CN111767930A - 物联网时序数据异常检测方法及其相关设备 - Google Patents

Abstract

本发明公开了一种物联网时序数据异常检测方法及其相关设备。其中，该方法包括：获取物联网中各软硬件产生的时序信号数据；确定时序信号数据对应的序列类型，并根据序列类型从模型库中选取对应的目标深度学习模型，其中，目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；通过目标深度学习模型对时序信号数据进行序列预测，得到对应的预测序列；将预测序列与时序信号数据的原始序列进行差分，得到残差序列；根据残差序列对时序信号数据进行异常检测。该方法提高了异常检测的通用性和对不稳定序列的兼容性，提高了检测效率，提高了异常检测精度。

Description

物联网时序数据异常检测方法及其相关设备

技术领域

本发明涉及数据异常检测技术领域，尤其涉及一种物联网时序数据异常检测方法、装置、计算机设备和计算机可读存储介质。

背景技术

在全球经济朝着集约化转型过程中，物联网(Internet of things，英文简称为：IOT)以其全方位的感知与反馈能力为无生命的物理空间带来了“数字神经系统”，得到迅猛发展。此外鉴于物联网设备标准化和设备成本的不断下降，联网的物联网设备增长迅猛。

作为物理空间数字神经系统的大规模物联网设备，产出的数据量自然也不可小觑，大量的时序数据亟待大规模的时序数据自动化分析工具。这些数据本身除了具备良好的时间相关性，此外多个维度的数据间也有千丝万缕的联系。当硬件设备或软件系统非正常运行时会产生异常值，快速、准确、自动地发现这些异常值，对物联网硬件故障诊断、软件系统异常检测以及服务状态监控具有重要意义。物联网高维时序异常检测技术，是指基于物联网传感器产生的高维时序序列，检测其中的离群点、异常上下文变点及异常子序列等信息，以此来实时监测甚至预测对应的传感器状态。

相关技术中，物联网时序数据异常检测方法通常是采用设置经验阈值和统计阈值来对异常点和正常点进行分类，其对时序特征学习能力不足、忽略高维度数据间联系以及参数设置对领域内知识依赖性强等特点，导致其检测精度不高及对不同类型信号兼容性不足。

发明内容

本发明的目的旨在至少在一定程度上解决上述的技术问题之一。

为此，本发明的第一个目的在于提出一种物联网时序数据异常检测方法，该方法提高了异常检测的通用性和对不稳定序列的兼容性，提高了检测效率，并提高了异常检测精度。

本发明的第二个目的在于提出一种物联网时序数据异常检测装置。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种计算机可读存储介质。

为达到上述目的，本发明第一方面实施例提出的一种物联网时序数据异常检测方法，包括：获取物联网中各软硬件产生的时序信号数据；确定所述时序信号数据对应的序列类型，并根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列；将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列；根据所述残差序列对所述时序信号数据进行异常检测。

根据本发明实施例的物联网时序数据异常检测方法，可获取物联网中各软硬件产生的时序信号数据，然后确定该时序信号数据对应的序列类型，并根据序列类型从模型库中选取对应的目标深度学习模型，其中，目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型，之后通过目标深度学习模型对时序信号数据进行序列预测，得到对应的预测序列，然后将预测序列与时序信号数据的原始序列进行差分，得到残差序列，最后根据残差序列对时序信号数据进行异常检测。该方法增加了针对不同类型信号的自动模型选择模块，消除了信号的周期、趋势、噪声、数据孤岛等不稳定性因素的影响，即针对不同类型信号设置了模型选择操作，这样，确定模型后的信号再进行节点的异常检测，使得异常检测结果更加准确，从而提高了异常检测的通用性和对不稳定序列的兼容性，并提高了检测效率，提高了异常检测精度。

为达到上述目的，本发明第二方面实施例提出的一种物联网时序数据异常检测装置，包括：时序信号获取模块，用于获取物联网中各软硬件产生的时序信号数据；序列类型确定模块，用于确定所述时序信号数据对应的序列类型；模型选择模块，用于根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；序列预测模块，用于通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列；残差序列生成模块，用于将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列；异常检测模块，用于根据所述残差序列对所述时序信号数据进行异常检测。

