CN114692767A - 异常检测方法和装置、计算机可读存储介质、电子设备 - Google Patents
异常检测方法和装置、计算机可读存储介质、电子设备 Download PDFInfo
- Publication number
- CN114692767A CN114692767A CN202210345777.6A CN202210345777A CN114692767A CN 114692767 A CN114692767 A CN 114692767A CN 202210345777 A CN202210345777 A CN 202210345777A CN 114692767 A CN114692767 A CN 114692767A
- Authority
- CN
- China
- Prior art keywords
- data
- detected
- target
- neural network
- data matrix
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 103
- 230000005856 abnormality Effects 0.000 title claims description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 212
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 108
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 31
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Error Detection And Correction (AREA)
Abstract
本公开是关于一种异常检测方法和装置、计算机可读存储介质、电子设备,涉及计算机技术领域,该方法包括:获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。本公开提高了异常检测的精度以及效率。
Description
技术领域
本公开实施例涉及计算机技术领域,具体而言,涉及一种异常检测方法和装置、计算机可读存储介质以及电子设备。
背景技术
随着计算机技术的发展,越来越多的技术应用在各行各业,同时伴随着业务的不断增长,***、虚拟机和容器数量的不断增加,需要监控的指标数量也突飞猛进。
相关技术中,技术人员需要对需要监控的指标数据进行异常检测,常用的异常检测方法有:固定阈值法、同比振幅检测以及机器学习的监督学习等,上述固定阈值法、同比振幅检测均需要指定阈值,检测能力较弱,效率低;监督学习中的有监督以及无监督算法都可以对异常进行检测,但是有监督算法的模型标注工作量大,无监督算法会增加模型的复杂度。
因此,需要提供一种新的异常检测方法。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种时间实体识别方法、时间实体识别装置、计算机存储介质以及电子设备,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的异常检测效率低的问题。
根据本公开的一个方面,提供一种异常检测方法,包括:
获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;
生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
在本公开的一种示例性实施例中,在获取目标检测数据之前,所述异常检测方法包括:
获取初始数据,对所述初始数据进行分析,确定目标特征;
确定时间窗口,获取位于所述时间窗口且与所述目标特征对应的待检测数据;
对所述待检测数据进行预处理,得到目标待检测数据。
在本公开的一种示例性实施例中,对所述待检测数据进行预处理,得到目标待检测数据,包括:
确定所述待检测数据中的缺失值;
通过随机森林回归模型,对所述待检测数据中的缺失值进行填充,得到第一待检测数据;
对所述第一待检测数据进行标准化,得到所述目标待检测数据。
在本公开的一种示例性实施例中,对所述目标待检测数据进行编码,得到编码数据矩阵,包括:
对所述目标待检测数据进行拼接,生成目标待检测数据矩阵;
通过所述目标待检测数据矩阵以及批尺寸生成输入数据,将所述输入数据输入至时间序列特征的向量表示模型中,得到与所述目标待检测数据矩阵对应的编码数据矩阵。
在本公开的一种示例性实施例中,所述生成目标半监督时序卷积神经网络,包括:
通过膨胀因果卷积生成所述时序卷积神经网络;其中,所述半监督时序卷积神经网络中包括3层时序卷积神经网络;
通过所述时序卷积神经网络以及变分自编码器,生成所述半监督时序卷积神经网络;其中,所述变分自编码器中包括编码器、解码器以及损失函数;
基于所述损失函数得到损失值,在通过所述损失值确定所述半监督时序卷积神经网络收敛时,得到所述目标半监督时序卷积神经网络。。
在本公开的一种示例性实施例中,将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,包括:
将所述输出数据矩阵输入至所述变分自编码器的编码器中,得到与所述输出数据矩阵对应的第一矩阵;
对所述编码数据矩阵以及所述第一矩阵进行连接处理,得到目标数据矩阵;
将所述目标数据矩阵输入至所述变分自编码器的解码器中,得到所述解码数据矩阵。
