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】
本专利技术涉及工业控制信息安全,特别涉及一种基于循环一致对抗学习的时序信号异常检测方法及系统。
技术介绍
1、时间序列为以有序方式记录并时间上相关的观察结果。目前时间序列异常检测被广泛地应用于医学、水处理厂、航天器、机器人辅助系统、发动机、服务器等领域,利用各模块终端传感器数据表征来实现相关业务场景的智能化监测控制等,例如,通过时序信号异常检测来消除传感器传输错误,获得更准确的预测,其主要目标是做出预测。在给定的时序数据集中,当系统遭受攻击或产生故障时,部分时间与整体数据集中的绝大多数时间存在显著不同,这些显著不同的时间点可称之为异常点。
2、现有的时序信号异常检测大多通过聚类和残差方法实现,例如基于one-class方法,使用神经网络将原始信号映射到潜在空间并通过once-class目标函数优化模型,利用lstm获取时间序列的时间关系预测下一段时间序列计算误差进行异常检测,基于auto-encoder的方法将数据映射到低维空间、然后从潜在空间重构数据并最后计算重构误差并作为异常分数来检测异常数据。但这些方法只注重学习信号在低维特征空间中的表示,无法识别出与正常信号差异性较小的异常信号。
技术实现思路
1、为此,本专利技术提供一种基于循环一致对抗学习的时序信号异常检测方法及系统,解决现有时序异常检测中未挖掘正常和异常时间序列差异信息造成的异常检测精准度不理想等情形,通过双向变换机制捕获正常时序信号,利用信号在原始信号域和滤波信号域之间的差异来进行异常检测,能够提升检测效
2、按照本专利技术所提供的设计方案,一方面,提供一种基于循环一致对抗学习的时序信号异常检测方法,包含:
3、针对目标时刻原始时序信号,利用卡尔曼滤波器生成滤波时序信号;
4、将原始时序信号和滤波时序信号输入至预训练的循环一致性对抗网络,利用循环一致性对抗网络实现时序信号的异常检测,其中,循环一致性对抗网络包括将原始时序信号和滤波时序信号在原始域和目标域进行映射转换的对抗正向环路和对抗反向环路,且对抗正向环路和对抗反向环路中的生成器和鉴别器对应采用相同的结构。
5、作为本专利技术基于循环一致对抗学习的时序信号异常检测方法,进一步地,利用卡尔曼滤波器生成滤波时序信号,包含:
6、首先,建立时序信号序列状态空间模型,所述状态空间模型包括:依据时序信号估计值和方差构建的时序信号序列观测方程,和依据预测矩阵和观测方程构建的状态方程;
7、然后,基于状态空间模型并利用卡尔曼滤波算法通过循环迭代来获取与原始时序信号对应的滤波时序信号。
8、作为本专利技术基于循环一致对抗学习的时序信号异常检测方法,进一步地,循环一致性对抗网络的训练过程,包含:
9、首先,收集时序信号样本数据,该样本数据中包括具有信号映射关系的原始信号样本集和滤波信号样本集;
10、然后,将原始信号样本集和滤波信号样本集对应作为对抗正向环路和对抗反向环路的输入,基于两个环路中对应的网络鉴别器来优化对应环路上的网络生成器,以使环路中的网络生成器学习到原始时间序列和滤波时间序列之间的变换映射关系。
11、作为本专利技术基于循环一致对抗学习的时序信号异常检测方法,进一步地,网络训练中,对抗正向环路中网络鉴别器dfw的目标函数表示为:
12、
13、对抗反向环路中网络鉴别器dbw的目标函数表示为:
14、其中,x为原始信号输入,y为滤波信号输入,px和py分别为原始信号概率分布和滤波信号概率分布,px′和py′分别为对抗反向环路中网络生成器生成的滤波信号概率分布和对抗正向环路中网络生成器生成的原始信号概率分布,e[]为期望函数。
15、作为本专利技术基于循环一致对抗学习的时序信号异常检测方法,进一步地,网络训练中,基于网络生成器的重构误差和对抗正/反向环路的特征匹配损失来分别构建对抗正向环路、对抗反向环路两者网络生成器的目标函数。
16、作为本专利技术基于循环一致对抗学习的时序信号异常检测方法,进一步地,对抗正向环路中网络生成器gfw的目标函数表示为:
17、
18、对抗反向环路中网络生成器hbw的目标函数表示为:
19、其中,x′、y′分别为对抗反向环路中网络生成器生成的原始信号和对抗正向环路中网络生成器生成的滤波信号。
20、作为本专利技术基于循环一致对抗学习的时序信号异常检测方法,进一步地,利用循环一致性对抗网络实现时序信号的异常检测,包含:
21、首先,针对原始时序信号x,利用循环一致性对抗网络对抗正向环路中的网络生成器生成的目标滤波信号y′;针对滤波时序信号y,利用循环一致性对抗网络对抗反向环路中的网络生成器获取目标原始时序信号x′;
22、然后,依据异常评分规则对原始时序信号进行异常评估,其中,异常评分规则表示为:score=α(||x-x′||)+(1-α)(||y-y′||),size()表示信号长度计算函数。
23、进一步地,本专利技术还提供一种基于循环一致对抗学习的时序信号异常检测系统,包含:预处理模块和异常检测模块,其中,
24、预处理模块,用于针对目标时刻原始时序信号,利用卡尔曼滤波器生成滤波时序信号;
25、异常检测模块,用于将原始时序信号和滤波时序信号输入至预训练的循环一致性对抗网络,利用循环一致性对抗网络实现时序信号的异常检测,其中,循环一致性对抗网络包括将原始时序信号和滤波时序信号在原始域和目标域进行映射转换的对抗正向环路和对抗反向环路,且对抗正向环路和对抗反向环路中的生成器和鉴别器对应采用相同的结构。
26、本专利技术的有益效果:
27、本专利技术通过使用循环神经网络学习信号在原始信号域和滤波信号域的变换关系,从而直接挖掘正常信号和异常信号变换的差异,基于差异信息实现对异常信号的检测,准确性高,效率好,具有较好的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于循环一致对抗学习的时序信号异常检测方法,其特征在于,包含:
2.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,利用卡尔曼滤波器生成滤波时序信号,包含:
3.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,循环一致性对抗网络的训练过程,包含:
4.根据权利要求3所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,网络训练中,对抗正向环路中网络鉴别器Dfw的目标函数表示为:
5.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,网络训练中,基于网络生成器的重构误差和对抗正/反向环路的特征匹配损失来分别构建对抗正向环路、对抗反向环路两者网络生成器的目标函数。
6.根据权利要求5所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,对抗正向环路中网络生成器Gfw的目标函数表示为:
7.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,利用循环一致性对抗网络实现时序信号的异常检测,
8.一种基于循环一致对抗学习的时序信号异常检测系统,其特征在于,包含:预处理模块和异常检测模块,其中,
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种电子设备,其特征在于,包括:
...【技术特征摘要】
1.一种基于循环一致对抗学习的时序信号异常检测方法,其特征在于,包含:
2.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,利用卡尔曼滤波器生成滤波时序信号,包含:
3.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,循环一致性对抗网络的训练过程,包含:
4.根据权利要求3所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,网络训练中,对抗正向环路中网络鉴别器dfw的目标函数表示为:
5.根据权利要求1所述的基于循环一致对抗学习的时序信号异常检测方法,其特征在于,网络训练中,基于网络生成器的重构误差和对抗正/反向环路的特征匹配损失来分别...
【专利技术属性】
技术研发人员:王宗敏,樊好义,潘赟,吴璠,周兵,
申请(专利权)人:郑州大学,
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。