CN113780238B - 多指标时序信号的异常检测方法、装置及电子设备 - Google Patents
多指标时序信号的异常检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113780238B CN113780238B CN202111136357.9A CN202111136357A CN113780238B CN 113780238 B CN113780238 B CN 113780238B CN 202111136357 A CN202111136357 A CN 202111136357A CN 113780238 B CN113780238 B CN 113780238B
- Authority
- CN
- China
- Prior art keywords
- feature
- sequence
- index
- determining
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 171
- 230000005856 abnormality Effects 0.000 title abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 67
- 230000015654 memory Effects 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000003491 array Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种多指标时序信号的异常检测方法、装置及电子设备,其中方法包括:确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种多指标时序信号的异常检测方法、装置及电子设备。
背景技术
相关技术中,多指标时序信号的异常检测方法主要为,分别采集其中各个指标的变化趋势特征;基于各个指标的变化趋势特征确定多指标时序信号是否存在异常。上述方案中,确定多指标时序信号是否存在异常时考虑的特征较少,异常检测准确度低,异常检测效率差。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请提出一种多指标时序信号的异常检测方法、装置及电子设备,以实现在多个时间窗口内分别对多指标时序信号进行图像采集得到多个图像,对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,进而基于提取的特征确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
本申请第一方面实施例提出了一种多指标时序信号的异常检测方法,包括:
确定待处理的图像序列,其中,所述图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;
对所述多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成所述图像序列对应的特征序列;
根据所述特征序列,确定所述多指标时序信号是否存在异常。
本申请实施例的多指标时序信号的异常检测方法,通过确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
本申请第二方面实施例提出了一种异常检测联合模型的训练方法,包括:
构建初始的异常检测联合模型,其中,所述异常检测联合模型包括:基于图像序列确定对应的特征序列的特征提取模型、基于所述特征序列进行异常检测的序列预测模型;
获取训练数据,其中,所述训练数据包括:样本图像序列以及对应的标签;所述样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;所述标签表征所述多指标时序信号是否存在异常;
以所述样本图像序列为所述异常检测联合模型的输入,以所述标签为所述异常检测联合模型的输出,对所述异常检测联合模型中的所述特征提取模型和所述序列预测模型进行系数调整,实现训练。
本申请实施例的异常检测联合模型的训练方法,通过获取训练数据,其中,训练数据包括:样本图像序列以及对应的标签;样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;标签表征多指标时序信号是否存在异常;以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型和序列预测模型进行系数调整,实现训练,进而基于特征提取模型和序列预测模型对多指标时序信号进行异常检测,考虑的特征比较全,异常检测准确度高,异常检测效率高。
本申请第三方面实施例提出了一种多指标时序信号的异常检测装置,包括:
第一确定模块,用于确定待处理的图像序列,其中,所述图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;
特征提取模块,用于对所述多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成所述图像序列对应的特征序列;
第二确定模块,用于根据所述特征序列,确定所述多指标时序信号是否存在异常。
本申请实施例的多指标时序信号的异常检测装置,通过确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
本申请第四方面实施例提出了一种异常检测联合模型的训练装置,包括:
构建模块,用于构建初始的异常检测联合模型,其中,所述异常检测联合模型包括:基于图像序列确定对应的特征序列的特征提取模型、基于所述特征序列进行异常检测的序列预测模型;
获取模块,用于获取训练数据,其中,所述训练数据包括:样本图像序列以及对应的标签;所述样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;所述标签表征所述多指标时序信号是否存在异常;
训练模块,用于以所述样本图像序列为所述异常检测联合模型的输入,以所述标签为所述异常检测联合模型的输出,对所述异常检测联合模型中的所述特征提取模型和所述序列预测模型进行系数调整,实现训练。