在本公开的一种示例性实施例中,通过所述解码数据矩阵对所述目标待检测数据进行异常检测:
获取所述解码数据矩阵中的每条数据;
对所述解码数据矩阵中的每条数据、所述目标待检测数据中包括的与所述解码数据矩阵中每条数据对应的每条待检测数据进行对比,完成对所述目标待检测数据的异常检测。
根据本公开的一个方面,提供一种异常检测装置,包括:
数据编码模块,用于获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;
编码数据处理模块,用于生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
异常检测模块,用于将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
根据本公开的一个方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一示例性实施例所述的异常检测方法。
根据本公开的一个方面,提供一种电子设备,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行上述任一示例性实施例所述的异常检测方法。
本公开实施例提供的一种异常检测方法,获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测;一方面,获取目标待检测数据之后,对目标待检测数据进行编码,得到编码数据矩阵,将编码数据矩阵输入至目标半监督时序卷积神经网络中,得到解码数据矩阵,通过目标待检测数据与解码数据矩阵中对应的每一条数据进行对比,完成对目标待检测数据的检测,解决了相关技术中需要设置固定阈值,通过固定阈值对待检测数据进行检测的问题,提高了异常检测效率;另一方面,生成的目标半监督时序卷积神经网络中包括时序卷积神经网络和变分自编码器,通过该时序卷积神经网络以及该变分自编码器,在简化网络的同时可以保持时间序列,提高了目标待检测数据的异常检测速度以及精度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出根据本公开示例实施例的一种异常检测方法的流程图。
图2示意性示出根据本公开示例实施例的一种异常检测***的框图。
图3示意性示出根据本公开示例实施例的一种获取目标检测数据之前异常检测方法的流程图。
图4示意性示出根据本公开示例实施例的一种对待检测数据进行预处理得到目标待检测数据的方法流程图。
图5示意性示出根据本公开示例实施例的一种对目标待检测数据进行拼接得到编码数据矩阵的方法流程图。
图6示意性示出根据本公开示例实施例的一种生成半监督时序卷积神经网络的方法流程图。
图7示意性示出根据本公开实例实施例的一种时序卷积神经网络的框图。
图8示意性示出根据本公开示例实施例的一种将输出数据矩阵输入至目标半监督书序卷积神经网络中得到解码数据矩阵的方法流程图。
图9示意性示出根据本公开示例实施例的一种通过解码数据矩阵对目标待检测数据进行异常检测的方法流程图。
图10示意性示出根据本公开示例实施例的一种异常检测方法的流程图。
图11示意性示出根据本公开示例实施例的一种异常检测装置的框图。
图12示意性示出根据本公开示例实施例的用于实现上述异常检测方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
异常点也称离群点,对待检测数据进行异常检测,则是找出待检测数据中包括的异常点。异常检测的应用很多,当应用在数据预处理中时,可以去噪;在运维领域时,可以产生报警信息;在金融和安全领域中,异常检测可以帮助判断数据波动以及数据是否受到攻击等。
相关技术中,通过固定阈值法、3-Sigma(拉依达准则)、EWMA(ExponentiallyWeighted Moving-Average,指数加权平均)、同比振幅检测以及机器学***均)、同比振幅检测,需要指定阈值,异常检测能力较弱,且不够灵活;监督学习的有监督学习和无监督学习都可以对待检测数据进行异常检测,但是,通过有监督学习进行检测时,由于***中正常数据的数据量要远大于异常数据,因此,有监督学习时需要进行大量的标注;无监督学习中,例如Iforeast算法,通常树的数量越多,算法越稳定,但是树的数量越多,会导致模型的复杂度升高。
基于上述一个或者多个问题,本示例实施方式中首先提供了一种异常检测方法,该方法可以运行于服务器、服务器集群或者云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本发明的方法,本示例性实施例中对此不做特殊限定。参考图1所示,该异常检测方法可以包括步骤S110-步骤S130:
步骤S110.获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;
步骤S120.生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
步骤S130.将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
上述异常检测方法,获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测;一方面,获取目标待检测数据之后,对目标待检测数据进行编码,得到编码数据矩阵,将编码数据矩阵输入至目标半监督时序卷积神经网络中,得到解码数据矩阵,通过目标待检测数据与解码数据矩阵中对应的每一条数据进行对比,完成对目标待检测数据的检测,解决了相关技术中需要设置固定阈值,通过固定阈值对待检测数据进行检测的问题,提高了异常检测效率;另一方面,生成的目标半监督时序卷积神经网络中包括时序卷积神经网络和变分自编码器,通过该时序卷积神经网络以及该变分自编码器,在简化网络的同时可以保持时间序列,提高了目标待检测数据的异常检测速度以及精度。
