基于动态图注意力的物联网时序数据异常检测方法及系统技术方案

本发明专利技术公开了基于动态图注意力的物联网时序数据异常检测方法及系统，涉及计算技术领域，方法包括S1构建初始的异常检测模型；S2获取训练数据集；S3利用训练数据集对初始的异常检测模型进行训练优化，得到优化后的异常检测模型；S4获取待预测物联网时序数据；S5利用优化后的异常检测模型分析待预测物联网时序数据的检测结果；本方法解决了物联网环境下多变量时间序列异常检测的问题；克服了传统Transformer和GNN的缺陷，提出了一种具有异常注意的Transformer获取GNN参数的有效模；本异常检测模型在实证研究中取得了先进的结果，提高了异常检测的精度。

【技术实现步骤摘要】

本专利技术涉及计算，尤其涉及一种基于动态图注意力的物联网时序数据异常检测方法及系统。

技术介绍

1、随着自动驾驶汽车、智能建筑、水处理和分配厂等信息物理系统中互连设备和传感器的快速增长，物联网的出现进一步推动网络物理系统应用于各种任务，越来越需要监控这些设备免受攻击，对于电网、通信网络等关键基础设施尤为重要。物联网可以利用区块链、边缘计算、深度学习等方法实现目标监控、定位、识别，用户隐私安全存储等功能。而现如今数据量呈现指数型增长，面对这些海量的数据，物联网的完善能极大促进无线传感器网络未来的应用与发展。因此对监控中的数据进行异常检测是十分有必要的，即通过分析目标监控数据的异常值来分析监控对象的异常行为，如何准确、高效地进行异常检测也成为物联网安全领域的热点问题。

2、异常检测在很多领域都具有广泛的应用，包括网络安全、医学、机器视觉、统计学、信用卡盗刷、超大金额支出等。异常检测算法主要通过观察正常事件的未标记数据集，从而学会检测异常或在异常事件发生时发出危险信号。由于传感器收集的数据中缺乏异常的标签，同时异常往往是不可预测和多样化的，通常把异常本文档来自技高网...

【技术保护点】

1.基于动态图注意力的物联网时序数据异常检测方法，其特征在于，包括：

2.根据权利要求1所述的基于动态图注意力的物联网时序数据异常检测方法，其特征在于，特征提取模块包括从输入到输出依次连接M个特征提取网络，每个特征提取网络包括异常注意层、第一归一化层、前馈层和第二归一化层，异常注意层采用带有H个头的多头注意机制，多头注意机制用于对每个时间点的先验关联和序列关联进行建模，输入层的输出作为异常注意层的输入，异常注意层的输出和输入层的输出均作为第一归一化层的输入，第一归一化层的输出作为前馈层的输入，前馈层的输出和第一归一化层的输出均作为第二归一化层的输入，M和H均为大于1的正整数。...

【技术特征摘要】

1.基于动态图注意力的物联网时序数据异常检测方法，其特征在于，包括：

2.根据权利要求1所述的基于动态图注意力的物联网时序数据异常检测方法，其特征在于，特征提取模块包括从输入到输出依次连接m个特征提取网络，每个特征提取网络包括异常注意层、第一归一化层、前馈层和第二归一化层，异常注意层采用带有h个头的多头注意机制，多头注意机制用于对每个时间点的先验关联和序列关联进行建模，输入层的输出作为异常注意层的输入，异常注意层的输出和输入层的输出均作为第一归一化层的输入，第一归一化层的输出作为前馈层的输入，前馈层的输出和第一归一化层的输出均作为第二归一化层的输入，m和h均为大于1的正整数。

3.根据权利要求2所述的基于动态图注意力的物联网时序数据异常检测方法，其特征在于，异常注意层包括先验关联分支和序列关联分支，先验关联分支使用高斯核来计算相对时间距离的先验，序列关联分支用于从原始序列中学习关联关系，在先验关联分支和序列关联分支之间采用了极大极小策略，极大极小策略的最小化阶段是驱动一个先验关联来模拟从原始序列中学到的序列关联；极大极小策略的最大化阶段是对序列关联进行优化，扩大关联差异。

4.根据权利要求3所述的基于动态图注意力的物联网时序数据异常检测方法，其特征在于，异常注意层的先验关联分支计算相对时间距离的先验，再通过线性投影将输入节点特征x投影到查询q、键k和值v矩阵，设m个特征提取网络，层...

【专利技术属性】
技术研发人员：陈鹏，何鸿霞，单文煜，吴磊，任建华，李曦，陈娟，曹曙烽，
申请(专利权)人：西华大学，
类型：发明
国别省市：