工业传感器数据异常检测方法、装置及设备制造方法及图纸

本申请公开了一种工业传感器数据异常检测方法、装置及设备，涉及物联网技术领域，所述方法包括：在工业传感器采集到的第一数据集中，获取多个测试样本；将多个所述测试样本输入至目标异常检测模型，确定各个所述测试样本的异常得分，其中，所述目标异常检测模型由双端长短期记忆网络BiLSTM模型嵌入生成式对抗网络GAN中得到；基于聚类算法和所述异常得分，对多个所述测试样本进行异常检测。本申请的方案能够避免繁琐的特征工程过程，实现自动的特征选择与过滤的同时，保证模型的精度，还能提取工业传感器采集的数据中的时间依赖关系，有效提升了异常检测模型的鲁棒性。效提升了异常检测模型的鲁棒性。效提升了异常检测模型的鲁棒性。

【技术实现步骤摘要】
工业传感器数据异常检测方法、装置及设备


[0001]本申请涉及物联网
，尤其是涉及一种工业传感器数据异常检测方法、装置及设备。

技术介绍

[0002]物联网基础设施传感器中的攻击和异常检测是物联网领域日益受到关注的问题。现代工业通常会安装大量传感器来监测系统的运行状态，方便运维人员发现潜在的安全隐患。随着在工业领域中使用传感器的增加，这些基础设施中的威胁和攻击也相应地增加。拒绝服务、数据类型探测、恶意控制、恶意操作、扫描和错误设置等都是可能导致物联网系统故障的异常。随着5G与物联网的全面铺开，具有对海量传感器数据进行分析的能力，能够准确捕捉识别数据中的异常，已经成为当代工业企业的迫切需求。
[0003]不同于常规模式下的问题和任务，异常检测针对的是少数、不确定、罕见的事件。工业领域异常检测相关技术方案按照算法模型可以分为统计学模型、线性模型、基于相似度的模型、集成学习以及神经网络模型。
[0004]但是，基于统计学和机器学习的方法对特征工程的依赖较大。工业上传感器采集的数据一般都是时序数据，而在现有技术方案中常常会忽略时序数据的处理问题，不能够充分的利用时序数据的时间依赖关系。

