CN112987675B - 一种异常检测的方法、装置、计算机设备和介质 - Google Patents
一种异常检测的方法、装置、计算机设备和介质 Download PDFInfo
- Publication number
- CN112987675B CN112987675B CN202110488323.XA CN202110488323A CN112987675B CN 112987675 B CN112987675 B CN 112987675B CN 202110488323 A CN202110488323 A CN 202110488323A CN 112987675 B CN112987675 B CN 112987675B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- sequence data
- historical
- monitoring time
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 235
- 238000012549 training Methods 0.000 claims abstract description 118
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 230000005540 biological transmission Effects 0.000 claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 description 65
- 230000008569 process Effects 0.000 description 19
- 230000005856 abnormality Effects 0.000 description 16
- 239000000126 substance Substances 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000007906 compression Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供了一种异常检测的方法、装置、计算机设备和介质，方法包括：针对每一个训练样本，将训练样本的历史监控时序数据集合输入至图神经网络模型，得到影响权重矩阵；针对每一个训练样本的每一个通道的历史监控时序数据，基于历史监控时序数据和影响权重矩阵，确定历史监控时序数据的第一传播中间状态数据，将第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用历史监控时序数据与历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；利用训练好的变分自编码器模型，确定目标设备的异常情况；根据目标设备的异常情况发送异常报警信息。
Description
技术领域
本申请涉及数据处理领域，具体而言，涉及一种异常检测的方法、装置、计算机设备和介质。
背景技术
当代社会，随着科学的进步，机器设备、计算机系统等都广泛的应用在了人们的生产生活中，在生活的各个环节都大大的解放了生产力，提高了生产效率。常见的设备包括工业生产场景下的风力发电机、水坝、计算集群等，这些设备并不是永恒的，在长期工作的情况下会出现磨损、零件损坏、程序崩溃等情况。
发明内容
有鉴于此，本申请的目的在于提供一种异常检测的方法、装置、计算机设备和介质，用于解决现有技术中设备异常检测模型的运行效率低的问题。
第一方面，本申请实施例提供了一种异常检测的方法，包括：
获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据；所述设备集群中包括至少一个设备；
基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；
针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；
基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；
将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；
根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；
根据所述目标设备的异常情况发送异常报警信息。
可选的，基于每一个训练样本中的历史监控时序数据集合，对图神经网络模型进行训练，以得到各通道间的影响权重矩阵，包括：
针对每一个训练样本，对所述历史监控时序数据集合对应的矩阵进行激活，得到相关系数矩阵；
针对每一个训练样本，利用待训练的图神经网络模型对应的损失函数对所述相关系数矩阵进行梯度优化，得到各通道间的参考权重矩阵；
针对每一个训练样本，基于所述训练样本对待训练的图神经网络模型进行训练，若所述损失函数降至收敛，则将所述各通道间的参考权重矩阵确定为各通道间的影响权重矩阵。
可选的，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，包括：
通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控工时序数据的历史隐藏状态；
通过待训练的变分自编码器模型的解码器对所述历史隐藏状态进行解码，得到所述历史参考时序数据。
可选的，通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态，包括：
通过待训练的变分自编码器模型的编码器计算出所述第一传播中间状态数据的概率分布；
通过随机采样从所述概率分布中得到所述历史监控工时序数据的历史隐藏状态。
可选的，根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况，包括：
