-
公开(公告)号:CN118277139A
公开(公告)日:2024-07-02
申请号:CN202211720586.X
申请日:2022-12-30
Applicant: 中兴通讯股份有限公司 , 南开大学
Abstract: 本申请公开了一种系统日志异常检测方法、装置、设备及介质,属于系统日志技术领域。对日志文本进行语义分析,提取出日志文本中的近、反义词对;基于近、反义词对的词对信息对日志文本进行模板解析,生成日志模板;基于近、反义词对微调句向量生成模型,使用微调后的句向量生成模型生成日志模板对应的句向量;基于句向量初始化预设预测模型,根据初始化之后的预测模型检测日志文本中的异常。通过分析系统日志的语义特征与序列特征,综合判断系统日志是否出现异常。从而使得预测模型可以同时关注到系统日志的语义和序列信息,以更加准确地编码日志正常模式,最终解决难以准确检测出系统日志的异常的问题。
-
公开(公告)号:CN117291231A
公开(公告)日:2023-12-26
申请号:CN202311279190.0
申请日:2023-09-28
Applicant: 云账户技术(天津)有限公司 , 南开大学
IPC: G06N3/0455 , G06N3/08 , G06N20/00 , G06F11/07
Abstract: 本发明提供一种基于增量训练的调用链异常检测模型的训练方法及装置,方法包括:将预设的第一时间段划分为多个时间分段;以最早的时间分段为第一时间分段;获取第一历史调用链信息,并根据第一历史调用链信息得到第一调用链信息集合;采用第一调用链信息集合训练调用链异常检测模型得到初始调用链异常检测模型;以其他时间分段为第二时间分段;获取第二历史调用链信息,并根据第二历史调用链信息得到第二调用链信息集合;采用第二调用链信息集合对初始调用链异常检测模型进行增量训练,得到调用链异常检测模型;将调用链异常检测模型存储于服务端。本发明能够缩短训练模型所需的时间,有效提高模型的训练效率。
-
公开(公告)号:CN119440970A
公开(公告)日:2025-02-14
申请号:CN202310955103.2
申请日:2023-07-31
Applicant: 腾讯科技(深圳)有限公司 , 南开大学
IPC: G06F11/34
Abstract: 本申请的实施例公开了一种检测方法、装置、设备及计算机可读存储介质。该方法包括:获取每个实体的指标权重信息;基于每个实体的指标权重信息计算每两个实体在指定时间段内的指标数据序列之间的距离度量信息,得到多个距离度量信息;基于多个距离度量信息从多个实体中确定出基准实体,并基于每个实体的指标权重信息,对每个实体在指定时间段内的指标数据序列与基准实体在指定时间段内的指标数据序列进行相位对齐,得到相位对齐后的指标数据序列;基于相位对齐后的指标数据序列进行模型训练,并基于训练好的模型对待检测实体进行检测。通过该方法,可以减小检测成本。
-
公开(公告)号:CN111930597B
公开(公告)日:2023-09-22
申请号:CN202010813538.X
申请日:2020-08-13
IPC: G06F11/30 , G06F40/216 , G06N3/0442 , G06N3/096 , G06N3/091
Abstract: 本发明涉及网络通信,为能够及时、主动发现服务异常以及时采取应对措施,提高网络中心的稳定性,本发明,基于迁移学习的日志异常检测方法,处理对象为源数据、目标数据:具体包括三部分:1)特征构建部分;形成日志数据的向量序列,作为迁移学习部分的输入;2)迁移学习部分;首先将源数据形成的向量序列输入长短期记忆LSTM网络,对模型参数进行训练;然后将目标数据形成的向量序列输入上一阶段初步训练好参数的模型,并对模型参数进行再次调整3)主动学习部分:迭代地更新数据和模型。本发明主要应用于网络通信日志数据处理场合。
-
公开(公告)号:CN115309575A
公开(公告)日:2022-11-08
申请号:CN202210736465.8
申请日:2022-06-27
Applicant: 南开大学
Abstract: 本发明公开了一种基于图卷积神经网络的微服务故障诊断方法、装置及设备,主要在于能够快速、准确的定位出根因微服务节点,以及判断出微服务故障类型。其中方法包括:采集待诊断的目标微服务在故障前后预设时间段内的告警事件,其中,所述告警事件是基于多模态数据产生的;根据所述告警事件确定所述目标微服务中各微服务节点的告警事件序列;生成所述告警事件序列中各个告警事件的事件向量,基于所述事件向量计算所述各个告警事件所对应微服务节点的节点向量;将各微服务节点的所述节点向量输入训练完成的故障诊断模型,获取故障诊断结果,所述故障诊断结果至少包括根因微服务节点的定位结果以及微服务故障类型的预测结果。
