基于多特征融合的云平台异常点检测方法研究

冉 冉，胡 非，齐 俊，高 强，白 亮

(国网辽宁省电力有限公司信息通信分公司，辽宁 沈阳 110006)

很多云用户通过云平台实现计算、存储等网络行为，这种高度不间断的动态特点使异常点的出现概率增加，因此研究人员开始对异常点检测进行研究[1]。异常点通常是指一些与预期行为模式不一致的数据源，在不同的场景中，异常点通常又被称为离群点或污染点。传统的云平台异常点检测主要分为无监督的异常点检测方法、有监督的异常点检测方法、半监督的异常点检测方法等[2]。但是这3种方法都有一定的局限性，由单一数据源计算得到的检测方法在后续的分析中会导致近似估值检测的结果具备极大的不确定性，且整体检测准确率较低，误报率较高。因此本文提出了基于多特征融合的云平台异常点检测方法，在保证算法准确率的前提下提高了算法的计算速度，避免了算法结果的不确定性。

1 云平台子系统特征空间优化模型

为进一步提高检测准确率，对云平台不同子系统的特征空间进行优化。在训练云平台虚拟机学习时，需要兼顾检测风险和检测经验，同时输出最小化的权值。

(1)

式中:β为输出权值；i为训练次数；ξ为最小化的虚拟机学习训练误差[3]；ξi=[ξi1,ξi2,ξi3,…，ξim]T为虚拟机的训练误差。

(2)

式中：β′为优化后的输出权值；ξ为优化模型的虚拟机学习训练误差；F为样本集中非线性组合特征求解。如此就能够实现不同子系统之间的特征自动融合。

2 基于多特征融合的云平台异常点检测方法设计

基于构建的子系统特征空间优化模型，立足于对云平台异常点的多元监测，设计基于多特征融合的云平台异常点检测方法。……