基于深度学习的报警方法、系统、装置以及电子设备与流程

本申请涉及计算机软件技术领域，尤其涉及基于深度学习的报警方法、系统、装置以及电子设备。

背景技术：

系统报警是现代it企业用于快速发现并解决业务异常的有效机制。

在现有技术中，通常人工配置固定的报警规则，并根据这些规则分析日志，一旦日志分析的结果触发规则中的报警阈值，系统将会发出报警消息，以通知相关技术人员来解决问题。

基于现有技术，我们需要更为智能的报警方案。

技术实现要素：

本申请实施例提供基于深度学习的报警方法、系统、装置以及电子设备，用以解决如下技术问题：基于现有技术，我们需要更为智能的报警方案。

为解决上述技术问题，本申请实施例是这样实现的：

本申请实施例提供的一种基于深度学习的报警方法，包括：

获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

利用所述历史业务数据进行深度学习，得到报警估算模型；

将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

根据所述估算结果，决定是否报警。

本申请实施例提供的一种基于深度学习的报警系统，包括：数据分析平台、深度学习平台、报警平台；

所述数据分析平台获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

所述深度学习平台利用所述数据分析平台获取的所述历史业务数据进行深度学习，得到报警估算模型，以及将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

所述报警平台根据所述深度学习平台得到的所述估算结果，决定是否报警。

本申请实施例提供的一种基于深度学习的报警装置，包括：

获取模块，获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

学习模块，利用所述历史业务数据进行深度学习，得到报警估算模型；

估算模块，将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

报警模块，根据所述估算结果，决定是否报警。

本申请实施例提供的一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

利用所述历史业务数据进行深度学习，得到报警估算模型；

将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

根据所述估算结果，决定是否报警。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：基于深度学习得到的报警估算模型，可以智能地识正常业务场景和/或异常业务场景，有利于减少误报警。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于深度学习的报警方法的流程示意图；

图2为本申请实施例提供的对应于图1的一种基于深度学习的报警系统的结构示意图；

图3为本申请实施例提供的对应于图1的一种基于深度学习的报警系统的工作原理示意图；

图4为本申请实施例提供的对应于图3的一种系统工作流程示意图；

图5为本申请实施例提供的对应于图1的一种基于深度学习的报警装置的结构示意图。

具体实施方式

本申请实施例提供基于深度学习的报警方法、系统、装置以及电子设备。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

为了便于理解，对本申请的方案的核心思想进行说明：引入深度学习的方法进行报警系统的设计，可以赋予系统智能理解业务场景的能力，从而有利于减少误报警；不仅如此，随着数据量的累计，深度学习的成功率将会逐步上升。

下面基于以上核心思想，对本申请的方案进行详细说明。

图1为本申请实施例提供的一种基于深度学习的报警方法的流程示意图。该流程可能的执行主体包括但不限于可作为服务器或者终端的以下设备：个人计算机、中型计算机、计算机集群、手机、平板电脑、智能可穿戴设备、车机等。

图1中的流程可以包括以下步骤：

s102：获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景。

在本申请实施例中，历史业务数据可以是日志，比如，业务日志、应用日志等，日志通常是非结构数据；历史业务数据也可以是业务数据库中的结构数据，比如，业务数据表、索引等。

在本申请实施例中，正常业务场景无需报警，而异常业务场景需要报警，若针对正常业务进了报警，则属于误报警。可以通过人工或者机器方式对历史业务数据进行分析，以确定历史业务数据与正常业务场景或者异常业务场景之间的对应关系。

s104：利用所述历史业务数据进行深度学习，得到报警估算模型。

在本申请实施例中，利用深度学习得到的报警估算模型，可以通过对输入的业务数据进行估算，根据估算结果智能地识别输入的业务数据是否属于正常业务场景，或者是否属于异常业务场景，进而，可以将报警估算模型的输出作为当前是否需要报警的依据。

