[发明专利]一种基于状态融合的时序异常检测方法

权利要求书

1.一种基于状态融合的时序异常检测方法，其特征在于，包括以下步骤：

S1：收集待检测时序数据并对其进行预处理，得到时序数据X_T及其对应的标签Y_T；

S2：将经过预处理的时序数据X_T输入语义分析网络MarkNet中，生成标记序列S_T；所述语义分析网络MarkNet包括依次连接的LSTM神经网络模块、全连接层结构、softmax函数层；

其中，生成标记序列S_T的具体步骤包括：

将经过预处理的时序数据X_T输入语义分析网络MarkNet的LSTM神经网络模块中，所述LSTM神经网络模块对输入的时序数据X_T进行数据处理，得到隐藏状态h_t和内部记忆状态c_t；其中，经过预处理的时序数据X_T及其对应的标签数据Y_T的表达公式为：

X_T＝{x₁,x₂,...,x_T},x_t∈R^m,t＝1,2,...,T

Y_T＝{y₁,y₂,...,y_T},y_t∈{0,1},t＝1,2,...,T

式中，x_t表示输入的时序数据X_T中t时刻的数据，T为时序数据的长度；Y_T为时序数据X_T的标签，y_t表示数据x_t对应的标签；LSTM神经网络模块的计算公式如下：

(h_t,c_t)＝f_lstm(x_t-1,h_t-1,c_t-1)

将所述隐藏状态h_t输入全连接层结构中产生一个n+1维的输出，再经过softmax函数层得到预测概率分布，根据所述预测概率分布得到由输出s_t构成的标记序列S_T，其表达公式如下：

s_t＝f_dense(h_t)

S_T＝{s₁,s₂,...,s_T},s∈L＝{l₁,l₂,...,l_n,φ}

式中，L为标记集合，L中包含n个非空语义标记l以及1个空语义标记φ；

S3：将所述标记序列S_T输入MeM模块中进行状态融合分析，生成标记序列S_U；所述MeM模块用于采用联结主义分类方法对输入的标记序列S_T进行状态融合分析；

生成标记序列S_U的步骤包括：将所述标记序列S_T输入MeM模块中进行状态融合分析，所述MeM模块将相邻的、连续的且长度不超过w的相同标记元素段去重，合并为新的元素段，对于空语义标记φ则直接去除，得到一个包含T时刻内经过信息精炼的标记序列S_U；其表达公式如下：

S_U＝MeM(S_T,w)

式中，w表示MeM模块控制融合数量的参数；

S4：将所述标记序列S_U输入异常监测网络DetectNet中进行异常检测，得到置信度P(X_T)，将所述置信度P(X_T)与预设的对比阈值ε进行比较，当置信度P(X_T)大于预设的对比阈值ε时，则输出检测结果为异常，否则输出检测结果为正常。

2.根据权利要求1所述的基于状态融合的时序异常检测方法，其特征在于，对所述待检测时序数据进行预处理的步骤包括去噪声和归一化处理。