CN117009903A - 一种数据异常检测方法、装置、设备及存储介质 - Google Patents

一种数据异常检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117009903A
CN117009903A CN202310970690.2A CN202310970690A CN117009903A CN 117009903 A CN117009903 A CN 117009903A CN 202310970690 A CN202310970690 A CN 202310970690A CN 117009903 A CN117009903 A CN 117009903A
Authority
CN
China
Prior art keywords
feature extraction
data
network
disturbance
result
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.)
Pending
Application number
CN202310970690.2A
Other languages
English (en)
Inventor
秦树鑫
陶高峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Network Communication and Security Zijinshan Laboratory
Original Assignee
Network Communication and Security Zijinshan Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Network Communication and Security Zijinshan Laboratory filed Critical Network Communication and Security Zijinshan Laboratory
Priority to CN202310970690.2A priority Critical patent/CN117009903A/zh
Publication of CN117009903A publication Critical patent/CN117009903A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种数据异常检测方法、装置、设备及存储介质。该方法包括：将时序信号样本数据输入初始数据异常检测模型；通过初始数据异常检测模型中的特征提取网络对时序信号样本数据进行特征提取，获得特征提取结果；对特征提取网络进行参数扰动，获得特征提取扰动网络；通过特征提取扰动网络对时序信号样本数据进行特征提取，获得特征提取扰动结果；将特征提取结果依次输入特征融合网络和重建网络，获得数据重建结果；根据特征提取结果和特征提取扰动结果、数据重建结果和时序信号样本数据计算得到的总损失函数值对初始数据异常检测模型进行网络参数调整，得到目标数据异常检测模型，提升了特征表示和特征学习能力以及模型的泛化和适应能力。

Description

一种数据异常检测方法、装置、设备及存储介质
技术领域
本发明涉及数据检测技术领域，尤其涉及一种数据异常检测方法、装置、设备及存储介质。
背景技术
云网状态数据是采集获取的能够表示某时刻云网资源使用和运行状态的数据，如网络流量上行、下行、CPU使用率、内存占用率、丢包率和网络延迟等指标。对于云网状态数据的异常检测是一种典型的时序数据异常检测(Anomaly Detection)。时序数据异常检测是从正常的时间序列中识别不正常的事件或行为的过程。
基于传统机器学习的方法，如统计模型、多元正态分布模型、独立森林等方法能够在一定程度上检测出明显的异常点，但对数据噪声敏感，并且仅针对每个时序数据进行独立建模，很难解决多维时序数据中的相互关联产生的异常。而实际场景中的时序数据存在噪声大、波动大、受环境影响大等特点，传统机器学习方法很难满足复杂场景需求。
基于深度学习的方法逐步运用于时序数据异常检测。现有方法是基于循环神经网络(RNN)、卷积神经网络(CNN)和注意力网络(Attention Net)的数据异常检测。这些方法虽然能够在一定程度上解决时序数据异常检测问题，但仍有较大改进空间，例如由于训练数据规模有限和多样性缺乏导致容易产生过拟合问题和模型适应能力差等，导致检测准确性不高。
发明内容
本发明提供了一种数据异常检测方法、装置、设备及存储介质，以解决已有的基于深度学习的时序数据异常检测模型易产生过拟合且模型适应能力差，导致异常数据检测的准确性不高的问题。
根据本发明的一方面，提供了一种数据异常检测模型的训练方法，包括：
将时序信号样本数据输入初始数据异常检测模型；其中，所述初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；
通过所述特征提取网络对所述时序信号样本数据进行特征提取，获得多个特征提取结果；
对所述特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过所述特征提取扰动网络对所述时序信号样本数据进行特征提取，获得多个特征提取扰动结果；
将所述多个特征提取结果输入所述特征融合网络，获得特征融合结果；并将所述特征融合结果输入所述重建网络，获得数据重建结果；
根据所述多个特征提取结果和所述多个特征提取扰动结果之间的总对比学习损失函数值，以及所述数据重建结果和所述时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据所述总损失函数值对所述初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
根据本发明的另一方面，提供了一种数据异常检测方法，包括：
获取待检测云网状态数据；
将所述待检测云网状态数据输入采用数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果；
根据所述待检测云网状态数据和所述云网状态数据重建结果之间的重建误差，确定所述待检测云网状态数据的数据检测结果。
根据本发明的另一方面，提供了一种数据异常检测模型的训练装置，包括：
输入模块，用于将时序信号样本数据输入初始数据异常检测模型；其中，所述初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；
特征提取模块，用于通过所述特征提取网络对所述时序信号样本数据进行特征提取，获得多个特征提取结果；