针对每一个所述监控时序数据，计算所述监控时序数据每个时刻的监控数据与所述参考时序数据中相应时刻的参考数据之间的平方误差；
根据每个时刻所对应的平方误差和预设异常阈值，确定所述目标设备的异常情况。
第二方面，本申请实施例提供了一种异常检测的装置，包括：
第一获取模块，用于获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据；所述设备集群中包括至少一个设备；
第一确定模块，用于基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；
训练模块，用于针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；
第二确定模块，用于基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；
第二获取模块，用于将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；
判断模块，用于根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；
报警模块，用于根据所述目标设备的异常情况发送异常报警信息。
可选的，所述第一确定模块，包括：
第一确定单元，用于针对每一个训练样本，对所述历史监控时序数据集合对应的矩阵进行激活，得到相关系数矩阵；
第二确定单元，用于针对每一个训练样本，利用待训练的图神经网络模型对应的损失函数对所述相关系数矩阵进行梯度优化，得到各通道间的参考权重矩阵；
比较单元，用于针对每一个训练样本，基于所述训练样本对待训练的图神经网络模型进行训练，若所述损失函数降至收敛，则将所述各通道间的参考权重矩阵确定为各通道间的影响权重矩阵。
可选的，所述训练模块，包括：
编码单元，用于通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态；
解码单元，用于通过待训练的变分自编码器模型的解码器对所述历史隐藏状态进行解码，得到所述历史参考时序数据。
第三方面，本申请实施例提供了一种计算机设备，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上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。
本申请实施例提供的异常检测的方法，首先，获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据；所述设备集群中包括至少一个设备；然后，基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；其次，针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；其次，基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；其次，将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；再次，根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；最后，根据所述目标设备的异常情况发送异常报警信息。
在一些实施例中，本申请利用图神经网络模型来确定每一个通道与其他通道之间的影响权重矩阵（也就是每一个通道与其他通道之间的影响关系），根据历史监控时序数据集合中每一个通道对应的历史监控时序数据与影响权重矩阵计算得到的第一传播中间状态数据对待训练的变分自编码器模型进行训练，实现了每一个通道的待训练的变分自编码器模型中编码器和解码器的参数共享，实现了利用不同监控数据的通道间存在的相似性，使得根据某一个通道的历史监控时序数据，模型可以学习了包含此通道本身，以及其相似通道的数据运行情况，降低了模型的总参数量，提升了模型的运行效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种异常检测的方法的流程示意图；
图2a为本申请实施例提供的原始通道的时序数据示意图；
图2b为本申请实施例提供的通道间两两相关程度示意图；
图3为本申请实施例提供的一种异常检测的装置的结构示意图；
图4为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在生产生活中，工作状态下的设备并不是一个永恒的设备，在不断工作的情况下，会出现一些损耗，或者受到破坏，都会出现工作异常的情况，针对工作异常的情况，如果采用人工发现的方式，会存在延时性，且准确性低，因此，逐渐的出现了非人工的智能异常检测方法，一般异常检测方法采用的是统计学模型，所涉及到的参数庞大，模型复杂，训练效率低，得到的检测结果准确率低。
本申请实施例提供了一种异常检测的方法，如图1所示，包括：
S101，获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据，所述通道间的相关信息包括每两个通道间的相关性；所述设备集群中包括至少一个设备；
S102，基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；
S103，针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；
S104，基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；
S105，将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；
S106，根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；
S107，根据所述目标设备的异常情况发送异常报警信息。
