[发明专利]一种数据异常检测方法、装置及设备

说明书

提供一种数据异常检测方法、装置及设备。该数据异常检测方法包括：在预先确定的检测模型每一深度包括的神经元中，确定待检测数据的最优匹配神经元，计算每一个最优匹配神经元对应的辅助神经元，根据每一个最优匹配神经元对应的辅助神经元确定所述待检测数据的异常度。其中，辅助神经元包括第一辅助神经元，所述第一辅助神经元是根据所述待检测数据中第一距离不小于最优匹配神经元半径的数据子集确定的，第一距离为所述待检测数据到最优匹配神经元的距离。根据本发明的数据异常检测方法、装置及设备可提高检测的准确率。

技术领域

本发明涉及物联网领域。更具体地，本发明涉及一种应用于物联网边缘的数据异常检测方法、装置及设备。

背景技术

数据异常检测是以数据为驱动的物联网领域的重要研究方向之一。在物联网中，传感器采集的数据通常会首先在网关一侧汇集，然后由网关进一步向云端传送，最终用以进行以数据分析为基础的商业智能挖掘。显然，如果能在网关发出数据之前辨识出数据中的异常，避免异常数据流向云端，那么将有助于云端进行更准确的业务分析，也将大大减少云端的业务负担。

然而，由于在物联网边缘，尤其是终端传感器节点设备，通常不具备很好的硬件资源配置，这些设备在处理本身业务的同时，额外进行数据异常检测是有一定难度的。

为了解决这个问题，现有技术大多采用基于统计特征的“控制图”方法或者基于数据挖掘的“先训练，后部署”的方法。

“控制图”方法是基于待检测数据的统计特征对异常点进行估计的方法。该方法虽然算法较为轻量并且易于部署在物联网边缘，但是无法挖掘多变量序列之间的关联，因而对于物联网领域丰富多变的数据源难以表现出较优的检测效果，从而使得数据异常检测的精确性不高。

基于数据挖掘的“先训练，后部署”的方法遵循机器学习的理念，虽然可以通过收集大量数据进行模型训练，并将训练好的模型部署于设备之中，使得设备具有模式识别能力，但是，其部署后的模型无法应对数据模式的改变。如果数据的模式发生变化，那么先前部署的模型可能会过时。在这种情况下，新一轮的训练必须从头开始，以弥补训练与现实之间的差距。也就是说，只有通过不断迭代地完成“先从头训练，后部署”的过程，才能够避免所部署的模型“过时”。这不仅耗费精力，而且总是存在滞后的错误。一旦模型更新不及时，就有可能对实际应用中的数据模式发生误判。

发明内容

本发明的示例性实施例在于提供一种数据异常检测方法、装置及设备，以解决传统的数据异常检测方法无法应对数据模式的改变、模型更新不及时、数据异常检测的精确性不高的问题。

根据本发明的示例性实施例，提供一种数据异常检测方法，包括：在预先确定的检测模型每一深度包括的神经元中，确定待检测数据的最优匹配神经元；计算每一个最优匹配神经元对应的辅助神经元，所述辅助神经元包括第一辅助神经元，所述第一辅助神经元是根据所述待检测数据中第一距离不小于最优匹配神经元半径的数据子集确定的，其中，所述第一距离为所述待检测数据到所述最优匹配神经元的距离；根据每一个最优匹配神经元对应的辅助神经元确定所述待检测数据的异常度。所述方法通过使用辅助神经元，提高了检测的准确率。

可选地，所述辅助神经元还包括第二辅助神经元，所述第二辅助神经元是根据对应的最优匹配神经元的训练数据子集，以及所述待检测数据中所述第一距离小于所述最优匹配神经元半径的数据子集确定的，从而可提高检测的准确率。

可选地，计算每一个最优匹配神经元对应的辅助神经元的步骤包括：根据所述第一距离和所述最优匹配神经元半径，确定所述最优匹配神经元的第一数据子集和第二数据子集；根据所述第一数据子集和所述第二数据子集，确定所述第一辅助神经元和所述第二辅助神经元。这样，可快速、准确地得到第一辅助神经元和所述第二辅助神经元。