特征提取扰动模块，用于对所述特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过所述特征提取扰动网络对所述时序信号样本数据进行特征提取，获得多个特征提取扰动结果；
特征融合模块，用于将所述多个特征提取结果输入所述特征融合网络，获得特征融合结果；并将所述特征融合结果输入所述重建网络，获得数据重建结果；
参数调整模块，用于根据所述多个特征提取结果和所述多个特征提取扰动结果之间的总对比学习损失函数值，以及所述数据重建结果和所述时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据所述总损失函数值对所述初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
根据本发明的另一方面，提供了一种数据异常检测装置，包括：
数据获取模块，用于获取待检测云网状态数据；
数据检测模块，用于将所述待检测云网状态数据输入采用上述数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果；
检测结果确定模块，用于根据所述待检测云网状态数据和所述云网状态数据重建结果之间的重建误差，确定所述待检测云网状态数据的数据检测结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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发明任一实施例所述的数据异常检测模型的训练方法或者数据异常检测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据异常检测模型的训练方法或者数据异常检测方法。
本发明提供的一种数据异常检测模型的训练方法，通过将时序信号样本数据输入初始数据异常检测模型；其中，初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；通过特征提取网络对时序信号样本数据进行特征提取，获得多个特征提取结果；对特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过特征提取扰动网络对时序信号样本数据进行特征提取，获得多个特征提取扰动结果；将多个特征提取结果输入特征融合网络，获得特征融合结果；并将特征融合结果输入重建网络，获得数据重建结果；根据多个特征提取结果和多个特征提取扰动结果之间的总对比学习损失函数值，以及数据重建结果和时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据总损失函数值对初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。采用基于参数扰动的对比学习方法，解决了已有的基于深度学习的时序数据异常检测模型易产生过拟合且模型适应能力差，导致异常数据检测的准确性不高的问题，避免了数据增强产生的数据特性的变化对数据内在关联特征造成的破坏，提升了特征表示能力、特征学习能力以及模型的泛化和适应能力，从而提高了异常数据检测模型检测异常数据的准确性。
本发明的数据异常检测方法、数据异常检测模型的训练装置、一种数据异常检测装置、电子设备和计算机可读存储介质同样具备上述技术效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例提供的一种数据异常检测模型的训练方法的流程图；
图2是本发明实施例提供的一种数据异常检测模型的训练方法的原理示意图。
图3是本发明实施例提供的另一种数据异常检测模型的训练方法的流程图；
图4是本发明实施例提供的一种初始数据异常检测模型中的特征提取模块的结构示意图；
图5是本发明实施例提供的一种初始数据异常检测模型中的特征提取扰动模块的结构示意图；
图6是本发明实施例提供的一种数据异常检测方法的流程图；
图7是本发明实施例提供的一种目标数据异常检测模型的结构示意图；
图8是本发明实施例提供的一种数据异常检测模型的训练装置的结构示意图；
图9是本发明实施例提供的一种数据异常检测装置的结构示意图；
图10是实现本发明实施例的数据异常检测模型的训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
基于深度学习的学习方法逐步运用于时序数据异常检测。常用方法是基于循环神经网络(RNN)的序列编码，然后结合基于预测、重建或数据分布距离等方法来定位异常点。循环神经网络对于处理时序序列有天然的优势，但其缺点也十分明显，即只能够顺序处理，无法并行计算，因此，训练和推理速度较慢。
基于循环神经网络和序列重建的方法是采用了循环神经网络中的一种LSTM作为特征的编码和解码，同时采用了变分自编码器(VAE)作为特征编码和解码的架构。该方法是一种基于循环神经网络方法，并且采用了重建误差进行异常度量。主要推理过程是：1)数据预处理，2)将图像输入到训练好的编码器网络(Encoder)进行特征提取和编码，3)将编码的特征输入到解码器(Decoder)进行解码，重建某个时刻的信号，4)通过阈值判断的方式判定是否是异常点。
循环神经网络对于处理时序序列有天然的优势，但其缺点也十分明显，具体表现为：
(1)由于循环神经网络的串行计算特性，模型训练和推理速度较慢。
(2)容易产生过拟合问题。
过拟合不仅包含了由于训练数据规模和多样性缺乏导致的泛化能力差的问题，同时还包括由于正常样本中存在异常噪声，而引起的能够拟合异常样本的问题。该问题将直接导致异常检测过程中出现的误识别，如：a)正常样本可能由于泛化能力差而被判别为异常，b)异常样本可能由于被很好的拟合导致重建误差较小而未被检测出来。
(3)模型适应能力差。
由于异常的产生具有不确定性，并且异常的类型较多，比如单点异常、上下文关联异常、周期变化异常、趋势变化异常等。不同的异常类型对于特征的要求和异常定义的要求不同，而该方法没有对信号间的关联关系进行建模，很难同时使用所有异常类型，模型适应能力和泛化能力较差。
(4)模型准确性差
该方法由于没有考虑到训练数据中存在的噪声问题，会干扰重建误差，进而影响检测效果。其次，由于训练数据的有限性，模型的泛化能力受到影响，同时也影响了模型的准确性。再次，现有的深度学习方法对于数据之间关联关系的挖掘不够，也进一步影响了模型的准确性。此外，该方法也不能很好的应对概念漂移情况的发生。
基于卷积神经网络(CNN)和注意力网络(Attention Net)的方法具备并行计算的优势，通过特点的优化和改进，也能够用于解决时序数据异常检测问题。这些方法虽然能够在一定程度上解决时序数据异常检测问题，但仍有以下三个方面的问题：(1)多维时序数据各信号之间的关联关系建模问题，部分异常是由一系列信号的组合特征体现的，因此，需要建模信号间关系，提升算法稳定性和适应性；(2)由于训练数据存在噪声(即没有标记的异常数据)，模型能够在一定程度上拟合异常数据，从而导致重建误差区分度较差；(3)由于训练数据规模有限和多样性缺乏仍导致容易产生过拟合问题。
