基于圖像特征的業(yè)務(wù)異常檢測方法及裝置制造方法及圖紙

本申請?zhí)峁┮环N基于圖像特征的業(yè)務(wù)異常檢測方法及裝置，其中的方法包括：從目標頁面的頁面圖像中提取圖像特征；將提取出的所述圖像特征輸入預(yù)設(shè)的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練得到的機器學習模型；基于所述異常檢測模型的計算結(jié)果針對所述目標頁面進行異常檢測。本申請可以基于圖像特征在前臺完成針對目標頁面的異常檢測，而不再需要在后臺通過流量檢測來執(zhí)行異常檢測。

Method and device for detecting service anomaly based on image characteristic

The present invention provides a method and device for detecting abnormal image features based on the business, the method includes: extracting image features from the page image of the target page; the anomaly detection model of the input image features extracted preset is calculated; wherein, the anomaly detection model for image feature extraction training learning model from some normal and abnormal page interface in the machine based on calculation; anomaly detection model and the results of the anomaly detection based on the target page. The application can be based on image features in the foreground to complete the abnormal detection of the target page, and no longer need to perform abnormal detection in the background through traffic detection.

【技術(shù)實現(xiàn)步驟摘要】
基于圖像特征的業(yè)務(wù)異常檢測方法及裝置
本申請涉及計算機應(yīng)用領(lǐng)域，尤其涉及一種基于圖像特征的業(yè)務(wù)異常檢測方法及裝置。
技術(shù)介紹
隨著計算機網(wǎng)絡(luò)技術(shù)的普及率不斷提高，應(yīng)用場景不斷豐富，網(wǎng)絡(luò)規(guī)模在不斷擴大，而且各種網(wǎng)絡(luò)技術(shù)也層出不窮。在網(wǎng)絡(luò)發(fā)展帶來信息爆炸式發(fā)展帶來便利的同時，也同時會面臨一些新的挑戰(zhàn)，尤其是對于一些異常問題的檢測。一方面，網(wǎng)絡(luò)越復(fù)雜，可能出現(xiàn)問題的環(huán)節(jié)也越多，網(wǎng)絡(luò)出現(xiàn)異常問題的概率也就更大；另一方面，由于網(wǎng)絡(luò)結(jié)構(gòu)錯綜復(fù)雜，快速而準確的發(fā)現(xiàn)和找到問題根源也更加困難；而且，當某一個網(wǎng)絡(luò)出現(xiàn)異常問題，該異常問題可能會向依賴該網(wǎng)絡(luò)的其它網(wǎng)絡(luò)傳播，從而導(dǎo)致依賴該網(wǎng)絡(luò)的其它網(wǎng)絡(luò)也會異常。因此，為了保障網(wǎng)絡(luò)的正常運行，有必要采取有效的措施對網(wǎng)絡(luò)進行監(jiān)督和管理，一旦發(fā)現(xiàn)業(yè)務(wù)異常情況，能夠及時發(fā)現(xiàn)問題，并且迅速解決。然而，在相關(guān)技術(shù)中，對網(wǎng)絡(luò)進行業(yè)務(wù)異常檢測，通常是在后臺通過檢測網(wǎng)絡(luò)流量來完成的，而網(wǎng)絡(luò)中的流量通常并不穩(wěn)定，因此會影響異常檢測的準確度。
技術(shù)實現(xiàn)思路
本申請?zhí)岢鲆环N基于圖像特征的業(yè)務(wù)異常檢測方法，該方法包括：從目標頁面的頁面圖像中提取圖像特征；將提取出的所述圖像特征輸入預(yù)設(shè)的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練得到的機器學習模型；基于所述異常檢測模型的計算結(jié)果針對所述目標頁面進行異常檢測。可選的，所述方法還包括：基于預(yù)設(shè)的若干樣本頁面的頁面圖像生成圖像樣本集合；其中，所述圖像樣本集合中的正常頁面的頁面圖像以及異常頁面的頁面圖像均被標定了對應(yīng)的識別標簽；分別提取所述圖像樣本集合中的頁面圖像的圖像特征；將提取出的圖像特征作為訓(xùn)練樣本，基于預(yù)設(shè)的機器學習算法進行訓(xùn)練以得到所述異常檢測模型。可選的，所述異常檢測模型為SVM支持向量機模型。可選的，所述圖像特征為圖像紋理特征；其中，所述圖像紋理特征包括圖像全局紋理特征和圖像局部紋理特征。可選的，所述圖像全局紋理特征為GLCM灰度共生矩陣特征；所述圖像局部紋理特征為LBP局部二值模式特征。本申請還提出一種基于圖像特征的業(yè)務(wù)異常檢測裝置，該裝置包括：提取模塊，從目標頁面的頁面圖像中提取圖像特征；計算模塊，將提取出的所述圖像特征輸入預(yù)設(shè)的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練得到的機器學習模型；檢測模塊，基于所述異常檢測模型的計算結(jié)果針對所述目標頁面進行異常檢測。