【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。