基于分层图偏差网络的智能服务异常检测方法技术

本申请提供了一种基于分层图偏差网络的智能服务异常检测方法，其中，该方法包括：接收对目标对象进行监控的设备群组内的中心设备和第一外围设备在第一时间段内各自对外部环境进行监控得到的第一环境数据；根据中心设备的第一环境数据和第一外围设备的第一环境数据，预测出中心设备在第一时间段之后的第一时刻产生的第一预测环境数据；计算接收到的中心设备在第一时刻对外部环境进行监控得到的第一目标环境数据与预测出的第一预测环境数据之间的第一偏差值；第一偏差值用于判断设备群组中的设备在第一时刻监控到的第一目标环境数据是否发生异常变化。通过该方法有利于减少数据传输能耗。数据传输能耗。数据传输能耗。

【技术实现步骤摘要】
基于分层图偏差网络的智能服务异常检测方法


[0001]本申请涉及检测
，尤其是涉及一种基于分层图偏差网络的智能服务异常检测方法。

技术介绍

[0002]在对智能服务系统中的各个设备(例如传感器设备)产生的数据进行异常检测时，现有技术中包括两种情况，第一种情况是基于单变量时间序列建模的异常检测方法，具体地，通过构建一个检测模型，使用该检测模型分别对每个设备产生的数据进行异常检测，也就是说这个检测模型需要适用于智能服务系统中的每个设备的数据，并且该检测模型中对每个设备数据的检测方法是一样的(例如，当智能服务系统为火警检测系统时，此时这个检测模型即需要检测光照，还需要检测烟雾浓度等)。在这种情况下，该检测模型并没有考虑不同设备数据之间的区别，只从数据层面理解都是时间序列数据，也没有考虑到不同设备数据之间的相关性，使得检测的准确性较低。
[0003]第二种情况是基于多变量时间序列建模的异常检测方法，具体地，针对整个智能服务系统设计一个检测模型，使用该检测模型同时对所有设备的数据进行检测，这个检测模型考虑了各个设备数据之间的区别，即检测模型学习了不同设备数据之间的特性。也就是说这个检测模型把所有设备数据考虑成了一个整体，将所有设备的数据都输入到该检测模型中，输出为每个设备的检测结果。这种方法虽然考虑了各个设备数据之间的区别，但是也没有考虑设备数据之间的相关性，导致检测的准确性不高。
[0004]并且，异常检测设备在对智能服务系统中的设备的数据进行异常检测时，现有技术中，智能服务系统中的每个设备均需要将自身的数据传输到异常检测设备中，导致智能服务系统的数据传输能耗较高。

