【技术实现步骤摘要】
基于生成对抗和双向循环神经网络的异常检测方法及装置
[0001]本专利技术属于计算机
，具体涉及一种基于生成对抗和双向循环神经网络的时间序列异常检测装置及方法。
技术介绍
[0002]时序数据的异常检测是数据挖掘的一个重要研究方向，在很多应用领域中都有研究。工业生产领域从监控系统运行状态的传感器中采集到的时序数据发现系统运行的异常状态，并进行异常诊断，寻找导致异常产生的根源；智能运维系统中使用异常数据检测模型自动发现运维数据中的异常模式，并根据异常类别和等级产生不同的异常告警和异常分析报告；信息安全领域通过异常检测发现系统中的异常网络流量、恶意攻击等异常行为，能够极大的提高系统的安全性。因此，可行且高效的异常检测方法至关重要。
[0003]伴随着人工智能技术的发展，时序数据的异常检测方法逐渐被分为两类，一类是传统的普通异常检测方法，包括基于距离、基于密度以及基于聚类的方法等，另一类则是基于深度学习的方法，利用复杂的神经网络来实现异常检测，由于各种深度学习异方法在异常检测领域的性能表现尤为突出且有效，能够有效的识...
【技术保护点】
【技术特征摘要】
1.基于生成对抗和双向循环神经网络的异常检测方法，其特征在于，包括：步骤1：对时序数据采取滑动窗口划分操作，获得包含一系列滑动窗口的三维时序数据集；步骤2：将所述三维时序数据集，经过生成器网络得出生成器重构数据，并计算三维时序数据集与生成器重构数据之间的生成器重构误差；步骤3：基于所述生成器重构数据，经过鉴别器网络得出鉴别器重构数据，并计算三维时序数据与鉴别器重构数据之间的鉴别器重构误差；步骤4：结合生成器重构误差和鉴别器重构误差计算异常分数，步骤5：基于异常分数计算每个滑动窗口对应的阈值；步骤6：将异常分数与对应阈值进行比较，判断异常。2.根据权利要求1所述的基于生成对抗和双向循环神经网络的异常检测方法，其特征在于，步骤1中，所述的三维时序数据集为对原始时序数据进行归一化处理处理后得到的数据集。3.根据权利要求2所述的基于生成对抗和双向循环神经网络的异常检测方法，其特征在于，所述的步骤1中，原始时序数据，T表示时间，其中每个表示时序数据中时刻的值，是一个维的向量，表示维度大小，选用最大最小标准化方法的归一化处理：在完成原始数据的归一化后，对时间序列数据进行滑动窗口划分，按照时间顺序，对于时刻都往前选取长度为k的数据，进行时间戳长度为k的滑动窗口划分，每一时刻对应的窗口表示为，最终原始数据按照时间顺序被转换为一系列滑动窗口三维时序数据集，其中表示T时刻往前取k个时间戳的滑动窗口数据。4.根据权利要求1所述的的基于生成对抗和双向循环神经网络的异常检测方法，其特征在于，步骤2中，所述三维时序数据集通过由编码网络和解码网络构成的基于Bi
‑
LSTM的自编码器架构得出生成器重构数据，训练完成后，编码网络将输入数据进行编码得到对应隐藏状态向量，然后解码网络利用隐藏状态向量解码出生成器重构数据,并计算生成器重构误差；算生成器重构误差；其中，表示生成器重构误差向量，包含了所有滑动窗口的生成器重构误差，采用均方误差损失含函数计算得出。5.根据权利要求1所述的的基于生成对抗和双向循环神经网络的异常检测方法，其特征在于，步骤3中，所述生成器重构数据通过编码网络和解码网络构成的基于Bi
‑
LSTM的
自编码器架构，得出鉴别器重构数据，训练完成后，编码网络将生成器重构数据进行编码得到对应隐藏状态向量，然后解码网络利用隐藏状态向量解码出鉴别器重构数据；；其中，表示生成器重构误差向量，包含了所有滑动窗口的生成器重构误差，采用均方误差损失含函数计算得出。6....
【专利技术属性】
技术研发人员：陈世伟，李静，段婷婷，玄佳兴，李伟良，刘月灿，杨庆甫，高颖，乔宇杰，董小菱，武秋阳，李明，尹晓宇，饶涵宇，毛冬，张辰，曹弯弯，张敏，
申请(专利权)人：国网数字科技控股有限公司国家电网有限公司信息通信分公司国网安徽省电力有限公司信息通信分公司国网浙江省电力有限公司信息通信分公司国家电网有限公司，
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。