CN110084255A - 异常数据的检测方法和装置 - Google Patents

异常数据的检测方法和装置 Download PDF

Info

Publication number
CN110084255A
CN110084255A CN201810073057.2A CN201810073057A CN110084255A CN 110084255 A CN110084255 A CN 110084255A CN 201810073057 A CN201810073057 A CN 201810073057A CN 110084255 A CN110084255 A CN 110084255A
Authority
CN
China
Prior art keywords
data
confidence network
depth confidence
tested
dimensionality reduction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810073057.2A
Other languages
English (en)
Inventor
徐邵稀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810073057.2A priority Critical patent/CN110084255A/zh
Publication of CN110084255A publication Critical patent/CN110084255A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种异常数据的检测方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。该实施方式能够提高异常数据判定的准确率。

Description

异常数据的检测方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种异常数据的检测方法和装置。
背景技术
在现有的面向海量数据的异常检测系统中，待检测数据数量庞大，特征维度极高(往往高达数千个维度)，这使数据检索工作量指数级增长，且增加检测模型的训练耗时。同时，待检测数据中的数据噪声也严重影响系统性能。
实际应用中，由于各种有监督学习的神经网络需要耗费大量精力获取标注数据进行模型训练，因此在现有的异常检测系统中，一般使用无监督学习的深度置信网络DBN(Deep Belief Network)作为检测模型。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
1.单独使用深度神经网络作为检测模型，其异常数据判定的准确率较低。
2.在现有的异常检测系统中，深度置信网络输入层每一节点的节点值均服从高斯分布，可赋值为任何实数。但在具体应用中，待检测数据的取值范围往往仅为0或1。例如：某待检测数据的各维度为：“是否为生鲜类”、“是否为图书类”、“是否为电脑类”......。在这种情况下，现有的深度置信网络无法拟合待检测数据的二值特性，由此对异常检测性能带来不利影响。
发明内容
有鉴于此，本发明实施例提供一种异常数据的检测方法和装置，通过建立输入层节点服从伯努利分布的深度置信网络对待检测数据进行降维，并将降维数据输入长于异常检测的支持向量机以获取检测结果，从而提高异常数据的判定准确率。
为实现上述目的，根据本发明的一个方面，提供了一种异常数据的检测方法。
本发明实施例的异常数据的检测方法包括：将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。
可选地，所述深度置信网络由多个受限玻尔兹曼机堆叠而成包括：对于所述深度置信网络中任意两个相邻的受限玻尔兹曼机：处于底端的受限玻尔兹曼机的输出层作为处于顶端的受限玻尔兹曼机的输入层；以及，处于所述深度置信网络最顶端的受限玻尔兹曼机的输出层为所述深度置信网络的输出层。
可选地，所述深度置信网络根据以下步骤进行训练：对于组成所述深度置信网络的第一个受限玻尔兹曼机模型：将训练数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于深度置信网络模型的最底端；对于组成所述深度置信网络的其它受限玻尔兹曼机模型：将当前深度置信网络模型最顶端的受限玻尔兹曼机模型的输出数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于当前深度置信网络模型的最顶端。
