CN110690995A - 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 - Google Patents
一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 Download PDFInfo
- Publication number
- CN110690995A CN110690995A CN201910937198.9A CN201910937198A CN110690995A CN 110690995 A CN110690995 A CN 110690995A CN 201910937198 A CN201910937198 A CN 201910937198A CN 110690995 A CN110690995 A CN 110690995A
- Authority
- CN
- China
- Prior art keywords
- internet service
- service performance
- component
- value
- lstm
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000012417 linear regression Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多变量时间序列预测的鲁棒性异常检测方法和设备,方法包括:获取互联网服务性能历史数据,构建多变量时间序列;通过小波变换将多变量时间序列分解为多个子分量,并去噪滤除噪音;将滤除噪音后的子分量输入到LSTM网络中,并训练网络,得到LSTM分量预测模型;根据LSTM分量预测值构建线性回归模型,并利用历史数据估计线性参数;将新产生的互联网服务性能数据输入LSTM分量预测模型,将得到的子分量预测值输入线性回归模型中,计算得到互联网服务性能时间序列的预测值;当计算得到的预测值与真实值的误差值大于预设的异常阈值时,判断为互联网服务出现异常。本发明可提高互联网服务性能检测准确度和鲁棒性。
Description
技术领域
本发明涉及计算机领域,具体涉及一种互联网服务性能异常检测方法。
背景技术
在运维场景中,异常检测是发现系统处于异常的关键技术,异常检测是为了发现数据中不符合期待的行为模式。异常检测的应用场景有:互联网服务性能检测,网络安全中的入侵检测,系统中的错误检测。在互联网服务性能监控场景中,网页服务浏览量、网络游戏延迟、即时聊天响应时间等指标是影响互联网服务性能的关键因素。异常检测算法挖掘出数据中的异常信息意味着各种互联网服务中至关重要的现象。例如,网页浏览量的剧增意味网络服务可能遭受DDoS等网络攻击,网络游戏延迟增大意味着网络环境变化等等。因此,互联网服务关键性能指标的异常检测有重要意义。
最近几年有大量的研究关注异常检测。有基于贝叶斯网络分类技术、基于回归模型、无监督学习方法,如最邻近距离、聚类、统计、信息理论、谱的监督学习方法,也有神经网络、支持向量机、SOM聚类等半监督学习方法。大量的异常检测方法关注时间序列异常,这方面有大量基于时间序列分解、双重差分、集成学习、深度生成模型的研究。但这类方法针对复杂时间序列的效果较差,采用的预测模型直接对原时间序列建模,导致模型很难建模复杂的预测对应关系。
发明内容
发明目的:为了解决现有互联网服务性能检测的缺点,本发明提供一种基于多变量时间序列预测的互联网服务性能异常检测方法,以提高互联网服务性能检测准确度和鲁棒性。
技术方案:为实现上述目的,第一方面,本发明提出一种基于多变量时间序列预测的鲁棒性异常检测方法,包括以下步骤:
S1、获取互联网服务性能历史数据,构建多变量时间序列;
S2、通过小波变换将多变量时间序列分解为多个子分量,并通过小波去噪滤除噪音;
S3、将滤除噪音后的子分量输入到LSTM网络中,并训练网络,得到LSTM分量预测模型;
S4、根据LSTM分量预测值构建互联网服务性能时间序列预测值的线性回归模型,并利用历史数据估计线性参数;
S5、按照步骤S1、S2的方法对新产生的互联网服务性能数据进行处理后输入步骤S3得到的LSTM分量预测模型,将得到的子分量预测值输入到步骤S4得到的线性回归模型中,计算得到互联网服务性能时间序列的预测值;
S6、当计算得到的互联网服务性能预测值与真实值的误差值大于预设的异常阈值时,判断为互联网服务出现异常。
第二方面,本发明提出一种计算机设备,所述设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现根据本发明的第一方面所述的方法。