在上述步骤S101中，训练样本集合包括至少一个训练样本；每一个训练样本包括一个历史监控时序数据集合，其中，历史监控时序数据集合包括多个历史监控时序数据，每一个历史监控时序数据是从对应的通道获取的，历史监控时序数据不仅包括历史监控数据，还包括历史监控时间，历史监控时间可以是时间戳或者是时刻索引的形式，在历史监控时序数据中历史监控数据按照历史监控时间排序。历史监控时序数据的数据长度是有预先设置好的预设时间长度确定的，预设时间长度是人为设置的。历史监控时序数据集合中的历史监控时序数据是所述设备集群中设备在正常模式下的历史监控时序数据。目标设备类型是需要进行异常检测的设备的设备类型，目标设备类型可以根据以下类型中的任意一种或多种进行划分：功能类型、运行环境类型、运行时间类型、运行形态类型等。其中，功能类型是按照执行功能进行划分，将相同功能的设备划分为同一设备类型，比如，均用在建筑材料搬运过程中的挖掘机和推土机。运行环境类型是按照运行环境进行划分，将相同运行环境的设备划分为同一设备类型，比如，均在银行工作的智能机器人和自助提款机。运行时间类型是按照运行时间进行划分，将相同运行时间的设备划分为同一设备类型，比如，控制机床的计算机设备与机床同时运行，则控制机床的计算机设备与机床划分为同一设备类型。运行形态类型是按照设备的运行形态划分的，将硬件设备划分为同一设备类型，将软件设备划分为同一设备类型。设备集群中包括至少一个设备。历史监控时序数据集合可以从同一个设备中的多个通道获取的，也可以是从多个设备中每一个设备所对应的通道获取的。本方案应用在不同的设备中所获取到的历史监控时序数据中的监控数据也是不同的，比如，以水坝中的设备为例，其历史监控时序数据可以是但不限于温度、湿度等环境量，也可以是但不限于水平位移、垂直位移、渗压、裂缝、应力等物理量。在硬件设备中历史监控时序数据中的监控数据可以是通过传感器获取的，每一个通道对应一个传感器。在软件设备中历史监控时序数据是通过网络节点获取的，每一个通道对应一个网络节点。
在上述步骤S102中，图神经网络模型用于学习不同通道所获取的历史监控时序数据之间的影响关系，图神经网络模型可以包括以下模型中的任意一种或多种：图卷积网络、图注意力网络、图自编码器、图生成网络和图时空网络。影响权重矩阵用于表征不同通道所获取的历史监控时序数据之间的影响关系。每一个训练样本中一个历史监控时序数据集合，在历史监控时序数据集合中的每两个历史监控时序数据之间存在一定的相似性，每两个历史监控时序数据之间的相似性会使得两个历史监控时序数据之间相互影响，因此，需要利用图神经网络模型来计算每一个历史监控时序数据集合中各个历史监控时序数据之间的影响关系，也就是，计算得到各通道间的影响权重矩阵。在对待训练的图神经网络模型训练的过程，也就是调整待训练的图神经网络模型中参数的过程。
在上述步骤S103中，历史参考时序数据集合包括历史监控时序数据集合中每一个历史监控时序数据所对应的历史参考时序数据，历史参考时序数据用于表示历史监控时序数据在预设时长内的正常波动数据。变分自编码器模型可以是贝叶斯概率模型。第一传播中间状态数据用于表征历史监控时序数据在通道间传播过程中的传播状态。
具体实施中，利用历史监控时序数据集合中每一个历史监控时序数据和各通道间的影响权重矩阵计算第一传播终端状态数据，再通过每一个历史监控时序数据对应的第一传播中间状态数据对待训练的变分自编码器模型进行训练，实现了每一个通道的待训练的变分自编码器模型中编码器和解码器的参数共享，以及引入图神经网络计算出各个通道内部相关性，实现了利用不同监控数据的通道间存在的相关性，使得对多通道的历史监控时序数据进行学习时，模型可以学习了包含此通道本身，以及其相似通道的数据运行情况。在对待训练的变分自编码器模型进行训练的过程中，利用所述历史监控时序数据集合中每一个历史监控时序数据与所述历史参考时序数据集合中相对应通道的历史参考时序数据之间的差异，可以调整待训练的变分自编码器模型中编码器和解码器的参数，一般可以通过历史监控时序数据及其对应历史参考时序数据之间的差异来同时调整编码器的参数和解码器的参数，例如，可以采用诸如梯度下降算法等来调整变分自编码器中的编码器和解码器的参数。
在上述步骤S104中，目标设备是需要进行异常检测的设备或设备集群，目标设备的设备类型与目标设备类型一致。目标设备的通道数量与步骤S101中所提到的目标设备类型的设备集群的通道数量一致，且相对应的通道所获取的数据属于同一种。参考时序数据是监控时序数据在预设时长内的正常波动数据。预设时间段是人为设置的。第二影响权重矩阵用于保证目标设备的每个通道间的影响关系。第二传播中间状态数据用于表征监控时序数据在通道间传播过程中的传播状态。
具体的，根据从目标设备的多个通道获取的监控时序数据和影响权重矩阵，可以计算出目标设备的多个通道的监控时序数据对应的第二传播中间状态数据。
在上述步骤S105中，具体的，与变分自编码器模型的训练过程中计算历史参考时序数据的方法一致，将第二传播中间状态数据输入至训练好的变分自编码器模型后，通过训练好的变分自编码器模型中的编码器，可以计算得到监控时序数据所对应的参考时序数据。
在上述步骤S106中，根据监控时序数据与参考时序数据之间的差异，可以确定所述目标设备在预设时间段内的异常情况，在预设时间段内，监控时序数据与参考时序数据之间的差异越大，说明目标设备的异常程度越高，在预设时间段内，监控时序数据与参考时序数据之间的差异越小，说明目标设备的异常程度越低。
在上述步骤S107中，根据所述目标设备的异常情况发送异常报警信息。可以根据异常情况的异常程度生成不同的异常报警信息，异常程度越高，则异常报警信息的提醒强度越强，异常程度越低，则异常报警信息的提醒强度越弱。
比如，异常程度比较低时，异常报警信息仅仅包括警铃提示，异常程度比较高时，异常报警信息包括警铃提示和短信提示。
