[发明专利]序列异常检测方法、装置、电子设备和可读介质

说明书

本公开提供了一种序列异常检测方法、装置、电子设备和可读介质，其中，异常序列检测方法包括：将待测序列转换为图像，得到待测序列图像；基于卷积神经网络，获取待测序列图像的第一局部区域；基于选择性搜索算法，获取待测序列图像的第二局部区域；将第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet，得到待测序列的分类结果，其中，分类结果为正常序列或异常序列。本公开先将待测序列转换成图片，采用弱监督学习方式和注意力机制，通过定位和识别完成对待测序列的异常检测，利用异常序列和正常序列在视觉上的显著特征，而不需要考虑异常序列和正常序列在统计上的差异性，从而更加准确的检测出异常的序列。

技术领域

本公开涉及数据分析和计算机视觉技术领域，尤其涉及一种序列异常检测方法、装置、电子设备和可读介质。

背景技术

非平稳序列是包含趋势、季节性或周期性的时间序列。非平稳序列的异常检测则是发现不符合上述趋势、周期性的异常波动，比如在运维领域中，分析关键绩效指标(KeyPerformance Indicator，KPI)及时发现系统异常、分析网络流量及时发现网络故障等，对于保障系统的可靠性和稳定性有着重大的意义。

现有技术在对非稳定序列的异常检测时，通常是建立在统计模型的基础上，往往会出现异常数据不敏感、异常数据判别的“阈值”或“极限值”局限大和异常数据的场景覆盖小等问题，难以找到一个通用的算法解决大部分异常检测问题，并且检测的准确率也不高，异常数据很容易“淹没”在海量的正常数据中。

基于此，如何提高非平稳序列异常检测方法的适用性和异常检测的准确率成为了亟需解决的技术问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种序列异常检测方法、装置、电子设备及存储介质，至少在一定程度上克服由于相关技术中序列异常检测方法适用范围小和准确性低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种序列异常检测方法，包括：将待测序列转换为图像，得到待测序列图像；基于卷积神经网络，获取所述待测序列图像的第一局部区域；基于选择性搜索算法，获取所述待测序列图像的第二局部区域；将所述第一局部区域和第二局部区域输入至预先训练好的分类网络VGGnet，得到所述待测序列的分类结果，其中，所述分类结果为正常序列或异常序列。

在本公开的一个实施例中，在所述将待测序列转换为图像之前，所述方法还包括：对所述待测序列进行滑动平均值滤波处理，具体包括：将连续的N个采样值作为一个队列，队列长度固定为N；每采集到一个新的数据时，将采集到的新数据放到队尾，并将队首的数据丢弃；将队列中的N个数据进行算术平均运算，得到所述待测序列。

在本公开的一个实施例中，所述待测序列为周期性时间序列。

在本公开的一个实施例中，所述基于卷积神经网络，获取所述待测序列图像的第一局部区域，包括：利用卷积神经网络中特征映射生成所述待测序列图像的得分图，其中，所述得分图由第一卷积层、第二卷积层和空间softmax层组成；所述第一卷积层利用64个3×3的内核和所述第二卷积层利用1个3×3的内核，生成一个单通道的置信图；所述空间softmax层作用于所述置信图，将置信得分转化为区域概率；将区域概率超过预设区域概率的区域作为所述待测序列图像的第一局部区域，获取所述待测序列图像的第一局部区域。

在本公开的一个实施例中，在所述将待测序列转换为图像之后，所述方法还包括：基于图像算法，生成所述待测序列转换成为的图像的图像金字塔；在所述图像金子塔中，选取分辨率最高的图像作为所述待测序列图像。