根据本发明实施例的物联网时序数据异常检测装置，可获取物联网中各软硬件产生的时序信号数据，然后确定该时序信号数据对应的序列类型，并根据序列类型从模型库中选取对应的目标深度学习模型，其中，目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型，之后通过目标深度学习模型对时序信号数据进行序列预测，得到对应的预测序列，然后将预测序列与时序信号数据的原始序列进行差分，得到残差序列，最后根据残差序列对时序信号数据进行异常检测。该装置增加了针对不同类型信号的自动模型选择模块，消除了信号的周期、趋势、噪声、数据孤岛等不稳定性因素的影响，即针对不同类型信号设置了模型选择操作，这样，确定模型后的信号再进行节点的异常检测，使得异常检测结果更加准确，从而提高了异常检测的通用性和对不稳定序列的兼容性，并提高了检测效率，提高了异常检测精度。

为达到上述目的，本发明第三方面实施例提出的计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现本发明第一方面实施例所述的物联网时序数据异常检测方法。

为达到上述目的，本发明第四方面实施例提出的计算机可读存储介质，所述计算机程序被处理器执行时实现本发明第一方面实施例所述的物联网时序数据异常检测方法。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明一个实施例的物联网时序数据异常检测方法的流程图。

图2是根据本发明实施例的每个序列类型的深度学习模型训练的流程图。

图3是根据本发明一个实施例的物联网时序数据异常检测装置的结构示意图。

图4是根据本发明另一个实施例的物联网时序数据异常检测装置的结构示意图。

图5是根据本发明一个实施例的计算机设备的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

相关技术中，物联网时序数据异常检测目前普遍采用如下四种方法来解决：

(1)以自回归积分滑动平均(ARIMA)和指数平滑(ES)为代表的基于时序统计特征的方法，该类方法在考虑当前值时对历史值赋予不同权重，对序列的趋势和周期性具备一定的追踪能力；

(2)基于特征分解的异常检测方法，该方法通过傅立叶变换、小波分解等技术将原始序列信号分解为多维分量，并通过在各分量上计算多元高斯分布概率密度值，来确定异常阈值，从而对序列节点进行正常、异常分类；

(3)基于特征提取的方法，该方法通过特征工程提取信号的大量时序特征，对提取的多维特征通过机器学习模型(如GBRT等树结构)机器学习模型进行序列预测，预测序列与原序列进行差分得到残差序列，并拟合残差序列(如iforest、OneSvm方法)检出异常；

(4)基于LSTM的时序序列异常检测方法，该方法通过长短记忆循环神经网络(LSTM)对时序信号进行预测，预测序列与原序列进行差分得到残差序列，在残差序列上通过计算高斯分布概率密度值来确定异常阈值。

发明人在实现本发明的过程中，发现上述四种方法特点不同，所带来的问题和不足也有所不同：方法(1)特征学习能力有限，且依赖手动设置参数，在异常检测精度和通用性上存在不足；方法(2)对上下文异常检测能力较弱并对噪声敏感，具有较高的误报率；方法(3)依赖较为复杂的特征工程及模型调试，在实时检测场景中效率较低，并且容易出现过拟合；方法(4)忽略了多信号间的空域特征，并且在异常阈值确定时对不稳定序列容错较差。

并且，发明人发现以上方法大多针对特定类型时序信号，在物联网场景中，不同硬件传感器、不同软件应用程序等会产生大量不同类型的序列信号，在通用性上存在局限性。

为此，本发明提出了一种物联网时序数据异常检测方法、装置、计算机设备和存储介质，本申请解决了相关技术中检测精度不高及对不同类型信号兼容性不足的技术问题。具体地，下面参考附图描述本发明实施例的物联网时序数据异常检测方法、装置、计算机设备和计算机可读存储介质。

图1是根据本发明一个实施例的物联网时序数据异常检测方法的流程图。需要说明的是，本发明实施例的物联网时序数据异常检测方法可应用于本发明实施例的物联网时序数据异常检测装置，该装置可被配置于计算机设备上。

如图1所示，该物联网时序数据异常检测方法可以包括：

S110，获取物联网中各软硬件产生的时序信号数据。

具体地，在物联网场景中，不同硬件传感器、不同软件应用程序等会产生大量的时序信号。举例而言，各种物联网设备通过物联网的方式连接时，可通过设备中采集模块采集该物联网中各个软件应用和硬件传感器所产生的时序信号，从而可以获得该物联网中各软硬件产生的时序信号数据。

S120，确定时序信号数据对应的序列类型，并根据序列类型从模型库中选取对应的目标深度学习模型，其中，目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型。

