近几年来,随着计算机科学、网络通信和控制科学技术的快速发展,应用到生产和生活中的系统的规模和复杂程度迅速增加,系统在安全生产和营销中所占重要性也逐渐增强,因此确保系统的安全可靠、稳定高效至关重要。本文将研究的基于Bayesian Network系统状态异常检测算法,应用到营销业务应用系统中,提供可靠、客观的分析判断依据,用于营销业务应用系统的状态异常检测与诊断。从而使系统的运行得到最大限度保障,降低事故发生的风险,极大地提高了营销业务应用系统的安全性和可靠性。本文首先介绍了贝叶斯网络(Bayesian Network,BN)算法的相关理论,包括贝叶斯算法的理论公式、图论拓扑结构和贝叶斯推理等。贝叶斯网络既可以处理离散量输入又可以处理连续量输入,但是处理连续变量过程极为复杂,不能很好的应用到实际的工作中去。而本文所研究的算法最终要应用到营销业务应用系统,系统数据随状态空间的变化是连续的。因此,本文采用先将数据经过HTM(Hierarchical Temporal Memory)的一维数据检测异常,得到对应参数的离散异常似然序列,再用贝叶斯网络进行系统状态异常检测。模型的核心算法为HTM算法和贝叶斯网络算法,数据经过基于HTM异常检测算法之后得到异常似然,将多参数序列的异常似然组成异常似然列表。将异常似然列表经过离散化后得到离散值列表,然后经过贝叶斯网络推断后得到异常列表。异常似然列表、离散值列表的值本质上都是与原始数据序列相对应的。最后,对异常列表进行划分,得到异常区域列表。本文选取了从国网营销业务应用系统中导出的CPU序列,NET序列,MEM序列数据组作为系统状态异常检测的参数,将其作为贝叶斯网络模型中的节点。之后以贝叶斯网络为基础建立模型,完成了模型的参数学习。将基于贝叶斯的网络模型转化为联合树结构,并用联合树算法对系统的状态进行分析,最后实现了对营销业务应用系统的状态异常检测,并将常用的一维数据方法和基于HTM算法和贝叶斯网络算法的多参数状态异常检测进行比较。