一种时间序列异常检测方法、装置、服务器和存储介质制造方法及图纸

本发明专利技术提供了一种时间序列异常检测方法、装置、服务器和存储介质，该方法包括提取时间序列的原始特征；处理时间序列的原始特征得到时间序列的抽象特征；基于目标异常检测模型对时间序列的抽象特征进行异常检测得到时间序列的异常检测结果；其中，目标异常检测模型是通过有监督学习的方式训练得到的。本申请对时间序列的检测更具普适性，准确性更高。

A Time Series Anomaly Detection Method, Device, Server and Storage Media

【技术实现步骤摘要】
一种时间序列异常检测方法、装置、服务器和存储介质
本专利技术涉及计算机
，更具体地说，涉及一种时间序列异常检测方法、装置、服务器和存储介质。
技术介绍
时间序列是指将某领域某一统计指标在不同时刻下的数值、按照时间先后顺序排列而形成的序列。时间序列异常检测一直是学术界和工业界比较关注的问题。现有基于滑窗的时间序列检测中，通过滑窗内的统计信息，如平均数、中位数等对下一时间点的数值做出预测。如果下一时间点的实际数值与预测数值不符，则认定该时间序列异常。但这种检测方式，对于变化幅度较大或者周期性的时间序列的检测误差很大。
技术实现思路
有鉴于此，本专利技术提供一种时间序列异常检测方法、装置、服务器和存储介质，以提高时间序列异常检测的普适性和准确性。为实现上述目的，本专利技术实施例提供如下技术方案：一种时间序列异常检测方法，包括：提取时间序列的原始特征；处理所述时间序列的原始特征得到所述时间序列的抽象特征；其中，所述时间序列的抽象特征的总维度小于所述时间序列的原始特征的总维度，且所述时间序列的抽象特征表示所述时间序列的原始特征以及所述时间序列的原始特征间的相关性；调用目标异常检测模型；其中，所述目标异常检测模型是通过有监督学习的方式训练得到的；基于所述目标异常检测模型对所述时间序列的抽象特征进行异常检测，得到所述时间序列的异常检测结果。一种时间序列异常检测装置，包括：特征提取模块，用于提取时间序列的原始特征；特征处理模块，用于处理所述时间序列的原始特征得到所述时间序列的抽象特征；其中，所述时间序列的抽象特征的总维度小于所述时间序列的原始特征的总维度，且所述时间序列的抽象特征表示所述时间序列的原始特征以及所述时间序列的原始特征间的相关性；模型调用模块，用于调用目标异常检测模型；其中，所述目标异常检测模型是通过有监督学习的方式训练得到的；异常检测模块，用于基于所述目标异常检测模型对所述时间序列的抽象特征进行异常检测，得到所述时间序列的异常检测结果。一种服务器，包括：至少一个存储器和至少一个处理器；所述存储器存储有程序，所述处理器调用所述存储器存储的程序，所述程序用于实现所述的时间序列异常检测方法。一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令用于执行所述的时间序列异常检测方法。本申请提供的一种时间序列异常检测方法、装置、服务器和存储介质，该方法包括提取时间序列的原始特征；处理时间序列的原始特征得到时间序列的抽象特征；基于目标异常检测模型对时间序列的抽象特征进行异常检测得到时间序列的异常检测结果；其中，目标异常检测模型是通过有监督学习的方式训练得到的。本申请一方面基于原始特征获得总维度更低、信息量更高的抽象特征，从而提高对时间序列的表示能力；在此基础上，另一方面由携带有标注的时间序列作为训练样本对待训练异常检测模型进行训练，使得所生成的目标异常检测模型对时间序列的检测更具普适性，准确性更高。