可選的，所述提取模塊進一步：基于預(yù)設(shè)的若干樣本頁面的頁面圖像生成圖像樣本集合；其中，所述圖像樣本集合中的正常頁面的頁面圖像以及異常頁面的頁面圖像均被標定了對應(yīng)的識別標簽；分別提取所述圖像樣本集合中的頁面圖像的圖像特征；所述裝置還包括：訓(xùn)練模塊，將提取出的圖像特征作為訓(xùn)練樣本，基于預(yù)設(shè)的機器學習算法進行訓(xùn)練以得到所述異常檢測模型。可選的，所述異常檢測模型為SVM模型。可選的，所述圖像特征為圖像紋理特征；其中，所述圖像紋理特征包括圖像全局紋理特征和圖像局部紋理特征。可選的，所述圖像全局紋理特征為GLCM灰度共生矩陣特征；所述圖像局部紋理特征為LBP局部二值模式特征。本申請中，通過從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練機器學習模型，當需要進行異常檢測時，可以從目標頁面的頁面圖像中提取圖像特征，并將提取出的圖像特征輸入異常檢測模型中進行計算，然后根據(jù)計算結(jié)果針對該目標頁面進行異常檢測；實現(xiàn)了可以完全基于從目標頁面的頁面圖像中提取出的圖像特征，在前臺完成異常檢測，而不再需要在后臺通過流量檢測來執(zhí)行異常檢測，因而可以提升異常檢測的穩(wěn)定性；同時，通過從正常頁面以及異常界面中提取出的圖像特征訓(xùn)練機器學習模型，并使用機器學習模型針對目標頁面進行異常檢測，能夠提升異常檢測的準確度。附圖說明圖1是本申請一實施例示出的一種基于圖像特征的業(yè)務(wù)異常檢測方法的流程圖；圖2是本申請一實施例示出的一種異常檢測模型的離線訓(xùn)練以及實時使用的流程示意圖；圖3是本申請一實施例示出的一種基于圖像特征的業(yè)務(wù)異常檢測裝置的邏輯框圖；圖4是本申請一實施例提供的承載所述一種基于圖像特征的業(yè)務(wù)異常檢測裝置的異常檢測設(shè)備的硬件結(jié)構(gòu)圖。具體實施方式在相關(guān)技術(shù)中，對網(wǎng)絡(luò)進行業(yè)務(wù)異常檢測，通常是在后臺通過檢測網(wǎng)絡(luò)流量來完成的。現(xiàn)有的業(yè)務(wù)異常檢測主要有以下幾種實現(xiàn)方案：第一種方案，基于經(jīng)驗閾值的業(yè)務(wù)異常檢測方案。在這種方案中，通常需要網(wǎng)絡(luò)管理人員根據(jù)網(wǎng)絡(luò)管理的豐富經(jīng)驗，來確定出網(wǎng)絡(luò)性能和流量參數(shù)的閾值，當網(wǎng)絡(luò)在某個時刻的性能參數(shù)和流量超過某個閾值時，就認為此時的網(wǎng)絡(luò)出現(xiàn)了業(yè)務(wù)異常。這種方案的核心在于，確定出較為合理的閾值，如果閾值設(shè)置太小，會導(dǎo)致業(yè)務(wù)異常情況的誤報；當閾值設(shè)置過高，則容易導(dǎo)致業(yè)務(wù)異常情況的漏報。然而，這種基于經(jīng)驗閾值的方案，通常要求網(wǎng)絡(luò)管理人員對網(wǎng)絡(luò)中的流量數(shù)據(jù)有著豐富的管理經(jīng)驗，需要耗費大量的人力和物力對于流量進行人工分析。而且，實際的網(wǎng)絡(luò)流量本身并不穩(wěn)定，不同的網(wǎng)絡(luò)結(jié)構(gòu)，不同應(yīng)用場景下的流量數(shù)據(jù)特征通常完全不同，因而使得閾值的設(shè)定非常困難；如果閾值設(shè)置太小，會導(dǎo)致異常情況的誤報；當閾值設(shè)置過高，則容易導(dǎo)致異常情況的漏報；并且，在某個應(yīng)用中設(shè)定的閾值，在其他應(yīng)用中可能完全無法適用。第二種方案，基于統(tǒng)計學的流量異常監(jiān)測方案。例如，可以采用GLR(GeneralizedLikelihoodRatio)監(jiān)測方法，這種方案通常是基于時間窗口序列，計算相鄰時間窗口序列的回歸模型參數(shù)，得到似然聯(lián)合比，如果當前似然聯(lián)合比大于一定的閾值，就進行異常監(jiān)測的報警。這種方案的核心在于，通檢測網(wǎng)絡(luò)流量平均觀測值的平移或跳躍行為，從而達到異常檢測的目的。然而，這種基于統(tǒng)計學的異常監(jiān)測，通常要求流量數(shù)據(jù)有著明顯的數(shù)據(jù)分布特征，比如符合高斯分布，泊松分布等；當數(shù)據(jù)分布較為理想，異常檢測的準確率就較高；當網(wǎng)絡(luò)流量不穩(wěn)定，造成歷史數(shù)據(jù)較少，數(shù)據(jù)可能就會不符合某種分布，使得統(tǒng)計的參數(shù)不準確，從而導(dǎo)致檢測準確率較低。第三種方案，基于小波變換的流量異常檢測方案。小波變換是一種結(jié)合時間和空間特性的數(shù)據(jù)分析方案，通過小波分析，可以把數(shù)據(jù)流量信號分解到不同的頻帶，從而得到不同頻帶的特征，對于異常檢測，檢測率較高。然而，基于小波分析的異常檢測方案，對于數(shù)據(jù)流量微小的變動都會檢測出來，而實際的網(wǎng)絡(luò)流量本身并不穩(wěn)定，容易出現(xiàn)正常的波動，因此通過小波分析來進行異常檢測，就會出現(xiàn)較多的誤報，造成檢測不準確。可見，在相關(guān)技術(shù)中，對網(wǎng)絡(luò)進行業(yè)務(wù)異常檢測，通常是依賴于在后臺檢測網(wǎng)絡(luò)流量來完成的，而實際的網(wǎng)絡(luò)流量通常并不穩(wěn)定，因此網(wǎng)絡(luò)流量的波動會導(dǎo)致異常檢測的穩(wěn)定性以及準確度較差的問題。有鑒于此，本申請?zhí)岢鲆环N基于圖像特征的業(yè)務(wù)異常檢測方法，通過從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練機器學習模型，當需要進行異常檢測時，可以從目標頁面的頁面圖像中提取圖像特征，并將提取出的圖像特征輸入異常檢測模型中進行計算，然后根據(jù)計算結(jié)果針對該目標頁面進行異常檢測；實現(xiàn)了可以完全基于從目標頁面的頁面圖像中提取出的圖像特征，在前臺完成異常檢測，而不再需要在后臺通過流量檢測來執(zhí)行異常檢測，因而可以提升異常檢測的穩(wěn)定性；同時，通過從正常頁面以及異常界面中提取出的圖像特征訓(xùn)練機器本文檔來自技高網(wǎng)...

