[发明专利]一种基于时间卷积网络的序列异常检测方法及系统

说明书

本发明公开一种基于时间卷积网络的序列异常检测方法及系统，包括：基于因果卷积层、膨胀卷积层和残差连接模块构建时间卷积网络；采用时间卷积网络对原始数据序列进行重构得到重建序列，根据重建序列中每个点的异常评分设置异常阈值；根据候选时间步长内的异常点数得到候选时间步长的异常密度，根据异常密度在候选时间步长内选取异常检测时间步长；根据异常检测时间步长选择集体异常检测或点异常检测的异常检测类型，并根据异常检测时间步长内的总异常评分与异常阈值的比较结果，得到集体异常或点异常的异常检测结果。是一种通过时间步长timestep参数实现集体异常检测和点异常检测切换的泛化系统，具有较高的检测效率和准确性。

技术领域

本发明涉及序列异常检测技术领域，特别是涉及一种基于时间卷积网络的序列异常检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

异常检测是一种识别异常和挖掘不合逻辑数据的技术，广泛应用于欺诈检测、网络入侵检测、医疗异常检测等领域。根据异常数据类型，异常检测可分为三类：点异常检测、上下文异常检测和集体异常检测。集体异常和点异常通常发生在时间序列中，虽然这些异常可以通过隔离林(Isolation Forest)和一类支持向量机(One-Class Support VectorMachine)等几种经典异常检测方法进行检测，但由于这些方法只关注当前数据而非历史数据，因此被认为不够有效，换言之，这些方法未能考虑异常数据的时间性质。

近年来，一些用于时间序列异常检测的深度学习系统得到了研究和报道，可以显著提高异常检测的有效性，这些深度学习的方法大多只关注基于循环神经网络(RNN)的系统，如长短期记忆网络(LSTM)和门控循环单元神经网络(GRU)，而不是基于卷积神经网络的系统(CNN)或集成系统，目前很少有一种既可以检测集体异常又可检测点集异常的泛化异常检测系统。

综上所述，传统深度学习方法不能考虑历史序列的问题以及异常检测泛化系统尚缺乏解决办法。

发明内容

为了解决上述问题，本发明提出了一种基于时间卷积网络的序列异常检测方法及系统，是一种通过时间步长timestep参数实现集体异常检测和点异常检测切换的泛化系统，具有较高的检测效率和准确性。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于时间卷积网络的序列异常检测方法，包括：

基于因果卷积层、膨胀卷积层和残差连接模块构建时间卷积网络；

采用时间卷积网络对原始数据序列进行重构得到重建序列，根据重建序列中每个点的异常评分设置异常阈值；

根据候选时间步长内的异常点数得到候选时间步长的异常密度，根据异常密度在候选时间步长内选取异常检测时间步长；

根据异常检测时间步长选择集体异常检测或点异常检测的异常检测类型，并根据异常检测时间步长内的总异常评分与异常阈值的比较结果，得到集体异常或点异常的异常检测结果。

第二方面，本发明提供一种基于时间卷积网络的序列异常检测系统，包括：

网络构建模块，被配置为基于因果卷积层、膨胀卷积层和残差连接模块构建时间卷积网络；

序列重建模块，被配置为采用时间卷积网络对原始数据序列进行重构得到重建序列，根据重建序列中每个点的异常评分设置异常阈值；

时间步长选取模块，被配置为根据候选时间步长内的异常点数得到候选时间步长的异常密度，根据异常密度在候选时间步长内选取异常检测时间步长；

异常检测模块，被配置为根据异常检测时间步长选择集体异常检测或点异常检测的异常检测类型，并根据异常检测时间步长内的总异常评分与异常阈值的比较结果，得到集体异常或点异常的异常检测结果。