产销差统计平台系统的异常分析方法及系统与流程

本技术实施例涉及人工智能，具体而言，涉及一种产销差统计平台系统的异常分析方法及系统。

背景技术：

1、随着云计算技术的发展，各类统计平台系统可以通过布局在云计算服务器中，从而可以将这些统计平台系统的各种系统运行功能（如数据采集功能、数据上传功能、数据统计功能等）布局在云端进行统一服务，提高统计平台的统计效率。例如，针对需要高效率运行的产销差统计平台系统而言，如何提高其稳定性是极为关键的。在相关技术中，可以通过机器学习算法实时监控产销差统计平台系统的系统运行事件是否存在异常，从而便于后续维护和优化。然而，现有方案的单个机器学习网络的方案中，当系统运行事件的时间特征跨度大时，会导致存在时间循环记忆缺陷，从而影响异常状态分析的精准度。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术实施例的目的在于提供一种产销差统计平台系统的异常分析方法及系统，通过结合生成式对抗网络与时间循环神经网络对系统运行事件进行异常状态观测，依据生成式对抗网络生成了大量异常状态数据，扩充了异常状态事件的特征量，依据时间循环神经网络，对系统运行事件的特征跨度大导致的生成式对抗网络进行时间循环记忆缺陷的优化，从而提高了异常状态分析可靠性。

2、依据本技术实施例的一个方面，提供了一种产销差统计平台系统的异常分析方法，包括：

3、获取从所述产销差统计平台系统监控的目标系统运行事件；

4、将所述目标系统运行事件加载至生成式对抗网络，生成所述生成式对抗网络确定的第一异常状态分析数据，所述第一异常状态分析数据反映所述目标系统运行事件能否被归类为异常状态事件，所述生成式对抗网络是依据第一模板异常状态事件序列和第二模板异常状态事件序列对第一初始化预测网络进行网络权重信息学习生成的网络，所述第一模板异常状态事件序列包括提取到一个任务队列的模板异常状态事件，所述第二模板异常状态事件序列包括基于所述第一模板异常状态事件序列中的模板异常状态事件衍生扩展的异常状态事件；

5、在所述第一异常状态分析数据反映所述目标系统运行事件为异常状态事件时，将所述目标系统运行事件加载至目标时间循环神经网络，生成所述目标时间循环神经网络确定的第二异常状态分析数据，所述第二异常状态分析数据反映所述目标系统运行事件能否被归类为异常状态事件。

6、在第一方面的一种可能的实施方式中，所述方法还包括：

7、依据所述第一模板异常状态事件序列和所述第二模板异常状态事件序列对所述第一初始化预测网络进行网络权重信息学习，生成所述生成式对抗网络。

8、在第一方面的一种可能的实施方式中，所述依据所述第一模板异常状态事件序列和所述第二模板异常状态事件序列对所述第一初始化预测网络进行网络权重信息学习，生成所述生成式对抗网络，包括：

9、循环进行下述操作，直至所述生成式对抗网络被训练终止输出：

10、将所述第一模板异常状态事件序列中的k个模板异常状态事件以及模板或然扰动状态特征序列中的k个模板或然扰动状态特征依次加载至初始化博弈学习网络，生成所述初始化博弈学习网络分别输出的k个模板异常状态事件，所述第二模板异常状态事件序列包括所述初始化博弈学习网络分别输出的k个模板异常状态事件，每次加载至目标博弈学习网络的加载特征数据包括一个模板异常状态事件以及一个模板或然扰动状态特征，所述初始化博弈学习网络用于每次基于加载的所述一个模板或然扰动状态特征生成与加载的所述一个模板异常状态事件匹配的异常状态事件；

11、依据所述第一模板异常状态事件序列中的k个模板异常状态事件和所述初始化博弈学习网络分别输出的k个模板异常状态事件对所述第一初始化预测网络进行网络权重信息学习。

12、在第一方面的一种可能的实施方式中，所述依据所述第一模板异常状态事件序列中的k个模板异常状态事件和所述初始化博弈学习网络分别输出的k个模板异常状态事件对所述第一初始化预测网络进行网络权重信息学习，包括：