有益效果:本发明提出一种基于多变量时间序列预测的互联网服务性能异常检测方法,采用小波分解的方法将互联网服务性能序列分解为多个有规律的时间序列,通过预测分解后的时间序列并合成原时间序列的预测,增强了预测模型对复杂多变量时间序列数据的预测性能。使用线性拟合的方法组合小波变换后的多个子分量,增强了预测模型的表达能力。采用小波去噪滤除时间序列中的噪音,减少了噪音对多变量时间序列预测性能的影响,优化了预测性能。通过统计学方法确定异常阈值,根据用户对假正例率的容纳程度,有偏好地设置多变量时间序列异常阈值,可以更灵活地适应用户对于异常情况的不同要求。
附图说明
图1是根据本发明实施例的互联网服务性能异常检测方法总体流程图;
图2是根据本发明实施例的互联网服务性能异常检测方法主要过程示意图;
图3是根据本发明实施例的模型训练阶段处理流程图;
图4是根据本发明实施例的模型运行阶段处理流程图。
具体实施方式
下面结合附图对本发明的技术方案做更进一步的说明。应当了解,以下提供的实施例仅是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的技术构思,本发明还可以用许多不同的形式来实施,并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
本发明的实施例中用多变量时间序列来描述互联网服务的性能,基于多变量时间序列预测对互联网服务性能的异常情况进行检测,将小波变换和小波去噪连同LSTM应用于多变量时间序列的异常检测之中,有效提高互联网服务性能检测准确度和鲁棒性。参照图1和图2,本发明的方法包括以下步骤:
步骤S1,获取互联网服务性能历史数据,构建多变量时间序列。
使用w维多变量时间序列s(t)=[s1,s2,…,sw]描述互联网服务的性能。实施例中,通过采集目标互联网业务的多种性能指标,从互联网服务性能中抽取关键性能指标:访问量,失败访问量,页面浏览量,连接时间,响应时间,吞吐量;即w=6,构建6维时间序列来描述互联网服务的健康状态。
步骤S2,通过小波变换将多变量时间序列分解为多个子分量,并通过小波去噪滤除噪音。
本发明采用离散小波分解的方法将时间序列分解为多个有规律的时间序列,增强了预测模型对复杂多变量时间序列数据的预测性能;并利用小波去噪滤除噪音,优化预测性能。具体包括以下步骤:
步骤S2-1,选择合适的母小波,离散小波变换的母小波的选择一般有Haar、Daubechies小波等,实施例中采用Daubechies-4母小波,设ψ(t)是小波函数,ψj,k(t)是由小波函数缩放j倍并平移k步得到,cDj,k代表ψj,k(t)函数的系数。φK,k(t)是相应的缩放函数,cAK,k代表φK,k(t)函数的系数。对互联网服务性能时间序列s(t)进行K级离散小波变换,将其分解为一个互联网服务性能近似分量∑kcAK,kφK,k(t)和K个互联网性能细节分量∑kcDj,kψj,k(t):
小波变换参数的计算如下,<·,·>代表内积运算:
cAK,k=<s(t),φK,k(t)>
cDj,k=<s(t),ψj,k(t)>
步骤S2-2,通过软阈值方法对互联网服务性能近似分量和互联网服务性能细节分量的系数进行处理,系数小于阈值时将系数置为0,其他系数向0靠拢,即使系数的绝对值变小,从而滤除噪音。在本实施例中设置阈值Tj=0.1(这是一个可调节的参数),将小波参数c(c代表cDk,k和cDK,k中的任何一个参数,所有参数的处理过程相同),通过软阈值处理后的小波参数c′(c′代表cA′K,k和cD′K,k中的任一参数)设置为:
步骤S2-3,重构去噪后的互联网服务性能近似分量AK(t)和互联网服务性能细节分量Dj(t)为:
AK(t)=∑kcA′K,kφK,k(t)
Dj(t)=∑kcD′j,kψj,k(t)
步骤S3,将滤除噪音后的子分量输入到LSTM网络中,并训练网络,得到LSTM分量预测模型。
本发明使用LSTM模型预测互联网服务性能近似分量和互联网服务性能细节分量,LSTM通过互联网服务性能分量前m个时刻的值预测下个时刻的取值,LSTM通过建模前m个时刻取值和下个时刻取值和的映射关系,从而实现预测。g0,gj分别代表一个LSTM网络:
使用互联网服务性能历史数据训练LSTM网络,从而建立LSTM互联网服务性能分量预测模型。LSTM服务性能分量预测模型的训练过程如下(以互联网服务性能近似分量为例,细节分量预测模型的训练过程和近似分量相同,唯一的区别是近似分量用AK表示,细节分量用Dj表示):
(1)初始化参数θ.
