本发明专利技术提供一种多元时间序列异常检测方法,所述多元时间序列异常检测方法包括:接收多元时间序列,并对所述多元时间序列进行预处理,得到训练数据集;将所述训练数据集输入堆叠变分循环神经网络进行训练,得到基于训练好的堆叠变分循环神经网络的多元时间序列异常检测模型;所述堆叠变分循环神经网络包括堆叠RNN以及变分自动编码器,用于利用所述变分自动编码器的分层先验信息和所述堆叠RNN的堆叠递归结构描述所述多元时间序列的多层次和时间依赖性;将待检测的多元时间序列输入至多元时间序列异常检测,得到所述待检测的多元时间序列的异常检测结果。本发明专利技术能提高异常检测的精准度。精准度。精准度。
【技术实现步骤摘要】
一种多元时间序列异常检测方法及装置
[0001]本专利技术涉及人工智能
,特别涉及一种多元时间序列异常检测方法及装置。
技术介绍
[0002]多元时间序列的异常检测是信息技术(information technology,IT)操作的基本场景之一,因为它对于行业设备或互联网基础设施的服务质量管理至关重要,例如大型数据中心的服务器机器、CDN系统等。虽然传统的基于统计的方法在时间序列数据的一些异常检测场景中是有效的,例如单变量时间序列,他们在更复杂和大规模的多元时间序列场景中可能仍然缺乏有效性。为此,学术界和工业界已经关注基于机器学习的异常值或异常检测方法,而该类方法可以进一步分为监督或无监督异常检测。其中,由于现实世界系统中缺乏意外实例,而劳动密集型的数据标记带来人力的损失,这使得有监督的异常检测通常会遭受正常和异常样本不平衡的问题。因此,近年来,无监督的异常检测引起了研究人员的更多关注。无监督异常检测任务的关键挑战是如何学习多元时间序列的正常模式,如SDFVAE等的概率动态模型,在考虑时间序列内的时间依赖性和可变性方面取得了优异的检测性能。然而,以前用于异常检测的概率动态模型仍然都是浅层模型,这使得它们在建模复杂动态模式方面的拟合能力有限,并且在捕捉远程时间依赖性方面存在缺陷。为了克服这些缺陷,需要深层的概率动态模型。
技术实现思路
[0003]本专利技术提供一种多元时间序列异常检测方法及装置,以提高异常检测的精准度。
[0004]本专利技术实施例提供了一种多元时间序列异常检测方法,包括:接收多元时间序列,并对所述多元时间序列进行预处理,得到训练数据集;将所述训练数据集输入堆叠变分循环神经网络进行训练,得到基于训练好的堆叠变分循环神经网络的多元时间序列异常检测模型;所述堆叠变分循环神经网络 (Stacked Variational Recurrent Neural Network,SVRNN)包括堆叠RNN以及变分自动编码器,用于利用所述变分自动编码器的分层先验信息和所述堆叠 RNN的堆叠递归结构描述所述多元时间序列的多层次和时间依赖性;将待检测的多元时间序列输入至多元时间序列异常检测,得到所述待检测的多元时间序列的异常检测结果。
[0005]进一步地,所述堆叠RNN使用公式(1)更新其隐藏状态:
[0006][0007]其中是确定性非线性转换函数,通过参数为θ
l
的长短期记忆实现,隐状态
更新为和
[0008]进一步地,所述堆叠变分循环神经网络基于变分自动编码器定义变分分布q(z
t,n
|x
t,n
)以近似真实后验分布q(z
t,n
|
‑
),并且用自下而上的结构将其分解为
[0009][0010]进一步地,所述堆叠变分循环神经网络用于将获得的隐特征与来自随机向下路径的先验相结合,构建从l=L到l=1的概率隐状态的变分后验信息,
[0011][0012][0013][0014]进一步地,所述堆叠变分循环神经网络的变分分布表示为:
[0015][0016][0017]进一步地,所述堆叠变分循环神经网络还包括:
[0018]编码层,用于通过普通卷积网络对所述多元时间序列进行编码,并将编码结果输入至所述堆叠RNN的第一层;
[0019]反卷积解码器,用于接收并解码所述堆叠RNN的输出;
[0020]所述反卷积解码器的输出作为所述堆叠变分循环神经网络的输出;
[0021]所述变分自动编码器用于在所述堆叠RNN的全连接层实现隐变量之间的非线性转换。
[0022]进一步地,所述多元时间序列定义为x
n
={x
1,n
,x
2,n
,
……
,x
T,n
},其中n= 1,...N和N是收集的多元时间的数量系列。