13、获取模板系统运行事件序列，所述模板系统运行事件序列包括所述第一模板异常状态事件序列中的k个模板异常状态事件和所述初始化博弈学习网络分别输出的k个模板异常状态事件以及获取到的非异常系统运行事件序列；

14、循环进行下述操作，直至网络收敛：

15、在所述模板系统运行事件序列中获取候选模板系统运行事件；

16、将所述模板系统运行事件加载至所述第一初始化预测网络，生成所述第一初始化预测网络确定的参考预测数据，所述参考预测数据反映所述模板系统运行事件能否被归类为异常状态事件；

17、基于所述参考预测数据以及所述模板系统运行事件的训练标签数据，确定所述第一初始化预测网络的第一预测误差参数层的预测误差计算值，所述训练标签数据反映所述模板系统运行事件实际能否被归类为异常状态事件；

18、在所述第一预测误差参数层的预测误差计算值不符合第一预测误差收敛条件时，对所述第一初始化预测网络以及所述初始化博弈学习网络中的网络权重信息进行更新，或者，对所述第一初始化预测网络中的网络权重信息进行更新；

19、在所述第一预测误差参数层的预测误差计算值符合所述第一预测误差收敛条件时，终止对所述第一初始化预测网络的更新，所述生成式对抗网络为终止更新时的所述第一初始化预测网络。

20、在第一方面的一种可能的实施方式中，所述将所述第一模板异常状态事件序列中的k个模板异常状态事件以及模板或然扰动状态特征序列中的k个模板或然扰动状态特征依次加载至初始化博弈学习网络，生成所述初始化博弈学习网络分别输出的k个模板异常状态事件，包括：

21、在所述第一模板异常状态事件序列包括y个第一模板异常状态事件子序列、且每个第一模板异常状态事件子序列包括同一个异常状态标签的模板异常状态事件时，针对各第一模板异常状态事件子序列，执行以下步骤，其中，所述每个第一模板异常状态事件子序列被确定为实时模板异常状态事件子序列，所述实时模板异常状态事件子序列中的模板异常状态事件属于实时异常状态标签：

22、将所述第一模板异常状态事件子序列中的k1个模板异常状态事件以及所述模板或然扰动状态特征序列中的k1个模板或然扰动状态特征依次加载至与所述实时异常状态标签对应的实时博弈学习子网络，生成所述实时博弈学习子网络分别输出的k1个模板异常状态事件，所述初始化博弈学习网络包括y个博弈学习子网络，所述第二模板异常状态事件序列包括y个第二异常状态事件子序列，所述第二模板异常状态事件序列中与所述实时异常状态标签对应的第二异常状态事件子序列包括所述实时博弈学习子网络分别输出的k1个模板异常状态事件，每次加载至所述实时博弈学习子网络的加载特征数据包括一个模板异常状态事件以及一个模板或然扰动状态特征，所述实时博弈学习子网络用于每次基于加载的所述一个模板或然扰动状态特征生成与加载的所述一个模板异常状态事件匹配的、且异常状态标签为所述实时异常状态标签的异常状态事件，k1为自然数，k1不大于k。

23、在第一方面的一种可能的实施方式中，所述依据所述第一模板异常状态事件序列中的k个模板异常状态事件和所述初始化博弈学习网络分别输出的k个模板异常状态事件对所述第一初始化预测网络进行网络权重信息学习，包括：

24、获取模板系统运行事件序列中的y个模板系统运行事件子序列，每个所述模板系统运行事件子序列包括一个所述第一模板异常状态事件子序列中的k1个模板异常状态事件、一个所述第二模板异常状态事件子序列中对应的k1个模板异常状态事件以及获取到的非异常系统运行事件子序列，所述一个所述第一模板异常状态事件子序列以及所述一个所述第二模板异常状态事件子序列中的模板异常状态事件属于同一异常状态标签；

