异常检测模型的训练方法、异常检测方法及装置制造方法及图纸

本公开提供了一种异常检测模型的训练方法，该方法包括：获取多帧时序图像，其中，多帧时序图像包括目标图像和历史图像，目标图像包括待测数据点，历史图像包括在待测数据点之前的历史数据点，待测数据点具有标签信息，标签信息表征待测数据点的异常值；将多帧时序图像输入待训练的异常检测模型，以便待训练的异常检测模型根据历史图像对目标图像中的待测数据点进行异常检测，输出预测结果，其中，预测结果表征待测数据点的预测异常值；以及根据预测结果和标签信息迭代地调整待训练的异常检测模型的网络参数，生成训练完成的异常检测模型。本公开还提供了一种异常检测方法、装置、计算机系统和计算机可读存储介质。算机系统和计算机可读存储介质。算机系统和计算机可读存储介质。

【技术实现步骤摘要】
异常检测模型的训练方法、异常检测方法及装置


[0001]本公开涉及人工智能
，更具体地，涉及一种异常检测模型的训练方法、异常检测方法、装置、计算机系统和计算机可读存储介质。

技术介绍

[0002]由于时序监控指标的异常片段类型不仅包含幅值异常，同时包含上下文异常、区间异常等几种模式。因此，在对时序指标进行分析时，需要对其时间属性和空间属性同时分析，以得到全面的检测结果。
[0003]在实现本公开构思的过程中，专利技术人发现相关技术中对时间属性和空间属性同时分析的时序监控指标异常检测方法存在运算量和复杂度较高，而检测结果的准确率较低的技术问题。

技术实现思路

[0004]有鉴于此，本公开提供了一种用于提升检测准确率的异常检测模型的训练方法、异常检测方法、装置、计算机系统和计算机可读存储介质。
[0005]本公开的一个方面提供了一种异常检测模型的训练方法，包括：
[0006]获取多帧时序图像，其中，多帧上述时序图像通过按照预设频率对时间序列数据显示界面进行截图而生成，多帧上述时序图像包括目标图像和历史图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异常检测模型的训练方法，包括：获取多帧时序图像，其中，多帧所述时序图像通过按照预设频率对时间序列数据显示界面进行截图而生成，多帧所述时序图像包括目标图像和历史图像，所述目标图像包括待测数据点，所述历史图像包括在所述待测数据点之前的历史数据点，所述待测数据点具有标签信息，所述标签信息表征所述待测数据点的异常值；将多帧所述时序图像输入待训练的异常检测模型，以便所述待训练的异常检测模型根据所述历史图像对所述目标图像中的待测数据点进行异常检测，输出预测结果，其中，所述预测结果表征所述待测数据点的预测异常值；以及根据所述预测结果和所述标签信息迭代地调整所述待训练的异常检测模型的网络参数，生成训练完成的异常检测模型。2.根据权利要求1所述的方法，其中，所述待训练的异常检测模型包括第一特征提取网络、注意力网络和第二特征提取网络；所述将多帧所述时序图像输入待训练的异常检测模型，以便所述待训练的异常检测模型根据所述历史图像对所述目标图像中的待测数据点进行异常检测，输出预测结果包括：将多帧所述时序图像输入所述第一特征提取网络，输出多帧第一图像数据，其中，多帧所述第一图像数据包括与所述目标图像对应的第一目标图像数据，和与所述历史图像对应的第一历史图像数据；将多帧所述第一图像数据输入所述注意力网络，以便所述注意力网络根据第一历史图像数据与所述第一目标图像数据的相关性，为所述第一历史图像数据配置权重参数，输出所述第一目标图像数据和第二历史图像数据；将所述第一目标图像数据和所述第二历史图像数据输入所述第二特征提取网络，输出所述预测结果。3.根据权利要求2所述的方法，所述将多帧所述第一图像数据输入所述注意力网络，以便所述注意力网络根据第一历史图像数据与所述第一目标图像数据的相关性，为所述第一历史图像数据配置权重参数，输出所述第一目标图像数据和第二历史图像数据包括：对所述第一历史图像数据和所述第一目标图像数据进行相似度计算，生成相似度结果；根据所述相似度结果，生成第一权重参数；根据所述第一权重参数与所述第一历史图像数据，生成所述第二历史图像数据。4.根据权利要求1所述的方法，其中，所述根据所述预测结果和所述标签信息迭代地调整训练所述待训练的异常检测模型的网络参数，生成训练完成的异常检测模型包括：将所述预测结果和所述标签信息输入损失函数，输出损失结果；根据所述损失结果迭代地调整所述待训练的异常检测模型的网络参数，生成所述训练完成的异常检测模型。5.根据权利要求1所述的方法，所述时间序列数据显示界面通过以下操...

【专利技术属性】
技术研发人员：张静，李泽州，张宪波，
申请(专利权)人：京东科技信息技术有限公司，
类型：发明
国别省市：