[发明专利]一种基于云网端资源中不完整时间序列的异常检测方法

权利要求书

1.一种基于云网端资源中不完整时间序列的异常检测方法，其特征在于，包括：

使用滑窗采样方法将带有缺失的云网端时间序列原始数据进行切片，得到时间序列样本，对所述时间序列样本进行预处理操作；

构建深度学习网络模型，将经过预处理操作的时间序列样本分为训练样本集和测试样本集，所述训练样本集输入所述深度学习网络模型中完成模型训练，所述测试样本集进行模型异常检测测试，得到异常检测结果。

2.根据权利要求1所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，对所述时间序列样本进行预处理的过程包括数据归一化和数据分片，所述数据归一化用于将数据的值域范围限定在一个公共区域内，不改变时间序列数据的特征；所述数据分片用于通过使用滑动窗口的方法，将所述时间序列数据分为若干相同长度的样本。

3.根据权利要求1所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，所述深度学习网络模型中包括基于循环神经网络RNN的序列自编码器G_rnn和缺失值鉴别器D_check，所述序列自编码器G_rnn用于对原始数据进行自编码，插补数据缺失值并得到自编码映射后的数据；所述缺失值鉴别器D_check用于预测插补数据中的原有缺失项，将预测缺失分布与原缺失分布对比。

4.根据权利要求3所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，将所述训练样本集输入所述基于循环神经网络RNN的序列自编码器G_rnn和缺失值鉴别器D_check中进行训练，训练过程交替进行，所述训练过程包括：

先将所述序列自编码器G_rnn固定，根据序列自编码器G_rnn对训练集的重构结果通过最小化缺失值预测损失函数，基于所述损失函数训练所述缺失值鉴别器D_check，再将缺失值鉴别器D_check固定，根据缺失值鉴别器D_check对G_rnn对训练集的重构结果的预测值通过最大化缺失值预测损失函数训练序列自编码器G_rnn，经过反复的迭代对抗最终达到均衡状态。

5.根据权利要求4所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，所述缺失值鉴别器D_check由三层全连接层与三层激活层组成；所述序列自编码器G_rnn的编码器部分和解码器部分分别由一层长短期记忆人工神经网络LSTM、一层全连接层、一层激活层构成，所述序列自编码器网络G_rnn与所述缺失值鉴别器D_check形成对抗。

6.根据权利要求5所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，训练所述缺失值鉴别器D_check的过程包括：

输入时间序列样本数据，包括提示序列R和输入所述序列自编码器G_rnn得到的编码结果；

通过所述序列自编码器G_rnn输出重构序列G_rnn(X，M)，记为将所述编码结果与原始时间序列样本数据根据缺失点相加，得到其中X指原始时间序列样本，指将插补到X补全后的结果，M指缺失标签；

将与R输入所述缺失值鉴别器，得到结果指将原始样本补全后的结果，指缺失值鉴别器D_check预测得到的缺失标签，R指通过缺失标签得到的提示矩阵；使用结果对D_check的损失函数进行定义，并通过最小化所述损失函数对所述缺失值鉴别器网络进行训练。

7.根据权利要求5所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，所述序列自编码器G_rnn的训练过程是对目标进行优化的过程，其中，优化目标包括：最小化自编码器的重构误差和最大化缺失值鉴别器D_check的预测误差。

8.根据权利要求1所述的基于云网端资源中不完整时间序列的异常检测方法，其特征在于，所述进行模型异常检测测试的过程包括：

对数据中的测试集进行编码并确定数据异常的上下界作为异常阈值，基于所述阈值将测试样本集中的数据分为正常数据点和异常数据点；

将所述测试集样本输入序列自编码器中G_rnn，得到重构序列；通过所述重构序列和原序列非缺失部分的距离判断所述测试样本集中的数据是否异常。