25、对于所述第一初始化预测网络中包括的y个初始化预测子网络，循环进行下述操作，直至网络收敛，在执行下述操作的过程中，一个所述初始化预测子网络被确定为实时初始化预测子网络，所述y个模板系统运行事件子序列中用于对所述实时初始化预测子网络进行网络权重信息学习的模板系统运行事件子序列被确定为实时模板系统运行事件子序列，所述实时模板系统运行事件子序列中的所述第一模板异常状态事件子序列和所述第二模板异常状态事件子序列中的模板异常状态事件属于实时异常状态标签，所述实时初始化预测子网络用于确定加载的系统运行事件能否被归类为所述实时异常状态标签的异常状态事件：

26、在所述实时模板系统运行事件子序列中获取候选模板系统运行事件；

27、将所述模板系统运行事件加载至所述实时初始化预测子网络中，生成所述实时初始化预测子网络确定的参考预测数据，所述参考预测数据反映所述模板系统运行事件能否被归类为所述实时异常状态标签的异常状态事件；

28、基于所述参考预测数据以及所述模板系统运行事件的训练标签数据，确定所述实时初始化预测子网络的实时预测误差参数层的预测误差计算值，所述训练标签数据反映所述模板系统运行事件实际能否被归类为所述实时异常状态标签的异常状态事件；

29、在所述实时预测误差参数层的预测误差计算值不符合实时预测误差收敛要求时，对所述实时初始化预测子网络以及所述初始化博弈学习网络中的网络权重信息进行更新，或者，对所述实时初始化预测子网络中的网络权重信息进行更新；

30、在所述实时预测误差参数层的预测误差计算值符合所述实时预测误差收敛要求时，终止对所述实时初始化预测子网络的更新，所述生成式对抗网络中对应的一个异常事件预测子网络为终止更新时的所述实时初始化预测子网络，所述对应的一个异常事件预测子网络用于确定加载的系统运行事件能否被归类为所述实时异常状态标签的异常状态事件。

31、在第一方面的一种可能的实施方式中，所述方法还包括：

32、依据所述第一模板异常状态事件序列中的模板异常状态事件子序列对第二初始化预测网络进行网络权重信息学习，生成第三初始化预测网络，所述第三初始化预测网络用于确定加载至所述第三初始化预测网络的系统运行事件能否被归类为异常状态事件；

33、将所述第一初始化预测网络初始化为所述第三初始化预测网络。

34、在第一方面的一种可能的实施方式中，所述方法还包括：

35、依据所述第一模板异常状态事件序列和第三模板异常状态事件序列对初始化时间循环神经网络进行网络权重信息学习，生成所述目标时间循环神经网络，所述第三模板异常状态事件序列包括目标博弈学习网络基于所述第一模板异常状态事件序列中的模板异常状态事件衍生扩展的异常状态事件，所述目标博弈学习网络是对初始化博弈学习网络进行网络权重信息学习得到的神经网络，所述第二模板异常状态事件序列包括所述初始化博弈学习网络基于所述第一模板异常状态事件序列中的模板异常状态事件衍生扩展的异常状态事件。

36、在第一方面的一种可能的实施方式中，所述依据所述第一模板异常状态事件序列和第三模板异常状态事件序列对初始化时间循环神经网络进行网络权重信息学习，生成所述目标时间循环神经网络，包括：

37、在所述第一模板异常状态事件序列包括x个第一模板异常状态事件子序列、第三模板异常状态事件序列包括x个第三模板异常状态事件子序列、所述x个第一模板异常状态事件子序列与所述x个第三模板异常状态事件子序列存在唯一的映射关系，存在唯一的映射关系的一个所述第一模板异常状态事件子序列与一个所述第三模板异常状态事件子序列中的模板异常状态事件属于同一个异常状态标签时，依据所述第一模板异常状态事件序列和所述第三模板异常状态事件序列对初始化时间循环神经网络进行网络权重信息学习，生成所述目标时间循环神经网络，所述目标时间循环神经网络用于分别确定加载的系统运行事件属于x个异常状态标签中的每个异常状态标签的置信度，所述x个异常状态标签与所述x个第一模板异常状态事件子序列、所述x个第三模板异常状态事件子序列存在唯一的映射关系，x为自然数；