估算结果可以是报警估算模型的输出，也可以是报警估算模型的输出之前的中间状态数据，比如，神经网络的隐层产生的数据。

本申请实施例对估算结果的表示形式并不做限定，比如可以是数值、向量、布尔值、或者字符串等。

s106：将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果。

在本申请实施例中，待估算的业务数据可以是新产生的需要进行报警监控的业务数据；待估算的业务数据也可以是：通过其他方案(比如，现有技术)进行过报警决策，但是由于不确定报警决策结果是否正确，因此需要进一步验证的业务数据。

s108：根据所述估算结果，决定是否报警。

在本申请实施例中，当决定要报警时，具体的报警动作可以由图1中的流程的执行主体执行，也可以由另一主体执行。

图1所涉及的动作的执行主体可以是同一设备或同一程序，也可以是不同设备或不同程序。比如，步骤s102的执行主体为数据分析平台，步骤s104、s106的执行主体为深度学习平台，步骤s108的执行主体为报警平台；再比如，图1中的流程的各步骤的执行主体均为同一个分布式集群；等等。

通过图1的方法，基于深度学习得到的报警估算模型，可以智能地识正常业务场景和/或异常业务场景，有利于减少误报警。

进一步地，在将报警估算模型实用于智能报警的情况下，可以在实用的同时，继续对当前的报警估算模型进行训练，从而有利于使得报警估算模型的准确性进一步地提高，相比于现有技术中相对固定的报警规则成长性更好。

基于图1的方法，本申请实施例还提供了该方法的一些具体实施方案，以及扩展方案，下面进行说明。

在本申请实施例中，对于步骤s104，所述利用所述历史业务数据进行深度学习，得到报警估算模型，具体可以包括：对所述历史业务数据进行数据清洗处理，得到携带标签的训练数据，所述标签表明其对应的训练数据属于所述正常业务场景还是所述异常业务场景；利用所述训练数据对指定的深度神经网络进行训练，得到报警估算模型。

上一段中的训练方式属于有监督训练，在实际应用中，也可以采用无监督的方式进行训练。

进一步地，所述利用所述训练数据对指定的深度神经网络进行训练，具体可以包括：将所述训练数据输入所述指定的深度神经网络进行特征提取、回归模型计算、损失函数对比、模型调整。一般地，训练过程是迭代进行的，直至训练收敛，进而得到报警估算模型。

本申请的方案可以脱离现有技术独立使用，在这种情况下，对于步骤s102，所述将待估算的业务数据输入所述报警估算模型进行处理前，还可以执行：对业务进行监控；根据所述监控得到的数据，获取所述待估算的业务数据，以用于输入所述报警估算模型进行处理。

本申请的方案也可以配合现有技术使用。比如，用于对现有技术的报警决策结果进行校验，以过滤出无效的报警决策结果，从而有利于防止误报警。在这种情况下，对于步骤s102，所述将待估算的业务数据输入所述报警估算模型进行处理前，还可以执行：获取待校验的报警决策结果；获取所述报警决策结果对应的业务数据，作为所述待估算的业务数据，以用于输入所述报警估算模型进行处理；相应地，对于步骤s108，所述决定是否报警前，还可以执行：根据所述估算结果，确定所述报警决策结果是否为无效结果；若是，可以不进行报警。

在本申请实施例中，为了获得较好的学习效果，图1中用于进行深度学习的历史业务数据往往是海量的，可以基于分布式集群，利用历史业务数据进行深度学习，以高效地完成学习过程。

基于同样的思路，本申请实施例还提供了对应于图1的一种基于深度学习的报警系统，图2为该系统的结构示意图。

该系统包括：数据分析平台201、深度学习平台202、报警平台203；

所述数据分析平台201获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

所述深度学习平台202利用所述数据分析平台201获取的所述历史业务数据进行深度学习，得到报警估算模型，以及将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

所述报警平台203根据所述深度学习平台202得到的所述估算结果，决定是否报警。

可选地，所述历史业务数据包括日志和/或业务数据库中的结构数据。

可选地，所述数据分析平台201获取历史业务数据后，还对所述历史业务数据进行数据清洗处理，得到携带标签的训练数据，所述标签表明其对应的训练数据属于所述正常业务场景还是所述异常业务场景；

