1.一种基于相似度的多元时间序列异常检测与诊断方法，其特征在于，包括：步骤S1，获取待测试的多元时间序列 ， 表示t时刻N维属性向量矩阵， 包括网络传输速率、网络TCP等待时间、每秒CPU I/O等待时间， 表示时间戳长度， ；

步骤S2，结合基本概率分配方法和谷本测量方法获取每个时刻的N维属性向量矩阵的相似度矩阵；

步骤S3，利用基于注意力机制的重构模型重构每个时刻的相似度矩阵，获得每个时刻的重构矩阵；

步骤S4，比较每个时刻的相似度矩阵和重构矩阵得到该时刻的相似误差矩阵，依次判断相似误差矩阵中每个元素是否异常，统计相似误差矩阵中异常元素数量并将所述异常元素数量作为对应时刻的异常分数；

步骤S5，判断每个时刻的异常分数是否达到第一阈值，若达到第一阈值则认为该时刻的N维属性向量矩阵异常，进一步根据该时刻的相似误差矩阵中异常元素分布确定异常属性。

2.如权利要求1所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S2中，获取t时刻N维属性向量矩阵的相似度矩阵的过程包括：步骤S21，获取预训练样本集 ， 表示第 个用于训练的N维属性向量矩阵， ；基于预训练样本集构建N维向量矩阵中每维属性相对每个检测类别的高斯型隶属度函数，检测类别包括正常和异常两种；

步骤S22，匹配t时刻N维向量矩阵 和高斯型隶属度函数，并对匹配结果进行融合获得t时刻N维向量矩阵 中每维属性相对计算类别c的基本概率分配，计算类别c包括正常、异常和正常或异常三种；

步骤S23，根据t时刻N维向量矩阵 中每维属性的基本概率分配迭代获取 中该维属性相对每个计算类别的不确定性度；

步骤S24，计算t时刻N维向量矩阵 中任意两个属性的相似度，获得t时刻N维属性向量矩阵的相似度矩阵。

3.如权利要求2所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S21中，第 个属性相对检测类别 的高斯隶属度函数 为：，其中， 表示待测试样本的第 个属性值； 表示预训练样本集中所有样本中属于检测类别 的第 个属性值的均值； 表示预训练样本集所有样本中属于检测类别 的第 个属性值的标准差； 。

4.如权利要求3所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S23中，求取t时刻N维向量矩阵 中第 维属性相对计算类别的不确定性度的过程包括：步骤S321,初始化参数：

设置变量 表示t时刻N维向量矩阵 中第 维属性相对计算类别c的不确定性度，令 的初始迭代值 为 中第 维属性相对计算类别c的基本概率分配；

设 为迭代次数，初始值为1；

计算中间变量 ，其中，当计算类别c为正常或者异常时，，当计算类别c为正常或异常时， ； 表示计算类别c的取值集合，；

步骤S322, 按照如下公式计算 的 次迭代值：；

步骤S323,计算迭代增量 ，若满足 ，则停止迭代，将作为 输出，若不满足 ，令 ，返回继续执行步骤S322。

5.如权利要求4所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，所述步骤S24包括：步骤S241，按照如下公式求取t时刻N维向量矩阵 中第 维属性和第 维属性之间的相似度 ：；

其中， ， 表示t时刻N维向量矩阵 中第 维属性相对计算类别c的不确定性度；

步骤S242，利用t时刻N维向量矩阵 中所有任意属性之间的相似度组建t时刻相似度矩阵 ， 的大小为 。

6.如权利要求3或4或5所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S3中，所述重构模型包括：张量获取模块：采用不同长度的滑动窗口划分t时刻及t时刻以前的相似度矩阵获得不同大小的窗口矩阵，组合所有窗口矩阵获得t时刻张量 ；

多层卷积模块，对t时刻张量进行下采样；

基于注意力的网络模块，将下采样后的相似度矩阵按行拆分成行向量，将所有行向量输入多头注意力网络，多头注意力网络输出t时刻重构张量；

反卷积层，对t时刻的重构张量进行反卷积获得t时刻的重构矩阵。

7.如权利要求6所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，基于注意力的网络模块执行：步骤A，将下采样后的相似度矩阵按行拆分成行向量 ；

步骤B，将行向量 转化为三个矩阵，即查询矩阵 、键矩阵 和值矩阵 ，查询矩阵权重为 ，键矩阵 权重为 ，值矩阵 权重为 ， ， ，；

步骤C，计算查询矩阵 与所有时刻键矩阵 组成的矩阵 之间的稀疏度度量：；

其中， 表示模态；

步骤D，由稀疏度度量 的顶级查询组成稀疏矩阵 ，获取比例点积注意力的定义为：;

其中， 表示所有时刻值矩阵 组成的矩阵；

步骤E，采用由多个并行运行的注意力层组成的多头注意力网络获得多头比例点积注意力：；

其中， ； 表示注意力层数量； ； 表示第个注意力层输入的稀疏矩阵； 表示第 个注意力层输入的所有时刻键矩阵 组成的矩阵； 表示第 个注意力层输入的所有时刻值矩阵 组成的矩阵；

步骤F，在第一个时刻的行向量输入时，将全局注意力单元设置为一个与输入窗口具有相同形状的全0矩阵，将全0矩阵与输入窗口连接；

步骤G，对多头比例点积注意力进行位置编码，解码t时刻位置获得t时刻重构张量。

8.如权利要求7所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，利用预训练样本集Z基于对比学习方法对重构模型进行训练，训练过程中在获取m时刻的重构矩阵 后损失函数求取过程包括：计算属性对 在m时刻的时间对比损失：；

其中，B表示一个训练batchsize； 表示m时刻重构矩阵 中位置 的元素值，表示m时刻重构矩阵 中位置 的元素值， 表示 时刻重构矩阵 中位置 的元素值；

计算属性对 在m时刻的实例对比损失：；

其中， 表示m时刻N维向量矩阵 中除了第 维属性和第 维属性以外的其它维属性集合；

计算属性对 的总损失：

；

其中， 表示第一超参数， ；

计算 时刻重构矩阵 的总损失为：

。

9.如权利要求1或2或3或4或5或7或8所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，步骤S4包括：步骤S41，计算 时刻相似误差矩阵 ，其中， 表示t时刻N维向量矩阵的相似度矩阵， 表示t时刻N维向量矩阵 的重构矩阵；

步骤S42，依次判断相似误差矩阵 中每个元素是否大于第二阈值，若大于第二阈值，则认为该元素异常；所述第二阈值 ， 表示第二超参数，， 表示训练期间获得的相似误差矩阵的最大元素值；

步骤S43，统计 时刻相似误差矩阵中异常元素数量并将所述异常元素数量作为 时刻的异常分数。

10.如权利要求9所述的基于相似度的多元时间序列异常检测与诊断方法，其特征在于，在步骤S5中，所述第一阈值为：；

其中， 表示第三超参数， ， 表示训练期间获得的相似矩阵的最大异常分数。