在物联网场景中，不同硬件传感器信号、不同软件应用程序等会产生大量不同类型的序列信号，并且单一类型信号本身也存在周期性、趋势、噪声等因素的影响。在本实施例中，可针对不同类型信号选择对应的目标深度学习模型，进而可根据该目标深度学习模型对对应的时序信号数据进行序列预测，得到对应的预测序列。作为一种示例，可通过开源的时序数据处理库Tsfresh提取时序信号数据中的特征，然后根据该时序信号数据中的特征，对该时序信号数据进行分类，确定该时序信号数据的序列类型(比如，序列的周期性、平稳性、趋势等特点)，并根据该序列类型从模型库中选取对应的目标深度学习模型。

为了进一步确保时序信号分类的准确性，可选地，在本发明的实施例中，可通过生成标注方法对已分类的时序信号数据进行进一步校正。其中，所述生成标注方法可理解是对标签的辅助标注方法，不同产品线对时序信号中异常点的关注不同，该方法仅对已有分类标签进行辅助修改，以使得不同关注反馈到学习模型中。该生成标注方法的主要步骤可如下：通过数据可视化、自定义阈值规则等非启发方式人工修改已有分类标签，从而可以得到准确的时序信号的序列类型。

需要说明的是，在本发明的实施例中，所述模型库中可包括多个序列类型对应的深度学习模型，也就是说，每种序列类型可对应一个深度学习模型，可预先训练每种序列类型对应的深度学习模型，并将训练得到的每种序列类型的深度学习模型存储到所述模型库中以便在实际应用中进行使用。其中，在本发明的实施例中，每个深度学习模型通过以下方式预先训练得到：可获取每个序列类型的历史时序信号数据，然后通过卷积神经网络CNN和长短期记忆网络LSTM对每个序列类型的历史时序信号数据进行训练，得到每个序列类型的深度学习模型。也就是说，将获取每个序列类型的历史时序信号数据带入到卷积神经网络CNN和长短期记忆网络LSTM模型中，通过模型对每个序列类型的历史时序信号数据进行训练，得到每个序列类型的深度学习模型。具体实现过程可参见后续实施例的描述。

S130,通过目标深度学习模型对时序信号数据进行序列预测，得到对应的预测序列。

例如，将该时序信号数据输入到其对应的目标深度学习模型中进行序列预测，该模型输出的结果即可作为该时序信号数据的预测序列。

S140,将预测序列与时序信号数据的原始序列进行差分，得到残差序列。

S150,根据残差序列对时序信号数据进行异常检测。

在本实施例中，可计算残差序列中各节点的高斯分布概率密度值，并将残差序列中各节点的高斯分布概率密度值与异常阈值进行比较，然后确定高斯分布概率密度值小于异常阈值的节点为异常节点。

为了消除噪声和趋势对异常检测的影响，进一步提高信号不稳定序列的兼容性，可选地，在本发明的一个实施例中，在得到所述残差序列时，可对该残差序列进行归一化和ARIMA平滑处理，并计算经过归一化和ARIMA平滑处理的残差序列中各节点的高斯分布概率密度值，之后将残差序列中各节点的高斯分布概率密度值与异常阈值进行比较，然后确定高斯分布概率密度值小于异常阈值的节点为异常节点。由此，在单一类型信号内采用自使用归一化和ARIMA平滑来消除噪声和趋势的影响，可以进一步提高信号不稳定序列的兼容性，并进一步提高了异常检测精度。

具体地，可通过归一化算法和ARIMA算法对残差序列进行处理，并计算整个残差序列全部节点值的分布。可利用如下公式(1)(高斯分布函数)计算得到残差序列中各节点的高斯分布概率密度值：

其中，μ为均值；σ为标准差；π为圆周率；x为残差序列中节点取值；f(x)为节点x高斯分布概率密度值；exp为以e为底的指数函数。

在得到残差序列中各节点的高斯分布概率密度值之后，可将残差序列中各节点的高斯分布概率密度值与异常阈值进行比较，从而确定高斯分布概率密度值小于异常阈值的节点为异常节点。需要说明的是，根据大数定律，在高斯分布中，分布越少的点，其高斯分布概率密度值越小，在本发明的实施例中，通过历史时序信号数据对应的残差序列节点在高斯分布中的概率值和异常点标签，来确定各节点对应的异常阈值。

