本公开是关于一种异常检测方法和装置、计算机可读存储介质、电子设备，涉及计算机技术领域，该方法包括：获取目标待检测数据，对所述目标待检测数据进行编码，得到编码数据矩阵；生成目标半监督时序卷积神经网络，将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中，得到输出数据矩阵；将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中，得到解码数据矩阵，通过所述解码数据矩阵对所述目标待检测数据进行异常检测。本公开提高了异常检测的精度以及效率。精度以及效率。精度以及效率。
【技术实现步骤摘要】
异常检测方法和装置、计算机可读存储介质、电子设备
[0001]本公开实施例涉及计算机
，具体而言，涉及一种异常检测方法和装置、计算机可读存储介质以及电子设备。
技术介绍
[0002]随着计算机技术的发展，越来越多的技术应用在各行各业，同时伴随着业务的不断增长，系统、虚拟机和容器数量的不断增加，需要监控的指标数量也突飞猛进。
[0003]相关技术中，技术人员需要对需要监控的指标数据进行异常检测，常用的异常检测方法有：固定阈值法、同比振幅检测以及机器学习的监督学习等，上述固定阈值法、同比振幅检测均需要指定阈值，检测能力较弱，效率低；监督学习中的有监督以及无监督算法都可以对异常进行检测，但是有监督算法的模型标注工作量大，无监督算法会增加模型的复杂度。
[0004]因此，需要提供一种新的异常检测方法。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0006]本公开的目的在于提供一种时间实体识别方法、时间实体识别装置、计算机存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的异常检测效率低的问题。
[0007]根据本公开的一个方面，提供一种异常检测方法，包括：
[0008]获取目标待检测数据，对所述目标待检测数据进行编码，得到编码数据矩阵；
[0009]生成目标半监督时序卷积神经网络，将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中，得到输出数据矩阵；
[0010]将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中，得到解码数据矩阵，通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
[0011]在本公开的一种示例性实施例中，在获取目标检测数据之前，所述异常检测方法包括：
[0012]获取初始数据，对所述初始数据进行分析，确定目标特征；
[0013]确定时间窗口，获取位于所述时间窗口且与所述目标特征对应的待检测数据；
[0014]对所述待检测数据进行预处理，得到目标待检测数据。
[0015]在本公开的一种示例性实施例中，对所述待检测数据进行预处理，得到目标待检测数据，包括：
[0016]确定所述待检测数据中的缺失值；
[0017]通过随机森林回归模型，对所述待检测数据中的缺失值进行填充，得到第一待检测数据；
[0018]对所述第一待检测数据进行标准化，得到所述目标待检测数据。
[0019]在本公开的一种示例性实施例中，对所述目标待检测数据进行编码，得到编码数据矩阵，包括：
[0020]对所述目标待检测数据进行拼接，生成目标待检测数据矩阵；
[0021]通过所述目标待检测数据矩阵以及批尺寸生成输入数据，将所述输入数据输入至时间序列特征的向量表示模型中，得到与所述目标待检测数据矩阵对应的编码数据矩阵。
[0022]在本公开的一种示例性实施例中，所述生成目标半监督时序卷积神经网络，包括：
[0023]通过膨胀因果卷积生成所述时序卷积神经网络；其中，所述半监督时序卷积神经网络中包括3层时序卷积神经网络；
[0024]通过所述时序卷积神经网络以及变分自编码器，生成所述半监督时序卷积神经网络；其中，所述变分自编码器中包括编码器、解码器以及损失函数；
[0025]基于所述损失函数得到损失值，在通过所述损失值确定所述半监督时序卷积神经网络收敛时，得到所述目标半监督时序卷积神经网络。。
[0026]在本公开的一种示例性实施例中，将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中，得到解码数据矩阵，包括：
[0027]将所述输出数据矩阵输入至所述变分自编码器的编码器中，得到与所述输出数据矩阵对应的第一矩阵；
[0028]对所述编码数据矩阵以及所述第一矩阵进行连接处理，得到目标数据矩阵；
[0029]将所述目标数据矩阵输入至所述变分自编码器的解码器中，得到所述解码数据矩阵。
[0030]在本公开的一种示例性实施例中，通过所述解码数据矩阵对所述目标待检测数据进行异常检测：
[0031]获取所述解码数据矩阵中的每条数据；