在上述七个步骤中，本申请利用图神经网络模型来确定多个通道间的影响权重矩阵（也就是每一个通道与其他通道之间的影响关系），根据历史监控时序数据集合中每一个通道对应的历史监控时序数据与影响权重矩阵计算得到的第一传播中间状态数据对待训练的变分自编码器模型进行训练，实现了每一个通道的待训练的变分自编码器模型中编码器和解码器的参数共享，实现了利用不同监控数据的通道间存在的相似性，使得根据某一个通道的历史监控时序数据，模型可以学习了包含此通道本身，以及其相似通道的数据运行情况，降低了模型的总参数量，提升了模型的运行效率。
本申请提供了更详细的计算影响权重矩阵的方法，步骤S102包括：
步骤1021，针对每一个训练样本，对所述历史监控时序数据集合对应的矩阵进行激活，得到相关系数矩阵；
步骤1022，针对每一个训练样本，利用待训练的图神经网络模型对应的损失函数对所述相关系数矩阵进行梯度优化，得到各通道间的参考权重矩阵；
步骤1023，针对每一个训练样本，基于所述训练样本对待训练的图神经网络模型进行训练，若所述损失函数降至收敛，则将所述各通道间的参考权重矩阵确定为各通道间的影响权重矩阵。
在上述步骤1021和步骤1022中，具体实施中，通过多个通道在预设时间段内分别采集一段长度为W的时序数据，多个通道所对应的时序数据组成的历史监控时序数据集合记为
：
其中，
是一个向量，表示第n个通道包含预设时间段的连续W个时刻的取值。
通过图神经网络模型对历史监控时序数据集合
进行处理，输出历史监控时序数据集合所对应的第一影响权重矩阵，记为
，详细步骤如下：
首先对历史监控时序数据集合
进行处理激活，得到相关系数矩阵A：
对得到的
逐行（即逐通道）保留预设数量的相关系数，预设数量的相关系数是每一行中按照数值大小进行排序后，前预设数量的相关系数，并对每行的相关系数和进行归一化，就得到了稀疏化的最终输出
。为了监督图神经网络学习的效果，我们设计了针对图神经网络的损失函数：
其中，
表示矩阵的2范数。
在上述计算第一影响权重矩阵的过程中，梯度优化方法，降低
，保证图神经网络正确捕捉到合理的通道内部相关性信息。
例如,现有25个原始通道的时序数据，如图2a所示，通过图神经网络模块对25个原始通道的时序数据进行相关性的挖掘，输出挖掘结果，挖掘结果为邻接矩阵
，邻接矩阵
表征通道间两两相关程度，如图2b所示，不同通道间的相关程度，相关程度越高则对应的颜色越深，反之相关程度越低则对应的颜色越浅，通道（6,7），（9,10），（12,13），（14,15），（18,19），（22,23）序对表现出的较强的内部相关性，以及通道5，11、16，17，21，24，25之间也存在内部相关性。每个通道都能够从图中获取是否有相关邻居节点，以及对应相关程度大小的关键结构信息。
在上述步骤1023中，各通道间的参考权重矩阵是待训练的图神经网络模型所确定出的各个通道间的影响关系。损失函数用于评价待训练的图神经网络模型的学习效果，损失函数越收敛，则图神经网络模型的学习效果越好，反之，图神经网络模型的学习效果越差。
变分自编码器模型包括编码器和解码器，通过如下步骤可以更详细的了解变分自编码器模型的训练过程。具体的训练过程如下，步骤S103中，步骤将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，包括：
步骤1031，通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态；
步骤1032，通过待训练的变分自编码器模型的解码器对所述历史隐藏状态进行解码，得到所述历史参考时序数据。
在上述步骤1031中，历史隐藏状态是历史监控时序数据的压缩数据，保留了历史监控时序数据中的主要波形特征。
具体实施中，通过待训练的变分自编码器模型的编码器对根据历时监控时序数据计算得到的第一传播中间状态数据进行编码，相当于对历史监控时序数据进行了压缩处理，保留了历史监控时序数据中的主要波形特征，在一定程度上排除了历史监控时序数据中噪声的干扰。
具体的，历史隐藏状态的计算具体还包括以下步骤，也就是，步骤1031包括：
步骤10311，通过待训练的变分自编码器模型的编码器计算出所述第一传播中间状态数据的概率分布；
步骤10312，通过随机采样从所述概率分布中得到所述历史监控时序数据的历史隐藏状态。
在上述步骤10311中，具体实施中，通过n个通道在预设时间段内分别采集一段长度为W的时序数据，n个通道所对应的时序数据组成的历史监控时序数据集合记为
：
其中，
是一个向量，表示第n个通道包含预设时间段的连续W个时刻的取值。
经过归一化处理的第一影响权重矩阵记为
，假设通道n对应的中间状态为
，通道
有与其相关的
个邻居通道
。
经过图神经网络模型对历史监控时序数据集合中的第n个历史监控时序数据进行处理，得到第一传播中间状态数据记为
：
其中，
为第n个历史监控时序数据对应的第一传播中间状态数据。
在计算历史监控时序数据的概率分布的过程中，首先依次对第1-n个通道的历史监控时序数据对应的第一传播中间状态数据进行编码，对于第n个通道的第一传播中间状态数据
，变分自编码器模型编码过程会学习从
到对应历史隐藏状态的映射关系，记作f。编码器的编码过程可以通过以下公式计算：
其中，
表示由编码器定义的函数或函数族，
表示历史隐藏状态的概率分布，也即事件发生时历史隐藏状态的发生概率，
表示第n个通道的第一传播中间状态数据,
表示历史监测时序数据的历史隐藏状态。
在上述步骤10312中，事先引入随机变量z（即上述历史隐藏变量）来表示历史时序数据x的压缩状态， 建立二者的映射关系（即上述f），旨在变分自编码器能够在容忍一定噪声的情况下，将x正确映射到其对应的隐状态表示即隐藏变量z上，压缩过程主要是通过随机采样的方式实现的，上述实现过程保留了历史监控时序数据重要的形状特征，一定程度上忽略了历史监控时序数据的异常噪声。
在上述步骤1032中，变分自编码器的解码过程与编码过程对应，依次对第1-n个通道的历史监控时序数据隐藏状态进行解码，对于第n个通道对应的隐藏状态
，解码过程利用
生成
对应的正常模式
，记作
：
其中，
表示参考时序数据，即第n个历史监控时序数据
所对应的参考时序数据，
表示由解码器定义的函数或函数族。
在训练好的变分自编码模型应用的过程中，异常检测的判断方法与模型训练的方法大致相同，步骤106包括：