针对上述问题，本发明提出一种基于图神经网络与图对比学习相结合的模型训练方法，通过多维度图神经网络进行特征学习，并通过特征提取网络参数扰动生成扰动分支，将扰动分支与正常分支的提取的特征进行对比学习，弥补训练数据缺乏带来的负面影响，同时降低数据增强方法可能引起对数据内部特征产生破坏性的风险，进一步提升模型的特征表示能力、特征学习能力、泛化能力和适应能力。
实施例一
图1是本发明实施例一提供了一种数据异常检测模型的训练方法的流程图，本实施例可适用于采用深度学习的方法训练时序数据的异常检测模型，用于对时序数据进行异常检测情况，该方法可以由数据异常检测模型的训练装置来执行，该数据异常检测模型的训练装置可以采用硬件和/或软件的形式实现，该数据异常检测模型的训练装置可配置于电子设备中。如图1所示，该方法包括：
S110、将时序信号样本数据输入初始数据异常检测模型；其中，初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络。
其中，初始异常检测模型可以理解为未经训练或者未训练完备的数据异常检测模型。时序信号样本数据是指作为训练样本的时间序列信号。在本发明实施例中，时间序列信号可以包含多路信号在多个时刻的数据。可选的，获取时序信号样本数据的方式可以为：采集预设时间段内的时序信号，对时序信号进行预处理得到时序信号样本数据。其中，预处理可以包括：过滤、清洗和归一化等操作。示例性的，时序信号样本数据的大小为X＝n×w，n是信号数量，w是时间窗口大小。
在本实施例中，初始数据异常检测模型依次包括：基于图神经网络的特征提取网络、特征融合网络以及重建网络。基于图神经网络的特征提取网络(GNN Module)用于提取时序信号样本数据的特征获得特征提取结果；其中，图神经网络(GNN)是基于节点和边构成的图结构表示数据的网络。特征融合网络用于对特征提取结果进行特征融合得到特征融合结果。重建网络用于根据特征融合结果进行重建，获得数据重建结果。
S120、通过特征提取网络对时序信号样本数据进行特征提取，获得多个特征提取结果。
其中，特征提取结果是指特征提取网络进行特征提取后输出的结果。多个特征提取结果均可以采用相同维度的矩阵表示。
在发明实施例中，将时序信号样本数据输入初始数据异常检测模型后，首先通过初始数据异常检测模型中的特征提取网络对时序信号样本数据进行特征提取，获得特征提取网络输出的多个特征提取结果。
在本实施例的一个可选实施方式中，所述基于图神经网络的特征提取网络包括串联的N个基于图神经网络的特征提取模块，第i个特征提取模块输出第i级特征提取结果；其中，i为从[1，N]中依次取值的整数。
其中，i为从[1，N]中依次取值的整数，也即i＝1,2,3,……,N。
在本发明实施例中，特征提取网络包括串联的N个特征提取模块，将时序信号样本数据输入特征提取网络，依次通过特征提取网络中串联的N个特征提取模块进行特征提取，获得N个特征提取结果。其中，第i个特征提取模块输出的特征提取结果为第i级特征提取结果。
S130、对特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过特征提取扰动网络对时序信号样本数据进行特征提取，获得多个特征提取扰动结果。
其中，特征提取扰动网络(GNN Disturbed Module)是在基于图神经网络的特征提取网络(GNN Module)的基础上增加扰动后获得基于图神经网络的网络。特征提取扰动网络用于对时序信号样本数据进行特征提取，获得与特征提取结果形成对比的特征提取扰动结果。特征提取扰动结果是通过具有扰动的特征提取扰动网络进行特征提取得到的结果。多个特征提取扰动结果均可以采用与特征提取结果相同维度的矩阵表示。
在本发明实施例，对特征提取网络的网络参数进行随机扰动，获得与特征提取网络对应的特征提取扰动网络。将时序信号样本数据输入特征提取扰动网络，通过特征提取扰动网络对时序信号样本数据进行特征提取，获得特征提取扰动网络输出的特征提取扰动结果。可以理解的是，多个特征提取扰动结果与多个特征提取结果一一对应。
在本实施例的一个可选实施方式中，所述基于图神经网络的特征提取扰动网络包括串联的N个基于图神经网络的特征提取扰动模块，所述多个特征提取扰动结果包括：第i个特征提取扰动模块输出第i级特征提取扰动结果；其中，i为从[1，N]中依次取值的整数。
在本发明实施例中，对特征提取网络中串联的N个特征提取模块分别进行参数扰动获得特征提取扰动网络，因此，特征提取扰动网络包括：与串联的N个基于图神经网络的特征提取模块对应的串联的N个基于图神经网络的特征提取扰动模块。将时序信号样本数据输入特征提取扰动网络，依次通过特征提取扰动网络中串联的N个特征提取扰动模块进行特征提取，获得N个特征提取扰动结果。其中，所述多个特征提取扰动结果包括：第i个特征提取扰动模块输出的特征提取扰动结果为第i级特征提取扰动结果。
S140、将多个特征提取结果输入特征融合网络，获得特征融合结果；并将特征融合结果输入重建网络，获得数据重建结果。
其中，特征融合结果是对特征提取结果融合后得到的结果。数据重建结果是根据特征融合结果进行数据重建得到的结果。可选的，特征融合网络可以通过特征矩阵相加的方式，或者特征通道叠加的方式进行特征融合，特征融合网络例如可以采用Encoder-Decoder的融合网络结构。重建网络可以采用Transformer网络结构、全连接网络结构或者循环神经网络结构等。本发明实施例对特征融合网络以及重建网络的网络结构不作限制。
在本发明实施例中，将特征提取网络输出的多个特征提取结果分别输入特征融合网络；通过特征融合网络对多个特征提取结果进行特征融合得到特征融合结果。将特征融合网络输出的特征融合结果输入重建网络；通过重建网络对特征融合结果进行数据重建得到数据重建结果。
在一个可选的实施方式中，由于多个特征提取结果均可以采用相同维度的矩阵表示，因此，将特征提取结果输入特征融合网络，获得特征融合结果可以为：在特征融合网络中，对多个维度相同的特征提取结果进行矩阵相加得到特征融合结果。
S150、根据多个特征提取结果和多个特征提取扰动结果之间的总对比学习损失函数值，以及数据重建结果和时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据总损失函数值对初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