本申请实施例的异常检测联合模型的训练装置,通过获取训练数据,其中,训练数据包括:样本图像序列以及对应的标签;样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;标签表征多指标时序信号是否存在异常;以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型和序列预测模型进行系数调整,实现训练,进而基于特征提取模型和序列预测模型对多指标时序信号进行异常检测,考虑的特征比较全,异常检测准确度高,异常检测效率高。
本申请第五方面实施例提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请第一方面实施例提出的多指标时序信号的异常检测方法,或者,本申请第二方面实施例提出的异常检测联合模型的训练方法。
本申请第六方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请第一方面实施例提出的多指标时序信号的异常检测方法,或者,本申请第二方面实施例提出的异常检测联合模型的训练方法。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的多指标时序信号的异常检测方法的流程示意图;
图2为多指标时序信号的示意图;
图3为图像序列中多个图像的示意图;
图4为本申请实施例二所提供的多指标时序信号的异常检测方法的流程示意图;
图5为本申请实施例三所提供的异常检测联合模型的训练方法的流程示意图;
图6为注意力机制模型的示意图;
图7为本申请实施例四所提供的多指标时序信号的异常检测装置的结构示意图;
图8为本申请实施例五所提供的多指标时序信号的异常检测装置的结构示意图;
图9为本申请实施例六所提供的多指标时序信号的异常检测装置的结构示意图;
图10为本申请实施例七所提供的异常检测联合模型的训练装置的结构示意图;
图11示出了适于用来实现本申请实施方式的示例性计算机设备的框图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
相关技术中,多指标时序信号的异常检测方法主要为,分别采集其中各个指标的变化趋势特征;基于各个指标的变化趋势特征确定多指标时序信号是否存在异常。上述方案中,确定多指标时序信号是否存在异常时考虑的特征较少,异常检测准确度低,异常检测效率差。
因此,本申请主要针对相关技术中多指标时序信号的异常检测准确度低,异常检测效率差的技术问题,提出一种多指标时序信号的异常检测方法、装置及电子设备。
本申请实施例的多指标时序信号的异常检测方法,通过确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
下面参考附图描述本申请实施例的多指标时序信号的异常检测方法、装置及电子设备。
图1为本申请实施例一所提供的多指标时序信号的异常检测方法的流程示意图。
本申请实施例以该多指标时序信号的异常检测方法被配置于多指标时序信号的异常检测装置中来举例说明,该多指标时序信号的异常检测装置可以应用于任一电子设备中,以使该电子设备可以执行多指标时序信号的异常检测功能。
其中,电子设备可以为个人电脑(Persona l Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作***、触摸屏和/或显示屏的硬件设备。
如图1所示,该多指标时序信号的异常检测方法可以包括以下步骤:
步骤101,确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像。
本申请实施例中,多指标时序信号,为在采集时间点上同时对多个指标进行数据采集,且采集时间点为多个的情况下,得到的信号。其中,多指标时序信号中,多个指标一般是针对相同的对象,例如,车辆、机器人等。以车辆为例,同时对车辆上的多个相关的指标进行数据采集,能够生成多指标时序信号。如图2所示,为多指标时序信号的示意图。在图2中,每个线条代表对应一个指标。如图3所示,为图像序列中多个图像的示意图。
本申请实施例中,多指标时序信号的异常检测装置执行步骤101的过程例如可以为,确定时间窗口长度以及时间窗口滑动步长;根据时间窗口长度以及时间窗口滑动步长,确定多个时间窗口;在多个时间窗口内分别对多指标时序信号进行图像采集,生成图像序列。
其中,时间窗口长度的选择,需要确保图像中能够包含多个指标的较为完备的变化趋势;且确保图像中可以展现关键部分的变化细节。其中,时间窗口长度,可以结合多指标时序信号的历史特征、历史变化趋势等来确定。
其中,时间窗口滑动步长的选择,需要确保多指标时序信号中每个时间点的数据至少被图像采集到一次,也就是说,每个时间点的数据会被至少一次用于进行特征提取,避免因为某个时间点或者某个时间段数据没有被图像采集导致的数据遗漏和误检测。时间窗口滑动步长的下限,即图像采集频率的上限,需要考虑多指标时序信号的异常检测装置所在电子设备的处理能力,避免数据量过大而造成的资源浪费。
例如,当多指标时序信号是按照秒级采集得到时,时间窗口长度可以设置为30-60分钟,时间窗口滑动步长可以为10-30分钟。
本申请实施例中,多个时间窗口可以包括:待检测时间点所在的第一时间窗口,以及第一时间窗口之前的预设数量个第二时间窗口。其中,预设数量可以根据多指标时序信号的变化趋势、时间窗口长度、时间窗口滑动步长等确定。
本申请实施例中,由于多指标时序信号的异常检测,主要是依据信号的变化趋势,因此,为了减少数据处理量,在多个时间窗口内分别对多指标时序信号进行图像采集时采集到的图像,可以为黑白图像;或者,将采集到的图像转换成黑白图像。其中,黑白图像只有黑白像素,像素维度为1,表示为单通道格式。基于黑白图像,能够撇除冗余数据,减少数据处理量,提高多指标时序信号的异常检测速度,提高异常检测效率。
步骤102,对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列。
本申请实施例中,指标趋势特征可以包括多个指标的变化趋势特征。指标相关性特征,为多个指标之间的指标相关性特征。其中,指标相关性特征的表现,例如此消彼长、共同增长等。
