基于快速傅里叶变换和掩码卷积的时间序列异常检测方法技术

本申请提供一种基于快速傅里叶变换和掩码卷积的时序数据异常检测方法，通过将一维时序数据转化到二维空间，进而利用掩码卷积和通道注意力机制提取特征，该方法能够提供更全面、准确的异常检测。与传统方法相比，该方法能够更好地捕捉时序数据中的复杂异常模式，并具备更高的鲁棒性和准确性，能够为各个领域中的数据分析、故障诊断、异常检测等应用提供更可靠、高效的解决方案。高效的解决方案。高效的解决方案。

【技术实现步骤摘要】
基于快速傅里叶变换和掩码卷积的时间序列异常检测方法


[0001]本申请涉及数据异常检测
，具体地，涉及一种基于快速傅里叶变换和掩码卷积的时间序列异常检测方法。

技术介绍

[0002]时序数据异常检测是一种关键的数据挖掘技术，广泛应用于各个领域以解决异常情况的监测和预测问题。随着大数据的崛起和信息技术的快速发展，时序数据的获取和存储变得更加容易和高效，这种数据包含了时间相关的观测值，如传感器数据、交易记录、网络流量等。然而，时序数据中常常存在着异常值或离群点，这些异常值可能是由设备故障、破坏行为、非正常交易或突发事件引起的。
[0003]时序数据异常检测在许多领域中发挥着重要作用，例如，在制造业中，实时监测生产过程中的参数数据可以帮助早期发现设备故障，避免生产线停机和降低产品质量；在金融领域，时序数据的异常检测对于发现潜在的欺诈行为、异常交易以及风险控制至关重要；在网络安全领域，时序数据的异常检测能够及时发现网络攻击、入侵行为和恶意软件等威胁，保护网络和数据的安全；在医疗健康领域，时序数据的异常检测可以辅助医生及早发现患者的生理异常情况，提高疾病诊断和治疗效果。
[0004]传统的时序数据异常检测方法通常使用一维卷积或者循环神经网络进行建模，但由于一维卷积核的局部性，一维卷积只能对相邻时间点之间的变化进行建模，因此在长期依赖性的建模方面效果不佳。使用循环神经网络(如RNN)可以建模连续时间点之间的依赖关系，然而由于马尔可夫假设的局限性，这些方法常常难以捕获长期的依赖关系。

