【技術實現步驟摘要】
基于動態圖學習和長短期時間卷積的多變量時序數據異常檢測方法及系統
本專利技術屬于多變量時序數據異常檢測
，具體為基于動態圖學習和長短期時間卷積的多變量時序數據異常檢測方法及系統
。
技術介紹
[0002]時間序列異常檢測是數據挖掘領域的重要研究問題，在工業系統
、
交通預測
、
數據中心等物聯網系統中有著廣泛的應用，隨著物聯網系統中傳感器和互聯設備的數量快速增加，我們越來越需要對這些設備實行監控
、
檢測異常以保護系統免受攻擊并正常運行，尤其是對于一些基礎設施系統，如電網系統
、
水處理系統
、
交通運輸
、
網絡通信系統等
。
因此，設計一種高效且準確的異常檢測系統具有很大的研究價值，因為它可以幫助我們自動連續識別出數據指標的異常，并通知
、
解釋可能存在的異常事件
。
[0003]單變量時間序列異常檢測算法雖然能識別單個變量的異常，但單個變量的數據的突然變化往往不能反映出系統在運行中出現異常，因為系統產生的數據往往是多變量的時間序列數據，變量之間的相關性不僅取決于其序列內歷史時間的值，還取決于其他變量特征
。
同時，變量特征之間存在復雜的
、
非線性相關性，依靠單個變量的異常檢測并不能反映不同變量之間的相關性，從而不能實現更為準確且高效的異常檢測性能
。
現有方法大都建立在序列內的時間依賴關系建模，沒有明確建模...
【技術保護點】
【技術特征摘要】
1.
基于動態圖學習和長短期時間卷積的多變量時序數據異常檢測方法，其特征在于，包括如下步驟
:S1.
使用初始嵌入模塊捕獲每個傳感器的靜態特征信息；
S2.
并將靜態特征輸入到長短期擴展卷積，以提取時間序列從局部到全局的時間上下文關系；
S3.
將上述時間關系和靜態特征輸入到動態圖學習模塊，該模塊通過多層級堆疊，演化不同時間模式下的圖結構信息；
S4.
將得到時間關系和動態圖結構輸入到
GCN
模塊，捕獲在不同時間模式下分級的時空特征依賴關系，并將其輸入動態異常評分模塊，預測下一時間步數據的異常得分并判定是否為異常；
S5.
我們設計了由多組卷積構成的長短期時間卷積模塊，以提取多變量時間在細粒尺度下，從短期到長期的時間依賴關系；首先，我們將多變量時間序列輸入到初始嵌入模塊，以提取時間序列的初始靜態特征
F,
并將得到的靜態特征輸入到長短期時間卷積模塊，本模塊通過不同卷積組之間的不同大小的卷積核路徑，有效覆蓋細粒時間尺度下的時間模式信息，本模塊的具體構建如下：對于每組的卷積核大小設置，我們使用來表示第
q
組的卷積核大小集，定義如下：其中，
{1,2,3,5,...,n
k
}
表示卷積核大小為1到
n
k
之間集合，
n
k
是覆蓋時間序列內細粒時間尺度的最大卷積核，合理設計
n
k
的值，并通過多個卷積核組之間的卷積路徑，能夠有效覆蓋更具細粒度的時間尺度，從而提取更加豐富尺度下的時間特征信息，具體過程如下：我們定義
RF
為卷積操作覆蓋的時間尺度大小，不同大小的卷積核提取相應尺度下的時間模式特征，本模塊每組都由多個不同大小的卷積核組成，在不同組之間的卷積過程中，每個卷積之間的路徑都能覆蓋時間步下的不同大小的時間尺度，我們設計的卷積中沒有使用池化操作且卷積步長為1，
RF
大小集合即為多個卷積核組所覆蓋的時間尺度集合，定義為：為：是對應第
q
組的卷積核列表，
p
(q)
表示第
q
組卷積核列表所覆蓋的所有時間尺度，卷積組之間有著多個不同的卷積路徑，長短期時間卷積模塊通過不同卷積組之間的卷積路徑覆蓋更加豐富的時間尺度，我們進一步結合傳感器節點
X
i
，對每個卷積核組的具體卷積過程作如下定義：其中，
X
i
表示節點
i
在對應卷積層的輸入序列，
c1×
k
表示濾波核大小為
k
的
1D
卷積，我們使用了多個不同大小濾波核的
1D
卷積，以提取每層不同尺度下的時間模式，每層卷積核組的輸出定義如下：
其中表示節點
i
在第
q
組卷積核組處理后的輸出，
[1,2,...n
k
]
表示對應每組卷積核組中的不同大小的卷積核，我們依據最大濾波器，將每個卷積核的輸出截斷為相同長度，并將輸出在通道維度上進行拼接，然后使用批歸一化和
relu
激活函數得到該層細粒度卷積核組的輸出并將其輸入到下一個卷積核組中進行處理；我們將多變量時間序列經過本模塊處理后得到的輸出定義為并將其進一步輸入到動態圖學習模塊中，以進一步演化傳感器在不同時間間隔模式的動態圖結構；
S6.
我們提出一種基于動態圖的圖學習模塊，以學習傳感器節點隨時間不斷演化的鄰接矩陣；首先，我們將長短期時間卷積模塊提取到的短期到長期的時間上下文信息輸入到本模塊中，進一步演化傳感器在不同層級時間模式下動態演化的圖結構，具體計算過程如下：
A
t
＝
f
d
(F
t
,A
(t
?
1)
)
，其中表示
t
時刻的傳感器節點的鄰接矩陣，該矩陣表示隨著時間步
t
的推移，傳感器圖之間不斷變化的圖結構，
F
t
表示
t
時刻的傳感器節點特征，
f
d
是傳感器動態相關性的提取函數；我們將傳感器的靜態節點特征
F
沿時間維度被切割為不同的時間片段，并使用聚合器將不同時間片段下對應時間點的節點特征進行聚合，得到聚合特征
[
ε
(1)
,
ε
(2)
,...,
ε
(s)
,...,
ε
(S)
]
，其中
p
和
S
表示時間間隔模式和對應時間間隔分割下的時間片段總數，
AGG
表示平均運算聚合器，
ε
(s)
表示在時間間隔為
p
時，時間序列每隔時間
p
觀測到對應時間點下的節點特征信息；我們將注意力機制和門控機制結合得到
AGU
單元，并使用
AGU
模擬節點動態變化的表征，進一步捕獲傳感器在不同時間模式下演化的圖結構，具體而言
,
注意力機制主要用于捕捉當前輸入的節點特征與其上一時間步節點狀態之間的特征關聯程度
,
其中注意力分數決定著上一時間步狀態每個節點中可以保留下來并整合到當前輸入節點中的特征信息量，我們定義為注意力遞歸單元的隱藏層狀態，并計算當前時間步輸入的節點特征
ε
(s)
和隱藏層狀態之間的點積相似度
h
(s
?
1)
和注意力分數對于圖中的每個傳感器節點
,
其注意力分數的計算式如下
::
其中
,
表示線性轉換矩陣，
N
表示傳感器節點的集合，
softmax
函數用于對注意
力向量進行歸一化處理，針對每個節點
,
根據上述公式計算出其鄰居節點的注意力分數，并將其特征信息加權聚合，對于每個節點
i
，其當前輸入特征向量通過注意力加權之后為：我們將當前輸入和上一時間步狀態以及上述得到的注意力加權后的特征向量一并輸入到
AGU
中，模擬在...
【專利技術屬性】
技術研發人員：何瓊，
申請(專利權)人：武漢軟件工程職業學院武漢開放大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。