在一种示例中,多指标时序信号的异常检测装置执行步骤102的过程例如可以为,针对多个图像中的每个图像,提取图像中的指标趋势特征;根据指标趋势特征中多个指标的变化趋势特征,确定图像中多个指标之间的指标相关性特征;根据多个图像的指标趋势特征以及指标相关性特征,生成特征序列。
在另一种示例中,多指标时序信号的异常检测装置执行步骤102的过程例如可以为,将多个图像中的每个图像依次输入预设的特征提取模型,以获取多个图像的指标趋势特征以及指标相关性特征;根据多个图像的指标趋势特征以及指标相关性特征,生成特征序列。
其中,特征提取模型例如可以为卷积神经网络(Convolutional NeuralNetworks,CNN)模型。其中,CNN模型主要由两个卷积模块构成。每个卷积模块包括卷积操作层(Convolution)、批标准化操作层(Batch Normalization-BN)、最大池化操作层(MaxPooling-MP)以及弃活操作层(DropOut-DP)。其中,卷积操作层通过卷积核与图像中对应位置元素的卷积操作实现不同层次特征的提取。批标准化操作层对输入数据进行归一化操作,加速模型收敛速度。最大池化操作层实现了在减少数据量的同时,进一步对有效特征的提取。弃活操作层是为了防止过拟合而设计。
其中,与最后一个卷积模块相连接的,是平铺操作层(Flatten)和全连接层(FullyConnection-FC),将经过卷积操作提取到的特征进一步抽象化,同时为输入到后续的LSTM网络做结构变换,方便后续网络处理。其中,平铺操作层的作用是将卷积网络输出的数据格式转化为可以方便全连接层运算的数据格式。全连接层通过逐点计算,实现对输入数据的特征提取。
步骤103,根据特征序列,确定多指标时序信号是否存在异常。
本申请实施例中,多指标时序信号的异常检测装置执行步骤103的过程例如可以为,将特征序列输入预设的序列预测模型,以获取序列预测模型输出的预测结果;根据预测结果确定多指标时序信号是否存在异常。
其中,序列预测模型例如可以为,长短期记忆网络(Long Short Term Memory,LSTM)模型。序列预测模型的输入为特征序列,输出的预测结果为异常概率;根据该异常概率确定多指标时序信号异常还是正常。例如,异常概率大于预设概率值,则确定多指标时序信号存在异常;异常概率小于或者等于预设概率值,则确定多指标时序信号正常。又例如,结合异常概率以及激励函数,来确定多指标时序信号是否存在异常。
本申请实施例中,在多个时间窗口包括:待检测时间点所在的第一时间窗口,以及第一时间窗口之前的预设数量个第二时间窗口的情况下,多指标时序信号的异常检测装置执行步骤103的过程例如可以为,根据特征序列,确定在待检测时间点多指标时序信号是否存在异常。
本申请实施例的多指标时序信号的异常检测方法,通过确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
图4为本申请实施例二所提供的多指标时序信号的异常检测方法的流程示意图。
如图4所示,该多指标时序信号的异常检测方法可以包括以下步骤:
步骤401,确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像。
本申请实施例中,多个时间窗口可以包括:待检测时间点所在的第一时间窗口,以及第一时间窗口之前的预设数量个第二时间窗口。其中,预设数量可以根据多指标时序信号的变化趋势、时间窗口长度、时间窗口滑动步长等确定。
步骤402,对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列。
步骤403,确定特征序列中第一特征与各个第二特征之间的相关度,其中,第一特征为第一时间窗口对应图像的特征,第二特征为第二时间窗口对应图像的特征。
本申请实施例中,相关度例如可以为,第一特征与第二特征之间的欧式距离、第一特征与第二特征之间的余弦相似度等,可以根据实际需要进行设定。其中,某个第二特征与第一特征之间的相关度越小,表明该第二特征对应图像中的多指标时序数据相较于第一特征对应图像中的多指标时序数据的变化波动程度较大,也就是说,该第二特征对于异常判断有着较大的贡献。某个第二特征与第一特征之间的相关度越大,表明该第二特征对应图像中的多指标时序数据相较于第一特征对应图像中的多指标时序数据的变化波动程度较小,也就是说,该第二特征对于异常判断的贡献较小。
本申请实施例中,贡献较大的第二特征可以给予较大的权重,贡献较小的第二特征可以给予较小的权重。
步骤404,根据相关度,确定各个第二特征的权重。
本申请实施例中,多指标时序信号的异常检测装置执行步骤404的过程例如可以为,确定候选特征,其中,候选特征为对应的相关度最小的第二特征;根据候选特征,确定特征序列中的第一部分特征和第二部分特征,其中,第一部分特征包括排序在候选特征之前的第二特征;第二部分特征包括候选特征以及排序在候选特征之后的第二特征;针对第一部分特征中的每个特征,将特征的权重确定为初始权重值;针对第二部分特征中的每个特征,根据特征的相关度、相关度和值以及初始权重值,确定特征的权重。
其中,初始权重值例如可以为特征序列中特征数量的倒数,或者,图像序列中图像数量的倒数。其中,特征序列中特征与图像序列中图像一一对应。
本申请实施例中,可以计算特征序列中所有第二特征的相关度的总和,作为相关度和值;或者,计算第二部分特征中所有特征的相关度的总和,作为相关度和值。针对第二部分特征中的每个特征,计算该特征的相关度与相关度和值的比值,将该比值与初始权重值的加和,作为该特征的权重。
另外,需要说明的是,代替步骤403和步骤404的另一种方式可以为,将特征序列输入预设的注意力机制模型,确定特征序列中各个第二特征的权重。
步骤405,根据各个第二特征的权重,调整特征序列中的各个第二特征。
本申请实施例中,针对特征序列中的每个第二特征,可以将该第二特征与对应的权重进行相乘,相乘得到的结果作为调整后的第二特征,进而得到调整后的特征序列。
步骤406,根据特征序列,确定多指标时序信号是否存在异常。
需要说明的是,步骤401、步骤402、步骤406的详细内容,可以参考图1所示实施例中的步骤101、步骤102和步骤103,此处不再进行详细说明。