以下,对本公开示例实施例的异常检测方法中涉及的各步骤进行详细的解释以及说明。
首先,对本公开示例实施例的应用场景以及目的进行解释以及说明。具体的,本公开示例实施例可以应用于对服务器数据或者金融数据等进行检测,得到数据中包括的异常数据,主要研究如何提高异常检测的效率以及准确率。
在本公开中以获取到的初始数据为基础,对初始数据进行分析,确定目标特征,确定时间窗口,获取时间窗口内与目标特征对应的待检测数据,对待检测数据进行预处理,得到目标待检测特征;然后对目标待检测特征进行编码,得到编码数据矩阵,将该编码数据矩阵输入至目标半监督时序卷积神经网络中,通过该目标半监督时序卷积神经网络中的时序卷积神经网络以及变分自编码器,得到解码数据,通过对该解码数据与目标待检测数据进行对比,得到待检测数据中包括的异常数据,提高了异常数据检测的效率以及准确率。
其次,对本公开示例实施例中涉及到的异常检测***进行解释以及说明。参考图2所示,该异常检测***可以包括待检测数据获取模块210、待检测数据处理模块220、目标待检测数据编码模块230、时序卷积模块240以及异常检测模块250。其中,待检测数据获取模块210,用于确定时间窗口,根据确定的时间窗口确定并获取待检测数据,并将待检测数据发送至待检测数据处理模块220;待检测数据处理模块220,与待检测数据获取模块210网络连接,用于接收待检测数据,确定待检测数据中的缺失值,对该缺失值进行填充,并对填充过缺失值的待检测数据进行标准化,得到目标待检测数据;目标待检测数据编码模块230,与待检测数据处理模块220网络连接,用于对目标待检测数据进行拼接,生成目标待检测数据矩阵,将该待检测数据矩阵输入至Time2Vec模型中,得到目标待检测数据矩阵对应的编码矩阵;时序卷积模块240,与目标待检测数据编码模块230网络连接,用于根据时序卷积神经网络以及变分自编码器生成半监督时序卷积神经网络,利用当前时间预设时间之前的时间窗口内的目标待检测数据对半监督时序卷积神经网络进行训练,至该半监督时序卷积神经网络收敛时,得到目标半监督时序卷积神经网络,通过该目标半监督时序卷积神经网络得到解码数据矩阵;异常检测模块250,与时序卷积模块240网络连接,用于对解码数据矩阵与目标待检测数据进行对比,得到目标待检测数据中包括的异常数据。
以下,将结合图2对步骤S110-步骤S130进行详细的解释以及说明。
在步骤S110中,获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵。
在本示例实施例中,参考图3所示,在获取目标检测数据之前,所述异常检测方法可以包括步骤S310-步骤S330:
步骤S310.获取初始数据,对所述初始数据进行分析,确定目标特征;
步骤S320.确定时间窗口,获取位于所述时间窗口且与所述目标特征对应的待检测数据;
步骤S330.对所述待检测数据进行预处理,得到目标待检测数据。
以下,将对步骤S310-步骤S330进行进一步的解释以及说明。具体的,获取初始数据,该初始数据可以为来自实时日志分析平台ELK(ElasticSearch,Logstash,Kibana)的实时数据,也可以为金融实时数据,在本示例实施例中对初始数据的类型不做具体限定;当获取到初始数据之后,可以对初始数据中包括的特征进行分析,得到目标特征;然后,确定时间窗口,该时间窗口可以确定获取的初始数据的产生时间,也可以为采集初始数据的时间间隔,在本示例实施例中对时间窗口不做具体限定,获取位于该时间窗口内且与目标特征对应的待检测数据;最后,对获取到的位于时间窗口内且与目标特征对应的待检测数据进行预处理,得到目标待检测数据。
举例而言,当初始数据为来自实时日志分析平台ELK的实时数据时,对获取到的实时数据进行分析,得到目标特征,其中,目标特征可以为吞吐量,也可以为响应时间,还可以为占用率,在本示例实施例中对目标特征不做具体限定;当确定的时间窗口为14:00-16:00时,即,获取当前日期的14:00-16:00之间产生的且与目标特征对应的待检测数据,对该待检测数据进行预处理,得到目标待检测数据。
参考图4所示,对所述待检测数据进行预处理,得到目标待检测数据,可以包括步骤S410-步骤S430:
步骤S410.确定所述待检测数据中的缺失值;
步骤S420.通过随机森林回归模型,对所述待检测数据中的缺失值进行填充,得到第一待检测数据;
步骤S430.对所述第一待检测数据进行标准化,得到所述目标待检测数据。
以下,将对步骤S410-步骤S430进行进一步的解释以及说明。具体的,首先,确定待检测数据中的缺失值;然后通过随机森林回归模型对待检测数据中的缺失值进行填充,得到第一待检测数据;最后,对该第一待检测数据进行z-score标准化,得到目标待检测数据,在标准化时其中,Zi为标准化后的检测数据,xi为待标准化检测数据,μ为与待标准化检测数据对应的特征,在该特征中所有待检测数据的总体平均值,σ为与待标准化检测数据对应的特征,在该特征中所有待检测数据的总体标准差。
在本示例实施例中,当得到目标待检测数据之后,参考图5所示,对目标待检测数据进行编码,得到编码数据矩阵,可以包括步骤S510以及步骤S520:
步骤S510.对所述目标待检测数据进行拼接,生成目标待检测数据矩阵;
