1.一种多元时间序列异常预测方法，其特征在于，所述方法包括如下步骤：S100，将当前需要预测的被监测服务器的多元时间序列X=（Xt‑w+1,Xt‑w+2,……,Xi, ……,Xt）输入多元时间序列异常预测模型的数据嵌入模块中，以对X中的数据进行位置嵌入和空间嵌入，得到对应的数据嵌入结果；其中，Xi为预测时间t之前的第i个时间戳对应的多元时间序列，Xi={xi1，xi2，……，xis，……，xin}，i的取值为t‑w+1到t，t为预测时间，w为预测窗口大小；xis为Xi中的第s个监测指标对应的值，s的取值为1到n，n为被监测服务器的监测指标的数量；其中，被监测服务器的监测指标为表示被监测服务器性能的参数；

S200，将所述数据嵌入结果输入多元时间序列异常预测模型的编码器中，得到对应的编码结果；所述编码器包括依次连接且结构相同的第一至第三编码模块，其中，每个编码模块至少包括依次连接的多头注意力机制模块、水平图注意力模块和多尺度前馈网络模块；

其中，第一编码模块还与所述数据嵌入模块连接；

S300，将所述编码结果输入多元时间序列异常预测模型的解码器中，得到对应的解码结果；所述解码器至少包括依次连接的第一线性层、维度间关系学习模块和第二线性层，所述第一线性层与所述第三编码模块连接；所述解码结果包括第一线性层得到的第一结果、所述维度间关系学习模块得到的维度间关系依赖矩阵以及第二线性层得到的第二结果；

S400，至少基于X、维度间关系依赖矩阵和第二结果确定所述被监测服务器在预测时间t之后的w个时间戳内是否会发生异常以及发生异常的指标；

其中，所述多元时间序列异常预测模型为基于被监测服务器的样本数据训练得到的模型；

其中，水平图注意力模块的输出结果HGAT（Fh）满足如下条件：T

HGAT（Fh）=GAT（V，Softmax（QK））；

其中，Q、K和V分别为水平图注意力模块的输入Fh与不同卷积核卷积得到的查询矩阵、T键矩阵和值矩阵，K为K的转置矩阵；Softmax（）为激活函数，GAT（）为执行图注意力机制；

多尺度前馈网络模块的输出结果MFFN（Fm）满足如下条件：o

MFFN（Fm）=Contat（S1，S2，S3）×W，其中，第j个提取结果Sj=sigmoid（Convj（Fm））+tanh（Convj（Fm）），j的取值为1到3；

o

其中，Contat（）表示拼接操作，W 为投影参数，sigmoid（）和tanh（）为激活函数，Convj（Fm）表示利用第j个卷积核对多尺度前馈网络模块的输入Fm进行卷积；

维度间关系学习模块的输出结果为DRLM（Fv），满足如下条件：DRLM（Fv）=Softmax(CosSim（TCN(Q)）)；

Softmax(CosSim（TCN(Q)）)表示维度间依赖关系矩阵，Softmax（）为激活函数，CosSim（）为计算不同行之间的余弦相似度，TCN（）为执行时间卷积网络，Q为维度间关系学习模块的输入Fv与不同卷积核卷积得到的查询矩阵。

2.根据权利要求1所述的方法，其特征在于，所述数据嵌入结果满足如下条件：Embedding（X）=Cov（PE（X）+SE（X）+Cacov（X））；

Embedding（X）为X的数据嵌入结果，PE（X）表示在X的时间维度上添加每个监测指标的时间或者顺序信息，SE（X）表示在每个时间戳上添加指标间的信息，SE（X）=Wse×CosSim（X），Wse为大小为n×w的权重矩阵，CosSim（X）为X中不同监测指标之间的余弦相似度组成的矩阵；Cacov（X）表示对X执行因果卷积操作，Cov（）表示一维卷积操作。

3.根据权利要求1所述的方法，其特征在于，S400具体包括：

0 0 0

S401，获取X对应的异常判断值S（X）=∣∣X‑X2∣∣·（KL（M，M））；其中，X2为第二结果，∣∣ ∣∣表示绝对值函数，·表示点积，KL（）表示双向Kullback‑Leibler散度函数，M为X中不同监0

测指标之间的余弦相似度组成的矩阵，M为维度间依赖关系矩阵；

S402，如果S（X）＞S0，确定所述被监测服务器在预测时间t之后的w个时间戳内会发生异常，并执行S403；否则，确定所述被监测服务器在预测时间t之后的w个时间戳内不会发生异常；S0为预设异常判断值阈值；

0 0

S403，获取第s个监测指标的异常判断值ISs=k1×∣∣Ys‑Ys∣∣+k2×KL（M，M）；其中，Ys为0

X中的第s个监测指标对应的指标向量，Ys=（x（t‑w+1）s，……，xis，……，xts），Y s为第二结果中与Ys对应的结果；k1和k2分别为第一预设权重和第二预设权重；

S404，将IS1至ISn按照由大到小的顺序进行排序，并将排序后的前K个异常判断值对应的监测指标作为发生异常的指标。

4.根据权利要求1所述的方法，其特征在于，所述多元时间序列异常预测模型在训练过

0 0

程中采用两阶段损失函数，其中，第一阶段损失函数L1=∣∣X‑X1∣∣+α×KL（M，M）+β×∣∣X‑

0 0 0 0

X2∣∣，第二阶段损失函数L2=∣∣X‑X1∣∣‑α/2×KL（M，M）‑β/2×∣∣X‑X2∣∣；

0 0

其中，X1为第一结果，X2为第二结果，∣∣ ∣∣表示绝对值函数，·表示点积，KL（）表示双0

向Kullback‑Leibler散度函数，M为X中不同监测指标之间的余弦相似度组成的矩阵，M 为维度间依赖关系矩阵，α和β分别为超参数。

5.一种电子设备，其特征在于，包括处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至4任一项所述方法的步骤。

6.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至4任一项所述方法的步骤。