还需要说明的是，本发明实施例的物联网时序数据异常检测方法可实现物联网高维时序的异常检测，可应用于如汽车充电桩充电过程异常检测、服务器运维异常检测等场景中。

根据本发明实施例的物联网时序数据异常检测方法，可获取物联网中各软硬件产生的时序信号数据，然后确定时序信号数据对应的序列类型，并根据序列类型从模型库中选取对应的目标深度学习模型，其中，目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型，之后通过目标深度学习模型对时序信号数据进行序列预测，得到对应的预测序列，然后将预测序列与时序信号数据的原始序列进行差分，得到残差序列，最后根据残差序列对时序信号数据进行异常检测。该方法增加了针对不同类型信号的自动模型选择模块，消除了信号的周期、趋势、噪声、数据孤岛等不稳定性因素的影响，即针对不同类型信号设置了模型选择操作，这样，确定模型后的信号再进行节点的异常检测，使得异常检测结果更加准确，从而提高了异常检测的通用性和对不稳定序列的兼容性，并提高了检测效率，提高了异常检测精度。

需要说明的是，单一传感器或软件信号具备明显时域特性，但信号间的空域特征在物联网系统中同样重要，并且时域与空域特征的具体组合方法对信号描述也非常重要。作为一种可能实现方式的示例，在物联网信号学习上，可采用长短记忆深度循环神经网络LSTM学习信号的时域性质，采用卷积神经网络CNN学习信号的空域性质，即通过深度学习方法LSTM和CNN对历史时序信号数据进行训练，得到各种序列类型的深度学习模型。具体地，图2是根据本发明实施例的每个序列类型的深度学习模型训练的流程图，如图2所示，所述通过卷积神经网络CNN和长短期记忆网络LSTM对每个序列类型的历史时序信号数据进行训练，得到每个序列类型的深度学习模型的具体实现过程可包括如下步骤：

S210，构建模型，该模型包括CNN卷积层、LSTM层和全连接层。

可选地，该CNN卷积层是由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的；该LSTM层有两种模式可选择，一种是设置多个LSTM层，多个LSTM层通过全链接层级联，以增加深层时序信息的学习能力；另一种是各个特征纬度上分别进行LSTM，最后将各个LSTM层的输出通过全链接层并联，以强调单个纬度在时序上的关联性；该全连接层把每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。

S220，将每个序列类型的历史时序信号数据输入至模型中的CNN卷积层，进行空间特征的自学习。

可选地，将每个序列类型的历史时序信号数据输入至模型中的CNN卷积层，进行空间特征的自学习，即通过CNN卷积和池化操作对每个序列类型的历史时序信号间的空间特征进行转换，其中，若单信号则进行一维卷积和池化，卷积过程中采用SAME的方式保证卷积后序列节点与原序列节点的相对应。

需要说明的是，该历史时序信号数据包括但不限于已经采集完的时序信号数据参数、处于采集状态时的时序信号数据参数等。

S230，将卷积后的历史时序信号数据进入LSTM层进行时序特征的自学习，并将该LSTM层中最后一层LSTM的输出经过全连接层输出。

也就是说，卷积后的历史时序信号数据进入LSTM层，然后进行时序特征的自学习，并将最后一层LSTM的输出经过全连接层输出，其中，全连接层输出层保持与原输入的所述历史时序信号数据的序列尺寸一致。

S240，计算输出的序列与历史时序信号数据的均方根误差，并根据均方根误差更新模型参数。

可选地，通过输出的序列和历史时序信号数据，可计算输出的序列与历史时序信号数据的均方根误差，之后根据误差，通过随机梯度下降更新模型参数。

需要说明的是，模型训练中，损失函数计算的是均方根误差，并反向传播更新模型参数。

S250，根据每个序列类型的历史时序信号数据对经过参数更新的模型继续进行训练，直至模型收敛，将收敛的模型确定为每个序列类型的深度学习模型。

也就是说，计算模型输入与输出的均方根误差，根据误差，通过随机梯度下降更新模型参数，整个过程迭代进行，直到收敛。迭代过程是对信号时域和空域特征的自动学习，替代了大量特征工程和领域内知识的设计过程，抓住了数据本身规律，具备客观性。

综上所述，本发明实施例结合LSTM和CNN的深度学习模型，充分学习了序列信号的时域和空域特征，尤其是对高维度序列信号数据进行的卷积操作，充分利用了传统方法忽略的空间关系。另外，通过对不同序列类型的序列信号数据建立不同的深度学习模型，这样可以提高异常检测系统的可扩展性，并保证了对物联网不同信号的通用性。