[0032]对所述解码数据矩阵中的每条数据、所述目标待检测数据中包括的与所述解码数据矩阵中每条数据对应的每条待检测数据进行对比，完成对所述目标待检测数据的异常检测。
[0033]根据本公开的一个方面，提供一种异常检测装置，包括：
[0034]数据编码模块，用于获取目标待检测数据，对所述目标待检测数据进行编码，得到编码数据矩阵；
[0035]编码数据处理模块，用于生成目标半监督时序卷积神经网络，将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中，得到输出数据矩阵；
[0036]异常检测模块，用于将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中，得到解码数据矩阵，通过所述解码数据矩阵对所述目标待检测数据进行异常检测。
[0037]根据本公开的一个方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一示例性实施例所述的异常检测方法。
[0038]根据本公开的一个方面，提供一种电子设备，包括：
[0039]处理器；以及
[0040]存储器，用于存储所述处理器的可执行指令；
[0041]其中，所述处理器配置为经由执行所述可执行指令来执行上述任一示例性实施例所述的异常检测方法。
[0042]本公开实施例提供的一种异常检测方法，获取目标待检测数据，对所述目标待检测数据进行编码，得到编码数据矩阵；生成目标半监督时序卷积神经网络，将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中，得到输出数据矩阵；将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中，得到解码数据矩阵，通过所述解码数据矩阵对所述目标待检测数据进行异常检测；一方面，获取目标待检测数据之后，对目标待检测数据进行编码，得到编码数据矩阵，将编码数据矩阵输入至目标半监督时序卷积神经网络中，得到解码数据矩阵，通过目标待检测数据与解码数据矩阵中对应的每一条数据进行对比，完成对目标待检测数据的检测，解决了相关技术中需要设置固定阈值，通过固定阈值对待检测数据进行检测的问题，提高了异常检测效率；另一方面，生成的目标半监督时序卷积神经网络中包括时序卷积神经网络和变分自编码器，通过该时序卷积神经网络以及该变分自编码器，在简化网络的同时可以保持时间序列，提高了目标待检测数据的异常检测速度以及精度。
[0043]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0044]此处的附图被并入说明书中并构成本说明书的一部分，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种异常检测方法，其特征在于，包括：获取目标待检测数据，对所述目标待检测数据进行编码，得到编码数据矩阵；生成目标半监督时序卷积神经网络，将所述编码数据矩阵输入所述目标半监督时序卷积神经网络的时序卷积神经网络中，得到输出数据矩阵；将所述输出数据矩阵输入至所述目标半监督时序卷积神经网络的变分自编码器中，得到解码数据矩阵，通过所述解码数据矩阵对所述目标待检测数据进行异常检测。2.根据权利要求1所述的异常检测方法，其特征在于，在获取目标检测数据之前，所述异常检测方法包括：获取初始数据，对所述初始数据进行分析，确定目标特征；确定时间窗口，获取位于所述时间窗口且与所述目标特征对应的待检测数据；对所述待检测数据进行预处理，得到目标待检测数据。3.根据权利要求2所述的异常检测方法，其特征在于，对所述待检测数据进行预处理，得到目标待检测数据，包括：确定所述待检测数据中的缺失值；通过随机森林回归模型，对所述待检测数据中的缺失值进行填充，得到第一待检测数据；对所述第一待检测数据进行标准化，得到所述目标待检测数据。4.根据权利要求1所述的异常检测方法，其特征在于，对所述目标待检测数据进行编码，得到编码数据矩阵，包括：对所述目标待检测数据进行拼接，生成目标待检测数据矩阵；通过所述目标待检测数据矩阵以及批尺寸生成输入数据，将所述输入数据输入至时间序列特征的向量表示模型中，得到与所述目标待检测数据矩阵对应的编码数据矩阵。5.根据权利要求1所述的异常检测方法，其特征在于，所述生成目标半监督时序卷积神经网络，包括：通过膨胀因果卷积生成所述时序卷积神经网络；其中，所述半监督时序卷积神经网络中包括3层时序卷积神经网络；通过所述时序卷积神经网络以及变分自编码器，生成所述半监督时序卷积神经网络；其中，所述变分自编码器中包括编码器、解码器以及损失函数；基于所述损失函数得到损失值，在通过所...
【专利技术属性】
技术研发人员：郭耀光，边学伟，石啸，杨杰，沈浩，倪琼琳，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
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。