[发明专利]定制化异常检测

说明书

本公开提供了用于实现定制化异常检测的方法和装置。可以获得包括多个数据点的时序数据。可以利用异常检测模型对所述时序数据执行异常检测。可以接收与所述时序数据中的至少一个数据点的异常检测结果相关联的反馈。可以通过强化学习，至少基于所述反馈来更新所述异常检测模型。

背景技术

异常检测可以发现时序(time series)数据中的异常的或不期望的事件。在本文中，时序数据指按时间顺序记录的数据序列，该数据序列中的数据点反映了特定现象、指标、事物等随时间变化的状态或程度。异常检测被广泛地实施在众多工业应用中，并且是数据挖掘中的重要研究领域。准确的异常检测可以触发快速的故障排除、帮助避免收入损失、维护运营实体的声誉和品牌等。很多大型公司构建了其自己的异常检测系统，以监视其商业、产品、服务等的健康性。例如，互联网公司可以通过异常检测系统来实时地监视其应用和服务的各种度量值，如页面浏览、销售收入等。异常检测系统可以持续地监视时序数据，并且针对潜在的事件及时地发出警告。当管理者或用户接收到关于事件的警告时，其可以及时地做出针对该事件的决策。

发明内容

提供本发明内容以便介绍一组概念，这组概念将在以下的具体实施方式中做进一步描述。本发明内容并非旨在标识所保护主题的关键特征或必要特征，也不旨在用于限制所保护主题的范围。

本公开的实施例提出了用于实现定制化异常检测的方法和装置。可以获得包括多个数据点的时序数据。可以利用异常检测模型对所述时序数据执行异常检测。可以接收与所述时序数据中的至少一个数据点的异常检测结果相关联的反馈。可以通过强化学习，至少基于所述反馈来更新所述异常检测模型。

应当注意，以上一个或多个方面包括以下详细描述以及权利要求中具体指出的特征。下面的说明书及附图详细提出了所述一个或多个方面的某些说明性特征。这些特征仅仅指示可以实施各个方面的原理的多种方式，并且本公开旨在包括所有这些方面和其等同变换。

附图说明

以下将结合附图描述所公开的多个方面，这些附图被提供用以说明而非限制所公开的多个方面。

图1示出了根据实施例的执行定制化异常检测的示例性过程。

图2示出了根据实施例的反馈机制的示例性用户界面。

图3示出了根据实施例的用于定制化异常检测的示例性强化学习过程。

图4示出了根据实施例的用于实现定制化异常检测的示例性过程。

图5示出了根据实施例的策略网络的示例性工作过程。

图6示出了根据实施例的用于实现定制化异常检测的示例性方法的流程图。

图7示出了根据实施例的用于实现定制化异常检测的示例性装置。

图8示出了根据实施例的用于实现定制化异常检测的示例性装置。

具体实施方式

现在将参考多种示例性实施方式来讨论本公开。应当理解，这些实施方式的讨论仅仅用于使得本领域技术人员能够更好地理解并从而实施本公开的实施例，而并非教导对本公开的范围的任何限制。

现有的异常检测技术可以分为统计方式、监督方式、非监督方式等。基于统计方式的异常检测可以包括例如假设检验(hypothesis testing)模型、小波分析模型、奇异值分解(SVD)模型、自回归整合移动平均(ARIMA)模型、快速傅里叶变换(FFT)模型等。基于统计方式的异常检测可以被容易地在线上采用，但是其对工业应用而言准确性不足。基于监督方式的异常检测具有较高的准确性。然而，由于在工业环境中难以获得具有大量连续标记的数据，因此，基于监督方式的异常检测难以适应线上应用。基于非监督方式的异常检测可以重构正常时序数据的概率，并且当重构误差大于阈值时报告异常数据点。然而，基于非监督方式的异常检测是耗时的或参数敏感的。