【技術(shù)保護點】
一種基于圖像特征的業(yè)務(wù)異常檢測方法，其特征在于，該方法包括：從目標頁面的頁面圖像中提取圖像特征；將提取出的所述圖像特征輸入預(yù)設(shè)的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練得到的機器學習模型；基于所述異常檢測模型的計算結(jié)果針對所述目標頁面進行異常檢測。

【技術(shù)特征摘要】
1.一種基于圖像特征的業(yè)務(wù)異常檢測方法，其特征在于，該方法包括：從目標頁面的頁面圖像中提取圖像特征；將提取出的所述圖像特征輸入預(yù)設(shè)的異常檢測模型中進行計算；其中，所述異常檢測模型為基于從若干正常頁面以及異常界面中提取出的圖像特征訓(xùn)練得到的機器學習模型；基于所述異常檢測模型的計算結(jié)果針對所述目標頁面進行異常檢測。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：基于預(yù)設(shè)的若干樣本頁面的頁面圖像生成圖像樣本集合；其中，所述圖像樣本集合中的正常頁面的頁面圖像以及異常頁面的頁面圖像均被標定了對應(yīng)的識別標簽；分別提取所述圖像樣本集合中的頁面圖像的圖像特征；將提取出的圖像特征作為訓(xùn)練樣本，基于預(yù)設(shè)的機器學習算法進行訓(xùn)練以得到所述異常檢測模型。3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述異常檢測模型為SVM支持向量機模型。4.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述圖像特征為圖像紋理特征；其中，所述圖像紋理特征包括圖像全局紋理特征和圖像局部紋理特征。5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述圖像全局紋理特征為GLCM灰度共生矩陣特征；所述圖像局部紋理特征為LBP局部二值模式特征。6.一種基于圖像特征的業(yè)務(wù)...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：程磊，
申請(專利權(quán))人：阿里巴巴集團控股有限公司，
類型：發(fā)明
國別省市：開曼群島,KY