一种基于时空图结构学习下的多变量时序数据异常检测方法技术

本发明专利技术公开了一种基于时空图结构学习下的多变量时序数据异常检测方法，涉及机器学习技术领域。包括：获取多变量时序异常检测数据集；对获取的多变量时序异常检测数据集进行预处理；基于多变量时序耦合网络，构建ST‑GSLN多变量时序异常检测模型；并对ST‑GSLN多变量时序异常检测模型进行训练，得到训练好的ST‑GSLN多变量时序异常检测模型；通过训练好的ST‑GSLN多变量时序异常检测模型判别多变量时序数据是否异常，并给出检测结果。本发明专利技术融合多变量时序耦合网络的时空深度特征和结构特征，能够有效克服时滞因果导致的异常现象，进一步提升多变量时序数据异常检测模型的鲁棒性与适应性。

【技术实现步骤摘要】

本专利技术涉及机器学习，尤其涉及一种基于时空图结构学习下的多变量时序数据异常检测方法。

技术介绍

1、信息系统通常采用物理设备或虚拟设备(例如，温度传感器、条形码、埋点等)对信息系统不同组件或功能模块进行数据采集，通常以多维数据呈现(或称多元数据、多变量时序数据)，反映信息系统的运行状态。高效的多变量时序数据异常检测对信息系统的异常进行预警，确保稳定运行具有重要意义。近年来，多变量时序数据异常检测在工业制造、金融交易、网络安全等领域取得广泛应用。通过识别和标记各类应用场景中的异常信息，推动各领域智能运维发展发挥重要作用。然而，在互联网硬件设施不断完善和系统应用不断深化的背景下，多变量时序数据规模性持续扩大，使得多变量时序数据异常检测面临日益严峻挑战。此外，数据采样技术在应用场景中敏感性不足、系统状态变化响应速度时效性不佳以及采样数据时序依赖强弱难以估计等问题，导致较高的漏检率。在多变量时序数据规模庞大且耦合关系复杂的背景下，开展多变量时序间耦合关系的描述、多变量时序数据时序依赖错位以及时滞因果效应下的多变量时序数据异常检测研究，提升智能运维水平是一项至关重本文档来自技高网...

【技术保护点】

1.一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

3.根据权利要求1所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

4.根据权利要求3所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

5.根据权利要求3所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

6.根据权利要求3所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其...

【技术特征摘要】

1.一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

3.根据权利要求1所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

4.根据权利要求3所述的一种基于时空图结构学习下的多变量时序数据异常检测方法，其特征在于，

【专利技术属性】
技术研发人员：韩佳新，冶忠林，肖玉芝，霍宣蓉，黄涛，程盟，雷超，刘鸿凯，
申请(专利权)人：青海师范大学，
类型：发明
国别省市：

全部详细技术资料下载 我是这个专利的主人