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的一种服务器的硬件结构框图；图2为本申请实施例提供的一种目标异常检测模型生成方法的方法流程图；图3为本申请实施例提供的一种待训练神经网络模型的结构图；图4为本申请实施例提供的另一种目标异常检测模型生成方法的方法流程图；图5为本申请实施例提供的再一种目标异常检测模型生成方法的方法流程图；图6为本申请实施例提供的生成目标异常检测模型的应用场景图；图7为本申请实施例提供的生成目标异常检测模型的另一应用场景图；图8为本申请实施例提供的一种时间序列异常检测方法的方法流程图；图9为本申请实施例提供的一种目标编码机模型生成方法的方法流程图；图10为本申请实施例提供的一种待训练DAE模型的结构图；图11为本申请实施例提供的一种时间序列异常检测方法的信令流程图；图12为本申请实施例提供的一种时间序列异常检测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。实施例本申请实施例提供的一种时间序列异常检测方法可以应用于服务器(如，时间序列异常检测服务器或者其他专门设置的服务器)构成。图1为本申请实施例提供的一种服务器的硬件结构框图，参照图1，服务器的硬件结构可以包括：至少一个处理器11，至少一个通信接口12，至少一个存储器13和至少一个通信总线14；在本专利技术实施例中，处理器11、通信接口12、存储器13、通信总线14的数量为至少一个，且处理器11、通信接口12、存储器13通过通信总线14完成相互间的通信；处理器11可能是一个中央处理器CPU、GPU(GraphicsProcessingUnit，图形处理器)，或者是特定集成电路ASIC(ApplicationSpecificIntegratedCircuit)，或者是被配置成实施本专利技术实施例的一个或多个集成电路等；存储器13可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；其中，存储器存储有程序，处理器可以调用存储器存储的程序，程序用于：提取时间序列的原始特征；处理时间序列的原始特征得到时间序列的抽象特征；其中，时间序列的抽象特征的总维度小于时间序列的原始特征的总维度，且时间序列的抽象特征表征时间序列的原始特征以及时间序列的原始特征间的相关性；调用目标异常检测模型；其中，目标异常检测模型以第一时间序列为第一训练样本，以待训练异常检测模型对第一训练样本的抽象特征的预测结果趋近于第一训练样本携带的第一标定结果为训练目标，对待训练异常检测模型进行训练生成，第一标定结果表征第一时间序列是否异常；基于目标异常检测模型对时间序列的抽象特征进行异常检测，得到时间序列的异常检测结果。可选的，程序的细化功能和扩展功能可参照下文描述。为了便于本申请实施例提供的一种时间序列异常检测方法进行详细阐述，在此首先对本申请实施例提供的一种目标异常检测模型的生成方法进行详细介绍。图2为本申请实施例提供的一种目标异常检测模型生成方法的方法流程图。该目标异常检测模型是通过有监督学习的方式训练得到的，具体以第一时间序列为第一训练样本，以待训练异常检测模型对第一训练样本的抽象特征的预测结果趋近于第一训练样本携带的第一标定结果为训练目标，对待训练异常检测模型进行训练生成，第一标定结果表征第一时间序列是否异常。参照图2，该方法包括：S201：获取由第一时间序列构成的正样本集和负样本集；其中，正样本集中的第一时间序列携带的第一标定结果表征第一时间序列异常，负样本集中的第一时间序列携带的第一标定结果表征第一时间序列正常。在本申请实施例中，正样本集中包括至少一个第一时间序列，每个第一时间序列均携带有表征该第一时间序列异常的第一标定结果，比如，本文档来自技高网...