步骤S520.通过所述目标待检测数据矩阵以及批尺寸生成输入数据,将所述输入数据输入至时间序列特征的向量表示模型中,得到与所述目标待检测数据矩阵对应的编码数据矩阵。
以下,将对步骤S510以及步骤S520进行进一步的解释以及说明。具体的,首先,对目标待检测数据进行拼接,生成目标待检测数据矩阵,其中,在目标待检测矩阵中,每一行的数据,均为时间窗口内与目标特征对应的数据;然后,根据目标待检测数据矩阵以及批尺寸生成输入数据(B,W,C),B表示Batch_SIZE,为批尺寸,W为时间窗口的大小,C为目标特征对应的数据,通过W、C可以得到目标待检测数据矩阵;生成目标待检测数据矩阵(B,W,C)之后,将该(B,W,C)输入至时间序列特征向量的表示模型中,其中,该时间序列特征向量的标识模型可以为time2vec,通过该时间序列特征向量的表示模型,获取目标待检测数据的周期性以及非周期性,可以通过表达式(1)对输入数据进行编码:
其中,k为time2vec的维度,τ是目标特征,F()为周期性激活函数,为了获取目标待检测数据的周期性,可以选用cos()作为激活函数,ωi和为可学习的参数。通过编码之后,得到与目标待检测数据矩阵对应的编码数据矩阵,通过该时间序列特征向量的表示模型得到的输出为(B,W,C1),其中,C1为编码后的与目标特征对应的数据。
在本示例实施例中,通过时间序列特征向量的标识模型time2vec,获取了目标待检测数据矩阵的时序性特征、目标待检测数据的周期性以及非周期性,提高了目标待检测数据的精度。
在步骤S120中,生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵。
在本示例实施例中,参考图6所示,生成目标半监督时序卷积神经网络,可以包括步骤S610-步骤S630:
步骤S610.通过膨胀因果卷积生成所述时序卷积神经网络;其中,所述半监督时序卷积神经网络中包括3层时序卷积神经网络;
步骤S620.通过所述时序卷积神经网络以及变分自编码器,生成所述半监督时序卷积神经网络;其中,所述变分自编码器中包括编码器、解码器以及损失函数;
步骤S630.基于所述损失函数得到损失值,在通过所述损失值确定所述半监督时序卷积神经网络收敛时,得到所述目标半监督时序卷积神经网络。
以下,将对步骤S610-步骤S630进行进一步的解释以及说明。具体的,首先,通过膨胀因果卷积构建时序卷积神经网络,参考图7所示,该时序卷积神经网络中包括:输入层、膨胀因果卷积层(Dialted Causal Conv)、批量归一化层(BatchNormal)、非线性激活函数(ReLu)以及dropout层,其中,该dropout层是在在训练的过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,可以防止过拟合;在该半监督时序卷积神经网络中包括3层时序卷积神经网络,同时,在该半监督时序卷积神经网络中加入变分编码器,该变分编码器中包括编码器、解码器以及损失函数;在构建好半监督时序卷积神经网络之后,可以对该半监督时序卷积神经网络进行训练,通过变分自编码器中的损失函数得到损失值,在通过损失值确定半监督时序卷积神经网络收敛时,得到目标半监督时序卷积神经网络。
在本示例实施例中,可以获取当前时间之前预设时间内,位于时间窗口且与目标特征对应的待检测数据,当获取到待检测数据之后,对该待检测数据进行预处理,得到第一目标待检测数据,通过第一目标待检测数据生成第一目标待检测数据矩阵,并将该第一目标待检测数据矩阵输入至时间序列特征向量的标识模型time2vec中,得到第一编码数据矩阵,将该第一编码数据矩阵输入至3层时序卷积神经网络中,得到输出结果矩阵,并将该输入结果矩阵输入至变分编码器中,通过该变分编码器中的损失函数得到损失值,在确定该损失值收敛时,得到目标半监督时序卷积神经网络;其中,损失函数可以为RMSE(Root MeanSquard Error,均方根误差),也可以为其他函数,在本示例实施例中对损失函数不做具体限定。
在本示例实施例中,当得到目标半监督时序卷积神经网络之后,可以将编码数据矩阵输入至该目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵。
在本示例实施例中,通过时序卷积神经网络以及变分自编码器在简化网络和保证时间序列的同时,保证了数据的并行处理,提高了待检测数据的检测速度和精度。
在步骤S130中,将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
在本示例实施例中,参考图8所示,将输出数据矩阵输入至目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,可以包括步骤S810-步骤S830:
步骤S810.将所述输出数据矩阵输入至所述变分自编码器的编码器中,得到与所述输出数据矩阵对应的第一矩阵;
步骤S820.对所述编码数据矩阵以及所述第一矩阵进行连接处理,得到目标数据矩阵;
步骤S830.将所述目标数据矩阵输入至所述变分自编码器的解码器中,得到所述解码数据矩阵。
以下,将对步骤S810-步骤S830进行进一步的解释以及说明。具体的,首先,将从时序卷积神经网络中获取到的输出数据矩阵输入至变分自编码器的编码器中,通过该编码器得到与输入数据对应的第一矩阵,其中,通过编码器获得与输入数据对应的第一矩阵时,首先,确定第一矩阵中数据的分布参数:均值以及方差,然后,对第一矩阵中数据的分布参数、从时序卷积神经网络中获取到的输出数据,进行融合并从中进行采样,得到第一矩阵;然后,对编码数据矩阵以及第一矩阵进行连接处理,得到目标数据矩阵,其中,连接处理为对编码数据矩阵与第一矩阵进行同维度相加;最后,将目标数据矩阵输入至变分子编码器的解码器中进行解码,得到解码数据矩阵。