本申请实施例的多指标时序信号的异常检测方法,通过确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;确定特征序列中第一特征与各个第二特征之间的相关度,其中,第一特征为第一时间窗口对应图像的特征,第二特征为第二时间窗口对应图像的特征;根据相关度,确定各个第二特征的权重;根据各个第二特征的权重,调整特征序列中的各个第二特征;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
图5为本申请实施例三所提供的异常检测联合模型的训练方法的流程示意图。
本申请实施例以该异常检测联合模型的训练方法被配置于异常检测联合模型的训练装置中来举例说明,该异常检测联合模型的训练装置可以应用于任一电子设备中,以使该电子设备可以执行异常检测联合模型的训练功能。
其中,电子设备可以为个人电脑(Personal Computer,简称PC)、云端设备、移动设备等,移动设备例如可以为手机、平板电脑、个人数字助理、穿戴式设备、车载设备等具有各种操作***、触摸屏和/或显示屏的硬件设备。
如图5所示,该异常检测联合模型的训练方法可以包括以下步骤:
步骤501,构建初始的异常检测联合模型,其中,异常检测联合模型包括:基于图像序列确定对应的特征序列的特征提取模型、基于特征序列进行异常检测的序列预测模型。
本申请实施例中,特征提取模型例如可以为卷积神经网络(ConvolutionalNeural Networks,CNN)模型。该模型用于对图像序列中的多个图像分别进行指标趋势特征以及指标相关性特征提取处理,得到每个图像的特征,进而生成图像序列对应的特征序列。
本申请实施例中,序列预测模型例如可以为,长短期记忆网络(Long Short TermMemory,LSTM)模型。序列预测模型的输入为特征序列,输出的预测结果为异常概率;根据该异常概率确定多指标时序信号异常还是正常。例如,异常概率大于预设概率值,则确定多指标时序信号存在异常;异常概率小于或者等于预设概率值,则确定多指标时序信号正常。又例如,结合异常概率以及激励函数,来确定多指标时序信号是否存在异常。
步骤502,获取训练数据,其中,训练数据包括:样本图像序列以及对应的标签;样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;标签表征多指标时序信号是否存在异常。
本申请实施例中,异常检测联合模型的训练装置执行步骤502的过程例如可以为,确定时间窗口长度以及时间窗口滑动步长;根据时间窗口长度以及时间窗口滑动步长,确定多个样本时间窗口;在多个样本时间窗口内分别对多指标时序信号进行图像采集得到多个样本图像,生成样本图像序列;重复上述过程,确定不同的样本时间窗口,进而能获取到多个样本图像序列,用于训练。
步骤503,以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型和序列预测模型进行系数调整,实现训练。
本申请实施例中,以样本图像序列为异常检测联合模型的输入,获取异常检测联合模型输出的预测标签(异常概率或者是否异常),结合预测标签以及该样本图像序列对应的样本标签构建损失函数(交叉熵函数等)。使用Adams优化器进行优化,并依据链式法则在序列预测模型和特征提取模型中反向传播,利用梯度下降法对序列预测模型和特征提取模型的系数进行调整,直至损失函数下降收敛,或者异常检测联合模型的准确度满足需求。
进一步的,本申请实施例中,为了加快模型训练速度,提高训练得到的模型的准确度,可以在特征提取模型之后连接特征调整模块或者注意力机制模型,将特征调整模块或者注意力机制模型的输出连接序列预测模型。
其中,特征调整模块,确定特征序列中第一特征与各个第二特征之间的相关度,其中,第一特征为第一时间窗口对应图像的特征,第二特征为第二时间窗口对应图像的特征;根据相关度,确定各个第二特征的权重;根据各个第二特征的权重,调整特征序列中的各个第二特征。
其中,注意力机制模型的输入为特征序列,输出可以为特征序列中各个第二特征的权重,进而根据各个第二特征的权重,调整特征序列中的各个第二特征。
本申请实施例中,注意力机制模型的示意图可以如图6所示,图6为注意力机制模型的示意图。在图6中,注意力机制可以确定特征序列中各个第二特征(F1,F2,F3,F4,……)的权重,与对应的第二特征进行乘积处理,得到调整后的第二特征,生成调整后的特征序列,输入写预测模型,进而得到异常概率(异常分数)。
本申请实施例中,在特征提取模型之后连接注意力机制模型的情况下,异常检测联合模型的训练过程例如可以为,以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型、注意力机制模型和序列预测模型进行系数调整,实现训练。
本申请实施例的异常检测联合模型的训练方法,通过获取训练数据,其中,训练数据包括:样本图像序列以及对应的标签;样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;标签表征多指标时序信号是否存在异常;以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型和序列预测模型进行系数调整,实现训练,进而基于特征提取模型和序列预测模型对多指标时序信号进行异常检测,考虑的特征比较全,异常检测准确度高,异常检测效率高。
图7为本申请实施例四所提供的多指标时序信号的异常检测装置的结构示意图。
如图7所示,该多指标时序信号的异常检测装置700可以包括:第一确定模块710、特征提取模块720和第二确定模块730。
其中,第一确定模块710,用于确定待处理的图像序列,其中,所述图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;
特征提取模块720,用于对所述多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成所述图像序列对应的特征序列;
第二确定模块730,用于根据所述特征序列,确定所述多指标时序信号是否存在异常。
进一步地,在本申请实施例的一种可能的实现方式中,所述第一确定模块710具体用于,确定时间窗口长度以及时间窗口滑动步长;根据所述时间窗口长度以及所述时间窗口滑动步长,确定所述多个时间窗口;在所述多个时间窗口内分别对所述多指标时序信号进行图像采集,生成所述图像序列。
