System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及异常检测,具体而言,涉及一种异常检测的方法、装置、电子设备及存储介质。
技术介绍
1、异常检测,旨在识别与大多数样本显著偏离的异常样本,是确保物联网(internetof things,iot)网络中工作流应用程序健康运行的关键任务之一。随着边缘计算在工业中的广泛应用,物联网设备已广泛部署,并将它们的功能封装为各种任务,以支持工作流应用程序。因此,目前工作通常会收集和分析以多变量时间序列表示的观测数据,以检查工作流应用程序的健康状态。然而,考虑到异常情况应该非常罕见,并且某些类型的异常可能在监测期间不会发生,观测数据可能在正常样本和异常样本之间呈现高度不平衡的分布。此外,数据集中可能缺乏特定类型异常的样本。因此,工作流应用程序中的任务依赖关系可能无法全面捕捉,从而使准确检测异常变得具有挑战性。
2、目前,异常检测的相关工作采用了基于正常样本的任务依赖性学习和异常评分相结合的方法。在工作流应用程序中,实际的异常情况可能与多个任务相关联,因此,捕捉到这些物联网设备对应不同任务之间的依赖关系变得至关重要。
技术实现思路
1、有鉴于此,本申请的目的在于提供一种异常检测的方法、装置、电子设备及存储介质,以克服现有技术中的问题。
2、第一方面,本申请实施例提供了一种异常检测的方法,所述方法包括:
3、根据目标物联网系统工作过程中产生的历史时间序列数据,构建数据驱动图结构;
4、将所述数据驱动图结构与基于知识图结构进行融合,得到知识增强图
5、通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测,得到所述目标节点的预测值,并计算所述目标节点的预测值与观测值之间的图偏差分数;
6、根据所述图偏差分数和所述目标物联网系统的正常输出量,检测所述目标物联网系统是否存在异常。
7、在本申请一些技术方案中,上述数据驱动图结构中的节点表征所述目标物联网系统中的各个物联网设备,节点与节点之间的边表征物联网设备之间的任务依赖关系;
8、所述方法通过以下方式构建数据驱动图结构:
9、根据目标物联网设备的嵌入向量计算所述目标物联网设备与其他物联网设备之间的相似度;
10、根据所述目标物联网设备与其他物联网设备之间的相似度,确定所述目标物联网设备对应的目标节点的邻居节点。
11、在本申请一些技术方案中,上述方通过以下方式确定所述目标节点的邻居节点:
12、计算所述目标物联网设备与候选邻居节点之间的归一化点积;
13、根据所述归一化点积,从所述候选邻居节点中选择预设数量的邻居节点。
14、在本申请一些技术方案中,上述方法通过以下方式得到知识增强图结构:
15、根据所述基于知识图结构中包含的知识依赖关系,对所述数据驱动图结构中的知识依赖关系进行迭代,得到迭代后的所述知识增强图结构。
16、在本申请一些技术方案中,上述方法通过以下方式对所述知识增强图结构中所有目标节点进行预测:
17、根据所述目标物联网系统的工作流中的工作阶段,将所述目标物联网系统分为多个子工作流;
18、使用知识增强图注意力预测网络,基于子工作流的特征、历史时间序列数据以及所述目标物联网系统的嵌入向量对物联网设备在未来时刻的属性数据值进行预测。
19、在本申请一些技术方案中,上述计算所述目标节点的预测值与观测值之间的图偏差分数,包括:
20、计算所述预测值与所述观测值之间的预测误差,并确定所述预测误差的中位数和四份位距;
21、根据所述预测误差、所述中位数和所述四份位距,计算所述图偏差分数。
22、在本申请一些技术方案中,上述根据所述图偏差分数和所述目标物联网系统的正常输出量,检测所述目标物联网系统是否存在异常,包括:
23、将所述图偏差分数与预设的检测阈值进行对比;
24、将所述目标物联网系统的实际输出量与所述正常输出量进行对比;
25、在所述图偏差分数小于所述检测阈值且所述实际输出量达到所述正常输出量时,所述目标物联网系统为正常状态。
26、第二方面,本申请实施例提供了一种异常检测的装置,所述装置包括:
27、构建模块,用于根据目标物联网系统工作过程中产生的历史时间序列数据,构建数据驱动图结构;
28、融合模块,用于将所述数据驱动图结构与基于知识图结构进行融合,得到知识增强图结构;其中,所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系;
29、预测模块,用于通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测,得到所述目标节点的预测值,并计算所述目标节点的预测值与观测值之间的图偏差分数;
30、检测模块,用于根据所述图偏差分数和所述目标物联网系统的正常输出量,检测所述目标物联网系统是否存在异常。
31、第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的异常检测的方法的步骤。
32、第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述的异常检测的方法的步骤。
33、本申请的实施例提供的技术方案可以包括以下有益效果:
34、本申请方法包括根据目标物联网系统工作过程中产生的历史时间序列数据,构建数据驱动图结构;将所述数据驱动图结构与基于知识图结构进行融合,得到知识增强图结构;其中,所述基于知识图结构表征目标物联网系统中预选物联网设备之间指令的任务依赖关系;通过预设的知识增强图注意力预测网络对所述知识增强图结构中所有目标节点进行预测,得到所述目标节点的预测值,并计算所述目标节点的预测值与观测值之间的图偏差分数;根据所述图偏差分数和所述目标物联网系统的正常输出量,检测所述目标物联网系统是否存在异常。
35、本申请将领域知识融入到传统图注意力预测网络中,以提供有价值的信息,增强正常模式学习的鲁棒性,并提高异常检测的性能。
36、为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种异常检测的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述数据驱动图结构中的节点表征所述目标物联网系统中的各个物联网设备,节点与节点之间的边表征物联网设备之间的任务依赖关系;
3.根据权利要求2所述的方法,其特征在于,所述方通过以下方式确定所述目标节点的邻居节点:
4.根据权利要求1所述的方法,其特征在于,所述方法通过以下方式得到知识增强图结构:
5.根据权利要求1所述的方法,其特征在于,所述方法通过以下方式对所述知识增强图结构中所有目标节点进行预测:
6.根据权利要求1所述的方法,其特征在于,所述计算所述目标节点的预测值与观测值之间的图偏差分数,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据所述图偏差分数和所述目标物联网系统的正常输出量,检测所述目标物联网系统是否存在异常,包括:
8.一种异常检测的装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的异常检测的方法的步骤。
...【技术特征摘要】
1.一种异常检测的方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述数据驱动图结构中的节点表征所述目标物联网系统中的各个物联网设备,节点与节点之间的边表征物联网设备之间的任务依赖关系;
3.根据权利要求2所述的方法,其特征在于,所述方通过以下方式确定所述目标节点的邻居节点:
4.根据权利要求1所述的方法,其特征在于,所述方法通过以下方式得到知识增强图结构:
5.根据权利要求1所述的方法,其特征在于,所述方法通过以下方式对所述知识增强图结构中所有目标节点进行预测:
6.根据权利要求1所述的方法,其特征在于,所述计算所述目标节点的预测值与观测值之间的图偏差分数,包括...
【专利技术属性】
技术研发人员:李怡,周长兵,江杏,施振生,
申请(专利权)人:中国地质大学北京,
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。