一种自适应相关感知无监督深度学习异常检测方法技术

本发明专利技术提出了一种自适应相关感知无监督深度学习异常检测方法，属于信息物理系统(CPS)领域，如智能生活、工业控制和数字医疗保健。同时，在CPS的背景下考虑了互联网和物联网中存在的各种安全问题。其中，基于无监督深度学习的异常检测模型通过潜在特征学习在许多CPS领域取得了良好的效果。然而，数据之间的相关性并没有引起足够的重视，挖掘它们之间的隐含关系，缺乏自适应训练，这对于在更复杂的数据环境中CPS的安全至关重要。因此，本文提出了一种自适应相关感知的无监督深度学习用于CPS异常检测。构造有向图结构来表示数据之间的隐式相关性，并采用动态图自适应更新设计提取特征和重构特征，估计概率分布和异常能量，完成异常检测。异常检测。异常检测。

【技术实现步骤摘要】
一种自适应相关感知无监督深度学习异常检测方法

：
[0001]本专利技术涉及一种自适应相关感知无监督深度学习异常检测方法，该方法在信息物理系统异常检测领域中有着很好的应用。

技术介绍
：
[0002]异常检测规则学习主要有监督、半监督和无监督三种策略。监督方法需要大量的标记训练数据，半监督方法对训练数据的要求较高，噪声数据对模型训练的负面影响更为显著。因此，监督和半监督方法并不适用于CPS数据环境。无监督方法设计用于训练大量的无标记数据，这在实际的CPS应用中更常见。这些方法可以看作是对数据概率分布的估计异常数据往往位于概率密度较低的子空间中。无监督方法是目前DLADMs最推荐的方法。它们可分为四类:基于重构的、基于支持域的、基于集群的和混合的，如基于深度结构能量模型(DSEBM)、基于深度AE的GMM(DAGMM)等。然而，现有的无监督方法主要基于原始特征，忽略了数据之间的隐含相关性，从而在更复杂的CPS数据中削弱了其实际性能。基于AE的ADM(AE
‑
ADM):是最流行的dl
‑
ADM类型。如具有更深层次网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应相关感知无监督深度学习异常检测方法，其特征在于该方法包括以下步骤：步骤1：数据预处理阶段，为了准确分析复杂CPS数据之间的相关性，我们构造了一个有向图结构，将特征空间中的样本关联起来，并用动态图进行自适应更新，通过动态图不断地更新来更新特征空间。步骤2：数据输入阶段，用已处理好的数据作为模型的输入，放入自编码器中进行重构，将双路编码器得到的表示特征进行拼接，最后用拼接后的最终表示放入估计网络，通过高斯混合模型进行异常检测。步骤3：模型正式训练阶段，将数据集数据以6:2:2的比例拆分为训练集、验证集和测试集。训练数据作为模型训练的输入，经过模型的训练，得到优化后的模型。2.根据权利要求1所述的一种自适应相关感知无监督深度学习异常检测方法，其特征在于，所述步骤1中的数据预处理模块，具体步骤为：步骤1_1由KNN算法构造图。我们构造初始相关有向图G0。对于每个样本X
i
，选择K0个最近邻，NB
i
＝{X
ik
|k＝1,2，
…
，K0}，采用KNN算法，KNN(X,K
g
)，g＝0,1,2，
…
，为迭代次数。然后，一个直边从X
ik
指向X
i
。最后构造有向图G0。步骤1_2基于G0设计了一个简单高效的动态图，自适应地更新样本之间的相关性。关键是动态调整K，在训练损失的约束下，根据K和之前的G
s
得到最新的G0::图误差GE
g
，是ACUDL的损失函数之一，用作自适应相关图更新的目标函数:GE
g
＝‖G
g
‑
G0‖23.根据权利要求1所述的一种自适应相关感知无监督深度学习异常检测方法，其特征在于，所述步骤2中的数据输入模块，具体步骤为：步骤2_1采用一个原始特征编码器，一个相关特征的图形编码器，和一个用于重建原始样本的解码器且关键的网络模块是多层感知器(MLP)和GAT。原始特征编码器:采用全连通(FC)层组成的MLP进行非线性原始非相关特征提取:其中是输入数据，W0与D0中所包含的数据分别是权重矩阵与偏置矩阵，他们均被随机参数初始化，l表示网络的层数是初始输入值，而是经过若干神经层得到的最终的输出值。步骤2_2相关特征的图形编码器，使用GAT来捕获样本之间的相关性特征，并在每个样本上实现共享注意力α
i...

【专利技术属性】
技术研发人员：席亮，苗德华，李梦涵，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：