可选地，所述支持向量机根据以下步骤进行训练：在所述深度置信网络训练完成时，将所述训练数据在所述深度置信网络的输出数据输入待训练的支持向量机模型进行训练，得到所述支持向量机的超球面中心点和超球面半径。
可选地，所述利用所述支持向量机判断所述待检测数据是否为异常数据包括：对所述降维数据进行非线性处理，计算非线性处理后的降维数据与所述支持向量机的超球面中心点的欧式距离，在该欧式距离大于所述支持向量机的超球面半径时，将所述待检测数据确定为异常数据。
可选地，在所述待检测数据经过所述深度置信网络的每一个受限玻尔兹曼机时，其维度总数减小；所述待检测数据在每一维度的数值为0或1，所述支持向量机为一类支持向量机。
为实现上述目的，根据本发明的另一方面，提供了一种异常数据的检测装置。
本发明实施例的异常数据的检测装置可包括：降维单元，用于将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；检测单元，用于将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。
可选地，所述深度置信网络由多个受限玻尔兹曼机堆叠而成包括：对于所述深度置信网络中任意两个相邻的受限玻尔兹曼机：处于底端的受限玻尔兹曼机的输出层作为处于顶端的受限玻尔兹曼机的输入层；以及，处于所述深度置信网络最顶端的受限玻尔兹曼机的输出层为所述深度置信网络的输出层。
可选地，所述装置可进一步包括：第一训练单元，用于对于组成所述深度置信网络的第一个受限玻尔兹曼机模型：将训练数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于深度置信网络模型的最底端；对于组成所述深度置信网络的其它受限玻尔兹曼机模型：将当前深度置信网络模型最顶端的受限玻尔兹曼机模型的输出数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于当前深度置信网络模型的最顶端。
可选地，所述装置可进一步包括：第二训练单元，用于在所述深度置信网络训练完成时，将所述训练数据在所述深度置信网络的输出数据输入待训练的支持向量机模型进行训练，得到所述支持向量机的超球面中心点和超球面半径。
可选地，所述检测单元可进一步用于：对所述降维数据进行非线性处理，计算非线性处理后的降维数据与所述支持向量机的超球面中心点的欧式距离，在该欧式距离大于所述支持向量机的超球面半径时，将所述待检测数据确定为异常数据。
可选地，在所述待检测数据经过所述深度置信网络的每一个受限玻尔兹曼机时，其维度总数减小；所述待检测数据在每一维度的数值为0或1，所述支持向量机为一类支持向量机。
为实现上述目的，根据本发明的又一方面，提供了一种电子设备。
本发明的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的异常数据的检测方法。
为实现上述目的，根据本发明的再一方面，提供了一种计算机可读存储介质。
本发明的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明所提供的异常数据的检测方法。
根据本发明的技术方案，上述发明中的一个实施例具有如下优点或有益效果：通过对现有深度置信网络的输入层进行改造，使其节点服从伯努利分布，从而使输入层可拟合大量应用场景下待检测数据具有的二值特性，避免输入层结构与待检测数据分布特性不匹配对系统性能带来不利影响；利用深度置信网络善于处理高维特征的特点对待检测数据进行降维，并将降维数据输入善于异常判定的支持向量机进行最终检测，从而有效提升异常数据检测的准确率。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是根据本发明实施例的异常数据的检测方法的主要步骤示意图；
图2是根据本发明实施例的异常数据的检测方法的深度置信网络和支持向量机结构示意图；
图3是根据本发明实施例的异常数据的检测装置的主要部分示意图；
图4是根据本发明实施例可以应用于其中的示例性系统架构图；
图5是用来实现本发明实施例的异常数据的检测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本发明实施例的技术方案通过对现有深度置信网络的输入层进行改造，使其节点服从伯努利分布，从而使输入层可拟合大量应用场景下待检测数据具有的二值特性，避免因输入层结构与待检测数据分布不匹配对系统性能带来的影响；利用深度置信网络善于处理高维特征的特点对待检测数据进行降维，并将降维数据输入善于异常判定的支持向量机进行最终检测，从而有效提升异常数据检测的准确率。
需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
