近年来云端应用的不断增加,其云服务器的稳定保障变得至关重要,这就意味着要对云服务器数据做到准确有效的异常检测。然而面对云服务器复杂的数据模式,简单的人为观察并不足以做到对云服务器的有效检测,而是需要通过算法检测出数据中的异常,为后续的故障定位、设备检修等提供依据。尽管经过多年发展,目前的异常检测方法依旧存在以下不足:（1）使用场景受限。严重依赖单一领域的专家知识库和人工辅助,在出现异常时需要不断更新对应的规则;要求待检测数据需要服从某种分布,这意味着当数据分布不确定时很难找到合适的模型进行分析;（2）标签依赖程度高,数据样本不均衡。有监督的方法若需要提高准确率则要求收集大量的异常样本来解决正负样本不均衡的问题;无监督方法的计算效率较低不适用于线上检测,同时需要不断调整参数和阈值,在数据维度较高的时候无法准确判断异常值;（3）特征利用不充分,算法在处理多维数据时容易忽视过多数据特征（例如时间特征和空间特征）,在无法判断特征重要性时,丢失的特征信息会影响最终的异常检测效果,同时数据维度之间的相关关系可能会被忽略;（4）异常阈值界定标准模糊。目前阈值界定太多依靠人为界定,不同领域的数据集对异常的概念定义都有一定差异,而异常检测的结果严重依赖于阈值的选择。针对上述不足之处,本文提出了一种无监督的融合时空特征的数据重构异常检测方法,具体的工作如下:面对带有时间特征和空间特征的数据,首先通过建立图模型描述数据的空间特征和属性,将云服务器视为节点,将连接关系视为边;然后通过图卷积神经网络模型提取其空间信息;接着将不同时刻的空间信息构成时间序列输入到长短期记忆网络模型中提取时间信息;使用训练好的GCN-LSTM模型对输入的数据进行重构,生成的重构数据并与原输入数据形成重构误差;最后再使用基于Copula函数的方法（COPOD）计算重构误差的经验累积分布和对应时间快照下的尾部概率进行异常检测。在实验环节,本文使用了来自大数据批处理系统的MBD数据和微服务的事务处理系统的MMS数据进行实验评估,结果说明了该方法在无监督和无需人为调节阈值的情况下,可以充分利用数据中的特征,能较好地完成异常检测任务,证明了该方法的有效性和准确性。然而,在GCN-LSTM模型重构数据时,重构的大多数数据可以被认为是正常的,但是带有异常的数据也会被模型一同重构生成,所以在生成重构误差的时候会存在应有的误差被抵消,从而降低模型的效果。为了进一步提高模型的性能,本文引入了Encoder-Decoder框架,将前文提出的重构模型改进为Seq2Seq模型。通过GCNLSTM将输入序列数据中的信息进行编码,再使用另一个GCN-LSTM模型进行解码,形成一个新的GCN-LSTM Encoder-Decoder架构,从而得到优化后的重构序列。同时,为了解决序列过长导致的模型性能下降问题,本文还引入了注意力机制以选择序列中的最值得关注的信息进行全局考虑,从而让重构模型获得了更长足的进步和提升。最后,本文使用了与改进前同样的数据集和COPOD异常检测方法进行实验评估,各项指标都有了约5%-25%的提升,证明了改进后基于GCN-LSTM Encoder-Decoder和注意力机制的异常检测方法在不依赖数据标签的情况下,能更好地提取数据特征并进行重构,并且能有效检测出数据中的异常。