(2)XM,YM为从数据集从Xm×n,Y1×n随机采样M个数据点构成的数据集。
(4)使用梯度g更新模型参数θ=θ+λg,λ为学习率,更新算法有随机梯度下降(SGD)、Adagrad等。
(5)若参数θ收敛或者达到指定轮数,结束训练,否则转到(2)。
步骤S4,根据LSTM分量预测值构建互联网服务性能时间序列预测值的线性回归模型,并利用历史数据估计线性参数。
上述步骤S1-S4也可看做是模型训练阶段,如图3所示,通过历史数据对LSTM分量预测模型和线性回归模型进行训练。同时,还可以利用互联网服务性能历史数据的预测值和真实值的误差值分布e估计互联网服务性能异常阈值T,实施例中指定假正例率上界3%和设定阈值μ+5.68σ,根据以往经验设置,在互联网服务性能异常检测中效果较好。注意,假正例率不能设置过小,因为假正例率升高必然导致假负例率升高。在本实施例中,假正例率对应于异常误判率,假负例率对应于异常漏判率。方法如下:首先计算出误差的均值μ和标准差σ,指定假正例率上界3%(根据对假正例率的容忍度人为指定),根据公式1/(1+α2)=3%可得α≈5.68即误报率为3%,然后根据cantelli不等式设置互联网服务性能异常阈值μ+5.68σ,cantelli不等式如下:
p(e≥μ+5.68σ)≤1/(1+5.682)
该不等式的含义是,当服务正常时,误差e大于μ+5.68σ时的概率为1/(1+5.682)≈3%。因此,服务正常时被误判为异常的概率为3%,即误报率为3%。
步骤S5,按照步骤S1、S2的方法对新产生的互联网服务性能数据进行处理后输入步骤S3得到的LSTM分量预测模型,将得到的子分量预测值输入到步骤S4得到的线性回归模型中,计算得到互联网服务性能时间序列的预测值。
得到模型之后,就是要用模型来进行实际的互联网运行状态异常检测,也称为模型运行阶段。在模型运行阶段,新的互联网服务性能数据被输入到模型,判断系统是否异常。参照图4,首先对互联网服务性能时间序列s(t)进行K级离散小波变换,将其分解为一个互联网服务性能近似分量∑kcAK,kφK,k(t)和K个互联网服务性能细节分量∑kcDj,kψj,k(t)。然后通过软阈值方法对互联网服务性能近似分量和互联网服务性能细节分量的系数进行处理,从而滤除噪音,用通过软阈值处理的系数重构去噪后的互联网服务性能近似分量和互联网服务性能细节分量。再使用LSTM模型预测互联网服务性能近似分量和互联网服务性能细节分量,将子分量预测值输入到线性回归模型中,得到互联网服务性能时间序列的预测值具体的步骤可以参照模型训练阶段的描述,此处不再赘述。
步骤S6,当计算得到的互联网服务性能预测值与真实值的误差值大于预设的异常阈值时,判断为互联网出现异常。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中。在本发明的上下文中,所述计算机可读介质可以被认为是有形的且非暂时性的。非暂时性有形计算机可读介质的非限制性示例包括非易失性存储器电路(例如闪存电路、可擦除可编程只读存储器电路或掩膜只读存储器电路)、易失性存储器电路(例如静态随机存取存储器电路或动态随机存取存储器电路)、磁存储介质(例如模拟或数字磁带或硬盘驱动器)和光存储介质(例如CD、DVD或蓝光光盘)等。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
此外,虽然采用特定次序描绘了各操作,但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行,或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本发明的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地,在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (8)
1.一种基于多变量时间序列预测的鲁棒性异常检测方法,其特征在于,该方法包括以下步骤:
S1、获取互联网服务性能历史数据,构建多变量时间序列;
S2、通过小波变换将多变量时间序列分解为多个子分量,并通过小波去噪滤除噪音;
S3、将滤除噪音后的子分量输入到LSTM网络中,并训练网络,得到LSTM分量预测模型;
S4、根据LSTM分量预测值构建互联网服务性能时间序列预测值的线性回归模型,并利用历史数据估计线性参数;
S5、按照步骤S1、S2的方法对新产生的互联网服务性能数据进行处理后输入步骤S3得到的LSTM分量预测模型,将得到的子分量预测值输入到步骤S4得到的线性回归模型中,计算得到互联网服务性能时间序列的预测值;
S6、当计算得到的互联网服务性能预测值与真实值的误差值大于预设的异常阈值时,判断为互联网出现异常。
2.根据权利要求1所述的检测方法,其特征在于,所述步骤S1包括:从互联网服务性能中抽取关键性能指标:访问量,失败访问量,页面浏览量,连接时间,响应时间,吞吐量;构建多变量时间序列描述互联网服务的健康状态。
3.根据权利要求1所述的检测方法,其特征在于,所述步骤S2包括:
S2-1、选择合适的母小波,对多变量时间序列进行K级离散小波变换,将其分解为一个近似分量和K个细节分量:
s(t)表示互联网服务性能时间序列,ψ(t)是小波函数,ψj,k(t)是由小波函数缩放j倍并平移k步得到,cDj,k代表ψj,k(t)函数的系数,φK,k(t)是相应的缩放函数,cAK,k代表φK,k(t)函数的系数,∑k cAK,kφK,k(t)表示互联网服务性能近似分量,∑k cDj,kψj,k(t)表示互联网性能细节分量;
S2-2、通过软阈值方法对近似分量和细节分量的系数进行处理:
c代表小波参数,表示cDK,k和cDK,k中的任何一个参数,均按上式进行处理,c′表示通过软阈值处理后的小波参数,Tj为阈值;
S2-3、用通过软阈值处理的系数重构去噪后的近似分量和细节分量:
AK(t)为重构去噪后的互联网服务性能近似分量,Dj(t)为互联网服务性能细节分量。
5.根据权利要求4所述的检测方法,其特征在于,所述LSTM服务性能分量预测模型的训练过程如下:
(1)初始化参数θ;
(2)XM,yM为从数据集Xm×n,Y1×n中随机采样M个数据点构成的数据集;
(4)使用梯度g更新模型参数θ=θ+λg,λ为学习率;