其中，总对比学习损失函数值是每个特征提取结果与对应的特征提取扰动结果之间经过对比学习得到的损失值之和。重建损失函数值是数据重建结果和时序信号样本数据之间经过重建误差计算得到损失值；总损失函数值是根据总对比学习损失函数值和重建损失函数值计算得到的损失函数值。可选的，对比学习中采用的对比学习损失函数可以采用标准的InfoNCE loss；重建误差计算中采用的重建误差损失函数可以采用标准的均方差损失函数Mean Squared Loss。
在本实施例中，为解决训练数据有限，模型泛化能力差等问题，提供了一种基于网络参数扰动的多级对比学习的方法。通过对特征提取网络输出的多个特征提取结果和基于参数扰动的特征提取扰动网络输出的多个特征提取扰动结果进行多级对比学习，得到总对比学习损失函数值。该方法与传统的采用数据增强的对比学习方法不同，不需要通过数据增强来生成新的对比视角，能够避免数据增强产生的数据特性的变化对数据内在关联特征造成的破坏，进一步提升特征表示能力、特征学习能力和模型泛化能力。
还需要说明的是，在本实施例中的对比学习损失函数值可以采用图级别(graph-level)的计算方法，即将整个基于图神经网络中每个特征提取模块输出的特征提取结果作为一个整体来判断正负样本，与传统的节点级别(node-level)的图对比损失计算方法相比，图级别更能保留数据的内部关联特性。
在本实施例的一个可选实施方式中，根据多个特征提取结果和多个特征提取扰动结果之间的总对比学习损失函数值，以及数据重建结果和时序信号样本数据之间的重建损失函数值计算总损失函数值，包括：对总对比学习损失函数值和重建损失函数值进行加权求和得到总损失函数值；其中，总对比学习损失函数值对应的权重和重建损失函数值权重之和为1。
在本实施例的另一个可选实施方式中，根据总损失函数值对初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型包括：根据总损失函数值，通过反向传播更新网络参数权值；可用于网络参数权值更新的方法包括但不限于SGD、RMSProp、Adam、Nesterov Accelerated Gradient或者上述任意两个及两个以上的方式的组合。若网络参数权值达到终止条件，则终止该分支的参数训练；保存训练更新后的网络参数权值，得到目标数据异常检测模型。终止条件可以是：网络参数的调整次数达到设定的总优化次数，或者总损失函数值小于预设值。整个初始数据异常检测模型的训练过程可以采用端到端的无监督训练方式，模型不同阶段和不同分支均同步训练、同步更新且同时结束。
图2是本发明实施例提供的一种数据异常检测模型的训练方法的原理示意图。如图2所示，本发明实施例的技术方案，通过将时序信号样本数据输入初始数据异常检测模型；其中，初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；通过特征提取网络对时序信号样本数据进行特征提取，获得多个特征提取结果；对特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过特征提取扰动网络对时序信号样本数据进行特征提取，获得多个特征提取扰动结果；将多个特征提取结果输入特征融合网络，获得特征融合结果；并将特征融合结果输入重建网络，获得数据重建结果；根据多个特征提取结果和多个特征提取扰动结果之间的总对比学习损失函数值，以及数据重建结果和时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据总损失函数值对初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。采用基于参数扰动的对比学习方法，避免了数据增强产生的数据特性的变化对数据内在关联特征造成的破坏，提升了特征表示能力、特征学习能力以及模型的泛化和适应能力，从而提高了异常数据检测模型检测异常数据的准确性。
图3是本发明实施例提供的一种数据异常检测模型的训练方法的流程图，本实施例对上述实施例的初始数据异常检测模型中的参数扰动过程和总损失函数值的计算过程以及特征提取网络的结构进行了进一步的具体化。如图3所示，该方法包括：
S210、将时序信号样本数据输入初始数据异常检测模型；其中，初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络。
S220、通过特征提取网络中串联的N个基于图神经网络的特征提取模块对时序信号样本数据进行特征提取，获得N个特征提取结果；所述N个特征提取结果包括：第i个特征提取模块输出第i级特征提取结果；i为从[1，N]中依次取值的整数。
在本实施例中，通过特征提取网络中串联的N个基于图神经网络的特征提取模块对时序信号样本数据进行特征提取，获得N个特征提取结果，包括：将所述时序样本数据输入所述特征提取网络中的第一个特征提取模块，获得所述第一个特征提取模块输出的第一级特征提取结果；将所述特征提取网络中的第i个特征提取模块输出的第i级特征提取结果输入所述特征提取网络中的第i+1个特征提取模块，获得所述第i+1个特征提取模块输出的第i+1级特征提取结果，从而获得特征提取网络输出的N个特征提取结果
在本实施例的一个可选实施例中，图4是本发明实施例提供的一种初始数据异常检测模型中的特征提取模块的结构示意图，如图4所示，基于图神经网络的第i个特征提取模块包括：串联的信号维度图神经网络层和时间维度图神经网络层；其中，所述基于图神经网络的特征提取模块的信号维度图神经网络层用于对输入数据进行信号维度的图神经网络特征计算，获得信号维度的特征；其中，在i＝1时，所述输入数据为所述时序信号样本数据；在2≤i≤N时，所述输入数据为第i-1个基于图神经网络的特征提取模块输出的第i-1级特征提取结果；所述特征提取模块的时间维度图神经网络层用于对所述信号维度的特征进行时间维度的图神经网络特征计算，获得第i级特征提取结果
其中，信号维度图神经网络层(Inter-signal GNN layer)是基于信号维度的图神经网络，用于将数据中的每一个信号作为一个节点(node)，以该信号在一段时间内的数据作为节点特征，形成具有n个节点的图；信号维度图神经网络层(Temporal GNN layer)是基于时间维度的图神经网络，用于将每个信号中的每一个时间点的数据作为图神经网络的一个节点(node)，以而这个时间点的所有信号数据作为该节点的特征，形成具有w个节点的图。
由于多维时序信号数据包含了多路信号在多个时刻的数据，因此，该数据包含两个维度信息。第一个维度是时间维度，每一路信号都是一个时序数据序列，序列中不同时间点的数据存在时序关联性；第二个维度是信号维度，由于是多维信号，每个时刻将产生多个数据，每个数据对应一个信号，而不同信号之间也存在相互关联、相互依赖的关系。因此，本发明实施例提供一种多维度图神经网络交替特征表示方法。具体表示为：(1)在时间维度，采用一个图神经网络层学习数据的时序关联特征；(2)在信号维度，同样采用一个图神经网络层学习信号之间的关联特征；(3)信号维度和时间维度的图神经网络层交替级联，一个信号维度的图神经网络层与一个时间维度的图神经网络层串联形成一个基于图神经网络的特征提取模块，然后可串联多个该模块；(4)将每个基于图神经网络的特征提取模块的提取征提取结果进行融合，组成最终的特征提取结果，提升模型训练稳定性。通过该方法最大限度的挖掘了数据深层模式，提升了特征表示能力。
