随着大数据、机器学习等人工智能技术的发展,B5G（Beyond Fifth Generation,后五代）以及6G（Sixth Generation,六代）智能化网络的部署,促使了智能运维在网络领域的发展。SDN（Software Defined Networking,软件定义网络）提供了自动化管理以及网络可编程化等功能,然而随着网络规模的扩大以及信息传输的逐步复杂化,维持网络的这种动态特性需要智能的运维机制。本文提出基于AIOps（Artificial Intelligence for IT Operations,智能 IT 运维）技术辅助实现SDN中的闭环控制。基于网络中链路延时、网络吞吐率以及设备CPU利用率等时间序列指标建模可以用于发现网络中存在的异常。当前时序数据的有监督检测算法主要将异常检测任务视为二分类问题,通过提取窗口内特征作为判别异常的依据。然而现有的算法主要集中于时序数据本身,对于形态多样的时序数据并不具有通用性。本文将计算机视觉领域的显著性分析技术用于时序数据,基于频谱信息对时序进行信息变换和协调,对背景数据进行削弱并增强时序中显著性的异常数据,提高异常检测的效果。在时序建模特征获取上,本文联合小波分解并基于阈值协调,降低噪声对时序数据建模的影响。本文提出的PTA-DNN算法以显著性分析特征、统计特征、时序建模特征、以及小波特征作为特征集对时序数据进行异常检测,在包含25条不同类型的时序数据集上的F-score为0.948,优于当前有监督异常检测算法。有监督算法依赖对各类不同时序数据精确标注,这耗费了不少的人力资源。同时对于拓扑图关联的时序数据,仅基于时间维度特征难于获取时序的综合特征,本文提出了一种基于图的门控编解码无监督异常检测模型GAD。考虑到网络拓扑场景中检测的实时性以及空间拓扑连接关系,本文采用门控卷积对时序数据并行提取时间维度特征并依赖图卷积网络挖掘空间依赖。在由时空特征提取模块构成的编码器对时间序列编码后,卷积网络构成的解码器用于重构时间序列。最终,输入时序数据和重构时序数据的残差用于检测异常。在公开数据集和仿真平台的实验表明,GAD模型相对于无监督异常检测基线算法具有更高的识别准确率。