与上述几种实施例提供的物联网时序数据异常检测方法相对应，本发明的一种实施例还提供一种物联网时序数据异常检测装置，由于本发明实施例提供的物联网时序数据异常检测装置与上述几种实施例提供的物联网时序数据异常检测方法相对应，因此在物联网时序数据异常检测方法的实施方式也适用于本实施例提供的物联网时序数据异常检测装置，在本实施例中不再详细描述。图3是根据本发明一个实施例的物联网时序数据异常检测装置的结构示意图。

如图3所示，该物联网时序数据异常检测装置300包括：时序信号获取模块310、序列类型确定模块320、模型选择模块330、序列预测模块340、残差序列生成模块350和异常检测模块360，其中：

时序信号获取模块310用于获取物联网中各软硬件产生的时序信号数据。

序列类型确定模块320用于确定所述时序信号数据对应的序列类型。在本发明的实施例中，序列类型确定模块320具体用于：提取所述时序信号数据中的特征；根据所述时序信号数据中的特征，确定所述时序信号数据的序列类型。

模型选择模块330用于根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型。

序列预测模块340用于通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列。

残差序列生成模块350用于将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列。

异常检测模块360用于根据所述残差序列对所述时序信号数据进行异常检测。在本发明的实施例中，异常检测模块360具体用于对所述残差序列进行归一化和ARIMA平滑处理，并计算经过所述归一化和ARIMA平滑处理的残差序列中各节点的高斯分布概率密度值；将所述残差序列中各节点的高斯分布概率密度值与异常阈值进行比较；确定所述高斯分布概率密度值小于所述异常阈值的节点为异常节点。

根据本发明实施例的物联网时序数据异常检测装置，可获取物联网中各软硬件产生的时序信号数据，然后确定时序信号数据对应的序列类型，并根据序列类型从模型库中选取对应的目标深度学习模型，其中，目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型，之后通过目标深度学习模型对时序信号数据进行序列预测，得到对应的预测序列，然后将预测序列与时序信号数据的原始序列进行差分，得到残差序列，最后根据残差序列对时序信号数据进行异常检测。该装置增加了针对不同类型信号的自动模型选择模块，消除了信号的周期、趋势、噪声、数据孤岛等不稳定性因素的影响，即针对不同类型信号设置了模型选择操作，这样，确定模型后的信号再进行节点的异常检测，使得异常检测结果更加准确，从而提高了异常检测的通用性和对不稳定序列的兼容性，并提高了检测效率，提高了异常检测精度。

需要说明的是，在本发明的一个实施例中，所述模型库中包括多个序列类型对应的深度学习模型。其中，在本发明的实施例中，如图4所示，物联网时序数据异常检测装置还包括：模型训练模块370。其中，模型训练模块370用于预先训练每个深度学习模型。其中，在本发明的实施例中，模型训练模块370具体用于：获取每个序列类型的历史时序信号数据；通过卷积神经网络CNN和长短期记忆网络LSTM对所述每个序列类型的历史时序信号数据进行训练，得到所述每个序列类型的深度学习模型。

在本发明的实施例中，模型训练模块370具体用于：构建模型，所述模型包括CNN卷积层、LSTM层和全连接层；将所述每个序列类型的历史时序信号数据输入至所述模型中的CNN卷积层，进行空间特征的自学习；将卷积后的历史时序信号数据进入所述LSTM层进行时序特征的自学习，并将所述LSTM层中最后一层LSTM的输出经过所述全连接层输出；计算输出的序列与所述历史时序信号数据的均方根误差，并根据所述均方根误差更新模型参数；根据所述每个序列类型的历史时序信号数据对经过参数更新的模型继续进行训练，直至模型收敛，将所述收敛的模型确定为所述每个序列类型的深度学习模型。

为了实现上述实施例，本发明还提出了一种计算机设备。

图5是根据本发明一个实施例的计算机设备的结构示意图。如图5所示，该计算机设备500可以包括：存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530，处理器520执行程序时，实现本发明上述任一项所述的物联网时序数据异常检测方法。

为了实现上述实施例，本发明还提出了一种计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的物联网时序数据异常检测方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种物联网时序数据异常检测方法，其特征在于，包括：