步骤1061，针对每一个所述监控时序数据，计算所述监控时序数据每个时刻的监控数据与所述参考时序数据中相应时刻的参考数据之间的平方误差；
步骤1062，根据每个时刻所对应的平方误差和预设异常阈值，确定所述目标设备的异常情况。
在上述步骤1061和步骤1062中，针对每一个通道所对应的监控时序数据，需要计算该监控时序数据每个时刻的监控数据与参考时序数据中相应时刻的参考数据之间的平方误差，在利用每个时刻每个通道所对应的平方误差，计算出每个时刻设备的异常情况的异常平方误差，利用每个时刻的异常平方误差与预设差异阈值进行比较，如果差异平方误差在预设差异阈值范围内，则目标设备不存在的异常情况，如果差异平方误差不在差异阈值范围内，则目标设备存在的异常情况。
预设差异阈值是预先确定好的，只有确定出预设差异阈值后才会对目标设备进行异常情况的检测，为了更准确的确定出能够确定设备异常的差异阈值，可以利用从目标设备获取的验证数据来确定预设差异阈值。确定预设差异阈值的过程包括如下步骤：
步骤201，获取验证数据集和备选差异阈值；所述验证数据集中包括多个验证样本，所述验证样本包括验证数据和验证标识；所述验证标识包括异常标识或未异常标识；所述验证数据是从目标设备获取的历史验证监控时序数据；
步骤202，针对每一个验证样本，将所述验证样本中的历史验证监控时序数据输入至训练好的堆叠-共享变分自编码器模型，得到所述历史验证监控时序数据对应的验证平方误差；
步骤203，根据每个验证样本的历史验证监控时序数据对应的验证平方误差和每个备选差异阈值，确定每个备选差异阈值对应的验证样本的第一数量；
步骤204，针对每个备选差异阈值，根据每个验证样本的验证标识，统计异常标识的第二数量，并根据第二数量和第一数量的比值确定所述备选差异阈值的准确率；
步骤205，根据每个备选差异阈值的准确率，将准确率最高的备选差异阈值确定为预设差异阈值。
在步骤201中，备选差异阈值包括多个差异阈值，备选差异阈值是根据工作经验准备好的。验证数据是从目标设备获取的历史验证监控时序数据，历史验证监控时序数据也就是从目标设备的通道中获取的历史监控时序数据，历史验证监控时序数据可以是在不同时间段从目标设备的通道中获取的历史监控时序数据。验证标识用于表征目标设备是否发生了异常，异常标识表征目标设备发生了异常，未异常标识表征目标设备没有发生异常。
在上述步骤202中，针对每一个验证样本，将历史验证监控时序数据输入至训练好的堆叠-共享变分自编码器模型，可以计算得到历史验证监控时序数据对应的历史验证参考时序数据，利用历史验证监控时序数据和历史验证参考时序数据计算验证平方误差。
具体的，历史验证监控时序数据是包括了每个通道在预设时间段内多个连续的时刻所获取的历史验证监控数据，因此，可以根据每个时刻的历史验证监控数据与对应的历史验证参考监控数据之间的差值，计算验证平方误差。如果想要确定具体在那一个时刻目标设备可能会发生异常情况，即根据在同一时刻多个通道所对应的历史验证监控数据与历史参考监控数据之间平方误差的总和确定，也就是，计算出历史验证监控时序数据的预设时间段中每一个时刻所对应的历史验证监控数据与历史验证参考监控数据之间平方误差的总和，根据平方差总和与预设阈值之间的比较确定预设时间段内目标设备是否发生了异常。计算验证平方误差总和的过程包括如下步骤：
步骤2021，对于第n个通道的厉害验证监控时序数据
，其每个时刻对应的验证平方误差记为
：
其中，
历史验证参考时序数据中第t时刻所对应的历史验证参考监控数据，
历史验证监控时序数据中第t时刻所对应的历史验证监控数据，
第t时刻所对应的第n个通道的验证平方误差。
步骤2022，目标设备在
时刻的异常情况为各通道验证平方误差的加总：
其中，
是目标设备在
时刻的验证平方误差，N是通道个数，
第t时刻所对应的第n个通道的验证平方误差。
上述步骤S1041中，计算所述监控时序数据每个时刻的监控数据与所述参考时序数据中相应时刻的参考数据之间的平方误差，可以参考上述计算验证平方误差的步骤2021。
在上述步骤203中，根据历史验证监控时序数据每个时刻每个通道对应的验证平方误差，计算目标设备中每个时刻所对应的验证平方误差加总，计算验证平方误差加总的过程可以参考上述步骤2022。然后根据每个历史验证监控时序数据的验证平方误差加总和每个备选差异阈值，确定每个备选差异阈值所对应的验证样本的第一数量，也就是如果验证样本对应的历史验证监控时序数据的验证平方误差加总与某一个备选差异阈值相匹配，则会将验证样本与匹配的备选差异阈值进行关联，然后针对每个备选差异阈值，统计与该备选差异阈值相关联的验证样本的数量。
在上述步骤204中，针对每个备选差异阈值，根据与该备选差异阈值相关联的验证样本的验证标识，确定出异常标识的第二数量，计算第二数量与第一数量的比值，就可以计算出该备选差异阈值的准确率。准确率表征了利用该备选差异阈值能够确定目标设备是否发生异常的准确率。
在上述步骤205中，根据每个备选差异阈值的准确率，将准确率最高的备选差异阈值确定为预设差异阈值。利用确定好的预设差异阈值对目标设备是否发生了异常情况进行预测，提高了确定异常的准确度。
第二方面，本申请实施例提供了一种异常检测的装置，如图3所示，包括：
第一获取模块301，用于获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据；所述设备集群中包括至少一个设备；
第一确定模块302，用于基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；
训练模块303，用于针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；
第二确定模块304，用于基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；
第二获取模块305，用于将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；