技术实现思路

[0005]有鉴于此，本申请的目的在于提供一种基于分层图偏差网络的智能服务异常检测方法，以减少数据传输能耗，提高异常检测的准确性。
[0006]第一方面，本申请实施例提供了一种基于分层图偏差网络的智能服务异常检测方法，包括：
[0007]接收对目标对象进行监控的设备群组内的中心设备和第一外围设备在第一时间段内各自对外部环境进行监控得到的第一环境数据；同一设备群组内的任意不同设备之间的数据变化情况相似度均大于预设数值；所述中心设备的参考相似度大于其他设备的参考相似度；所述参考相似度是根据该设备与同一群组中其他设备的数据变化情况相似度确定出来的；同一设备群组中所述第一外围设备与所述中心设备之间的数据变化情况相似度大于第二外围设备与所述中心设备之间的数据变化情况相似度；
[0008]通过图偏差网络模型，根据所述中心设备的所述第一环境数据和所述第一外围设备的所述第一环境数据，预测出所述中心设备在所述第一时间段之后的第一时刻产生的第
一预测环境数据；
[0009]通过所述图偏差网络模型，计算接收到的所述中心设备在所述第一时刻对外部环境进行监控得到的第一目标环境数据与预测出的所述第一预测环境数据之间的第一偏差值；所述第一偏差值用于判断所述设备群组中的设备在所述第一时刻监控到的第一目标环境数据是否发生异常变化。
[0010]结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据所述中心设备的所述第一环境数据和所述第一外围设备的所述第一环境数据，预测出所述中心设备在所述第一时间段之后的第一时刻产生的第一预测环境数据，包括：
[0011]针对每个所述第一外围设备，根据用于表示所述中心设备的所述第一环境数据的第一高维特征向量、用于表示该第一外围设备的所述第一环境数据的第二高维特征向量、用于表示所述中心设备在所述第一时间段之前的历史时间段内对外部环境进行监控得到的第二环境数据的第三高维特征向量、用于表示该第一外围设备在所述历史时间段内对外部环境进行监控得到的第二环境数据的第四高维特征向量，计算该第一外围设备的注意力系数；所述注意力系数用于表示所述第一外围设备的数据变化情况对所述中心设备的数据变化情况的影响程度；
[0012]根据所述第一高维特征向量、每个所述第一外围设备的所述第二高维特征向量和所述注意力系数，计算在所述第一时刻所述中心设备的环境特征向量；
[0013]将所述环境特征向量与所述第三高维特征向量之间的向量积输入到所述图偏差网络模型的全连接层中，预测出所述中心设备在所述第一时刻产生的所述第一预测环境数据。
[0014]结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述计算接收到的所述中心设备在所述第一时刻对外部环境进行监控得到的第一目标环境数据与预测出的所述第一预测环境数据之间的第一偏差值，包括：
[0015]当所述第一偏差数据大于预设阈值时，则确定所述设备群组中至少存在一个设备在所述第一时刻监控到的第一目标环境数据发生了异常变化；
[0016]当所述第一偏差数据不大于预设阈值时，则确定所述设备群组中的每个设备在所述第一时刻监控到的第一目标环境数据未发生异常变化。
[0017]结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，当所述设备群组中至少存在一个设备在所述第一时刻监控到的第一目标环境数据发生了异常变化之后，还包括：
[0018]接收目标设备群组中的各个设备在所述第一时间段之后的第二时间段内各自对外部环境进行监控得到的第三环境数据；所述目标设备群组为至少存在一个设备在所述第一时刻监控到的第一目标环境数据发生了异常变化的设备群组；
[0019]通过所述图偏差网络模型，根据所述目标设备群组中的各个设备的所述第三环境数据，预测出所述目标设备群组中的各个设备在所述第二时间段之后的第二时刻产生的第二预测环境数据；
[0020]针对所述目标设备群组中的每个设备，通过所述图偏差网络模型，计算接收到的该设备在所述第二时刻对外部环境进行监控得到的第二目标环境数据与预测出的所述第二预测环境数据之间的第二偏差值；所述第二偏差值用于判断该设备在所述第二时刻监控
到的所述第二目标环境数据是否发生了异常变化。
[0021]结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述图偏差网络模型是通过以下方式训练得到的：
[0022]接收对所述目标对象进行监控的所有设备在所述历史时间段内各自对外部环境进行监控得到的第二环境数据；
[0023]针对每个设备，根据该设备的所述第二环境数据和其他设备的所述第二环境数据之间的数据变化情况相似度由大到小的顺序，从其他设备中确定出第一预设数量的设备作为该设备的初始外围设备；
[0024]针对每个设备，通过待训练的初始图偏差网络模型，根据该设备的第二环境数据和该设备的初始外围设备的第二环境数据，预测出该设备在所述历史时间段之后的第三时刻产生的第三预测环境数据；
[0025]根据每个设备的在所述第三时刻对外部环境进行监控得到的第三目标环境数据以及预测出的所述第三预测环境数据，计算所述初始图偏差网络模型的损失函数得到损失数值，以及使用所述损失数值对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层图偏差网络的智能服务异常检测方法，其特征在于，所述方法包括：接收对目标对象进行监控的设备群组内的中心设备和第一外围设备在第一时间段内各自对外部环境进行监控得到的第一环境数据；同一设备群组内的任意不同设备之间的数据变化情况相似度均大于预设数值；所述中心设备的参考相似度大于其他设备的参考相似度；所述参考相似度是根据该设备与同一群组中其他设备的数据变化情况相似度确定出来的；同一设备群组中所述第一外围设备与所述中心设备之间的数据变化情况相似度大于第二外围设备与所述中心设备之间的数据变化情况相似度；通过图偏差网络模型，根据所述中心设备的所述第一环境数据和所述第一外围设备的所述第一环境数据，预测出所述中心设备在所述第一时间段之后的第一时刻产生的第一预测环境数据；通过所述图偏差网络模型，计算接收到的所述中心设备在所述第一时刻对外部环境进行监控得到的第一目标环境数据与预测出的所述第一预测环境数据之间的第一偏差值；所述第一偏差值用于判断所述设备群组中的设备在所述第一时刻监控到的第一目标环境数据是否发生异常变化。2.根据权利要求1所述方法，其特征在于，所述根据所述中心设备的所述第一环境数据和所述第一外围设备的所述第一环境数据，预测出所述中心设备在所述第一时间段之后的第一时刻产生的第一预测环境数据，包括：针对每个所述第一外围设备，根据用于表示所述中心设备的所述第一环境数据的第一高维特征向量、用于表示该第一外围设备的所述第一环境数据的第二高维特征向量、用于表示所述中心设备在所述第一时间段之前的历史时间段内对外部环境进行监控得到的第二环境数据的第三高维特征向量、用于表示该第一外围设备在所述历史时间段内对外部环境进行监控得到的第二环境数据的第四高维特征向量，计算该第一外围设备的注意力系数；所述注意力系数用于表示所述第一外围设备的数据变化情况对所述中心设备的数据变化情况的影响程度；根据所述第一高维特征向量、每个所述第一外围设备的所述第二高维特征向量和所述注意力系数，计算在所述第一时刻所述中心设备的环境特征向量；将所述环境特征向量与所述第三高维特征向量之间的向量积输入到所述图偏差网络模型的全连接层中，预测出所述中心设备在所述第一时刻产生的所述第一预测环境数据。3.根据权利要求1所述方法，其特征在于，所述计算接收到的所述中心设备在所述第一时刻对外部环境进行监控得到的第一目标环境数据与预测出的所述第一预测环境数据之间的第一偏差值，包括：当所述第一偏差数据大于预设阈值时，则确定所述设备群组中至少存在一个设备在所述第一时刻监控到的第一目标环境数据发生了异常变化；当所述第一偏差数据不大于预设阈值时，则确定所述设备群组中的每个设备在所述第一时刻监控到的第一目标环境数据未发生异常变化。4.根据权利要求3所述方法，其特征在于，当所述设备群组中至少存在一个设备在所述第一时刻监控到的第一目标环境数据发生了异常变化之后，还包括：接收目标设备群组中的各个设备在所述第一时间段之后的第二时间段内各自对外部环境进行监控得到的第三环境数据；所述目标设备群组为至少存在一个设备在所述第一时
刻监控到的第一目标环境数据发生了异常变化的设备群组；通过所述图偏差网络模型，根据所述目标设备群组中的各个设备的所述第三环境数据，预测出所述目标设备群组中的各个设备在所述第二时间段之后的第二时刻产生的第二预测环境数据；针对所述目标设备群组中的每个设备，通过所述图偏差网络模型，计算接收到的该设备在所述第二时刻对外部环境进行监控得到的第二目标环境数据与预测出的所述第二预测环境数据之间的第二偏差值；所述第二偏差值用于判断该设备在所述第二时刻监控到的所述第二目标环境数据是否发生了异常变化。5.根据权利要求2所述方法，其特征在于，所述图偏差网络模型是通过以下方式训练得到的：接收对所述目标对象进行监控的所有设备在所述历史时间段内各自对外部环境进行监控得到的第二环境数据；针对每个设备，根据该设备的所述第二环境数据和其他设备的所述第二环境数据之间的数据变化情况相似度由大到小的顺序，从其他设备中确定出第一预设数量的设备作为该设备的初始外围设备；针对每个设备，通过待训练的初始图偏差网络模型，根据该设备的第二环境数据和该设备的初始外...

【专利技术属性】
技术研发人员：周长兵，郭宏泰，施振生，张玉清，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：