[发明专利]一种基于贝叶斯网络的异常路径分析方法

权利要求书

1.一种基于贝叶斯网络结构的数据异常路径分析算法，其特征在于，主要包括如下步骤：

步骤1：从数据中学习贝叶斯网络结构；

步骤2：将数据流与贝叶斯网络结构节点一一对应输入；

步骤3：对贝叶斯网络结构中的节点进行异常检测识别，并给出异常程度分值；

步骤4：对贝叶斯网络中连通的异常路径进行求和，给出其中最大的一条或几条可能的异常传播路径。

2.根据权利要求1所述的基于贝叶斯网络结构的数据异常路径分析算法，其特征在于，在数据流的接入过程中，数据流中的每个维度与贝叶斯网络结构中的每一个节点一一对应。

3.根据权利要求1所述的基于贝叶斯网络结构的数据异常路径分析算法，其特征在于，在异常检测识别过程中，异常检测的目标是对流入到贝叶斯网络结构中的每个节点进行异常识别并给出异常评分值；该阶段采用滑动窗口方法，保存T大小时刻的网络结构数据状态。

4.根据权利要求1所述的基于贝叶斯网络结构的数据异常路径分析算法，其特征在于，在异常传播路径过程中，最大的异常路径输出包括：针对时刻t下的数据，在进行异常检测后，每个节点均保存着当前时刻的异常评分值；当存在异常点时，在贝叶斯网络中搜索异常评分值和最大的异常路径并作为结果输出。

5.根据权利要求1所述的基于贝叶斯网络结构的数据异常路径分析算法，其特征在于，异常检测识别的具体流程如下：

假设贝叶斯网络结构中某一节点对应实时数据流D_t记为其中以x_t为该节点在时刻t时的数据；设置时间窗口T,并保持T个时刻状态下的贝叶斯网络；

对这T个时刻下的数据进行波动异常检测，并对异常程度给出评分。此时我们利用方差变化值进行异常的评分；

首先设置长度为T的滑动窗口，依次计算待检测数据在窗口中的方差统计值；

再计算相邻两滑动窗口中的方差差值作为当前数据到来后整体方差的变化值，并将其作为异常程度评分；

在整体数据集中而部分数据偏离时，对偏离数据的变化十分敏感，即当在离散程度较小的数据中加入一个较为偏离的数据时，整体的方差会骤然增大；

步骤4：当出现异常数据时，计算当前贝叶斯网络结构下，最大得分的异常路径，并将路径进行输出。