在本示例实施例中,当得到解码数据之后,参考图9所示,通过所述解码数据矩阵对所述目标待检测数据进行异常检测,可以包括步骤S910以及步骤S920:
步骤S910.获取所述解码数据矩阵中的每条数据;
步骤S920.对所述解码数据矩阵中的每条数据、所述目标待检测数据中包括的与所述解码数据矩阵中每条数据对应的每条待检测数据进行对比,完成对所述目标待检测数据的异常检测。
以下,将对步骤S910以及步骤S920进行进一步的解释以及说明。具体的,在对目标待检测数据进行异常检测时,可以对解码数据矩阵中的每一条数据、目标待检测数据中包括的与解码数据矩阵中的每条数据对应的每条待检测数据进行对比,当解码数据矩阵中的每条数据与目标待检测数据中每条待检测数据的偏差小于预设值时,目标待检测数据中的该条待检测数据为正常数据;当该偏差大于预设值时,目标待检测数据中的该条待检测数据为异常数据。
本公开示例实施例提供的异常检测方法至少具有以下优点:一方面,获取初始数据,对初始数据进行分析,得到目标特征,以及初始数据中的缺失值,并对该缺失值进行填充,对填充后的初始数据进行标准化,得到目标待检测数据,保证了目标待检测数据的完整性;另一方面,对目标待检测数据进行编码,得到编码数据矩阵,将编码数据矩阵输入至目标半监督时序卷积神经网络中,得到解码数据矩阵,通过对目标待检测数据与解码数据矩阵进行对比,得到目标待检测数据中的异常数据,不需要设置固定阈值,提高了异常检测效率;再一方面,生成的目标半监督时序卷积神经网络中包括时序卷积神经网络和变分自编码器,通过该时序卷积神经网络以及该变分自编码器,在简化网络的同时可以保持时间序列,提高了目标待检测数据的异常检测速度以及精度。
以下,将结合图10对本公开示例实施例中的异常检测方法进行进一步的解释以及说明。其中,异常检测方法可以包括:
步骤S1002.获取初始数据,对初始数据进行分析,确定目标特征;
步骤S1004.确定时间窗口,获取初始数据中位于时间窗口且与目标特征对应的待检测数据,对待检测数据进行缺失值填充,并对填充后的数据进行标准化,得到目标待检测数据;
步骤S1006.对目标待检测数据进行拼接,得到目标待检测数据矩阵,将目标待检测数据矩阵输入至时间序列特征的向量表示模型time2vec中,得到编码数据矩阵;
步骤S1008.将编码数据矩阵输入至目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
步骤S1010.将输出数据矩阵输入至目标半监督时序卷积神经网络的变分自编码器中,得到与输出数据矩阵对应的第一矩阵;
步骤S1012.对第一矩阵以及编码数据矩阵进行同维度相加,得到目标数据矩阵,并将目标数据矩阵输入至变分自编码器的解码器中,得到解码数据矩阵;
步骤S1014.对解码数据矩阵与目标待检测数据进行对比,得到目标待检测数据中包括的异常数据。
本公开示例实施例还提供了一种异常检测装置,参考图11所示,可以包括:数据编码模块1110、编码数据处理模块1120以及异常检测模块1130。其中:
数据编码模块1110,用于获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;
编码数据处理模块1120,用于生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
异常检测模块1130,用于将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检。
上述异常检测装置中各模块的具体细节已经在对应的异常检测方法中进行了详细的描述,因此此处不再赘述。
在本公开的一种示例性实施例中,在获取目标检测数据之前,所述异常检测方法包括:
获取初始数据,对所述初始数据进行分析,确定目标特征;
确定时间窗口,获取位于所述时间窗口且与所述目标特征对应的待检测数据;
对所述待检测数据进行预处理,得到目标待检测数据。
在本公开的一种示例性实施例中,对所述待检测数据进行预处理,得到目标待检测数据,包括:
确定所述待检测数据中的缺失值;
通过随机森林回归模型,对所述待检测数据中的缺失值进行填充,得到第一待检测数据;
对所述第一待检测数据进行标准化,得到所述目标待检测数据。
在本公开的一种示例性实施例中,对所述目标待检测数据进行编码,得到编码数据矩阵,包括:
对所述目标待检测数据进行拼接,生成目标待检测数据矩阵;
通过所述目标待检测数据矩阵以及批尺寸生成输入数据,将所述输入数据输入至时间序列特征的向量表示模型中,得到与所述目标待检测数据矩阵对应的编码数据矩阵。
在本公开的一种示例性实施例中,所述生成目标半监督时序卷积神经网络,包括:
通过膨胀因果卷积生成所述时序卷积神经网络;其中,所述半监督时序卷积神经网络中包括3层时序卷积神经网络;
通过所述时序卷积神经网络以及变分自编码器,生成所述半监督时序卷积神经网络;其中,所述变分自编码器中包括编码器、解码器以及损失函数;
基于所述损失函数得到损失值,在通过所述损失值确定所述半监督时序卷积神经网络收敛时,得到所述目标半监督时序卷积神经网络。。
在本公开的一种示例性实施例中,将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,包括:
将所述输出数据矩阵输入至所述变分自编码器的编码器中,得到与所述输出数据矩阵对应的第一矩阵;
对所述编码数据矩阵以及所述第一矩阵进行连接处理,得到目标数据矩阵;