进一步地,在本申请实施例的一种可能的实现方式中,所述特征提取模块720具体用于,针对所述多个图像中的每个图像,提取所述图像中的所述指标趋势特征;根据所述指标趋势特征中多个指标的变化趋势特征,确定所述图像中所述多个指标之间的指标相关性特征;根据所述多个图像的所述指标趋势特征以及所述指标相关性特征,生成所述特征序列。
进一步地,在本申请实施例的一种可能的实现方式中,所述特征提取模块720具体用于,将所述多个图像中的每个图像依次输入预设的特征提取模型,以获取所述多个图像的所述指标趋势特征以及所述指标相关性特征;根据所述多个图像的所述指标趋势特征以及所述指标相关性特征,生成所述特征序列。
进一步地,在本申请实施例的一种可能的实现方式中,所述第二确定模块730具体用于,将所述特征序列输入预设的序列预测模型,以获取所述序列预测模型输出的预测结果;根据所述预测结果确定所述多指标时序信号是否存在异常。
进一步地,在本申请实施例的一种可能的实现方式中,所述多个时间窗口包括:待检测时间点所在的第一时间窗口,以及所述第一时间窗口之前的预设数量个第二时间窗口。结合参考图8,在图7所示实施例的基础上,所述装置还包括:第三确定模块740、第四确定模块750和第一调整模块760。
其中,所述第三确定模块740,用于确定所述特征序列中第一特征与各个第二特征之间的相关度,其中,所述第一特征为所述第一时间窗口对应图像的特征,所述第二特征为所述第二时间窗口对应图像的特征;所述第四确定模块750,用于根据所述相关度,确定所述各个第二特征的权重;所述第一调整模块760,用于根据所述各个第二特征的权重,调整所述特征序列中的所述各个第二特征。
进一步地,在本申请实施例的一种可能的实现方式中,所述第四确定模块750具体用于,确定候选特征,其中,所述候选特征为对应的相关度最小的第二特征;根据所述候选特征,确定所述特征序列中的第一部分特征和第二部分特征,其中,所述第一部分特征包括排序在所述候选特征之前的第二特征;所述第二部分特征包括所述候选特征以及排序在所述候选特征之后的第二特征;针对所述第一部分特征中的每个特征,将所述特征的权重确定为初始权重值;针对所述第二部分特征中的每个特征,根据所述特征的相关度、相关度和值以及所述初始权重值,确定所述特征的权重。
进一步地,在本申请实施例的一种可能的实现方式中,所述多个时间窗口包括:待检测时间点所在的第一时间窗口,以及所述第一时间窗口之前的预设数量个第二时间窗口。结合参考图9,在图7所示实施例的基础上,所述装置还包括:第五确定模块770和第二调整模块780。
其中,所述第五确定模块770,用于将所述特征序列输入预设的注意力机制模型,确定所述特征序列中各个第二特征的权重;其中,所述第二特征为所述第二时间窗口对应图像的特征;
所述第二调整模块780,用于根据所述各个第二特征的权重,调整所述特征序列中的所述各个第二特征。
需要说明的是,前述实施例一中的解释说明也适用于该实施例的多指标时序信号的异常检测装置,此处不再赘述。
本申请实施例的多指标时序信号的异常检测装置,通过确定待处理的图像序列,其中,图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;对多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成图像序列对应的特征序列;根据特征序列,确定多指标时序信号是否存在异常,考虑的特征比较全,异常检测准确度高,异常检测效率高。
图10为本申请实施例七所提供的异常检测联合模型的训练装置的结构示意图。
如图10所示,该异常检测联合模型的训练装置1000可以包括:构建模块1100、获取模块1200和训练模块1300。
其中,构建模块1100,用于构建初始的异常检测联合模型,其中,所述异常检测联合模型包括:基于图像序列确定对应的特征序列的特征提取模型、基于所述特征序列进行异常检测的序列预测模型;
获取模块1200,用于获取训练数据,其中,所述训练数据包括:样本图像序列以及对应的标签;所述样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;所述标签表征所述多指标时序信号是否存在异常;
训练模块1300,用于以所述样本图像序列为所述异常检测联合模型的输入,以所述标签为所述异常检测联合模型的输出,对所述异常检测联合模型中的所述特征提取模型和所述序列预测模型进行系数调整,实现训练。
本申请实施例的异常检测联合模型的训练装置,通过获取训练数据,其中,训练数据包括:样本图像序列以及对应的标签;样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;标签表征多指标时序信号是否存在异常;以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型和序列预测模型进行系数调整,实现训练,进而基于特征提取模型和序列预测模型对多指标时序信号进行异常检测,考虑的特征比较全,异常检测准确度高,异常检测效率高。
需要说明的是,前述实施例一中的解释说明也适用于该实施例的异常检测联合模型的训练装置,此处不再赘述。
本申请实施例的异常检测联合模型的训练装置,通过获取训练数据,其中,训练数据包括:样本图像序列以及对应的标签;样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;标签表征多指标时序信号是否存在异常;以样本图像序列为异常检测联合模型的输入,以标签为异常检测联合模型的输出,对异常检测联合模型中的特征提取模型和序列预测模型进行系数调整,实现训练,进而基于特征提取模型和序列预测模型对多指标时序信号进行异常检测,考虑的特征比较全,异常检测准确度高,异常检测效率高。
为了实现上述实施例,本申请还提出一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请前述实施例提出的多指标时序信号的异常检测方法;或者,本申请前述实施例提出的异常检测联合模型的训练方法。
为了实现上述实施例,本申请还提出存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如本申请前述实施例提出的多指标时序信号的异常检测方法;或者,本申请前述实施例提出的异常检测联合模型的训练方法。
