当今社会,网络服务已浸透人们生活的方方面面,而维护背后软硬件网络系统安全可靠的运行,以及应对各类突发事件则离不开运维人员的工作。但随着科技的进步,应用系统的规模及复杂程度的提高,传统运维方式逐渐被淘汰。智能运维在应对海量数据时,能更好地运用算法从海量数据中总结规律、提取规则,辅助运维人员做出更优的反应和决策。其中,对运维数据的异常检测技术在推动智能运维的发展具有不可或缺的作用。运维指标时序数据具有可视化成本低、含义明确、规律明显的特性,因而被广泛于运维状态的监控及异常检测中。但是又因为异常的发生比例较低且标记困难,所以针对运维数据的异常检测算法多使用无监督学习。现如今在智能运维方向上的异常检测算法模型大致可分为固定阈值模型、传统模型、时序预测模型及深度学习模型四类。虽然这些模型都从不同角度对这一问题提出解决方案,但是它们都没有同时考虑捕获数据在时间维度上的相关性、在指标维度上的相关性以及对噪声鲁棒等多方面因素,并且多数模型仅对单维指标数据进行异常检测,并没有实现对多维时序数据整体异常状况的判断。本文针对上述现有模型的一些缺陷,提出了一种可以兼顾数据在时间、指标维度的相关性及对噪声鲁棒,同时对多维指标数据整体进行异常检测的模型。主要贡献有三点:（1）结合数据特征和需要解决的问题,构建了针对本文模型的数据集及抽样方法。（2）基于自编码器思想和自注意力机制构建重构模型,将对多维指标数据的无监督异常检测转化为对单维重构差异值的异常检测。（3）结合时序数据分解与动态置信区间的思想实现对重构差异值的异常检测,对每个时间点的应用异常状态输出判断。上述三点贡献的具体工作如下:（1）本文采用的数据集为某互联网公司后台运维关键性指标数据。考虑到数据量大,记录频率高,故采用在时间维度上构建滑动窗口的方式提取数据。同时结合运维数据受用户行为影响而具有强周期性的特点,通过提取数据的时间戳信息,向原始数据中的指标维度添加时间特征,使得之后模型在训练数据时可以更有效地利用到时间信息。为了提高模型精度,文中结合异常数据的数据特征设计抽样方式,加大了易混淆数据被抽中的概率,从而提高难训练样本的比例。（2）文中主体模型的第一部分是基于自编码器思想和自注意力机制构建的重构模型。该模型的基本思想是将原始的多维指标数据通过神经网络损失部分信息,再将之还原,从而找出数据中存在的主要数据变化模式。通过构建真实数据与还原数据之间的差异值即可用于后续的异常检测。重构模型的构建参考了自编码器思想,使模型具有一定的抗噪性;而模型主体使用了自注意力机制,从而有效地利用了数据在时间及指标维度的相关性。为了使模型更多地学习到正常数据的特点,而非仅仅得到模型输出与标签数据在数值上的贴近,模型的输出为输入指标数据预测得到的还原数据的均值矩阵及方差矩阵,并利用该模型的预测输出构建多维高斯分布,模型的损失函数即利用输入数据在该高斯分布下对应的对数概率密度函数构建,这样的损失函数加入了更多地统计量信息,使模型更多地去学习正常数据模式的分布。同时为了使模型在各项指标上的拟合效果更为均衡,本文模型的损失函数中也添加了正则项——模型在指标维度上的平均预测概率密度的方差,这一添加项的作用也在之后的实例中进行了验证。（3）本文主体模型的第二部分即是利用（2）中所述的重构模型的输出与模型输入的真实数据构造的差异值进行异常检测。文中列举了多项差异值指标构建方式,通过结合数据特征,本文的实例分析部分最终选择了均方误差作为重构差异值指标。最终得到的差异值在异常及正常数据模式下具有明显的不同,并且在正常数据模式下依旧具有时序数据小幅周期性波动的特点。之后在利用差异值进行异常点检测时,考虑到时序数据具有趋势变化性和季节性的特点,本文设计了一个由趋势项和季节项构成的函数对差异值进行拟合。再结合全局数据分布及近期数据分布两方面的影响,对每个时间点拟合结果的余项构建动态置信区间,在进行异常检测时,落在置信区间外的点则被判定为异常。综上所述,本文主要设计了一种在智能运维方向上针对多维指标数据进行无监督异常检测的模型,同时可以在时间维度输出对应用的异常状态判断。并于第四章的实例中通过与其他两项广泛应用的异常检测模型进行对比,最终在多项评估指标上均获得更优的表现,验证了本文模型的有效性。