1.基于级联异常生成网络的云服务异常诊断方法，其特征在于，包括：S1、构建级联异常生成网络模型，级联异常生成网络模型包括nl层级联网络，每层级联网络均包括异常生成网络和隐层，一层异常生成网络用于识别一类服务异常，异常生成网络的输出作为隐层的输入，第p层级联网络可以直接捕获第p‑1层级联网络的低阶线性相关性关系，其中nl和p均为大于1的正整数，异常生成网络为双向生成对抗网络，异常生成网络包括生成器、编码器、判断器和异常判定层，生成器采用基于多头注意力的变分贝叶斯循环神经网络，判别器采用全卷积神经网络，编码器采用时间卷积网络，生成器的输出和判别器的输出均作为异常判定层的输入；

S2、获取历史数据和异常知识库；

S3、历史数据和异常知识库导入至级联异常生成网络模型，依次对每层级联网络进行训练优化，训练优化时，一层级联网络的异常生成网络以一类服务异常为训练目标，不同层的异常生成网络的训练目标不同；

S4、获取实时数据，利用训练优化后的级联异常生成网络模型进行异常检测识别并生成异常识别结果。

2.根据权利要求1所述的基于级联异常生成网络的云服务异常诊断方法，其特征在于，生成器计算重构误差 及其置信度，判别器计算分类误差，异常判定层根据重构误差 、置信度和分类误差计算异常分数sx，表示为 ，其中为分类误差， 为重构误差，α为生成器中贝叶斯循环神经网络所给出 的置信度归一化至[0,1]区间后的值。

3.根据权利要求1所述的基于级联异常生成网络的云服务异常诊断方法，其特征在于，隐层定义重建误差的平方SRE为第p层异常生成网络中残差向量的平方范数，表示为，其中，xp是第p层异常生成网络的输入， 是xp基于隐层特征hp的重建，表示为 ，Wp是隐层单元与第p层异常生成网络上的重建之间的权重，nl是级联异常生成网络模型的总的级联层数，a为给定的显著性水平，a的上限可以通过核密度估计KDE方法计算。

4.根据权利要求3所述的基于级联异常生成网络的云服务异常诊断方法，其特征在于，2

基于马氏 距离的平方定义每层级联网络上隐层的统计指标M ，表示为，其中 是训练集在第p层隐层上学习到的特征的协

T

方差矩阵，hp和hp 分别为第p层隐层的特征表示矩阵和转置矩阵。

5.根据权利要求4所述的基于级联异常生成网络的云服务异常诊断方法，其特征在于，在S4中包括：S41、获取实时数据并导入至训练优化后的级联异常生成网络模型；

S42、优化训练后的异常生成网络计算重构误差、置信度和分类误差；

S43、计算高阶的统计指标；

S44、逐级计算每一层异常生成网络的异常判定值；

S45、逐级进行每一层异常生成网络的异常判定，若异常判定值大于阈值，则为对应类型的异常；

S46、综合各级异常判定结果，生成异常识别结果，异常识别结果包括异常类别和详细异常，异常类别包括正常、单异常和多异常。

6.基于级联异常生成网络的云服务异常诊断系统，其特征在于，包括：采集模块；采集模块用于获取云平台监控系统的实时监控数据；

储存模块；储存模块用于储存实时监控数据、历史数据和异常知识库；

优化训练模块；优化训练模块用于级联异常生成网络模型的训练优化，优化训练模块的数据信号输入端与储存模块的数据信号输出端连接，进行训练优化时，实现如权利要求

1‑5任一项所述的基于级联异常生成网络的云服务异常诊断方法中的训练优化方法；

异常诊断模块；异常诊断模块用于根据实时监控数据对云平台进行异常检测诊断，异常诊断模块的信号输入端与采集模块的信号输出端和优化训练模块的信号输出端连接，异常诊断模块的数据信号输出端与储存模块的数据信号输入端连接，训练优化后的级联异常生成网络模型作为异常诊断模块。

7.根据权利要求6所述的基于级联异常生成网络的云服务异常诊断系统，其特征在于，云服务异常诊断系统还包括数据预处理模块，数据预处理模块用于对实时监控数据进行预处理，数据处理模块的数据信号输出端分别与储存模块的数据信号输入端和异常诊断模块的数据信号输入端连接。