技术实现思路
r/>[0005]为了克服现有技术中的至少一个不足，本申请提供一种基于快速傅里叶变换和掩码卷积的时间序列异常检测方法。
[0006]第一方面，提供一种基于快速傅里叶变换和掩码卷积的时间序列异常检测方法，包括：
[0007]获取待检测时间序列数据；
[0008]将待检测时间序列数据输入到训练后的异常检测模型中，得到异常分；异常检测模型包括生成器和异常分计算模块，生成器包括多个采用残差连接的数据重构模块，生成器用于根据待检测时间序列数据，输出重构数据；异常分计算模块用于计算重构数据和待检测时间序列数据的误差，得到异常分；
[0009]判断异常分是否大于判别阈值，若是，待检测时间序列数据为异常数据，若否，待检测时间序列数据为正常数据。
[0010]在一个实施例中，数据重构模块包括快速傅里叶变换模块、n个特征提取分支和重构单元，每个特征提取分支包括第一整形单元、特征提取单元和第二整形单元；
[0011]快速傅里叶变换模块用于对输入数据进行快速傅里叶变换得到频域数据，并确定
频域数据中的n个显著频率、及其对应的n个振幅；根据n个显著频率确定n个周期值，每个周期值分别对应一个特征提取分支；
[0012]第一整形单元用于根据对应的周期值将输入数据整形为二维数据；
[0013]特征提取单元用于对二维数据进行特征提取，得到二维特征数据；
[0014]第二整形单元用于将二维特征数据整形为一维特征数据；
[0015]重构单元用于基于Softmax函数将n个振幅转换为n个权重；并基于n个权重对n个特征提取分支得到的所有一维特征数据进行加权求和，生成重构结果。
[0016]在一个实施例中，特征提取单元为自监督预测卷积注意块，自监督预测卷积注意块包括掩码卷积模块和通道注意力模块；掩码卷积模块用于对二维数据进行掩码卷积操作，得到掩码数据；通道注意力模块用于根据掩码数据自动学习特征中的不同通道之间的相关性；特征提取单元还用于将掩码数据和通道注意力模块的输出进行相乘，得到二维特征数据。
[0017]在一个实施例中，残差连接，采用以下公式表示：
[0018]X
k
＝AD Block(X
k
‑1)+X
k
‑1，k＝2，
…
K
[0019]X1＝AD Block(X0)
[0020]其中，X
k
为第k个数据重构模块的输出，AD Block为数据重构模块，X
k
‑1为第k
‑
1个数据重构模块的输出，K为数据重构模块的个数；X0为待检测时间序列数据。
[0021]在一个实施例中，异常检测模型在训练过程中，还包括判别器；判别器采用多层卷积神经网络结构对原始数据和生成器生成的数据进行判断，通过生成器和判别器在训练过程中的不断对抗和迭代优化，得到训练后的生成器。
[0022]在一个实施例中，异常检测模型在训练过程中采用的损失函数为：
[0023][0024]其中，L
GAN
为损失函数，E为期望，p
data
(x)表示真实数据样本x服从的分布，D为判别器函数，G为生成器函数。
[0025]第二方面，提供一种基于快速傅里叶变换和掩码卷积的时间序列异常检测装置，包括：
[0026]数据获取模块，用于获取待检测时间序列数据；
[0027]异常分获取模块，用于将待检测时间序列数据输入到训练后的异常检测模型中，得到异常分；异常检测模型包括生成器和异常分计算模块，生成器包括多个采用残差连接的数据重构模块，生成器用于根据待检测时间序列数据，输出重构数据；异常分计算模块用于计算重构数据和待检测时间序列数据的误差，得到异常分；
[0028]判断模块，用于判断异常分是否大于判别阈值，若是，待检测时间序列数据为异常数据，若否，待检测时间序列数据为正常数据。
[0029]第三方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的基于快速傅里叶变换和掩码卷积的时间序列异常检测方法。
[0030]第四方面，一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时，以实现上述的基于快速傅里叶变换和掩码卷积的时间序列异常检测方法。
[0031]相对于现有技术而言，本申请具有以下有益效果：本申请的基于快速傅里叶变换
和掩码卷积的时序数据异常检测方法，通过将一维时序数据转化到二维空间，进而利用掩码卷积和通道注意力机制提取特征，该方法能够提供更全面、准确的异常检测。与传统方法相比，该方法能够更好地捕捉时序数据中的复杂异常模式，并具备更高的鲁棒性和准确性，能够为各个领域中的数据分析、故障诊断、异常检测等应用提供更可靠、高效的解决方案。
附图说明
[0032]本申请可以通过参考下文中结合附图所给出的描述而得到更好的理解，附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中：
[0033]图1示出了根据本申请实施例的基于快速傅里叶变换和掩码卷积的时间序列异常检测方法的流程框图；
[0034]图2示出了异常检测模型的示意图；
[0035]图3示出了数据重构模块AD Block的示意图；
[0036]图4示出了特征提取单元S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于快速傅里叶变换和掩码卷积的时间序列异常检测方法，其特征在于，包括：获取待检测时间序列数据；将所述待检测时间序列数据输入到训练后的异常检测模型中，得到异常分；所述异常检测模型包括生成器和异常分计算模块，所述生成器包括多个采用残差连接的数据重构模块，所述生成器用于根据所述待检测时间序列数据，输出重构数据；所述异常分计算模块用于计算所述重构数据和所述待检测时间序列数据的误差，得到异常分；判断所述异常分是否大于判别阈值，若是，所述待检测时间序列数据为异常数据，若否，所述待检测时间序列数据为正常数据。2.如权利要求1所述的方法，其特征在于，所述数据重构模块包括快速傅里叶变换模块、n个特征提取分支和重构单元，每个所述特征提取分支包括第一整形单元、特征提取单元和第二整形单元；所述快速傅里叶变换模块用于对输入数据进行快速傅里叶变换得到频域数据，并确定所述频域数据中的n个显著频率、及其对应的n个振幅；根据所述n个显著频率确定n个周期值，每个所述周期值分别对应一个特征提取分支；所述第一整形单元用于根据对应的周期值将所述输入数据整形为二维数据；所述特征提取单元用于对所述二维数据进行特征提取，得到二维特征数据；所述第二整形单元用于将所述二维特征数据整形为一维特征数据；所述重构单元用于基于Softmax函数将所述n个振幅转换为n个权重；并基于所述n个权重对所述n个特征提取分支得到的所有一维特征数据进行加权求和，生成重构结果。3.如权利要求2所述的方法，其特征在于，所述特征提取单元为自监督预测卷积注意块，所述自监督预测卷积注意块包括掩码卷积模块和通道注意力模块；所述掩码卷积模块用于对所述二维数据进行掩码卷积操作，得到掩码数据；所述通道注意力模块用于根据所述掩码数据自动学习特征中的不同通道之间的相关性；所述特征提取单元还用于将所述掩码数据和所述通道注意力模块的输出进行相乘，得到所述二维特征数据。4.如权利要求1所述的方法，其特征在于，所述残差连接，采用以下公式表示：X
k
＝AD Block(X
k
‑1)+X
k
‑1，k＝2,<...

【专利技术属性】
技术研发人员：屈新纪，侯爱琴，尹小燕，陈竹莲，王瑜琨，汝乐，
申请(专利权)人：西北大学，
类型：发明
国别省市：