图1是根据本发明实施例的异常数据的检测方法的主要步骤示意图。
如图1所示，本发明实施例的异常数据的检测方法可按照以下步骤执行：
步骤S101：将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，深度置信网络输入层每一节点的节点值服从伯努利分布。
在本发明实施例中，待检测数据数量庞大，且每一待检测数据均含有多个维度。实际应用中，待检测数据含有的维度可高达数千甚至上万个，这会使检测系统的运算量呈指数级暴增以至引发维度灾难。在本步骤中，可将含有较多维度的待检测向量输入善于处理高维数据特征的深度置信网络进行降维，后续针对降维数据进行异常判定即可，从而避免维度灾难的发生，确保系统检测性能。
特别地，在实际应用场景中，大量的待检测数据的取值范围只限于0或1。例如：在待检测数据的各维度为：“是否为生鲜类”、“是否为图书类”、“是否为电脑类”......时，其各维度取值即为0或1。对于具有上述二值特性的待检测数据，现有的输入层节点服从高斯分布的深度置信网络无法与之拟合，从而影响最终的异常数据检测准确性。针对上述问题，本发明对现有的深度置信网络进行了改造，使之可准确描述待检测数据的二值特性，从而改善系统性能。关于本发明实施例中的深度置信网络将在随后详细介绍。
可以理解的是，本发明实施例的异常数据的检测方法不仅可用于具有上述二值特性的待检测数据，也适用于其它类型的待检测数据，本发明对此不作任何限制。
较佳地，为了提高异常判别准确率，在待检测数据输入深度置信网络之前，可首先对其进行数据清洗、数据采样及数据聚合。具体地，在数据清洗步骤，可对待检测数据进行校验，去除噪声数据与重复数据，纠正其中的数据错误。在数据采样步骤，可对待检测数据进行采样处理，最终确定代表性强、信息量丰富的数据，从而减少资源消耗。在数据聚合步骤，可对待检测数据的某些字段进行聚合处理，以减少数据冗余。
在本发明实施例中，训练完成的深度置信网络由多个受限玻尔兹曼机堆叠而成，每一受限玻尔兹曼机的输入层为处于其底端的受限玻尔兹曼机的输出层，其输出层为处于其顶端的受限玻尔兹曼机的输入层。其中，处于深度置信网络最底端的受限玻尔兹曼机的输入层为深度置信网络的输入层，其为可见层；处于深度置信网络最顶端的受限玻尔兹曼机的输出层为深度置信网络的输出层；除上述两层之外的其它层均为隐藏层。同时，在深度置信网络中，每一层的每一节点均与相邻层的每一节点连接，同一层的各节点不存在连接。具体应用中，多采用2到6个受限玻尔兹曼机组成深度置信网络。
为了克服现有的深度置信网络输入层无法拟合待检测数据二值特性的缺陷，在本发明实施例中，对深度置信网络输入层每一节点的节点值的概率分布状态进行了改造，使其服从伯努利(Bernoulli)分布即01分布，从而与待检测数据的数值分布特性完全契合。
图2是根据本发明实施例的深度置信网络和支持向量机示意图，从图2中可以看到：本发明实施例的深度置信网络DBN(Deep Belief Network)由多个受限玻尔兹曼机RBM(Restricted Boltzmann Machine)堆叠而成，除输入层与输出层之外其余各层均为隐藏层，每一层均服从伯努利分布(在现有技术中，输入层服从高斯分布，其余各层服从伯努利分布)。
可以理解的是，在步骤S101之前，需要预先建立深度置信网络模型并对其进行训练。经过改造之后，每一受限玻尔兹曼机模型的输入层节点与输出层节点均服从伯努利分布，对于每一受限玻尔兹曼机模型(在本发明实施例中，深度置信网络模型特指深度置信网络在训练完成之前、即模型参数未确定时的状态，深度置信网络模型的每一模型参数确定之后即得到深度置信网络；受限玻尔兹曼机模型特指受限玻尔兹曼机在训练完成之前、即模型参数未确定时的状态，受限玻尔兹曼机模型的每一模型参数确定之后即得到受限玻尔兹曼机)，其能量方程为：
E(v,h)＝-∑icivi-∑jbjhj-∑i,jwi,jvihj
其中，E为受限玻尔兹曼机模型输入层与输出层之间的能量函数，v为受限玻尔兹曼机模型输入层各节点的节点值组成的向量，vi为输入层各节点的节点值，ci为输入层各节点的偏置值，h为受限玻尔兹曼机模型输出层各节点的节点值组成的向量，hj为输出层各节点的节点值，bj为输出层各节点的偏置值，wi,j为vi与hj之间的权重，i为输入层节点序号，j为输出层节点序号。
利用上述能量方程即可以下列公式计算v发生的概率p(v)、在v发生时h的条件概率p(h|v)以及在h发生时v的条件概率p(v|h)：
其中，Z∑v,he-E(v,h)，对h求和指的是对每一hj求和，对v,h求和指的是对每一vi与hj求和，n为输入层节点总数，m为输出层节点总数；Sigm为Sigmoid函数，
