申请/专利权人：西安理工大学

申请日：2021-05-14

公开（公告）日：2024-04-02

公开（公告）号：CN113298128B

主分类号：G06F18/23213

分类号：G06F18/23213;G06F18/20;G06F11/34;G06F11/30

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.09.10#实质审查的生效;2021.08.24#公开

摘要：本发明公开了一种基于时间序列聚类的云服务器异常检测方法，包括提取云服务器上性能资源时间序列数据，用小波包分解的方式预处理时间序列数据，然后利用K‑means聚类算法进行聚类，再用邓恩指数DVI对聚类结果进行评价，从而筛选得到离群点，即异常时间序列数据，异常时间序列数据可以用来对云服务器特定时间段异常进行诊断和恢复。

主权项：1.基于时间序列聚类的云服务器异常检测方法，其特征在于，提取云服务器上性能资源时间序列数据，用小波包分解的方式预处理时间序列数据，然后利用K-means聚类算法进行聚类，再用邓恩指数DVI对聚类结果进行评价，根据评价结果筛选出异常的时间序列；具体包括以下步骤：步骤1，提取云服务器上性能资源时间序列数据；步骤2，对提取的时间序列数据进行三层小波包分解预处理；步骤3，对步骤2中预处理后的数据按时间段进行分组，一组即为一个对象，对删除每一个对象后的数据进行n次K-means聚类，采用邓恩指数DVI对聚类结果进行聚类质量评价，得到DVI数组{DVI1,DVI2,DVI3,…,DVIn}；所述步骤3包括把步骤2中预处理后的数据按时间段分为n组，构成样本空间D＝{S1,S2,S3,…,Sn}，一组即为一个对象，得到的样本空间中n个对象，每次删除样本空间中一个对象Si共进行n次K-means聚类，其中K-means算法用欧式距离表示数据之间的差异，通过直接求均值来计算聚类的中心点，具体步骤如下：步骤3.1，确定初始聚类中心点m1，m2，…，mn，…，mK；所述步骤3.1中，使用K-means++方法确定初始聚类中心点，随机选取第一个初始聚类中心点n＝1，则在选取第n+1个初始聚类中心点时，距离当前n个初始聚类中心点越远的点会有更高的概率被选为第n+1个初始聚类中心点；步骤3.2，将初始聚类中心点之外的其他对象分配到与其距离最小的初始聚类中心点所在的类；步骤3.3，按照欧式距离平均值最小原则更新每个聚类的中心点；步骤3.4，判断K-means算法是否收敛，若收敛，返回聚类结果，若没有收敛，重复步骤3.2和步骤3.3，直至K-means算法收敛再返回聚类结果；步骤4，采用极大似然估计方法，设置阈值，根据阈值对数组DVI中离群点进行筛选和识别，离群点即云服务器异常时间序列数据；所述步骤4中，采用极大似然估计方法，计算DVI数组的均值μ和标准差σ，在正态分布假定下，设置阈值为3，当目标函数E＝|DVIi-μ|σ大于3时，被识别为离群点，离群点即为云服务器资源异常时间序列数据。

全文数据：

权利要求：

百度查询： 西安理工大学 基于时间序列聚类的云服务器异常检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD