1.一种融合Bi-TCN和对抗VAE的KPI异常检测方法,其特征在于,包括如下步骤:S1、数据预处理;
S2、模型初始化,对模型参数进行随机初始化赋值,对参数进行设置;
S3、模型训练,将处理后的数据输入训练模块学习序列的正常模式,变分自编码器的编码器部分使用双向时间卷积网络捕获KPI序列信息,通过两个解码器对经过压缩的数据进行重构,在两个变分编码器之间形成一个对抗训练,以放大包含异常的输入的重构误差;
S4、模型测试,对测试进行相同的数据处理,输入训练好的模型获得重构误差,使用自动阈值方法产生的阈值来判定是否异常;
所述KPI数据是从APM监控工具或日志解析中获得的页面访问量、服务器CPU利用率、路由器内存使用率和交换机吞吐量数据;
S3中,以输入X为例,Bi-TCN残差块如公式(2-5)膨胀卷积计算公式如公式(6-7)所示,其中d表示膨胀率,以2的指数增长(d=1,2,4...),k表示卷积核的大小:Z`=Conv1(X) (2)
Z``=dropout(ReLU(WeightNorm(Dilatedconv(X,k,d)))) (3)Z```=dropout(ReLU(WeightNorm(Dilatedconv(Z``,k,d)))) (4)Z````=ReLU(Z`+Z```) (5)padding=(k-1)*d/2 (6)
S3中,基于对抗的变分自编码器损失函数BTVAE的重构误差如下公式(8-9)所示,KL散度如公式(10)所示,其中n为训练的迭代数,BTVAE(X)表示X经过编码器和解码器的输出;
2.根据权利要求1所述的方法,其特征在于,所述S1的具体步骤如下:S11、缺失值处理,KPI数据普遍存在某一时刻数据缺失的情况,在预处理阶段使用多重插补法对缺失值进行处理;
S12、数据标准化,使用Z-score对KPI数据进行标准化;
S13、使用滑窗大小为W的滑动窗口处理KPI数据,以得到KPI序列用于学习KPI正常模式和异常检测。
3.根据权利要求2所述的方法,其特征在于,所述S12中,采用如下公式:其中,x为原始数据,μ是原始数据的平均值,σ是原始数据的标准差。
4.根据权利要求1所述的方法,其特征在于,S4中,对测试数据也进行缺失值处理和标准化处理,再使用训练好的模型对数据进行编码和解码,以获得最终的异常分数,如下公式所示,其中α和β是异常分数的系数用于衡量对抗训练的比重,α+β=1,score(X)=α||X-BTVAE1(X)||2+β||X-BTVAE2(BTVAE1(X))||2 (11);
使用peak-over-threshold方法作为阈值选择方法,通过交叉验证进行选择最优阈值λ;异常判定公式如下所示,如果异常分数大于或等于阈值被判定为异常,否则为正常。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1~4中任一项所述的融合Bi-TCN和对抗VAE的KPI异常检测方法中的步骤。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~4中任一项所述的融合Bi-TCN和对抗VAE的KPI异常检测方法中的步骤。