[发明专利]基于设备指标数据的异常检测方法及相关设备

权利要求书

1.一种基于设备指标数据的异常检测方法，其特征在于，所述方法包括：

当接收到针对设备指标数据进行异常检测的指令时，获取所述设备指标数据对应的目标时间序列数据，其中，所述目标时间序列数据包括一段连续的时间点和所述时间点对应的设备指标数据；

使用训练好的一维卷积神经网络模型对所述目标时间序列数据进行特征提取，获得所述目标时间序列数据的曲线特征，其中，所述一维卷积神经网络模型是通过三元组算法训练完成，所述曲线特征为设备指标数据随着时间而变化形成的曲线的特征；

根据预先训练好的长短期记忆网络模型，确定所述目标时间序列数据的可疑分类特征；

根据所述可疑分类特征，确定所述目标时间序列数据的残差特征；

使用预先训练好的编码器模型，获取所述目标时间序列数据的降维特征；

获取所述目标时间序列数据的基础特征；

将所述曲线特征、所述可疑分类特征、所述残差特征、所述降维特征以及所述基础特征输入至预先训练好的异常检测模型中，获得所述设备指标数据的异常检测结果。

2.根据权利要求1所述的方法，其特征在于，所述使用训练好的一维卷积神经网络模型对所述目标时间序列数据进行特征提取，获得所述目标时间序列数据的曲线特征之前，所述方法还包括：

获取设备指标数据对应的多组历史时间序列数据；

根据所述多组历史时间序列数据，确定多条时间序列曲线，其中，所述多条时间序列曲线与所述多组历史时间序列数据一一对应；

通过相似度算法，确定所述多条时间序列曲线中任意相邻的两条所述时间序列曲线之间的基于形状的距离；

将多个所述基于形状的距离映射为所述多条时间序列曲线之间的多个相似度；

根据所述多条时间序列曲线之间的多个相似度，确定多个训练样本；

使用三元组算法以及所述多个训练样本进行训练，获得训练好的一维卷积神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述使用三元组算法以及所述多个训练样本进行训练，获得训练好的一维卷积神经网络模型包括：

将所述多个训练样本的第一时间序列曲线、第二时间序列曲线以及第三时间序列曲线依次输入至初始一维卷积神经网络模型中，获得第一向量、第二向量以及第三向量；

使用三元组算法对所述第一向量、所述第二向量以及所述第三向量进行损失计算，获得损失值；

根据所述损失值，更新所述初始一维卷积神经网络模型的网络参数，获得训练好的一维卷积神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述根据预先训练好的长短期记忆网络模型，确定所述目标时间序列数据的可疑分类特征包括：

将所述目标时间序列数据中最晚时间点之前的数据输入至长短期记忆网络中，获得与所述最晚时间点对应的预测数据；

计算所述预测数据与所述目标时间序列数据中最晚时间点的数据的差值；

将所述差值对应的绝对值确定为可疑分类特征。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述可疑分类特征，确定所述目标时间序列数据的残差特征包括：

确定所述目标时间序列数据的标准差；

根据所述可疑分类特征以及所述标准差，确定残差特征。

6.根据权利要求1至4中任一项所述的方法，其特征在于，所述基础特征包括基础统计特征、分位数指标统计特征、数据分布特征以及数据混乱程度对应的熵特征。

7.根据权利要求1至4中任一项所述的方法，其特征在于，每个所述训练样本包括第一时间序列曲线，第二时间序列曲线以及第三时间序列曲线，其中，所述第一时间序列曲线与所述第二时间序列曲线的相似度大于预设相似度，所述第一时间序列曲线与所述第三时间序列曲线的相似度属于预设相似度区间。