[发明专利]一种高维度特性下的物联网时间序列异常检测方法及系统

说明书

本发明公开了一种高维度特性下的物联网时间序列异常检测方法及系统，该方法包括：对待测多维时间序列数据进行预处理，得到窗口序列数据；通过图注意力机制对窗口序列数据进行度量依赖特征提取，得到度量依赖特征矩阵；通过一维卷积层对窗口序列数据和度量依赖特征矩阵进行特征融合，得到融合后的特征矩阵；通过训练好的自动编码器模型对融合后的特征矩阵进行数据重建，得到重建序列数据；基于窗口序列数据和重建序列数据计算异常得分；判断异常得分是否大于预设异常阈值，从而判断待测多维时间序列数据是否异常。本发明通过改进的对抗性transformer结构作为自动编码器模型，能准确进行数据重建，识别出时间序列的微小异常，提高了异常检测精度。

技术领域

本发明涉及时间序列异常检测技术领域，特别是涉及一种高维度特性下的物联网时间序列异常检测方法及系统。

背景技术

时间序列在现实世界中是一种非常重要的数据格式，现实世界中很多系统所产生的数据的格式都是时间序列。这些系统都是每时每刻连续工作的，它们产生的数据都可以表示为时间序列。比如服务器产生的利用率、吞吐量等，航天设备产生的遥测数据，电网系统、安防系统以及水处理系统等产生的传感数据都是时间序列这一格式。针对产生的时间序列数据，我们期望能够从其中挖掘出一些可能的故障，帮助我们排除一些潜在的危险，保证系统的稳定性，减少经济损失。时间序列异常检测技术是迫切需要的一种技术，在网络入侵检测、故障检测、工业异常检测、物联网大数据异常检测、疾病检测和金融行业的反欺诈、信用卡诈骗检测等方向具有重要的应用价值和广泛的应用前景。

最常见的异常类型分为三种：点异常、上下文异常和集合异常。针对这些异常，现有的时间序列异常检测技术主要分为三大类：基于统计方法的时间序列异常检测、基于机器学习的时间序列异常检测和基于深度学习的时间序列异常检测。

基于统计方法的时间序列异常检测技术，其有效性高度依赖于对给定数据所做的统计模型的假设是否成立。随着互联网和物联网等不断地发展，产生的时间序列数据的规模和复杂性呈指数级增长，具有强时序性和高动态性，使用统计学习方法并不能够捕获数据中的动态复杂性，检测效果太差，误报率太高。

基于机器学习的时间序列异常检测方法包括无监督的时间序列异常检测技术和半监督的时间序列异常检测技术。不论有监督情况下，还是无监督情况下，都是对单个数据样本进行考虑，这自然而然地割裂了数据固有的时间联系，导致检测效果不佳。

基于深度学习的时间序列异常检测主要包括两大类：基于预测的时间序列异常检测和基于重建的时间序列异常检测。基于预测的时间序列异常检测模型更专注于对下一时间戳的数据实例进行预测，但在复杂的现实世界的系统中，大多数数据是不可预测的，因而检测效果并不好。基于重建模型的时间序列异常检测通过重建原始输入来学习整个时间序列的表示，由于在训练阶段只通过正常数据训练，所以异常的数据表示并不能被很好的学习而重建。

因此，在考虑时间联系和变量间联系的情况下，如何准确地进行数据重建，识别时间序列的微小异常，成为当下亟待解决的问题。

发明内容

本发明的目的是提供一种高维度特性下的物联网时间序列异常检测方法及系统，用以准确地进行数据重建，识别时间序列的微小异常，提高时间序列异常检测精度。

为实现上述目的，本发明提供了如下方案：

一种高维度特性下的物联网时间序列异常检测方法，所述方法包括：

对待测多维时间序列数据进行预处理，得到窗口序列数据；

通过图注意力机制对所述窗口序列数据进行度量依赖特征提取，得到度量依赖特征矩阵；

通过一维卷积层对所述窗口序列数据和所述度量依赖特征矩阵进行特征融合，得到融合后的特征矩阵；

通过训练好的自动编码器模型对所述融合后的特征矩阵进行数据重建，得到重建序列数据；所述自动编码器模型为改进的transformer模型；