在互联网时代,大量面向公众提供服务的互联网公司都需要监控自身的网络服务情况和服务器健康状态等数据,以保证能够提供正常的服务访问,也就是运维工作。但随着上网用户的激增,互联网能够提供的服务越来越多,需要监控的数据也在不断增加,传统的人工运维已经无法再适应高速发展的互联网时代。运维技术也随着人工智能技术的进步而进入了智能运维（AIOps）时代,异常检测任务的目标则是通过使用人工智能算法自动的发现运维数据中存在的异常波动,为后续的故障定位和根因分析等运维工作提供决策支持。在实际的运维场景中,由于异常数据的稀缺、运维数据类型和异常模式的多样,给运维场景中的异常检测任务带来了很大的挑战。本文主要针对的是运维场景下的异常检测问题,目前提出的基于运维数据的异常检测模型大多都是通过选择合适的阈值去划分正常和异常数据,而选择一个合适的阈值非常依赖于丰富的专家经验,若阈值不合适,模型性能则会出现下降,随机性大,不够灵活。且大多数异常检测模型都是采用LSTM作为提取时序特征的模型组件,而LSTM的计算会依赖于上一个时间步的计算结果,不能进行并行处理,在n个时间步的序列数据中,LSTM模型会计算n次,但自注意力层只需要计算一次。且在运维数据这样的高维数据中,计算复杂度会比自注意力层的计算复杂度更大。所以本文将多头自注意力机制引入了运维数据异常检测领域,并通过结合卷积神经网络分类模型,设计了MHSA-CNN（Multi-head Self-attention CNN）异常检测模型。该模型共包括三个部分,分别是数据校正和特征提取、基于运维数据的时序特征提取和序列异常识别。数据校正和特征提取部分负责原始数据的标准化,通过滑动窗口进行数据的划分和异常数据的注入,在本文中改进了只能用于单维序列数据的异常注入方法,使其能够应用于运维场景的多维序列数据上。时序特征提取部分通过结合多头自注意力机制和位置编码技术进行时序数据建模,还增加了一个前馈神经网络层增加非线性变换,增强模型的表达能力。序列异常识别部分则通过使用卷积神经网络分类器将数据分类为异常样本和正常样本。本文希望通过结合自注意力机制擅长捕捉数据的内部相关性和对全局建模的能力,以及自注意力计算方法对局部信息不敏感,使得模型易受异常点影响的特性,并结合卷积神经网络关注局部信息的能力,能够在运维数据的异常检测任务上得到好的效果。为了验证MHSA-CNN模型在运维数据异常检测任务上的性能,本文在SKAB异常检测公开数据集上进行性能评估,并选择使用四个基准算法与MHSA-CNN模型进行对比。评估结果表明,MHSA-CNN模型在SKAB数据集中35个子数据集中的大多数子数据集上都取得了优异的效果,且异常漏报率远远低于其他基准模型。