实际应用中，还可利用上述能量方程计算v、h的联合概率p(v,h)等，此处不再详述。
之后，建立损失函数其中，θ为ci、bj或wi,j。该损失函数的对数似然函数为：
其中，log可以是以自然常数e为底的对数。
接着，在对数似然函数对模型参数求导获得如下似然方程：
并利用p(v)、p(h|v)、p(v|h)等从上述似然方程中获得求解每种模型参数的似然方程：
在上面的第一个方程中，θ为wi,j，p(hj＝1|v)为v发生时hj取值为1的概率；在第二个方程中，θ为ci；在第三个方程中，θ为bj。实际应用中，可分别利用上述三个方程计算模型参数wi,j、ci、bj。
在具体的模型训练过程中，可利用K步对比散度法训练每一受限玻尔兹曼机模型，确定其模型参数。K步对比散度法能够有效地进行受限玻尔兹曼机的学习，同时避免求取对数似然函数梯度的复杂计算，因此在基于受限玻尔兹曼机构建的深度神经网络中广泛使用。由于K步对比散度法为已知技术，此处不再赘述。
在本发明实施例中，根据受限玻尔兹曼机模型训练深度置信网络模型的方法如下：
1.首先训练第一个受限玻尔兹曼机模型。具体地，将训练数据输入其输入层，利用K步对比散度法得到其模型参数和输出数据，固定其模型参数并将其置于深度置信网络模型的最底端。
2.继续训练第二个受限玻尔兹曼机模型：将第一个受限玻尔兹曼机模型的输出数据作为其输入数据，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于第一个受限玻尔兹曼机顶端。
3.针对后续的受限玻尔兹曼机模型重复执行以上步骤，直到将深度置信网络模型中的每一受限玻尔兹曼机模型训练完成，即得到训练完成的深度置信网络。
训练完成之后，深度置信网络即可接收待检测数据进行异常检测。一般地，待检测数据经过深度置信网络的每一个受限玻尔兹曼机时，其维度总数减小；在经过深度置信网络的所有受限玻尔兹曼机之后，其维度总数大幅降低。在本步骤中，待检测数据经过深度置信网络得到的输出数据即为降维数据，其将作为后续处理的输入数据。实际应用场景中，深度置信网络往往可将含有数千维度的待检测数据处理为含有数百或数十维度的降维数据。
步骤S102：将降维数据输入预先训练完成的支持向量机，利用支持向量机判断待检测数据是否为异常数据。
较佳地，本步骤中的支持向量机为一类支持向量机1SVM(one-class SupportVector Machine)。一类支持向量机是一种无监督学习的数学模型，其具有较强的泛化能力，能较好地对数据内在的概率分布进行建模。实际应用中，一类支持向量机针对较低维度的数据集具有较好的检测性能。在本发明实施例中，可利用一类支持向量机处理深度置信网络输出的降维数据，从而实现异常数据检测。此外，其它类型的支持向量机也可用于上述异常数据检测，本发明对此不作限制。
可以理解的是，在具体应用场景中，步骤S101和步骤S102之前需要预先训练支持向量机。具体地，在深度置信网络训练完成时，将训练数据在深度置信网络的输出数据输入待训练的支持向量机模型进行训练，得到支持向量机的超球面中心点和超球面半径。
在本步骤中，利用支持向量机实现异常数据检测的过程如下：首先对深度置信网络输出的降维数据进行非线性处理，非线性处理使用的函数可在计算超球面中心点时确定。之后，计算非线性处理后的降维数据与支持向量机超球面中心点的欧式距离，在该欧式距离大于支持向量机的超球面半径时，将降维数据对应的待检测数据确定为异常数据，从而完成待检测数据的异常检测。
在本发明实施例的技术方案中，通过对现有深度置信网络的输入层进行改造，使其节点服从伯努利分布，从而使输入层可拟合大量应用场景下待检测数据具有的二值特性，避免因输入层结构与待检测数据分布不匹配对系统性能带来的影响；利用深度置信网络善于处理高维特征的特点对待检测数据进行降维，并将降维数据输入善于异常判定的支持向量机进行最终检测，从而有效提升异常数据检测的准确率。
图3是本发明实施例的异常数据的检测装置的主要部分示意图。
如图3所示，本发明实施例的异常数据的检测装置300可包括降维单元301和检测单元302。其中：
降维单元301可用于将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；
检测单元302可用于将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。
在本发明实施例中，所述深度置信网络由多个受限玻尔兹曼机堆叠而成包括：对于所述深度置信网络中任意两个相邻的受限玻尔兹曼机：处于底端的受限玻尔兹曼机的输出层作为处于顶端的受限玻尔兹曼机的输入层；处于所述深度置信网络最顶端的受限玻尔兹曼机的输出层为所述深度置信网络的输出层。