图11示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图11显示的计算机设备12仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及***组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
计算机设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图11未显示,通常称为“硬盘驱动器”)。尽管图11中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read OnlyMemory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现前述实施例中提及的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (16)
1.一种多指标时序信号的异常检测方法,其特征在于,包括:
确定待处理的图像序列,其中,所述图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;
针对所述多个图像中的每个图像,提取所述图像中的所述指标趋势特征;
根据所述指标趋势特征中多个指标的变化趋势特征,确定所述图像中所述多个指标之间的指标相关性特征;
根据所述多个图像的所述指标趋势特征以及所述指标相关性特征,生成所述图像序列对应的特征序列;
根据所述特征序列,确定所述多指标时序信号是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述确定待处理的图像序列,包括:
确定时间窗口长度以及时间窗口滑动步长;
根据所述时间窗口长度以及所述时间窗口滑动步长,确定所述多个时间窗口;
在所述多个时间窗口内分别对所述多指标时序信号进行图像采集,生成所述图像序列。
3.根据权利要求1所述的方法,其特征在于,所述根据所述特征序列,确定所述多指标时序信号是否存在异常,包括:
将所述特征序列输入预设的序列预测模型,以获取所述序列预测模型输出的预测结果;
根据所述预测结果确定所述多指标时序信号是否存在异常。
4.根据权利要求1或3所述的方法,其特征在于,所述多个时间窗口包括:待检测时间点所在的第一时间窗口,以及所述第一时间窗口之前的预设数量个第二时间窗口;
在根据所述特征序列,确定所述多指标时序信号是否存在异常之前,还包括:
确定所述特征序列中第一特征与各个第二特征之间的相关度,其中,所述第一特征为所述第一时间窗口对应图像的特征,所述第二特征为所述第二时间窗口对应图像的特征;
根据所述相关度,确定所述各个第二特征的权重;
根据所述各个第二特征的权重,调整所述特征序列中的所述各个第二特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述相关度,确定所述各个第二特征的权重,包括:
确定候选特征,其中,所述候选特征为对应的相关度最小的第二特征;
根据所述候选特征,确定所述特征序列中的第一部分特征和第二部分特征,其中,所述第一部分特征包括排序在所述候选特征之前的第二特征;所述第二部分特征包括所述候选特征以及排序在所述候选特征之后的第二特征;
针对所述第一部分特征中的每个特征,将所述特征的权重确定为初始权重值;
针对所述第二部分特征中的每个特征,根据所述特征的相关度、相关度和值以及所述初始权重值,确定所述特征的权重。
6.根据权利要求1或3所述的方法,其特征在于,所述多个时间窗口包括:待检测时间点所在的第一时间窗口,以及所述第一时间窗口之前的预设数量个第二时间窗口;
在根据所述特征序列,确定所述多指标时序信号是否存在异常之前,还包括:
将所述特征序列输入预设的注意力机制模型,确定所述特征序列中各个第二特征的权重;其中,所述第二特征为所述第二时间窗口对应图像的特征;
根据所述各个第二特征的权重,调整所述特征序列中的所述各个第二特征。
7.一种异常检测联合模型的训练方法,其特征在于,包括:
构建初始的异常检测联合模型,其中,所述异常检测联合模型包括:基于图像序列确定对应的特征序列的特征提取模型、基于所述特征序列进行异常检测的序列预测模型;
获取训练数据,其中,所述训练数据包括:样本图像序列以及对应的标签;所述样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;所述标签表征所述多指标时序信号是否存在异常;
以所述样本图像序列为所述异常检测联合模型的输入,以所述标签为所述异常检测联合模型的输出,对所述异常检测联合模型中的所述特征提取模型和所述序列预测模型进行系数调整,实现训练;
其中,所述特征提取模型用于针对所述多个样本图像中的每个图像,提取所述图像中的指标趋势特征;
根据所述指标趋势特征中多个指标的变化趋势特征,确定所述图像中所述多个指标之间的指标相关性特征;
根据所述多个图像的所述指标趋势特征以及所述指标相关性特征,生成所述特征序列。
8.一种多指标时序信号的异常检测装置,其特征在于,包括:
第一确定模块,用于确定待处理的图像序列,其中,所述图像序列包括:在多个时间窗口内分别对多指标时序信号进行图像采集得到的多个图像;
特征提取模块,用于对所述多个图像分别进行指标趋势特征以及指标相关性特征提取处理,以生成所述图像序列对应的特征序列;
第二确定模块,用于根据所述特征序列,确定所述多指标时序信号是否存在异常;
所述特征提取模块具体用于,
针对所述多个图像中的每个图像,提取所述图像中的所述指标趋势特征;
根据所述指标趋势特征中多个指标的变化趋势特征,确定所述图像中所述多个指标之间的指标相关性特征;
根据所述多个图像的所述指标趋势特征以及所述指标相关性特征,生成所述特征序列。
9.根据权利要求8所述的装置,其特征在于,所述第一确定模块具体用于,
确定时间窗口长度以及时间窗口滑动步长;
根据所述时间窗口长度以及所述时间窗口滑动步长,确定所述多个时间窗口;
在所述多个时间窗口内分别对所述多指标时序信号进行图像采集,生成所述图像序列。
10.根据权利要求8所述的装置,其特征在于,所述第二确定模块具体用于,
将所述特征序列输入预设的序列预测模型,以获取所述序列预测模型输出的预测结果;
根据所述预测结果确定所述多指标时序信号是否存在异常。
