时序数据异常检测方法、电子设备及计算机存储介质技术

本申请实施例提供了一种时序数据异常检测方法、电子设备及计算机存储介质，涉及人工智能领域。该方法包括：对待检测的原始时序数据进行预处理，得到第一时序数据；接着，基于核密度估计KDE算法，对第一时序数据进行编码处理，得到对应的时序编码序列；接着，确定时序编码序列的编码向量和位置向量，并对编码向量和位置向量进行嵌入Embedding处理，得到处理后的向量序列；接着，通过预训练的异常检测模型确定处理后的向量序列中每个编码对应的概率值，来确定第一时序数据中的异常数据，其中，异常检测模型为包括膨胀门卷积神经网络DGCNN和注意力Attention网络的网络模型。该方法可以提高异常检测准确率，改善检测效果。改善检测效果。改善检测效果。

【技术实现步骤摘要】
时序数据异常检测方法、电子设备及计算机存储介质


[0001]本申请涉及人工智能
，具体而言，本申请涉及一种时序数据异常检测方法、电子设备及计算机存储介质。

技术介绍

[0002]时序数据异常检测依据时间序列数据的变化情况，识别时序数据序列中的异常情况。异常类型一般分为点异常，如时序数据中的突刺点；上下文异常，如在时序数据中不符合趋势规律的点，主要出现在周期规律的时序中；集合异常，如连续一段时间内，数据的波动与整体的波形不一致。
[0003]时序数据异常检测是AIOPS(Artificial Intelligence for IT Operations，智能化运维)任务中一项基础能力，目的是快速发现问题，及时定位系统故障。然而，传统的固定阈值检测方式准确率低，维护大量的阈值工作量大、成本高。

技术实现思路

[0004]本申请实施例提供了一种时序数据检测方法、电子设备及计算机存储介质，可以解决传统检测方式准确率低的问题。技术方案如下：
[0005]根据本申请实施例的一个方面，提供了一种时序数据检测方法，该方法包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序数据异常检测方法，其特征在于，包括：对待检测的原始时序数据进行预处理，得到第一时序数据；基于核密度估计KDE算法，对所述第一时序数据进行编码处理，得到对应的时序编码序列；确定所述时序编码序列的编码向量和位置向量，并对所述编码向量和所述位置向量进行嵌入Embedding处理，得到处理后的向量序列；通过预训练的异常检测模型确定所述处理后的向量序列中每个编码对应的概率值，来确定所述第一时序数据中的异常数据，其中，所述异常检测模型为包括膨胀门卷积神经网络DGCNN和注意力Attention网络的网络模型。2.根据权利要求1所述的方法，其特征在于，所述对待检测的原始时序数据进行预处理，包括以下至少一项：通过按照采集频率对时间进行归一化处理，从所述原始时序数据中剔除时间重复的时序数据；依据分位数法，将所述原始时序数据中高于预定阈值的时序数据替换为分位值；利用线性差值法填充所述原始时序数据中的空值。3.根据权利要求1所述的方法，其特征在于，所述基于核密度估计KDE算法，对所述第一时序数据进行编码处理，包括：计算所述第一时序数据的自相关系数，并根据所述自相关系数确定所述第一时序数据是否具有周期性；若确定所述第一时序数据具有周期性，则基于核密度估计KDE算法，对所述第一时序数据进行编码处理。4.根据权利要求3所述的方法，其特征在于，所述根据所述自相关系数确定所述第一时序数据是否具有周期性，包括：根据所述自相关系数分析确定所述第一时序数据的周期；根据所述周期对所述第一时序数据进行周期分解，并基于周期分解的结果，确定所述第一时序数据的周期分量、趋势分量和残差分量；计算所述周期分量与所述残差分量的分布差异，并根据所述分布差异确定所述第一时序数据是否具有周期性。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述基于核密度估计KDE算法，对所述第一时序数据进行编码处理，包括：利用所述KDE算法，将训练数据集中的训练数据进行等间距切分，并对同一间距内的训练数据进行编码映射处理；根据所述编码映射处理的结果，对所述第一时序数据进行编码处理，并将所述第一时序数...

【专利技术属性】
技术研发人员：韦强申，宋勇，叶晓舟，欧阳晔，
申请(专利权)人：亚信科技中国有限公司，
类型：发明
国别省市：