(5)若参数θ收敛或者达到指定轮数,结束训练,否则转到(2)。
7.根据权利要求1所述的检测方法,其特征在于,所述步骤S6中预设的异常阈值根据历史数据和预测值的误差来估计得到,方法如下:根据互联网服务性能历史数据通过LSTM服务性能分量预测模型和线性回归模型得到预测值,计算互联网服务性能历史数据的预测值和真实值的误差均值μ和标准差σ,根据用户对假正例率的容忍度指定假正例率上界,根据cantelli不等式设置互联网服务性能异常阈值。
8.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个处理器执行,所述程序被处理器执行时实现如权利要求1-7中的任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937198.9A CN110690995B (zh) | 2019-09-29 | 2019-09-29 | 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910937198.9A CN110690995B (zh) | 2019-09-29 | 2019-09-29 | 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110690995A true CN110690995A (zh) | 2020-01-14 |
CN110690995B CN110690995B (zh) | 2021-04-30 |
Family
ID=69111257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910937198.9A Active CN110690995B (zh) | 2019-09-29 | 2019-09-29 | 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110690995B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270236A (zh) * | 2020-10-21 | 2021-01-26 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112989710A (zh) * | 2021-04-22 | 2021-06-18 | 苏州联电能源发展有限公司 | 工控传感器数值异常检测方法及装置 |
CN113806122A (zh) * | 2020-06-17 | 2021-12-17 | 奥多比公司 | 利用稀疏分解的鲁棒性的异常和变化检测 |
CN115412455A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN116074876A (zh) * | 2023-03-07 | 2023-05-05 | 南京邮电大学 | 一种基于小波变换的通讯基站异常检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235139A1 (en) * | 2014-02-20 | 2015-08-20 | Nec Laboratories America, Inc. | Extracting interpretable features for classification of multivariate time series from physical systems |
CN105976020A (zh) * | 2016-04-28 | 2016-09-28 | 华北电力大学 | 一种考虑小波跨层关联性的网络流量预测方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN106441288A (zh) * | 2016-08-31 | 2017-02-22 | 北斗时空信息技术(北京)有限公司 | 一种加速度计的自适应小波降噪方法 |
CN106447103A (zh) * | 2016-09-26 | 2017-02-22 | 河海大学 | 一种基于深度学习的Web服务QoS预测方法 |
CN110113279A (zh) * | 2019-05-05 | 2019-08-09 | 哈尔滨工程大学 | 一种移动跳频水声通信多普勒因子估计方法 |
-
2019
- 2019-09-29 CN CN201910937198.9A patent/CN110690995B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150235139A1 (en) * | 2014-02-20 | 2015-08-20 | Nec Laboratories America, Inc. | Extracting interpretable features for classification of multivariate time series from physical systems |
CN105976020A (zh) * | 2016-04-28 | 2016-09-28 | 华北电力大学 | 一种考虑小波跨层关联性的网络流量预测方法 |
CN106441288A (zh) * | 2016-08-31 | 2017-02-22 | 北斗时空信息技术(北京)有限公司 | 一种加速度计的自适应小波降噪方法 |
CN106384170A (zh) * | 2016-09-24 | 2017-02-08 | 华北电力大学(保定) | 基于小波分解与重构的时间序列风速预测方法 |
CN106447103A (zh) * | 2016-09-26 | 2017-02-22 | 河海大学 | 一种基于深度学习的Web服务QoS预测方法 |
CN110113279A (zh) * | 2019-05-05 | 2019-08-09 | 哈尔滨工程大学 | 一种移动跳频水声通信多普勒因子估计方法 |
Non-Patent Citations (2)
Title |
---|
李颖宏等: "基于LSTM的共享单车需求预测", 《智能城市》 * |