11.根据权利要求8或10所述的装置,其特征在于,所述多个时间窗口包括:待检测时间点所在的第一时间窗口,以及所述第一时间窗口之前的预设数量个第二时间窗口;所述装置还包括:第三确定模块、第四确定模块和第一调整模块;
所述第三确定模块,用于确定所述特征序列中第一特征与各个第二特征之间的相关度,其中,所述第一特征为所述第一时间窗口对应图像的特征,所述第二特征为所述第二时间窗口对应图像的特征;
所述第四确定模块,用于根据所述相关度,确定所述各个第二特征的权重;
所述第一调整模块,用于根据所述各个第二特征的权重,调整所述特征序列中的所述各个第二特征。
12.根据权利要求11所述的装置,其特征在于,所述第四确定模块具体用于,
确定候选特征,其中,所述候选特征为对应的相关度最小的第二特征;
根据所述候选特征,确定所述特征序列中的第一部分特征和第二部分特征,其中,所述第一部分特征包括排序在所述候选特征之前的第二特征;所述第二部分特征包括所述候选特征以及排序在所述候选特征之后的第二特征;
针对所述第一部分特征中的每个特征,将所述特征的权重确定为初始权重值;
针对所述第二部分特征中的每个特征,根据所述特征的相关度、相关度和值以及所述初始权重值,确定所述特征的权重。
13.根据权利要求8或10所述的装置,其特征在于,所述多个时间窗口包括:待检测时间点所在的第一时间窗口,以及所述第一时间窗口之前的预设数量个第二时间窗口;所述装置还包括:第五确定模块和第二调整模块;
所述第五确定模块,用于将所述特征序列输入预设的注意力机制模型,确定所述特征序列中各个第二特征的权重;其中,所述第二特征为所述第二时间窗口对应图像的特征;
所述第二调整模块,用于根据所述各个第二特征的权重,调整所述特征序列中的所述各个第二特征。
14.一种异常检测联合模型的训练装置,其特征在于,包括:
构建模块,用于构建初始的异常检测联合模型,其中,所述异常检测联合模型包括:基于图像序列确定对应的特征序列的特征提取模型、基于所述特征序列进行异常检测的序列预测模型;
获取模块,用于获取训练数据,其中,所述训练数据包括:样本图像序列以及对应的标签;所述样本图像序列包括:在多个样本时间窗口内分别对多指标时序信号进行图像采集得到的多个样本图像;所述标签表征所述多指标时序信号是否存在异常;
训练模块,用于以所述样本图像序列为所述异常检测联合模型的输入,以所述标签为所述异常检测联合模型的输出,对所述异常检测联合模型中的所述特征提取模型和所述序列预测模型进行系数调整,实现训练;
其中,所述特征提取模型用于针对所述多个样本图像中的每个图像,提取所述图像中的指标趋势特征;
根据所述指标趋势特征中多个指标的变化趋势特征,确定所述图像中所述多个指标之间的指标相关性特征;
根据所述多个图像的所述指标趋势特征以及所述指标相关性特征,生成所述特征序列。
15. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136357.9A CN113780238B (zh) | 2021-09-27 | 2021-09-27 | 多指标时序信号的异常检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111136357.9A CN113780238B (zh) | 2021-09-27 | 2021-09-27 | 多指标时序信号的异常检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780238A CN113780238A (zh) | 2021-12-10 |
CN113780238B true CN113780238B (zh) | 2024-04-05 |
Family
ID=78853779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111136357.9A Active CN113780238B (zh) | 2021-09-27 | 2021-09-27 | 多指标时序信号的异常检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780238B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511810A (zh) * | 2022-01-27 | 2022-05-17 | 深圳市商汤科技有限公司 | 异常事件检测方法及装置、计算机设备、存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750429A (zh) * | 2019-09-06 | 2020-02-04 | 平安科技(深圳)有限公司 | 运维管理***的异常检测方法、装置、设备及存储介质 |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111368980A (zh) * | 2020-03-06 | 2020-07-03 | 京东数字科技控股有限公司 | 状态检测方法、装置、设备及存储介质 |
CN112699163A (zh) * | 2020-12-25 | 2021-04-23 | 创新奇智(青岛)科技有限公司 | 时间序列异常检测方法、装置、电子设备及存储介质 |
WO2021084286A1 (en) * | 2019-10-30 | 2021-05-06 | Citrix Systems, Inc. | Root cause analysis in multivariate unsupervised anomaly detection |
CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
CN112883368A (zh) * | 2021-03-08 | 2021-06-01 | 网易(杭州)网络有限公司 | 异常进程检测方法及装置、存储介质和电子设备 |
CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