判断模块306，用于根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；
报警模块307，用于根据所述目标设备的异常情况发送异常报警信息。
可选的，第一确定模块，包括：
第一确定单元，用于针对每一个训练样本，对所述历史监控时序数据集合对应的矩阵进行激活，得到相关系数矩阵；
第二确定单元，用于针对每一个训练样本，利用待训练的图神经网络模型对应的损失函数对所述相关系数矩阵进行梯度优化，得到各通道间的参考权重矩阵；
比较单元，用于针对每一个训练样本，基于所述训练样本对待训练的图神经网络模型进行训练，若所述损失函数降至收敛，则将所述各通道间的参考权重矩阵确定为各通道间的影响权重矩阵。
可选的，训练模块，包括：
编码单元，用于通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态；
解码单元，用于通过待训练的变分自编码器模型的解码器对所述历史隐藏状态进行解码，得到所述历史参考时序数据。
可选的，编码单元，包括：
计算子单元，用于通过待训练的变分自编码器模型的编码器计算出所述第一传播中间状态数据的概率分布；
采样子单元，用于通过随机采样从所述概率分布中得到所述历史监控工时序数据的历史隐藏状态。
可选的，判断模块，包括：
第二平方差计算单元，用于针对每一个所述监控时序数据，计算所述监控时序数据每个时刻的监控数据与所述参考时序数据中相应时刻的参考数据之间的平方误差；
异常确定单元，用于根据每个时刻所对应的平方误差和预设异常阈值，确定所述目标设备的异常情况。
对应于图1中的异常检测的方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述异常检测的方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述异常检测的方法，解决了现有技术中设备异常检测模型的运行效率低的问题。
对应于图1中的异常检测的方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述异常检测的方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述异常检测的方法，解决了现有技术中设备异常检测模型的运行效率低的问题，本申请利用图神经网络模型来确定每一个通道与其他通道之间的影响权重矩阵（也就是每一个通道与其他通道之间的影响关系），根据历史监控时序数据集合中每一个通道对应的历史监控时序数据与影响权重矩阵计算得到的第一传播中间状态数据对待训练的变分自编码器模型进行训练，实现了每一个通道的待训练的变分自编码器模型中编码器和解码器的参数共享，实现了利用不同监控数据的通道间存在的相似性，使得根据某一个通道的历史监控时序数据，模型可以学习了包含此通道本身，以及其相似通道的数据运行情况，降低了模型的总参数量，提升了模型的运行效率。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种异常检测的方法，其特征在于，包括：
获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据；所述设备集群中包括至少一个设备；
基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；
针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；
基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；
将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；
根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；
根据所述目标设备的异常情况发送异常报警信息。
2.根据权利要求1所述的方法，其特征在于，基于每一个训练样本中的历史监控时序数据集合，对图神经网络模型进行训练，以得到各通道间的影响权重矩阵，包括：
针对每一个训练样本，对所述历史监控时序数据集合对应的矩阵进行激活，得到相关系数矩阵；
针对每一个训练样本，利用待训练的图神经网络模型对应的损失函数对所述相关系数矩阵进行梯度优化，得到各通道间的参考权重矩阵；
针对每一个训练样本，基于所述训练样本对待训练的图神经网络模型进行训练，若所述损失函数降至收敛，则将所述各通道间的参考权重矩阵确定为各通道间的影响权重矩阵。
3.根据权利要求1所述的方法，其特征在于，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，包括：
通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态；
通过待训练的变分自编码器模型的解码器对所述历史隐藏状态进行解码，得到所述历史参考时序数据。
4.根据权利要求3所述的方法，其特征在于，通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态，包括：
通过待训练的变分自编码器模型的编码器计算出所述第一传播中间状态数据的概率分布；
通过随机采样从所述概率分布中得到所述历史监控工时序数据的历史隐藏状态。
5.根据权利要求1所述的方法，其特征在于，根据每一个所述监控时序数据与所述参考时序数据之间的差异，确定所述目标设备的异常情况，包括：
针对每一个所述监控时序数据，计算所述监控时序数据每个时刻的监控数据与所述参考时序数据中相应时刻的参考数据之间的平方误差；
根据每个时刻所对应的平方误差和预设异常阈值，确定所述目标设备的异常情况。
6.一种异常检测的装置，其特征在于，包括：
第一获取模块，用于获取训练使用的训练样本集合；所述训练样本集合包括至少一个训练样本；其中，所述训练样本包括从目标设备类型的设备集群的每一个通道获取的历史监控时序数据集合，所述历史监控时序数据集合包括所述设备集群中设备在正常模式下的历史监控时序数据；所述设备集群中包括至少一个设备；
第一确定模块，用于基于每一个训练样本中的历史监控时序数据集合，对待训练的图神经网络模型进行训练，以得到各通道间的影响权重矩阵；
训练模块，用于针对每一个训练样本的每一个通道的历史监控时序数据，基于所述历史监控时序数据和所述影响权重矩阵，确定所述历史监控时序数据的第一传播中间状态数据，将所述第一传播中间状态数据输入至待训练的变分自编码器模型，得到历史参考时序数据，并利用所述历史监控时序数据与所述历史参考时序数据之间的差异，对待训练的变分自编码器模型进行训练；
第二确定模块，用于基于从目标设备的每一个通道获取的监控时序数据和所述影响权重矩阵，确定所述监控时序数据对应的第二传播中间状态数据；
第二获取模块，用于将所述第二传播中间状态数据输入至训练好的变分自编码器模型，得到每一个所述监控时序数据的参考时序数据；
判断模块，用于根据每一个所述监控时序数据和对应的参考时序数据之间的差异，确定所述目标设备的异常情况；
报警模块，用于根据所述目标设备的异常情况发送异常报警信息。
7.根据权利要求6所述的装置，其特征在于，所述第一确定模块，包括：
第一确定单元，用于针对每一个训练样本，对所述历史监控时序数据集合对应的矩阵进行激活，得到相关系数矩阵；
第二确定单元，用于针对每一个训练样本，利用待训练的图神经网络模型对应的损失函数对所述相关系数矩阵进行梯度优化，得到各通道间的参考权重矩阵；
比较单元，用于针对每一个训练样本，基于所述训练样本对待训练的图神经网络模型进行训练，若所述损失函数降至收敛，则将所述各通道间的参考权重矩阵确定为各通道间的影响权重矩阵。
8.根据权利要求6所述的装置，其特征在于，所述训练模块，包括：
编码单元，用于通过待训练的变分自编码器模型的编码器对所述第一传播中间状态数据进行编码，得到所述历史监控时序数据的历史隐藏状态；
解码单元，用于通过待训练的变分自编码器模型的解码器对所述历史隐藏状态进行解码，得到所述历史参考时序数据。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1-5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488323.XA CN112987675B (zh) | 2021-05-06 | 2021-05-06 | 一种异常检测的方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488323.XA CN112987675B (zh) | 2021-05-06 | 2021-05-06 | 一种异常检测的方法、装置、计算机设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112987675A CN112987675A (zh) | 2021-06-18 |
| CN112987675B true CN112987675B (zh) | 2021-07-23 |
Family
ID=76336983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110488323.XA Active CN112987675B (zh) | 2021-05-06 | 2021-05-06 | 一种异常检测的方法、装置、计算机设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112987675B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113742169A (zh) * | 2021-08-13 | 2021-12-03 | 深圳前海微众银行股份有限公司 | 一种业务监控告警方法、装置、设备以及存储介质 |
| CN113743607B (zh) * | 2021-09-15 | 2023-12-05 | 京东科技信息技术有限公司 | 异常检测模型的训练方法、异常检测方法及装置 |
| CN113645085B (zh) * | 2021-10-15 | 2022-02-22 | 苏州浪潮智能科技有限公司 | 智能网卡的异常检测方法、装置、电子设备及存储介质 |
| TWI829076B (zh) * | 2022-01-22 | 2024-01-11 | 國立高雄科技大學 | 藉由機器學習輔助模擬壓力數值進行虛實校正的學習方法 |
| CN114553681B (zh) * | 2022-03-08 | 2024-02-02 | 中国人民解放军国防科技大学 | 设备状态异常检测方法、装置和计算机设备 |
| CN114692783B (zh) * | 2022-04-22 | 2024-04-12 | 中国地质大学（北京） | 基于分层图偏差网络的智能服务异常检测方法 |
| CN115292659B (zh) * | 2022-08-02 | 2023-03-21 | 成都毅创空间科技有限公司 | 智能家居的时序数据异常检测方法 |
| CN115336977B (zh) * | 2022-08-03 | 2023-05-02 | 中南大学湘雅医院 | 一种精准icu警报分级评估方法 |
| CN115514614B (zh) * | 2022-11-15 | 2023-02-24 | 阿里云计算有限公司 | 基于强化学习的云网络异常检测模型训练方法及存储介质 |
| CN117150244B (zh) * | 2023-10-30 | 2024-01-26 | 山东凯莱电气设备有限公司 | 基于电参数分析的智能配电柜状态监测方法及系统 |
| CN117215254A (zh) * | 2023-11-09 | 2023-12-12 | 中润华谷(南京)科技有限公司 | 一种工业控制器的安全控制方法 |