高梦琦等: "基于小波分解和长短时记忆网络的地铁进站量短时预测", 《山东科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113806122A (zh) * | 2020-06-17 | 2021-12-17 | 奥多比公司 | 利用稀疏分解的鲁棒性的异常和变化检测 |
CN112270236A (zh) * | 2020-10-21 | 2021-01-26 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112270236B (zh) * | 2020-10-21 | 2022-07-19 | 长春工程学院 | 基于渐变尺度间隔变化规律算子的遥感影像植被分类方法 |
CN112989710A (zh) * | 2021-04-22 | 2021-06-18 | 苏州联电能源发展有限公司 | 工控传感器数值异常检测方法及装置 |
CN112989710B (zh) * | 2021-04-22 | 2024-03-01 | 苏州联电能源发展有限公司 | 工控传感器数值异常检测方法及装置 |
CN115412455A (zh) * | 2022-07-28 | 2022-11-29 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN115412455B (zh) * | 2022-07-28 | 2023-12-19 | 南京航空航天大学 | 一种基于时间序列的服务器多性能指标异常检测方法及装置 |
CN116074876A (zh) * | 2023-03-07 | 2023-05-05 | 南京邮电大学 | 一种基于小波变换的通讯基站异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110690995B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110690995B (zh) | 一种基于多变量时间序列预测的鲁棒性异常检测方法和设备 | |
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
EP3671466B1 (en) | Unsupervised anomaly detection for arbitrary time series | |
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
US10914608B2 (en) | Data analytic engine towards the self-management of complex physical systems | |
EP3847586A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
JP2018129033A (ja) | 人工ニューラルネットワークのクラスに基づく枝刈り | |
JP2020009411A (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
US9396061B1 (en) | Automated repair of storage system components via data analytics | |
CN109361648B (zh) | 工控系统的隐蔽攻击的检测方法及装置 | |
US10540612B2 (en) | Technique for validating a prognostic-surveillance mechanism in an enterprise computer system | |
CN112380044B (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
CN111262750B (zh) | 一种用于评估基线模型的方法及系统 | |
Xu et al. | An improved methodology for outlier detection in dynamic datasets | |
CN113783717A (zh) | 智慧城市网络流量预测方法及系统 | |
Kim et al. | A variational autoencoder for a semiconductor fault detection model robust to process drift due to incomplete maintenance | |
CN116457802A (zh) | 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止 | |
Fu et al. | SPC methods for nonstationary correlated count data with application to network surveillance | |
JP2023520066A (ja) | 産業用機械学習のためのデータ処理 | |
CN115514620B (zh) | 一种异常检测的方法和云网络平台 | |
CN111258863B (zh) | 数据异常检测方法、装置、服务器和计算机可读存储介质 | |
Baysse et al. | Hidden Markov Model for the detection of a degraded operating mode of optronic equipment | |
WO2023097808A1 (zh) | 一种烧结设备的故障监测方法及装置 | |
Liu et al. | Online anomaly detection with streaming data based on fine-grained feature forecasting | |
US12001985B2 (en) | System for action determination |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |