基于多视图学习的云计算平台异常检测与排序

异常检测作为云计算中的一项重要技术，被用于支撑云平台的平稳运行。传统的基于统计、分析等的检测方法因参数设置非自适应且敏感而导致高误报率。我们提出了一种基于机器学习理论的在线异常检测模型。然而，大多数现有基于机器学习的方法将来自不同子系统的所有特征直接拼接为一个长特征向量，难以利用子系统间的互补信息，且忽略了提升分类性能的多视图特征。针对该问题，所提方法自动融合多视图特征并优化判别模型以提高准确率。该模型利用极限学习机（ELM）提升检测效率。ELM 是单隐层神经网络，将输出权重的迭代求解转化为线性方程组求解，从而避免局部最优解。此外，我们根据样本与分类边界的关系对异常进行排序，并为排序后的异常分配权重，最终重新训练分类模型。我们的方法充分利用了子系统间的互补信息，并避免了不平衡数据集的影响，从而应对来自云计算平台的各种挑战。我们通过 Openstack 部署私有云平台，验证了所提模型，并与先进方法比较，展现出更优的效率与简洁性。