-
公开(公告)号:CN114861753B
公开(公告)日:2025-05-13
申请号:CN202210306441.9
申请日:2022-03-25
Applicant: 南开大学
IPC: G06F18/24 , G06F18/23 , G06N3/0455 , G06N3/0464
Abstract: 本发明公开了一种基于大规模网络的数据分类方法和装置,其中,该方法包括:获取待检测数据;其中,待检测数据包括系统级指标和用户级指标;对待检测数据的多变量时间序列进行平滑和归一化的数据预处理得到预处理数据;将预处理数据输入通过离线聚类训练好的一维卷积自动编码器进行数据压缩处理,并使用离线聚类得到的特征索引执行特征选择,根据特征选择的结果进行距离计算,以进行在线数据分类;基于在线数据分类,输出待检测数据的在线分类结果。本发明可以根据系统实例的正常模式对其进行精确且高效聚类并显著减少异常检测训练开销。
-
公开(公告)号:CN114816901B
公开(公告)日:2025-03-18
申请号:CN202210187810.7
申请日:2022-02-28
Applicant: 南开大学
IPC: G06F11/30 , G06F18/2433 , G06N3/0455 , G06N3/08
Abstract: 本申请提出了一种通过AI的方式对软件变更后的健康状态进行评估的方法,涉及数据分析技术领域,其中,该方法包括:获取待检测的KPI时间序列,并对获取到的KPI时间序列进行中位差检验;若检测到某个数据点高于中位差检验的阈值,则对KPI时间序列的曲线进行无监督异常检测,得到每个点对应的异常分数;将异常分数作为极值理论的输入来确定动态阈值,根据曲线上待检测点的异常分数与此点对应阈值的比较来判断曲线是否有异常点;若曲线有异常点,使用空间回归算法对曲线进行评估,判断异常的种类。采用上述方案的本申请能够快速、准确判断异常是否是由软件变更导致的,从而完成对服务变更的评估,极大提高了服务变更评估的效率。
-
公开(公告)号:CN115357418A
公开(公告)日:2022-11-18
申请号:CN202210705260.3
申请日:2022-06-21
Applicant: 南开大学
Abstract: 本发明公开了一种微服务故障检测方法、装置、存储介质及计算机设备,主要在于能够提高微服务故障的检测精度。其中包括:获取微服务系统在各时间窗口下的多模态数据;对所述多模态数据分别进行异常检测,得到所述各时间窗口下多模态数据分别对应的异常事件;根据所述多模态数据分别对应的异常事件,确定所述各时间窗口下的异常事件序列;对所述异常事件序列进行特征提取,得到所述异常特征向量;将所述异常特征向量输入至预设故障检测模型中进行故障检测,得到所述微服务系统的故障检测结果。
-
公开(公告)号:CN113568819A
公开(公告)日:2021-10-29
申请号:CN202110132371.5
申请日:2021-01-31
Applicant: 腾讯科技(深圳)有限公司 , 南开大学
IPC: G06F11/34
Abstract: 本申请属于人工智能技术领域,具体涉及一种异常数据检测方法、装置、介质以及电子设备。该方法包括:对包括多种指标类型的指标数据样本进行聚类处理得到多个样本集群,指标数据样本是按照时间顺序排列的数据序列;以样本集群的聚类中心作为训练样本,训练得到与样本集群相对应的基础检测模型,基础检测模型用于检测指标数据中的异常数据;以目标类型的指标数据样本作为训练样本,对目标类型的指标数据样本所在样本集群的基础检测模型进行迁移学习,得到与目标类型相对应的目标检测模型;通过目标检测模型对目标类型的待测指标数据进行异常检测,得到待测指标数据中的异常数据。该方法可以提高异常数据检测效率,降低异常数据检测成本。
-
公开(公告)号:CN111930597A
公开(公告)日:2020-11-13
申请号:CN202010813538.X
申请日:2020-08-13
IPC: G06F11/30 , G06F40/216 , G06N3/04 , G06N3/08
Abstract: 本发明涉及网络通信,为能够及时、主动发现服务异常以及时采取应对措施,提高网络中心的稳定性,本发明,基于迁移学习的日志异常检测方法,处理对象为源数据、目标数据:具体包括三部分:1)特征构建部分;形成日志数据的向量序列,作为迁移学习部分的输入;2)迁移学习部分;首先将源数据形成的向量序列输入长短期记忆LSTM网络,对模型参数进行训练;然后将目标数据形成的向量序列输入上一阶段初步训练好参数的模型,并对模型参数进行再次调整3)主动学习部分:迭代地更新数据和模型。本发明主要应用于网络通信日志数据处理场合。
-
-
-
-
-
-
-
-
-