技术实现思路

[0005]本申请实施例的目的在于提供一种工业传感器数据异常检测方法、装置及设备，从而解决相关技术的异常检测过程对特征工程的依赖较大且不能够充分的利用时序数据的时间依赖关系的问题。
[0006]为了达到上述目的，本申请实施例提供一种工业传感器数据异常检测方法，包括：
[0007]在工业传感器采集到的第一数据集中，获取多个测试样本；
[0008]将多个所述测试样本输入至目标异常检测模型，确定各个所述测试样本的异常得分，其中，所述目标异常检测模型由双端长短期记忆网络BiLSTM模型嵌入生成式对抗网络GAN中得到；
[0009]基于聚类算法和所述异常得分，对多个所述测试样本进行异常检测。
[0010]可选地，在工业传感器采集到的数据中，获取测试样本，包括：
[0011]基于预先设定的第一滑动窗口的大小与步长，将所述第一数据集划分为多个第一子时间序列；
[0012]将一个所述第一子时间序列确定为一个所述测试样本。
[0013]可选地，将多个所述测试样本输入至目标异常检测模型，确定各个所述测试样本的异常得分，包括：
[0014]将随机空间样本输入至所述目标异常检测模型的目标生成器，以使所述目标生成器生成最优重构测试样本，其中，所述随机空间样本为所述测试样本映射到随机潜在空间
的样本；
[0015]确定所述最优重构测试样本与所述测试样本的重构损失；
[0016]将所述测试样本输入至所述目标异常检测模型的目标判别器，确定判别损失；
[0017]根据所述重构损失和所述判别损失，确定各个所述测试样本的异常得分。
[0018]可选地，将随机空间样本输入至所述目标异常检测模型的目标生成器，以使所述目标生成器生成最优重构测试样本，包括：
[0019]提取所述随机空间样本的上下文时序特征；
[0020]根据所述随机空间样本的上下文时序特征，生成重构测试样本；
[0021]根据所述重构测试样本和与所述重构测试样本对应的测试样本的相似性，基于梯度下降法更新所述重构测试样本，生成所述最优重构测试样本。
[0022]可选地，将所述测试样本输入至所述目标异常检测模型的目标判别器，确定判别损失，包括：
[0023]提取所述测试样本的上下文时序特征；
[0024]根据所述测试样本的上下文时序特征，确定所述判别损失。
[0025]可选地，基于聚类算法和所述异常得分，对多个所述测试样本进行异常检测，包括：
[0026]确定所述异常得分中最高异常得分和最低异常得分为初始聚类中心；
[0027]根据每一个所述异常得分到两个所述初始聚类中心的距离，对所述异常得分所对应的测试样本进行归类；
[0028]重新计算每个聚类中心，并根据每一个所述异常得分到重新计算的每个聚类中心的距离，对所述异常得分所对应的测试样本进行归类，直至每个聚类中心满足预先设置的终止条件；
[0029]根据对所述测试样本的归类，检测所述测试样本是否异常。
[0030]可选地，所述方法还包括：
[0031]在工业传感器采集到的第二数据集中，获取训练样本，其中，所述第一数据集与所述第二数据集不同；
[0032]根据所述训练样本对异常检测模型进行迭代训练，获得所述目标异常检测模型。
[0033]可选地，在工业传感器采集到的第二数据集中，获取训练样本，包括：
[0034]基于预先设定的第二滑动窗口的大小与步长，将所述第二数据集划分为多个第二子时间序列；
[0035]将一个所述第二子时间序列确定为一个所述训练样本。
[0036]根据所述训练样本对异常检测模型进行迭代训练，获得所述目标异常检测模型，包括：
[0037]将随机噪声输入至所述异常检测模型的生成器，获得生成样本；
[0038]将所述训练样本和所述生成样本输入至所述异常检测模型的判别器，调整所述判别器的参数，并输出判别结果；
[0039]根据所述判别结果，对所述生成器和所述判别器进行迭代训练，直至获得所述目标异常检测模型，其中，所述参数包括遗忘门权重、输入门权重、输出门权重和偏置项中的至少一个。
[0040]可选地，将所述训练样本和所述生成样本输入至所述异常检测模型的判别器，调整所述判别器的参数，并输出判别结果，包括：
[0041]提取所述训练样本的上下文时序特征；
[0042]根据所述训练样本的上下文时序特征，对所述训练样本进行判别，以调整所述判别器的参数并输出与所述训练样本对应的判别结果；
[0043]对所述生成样本进行判别，输出与所述生成样本对应的判别结果。
[0044]可选地，根据所述判别结果，对所述生成器和所述判别器进行迭代训练，直至获得所述目标异常检测模型，包括：
[0045]将所述判别结果为生成样本的样本输入至所述生成器，基于梯度下降法调整所述生成器的参数，并输出生成结果；
[0046]将所述生成结果和所述判别结果为训练样本的样本输入至调整后的判别器，基于梯度下降法再次调整所述判别器的参数，输出判别结果，并返回至将所述判别结果为生成样本的样本输入至所述生成器，调整所述生成器的参数，并输出生成结果的步骤，以对所述异常检测模型的生成器和判别器进行迭代训练；直至获得所述目标异常检测模型。
[0047]本申请实施例还提供一种工业传感器数据异常检测装置，包括：
[0048]第一获取模块，用于在工业传感器采集到的第一数据集中，获取多个测试样本；
[0049]确定模块，用于将多个所述测试样本输入至目标异常检测模型，确定各个所述测试样本的异常得分，其中，所述目标异常检测模型由双端长短期记忆网络BiLSTM模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业传感器数据异常检测方法，其特征在于，包括：在工业传感器采集到的第一数据集中，获取多个测试样本；将多个所述测试样本输入至目标异常检测模型，确定各个所述测试样本的异常得分，其中，所述目标异常检测模型由双端长短期记忆网络BiLSTM模型嵌入生成式对抗网络GAN中得到；基于聚类算法和所述异常得分，对多个所述测试样本进行异常检测。2.根据权利要求1所述的方法，其特征在于，在工业传感器采集到的数据中，获取测试样本，包括：基于预先设定的第一滑动窗口的大小与步长，将所述第一数据集划分为多个第一子时间序列；将一个所述第一子时间序列确定为一个所述测试样本。3.根据权利要求1所述的方法，其特征在于，将多个所述测试样本输入至目标异常检测模型，确定各个所述测试样本的异常得分，包括：将随机空间样本输入至所述目标异常检测模型的目标生成器，以使所述目标生成器生成最优重构测试样本，其中，所述随机空间样本为所述测试样本映射到随机潜在空间的样本；确定所述最优重构测试样本与所述测试样本的重构损失；将所述测试样本输入至所述目标异常检测模型的目标判别器，确定判别损失；根据所述重构损失和所述判别损失，确定各个所述测试样本的异常得分。4.根据权利要求3所述的方法，其特征在于，将随机空间样本输入至所述目标异常检测模型的目标生成器，以使所述目标生成器生成最优重构测试样本，包括：提取所述随机空间样本的上下文时序特征；根据所述随机空间样本的上下文时序特征，生成重构测试样本；根据所述重构测试样本和与所述重构测试样本对应的测试样本的相似性，基于梯度下降法更新所述重构测试样本，生成所述最优重构测试样本。5.根据权利要求3所述的方法，其特征在于，将所述测试样本输入至所述目标异常检测模型的目标判别器，确定判别损失，包括：提取所述测试样本的上下文时序特征；根据所述测试样本的上下文时序特征，确定所述判别损失。6.根据权利要求1所述的方法，其特征在于，基于聚类算法和所述异常得分，对多个所述测试样本进行异常检测，包括：确定所述异常得分中最高异常得分和最低异常得分为初始聚类中心；根据每一个所述异常得分到两个所述初始聚类中心的距离，对所述异常得分所对应的测试样本进行归类；重新计算每个聚类中心，并根据每一个所述异常得分到重新计算的每个聚类中心的距离，对所述异常得分所对应的测试样本进行归类，直至每个聚类中心满足预先设置的终止条件；根据对所述测试样本的归类，检测所述测试样本是否异常。7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在工业传感器采集到的第二数据集中，获取训练样本，其中，所述第一数据集与所述第二数据集不同；根据所述训练样本对异常检测模型进行迭代训练，获得所述目标异常检测模型。8.根据权利要求7所述的方法，其特征在于，在工业传感器采集到的第二数据集中，获取训练样本，包括：基于预先设定的第二滑动窗...

【专利技术属性】
技术研发人员：王宇，
申请(专利权)人：中移智行网络科技有限公司中国移动通信集团有限公司，
类型：发明
国别省市：