系统工程与电子技术

作者：沈夏闰, 李若楠, 张昊田

单位：1. 北京航天情报与信息研究所, 北京 100854；2. 国家知识产权局专利局专利审查协作北京中心, 北京 100070；3. 同济大学中德工程学院, 上海 201804

关键词：关键性能指标异常检测,条件变分自编码器,长短时记忆网络,关键性能指标,深度学习

对于关键性能指标(key performance indicator, KPI)的异常检测是互联网智慧运维流程中的基石, 对于故障报警和保障服务器安全具有重要意义。深度生成模型已经能很好地解决机器学习模型深度特征表征能力差的问题, 但对于KPI数据中时间信息的处理和长时信息的捕获存在不足。为此, 提出一种基于条件变分自编码器(conditional variational autoencoder, CVAE)和长短时记忆(long-short term memory, LSTM)网络相结合的KPI异常检测模型, 利用CVAE网络强大的表征能力, 并将时间信息添加到深度自编码器中, 利用LSTM的长时记忆能力, 提高模型的长时异常学习和处理能力, 使用训练好的CVAE网络来进一步训练LSTM。在3个公开的数据集上与其他深度学习模型进行对比实验, 实验结果表明, 在F1值方面, 所提模型的性能优于单独的LSTM和一些效果较好的深度学习模型。

来源：2025年第3期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2025年第3期