基于掩码图神经网络模型的多元时间序列异常检测方法和系统技术方案

本发明专利技术公开了基于掩码图神经网络模型的多元时间序列异常检测方法和系统，该方法包括：对多元时间序列进行数据预处理操作；输入预处理后的多元时间序列；对滑动窗口内的时序数据进行按比例掩码操作；利用每个节点嵌入式表示向量的相似度建立图结构；根据滑动窗口内的时间序列并利用当前图结构为每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示，并用该特征预测下一个时间戳的值；将预测值与真实值进行生成式对抗训练，计算生成器损失和判别器损失，更新模型；通过预测值和真实值之间的差异计算每个节点的异常分数，将异常分数高于阈值的时刻点判别为异常时间点，得到异常分析结果。本发明专利技术有助于准确检测出多元时间变量数据的异常。间变量数据的异常。间变量数据的异常。

【技术实现步骤摘要】
基于掩码图神经网络模型的多元时间序列异常检测方法和系统


[0001]本专利技术属于数据挖掘
，尤其涉及一种基于掩码图神经网络模型的多元时间序列异常检测方法和系统。

技术介绍

[0002]为了确保网络系统的正常运行，运营和维护人员需要随时监测大量的数据。这些数据来自众多相互关联的监测设备，它们随着系统的运行不断产生，构成了一个多变量的时间序列。时间序列异常检测是智能运维的一项底层核心工作，其目标是分析时间序列的变化，从大量数据中找出异常的离群点或列，即系统软硬件服务的异常情况。随着服务系统的大型化和复杂化，物联网和传感器的应用逐渐扩大，通过监测发现故障和保证安全显得尤为重要。
[0003]无监督异常检测的适用范围更广，因为普遍情况下，应用环境往往缺乏足够的异常标记，而且异常的变化也不规律。直观地说，可以通过设置一个阈值并将该范围之外的数据识别为异常数据，以此在不借助标注数据的情况下来完成任务。目前常见的无监督异常检测方法有如下几种：基于统计学习的方法，如主成分分析、基于距离的聚类和基于密度的聚类，但这些方法需要关于异常的先验知识；基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于掩码图神经网络模型的多元时间序列异常检测方法，其特征在于，所述方法包含以下步骤：步骤S1、对多元时间序列进行数据预处理操作；步骤S2、输入预处理后的多元时间序列，对每个传感器按时序截取固定的长度即滑动窗口，并以固定的步长滑动，得到最终的数据集，每个传感器为图节点，对应的时序序列为节点特征；对滑动窗口内的时序数据进行按比例掩码操作；步骤S3、为每个传感器初始化一个节点嵌入式表示向量，并进行更新，利用每个节点嵌入式表示向量的相似度建立图结构；步骤S4、根据滑动窗口内的时间序列并利用当前图结构为每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示，并用该特征预测下一个时间戳的值；步骤S5、将预测值与真实值进行生成式对抗训练，计算生成器损失和判别器损失，更新模型；步骤S6、测试阶段通过预测值和真实值之间的差异计算每个节点的异常分数，选取分数最高的作为阈值，将异常分数高于阈值的时刻点判别为异常时间点，得到最终异常分析结果。2.根据权利要求1所述的方法，其特征在于：步骤S1包括以下步骤：处理缺失值，缺失部分填0；对时间序列进行采样操作，每隔一个固定的时间段选取一组数据；对每个传感器整个时间序列的数值做归一化处理,将数据压缩到0
‑
1之间。3.根据权利要求2所述的方法，其特征在于：步骤S2包括以下步骤：对每个传感器按时序截取固定的长度即滑动窗口，并以固定的步长滑动，直至时间末，得到处理后的数据集；指定连续掩码的最大序列长度以保证时间序列的连续性；最大的连续掩码序列长度为总屏蔽时间点个数的一半；对滑动窗口内的时间序列进行按比例随机掩码，传感器在掩码的时间点上的值将设置为0；若连续掩码序列长度超出最大掩码序列长度，则以最大掩码序列长度进行掩码操作。4.根据...

【专利技术属性】
技术研发人员：徐康，李远，李睿瑶，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：