云平台负载序列的异常检测是实现云平台智能运维管理的关键技术,对提高云资源运维效率具有重要意义。人工异常检测存在效率低,工作量大等问题,负载序列异常检测算法可实现快速智能地做出异常决策。然而,随着云平台规模的迅速扩大,负载类型不断增加,如何对复杂多样的负载序列建立准确高效的异常检测模型是异常检测面临的重要挑战。随着物联网的广泛应用,接近数据源的边缘端部署异常负载序列检测,可获得更快的响应,在边缘端计算和存储资源有限的情况下,如何设计轻量化负载序列异常检测模型,成为边缘计算智能服务需要解决的关键问题。鉴于此,本文针对云边融合的环境下负载序列异常检测面临的问题,从改进序列特征提取的方法出发,分别采用融合负载序列时空特征、负载特征表示增强和层间特征传递增强的方案,充分挖掘负载序列隐藏的特征表示信息,并最终构建三种深度无监督的异常负载检测模型。主要工作包括以下三个方面:（1）针对大规模云平台负载序列变化模式的多样性,序列的时序特征表示能力不足,难以准确地进行异常检测的问题,提出一种融合负载序列时空特征的深度无监督异常检测方法,该方法在深度支持向量描述的网络架构中,引入卷积循环网络提取序列时空特征。首先,使用卷积神经网络模块提取负载序列的空间特征;然后,对于获得的空间特征向量,使用双向长短时记忆网络模块提取其时序特征;最后,用融合负载序列时空特征的特征向量训练支持向量描述分类器。所提方法从空间和时序两个维度上深度提取序列的特征,实现对负载序列内在规律的全面刻画,增加正常序列和异常序列的区分度,更准确地实现负载序列的异常检测。分别使用仿真数据集和Google数据集进行验证,结果表明,与常用的无监督异常检测方法对比,所提方法能够更准确地检测不同变化的异常序列。（2）针对负载序列变化模式的复杂性,序列变化特点难以全面捕捉的问题,提出一种基于负载序列特征表示增强的深度无监督异常序列检测方法,该方法增强样本信息丰富度,提高序列特征的表示能力。首先,采用数据增强技术对负载序列进行数据变换,挖掘复杂难学习的序列,使网络能捕捉到更多的信息,增强数据特征的表示能力;然后,使用残差注意力网络提取丰富的深度特征;最后,在此基础上构建异常检测模型,在训练模型时对样本加权,减小异常样本对求解变换中心的影响,将计算变换后的样本位于其子空间中的概率乘积作为异常分数。分别使用仿真数据集和Google数据集验证所提方法的准确性和普适性,结果表明,与常用异常检测方法对比,所提方法能够应对不同变化模式的负载序列,且具有准确的异常检测效果。（3）针对深度神经网络特征表示参数量大,难以在边缘端部署的问题,提出一种轻量化的层间特征传递增强的深度无监督异常序列检测方法。该方法在满足边缘端准确性需求的情况下,从减少模型的参数量和提高运行速度两方面入手,负载序列特征提取时,借鉴密集卷积网络的网络结构思想,设计特征层之间相连接的网络结构,该结构使得提取的特征更加充分,加强了特征信息量。将深度可分离卷积应用到该网络结构中,减少参数量;最后,用提取的深度特征训练支持向量描述分类器,构建异常检测模型。分别使用仿真数据集和Google数据集进行验证,结果表明,与常用的无监督异常检测方法对比,所提方法能够更准确地检测不同变化的异常序列,保证了模型准确率。同时,与Inception及Res Net等经典轻量化网络相比,所提模型在参数量和速度上具有较好的轻量化效果。本文的研究内容主要围绕云平台中负载序列的异常检测,为实现大规模云平台资源的智能运维决策,提供了重要的解决方案和实际应用价值。