38、所述依据所述第一模板异常状态事件序列和所述第三模板异常状态事件序列对初始化时间循环神经网络进行网络权重信息学习，生成所述目标时间循环神经网络，包括：

39、循环进行下述操作，直至网络收敛：

40、在所述第一模板异常状态事件序列和所述第三模板异常状态事件序列中获取候选模板系统运行事件；

41、将所述模板系统运行事件加载至所述初始化时间循环神经网络，生成所述初始化时间循环神经网络确定的参考预测数据，所述参考预测数据反映所述模板系统运行事件属于y个异常状态标签中的每个异常状态标签的置信度；

42、基于所述参考预测数据以及所述模板系统运行事件的训练标签数据，确定所述初始化时间循环神经网络的第二预测误差参数层的预测误差计算值，所述训练标签数据反映所述模板系统运行事件能否被归类为异常状态事件、且在所述模板系统运行事件为异常状态事件时，还表示所述模板系统运行事件所属的异常状态标签；

43、在所述第二预测误差参数层的预测误差计算值不符合预设的第二预测误差收敛要求时，对所述初始化时间循环神经网络中的网络权重信息进行更新；

44、在所述第二预测误差参数层的预测误差计算值符合所述第二预测误差收敛要求时，终止对所述初始化时间循环神经网络的更新，所述目标时间循环神经网络为终止更新时的所述初始化时间循环神经网络；

45、所述将所述目标系统运行事件加载至目标时间循环神经网络，生成所述目标时间循环神经网络确定的第二异常状态分析数据，包括：

46、将所述目标系统运行事件加载至所述目标时间循环神经网络，生成所述目标时间循环神经网络确定的所述第二异常状态分析数据，所述第二异常状态分析数据反映所述目标系统运行事件能否被归类为异常状态事件、且在所述目标系统运行事件为异常状态事件时，还反映所述目标系统运行事件所属的异常状态标签；

47、其中，所述目标时间循环神经网络是依据所述第一模板异常状态事件序列和所述第三模板异常状态事件序列对初始化时间循环神经网络进行网络权重信息学习生成的网络，所述第一模板异常状态事件序列包括y个第一模板异常状态事件子序列、所述第三模板异常状态事件序列包括y个第三模板异常状态事件子序列，所述y个第一模板异常状态事件子序列、所述y个第三模板异常状态事件子序列以及y个异常状态标签存在唯一的映射关系，存在唯一的映射关系的一个所述第一模板异常状态事件子序列与一个所述第三模板异常状态事件子序列中的模板异常状态事件属于同一个异常状态标签，y为大于1的自然数。

48、依据本技术实施例的一个方面，提供了一种产销差统计平台系统的异常分析系统，所述产销差统计平台系统的异常分析系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的产销差统计平台系统的异常分析方法。

49、依据本技术实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。

50、在本技术的一些实施例所提供的技术方案中，通过将将目标系统运行事件加载至生成式对抗网络，生成生成式对抗网络确定的第一异常状态分析数据，第一异常状态分析数据反映目标系统运行事件能否被归类为异常状态事件，生成式对抗网络是依据第一模板异常状态事件序列和第二模板异常状态事件序列对第一初始化预测网络进行网络权重信息学习生成的网络，第一模板异常状态事件序列包括提取到一个任务队列的模板异常状态事件，第二模板异常状态事件序列包括基于第一模板异常状态事件序列中的模板异常状态事件衍生扩展的异常状态事件，在第一异常状态分析数据反映目标系统运行事件为异常状态事件时，将目标系统运行事件加载至目标时间循环神经网络，生成目标时间循环神经网络确定的第二异常状态分析数据的方式，通过将监控的系统运行事件数据加载到训练完成的生成式对抗网络和时间循环神经网络，以确定系统运行事件能否被归类为异常状态事件，实现了多网络的异常状态分析的目的，通过结合生成式对抗网络与时间循环神经网络对系统运行事件进行异常状态观测，依据生成式对抗网络生成了大量异常状态数据，扩充了异常状态事件的特征量，依据时间循环神经网络，对系统运行事件的特征跨度大导致的生成式对抗网络进行时间循环记忆缺陷的优化，从而提高了异常状态分析可靠性。