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方案

本发明专利技术公开了一种基于图神经网络的物联网信号异常检测方法和系统，属于物联网信号的异常检测领域。本发明专利技术基于平滑性约束学习系统最底层的静态图结构和基于传感器特征嵌入学习符合时间序列时变特性的动态图结构，并采用将图注意力机制融入到门控循环单元中的GAGRU模块捕获多元时间序列的时空特征。同时，根据序列预测误差计算系统异常分数，并采用基于TopK准则的传统异常识别方法和基于POT算法的点调整异常识别方法来进行异常检测，最后也采用传统的F1分数和点调整的F1分数来联合验证模型性能。本发明专利技术提出的物联网信号异常检测模型在异常检测的综合性能方面取得了良好的提升。升。升。

【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网络嵌入到VAE中进行异常评分。一种非参数动态误差阈值策略，利用误差序列的移动平均来设置异常标记的阈值；一种OmniAnomaly的异常检测框架，该框架利用VAE将时间序列信号建模为随机表示，并采用重建可能性进行异常检测；一种基于生成对抗网络的无监督多元异常检测方法，将GAN中的生成器和鉴别器均采用LSTM
‑
RNN的结构，可以捕获时间序列分布的时间相关性；同时为了避免不确定实例的潜在误导，有研究采用一种调整后的漂移分布的流式数据异常检测算法(DSPOT)进行自动阈值选择。并且该阈值选择的方法，也被后面多个研究所应用。以上这些深度学习的方法，使多元时间序列的异常检测性能得到了很大的提升。但是，基于编码器、循环神经网络、生成对抗网络的方法，在提取多元时间序列的空间特性方面，仍存在一些缺陷，也并不能很好地解释这些多变量之间的内在联系。
[0005]图信号处理技术的发展和图神经网络的应用，对于处理存在内在联系的多元时间序列提供了一种新的思路。最新的一种基于图注意力网络的多元时间序列异常检测框架，采用两个并行的GAT网络分别提取多元时间序列的时间特征和空间特征进行异常检测；一种图偏差网络利用节点嵌入学习数据模式之间的图结构，同时改进了GAT网络，使网络可以捕获到更丰富的信息；一种多模态的图注意力异常检测模型，将所有传感器节点进行分类，并采用多个GAT网络对其进行学习和特征提取，利用重构误差和预测误差进行异常检测。以
上这些基于图神经网络的方法，均可以有效提取出多元时间序列的内在空间特征，对于处理具有非欧式结构的数据具有很大的优势。
[0006]在异常检测模型发展的同时，对于异常检测性能的评估也有了一些新的标准，这些标准针对不同的应用背景设计了对应的评估原则。最新的研究证明，一种采用点调整(Point
‑
Adjust，PA)的策略可以明显提高异常检测的性能，但也可能会导致异常检测的性能被过度高估。与此同时，不少研究中也提出了新的多元时间序列异常检测性能的评价标准，并在经典的数据集上对以往的评价标准进行了比较。这些最新的研究也说明，在评价多元时间序列异常检测的性能时，不同的评价标准可能会导致不同的结果。在对模型的异常检测性能进行评估时，需要从多个角度来进行评价。

技术实现思路

[0007]本专利技术的目的在于克服上述现有技术的缺点，提供一种基于图神经网络的物联网信号异常检测方法和系统，以解决现有技术中对于多元时间序列的时空特征考虑不充分的问题，从而提升其异常检测的性能。
[0008]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0009]一种基于图神经网络的物联网信号异常检测方法，包括：以下步骤：
[0010]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；
[0011]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；
[0012]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。
[0013]本专利技术的进一步改进在于：
[0014]优选的，图结构模型学习获得动态图结构的过程为：
[0015][0016][0017]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；
[0018]基于所有的A
ji
获得动态图A
ji
。
[0019]优选的，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。
[0020]优选的，所述优化问题为：
[0021][0022]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；
[0023]所述邻接矩阵为：
[0024][0025]其中，A
ij
表示节点i和节点j之间是否存在连接。
[0026]优选的，图注意网络的公式为：
[0027][0028]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：
[0029][0030]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。
[0031]优选的，上本文档来自技高网...

【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：