将所述目标数据矩阵输入至所述变分自编码器的解码器中,得到所述解码数据矩阵。
在本公开的一种示例性实施例中,通过所述解码数据矩阵对所述目标待检测数据进行异常检测:
获取所述解码数据矩阵中的每条数据;
对所述解码数据矩阵中的每条数据、所述目标待检测数据中包括的与所述解码数据矩阵中每条数据对应的每条待检测数据进行对比,完成对所述目标待检测数据的异常检测。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为***、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“***”。
下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图12所示,电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于:上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同***组件(包括存储单元1220和处理单元1210)的总线1230以及显示单元1240。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元1210执行,使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元1210可以执行如图1中所示的步骤S110:获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;S120:生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;S130:将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
存储单元1220可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)12201和/或高速缓存存储单元12202,还可以进一步包括只读存储单元(ROM)12203。
存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204,这样的程序模块12205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。
总线1230可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1200交互的设备通信,和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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1250进行。并且,电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1200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。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种异常检测方法,其特征在于,包括:
获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;
生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
2.根据权利要求1所述的异常检测方法,其特征在于,在获取目标检测数据之前,所述异常检测方法包括:
获取初始数据,对所述初始数据进行分析,确定目标特征;
确定时间窗口,获取位于所述时间窗口且与所述目标特征对应的待检测数据;
对所述待检测数据进行预处理,得到目标待检测数据。
3.根据权利要求2所述的异常检测方法,其特征在于,对所述待检测数据进行预处理,得到目标待检测数据,包括:
确定所述待检测数据中的缺失值;
通过随机森林回归模型,对所述待检测数据中的缺失值进行填充,得到第一待检测数据;
对所述第一待检测数据进行标准化,得到所述目标待检测数据。
4.根据权利要求1所述的异常检测方法,其特征在于,对所述目标待检测数据进行编码,得到编码数据矩阵,包括:
对所述目标待检测数据进行拼接,生成目标待检测数据矩阵;
通过所述目标待检测数据矩阵以及批尺寸生成输入数据,将所述输入数据输入至时间序列特征的向量表示模型中,得到与所述目标待检测数据矩阵对应的编码数据矩阵。
5.根据权利要求1所述的异常检测方法,其特征在于,所述生成目标半监督时序卷积神经网络,包括:
通过膨胀因果卷积生成所述时序卷积神经网络;其中,所述半监督时序卷积神经网络中包括3层时序卷积神经网络;
通过所述时序卷积神经网络以及变分自编码器,生成所述半监督时序卷积神经网络;其中,所述变分自编码器中包括编码器、解码器以及损失函数;
基于所述损失函数得到损失值,在通过所述损失值确定所述半监督时序卷积神经网络收敛时,得到所述目标半监督时序卷积神经网络。
6.根据权利要求5所述的异常检测方法,其特征在于,将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,包括:
将所述输出数据矩阵输入至所述变分自编码器的编码器中,得到与所述输出数据矩阵对应的第一矩阵;
对所述编码数据矩阵以及所述第一矩阵进行连接处理,得到目标数据矩阵;
将所述目标数据矩阵输入至所述变分自编码器的解码器中,得到所述解码数据矩阵。