较佳地，所述装置300可进一步包括第一训练单元，其用于对于组成所述深度置信网络的第一个受限玻尔兹曼机模型：将训练数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于深度置信网络模型的最底端；对于组成所述深度置信网络的其它受限玻尔兹曼机模型：将当前深度置信网络模型最顶端的受限玻尔兹曼机模型的输出数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于当前深度置信网络模型的最顶端。
作为一个优选方案，所述装置300可进一步包括第二训练单元，其用于在所述深度置信网络训练完成时，将所述训练数据在所述深度置信网络的输出数据输入待训练的支持向量机模型进行训练，得到所述支持向量机的超球面中心点和超球面半径。
具体应用中，所述检测单元302可进一步用于：对所述降维数据进行非线性处理，计算非线性处理后的降维数据与所述支持向量机的超球面中心点的欧式距离，在该欧式距离大于所述支持向量机的超球面半径时，将所述待检测数据确定为异常数据。
此外，在本发明实施例中，在所述待检测数据经过所述深度置信网络的每一个受限玻尔兹曼机时，其维度总数减小；所述待检测数据在每一维度的数值为0或1，所述支持向量机为一类支持向量机。
根据本发明实施例的技术方案，通过对现有深度置信网络的输入层进行改造，使其节点服从伯努利分布，从而使输入层可拟合大量应用场景下待检测数据具有的二值特性，避免因输入层结构与待检测数据分布不匹配对系统性能带来的影响；利用深度置信网络善于处理高维特征的特点对待检测数据进行降维，并将降维数据输入善于异常判定的支持向量机进行最终检测，从而有效提升异常数据检测的准确率。
图4示出了可以应用本发明实施例的异常数据的检测方法或异常数据的检测装置的示例性系统架构400。
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405(此架构仅仅是示例，具体架构中包含的组件可以根据申请具体情况调整)。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是，本发明实施例所提供的异常数据的检测方法一般由服务器405执行，相应地，异常数据的检测装置一般设置于服务器405中。
应该理解，图4中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
本发明还提供了一种电子设备。本发明实施例的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明所提供的异常数据的检测方法。
下面参考图5，其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有计算机系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明公开的实施例，上文的主要步骤图描述的过程可以被实现为计算机软件程序。例如，本发明实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行主要步骤图所示的方法的程序代码。在上述实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元501执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括降维单元和检测单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，降维单元还可以被描述为“向检测单元发送降维数据的单元”。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中的。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该设备执行时，使得该设备执行的步骤包括：将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。
根据本发明实施例的技术方案，通过对现有深度置信网络的输入层进行改造，使其节点服从伯努利分布，从而使输入层可拟合大量应用场景下待检测数据具有的二值特性，避免因输入层结构与待检测数据分布不匹配对系统性能带来的影响；利用深度置信网络善于处理高维特征的特点对待检测数据进行降维，并将降维数据输入善于异常判定的支持向量机进行最终检测，从而有效提升异常数据检测的准确率。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (14)

