一种面向工业互联网标识解析的时间序列异常检测方法技术

本发明专利技术公开了一种面向工业互联网标识解析的时间序列异常检测方法，包括：

【技术实现步骤摘要】
一种面向工业互联网标识解析的时间序列异常检测方法


[0001]本专利技术属于工业互联网
，具体涉及一种面向工业互联网标识解析的时间序列异常检测方法
。

技术介绍

[0002]工业互联网是将传统的工业系统与互联网
、
云计算
、
物联网和大数据等先进信息技术相结合的新兴领域
。
工业互联网标识解析是指将对象标识映射至工业互联网中的设备
、
机器和物料等一切生产要素并获取服务所需的信息的过程
。
工业互联网标识解析体系是工业互联网网络体系的重要组成部分，是支撑工业互联网互联互通的神经中枢
。
然而，由于工业互联网标识解析系统涉及到实时数据传输
、
设备连接解析等复杂的网络交互，使其存在一系列的安全威胁和挑战，例如：分布式拒绝服务
(DDoS)
攻击
、
恶意软件和病毒感染以及零日漏洞利用等
。
这些威胁的复杂性和严重性要求工业标识解析服务机构专家不断提高安全意识，并采取相应的防本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，包括以下步骤：
S1、
构建时间序列异常检测模型，包括特征构建模块
、
特征提取模块以及结果输出模块；其中，特征构建模块，用于将时间序列数据集构造成可输入时间序列异常检测模型的数据；特征提取模块，由压缩激励网络和长短期记忆神经网络组成，该两个网络用于提取输入数据的特征，同时将各种特征进行组合，刻画出更深层的特征，输出包含时间序列规律的特征向量；结果输出模块，由深度神经网络组成，深度神经网络包含三层神经网络结构
、Dropout
算法和非线性激活函数，用于合并特征提取模块的输出数据，并实现数据降维，同时防止模型在训练时过拟合，输出异常检测的二分类结果；
S2、
对时间序列异常检测模型进行训练；
S3、
将训练完毕的时间序列异常检测模型用于时间序列异常检测
。2.
根据权利要求1所述的一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，压缩激励网络包含压缩结构和扩展结构，压缩结构由卷积运算构成，可对矩阵数据进行卷积并压缩每个通道的矩阵，扩展结构同样由卷积运算构成，可对矩阵的通道进行扩展，将数据的维度扩展至压缩之前的大小；长短期记忆神经网络由循环单元构成，其中循环单元由遗忘门
、
输入门和输出门等门控组成
。3.
根据权利要求1所述的一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，时间序列数据集具体为：设基于网络流量的时间序列为
x
＝
(x1,x2,
…
,x
L
)
，其中，
L
为时间序列总长度，
x
L
为时间序列中第
L
个探测数据
。4.
根据权利要求3所述的一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，特征构建模块具体包括构建网络流量矩阵和构建网络流量的频率矩阵；构建网络流量矩阵具体为：设第一个序列样本为
S
＝
(x1,x2,
…
,x
N
)
，其中
N
为每个样本中序列的长度，
x
N
为样本序列中的第
N
个数据；对数据集中的每个序列样本，采用宽度为
T、
步长为1的滑动窗口，将每个样本切分为长度为
T
的子序列，其中，第一个序列样本得到的矩阵为：其中，
H
＝
N
‑
T+1
，表示构造出来的网络流量矩阵
S
t
中有
H
条子序列，每条子序列的长度为
T
；整个时间序列数据集构造成的网络流量时域矩阵为：
其中，
M
＝
L
‑
N+1
，表示整个时间序列数据集共有
M
个样本
。5.
根据权利要求4所述的一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，构建网络流量的频率矩阵具体为：针对构建的网络流量时域矩阵，进一步将该矩阵转换为频率矩阵，采用离散傅里叶变换将连续的时域信号转换为频域信号，公式为：
y(n)
＝
|X(n)|
，
n
＝0，1，
...
，
T
‑1其中，
x(t)
为时域序列中第
t
个数据，
n
为频率，
X(n)
为频率
n
的复平面幅值，该值需要进一步计算出模长，得到频率
n
的实数幅值
y(n)
；由于频率
n
与
T
‑
n
的幅值是相等的，因此将频率大于的幅值舍去；根据以上公式，第一个网络流量时域矩阵转换成的频率矩阵为：其中
H
表示构造出来的每个频率矩阵包含
H
条网络流量频率序列，每条频率序列的长度为
F+1
；整个时间序列数据集构造成的网络流量频率矩阵为：
6.
根据权利要求2所述的一种面向工业互联网标识解析的时间序列异常检测方法，其特征在于，特征提取模块包括压缩激励网络提取特征以及长短期记忆神经网络提取特征；其中，压缩激励网络提取特征具体为：对于构建的网络流量的频率矩阵样本，采用深度学习模型进行训练，以提取出相应的特征，从而使得模型学到时间序列的内在规律；在构建的频率矩阵样本中，频率矩阵中各行表示时间序列在某个时段内的频率，其中每个时段内的频率可能存在相应的关联性，即第
i
个频率可能与第
j
个频率存在关系；采用压缩激励网络提取频率矩阵中数据在每个时段内的频率关联特征；假设需...

【专利技术属性】
技术研发人员：耿光刚，卢翼翔，刘东杰，刘志全，涂菲帆，张新常，
申请(专利权)人：暨南大学，
类型：发明
国别省市：