7.根据权利要求6所述的异常检测方法,其特征在于,通过所述解码数据矩阵对所述目标待检测数据进行异常检测:
获取所述解码数据矩阵中的每条数据;
对所述解码数据矩阵中的每条数据、所述目标待检测数据中包括的与所述解码数据矩阵中每条数据对应的每条待检测数据进行对比,完成对所述目标待检测数据的异常检测。
8.一种异常检测装置,其特征在于,包括:
数据编码模块,用于获取目标待检测数据,对所述目标待检测数据进行编码,得到编码数据矩阵;
编码数据处理模块,用于生成目标半监督时序卷积神经网络,将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中,得到输出数据矩阵;
异常检测模块,用于将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中,得到解码数据矩阵,通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
9.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的异常检测方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345777.6A CN114692767B (zh) | 2022-03-31 | 2022-03-31 | 异常检测方法和装置、计算机可读存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345777.6A CN114692767B (zh) | 2022-03-31 | 2022-03-31 | 异常检测方法和装置、计算机可读存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114692767A true CN114692767A (zh) | 2022-07-01 |
CN114692767B CN114692767B (zh) | 2024-01-19 |
Family
ID=82140093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210345777.6A Active CN114692767B (zh) | 2022-03-31 | 2022-03-31 | 异常检测方法和装置、计算机可读存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114692767B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110504A (zh) * | 2023-04-12 | 2023-05-12 | 烟台国工智能科技有限公司 | 基于半监督变分自编码器的分子性质预测方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及*** |
CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN112148955A (zh) * | 2020-10-22 | 2020-12-29 | 南京航空航天大学 | 一种物联网时序数据异常检测方法及*** |
CN112380098A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
CN112462261A (zh) * | 2020-11-25 | 2021-03-09 | 创新奇智(广州)科技有限公司 | 一种电机异常检测方法、装置、电子设备及存储介质 |
CN113076973A (zh) * | 2021-03-09 | 2021-07-06 | 山东师范大学 | 一种基于时间卷积网络的序列异常检测方法及*** |
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 |
CN113449660A (zh) * | 2021-07-05 | 2021-09-28 | 西安交通大学 | 基于自注意增强的时空变分自编码网络的异常事件检测方法 |
CN113516226A (zh) * | 2021-05-18 | 2021-10-19 | 长沙理工大学 | 一种基于图神经网络的混合模型多元时序异常检测方法 |
CN113868006A (zh) * | 2021-10-09 | 2021-12-31 | 中国建设银行股份有限公司 | 时间序列的检测方法、装置、电子设备及计算机存储介质 |
-
2022
- 2022-03-31 CN CN202210345777.6A patent/CN114692767B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669373A (zh) * | 2020-05-25 | 2020-09-15 | 山东理工大学 | 基于时空卷积网络和拓扑感知的网络异常检测方法及*** |
CN111880998A (zh) * | 2020-07-30 | 2020-11-03 | 平安科技(深圳)有限公司 | 服务***异常检测方法、装置、计算机设备和存储介质 |
CN112148955A (zh) * | 2020-10-22 | 2020-12-29 | 南京航空航天大学 | 一种物联网时序数据异常检测方法及*** |