【技术保护点】
1.一种时间序列异常检测方法，其特征在于，包括：提取时间序列的原始特征；处理所述时间序列的原始特征得到所述时间序列的抽象特征；其中，所述时间序列的抽象特征的总维度小于所述时间序列的原始特征的总维度，且所述时间序列的抽象特征表示所述时间序列的原始特征以及所述时间序列的原始特征间的相关性；调用目标异常检测模型；其中，所述目标异常检测模型是通过有监督学习的方式训练得到的；基于所述目标异常检测模型对所述时间序列的抽象特征进行异常检测，得到所述时间序列的异常检测结果。

【技术特征摘要】
1.一种时间序列异常检测方法，其特征在于，包括：提取时间序列的原始特征；处理所述时间序列的原始特征得到所述时间序列的抽象特征；其中，所述时间序列的抽象特征的总维度小于所述时间序列的原始特征的总维度，且所述时间序列的抽象特征表示所述时间序列的原始特征以及所述时间序列的原始特征间的相关性；调用目标异常检测模型；其中，所述目标异常检测模型是通过有监督学习的方式训练得到的；基于所述目标异常检测模型对所述时间序列的抽象特征进行异常检测，得到所述时间序列的异常检测结果。2.根据权利要求1所述的方法，其特征在于，通过有监督学习的方式训练得到目标异常检测模型，包括：获取由第一时间序列构成的正样本集和负样本集；其中，所述正样本集中的第一时间序列携带的第一标定结果表征第一时间序列异常，所述负样本集中的第一时间序列携带的第一标定结果表征第一时间序列正常；提取所述第一时间序列的原始特征；处理所述第一时间序列的原始特征得到所述第一时间序列的抽象特征；其中，所述第一时间序列的抽象特征的总维度小于所述第一时间序列的原始特征的总维度，且所述第一时间序列的抽象特征表征所述第一时间序列的原始特征以及所述第一时间序列的原始特征间的相关性；将所述第一时间序列的抽象特征输入待训练异常检测模型，得到所述待训练异常检测模型输出的所述第一时间序列的预测结果；根据所述第一时间序列携带的第一标定结果和所述第一时间序列的预测结果，计算所述待训练异常检测模型损失函数值；以最小化所述待训练异常检测模型的损失函数值为目标，更新所述待训练异常检测模型的参数，得到目标异常检测模型。3.根据权利要求2所述的方法，其特征在于，所述提取所述第一时间序列的原始特征之前，还包括：对所述正样本集和所述负样本集中第一时间序列的数量进行均衡处理。4.根据权利要求3所述的方法，其特征在于，所述对所述正样本集和所述负样本集中第一时间序列的数量进行均衡处理，包括：对所述负样本集中的第一时间序列进行抽样得到多个目标负样本集；其中，各个所述目标负样本集中第一时间序列的数量相均衡；将所述正样本集分别与每个所述目标负样本集进行组合得到多组待均衡样本集；对于每组所述待均衡样本集，对该组待均衡样本集中的正样本集中的第一时间序列进行过采样得到目标正样本集，由该目标正样本集和该组待均衡样本集中的目标负样本集构成一组目标均衡样本集。5.根据权利要求4所述的方法，其特征在于，所述待训练异常检测模型的数量为多个，且一组所述目标均衡样本集用于训练一个所述待训练异常检测模型得到一个目标异常检测模型。6.根据权利要求5所述的方法，其特征在于，所述基于所述目标异常检测模型对所述时间序列的抽象特征进行异常检测，得到所述时间序列的异常检测结果，包括：分析每个所述目标异常检测模型输出的针对所述时间序列的抽象特征的异常检测结果，得到所述目标时间序列的异常检测结果。7.根据权利要求2-6任意一项所述的方法，其特征在于，所述待训练异常检测模型为待训练逻辑回归模型。8.根据权利要求1所述的方法，其特征在于，所述处理所述时间序列的原始特征得到所述时间序列的抽象特征，包括：调用目标抽象特征提取模型；其中，所述目标抽象特征提取模型为目标编码机模型中的编码网络，所述目标编码机模型以第二时间序列为第二训练样本，以待训练编码机模型对所述第二训练样本的预测结果趋近于所述第二训练样本为训练目标，对所述待训练编码机模型进行训练生成，所述第二时间序列未携带表征所述第二时间序列是否异常的第二标定结果；基于所述目标抽象特征提取模型对所述时间序列的原始特征进行特征提取，得到所述时间序列的抽象特征。9.根据权利要求8所述的方法，其特征在于，以第二时间序列为第二训练样本，以待训练编码机模型对所述第二训练样本的预测结果趋近于所述第二训练样本为训练目标...

【专利技术属性】
技术研发人员：范奇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44