| CN117610717A (zh) * | 2023-11-13 | 2024-02-27 | 重庆大学 | 一种基于双变分级联自编码器的信息流行度预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543943A (zh) * | 2018-10-17 | 2019-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
| CN110991625A (zh) * | 2020-03-02 | 2020-04-10 | 南京邮电大学 | 基于循环神经网络的地表异常现象遥感监测方法、装置 |
| CN111444233A (zh) * | 2020-02-15 | 2020-07-24 | 中国环境监测总站 | 基于复制器神经网络模型发现环境监测异常数据的方法 |
| CN111949496A (zh) * | 2019-05-15 | 2020-11-17 | 华为技术有限公司 | 一种数据检测方法及装置 |
| CN112655004A (zh) * | 2018-09-05 | 2021-04-13 | 赛多利斯司特蒂姆数据分析公司 | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11277420B2 (en) * | 2017-02-24 | 2022-03-15 | Ciena Corporation | Systems and methods to detect abnormal behavior in networks |
-
2021
- 2021-05-06 CN CN202110488323.XA patent/CN112987675B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112655004A (zh) * | 2018-09-05 | 2021-04-13 | 赛多利斯司特蒂姆数据分析公司 | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 |
| CN109543943A (zh) * | 2018-10-17 | 2019-03-29 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于大数据深度学习的电价稽查执行方法 |
| CN111949496A (zh) * | 2019-05-15 | 2020-11-17 | 华为技术有限公司 | 一种数据检测方法及装置 |
| CN111444233A (zh) * | 2020-02-15 | 2020-07-24 | 中国环境监测总站 | 基于复制器神经网络模型发现环境监测异常数据的方法 |
| CN110991625A (zh) * | 2020-03-02 | 2020-04-10 | 南京邮电大学 | 基于循环神经网络的地表异常现象遥感监测方法、装置 |
Non-Patent Citations (1)
| Title |
|---|
| 图神经网络;白铂 等;《中国科学:数学》;20200331;第50卷(第03期);367-384 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112987675A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112987675B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| CN112766429B (zh) | 一种异常检测的方法、装置、计算机设备和介质 | |
| CN111475804A (zh) | 一种告警预测方法及系统 | |
| CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
| CN113568774B (zh) | 使用无监督深度神经网络的多维时序数据实时异常检测方法 | |
| CN112202726B (zh) | 一种基于上下文感知的系统异常检测方法 | |
| CN116823227A (zh) | 一种基于物联网的智能设备管理系统及方法 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及系统 | |
| CN110580213A (zh) | 一种基于循环标记时间点过程的数据库异常检测方法 | |
| CN114004331A (zh) | 一种基于关键指标和深度学习的故障分析方法 | |
| CN115758908A (zh) | 一种基于深度学习的报警泛滥情况下的报警在线预测方法 | |
| CN113722140B (zh) | 基于小样本学习的工业报警泛滥根源诊断方法及存储介质 | |
| Shu et al. | Dam anomaly assessment based on sequential variational autoencoder and evidence theory | |
| CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
| CN111885084A (zh) | 一种入侵检测方法、装置及电子设备 | |
| CN116701846A (zh) | 一种基于无监督学习的水电站调度运行数据清洗方法 | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
| CN114553468A (zh) | 一种基于特征交叉与集成学习的三级网络入侵检测方法 | |
| CN113469247A (zh) | 网络资产异常检测方法 | |
| CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 |
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 |