1.一种异常数据的检测方法，其特征在于，包括：
将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；
将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。
2.根据权利要求1所述的方法，其特征在于，
所述深度置信网络由多个受限玻尔兹曼机堆叠而成包括：对于所述深度置信网络中任意两个相邻的受限玻尔兹曼机：处于底端的受限玻尔兹曼机的输出层作为处于顶端的受限玻尔兹曼机的输入层；以及，
处于所述深度置信网络最顶端的受限玻尔兹曼机的输出层为所述深度置信网络的输出层。
3.根据权利要求2所述的方法，其特征在于，所述深度置信网络根据以下步骤进行训练：
对于组成所述深度置信网络的第一个受限玻尔兹曼机模型：将训练数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于深度置信网络模型的最底端；
对于组成所述深度置信网络的其它受限玻尔兹曼机模型：将当前深度置信网络模型最顶端的受限玻尔兹曼机模型的输出数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于当前深度置信网络模型的最顶端。
4.根据权利要求3所述的方法，其特征在于，所述支持向量机根据以下步骤进行训练：
在所述深度置信网络训练完成时，将所述训练数据在所述深度置信网络的输出数据输入待训练的支持向量机模型进行训练，得到所述支持向量机的超球面中心点和超球面半径。
5.根据权利要求4所述的方法，其特征在于，所述利用所述支持向量机判断所述待检测数据是否为异常数据包括：
对所述降维数据进行非线性处理，计算非线性处理后的降维数据与所述支持向量机的超球面中心点的欧式距离，在该欧式距离大于所述支持向量机的超球面半径时，将所述待检测数据确定为异常数据。
6.根据权利要求1-5任一所述的方法，其特征在于，在所述待检测数据经过所述深度置信网络的每一个受限玻尔兹曼机时，其维度总数减小；所述待检测数据在每一维度的数值为0或1，所述支持向量机为一类支持向量机。
7.一种异常数据的检测装置，其特征在于，包括：
降维单元，用于将待检测数据输入预先训练完成的深度置信网络，得到降维数据；其中，所述待检测数据和所述降维数据均含有多个维度，所述待检测数据的维度总数大于所述降维数据的维度总数；所述深度置信网络由多个受限玻尔兹曼机堆叠而成，处于所述深度置信网络最底端的受限玻尔兹曼机的输入层为所述深度置信网络的输入层，其每一节点的节点值服从伯努利分布；
检测单元，用于将所述降维数据输入预先训练完成的支持向量机，利用所述支持向量机判断所述待检测数据是否为异常数据。
8.根据权利要求7所述的装置，其特征在于，
所述深度置信网络由多个受限玻尔兹曼机堆叠而成包括：对于所述深度置信网络中任意两个相邻的受限玻尔兹曼机：处于底端的受限玻尔兹曼机的输出层作为处于顶端的受限玻尔兹曼机的输入层；以及，
处于所述深度置信网络最顶端的受限玻尔兹曼机的输出层为所述深度置信网络的输出层。
9.根据权利要求8所述的装置，其特征在于，所述装置进一步包括：
第一训练单元，用于对于组成所述深度置信网络的第一个受限玻尔兹曼机模型：将训练数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于深度置信网络模型的最底端；对于组成所述深度置信网络的其它受限玻尔兹曼机模型：将当前深度置信网络模型最顶端的受限玻尔兹曼机模型的输出数据输入其输入层，利用K步对比散度法对其训练得到其模型参数和输出数据，固定其模型参数并将其置于当前深度置信网络模型的最顶端。
10.根据权利要求9所述的装置，其特征在于，所述装置进一步包括：
第二训练单元，用于在所述深度置信网络训练完成时，将所述训练数据在所述深度置信网络的输出数据输入待训练的支持向量机模型进行训练，得到所述支持向量机的超球面中心点和超球面半径。
11.根据权利要求10所述的装置，其特征在于，所述检测单元进一步用于：
对所述降维数据进行非线性处理，计算非线性处理后的降维数据与所述支持向量机的超球面中心点的欧式距离，在该欧式距离大于所述支持向量机的超球面半径时，将所述待检测数据确定为异常数据。
12.根据权利要求7-11任一所述的装置，其特征在于，在所述待检测数据经过所述深度置信网络的每一个受限玻尔兹曼机时，其维度总数减小；所述待检测数据在每一维度的数值为0或1，所述支持向量机为一类支持向量机。
13.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201810073057.2A 2018-01-25 2018-01-25 异常数据的检测方法和装置 Pending CN110084255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810073057.2A CN110084255A (zh) 2018-01-25 2018-01-25 异常数据的检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810073057.2A CN110084255A (zh) 2018-01-25 2018-01-25 异常数据的检测方法和装置