[0023]本专利技术实施例还提供了一种多元时间序列异常检测装置,包括:预处理模块,用于接收多元时间序列,并对所述多元时间序列进行预处理,得到训练数据集;检测建模模块,用于将所述训练数据集输入堆叠变分循环神经网络进行训练,得到基于训练好的堆叠变分循环神经网络的多元时间序列异常检测模型;所述堆叠变分循环神经网络包括堆叠RNN以及变分自动编码器,用于利用所述变分自动编码器的分层先验信息和所述堆叠RNN的堆叠递归结构描述所述多元时间序列的多层次和时间依赖性;异常检测模块,用于将待检测的多元时间序列输入至多元时间序列异常检测,得到所述待检测的多元时间序列的异常检测结果。
[0024]本专利技术实施例还提供了一种计算机设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现所述的多元时间序列异常检测方法的步骤。
[0025]本专利技术实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质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所述多元时间序列异常检测方法的步骤。
[0026]本专利技术的多元时间序列异常检测方法及装置提供了一种堆叠变分循环神经网络,即一个分层概率动力学模型表征多元时间序列的复杂时间依赖性和随机性并实现其无监督异常检测,SVRNN通过将分层先验和堆叠循环结构合并到统一的贝叶斯框架中。此模型的核心思想是由分层概率生成操作,通过考虑具有堆叠循环结构和多层形状特征的多级和长时间依赖性来捕获输入时间序列的正常模式,然后应用重建概率来确定异常,提高异常检测的精准度。
附图说明
[0027]图1为本申请实施例一提供的一种多元时间序列异常检测方法的流程图。
[0028]图2为本申请实施例二提供的一种多元时间序列异常检测方法中 SVRNN模型框架图。
[0029]图3为本申请实施例三提供的一种多元时间序列异常检测方法中 SVRNN的功能原理示意图。
[0030]图4为本申请实施例四提供的一种多元时间序列异常检测方法的流程图。
[0031]图5为本申请实施例五提供的一种多元时间序列异常检测方法的异常检测效果示意图。
[0032]图6为本申请实施例六提供的一种多元时间序列异常检测装置的结构框图。图7为本申请实施例七提供的一种计算机设备的结构框图。
具体实施方式
[0033]下面结合附图对本专利技术实施例进行详细描述。
[0034]需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
[0035]需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种多元时间序列异常检测方法,其特征在于,所述多元时间序列异常检测方法包括:接收多元时间序列,并对所述多元时间序列进行预处理,得到训练数据集;将所述训练数据集输入堆叠变分循环神经网络进行训练,得到基于训练好的堆叠变分循环神经网络的多元时间序列异常检测模型;所述堆叠变分循环神经网络包括堆叠RNN以及变分自动编码器,用于利用所述变分自动编码器的分层先验信息和所述堆叠RNN的堆叠递归结构描述所述多元时间序列的多层次和时间依赖性;将待检测的多元时间序列输入至多元时间序列异常检测,得到所述待检测的多元时间序列的异常检测结果。2.根据权利要求1所述的多元时间序列异常检测方法,其特征在于,所述堆叠RNN使用公式(1)更新其隐藏状态:其隐藏状态:其中是确定性非线性转换函数,通过参数为θ
l
的长短期记忆实现,表示高斯分布的概率隐藏变量,是指第l层的确定性循环隐藏状态,L为堆叠变分循环神经网络的层数,堆叠变分循环神经网络的输入数据x
t,n
在第l层隐状态更新为和3.根据权利要求2所述的多元时间序列异常检测方法,其特征在于,所述堆叠变分循环神经网络基于变分自动编码器定义变分分布q(z
t,n
|x
t,n
)以近似真实后验分布q(z
t,n
|
‑
),并且用自下而上的结构将其分解为4.根据权利要求3所述的多元时间序列异常检测方法,其特征在于,所述堆叠变分循环神经网络用于将获得的隐特征与来自随机向下路径的先验相结合,构建从l=L到l=1的概率隐状态的变分后验信息,率隐状态的变分后验信息,率隐状态的变分后验信息,其中,的均值和协方差参数为和和是l<L层的因子加载矩阵,是第l层的转换矩阵,将时间信息转换为随机变量
5.根据权利要求2所述的多元时间序列异常检测方法,其特征在于,所述堆叠变分循环神经网络的变分分布表示为:6.根据权利要求1
‑
5中任一项所述的多元时间序列异常检测方法,其特征在于,所述堆...
【专利技术属性】
技术研发人员:赵小楠,陈文超,李志芸,王建华,高明,尹青山,
申请(专利权)人:山东新一代信息产业技术研究院有限公司,
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。