CN119293490A 基于深度学习的异常检测和处理方法及系统 （江苏保旺达软件技术有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN119293490A(43)申请公布日2025.01.10

(21)申请号202411826578.2

(22)申请日2024.12.12

(71)申请人江苏保旺达软件技术有限公司

地址210000江苏省南京市星火路9号A座

601-603室

(72)发明人刘险峰钟丹东

(74)专利代理机构南京瀚源专利代理事务所(普通合伙)32770

专利代理师苗奎

(51)Int.CI.

GO6F18/213(2023.01)

GO6F18/25(2023.01)

GO6F18/2431(2023.01)

GO6N3/042(2023.01)

GO6N3/08(2023.01)

权利要求书4页说明书13页附图2页

(54)发明名称

基于深度学习的异常检测和处理方法及系

统

(57)摘要

CN119293490A本发明涉及电数字数据处理技术领域，具体为基于深度学习的异常检测和处理方法及系统。本发明首先对日志文本序列、日志时间戳序列和运行状态指标序列集合进行特征提取和融合，得到初始特征向量序列；然后构建层次化图神经网络对初始特征向量序列进行特征更新、传播和融合，得到多层次融合特征向量序列，结合日志文本序列和运行状态指标序列集合计算标准化模式向量序列，根据标准化模式向量序列得到自适应异常阈值并检测候选异常日志；最后对候选异常日志进行验证，确定已验证异常日志，对已验证异常日志进行分类，根据分类结果生成处理建

CN119293490A

获取日志文本序列、日志时间戳序列和对应时间的运

获取日志文本序列、日志时间戳序列和对应时间的运行状态指标序列集合

构建特征提取网络，根据日志文本序列提取语义特征

向量序列，根据日志时间戳序列提取时序特征向量序

列，根据运行状态指标序列集合提取状态特征向量序

列；将语义特征向量序列、时序特征向量序列和状态

特征向量序列进行融合得到初始特征向量序列

构建层次化图神经网络对初始特征向量序列进行特征更新、传播和融合，得到多层次融合特征向量序列

构建候选异常检测网络，根据日志文本序列、运行状

态指标序列集合和多层次融合特征向量序列计算标准

化模式向量序列；根据所标准化模式向量序列得到自

适应异常阈值并检测候选异常日志

构建异常验证处理网络，对候选异常日志进行验证，确定已验证异常日志；对已验证异常日志进行分类，得到异常类别和异常原因类别；根据异常类别和异

常原因类别生成处理建议文本并进行预警提示

CN119293490A权利要求书1/4页

2

1.基于深度学习的异常检测和处理方法，其特征在于，包括：

获取日志文本序列、日志时间戳序列和对应时间的运行状态指标序列集合；所述运行状态指标序列集合包括k个运行状态指标序列；

构建特征提取网络，根据所述日志文本序列提取语义特征向量序列，根据所述日志时间戳序列提取时序特征向量序列，根据所述运行状态指标序列集合提取状态特征向量序列；将所述语义特征向量序列、所述时序特征向量序列和所述状态特征向量序列进行融合得到初始特征向量序列；

构建层次化图神经网络对所述初始特征向量序列进行特征更新、传播和融合，得到多层次融合特征向量序列；所述层次化图神经网络包括消息层、会话层和系统层；

构建候选异常检测网络，根据所述日志文本序列、所述运行状态指标序列集合和所述多层次融合特征向量序列计算标准化模式向量序列；根据所述标准化模式向量序列得到自适应异常阈值并检测候选异常日志；

构建异常验证处理网络，对所述候选异常日志进行验证，确定已验证异常日志；对所述已验证异常日志进行分类，得到异常类别和异常原因类别；根据所述异常类别和所述异常原因类别生成处理建议文本并进行预警提示。

2.根据权利要求1所述的基于深度学习的异常检测和处理方法，其特征在于，根据所述日志文本序列提取语义特征向量序列包括：

根据日志模板匹配规则对所述日志文本序列进行预处理，得到标准化日志模板序列；

根据预训练的词向量模型将所述标准化日志模板序列中的每个标准化日志模板转换为词向量，得到词向量序列；

通过多头自注意力机制处理所述词向量序列，得到语义特征向量序列。

3.根据权利要求1所述的基于深度学习的异常检测和处理方法，其特征在