◆王洋

網(wǎng)絡(luò)運(yùn)維場景中異常檢測算法選擇框架

◆王洋

（黑龍江省軍區(qū)數(shù)據(jù)信息室 黑龍江 150000）

智能模型的建設(shè)過程中往往具有計(jì)算工作復(fù)雜，效率不達(dá)標(biāo)的情況，然而為了完成網(wǎng)絡(luò)運(yùn)維工作，必然要完成模型構(gòu)建。在這一前提下，本文提出的異常檢測算法選擇框架為改善工作量大且復(fù)雜的情況做出了優(yōu)化，提高了效率，同時(shí)降低了人力成本。該算法是根據(jù)KPI數(shù)據(jù)進(jìn)行自動化的適配異常檢測算法，本文對該方法做了詳細(xì)介紹。

時(shí)序數(shù)據(jù)；特征提??；異常檢測

1 時(shí)間序列的數(shù)據(jù)分類概述

時(shí)間序列的分類是異常檢測算法的基礎(chǔ)，下文是時(shí)間序列的論述。

通俗地講，時(shí)間序列是基于距離的時(shí)間分類算法，主要是對測試樣本進(jìn)行分析，選擇與測試樣本相似的訓(xùn)練樣本，將訓(xùn)練樣本作為該測試樣本的類標(biāo)，再用KNN算法、特定距離度量法進(jìn)行有效測算。但是該方法在日常工作中存在一定的局限性，該局限性也導(dǎo)致了獲得的參數(shù)并不精確的情況，因?yàn)樵撍惴ú⑽纯紤]到時(shí)間因素，屆時(shí)歐氏距離將不能對二者的相似性進(jìn)行判斷。

時(shí)間分類算法主要是基于動態(tài)時(shí)間扭曲的最近鄰分類法，通過動態(tài)規(guī)劃能夠?qū)y試樣本與訓(xùn)練樣本的時(shí)間序列構(gòu)建為距離矩陣，在矩陣中找到最優(yōu)的匹配序列。但是這一過程需要大量的計(jì)算和分析，會耗費(fèi)大量的資源來完成這一過程，非常不利于實(shí)際應(yīng)用。所以國內(nèi)外的相關(guān)專家就如何降低其復(fù)雜性展開分析。譬如Jeong等人通過定義一種權(quán)值函數(shù)，讓時(shí)間間隔越小的點(diǎn)，越容易匹配的方式，有效解決了時(shí)間復(fù)雜度問題。

雖然算法各有不同，但是均可獲取時(shí)間序列的重要特征。同時(shí)若想要完成消除噪聲等不利影響，也需要采取以上算法的一種，因?yàn)樵摲椒梢杂行コ裏o效數(shù)據(jù)。

2 異常檢測算法選擇框架架構(gòu)設(shè)計(jì)

基于時(shí)序數(shù)據(jù)智能分析的異常檢測算法選擇框架如圖1所示。

圖1 異常檢測算法選擇框架

具體步驟如下。

（1）服務(wù)端持續(xù)收集各個(gè)時(shí)間的KPI數(shù)據(jù)，并將獲取的數(shù)據(jù)傳遞于服務(wù)端口，該端口中具有儲存模塊，可以完成儲存工作。

（2）將儲存模塊調(diào)取出來后可以對其中的數(shù)據(jù)進(jìn)行收集和分析，之后利用自動排序功能實(shí)現(xiàn)對KPI過去一段時(shí)間的提取。

（3）數(shù)據(jù)預(yù)處理模塊的功能在于精加工數(shù)據(jù)，將缺失的數(shù)據(jù)補(bǔ)充以及降低噪聲等。

圖2是數(shù)據(jù)預(yù)處理的全過程，該過程可見完成數(shù)據(jù)的補(bǔ)充，對于檢測工作具有重要意義。

圖2 數(shù)據(jù)預(yù)處理

（4）建立模式依托于波形分類，具體過程如下。

第一步，針對上述過程獲取的數(shù)據(jù)完成特征鑒別提取。具體需要的特征為長度和極值。之后根據(jù)模塊來完成數(shù)據(jù)的智能化分析。

第二步，采用傅里葉公式完成對應(yīng)的計(jì)算，從而獲取周期。

第三步，根據(jù)上述信息來確認(rèn)不同KPI的波形，然后將其傳送到附屬模塊中。

不同KPI所分析的波形和周期各有不同，但是各類詳細(xì)特征可見圖3。

圖3 時(shí)間序列波形分類算法

（5）選擇合適的算法，根據(jù)以上的波形特征分類并根據(jù)獲取的結(jié)果來自動判定最優(yōu)檢測法。再根據(jù)KPI的不同來確認(rèn)最佳算法，之后根據(jù)特征來確認(rèn)閾值百分比，如圖4所示。

圖4 算法匹配模塊

（6）模型推理模塊的依據(jù)是算法，該算法并非隨意使用的，而是根據(jù)匹配度來確認(rèn)，在確認(rèn)并根據(jù)實(shí)際的特征分析并完善后，進(jìn)行后續(xù)的模擬推理和后續(xù)檢測工作。

3 應(yīng)用實(shí)踐及效果

根據(jù)上述分析，將該算法用于實(shí)踐中，所以該試驗(yàn)選擇了某端口流量KPI——TCP上行比特率。通過分析特征并選擇適合的算法模擬后確認(rèn)時(shí)間序列并提取其中的時(shí)間序列數(shù)據(jù)，該過程見圖5。

圖5 TCP上行比特率時(shí)間序列數(shù)據(jù)

本次截取的數(shù)據(jù)為穩(wěn)定周期時(shí)間類別的數(shù)據(jù)，T=1D。

在完成模型分析并獲取波形圖像后，將結(jié)果發(fā)送給附屬模塊，在經(jīng)過分析后根據(jù)提取的信息來完成后續(xù)命令的傳遞。設(shè)備端口接觸到該信息后，將原始的模型數(shù)據(jù)更新并再次重復(fù)上述過程，最終完成KPI——TCP上行比特率模擬訓(xùn)練并完成該模型后方結(jié)束這一過程。同時(shí)在后續(xù)的訓(xùn)練中，算法參數(shù)根據(jù)獲取的信息來進(jìn)一步調(diào)整完善，從而達(dá)到整個(gè)過程的優(yōu)化，最終也形成了動態(tài)基線，完成該過程也完成了在線異常檢測。

4 結(jié)語

總之，本文的框架相對于傳統(tǒng)的檢測算法更加適合實(shí)際工作。因?yàn)椴粌H可以完成KPI波形的實(shí)時(shí)監(jiān)測，還可以將波形進(jìn)行分類。該分類過程是機(jī)械自動化進(jìn)行的，節(jié)約了成本，也提高了檢測效率。同時(shí)該過程的檢測異常的算法更加復(fù)雜、精密，所以可以用于實(shí)踐中。但是在實(shí)際應(yīng)用中也存在一定的不足。因?yàn)閷W(xué)習(xí)算法方面依然有很大的改進(jìn)空間，若可以克服這一問題會提高優(yōu)化模型的效率，同時(shí)加快異常檢測的效率。

[1]TAKCHUNGFU.A review on time series datamining [J]. Engineering Applications of Artificial Intelligence，2011（24）：164-181.

[2]KEOGHEJ，CHAKRABARTIK，PAZZANIMJ，etal.Dimensionality reduction for fast similarity search in large time series databases [J]. Knowledge and information system，2001（1）3：263-286.

[3]鄭佳爾，秦一焜.一種數(shù)據(jù)異常特征的檢測方法及裝置：中國，CN111090685A[P].2020-05-01.

[4]BAGNALLA，LINESJ，BOSTROMA，etal.The great time series classification bakeoff：are view and experiment alevaluation of recent algorithm advances[J]. DataMining and Knowledge Discovery，2017，31（3）：606-660.

[6]姚熊亮，陳海龍，趙新，等.基于拉伊達(dá)準(zhǔn)則的艦載設(shè)備抗沖擊薄弱環(huán)節(jié)判定[J].中國艦船研究，2007，2（5）：10-14.

[7]鄒汪平.一種基于網(wǎng)絡(luò)安全控制的蜂群算法應(yīng)用研究[J].吉林師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2013（04）.

[8]徐恪，吳建平，吳劍.路由查找算法評價(jià)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].小型微型計(jì)算機(jī)系統(tǒng)，2003（02）.

[9]李臘元，李春林，周繼雄.通信協(xié)議的全局狀態(tài)算法及自穩(wěn)定性[J].小型微型計(jì)算機(jī)系統(tǒng)，1998（11）.