在本实施例中，将所述时序样本数据输入所述特征提取网络中的第一个特征提取模块，获得所述第一个特征提取模块输出的第一级特征提取结果可以包括：将所述时序样本数据输入所述第一个特征提取模块的信号维度图神经网络层，获得所述信号维度图神经网络层进行信号维度的图神经网络特征计算得到的第一级信号维度图神经网络特征；将所述第一级信号维度图神经网络特征输入所述第一个特征提取模块的时间维度图神经网络层，获得所述时间维度图神经网络层进行时间维度的图神经网络特征计算得到的第一级特征提取结果
同理，将所述特征提取网络中的第i个特征提取模块输出的第i级特征提取结果输入所述特征提取网络中的第i+1个特征提取模块，获得所述第i+1个特征提取模块输出的第i+1级特征提取结果可以包括：将第i级特征提取结果输入第i+1个特征提取模块的信号维度图神经网络层，获得所述信号维度图神经网络层进行信号维度的图神经网络特征计算得到的第i+1级信号维度图神经网络特征；将所述第i+1级信号维度图神经网络特征输入所述第i+1个特征提取模块的时间维度图神经网络层，获得所述时间维度图神经网络层进行时间维度的图神经网络特征计算得到的第i+1级特征提取结果/>
S230、采用正态分布的随机扰动序列，对特征提取网络中的第i个特征提取模块进行参数扰动，获得特征提取扰动网络中的第i个特征提取扰动模块。
在本实施例中，所述第i个特征提取扰动模块是由正态分布的随机扰动序列对所述第i个特征提取模块进行参数扰动得到。
S240、通过特征提取扰动网络中串联的N个基于图神经网络的特征提取扰动模块对时序信号样本数据进行特征提取，获得N个特征提取扰动结果；N个特征提取扰动结果包括：第i个特征提取扰动模块输出第i级特征提取扰动结果；其中，i为从[1，N]中依次取值的整数。
在本实施中，通过所述特征提取扰动网络中串联的N个基于图神经网络的特征提取扰动模块对所述时序信号样本数据进行特征提取，获得N个特征提取扰动结果，包括：将所述时序样本数据输入所述特征提取扰动网络中的第一个特征提取扰动模块，获得所述第一个特征提取扰动模块输出的第一级特征提取扰动结果；将所述特征提取网络中的第i个特征提取模块输出的第i级特征提取结果输入所述特征提取扰动网络中的第i+1个特征提取扰动模块，获得所述第i+1个特征提取扰动模块输出的第i+1级特征提取扰动结果，从而获得特征提取扰动网络输出的N个特征提取扰动结果
在本实施例的一个可选实施例中，图5是本发明实施例提供的一种初始数据异常检测模型中的特征提取扰动模块的结构示意图，如图5所示，基于图神经网络的第i个特征提取扰动模块包括：串联的信号维度图神经网络扰动层和时间维度图神经网络扰动层；其中，所述基于图神经网络的第i个特征提取扰动模块的信号维度图神经网络扰动层用于对输入数据进行信号维度的图神经网络扰动特征计算，获得信号维度的特征；其中，在i＝1时，所述输入数据为所述时序信号样本数据；在2≤i≤N时，所述输入数据为第i-1个基于图神经网络的特征提取模块输出的第i-1级特征提取结果；所述特征提取扰动模块的时间维度图神经网络扰动层用于对所述信号维度的特征进行时间维度的图神经网络扰动特征计算，获得第i级特征提取扰动结果
在本实施例中，将所述时序样本数据输入所述特征提取扰动网络中的第一个特征提取扰动模块，获得所述第一个特征提取扰动模块输出的第一级特征提取扰动结果包括：将所述时序样本数据输入所述第一个特征提取扰动模块的信号维度图神经网络扰动层，获得所述信号维度图神经网络扰动层进行信号维度的图神经网络扰动特征计算得到的第一级信号维度图神经网络扰动特征；将所述第一级信号维度图神经网络扰动特征输入所述第一个特征提取模块的时间维度图神经网络扰动层，获得所述时间维度图神经网络扰动层进行时间维度的图神经网络扰动特征计算得到的第一级特征提取扰动结果
同理，将所述特征提取网络中的第i个特征提取模块输出的第i级特征提取结果输入所述特征提取网络中的第i+1个特征提取扰动模块，获得所述第i+1个特征提取扰动模块输出的第i+1级特征提取扰动结果包括：将第i级特征提取结果输入第i+1个特征提取扰动模块的信号维度图神经网络扰动层，获得所述信号维度图神经网络扰动层进行信号维度的图神经网络扰动特征计算得到的第i+1级信号维度图神经网络扰动特征；将所述第i+1级信号维度图神经网络扰动特征输入所述第i+1个特征提取扰动模块的时间维度图神经网络扰动层，获得所述时间维度图神经网络扰动层进行时间维度的图神经网络扰动特征计算得到的第i+1级特征提取扰动结果/>
S250、将多个特征提取结果输入特征融合网络，获得特征融合结果，并将特征融合结果输入重建网络，获得数据重建结果。
S260、根据特征提取网络中的第i个特征提取模块输出的第i级特征提取结果和特征提取扰动网络中的第i个特征提取扰动模块输出的第i级特征提取扰动结果计算第i级对比学习损失函数值；将各级对比学习损失函数值的总和确定为总对比学习损失函数值。
在本实施例中，总对比学习损失函数值可以为：
其中，LossComparisons为总对比学习损失函数值；Comparisons为对比学习函数；为第i级特征提取结果；/>为第i级特征提取扰动结果。/>
S270、计算数据重建结果和时序信号样本数据之间的重建损失函数值。
在本实施例中，重建损失函数值可以为：
Lossreconstruction＝Mean_Square_Error(X,R)；
其中，Lossreconstruction为重建损失函数值；Mean_Square_Error为均方差误差函数；X为时序信号样本数据；R为数据重建结果。
S280、对总对比学习损失函数值和重建损失函数值进行加权求和，得到总损失函数值。
在本实施例中，总损失函数值为：
Losstotal＝αLossComparosons+βLossreconstruction；
其中，Losstotal为总损失函数值，α为总对比学习损失函数值对应的权重；β为重建损失函数值对应的权重；且α+β＝1。本发明实施例对α和β的具体取值不作限制，可以根据实际应用的数据特点确定。
S290、根据总损失函数值对初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