CN113159163A (zh) * | 2021-04-19 | 2021-07-23 | 杭州电子科技大学 | 一种基于多元时序数据分析的轻量级无监督异常检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147343A1 (en) * | 2017-11-15 | 2019-05-16 | International Business Machines Corporation | Unsupervised anomaly detection using generative adversarial networks |
US20200097810A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Automated window based feature generation for time-series forecasting and anomaly detection |
-
2021
- 2021-09-27 CN CN202111136357.9A patent/CN113780238B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750429A (zh) * | 2019-09-06 | 2020-02-04 | 平安科技(深圳)有限公司 | 运维管理***的异常检测方法、装置、设备及存储介质 |
WO2021084286A1 (en) * | 2019-10-30 | 2021-05-06 | Citrix Systems, Inc. | Root cause analysis in multivariate unsupervised anomaly detection |
CN111178456A (zh) * | 2020-01-15 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 异常指标检测方法、装置、计算机设备和存储介质 |
CN111368980A (zh) * | 2020-03-06 | 2020-07-03 | 京东数字科技控股有限公司 | 状态检测方法、装置、设备及存储介质 |
CN112699163A (zh) * | 2020-12-25 | 2021-04-23 | 创新奇智(青岛)科技有限公司 | 时间序列异常检测方法、装置、电子设备及存储介质 |
CN112766342A (zh) * | 2021-01-12 | 2021-05-07 | 安徽容知日新科技股份有限公司 | 一种电气设备的异常检测方法 |
CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
CN112883368A (zh) * | 2021-03-08 | 2021-06-01 | 网易(杭州)网络有限公司 | 异常进程检测方法及装置、存储介质和电子设备 |
CN113159163A (zh) * | 2021-04-19 | 2021-07-23 | 杭州电子科技大学 | 一种基于多元时序数据分析的轻量级无监督异常检测方法 |
Non-Patent Citations (1)
Title |
---|
基于Isolation Forest和Random Forest相结合的智能电网时间序列数据异常检测算法;杨永娇;肖建毅;赵创业;周开东;;计算机与现代化(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780238A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100320B2 (en) | Image recognition method and apparatus | |
CN109670029B (zh) | 用于确定问题答案的方法、装置、计算机设备及存储介质 | |
CN108460098B (zh) | 信息推荐方法、装置和计算机设备 | |
CN108156452B (zh) | 一种检测传感器的方法、装置、设备及存储介质 | |
CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
CN113780238B (zh) | 多指标时序信号的异常检测方法、装置及电子设备 | |
CN111949798A (zh) | 图谱的构建方法、装置、计算机设备和存储介质 | |
CN114596440A (zh) | 语义分割模型的生成方法、装置、电子设备及存储介质 | |
CN114387283A (zh) | 一种医学图像肺炎区域分割智能诊断*** | |
CN116805012A (zh) | 多模态知识图谱的质量评估方法及装置、存储介质、设备 | |
CN110796108B (zh) | 一种人脸质量检测的方法、装置、设备及存储介质 | |
CN114882273B (zh) | 应用于狭小空间的视觉识别方法、装置、设备和存储介质 | |
CN115512189A (zh) | 图像识别模型评估方法、装置以及存储介质 | |
CN114358540A (zh) | 指标时序数据的异常检测方法、装置、设备及存储介质 | |
CN113139561B (zh) | 一种垃圾分类方法、装置、终端设备及存储介质 | |
CN114639056A (zh) | 直播内容的识别方法、装置、计算机设备及存储介质 | |
CN113807354B (zh) | 图像语义分割方法、装置、设备和存储介质 | |
CN111124862B (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN112861940A (zh) | 双目视差估计方法、模型训练方法以及相关设备 | |
JP4955609B2 (ja) | 消失点追跡方法及び消失点追跡装置 | |
CN113807095B (zh) | 实体词提取模型的训练方法、装置、设备和存储介质 | |
CN116932868A (zh) | 信息推送方法、装置及电子设备 | |
WO2022255418A1 (ja) | 画像処理装置、画像処理システム、画像処理方法及びプログラム | |
CN116152582A (zh) | 图像分类方法及装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |