一种基于生成对抗网络的云服务器异常检测方法

本发明属于计算机，涉及一种基于生成对抗网络的云服务器异常检测方法。

背景技术：

1、云计算通常通过互联网提供动态、虚拟化且易于扩展的资源。基于云的云数据中心具有规模大、虚拟化程度高、动态性高、资源共享等特点。这使得云数据中心比传统数据中心更加复杂和不稳定，这也使得云数据中心更容易出现故障。为了确保云数据中心的性能和可靠性，运营商需要持续监控其云服务器中虚拟机(virtual machine vm)的状态。cpu使用率、内存使用率、网络吞吐量等关键绩效指标(key performance indicator，kpi)能够提供对vm运行状态的重要洞察，有助于异常检测和故障排除。为了降低系统事故的成本，首要任务是对这些指标进行异常检测。由于收集的度量数据属于时间序列数据，因此需要一种高效而准确的时间序列异常检测算法。

2、在复杂的云服务器环境中，目前的多维时序数据异常检测方法未能充分考虑不同时间序列之间的关联，从而影响了其在实际应用中的效果。vm之间存在着大量有价值的拓扑信息，然而如何有效地将这些拓扑信息融入到云服务器异常检测任务中仍然是一个亟待解决的问题。同时，现有技术在训练过程中未考虑云服务器中数据正常和异常类不平衡的问题，导致模型检测精度不高。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于生成对抗网络的云服务器异常检测方法，解决训练中数据正常和异常类不平衡的问题，同时利用云服务器中的拓扑信息有效提高异常检测的准确性。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于生成对抗网络的云服务器异常检测方法，该方法包括以下步骤：

4、s1、提取云服务器中运行的各虚拟机关键性能指标时间序列数据，构建训练集和测试集；

5、s2、定义时空信息提取模块以捕获云服务器数据集中存在的空间信息与时间信息，提升异常检测准确性；

6、s3、由于云服务器数据中存在类不平衡问题，采用带梯度惩罚的双向wasserstein生成对抗网络biwgan-gp学习数据正常特征，并利用时空信息提取模块提升biwgan-gp对数据特征的学习能力；

7、s4、设计异常得分函数评判云服务器状态，进而完成对云服务器的异常检测。

8、进一步，步骤s1中所述的提取云服务器数据，具体包括以下步骤：

9、s11、收集云服务器中各虚拟机上关键性能指标时间序列数据包括cpu指标、磁盘指标、内存指标和网络指标；

10、s12、收集云服务器中虚拟机之间的连接信息以构成云服务器的拓扑信息；

11、s13、构建包含拓扑信息的多维时间序列数据集对云服务器中的时序信息和拓扑信息进行联合表示。

12、进一步，步骤s2中所述的设计时空信息提取模块，具体包括以下步骤：

13、s21、时序数据x到达时空信息提取模块后，首先经过图卷积网络gcn融合云服务器中各节点的拓扑信息，得到新隐藏表示。

14、s22、融合拓扑信息的时间序列送入时间卷积网络tcn以得到时间序列的隐藏表示。

15、进一步，步骤s3所述的设计带时空信息提取模块的biwgan-gp网络，其具体构建步骤如下：

16、s31、设计带时空信息提取模块的biwgan-gp由一个生成器g、一个编码器e和一个鉴别器d组成，其中生成器和编码器由时空信息提取模块组成，鉴别器由多层感知机组成；

17、s32、编码器e映射真实数据x到低维表示f，输入数据与云服务器拓扑信息a先被送入时空信息提取模块中的gcn层以融合各节点的空间信息，得到新的表示再输入到tcn层中得到低维表示f。

18、生成器g从隐空间pz中提取隐变量z之后，由于隐变量z是所有组件所有度量的隐变量的集合，故z也包含着空间信息，先将z与云服务器拓扑信息a输入到时空信息提取模块的gcn层中得到融合节点间拓扑信息的新隐藏表示再将送入tcn层中得到生成数据

19、鉴别器d由三个完全连接层组成，其中最后一层是sigmoid激活以获得范围(0,1)内的概率。

20、s33、鉴别器收到由生成器和编码器发送的数据后，使用鉴别器损失函数计算得到鉴别器更新梯度以及反馈误差，梯度用于更新鉴别器网络参数，反馈误差需发送至相应的生成器和编码器用于更新生成器和编码器网络参数；

21、生成器和编码器收到由鉴别器发送的反馈误差后，使用生成器和编码器损失函数以及反馈误差计算得到生成器和编码器更新梯度，以完成生成器与编码器的参数更新；

22、鉴别器和生成器与编码器不断交互执行，进行多次全局迭代，使得模型能够很好地学习并重构正常数据特征。

23、进一步，步骤s4中，对云服务器的状态通过异常评分函数进行评判，异常评分函数由重建损失lre和鉴别损失ld共同表示：

24、a(xtest)＝(1-λ)·lre+λ·ld

25、其中xtest代表测试数据，λ代表误差分数权重系数，lre用于衡量xtest经过编码器后与生成器生成数据的差异，ld用于衡量鉴别器对xtest服从真实数据分布的置信度。如果a(xtest)大于预设阈值，数据将被判定为异常。

26、本发明的有益效果在于：本发明采用biwgan-gp模型对云服务器进行异常检测，解决了云服务器数据中存在类不平衡问题，并将其生成器与编码器更换为时空信息提取模块，充分考虑了云服务器中的拓扑信息和时间信息，提升了检测准确性和稳定性，进而增强云服务器安全性。

27、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种基于生成对抗网络的云服务器异常检测方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的一种基于生成对抗网络的云服务器异常检测方法，其特征在于：所述s1具体包括以下步骤：

3.根据权利要求2所述的一种基于生成对抗网络的云服务器异常检测方法，其特征在于：所述s2具体包括以下步骤：

4.根据权利要求1所述的一种基于生成对抗网络的云服务器异常检测方法，其特征在于：所述s3具体包括以下步骤：

5.根据权利要求4所述的一种基于生成对抗网络的云服务器异常检测方法，其特征在于：所述s4具体包括以下步骤：

技术总结
本发明涉及一种基于生成对抗网络的云服务器异常检测方法，属于计算机技术领域。该方法包括以下步骤：S1：提取云服务器中各虚拟机上关键性能指标时间序列数据，构建训练集和测试集；S2：定义带时空信息提取模块的双向Wasserstein生成对抗网络中的网络结构；S4：将训练集输入异常检测网络中进行训练，学习正常数据的数据分布；S5：将测试集输入训练好的异常检测网络中检测云服务器是否异常。

技术研发人员：唐伦,赵禹辰,薛呈呈,陈前斌
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/1/16