本发明实施例的技术方案，通过网络参数扰动的多级对比学习方法进行数据异常检测模型的训练，将图神经网络与图对比学习相结合，通过多维度图神经网络进行特征学习，提升了特征表示能力；通过特征提取网络参数扰动，生成扰动分支，并与正常分支进行对比学习，避免了数据增强产生的数据特性的变化对数据内在关联特征造成的破坏，提升了特征学习能力以及模型的泛化和适应能力；同时，基于多维度图神经网络交替特征表示方法进行数据异常检测模型的训练；能够最大限度的挖掘数据深层模式，进一步提升了特征表示能力、特征学习能力和模型稳定性；也进一步提高了基于目标数据异常模型数据异常检测方法的准确性。
图6是本发明实施例提供的一种数据异常检测方法的流程图，本实施例可适用于采用上述数据异常检测模型的训练方法获得的异常检测模型对待检测云网状态数据进行异常检测的情况，该方法可以由数据异常检测装置来执行，该数据异常检测装置可以采用硬件和/或软件的形式实现，该数据异常检测装置可配置于电子设备中。如图6所示，该方法包括：
S310、获取待检测云网状态数据。
其中，待检测云网状态数据是指需要进行异常数据检测的云网状态数据，云网状态数据是指采集到的能够表示某时刻云网资源使用和运行状态的数据。
在本实施例的一个可选实施例中，采集预设时间段内云网状态数据，对云网状态数据进行归一化得到待检测云网状态数X'＝n×w，n是信号数量，w是时间窗口大小。
S320、将待检测云网状态数据输入采用上述数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果。
其中，目标数据异常检测模型是采用本发明实施例提供的数据异常检测模型的训练方法训练得到的完备模型。云网状态数据重建结果是目标数据异常检测模型输出的结果。
图7是本发明实施例提供的一种目标数据异常检测模型的结构示意图。如图7所示，在本实施例中，目标数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络。将待检测云网状态数据输入目标数据异常检测模型；通过目标数据异常检测模型中的基于图神经网络的特征提取网络对时序信号样本数据进行特征提取，获得多个特征提取结果；将多个特征提取结果输入特征融合网络，获得特征融合结果；并将特征融合结果输入重建网络，获得云网状态数据重建结果。
在本实施例的一个可选实施例中，所述基于图神经网络的特征提取网络包括串联的N个基于图神经网络的特征提取模块；所述多个特征提取结果包括：第i个特征提取模块输出第i级特征提取结果。第i个基于图神经网络的特征提取模块包括：串联的信号维度图神经网络层和时间维度图神经网络层；其中，所述第i个基于图神经网络的特征提取模块的信号维度图神经网络层用于对输入数据进行信号维度的图神经网络特征计算，获得信号维度的特征；其中，在i＝1时，所述输入数据为所述待检测云网状态数据；在2≤i≤N时，所述输入数据为第i-1个基于图神经网络的特征提取模块输出的第i-1级特征提取结果；所述第i个基于图神经网络的特征提取模块的时间维度图神经网络层用于对所述信号维度的特征进行时间维度的图神经网络特征计算，获得第i级特征提取结果。
S330、根据待检测云网状态数据和云网状态数据重建结果之间的重建误差，确定待检测云网状态数据的数据检测结果。
其中，重建误差可以采用标准的均方差损失函数Mean Squared Loss计算得到。数据检测结果可以包括数据正常或者数据异常。
在本实施例中，对待检测云网状态数据和云网状态数据重建结果进行误差计算得到重建误差，根据重建误差判断待检测云网状态数据是否异常，获得数据检测结果。示例性的，若重建误差大于预设误差阈值，则确定所述待检测云网状态数据的数据检测结果为异常，若重建误差小于或等于预设误差阈值，则确定所述待检测云网状态数据的数据检测结果为正常。
本发明实施例的技术方案，通过获取待检测云网状态数据；将待检测云网状态数据输入采用数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果；根据待检测云网状态数据和云网状态数据重建结果之间的重建误差，确定待检测云网状态数据的数据检测结果，提高了异常数据检测的准确性和稳定性。
图8是本发明实施例提供的一种数据异常检测模型的训练装置的结构示意图。如图8所示，该装置包括：输入模块410、特征提取模块420、特征提取扰动模块430、特征融合模块440和参数调整模块450；其中，
输入模块410，用于将时序信号样本数据输入初始数据异常检测模型；其中，所述初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；
特征提取模块420，用于通过所述特征提取网络对所述时序信号样本数据进行特征提取，获得多个特征提取结果；
特征提取扰动模块430，用于对所述特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过所述特征提取扰动网络对所述时序信号样本数据进行特征提取，获得多个特征提取扰动结果；
特征融合模块440，用于将所述多个特征提取结果输入所述特征融合网络，获得特征融合结果；并将所述特征融合结果输入所述重建网络，获得数据重建结果；
参数调整模块450，用于根据所述多个特征提取结果和所述多个特征提取扰动结果之间的总对比学习损失函数值，以及所述数据重建结果和所述时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据所述总损失函数值对所述初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
本发明实施例的技术方案，通过将时序信号样本数据输入初始数据异常检测模型；其中，初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；通过特征提取网络对时序信号样本数据进行特征提取，获得多个特征提取结果；对特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过特征提取扰动网络对时序信号样本数据进行特征提取，获得多个特征提取扰动结果；将多个特征提取结果输入特征融合网络，获得特征融合结果；并将特征融合结果输入重建网络，获得数据重建结果；根据多个特征提取结果和多个特征提取扰动结果之间的总对比学习损失函数值，以及数据重建结果和时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据总损失函数值对初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型，提升了特征表示能力、特征学习能力以及模型的泛化和适应能力。
在上述实施例的基础上，所述基于图神经网络的特征提取网络包括串联的N个基于图神经网络的特征提取模块，所述多个特征提取结果包括：第i个特征提取模块输出第i级特征提取结果；
所述基于图神经网络的特征提取扰动网络包括串联的N个基于图神经网络的特征提取扰动模块，所述多个特征提取扰动结果包括：第i个特征提取扰动模块输出第i级特征提取扰动结果；其中，i为从[1，N]中依次取值的整数。
