技术特征：
1.一种异常检测方法，包括：分别采集各个时刻的各项视频播放效果指标；根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵；利用预先训练的神经网络对所述特征矩阵进行处理，获得重构特征矩阵；根据所述特征矩阵及所述重构特征矩阵，检测视频播放效果是否发生异常。2.根据权利要求1所述的异常检测方法，其中，所述根据各个时刻的各项视频播放效果指标，生成各个时刻视频播放效果指标的特征矩阵包括：根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的所述特征矩阵，第一时刻与第二时刻之差为预设正整数，第一时刻为各个时刻中的任一时刻。3.根据权利要求2所述的异常检测方法，其中，所述根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的所述特征矩阵包括：根据第一时刻至目标第二时刻的各项视频播放效果指标，生成第一时刻下与目标正整数对应的所述特征矩阵，其中，目标正整数为预设正整数的取值集合中的任一元素，目标第二时刻为第二时刻的取值集合中的任一元素，第一时刻与目标第二时刻之差为目标正整数；将第一时刻下与各个目标正整数分别对应的所述特征矩阵，作为第一时刻的所述特征矩阵。4.根据权利要求3所述的异常检测方法，其中，第一时刻下与目标正整数对应的所述特征矩阵中的第i行第j列元素的取值，与从第一时刻到目标第二时刻的第i项视频播放效果指标与第j项视频播放效果指标的乘积的加权和呈正相关。5.根据权利要求4所述的异常检测方法，其中，采用如下公式生成t时刻下与目标正整数e对应的所述特征矩阵：其中，为t时刻下与目标正整数e对应的所述特征矩阵中第i行第j列的元素，s为累加标识，w
s
为与s呈负相关的加权系数，为t-s时刻的第i项视频播放效果指标，为t-s时刻的第j项视频播放效果指标，k为预设正整数的取值集合中的元素个数。6.根据权利要求1所述的异常检测方法，还包括：利用各个时刻的视频播放效果指标的样本特征矩阵对所述神经网络进行训练，使所述神经网络输出与所述样本特征矩阵相对应的重构特征矩阵，训练所述神经网络时采用的损失函数为各个时刻的所述样本特征矩阵与所述相对应的重构特征矩阵之间的l2范数误差之和。7.根据权利要求1所述的异常检测方法，其中，所述根据所述特征矩阵及所述重构特征矩阵，检测视频播放效果是否发生异常包括：将第一时刻的所述特征矩阵与所述重构特征矩阵之间的l2范数误差作为第一误差，第一时刻为各个时刻中的任一时刻；
在所述第一误差大于第一阈值的情况下，检测到第一时刻视频播放效果发生异常；在所述第一误差不大于第一阈值的情况下，检测到第一时刻视频播放效果未发生异常。8.根据权利要求7所述的异常检测方法，还包括：在检测到第一时刻视频播放效果发生异常后，将第一时刻的所述特征矩阵的第i行与所述重构特征矩阵第i行之间的l2范数误差作为第二误差；在所述第二误差大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标导致视频播放效果发生异常；在所述第二误差不大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标未导致视频播放效果发生异常。9.一种异常检测装置，包括：指标采集模块，被配置为分别采集各个时刻的各项视频播放效果指标；矩阵生成模块，被配置为根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵；矩阵处理模块，被配置为利用预先训练的神经网络对所述特征矩阵进行处理，获得重构特征矩阵；异常检测模块，被配置为根据所述特征矩阵及所述重构特征矩阵，检测视频播放效果是否发生异常。10.根据权利要求9所述的异常检测装置，其中，所述矩阵生成模块被配置为：根据第一时刻至第二时刻的各项视频播放效果指标，生成第一时刻的所述特征矩阵，第一时刻与第二时刻之差为预设正整数，第一时刻为各个时刻中的任一时刻。11.根据权利要求10所述的异常检测装置，其中，所述矩阵生成模块被配置为：根据第一时刻至目标第二时刻的各项视频播放效果指标，生成第一时刻下与目标正整数对应的所述特征矩阵，其中，目标正整数为预设正整数的取值集合中的任一元素，目标第二时刻为第二时刻的取值集合中的任一元素，第一时刻与目标第二时刻之差为目标正整数；将第一时刻下与各个目标正整数分别对应的所述特征矩阵，作为第一时刻的所述特征矩阵。12.根据权利要求11所述的异常检测装置，其中，第一时刻下与目标正整数对应的所述特征矩阵中的第i行第j列元素的取值，与从第一时刻到目标第二时刻的第i项视频播放效果指标与第j项视频播放效果指标的乘积的加权和呈正相关。13.根据权利要求12所述的异常检测装置，其中，所述矩阵生成模块被配置为：采用如下公式生成t时刻下与目标正整数e对应的所述特征矩阵：其中，为t时刻下与目标正整数e对应的所述特征矩阵中第i行第j列的元素，s为累加标识，w
s
为与s呈负相关的加权系数，为t-s时刻的第i项视频播放效果指标，为t-s时刻的第j项视频播放效果指标，k为预设正整数的取值集合中的元素个数。
14.根据权利要求9所述的异常检测装置，还包括：网络训练模块，被配置为利用各个时刻的视频播放效果指标的样本特征矩阵对所述神经网络进行训练，使所述神经网络输出与所述样本特征矩阵相对应的重构特征矩阵，训练所述神经网络时采用的损失函数为各个时刻的所述样本特征矩阵与所述相对应的重构特征矩阵之间的l2范数误差之和。15.根据权利要求9所述的异常检测装置，其中，所述异常检测模块被配置为：将第一时刻的所述特征矩阵与所述重构特征矩阵之间的l2范数误差作为第一误差，第一时刻为各个时刻中的任一时刻；在所述第一误差大于第一阈值的情况下，检测到第一时刻视频播放效果发生异常；在所述第一误差不大于第一阈值的情况下，检测到第一时刻视频播放效果未发生异常。16.根据权利要求12所述的异常检测装置，还包括指标检测模块，被配置为：在检测到第一时刻视频播放效果发生异常后，将第一时刻的所述特征矩阵的第i行与所述重构特征矩阵第i行之间的l2范数误差作为第二误差；在所述第二误差大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标导致视频播放效果发生异常；在所述第二误差不大于第二阈值的情况下，检测到第一时刻第i项视频播放效果指标未导致视频播放效果发生异常。17.一种异常检测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1至8中任一项所述的异常检测方法。18.一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1至8中任一项所述的异常检测方法。
技术总结
本公开提供了一种异常检测方法、装置及计算机可读存储介质，涉及信息技术领域。其中的异常检测方法包括：分别采集各个时刻的各项视频播放效果指标；根据各个时刻的各项视频播放效果指标，分别生成各个时刻的视频播放效果指标的特征矩阵；利用预先训练的神经网络对特征矩阵进行处理，获得重构特征矩阵；根据特征矩阵及重构特征矩阵，检测视频播放效果是否发生异常。本公开能够准确、自动化的检测出视频播放效果是否发生异常。放效果是否发生异常。放效果是否发生异常。
技术研发人员：陆顺 刘汉生 曹诗苑 钱兵 赵龙刚 林碧兰 王峰
受保护的技术使用者：中国电信股份有限公司
技术研发日：2020.07.28
技术公布日：2022/2/6