预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共16页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905845A(43)申请公布日2023.04.04(21)申请号202211280408.X(22)申请日2022.10.19(71)申请人中能融合智慧科技有限公司地址100013北京市东城区和平里东街11号8号楼三层3-D1号(72)发明人赵帅徐琳贺铮刘长川(74)专利代理机构北京正和明知识产权代理事务所(普通合伙)11845专利代理师刘阳阳(51)Int.Cl.G06F18/2135(2023.01)G06F18/214(2023.01)G06F18/2411(2023.01)权利要求书3页说明书8页附图4页(54)发明名称数据中心异常检测方法、系统、设备及存储介质(57)摘要本申请涉及一种数据中心异常检测方法、系统、设备及存储介质,包括获取监测数据;将获取的所述监测数据基于线性变换将高维数据重构为一组各维度线性无关的低维数据;基于构建的自编码器对降维后得到的所述低维数据进行训练并输出预测值;将训练后得到的所述预测值与获取的真实值进行比对以进行异常检测;通过使用主成成分分析获取的监测数据,将高维监测数据投影为低维有效的特征空间,使用正常样本来训练一个自编码器,可以快速预测某时刻下数据中心的设备是否处于异常状态,在异常发生后,使用高斯核函数的支持向量机得出预测值,来对异常进行分类,从而提高异常处理的效率,加强数据中心的预防性维护,降低计算成本使运维更加智能化的效果。CN115905845ACN115905845A权利要求书1/3页1.一种数据中心异常检测方法,其特征在于,该方法包括:获取监测数据;将获取的所述监测数据基于线性变换将高维数据重构为一组各维度线性无关的低维数据;基于构建的自编码器对降维后得到的所述低维数据进行训练并输出预测值;将训练后得到的所述预测值与获取的真实值进行比对以进行异常检测。2.根据权利要求1所述的数据中心异常检测方法,其特征在于,所述获取监测数据,包括:获取cpu信息XCPU、内存信息Xmem、磁盘信息Xdisk、物理环境信息Xphy以及进程信息Xthread;基于获取得到的所述监测数据用于主成成分分析的高维数据,并通过公式(1)进行描述,X=(Xcpu,Xmem,Xdisk,Xphy,Xthread)(1)。3.根据权利要求2所述的数据中心异常检测方法,其特征在于,所述将获取的所述监测数据基于线性变换将高维数据重构为一组各维度线性无关的低维数据,包括:将获取的所述监测数据进行特征矩阵并进行转置,特征矩阵通过公式(2)进行描述,式中,Xtrain为X经过预处理后的样本特征;对转置的所述监测数据进行特征缩放,通过公式(3)进行描述,式中,μi为xi的均值,为获取的所述监测数据特征矩阵中的第i列第j行数据;计算协方差矩阵,并计算特征值及特征向量,通过公式(4)进行描述,取前k个特征向量作为降维矩阵ξ,最终得到降维后的数据矩阵通过公式(5)进行描述,2CN115905845A权利要求书2/3页其中降维后矩阵的每一列为一个数据降维后的特征表示,得到正常样本。4.根据权利要求3项所述的数据中心异常检测方法,其特征在于,所述将获取的所述监测数据基于线性变换将高维数据重构为一组各维度线性无关的低维数据,还包括:将少量的异常数据投影到降维后得到的所述正常样本中,得到异常数据的降维表示。5.根据权利要求3所述的数据中心异常检测方法,其特征在于,所述基于构建的自编码器对降维的所述低维数据进行训练输出预测值包括:基于降维后得到的所述正常样本计算重构误差;基于降维后得到的所述正常样本的一半计算高斯分布概率以及所述正常样本的另一半计算加权对数概率;将得到的所述正常样本计算的所述重构误差以及计算的所述高斯分布概率、加权对数概率通过以下公式计算得到损失函数,以实现对所述正常样本的训练,所述损失函数通过公式(6)进行描述,式中,x(i)指降维后得到的原特征,指编码器生成的重构特征,p(x(i)|N(μ,σ2)指的是服从高斯分布的概率。6.根据权利要求4所述的数据中心异常检测方法,其特征在于,所述基于构建的自编码器对降维的所述低维数据进行训练输出预测值,还包括:基于构建的自编码器对降维的所述异常数据进行训练并引入高斯核函数的支持向量机对所述异常数据进行分类分析。7.根据权利要求6所述的数据中心异常检测方法,其特征在于,所述基于构建的自编码器对降维的所述异常数据进行训练并引入高斯核函数的支持向量机对所述异常数据进行分类分析,具体包括:基于获取的所述异常数据线性不可分,采用非线性的高斯核函数使所述异常数据在高维空间中线性可分;基于通过高斯核函数处理后的所述异常数据通过边界函数计算出分类的所述异常数据预测值,通过公式(7)进行描述,式中,f(x)为分类的边界函数,k(