在上述实施例的基础上，第i个基于图神经网络的特征提取模块包括：串联的信号维度图神经网络层和时间维度图神经网络层；
其中，所述第i个基于图神经网络的特征提取模块的信号维度图神经网络层用于对输入数据进行信号维度的图神经网络特征计算，获得信号维度的特征；其中，在i＝1时，所述输入数据为所述时序信号样本数据；在2≤i≤N时，所述输入数据为第i-1个基于图神经网络的特征提取模块输出的第i-1级特征提取结果；
所述第i个基于图神经网络的特征提取模块的时间维度图神经网络层用于对所述信号维度的特征进行时间维度的图神经网络特征计算，获得第i级特征提取结果。
在上述实施例的基础上，所述第i个特征提取扰动模块是由正态分布的随机扰动序列对所述第i个特征提取模块进行参数扰动得到。
在上述实施例的基础上，所述参数调整模块450，包括：
对比学习损失计算单元，用于根据所述特征提取网络中的第i个特征提取模块输出的第i级特征提取结果和所述特征提取扰动网络中的第i个特征提取扰动模块输出的第i级特征提取扰动结果计算第i级对比学习损失函数值；
总对比学习损失计算单元，计算将各级对比学习损失函数值的总和确定为所述总对比学习损失函数值；
重建损失计算单元，用于计算所述数据重建结果和所述时序信号样本数据之间的重建损失函数值；
总损失计算单元，用于对所述总对比学习损失函数值和所述重建损失函数值进行加权求和，得到总损失函数值。
本发明实施例所提供的数据异常检测模型的训练装置可执行本发明任意实施例所提供的数据异常检测模型的训练方法，具备执行方法相应的功能模块和有益效果。
图9是本发明实施例提供的一种数据异常检测装置的结构示意图。如图9所示，该装置包括：数据获取模块510、数据检测模块520和检测结果确定模块530；其中，
数据获取模块510，用于获取待检测云网状态数据；
数据检测模块520，用于将所述待检测云网状态数据输入采用上述数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果；
检测结果确定模块530，用于根据所述待检测云网状态数据和所述云网状态数据重建结果之间的重建误差，确定所述待检测云网状态数据的数据检测结果。
本发明实施例的技术方案，通过获取待检测云网状态数据；将待检测云网状态数据输入采用数据异常检测模型的训练方法训练得到的目标数据异常检测模型；获取目标数据异常检测模型输出的数据异常检测结果，提高了异常数据检测的准确性和稳定性。
图10示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图10所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如数据异常检测模型的训练方法或者数据异常检测方法。
在一些实施例中，数据异常检测模型的训练方法或者数据异常检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的数据异常检测模型的训练方法或者数据异常检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据异常检测模型的训练方法或者数据异常检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种数据异常检测模型的训练方法，其特征在于，包括：
将时序信号样本数据输入初始数据异常检测模型；其中，所述初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；
通过所述特征提取网络对所述时序信号样本数据进行特征提取，获得多个特征提取结果；
对所述特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过所述特征提取扰动网络对所述时序信号样本数据进行特征提取，获得多个特征提取扰动结果；
将所述多个特征提取结果输入所述特征融合网络，获得特征融合结果；并将所述特征融合结果输入所述重建网络，获得数据重建结果；
根据所述多个特征提取结果和所述多个特征提取扰动结果之间的总对比学习损失函数值，以及所述数据重建结果和所述时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据所述总损失函数值对所述初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于图神经网络的特征提取网络包括串联的N个基于图神经网络的特征提取模块，所述多个特征提取结果包括：第i个特征提取模块输出第i级特征提取结果；
所述基于图神经网络的特征提取扰动网络包括串联的N个基于图神经网络的特征提取扰动模块，所述多个特征提取扰动结果包括：第i个特征提取扰动模块输出第i级特征提取扰动结果；其中，i为从[1，N]中依次取值的整数。
3.根据权利要求2所述的方法，其特征在于，第i个基于图神经网络的特征提取模块包括：串联的信号维度图神经网络层和时间维度图神经网络层；
其中，所述第i个基于图神经网络的特征提取模块的信号维度图神经网络层用于对输入数据进行信号维度的图神经网络特征计算，获得信号维度的特征；其中，在i＝1时，所述输入数据为所述时序信号样本数据；在2≤i≤N时，所述输入数据为第i-1个基于图神经网络的特征提取模块输出的第i-1级特征提取结果；
所述第i个基于图神经网络的特征提取模块的时间维度图神经网络层用于对所述信号维度的特征进行时间维度的图神经网络特征计算，获得第i级特征提取结果。
4.根据权利要求2-3任一所述的方法，其特征在于，所述第i个特征提取扰动模块是由正态分布的随机扰动序列对所述第i个特征提取模块进行参数扰动得到。
5.根据权利要求1所述的方法，其特征在于，所述根据所述特征提取结果和所述特征提取扰动结果之间的总对比学习损失函数值，以及所述数据重建结果和所述时序信号样本数据之间的重建损失函数值计算总损失函数值，包括：
根据所述特征提取网络中的第i个特征提取模块输出的第i级特征提取结果和所述特征提取扰动网络中的第i个特征提取扰动模块输出的第i级特征提取扰动结果计算第i级对比学习损失函数值；
将各级对比学习损失函数值的总和确定为所述总对比学习损失函数值；
计算所述数据重建结果和所述时序信号样本数据之间的重建损失函数值；
对所述总对比学习损失函数值和所述重建损失函数值进行加权求和，得到总损失函数值。
6.一种数据异常检测方法，其特征在于，包括：
获取待检测云网状态数据；
将所述待检测云网状态数据输入采用权利要求1-5任一所述的数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果；
根据所述待检测云网状态数据和所述云网状态数据重建结果之间的重建误差，确定所述待检测云网状态数据的数据检测结果。
