1.一种基于迁移学习的跨域模型训练方法,其特征在于,应用于日志异常检测,包括以下步骤:A1、对源系统日志消息和目标系统日志消息进行滑动窗口划分处理,得到对应的源系统日志序列和目标系统日志序列;
A2、对所述源系统日志序列与所述目标系统日志序列进行等量划分处理,得到日志序列对,所述日志序列对包括第一子序列集和第二子序列集,所述第一子序列集和所述第二子序列集均包括多个日志序列;
A3、对所述源系统日志消息和所述目标系统日志消息进行解析处理和转换处理,得到日志模板向量;
A4、根据所述日志序列对、所述日志模板向量以及总损失函数,进行模型训练,得到训练好的长短时记忆网络LSTM模型和超球面模型;
其中,所述总损失函数包括:超球面损失函数、对齐损失函数和均匀损失函数,所述对齐损失函数用于对齐或拉近同一对日志序列特征的距离,所述均匀损失函数用于使所述日志序列特征均匀分布在超球面上;
所述等量划分处理的处理过程为:将源系统与目标系统日志进行滑动窗口切分后,得到源系统日志序列与多个目标系统日志序列,将源系统日志序列与多个目标系统日志序列混合随机打乱后,划分成两个等量的子数据集,作为后续模型的输入;源系统和目标系统的日志序列不进行区分,随机混合切分。
2.根据权利要求1所述的基于迁移学习的跨域模型训练方法,其特征在于,所述超球面损失函数为:;
其中,表示所述第一子序列集经过所述LSTM模型提取后形成的第一日志序列特征集,表示所述第二子序列集经过所述LSTM模型提取后形成的第二日志序列特征集,表示单个日志序列特征,C表示超球面球心特征;
所述总损失函数为:
;
其中,、是平衡三个损失函数的超参数,表示对齐损失函数,表示均匀损失函数,表示超球面损失函数。
3.根据权利要求2所述的基于迁移学习的跨域模型训练方法,其特征在于,所述对齐损失函数为:;
其中,表示所述第一日志序列特征集中第i个所述日志序列特征,表示所述第二日志序列特征集中第i个所述日志序列特征,表示单个日志序列特征集中的日志序列特征总数。
4.根据权利要求2或3所述的基于迁移学习的跨域模型训练方法,其特征在于,所述均匀损失函数为:;
其中,表示自然对数的底数,表示所述第一日志序列特征集中第i个所述日志序列特征,表示所述第二日志序列特征集中第i个所述日志序列特征,表示单个日志序列特征集日志序列特征总数。
5.根据权利要求1所述的基于迁移学习的跨域模型训练方法,其特征在于,所述A2,包括:A21、将所述源系统日志序列和所述目标系统日志序列混合并随机打乱,得到混合日志序列;
A22、将所述混合日志序列划分为两个等量的子日志序列集,得到所述日志序列对。
6.根据权利要求1所述的基于迁移学习的跨域模型训练方法,其特征在于,还包括:基于所述LSTM模型提取所述日志序列特征,调整并确定决策边界,所述决策边界用于区分正常日志序列特征和异常日志序列特征,得到决策边界距离,所述决策边界距离为所述决策边界至所述超球面模型球心的距离。
7.一种基于迁移学习的跨域日志异常检测方法,其特征在于,所述日志异常检测方法通过LSTM模型和超球面模型实现,所述LSTM模型和所述超球面模型根据权利要求1-6任一项所述的模型训练方法训练得到,所述日志异常检测方法包括以下步骤:B1、对待检测的目标系统日志消息进行滑动窗口切分处理,得到目标系统日志序列;
B2、将所述目标系统日志序列解析为日志模板,根据所述日志模板,得到日志模板向量;
B3、将所述日志模板向量输入训练好的所述LSTM模型,得到日志序列特征集,所述日志序列特征集包括多个日志序列特征;
B4、将所述日志序列特征输入训练好的所述超球面模型,得到异常检测结果。
8.根据权利要求7所述的基于迁移学习的跨域日志异常检测方法,其特征在于,所述B4,包括:B41、计算所述日志序列特征至所述超球面模型球心的第一距离;
B42、比较所述第一距离与决策边界距离的大小,得到比较结果;
B43、根据所述比较结果,得到异常检测结果。
9.一种终端设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于读取所述存储器中的计算机程序并执行如权利要求1-6任一项所述的基于迁移学习的跨域模型训练方法或者如7-8任一项所述的基于迁移学习的跨域日志异常检测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的基于迁移学习的跨域模型训练方法或者如7-8任一项所述的基于迁移学习的跨域日志异常检测方法。