获取物联网中各软硬件产生的时序信号数据；

确定所述时序信号数据对应的序列类型，并根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；

通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列；

将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列；

根据所述残差序列对所述时序信号数据进行异常检测。

2.根据权利要求1所述的方法，其特征在于，所述确定所述时序信号数据对应的序列类型，包括：

提取所述时序信号数据中的特征；

根据所述时序信号数据中的特征，确定所述时序信号数据的序列类型。

3.根据权利要求1所述的方法，其特征在于，所述模型库中包括多个序列类型对应的深度学习模型，每个深度学习模型通过以下方式预先训练得到：

获取每个序列类型的历史时序信号数据；

通过卷积神经网络CNN和长短期记忆网络LSTM对所述每个序列类型的历史时序信号数据进行训练，得到所述每个序列类型的深度学习模型。

4.根据权利要求3所述的方法，其特征在于，所述通过卷积神经网络CNN和长短期记忆网络LSTM对所述每个序列类型的历史时序信号数据进行训练，得到所述每个序列类型的深度学习模型，包括：

构建模型，所述模型包括CNN卷积层、LSTM层和全连接层；

将所述每个序列类型的历史时序信号数据输入至所述模型中的CNN卷积层，进行空间特征的自学习；

将卷积后的历史时序信号数据进入所述LSTM层进行时序特征的自学习，并将所述LSTM层中最后一层LSTM的输出经过所述全连接层输出；

计算输出的序列与所述历史时序信号数据的均方根误差，并根据所述均方根误差更新模型参数；

根据所述每个序列类型的历史时序信号数据对经过参数更新的模型继续进行训练，直至模型收敛，将所述收敛的模型确定为所述每个序列类型的深度学习模型。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述根据所述残差序列对所述时序信号数据进行异常检测，包括：

对所述残差序列进行归一化和ARIMA平滑处理，并计算经过所述归一化和ARIMA平滑处理的残差序列中各节点的高斯分布概率密度值；

将所述残差序列中各节点的高斯分布概率密度值与异常阈值进行比较；

确定所述高斯分布概率密度值小于所述异常阈值的节点为异常节点。

6.一种物联网时序数据异常检测装置，其特征在于，包括：

时序信号获取模块，用于获取物联网中各软硬件产生的时序信号数据；

序列类型确定模块，用于确定所述时序信号数据对应的序列类型；

模型选择模块，用于根据所述序列类型从模型库中选取对应的目标深度学习模型，其中，所述目标深度学习模型为预先结合时域与空域特征对历史时序信号数据进行训练而得到的模型；

序列预测模块，用于通过所述目标深度学习模型对所述时序信号数据进行序列预测，得到对应的预测序列；

残差序列生成模块，用于将所述预测序列与所述时序信号数据的原始序列进行差分，得到残差序列；

异常检测模块，用于根据所述残差序列对所述时序信号数据进行异常检测。

7.根据权利要求6所述的装置，其特征在于，所述序列类型确定模块具体用于：

提取所述时序信号数据中的特征；

根据所述时序信号数据中的特征，确定所述时序信号数据的序列类型。

8.根据权利要求6所述的装置，其特征在于，所述模型库中包括多个序列类型对应的深度学习模型，所述装置还包括：

模型训练模块，用于预先训练每个深度学习模型；

其中，所述模型训练模块具体用于：

获取每个序列类型的历史时序信号数据；

通过卷积神经网络CNN和长短期记忆网络LSTM对所述每个序列类型的历史时序信号数据进行训练，得到所述每个序列类型的深度学习模型。

9.根据权利要求8所述的装置，其特征在于，所述模型训练模块具体用于：

构建模型，所述模型包括CNN卷积层、LSTM层和全连接层；

将所述每个序列类型的历史时序信号数据输入至所述模型中的CNN卷积层，进行空间特征的自学习；

将卷积后的历史时序信号数据进入所述LSTM层进行时序特征的自学习，并将所述LSTM层中最后一层LSTM的输出经过所述全连接层输出；

计算输出的序列与所述历史时序信号数据的均方根误差，并根据所述均方根误差更新模型参数；

根据所述每个序列类型的历史时序信号数据对经过参数更新的模型继续进行训练，直至模型收敛，将所述收敛的模型确定为所述每个序列类型的深度学习模型。

10.根据权利要求6至9中任一项所述的装置，其特征在于，所述异常检测模块具体用于：

对所述残差序列进行归一化和ARIMA平滑处理，并计算经过所述归一化和ARIMA平滑处理的残差序列中各节点的高斯分布概率密度值；

将所述残差序列中各节点的高斯分布概率密度值与异常阈值进行比较；

确定所述高斯分布概率密度值小于所述异常阈值的节点为异常节点。

11.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至5中任一项所述的物联网时序数据异常检测方法。

12.一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，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的物联网时序数据异常检测方法。

Images