7.一种数据异常检测模型的训练装置，其特征在于，包括：
输入模块，用于将时序信号样本数据输入初始数据异常检测模型；其中，所述初始数据异常检测模型包括：基于图神经网络的特征提取网络、特征融合网络和重建网络；
特征提取模块，用于通过所述特征提取网络对所述时序信号样本数据进行特征提取，获得多个特征提取结果；
特征提取扰动模块，用于对所述特征提取网络进行参数扰动，获得基于图神经网络的特征提取扰动网络；通过所述特征提取扰动网络对所述时序信号样本数据进行特征提取，获得多个特征提取扰动结果；
特征融合模块，用于将所述多个特征提取结果输入所述特征融合网络，获得特征融合结果；并将所述特征融合结果输入所述重建网络，获得数据重建结果；
参数调整模块，用于根据所述多个特征提取结果和所述多个特征提取扰动结果之间的总对比学习损失函数值，以及所述数据重建结果和所述时序信号样本数据之间的重建损失函数值计算总损失函数值；并根据所述总损失函数值对所述初始数据异常检测模型中的网络参数进行调整，得到目标数据异常检测模型。
8.一种数据异常检测装置，其特征在于，包括：
数据获取模块，用于获取待检测云网状态数据；
数据检测模块，用于将所述待检测云网状态数据输入采用权利要求1-5任一所述的数据异常检测模型的训练方法训练得到的目标数据异常检测模型，获得云网状态数据重建结果；
检测结果确定模块，用于根据所述待检测云网状态数据和所述云网状态数据重建结果之间的重建误差，确定所述待检测云网状态数据的数据检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-5中任一项所述的数据异常检测模型的训练方法或者权利要求6所述的数据异常检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的数据异常检测模型的训练方法或者权利要求6所述的数据异常检测方法。
CN202310970690.2A 2023-08-02 2023-08-02 一种数据异常检测方法、装置、设备及存储介质 Pending CN117009903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310970690.2A CN117009903A (zh) 2023-08-02 2023-08-02 一种数据异常检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310970690.2A CN117009903A (zh) 2023-08-02 2023-08-02 一种数据异常检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117009903A true CN117009903A (zh) 2023-11-07

Family

ID=88565126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310970690.2A Pending CN117009903A (zh) 2023-08-02 2023-08-02 一种数据异常检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117009903A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648632A (zh) * 2024-01-29 2024-03-05 杭州海康威视数字技术股份有限公司 光纤振动异常识别方法、装置、设备及计算机程序产品

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117648632A (zh) * 2024-01-29 2024-03-05 杭州海康威视数字技术股份有限公司 光纤振动异常识别方法、装置、设备及计算机程序产品
CN117648632B (zh) * 2024-01-29 2024-05-03 杭州海康威视数字技术股份有限公司 光纤振动异常识别方法、装置、设备及计算机程序产品

Similar Documents

Publication Publication Date Title
CN112118143B (zh) 流量预测模型训练方法、流量预测方法、装置、设备及介质
KR20210086220A (ko) 비정상 트래픽 패턴의 탐지 방법 및 장치
CN116049146B (zh) 一种数据库故障处理方法、装置、设备及存储介质
CN111526119A (zh) 异常流量检测方法、装置、电子设备和计算机可读介质
CN117009903A (zh) 一种数据异常检测方法、装置、设备及存储介质
CN115390161B (zh) 基于人工智能的降水预测方法及装置
CN115147687A (zh) 学生模型训练方法、装置、设备及存储介质
CN116489038A (zh) 网络流量的预测方法、装置、设备和介质
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
CN116523140A (zh) 窃电检测方法、装置、电子设备和存储介质
CN116910573B (zh) 异常诊断模型的训练方法及装置、电子设备和存储介质
CN115600607A (zh) 一种日志检测方法、装置、电子设备及介质
CN117009902A (zh) 一种数据检测方法、装置、设备及存储介质
CN115829160B (zh) 一种时序异常预测方法、装置、设备及存储介质
CN117591983B (zh) 一种多指标异常检测方法、装置、电子设备和存储介质
CN117094452B (zh) 干旱状态预测方法、干旱状态预测模型的训练方法及设备
CN115905021B (zh) 一种模糊测试方法、装置、电子设备以及存储介质
CN118100151A (zh) 一种电网负荷预测方法、装置、设备及存储介质
CN117251809A (zh) 电网时序数据异常检测方法、装置、设备和存储介质
CN117707899A (zh) 一种微服务异常检测方法、装置、设备及存储介质
CN116316890A (zh) 可再生能源出力场景生成方法、装置、设备及介质
CN116307159A (zh) 一种负荷预测方法、装置、电子设备和存储介质
CN115392403A (zh) 一种异常变更检测方法、装置、设备及存储介质
CN117688499A (zh) 一种多指标异常检测方法、装置、电子设备和存储介质
CN116628491A (zh) 一种二分类模型的训练方法、装置、电子设备和存储介质

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