[发明专利]用于异常检测的模型选择和参数估计

说明书

本公开提供了用于实现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。可以生成与当前数据点相对应的数据段的特征表示。可以基于所述特征表示，从一组候选异常检测模型中选择异常检测模型。可以估计与所选择的异常检测模型相关联的参数集合。可以利用所选择的异常检测模型和所估计的参数集合对所述当前数据点执行异常检测。

背景技术

异常检测可以发现时序数据(time-series data)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构思，这组构思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。

本公开的实施例提供了用于实现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。可以生成与当前数据点相对应的数据段的特征表示。可以基于所述特征表示，从一组候选异常检测模型中选择异常检测模型。可以估计与所选择的异常检测模型相关联的参数集合。可以利用所选择的异常检测模型和所估计的参数集合对所述当前数据点执行异常检测。

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示出了根据本公开实施例的用于实现异常检测的示例性过程。

图2示出了根据本公开实施例的用于特征生成的示例性过程。

图3示出了根据本公开实施例的用于特征生成的另一示例性过程。

图4示出了根据本公开实施例的用于训练主分类器和主估计器的示例性过程。

图5示出了根据本公开实施例的用于异常检测结果调节的示例性过程。

图6示出了根据本公开实施例的用于异常检测结果调节的示例性用户界面。

图7是根据本公开实施例的用于实现异常检测的示例性方法的流程图。

图8示出了根据本公开实施例的用于实现异常检测的示例性装置。

图9示出了根据本公开实施例的用于实现异常检测的示例性装置。

具体实施方式

现在将参考若干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。

通常采用异常检测模型来对时序数据执行异常检测。现有的异常检测模型可以分为基于统计方式的模型、基于监督方式的模型、基于非监督方式的模型等。基于统计方式的模型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。基于监督方式的模型具有较高的准确性，但由于其依赖于大量连续标记的数据而难以适应线上应用。基于非监督方式的模型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点，但其是耗时的或参数敏感的。