离群因子算法、K近邻算法和高斯混合模型算法，所述预设优化算法集合中包括人工生态系统优化算法、生物地理学优化算法、遗传算法、和声搜索算法和粒子群优化算法。2CN115934474A权利要求书2/2页7.根据权利要求1‑6任意一项所述的针对微服务系统的异常检测方法，其特征在于，所述异常分数是所述微服务系统在待检测时刻的异常概率。8.根据权利要求1‑6任意一项所述的针对微服务系统的异常检测方法，其特征在于，在所述将所述目标可行解种群中最适应个体的适应度作为待检测时刻所述微服务系统的异常分数之后，所述方法还