CN112380098A (zh) * | 2020-11-19 | 2021-02-19 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
WO2021204010A1 (zh) * | 2020-11-19 | 2021-10-14 | 平安科技(深圳)有限公司 | 一种时序异常检测方法、装置、计算机设备及存储介质 |
CN112462261A (zh) * | 2020-11-25 | 2021-03-09 | 创新奇智(广州)科技有限公司 | 一种电机异常检测方法、装置、电子设备及存储介质 |
CN113076973A (zh) * | 2021-03-09 | 2021-07-06 | 山东师范大学 | 一种基于时间卷积网络的序列异常检测方法及*** |
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 |
CN113516226A (zh) * | 2021-05-18 | 2021-10-19 | 长沙理工大学 | 一种基于图神经网络的混合模型多元时序异常检测方法 |
CN113449660A (zh) * | 2021-07-05 | 2021-09-28 | 西安交通大学 | 基于自注意增强的时空变分自编码网络的异常事件检测方法 |
CN113868006A (zh) * | 2021-10-09 | 2021-12-31 | 中国建设银行股份有限公司 | 时间序列的检测方法、装置、电子设备及计算机存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110504A (zh) * | 2023-04-12 | 2023-05-12 | 烟台国工智能科技有限公司 | 基于半监督变分自编码器的分子性质预测方法及*** |
CN116110504B (zh) * | 2023-04-12 | 2023-06-23 | 烟台国工智能科技有限公司 | 基于半监督变分自编码器的分子性质预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114692767B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334407B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN111914873B (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN112136143B (zh) | 使用神经网络的时间序列数据依赖的动态发现 | |
CN112348660B (zh) | 生成风险警示信息的方法、装置及电子设备 | |
CN110135856B (zh) | 一种重复交易风险监测方法、装置及计算机可读存储介质 | |
US11593562B2 (en) | Advanced machine learning interfaces | |
Gibadullin et al. | Analysis of industrial network parameters using neural network processing | |
WO2020056995A1 (zh) | 语音流利度识别方法、装置、计算机设备及可读存储介质 | |
CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及*** | |
CN114860542A (zh) | 趋势预测模型的优化方法、优化装置、电子设备和介质 | |
CN114692767B (zh) | 异常检测方法和装置、计算机可读存储介质、电子设备 | |
CN115357470A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN116361147A (zh) | 测试用例根因定位方法及其装置、设备、介质、产品 | |
US20220155184A1 (en) | Asset agnostic anomaly detection using clustering and auto encoder | |
CN109272165B (zh) | 注册概率预估方法、装置、存储介质及电子设备 | |
CN113868214A (zh) | 日志的存储方法、装置、电子设备及计算机可读介质 | |
CN113378921A (zh) | 数据筛选方法、装置及电子设备 | |
US20230376372A1 (en) | Multi-modality root cause localization for cloud computing systems | |
CN115328753A (zh) | 一种故障预测方法及装置、电子设备、存储介质 | |
CN115758266A (zh) | 一种用于无人矿卡流式异常数据检测方法 | |
CN113850686A (zh) | 投保概率确定方法、装置、存储介质及电子设备 | |
CN110910905A (zh) | 静音点检测方法及装置、存储介质、电子设备 | |
US11475296B2 (en) | Linear modeling of quality assurance variables | |
CN113515684A (zh) | 一种异常数据检测方法及装置 |
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 |