所述深度学习平台202利用所述数据分析平台201获取的所述历史业务数据进行深度学习，得到报警估算模型，具体包括：

所述深度学习平台202利用所述训练数据对指定的深度神经网络进行训练，得到报警估算模型。

可选地，所述深度学习平台202利用所述训练数据对指定的深度神经网络进行训练，具体包括：

所述深度学习平台202将所述训练数据输入所述指定的深度神经网络进行特征提取、回归模型计算、损失函数对比、模型调整。

可选地，所述深度学习平台202利用所述历史业务数据进行深度学习，具体包括：

所述深度学习平台202基于分布式集群，利用所述历史业务数据进行深度学习，在这种情况下，深度学习平台202具体可以为分布式深度学习平台。

可选地，所述数据分析平台201在所述深度学习平台202将待估算的业务数据输入所述报警估算模型进行处理前，对业务进行监控，根据所述监控得到的数据，获取所述待估算的业务数据，以用于输入所述报警估算模型进行处理。

可选地，所述数据分析平台201在所述深度学习平台202将待估算的业务数据输入所述报警估算模型进行处理前，获取待校验的报警决策结果，获取所述报警决策结果对应的业务数据，作为所述待估算的业务数据，以用于输入所述报警估算模型进行处理；

所述报警平台203决定是否报警前，还根据所述估算结果，确定所述报警决策结果是否为无效结果。

基于上面对该系统的说明，本申请实施例还提供了该系统的原理示意图，如图3所示。图3具体示出了该系统的组成部分，以及各部分的涉及的关键流程，结合图4进行说明。

图4为本申请实施例提供的对应于图3的一种系统工作流程示意图。

图4中的工作流程主要包括以下步骤：

s402：数据分析平台对业务日志、应用日志和业务数据库中的结构数据进行清洗后，得到训练数据；

s404：分布式深度学习平台利用训练数据进行深度学习，得到报警估算模型，其中，学习过程包含：特征提取、回归模型计算、损失函数对比和模型调整等动作；

s406：分布式深度学习平台还利用得到的报警估算模型，对待估算的业务数据进行处理，得到估算结果；

s408：报警平台根据估算结果，决定是否报警。

基于同样的思路，本申请实施例还提供了对应于图1的一种基于深度学习的报警装置，图5为该装置的结构示意图，该装置可以位于图1中流程的执行主体上，包括：

获取模块501，获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

学习模块502，利用所述历史业务数据进行深度学习，得到报警估算模型；

估算模块503，将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

报警模块504，根据所述估算结果，决定是否报警。

基于同样的思路，本申请实施例还提供了对应的一种电子设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

利用所述历史业务数据进行深度学习，得到报警估算模型；

将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

根据所述估算结果，决定是否报警。

基于同样的思路，本申请实施例还提供了对应的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取历史业务数据，所述历史业务数据反映无需报警的正常业务场景和/或需报警的异常业务场景；

利用所述历史业务数据进行深度学习，得到报警估算模型；

将待估算的业务数据输入所述报警估算模型进行处理，得到估算结果；

根据所述估算结果，决定是否报警。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、装置、电子设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的系统、装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，系统、装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应系统、装置、电子设备、非易失性计算机存储介质的有益技术效果。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(programmablelogicdevice,pld)(例如现场可编程门阵列(fieldprogrammablegatearray，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logiccompiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardwaredescriptionlanguage，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advancedbooleanexpressionlanguage)、ahdl(alterahardwaredescriptionlanguage)、confluence、cupl(cornelluniversityprogramminglanguage)、hdcal、jhdl(javahardwaredescriptionlanguage)、lava、lola、myhdl、palasm、rhdl(rubyhardwaredescriptionlanguage)等，目前最普遍使用的是vhdl(very-high-speedintegratedcircuithardwaredescriptionlanguage)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc625d、atmelat91sam、microchippic18f26k20以及siliconelabsc8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请文件是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。