【技术实现步骤摘要】
一种基于图神经网络的物联网信号异常检测方法和系统
[0001]本专利技术属于物联网信号的异常检测领域,具体涉及一种基于图神经网络的物联网信号异常检测方法和系统。
技术介绍
[0002]随着物联网设备的广泛应用和快速增长,设备之间相互连接和通信产生了大量数据。在这种情况下,准确及时地识别和处理异常信号成为了一个紧迫的问题。有效的异常检测技术可以提前预警潜在的设备故障、网络攻击和数据泄露等风险,从而保障物联网系统的正常运行和用户的安全隐私。
[0003]物联网信号通常分为两种单变量时间序列和多元时间序列,其中多元时间序列因其复杂的时空特性导致异常检测的难度增加,因此对多元时间序列的研究一直都是热点。传统的异常检测框架包含估计和检测这两个阶段,其中估计阶段主要通过对时间序列进行建模,预测出某个时间戳或时间段内的序列值;检测阶段则是根据准则或模型确定异常阈值,将阈值与预测值相比较从而判断出异常。
[0004]目前,越来越多的研究开始利用多变量之间的相关性来提高异常检测的性能。在工业系统中,基于机器学习方法进行多元时间序列的异常检测已被广泛应用。例如,聚类、支持向量机、贝叶斯网络、随机森林、梯度提升决策树、马尔可夫模型和主成分分析等。此外,随着人们对多元时间序列的了解深入,逐渐考虑到数据的内在联系,很多深度学习的方法也逐渐被应用进来。比如一种无监督异常检测的深度自编码高斯混合模型,利用深度自编码器生成低维表示和重建误差,进一步采用高斯混合模型进行异常检测;一种基于长短期记忆的可变自编码器,通过将LSTM网络嵌入 ...
【技术保护点】
【技术特征摘要】
1.一种基于图神经网络的物联网信号异常检测方法,其特征在于,包括:以下步骤:基于系统实体,建立图结构模型,系统实体中每一个传感器作为图结构模型中的图节点,每一个传感器产生时间序列,获得实际的多元时间序列,对图结构模型学习后获得静态图结构和动态图结构;以静态图结构和动态图结构为基础,分别定义对应的图注意网络;将图注意力机制嵌入到门控循环单元,形成GAGRU网络模块;通过上行的GAGRU网络模块处理,获得基于动态图建模的序列时空特征;通过下行的GAGRU网络模块处理,获得基于静态图建模的序列时空特征;全连接层基于两个时空特征进行预测,获得预测的多元时间序列;比较预测的多元时间序列和实际的多元时间序列,获得异常分数;基于异常分数,传统F1分数评价标准和点调整策略下的F1分数评价标准联合进行异常检测。2.根据权利要求1所述的一种基于图神经网络的物联网信号异常检测方法,其特征在于,图结构模型学习获得动态图结构的过程为:于,图结构模型学习获得动态图结构的过程为:其中,e
i
表示第i个传感器的特征嵌入;sim(
·
)表示求解余弦相似度;w
ji
表示节点j和节点i之间的余弦相似度,也表示图结构模型中边的权重;TopK(
·
)表示在节点i的所有邻居中,选取相似度最大的K个点作为节点i的邻居;K为超参数;A
ji
为动态图A
d
的第j行第i列的数据值,代表节点j和节点i之间的连接关系;基于所有的A
ji
获得动态图A
ji
。3.根据权利要求1所述的一种基于图神经网络的物联网信号异常检测方法,其特征在于,图结构模型学习获得静态图结构的过程为,建立优化问题,求解优化问题后获得邻接矩阵,所述邻接矩阵为静态图结构。4.根据权利要求3所述的一种基于图神经网络的物联网信号异常检测方法,其特征在于,所述优化问题为:其中,D为预处理后的多元时间序列数据;L为图拉普拉斯矩阵;N为传感器节点个数;tr(
·
)表示求矩阵的迹;表示矩阵的F范数;α和β为两个正则化参数;所述邻接矩阵为:
其中,A
ij
表示节点i和节点j之间是否存在连接。5.根据权利要求1所述的一种基于图神经网络的物联网信号异常检测方法,其特征在于,图注意网络的公式为:其中,表示时间戳t时第i个节点的输入特征;表示一个可训练的权重矩阵;ReLU表示激活函数;α
ij
为和之间的注意力系数,α
ij
的计算公式如下:其中,||表示矩阵串联;为注意力机制的学习向量;LeakyReLU为激活函数。6.根据权...
【专利技术属性】
技术研发人员:李国兵,谭一峰,陈宇轩,张国梅,屈诗涵,
申请(专利权)人:西安交通大学,
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。