Publications (1)

Publication Number Publication Date
CN110084255A true CN110084255A (zh) 2019-08-02

Family

ID=67412172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810073057.2A Pending CN110084255A (zh) 2018-01-25 2018-01-25 异常数据的检测方法和装置

Country Status (1)

Country Link
CN (1) CN110084255A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111404911A (zh) * 2020-03-11 2020-07-10 国网新疆电力有限公司电力科学研究院 一种网络攻击检测方法、装置及电子设备
CN113222972A (zh) * 2021-05-31 2021-08-06 辽宁工程技术大学 基于变分自编码器算法的图像异常检测方法
CN113284000A (zh) * 2021-04-08 2021-08-20 南方电网数字电网研究院有限公司 用户用电数据异常检测方法、装置、计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
CN107609630A (zh) * 2017-08-02 2018-01-19 广东建设职业技术学院 一种基于人工蜂群的深度置信网络参数寻优方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
CN107609630A (zh) * 2017-08-02 2018-01-19 广东建设职业技术学院 一种基于人工蜂群的深度置信网络参数寻优方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴志勇;丁香吴志勇;丁香乾;鞠传香: "一种基于深度学习的离散化交通状态判别方法", 《交通运输系统工程与信息》, vol. 17, no. 5, pages 129 - 136 *
李昊奇;应娜;郭春生;王金华: "基于深度信念网络和线性单分类SVM的高维异常检测", 《电信科学》, no. 01, pages 34 - 42 *
韩伟;张雄伟;张炜;吴从明;吴燕军: "第3讲 深度学习中的经典网络模型及训练方法", 军事通信技术, no. 01, pages 92 - 99 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111404911A (zh) * 2020-03-11 2020-07-10 国网新疆电力有限公司电力科学研究院 一种网络攻击检测方法、装置及电子设备
CN113284000A (zh) * 2021-04-08 2021-08-20 南方电网数字电网研究院有限公司 用户用电数据异常检测方法、装置、计算机设备
CN113222972A (zh) * 2021-05-31 2021-08-06 辽宁工程技术大学 基于变分自编码器算法的图像异常检测方法
CN113222972B (zh) * 2021-05-31 2024-03-19 辽宁工程技术大学 基于变分自编码器算法的图像异常检测方法

Similar Documents

Publication Publication Date Title
US11315032B2 (en) Method and system for recommending content items to a user based on tensor factorization
KR102308002B1 (ko) 정보 생성 방법 및 장치
CN109697641A (zh) 计算商品相似度的方法和装置
CN111199474A (zh) 一种基于双方网络图数据的风险预测方法、装置和电子设备
CN110390408A (zh) 交易对象预测方法和装置
CN110084255A (zh) 异常数据的检测方法和装置
CN108182472A (zh) 用于生成信息的方法和装置
CN109960650A (zh) 基于大数据的应用程序评估方法、装置、介质及电子设备
CN110119445A (zh) 生成特征向量和基于特征向量进行文本分类的方法和装置
CN111209347A (zh) 一种混合属性数据聚类的方法和装置
CN110866625A (zh) 促销指标信息生成方法和装置
CN110309293A (zh) 文本推荐方法和装置
CN110309142A (zh) 规则管理的方法和装置
CN109190123A (zh) 用于输出信息的方法和装置
CN113283222B (zh) 自动化报表生成方法、装置、计算机设备及存储介质
WO2022017082A1 (zh) 用于检测虚假交易订单的方法和装置
US11979309B2 (en) System and method for discovering ad-hoc communities over large-scale implicit networks by wave relaxation
CN113761350A (zh) 一种数据推荐方法、相关装置和数据推荐系统
CN113448821B (zh) 一种识别工程缺陷的方法和装置
CN110298371A (zh) 数据聚类的方法和装置
CN107291923A (zh) 信息处理方法和装置
CN112364198A (zh) 一种跨模态哈希检索方法、终端设备及存储介质
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
CN110019531A (zh) 一种获取相似对象集合的方法和装置
CN114742163A (zh) 一种售后任务的审核方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination