[发明专利]一种基于对抗自编码器的混合异常检测方法

说明书

本发明公开了一种基于对抗自编码器的混合异常检测方法，首先，对对抗自编码器模型进行改进，并利用改进后的所述对抗自编码器模型提取加噪输入数据特征；接着，对提取的两种特征进行加权融合处理；然后，将融合得到的融合特征向量作为训练数据，利用集成学习的方式集成训练ifroest分类器、LOF分类器和K‑means分类器，得到检测分类器；最后，利用改进后的所述对抗自编码器模型提取测试集中的两组特征向量，并将两组所述特征向量融合后输入所述检测分类器，得到异常检测结果。相比于现有的技术，本发明利用对抗自编码器与传统异常检测方法相结合，能够更加准确地对数据集进行异常检测，提高异常检测的准确率。

技术领域

本发明涉及异常检测技术领域，尤其涉及一种基于对抗自编码器的混合异常检测方法。

背景技术

异常点被定义为一个显著不同于其他数据分布的数据对象，通过分析异常点数据分布特征，可以从海量数据中挖掘异常信息、提取兴趣模式等。因此异常点检测(outlierdetection)成为数据挖掘领域的研究热点之一。传统异常点的检测方法众多，主要考虑检测过程中的时间性能和准确性能。然而，随着云计算、大数据技术的发展，传统通过单一节点计算方式挖掘异常节点信息已经无法满足日益增长的数据计算需求。以深度学习技术为代表的人工智能技术为异常点检测提供了新的研究方向。

目前，通过深度学习方法相结合构造混合模型的方法在近年不断应用于实际场景。因其无须对模型提前训练的特点，因此属于高性价比的方法。但是，对于复杂高维度的数据，该类方法也很难捕捉到数据的内在属性，另外，当用AE降维时，维度降低的程度对最终结果影响很大，需要反复调参，降低了异常检测的准确率。

发明内容

本发明的目的在于提供一种基于对抗自编码器的混合异常检测方法，提高异常检测的准确率。

为实现上述目的，本发明提供了一种基于对抗自编码器的混合异常检测方法，包括以下步骤：

对对抗自编码器模型进行改进，并利用改进后的所述对抗自编码器模型提取加噪输入数据特征；

对提取出来的两组特征性向量进行加权融合，得到融合特征向量；

将所述融合特征向量作为训练数据，利用集成学习的方式集成训练ifroest分类器、LOF分类器和K-means分类器，得到检测分类器；

利用改进后的所述对抗自编码器模型提取测试集中的两组特征向量，并将两组所述特征向量融合后输入所述检测分类器，得到异常检测结果。

其中，对对抗自编码器模型进行改进，并利用改进后的所述对抗自编码器模型提取加噪输入数据特征，包括：

将LeakyReLU函数和Tanh函数作为对抗自编码器模型中的两个编码器中的第一至第三层卷积层和第四层卷积层的激活函数，并将生成器与第一编码器组成自编码器，以及对判别器的激活函数和映射函数进行改进；

将获取的数据集进行归一化处理，并将划分出的训练集进行加噪处理；

对改进后的所述对抗自编码器模型进行训练，提取出所述训练集的两组特征。

其中，对改进后的所述对抗自编码器模型进行训练，提取出所述训练集的两组特征，包括：

将加噪后的所述训练集输入改进后的所述对抗自编码器模型中，利用第一编码器进行特征提取，并利用所述生成器将提取出的第一组特征向量作为输入，重构所述训练集；

利用第二编码器对重构后的所述训练集进行特征提取，得到第二组特征向量。

其中，对提取出来的两组特征性向量进行加权融合，得到融合特征向量，包括：

将所述第一组特征向量与加权系数相乘，并将所述第二组特征向量与1减去所述加权系数相乘，然后将两个乘积相加，结合对应的标签，得到对应的融合特征向量。