CN115237880A - 一种时序数据的异常检测方法、装置、设备及存储介质 - Google Patents
一种时序数据的异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115237880A CN115237880A CN202210824228.7A CN202210824228A CN115237880A CN 115237880 A CN115237880 A CN 115237880A CN 202210824228 A CN202210824228 A CN 202210824228A CN 115237880 A CN115237880 A CN 115237880A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- sequence data
- detected
- state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 146
- 230000002159 abnormal effect Effects 0.000 claims abstract description 60
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/28—Error detection; Error correction; Monitoring by checking the correct order of processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种时序数据的异常检测方法、装置、设备及存储介质。该方法包括：获取待检测时序数据；将待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；将待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，目标异常检测网络模型为基于数据重构误差的深度学习模型；根据第一状态时序数据和第二状态时序数据确定待检测时序数据中的异常状态数据，实现提高时序数据的检测精度，保障业务平台的正常运行。
Description
技术领域
本发明涉及数据检测技术领域，尤其涉及一种时序数据的异常检测方法、装置、设备及存储介质。
背景技术
随着大数据和人工智能等技术的不断发展，业务平台上实时产生的数据呈指数级增长，这使得数据的日常检测难度越来越大。
目前，现有的数据检测模型针对时序数据的检测精度不太理想，导致无法准确地进行时序数据的异常检测，不利用业务平台的正常运行。
发明内容
本发明提供了一种时序数据的异常检测方法、装置、设备及存储介质，以解决现有数据检测模型对时序数据的检测精度不高的问题，实现提高时序数据的检测精度，保障业务平台的正常运行。
根据本发明的一方面，提供了一种时序数据的异常检测方法，包括：
获取待检测时序数据；
将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；
将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；
根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。
根据本发明的另一方面，提供了一种时序数据的异常检测装置，包括：
数据获取模块，用于获取待检测时序数据；
第一检测模块，用于将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；
第二检测模块，用于将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；
确定模块，用于根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的时序数据的异常检测方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的时序数据的异常检测方法。
本发明实施例的技术方案，通过获取待检测时序数据；将待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；将待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，目标异常检测网络模型为基于数据重构误差的深度学习模型；根据第一状态时序数据和第二状态时序数据确定待检测时序数据中的异常状态数据，实现提高非连续时序数据的检测精度，保障业务平台的正常运行，解决了现有数据检测模型对时序数据的检测精度不高的问题，取到了提高时序数据的检测精度，保障业务平台的正常运行的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1是本发明实施例提供的一种时序数据的异常检测方法的流程图；
图2是本发明实施例提供的一种异常检测网络模型的架构图；
图3是本发明实施例二提供的一种时序数据的异常检测装置的结构示意图；
图4实现本发明实施例的时序数据的异常检测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种时序数据的异常检测方法的流程图，本实施例可适用于针对非连续时序数据的异常检测情况，该方法可以由时序数据的异常检测装置来执行，该时序数据的异常检测装置可以采用硬件和/或软件的形式实现，该时序数据的异常检测装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取待检测时序数据。
其中，待检测时序数据可以理解为等待检测的时间序列数据，例如由在预设时间段内以预设采样频率采样得到待检测数据构成的待检测时序数据。
可选的，获取待检测时序数据包括：
以预设采样频率获取在预设时间段内每个采样时间点对应的待检测数据；根据各采样时间点的待检测数据构成待检测时序数据。
示例性，在一周时间内以1分钟的采样频率采样数据，每天采样得到的待检测时序数据可以为具有24×60＝1440个时序点(即采样时间点)的待检测时序数据。
需要说明的是，由于各类时间序列数据的采样频率可能不同(如1分钟、5分钟)，需要获取时间序列数据的采样频率，根据采样频率判断待检测时序数据的数据缺失情况，对待检测时序数据进行数据预处理，例如剔除数据缺失过多的日期。
S120、将待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据。
其中，目标局部异常检测模型可以理解为基于历史时序数据对初始局部异常检测模型进行训练得到完备的局部异常检测模型，目标局部异常检测模型可以为基于局部离群因子(Local Outlier Factor，LOF)建立的模型。基于局部离群因子的目标异常检测模型是一种基于密度的离群点检测模型，该目标局部异常检测模型的原理在于：非离群点对象周围的密度与其邻域周围的密度类似，而离群点对象周围的密度显著不同于其邻域周围的密度。状态时序数据可以理解为待检测时序数据中每个待检测数据的状态所构成的时间序列数据，第一状态时序数据为通过目标异常检测模型所得到的待检测时序数据的状态时序数据。
具体的，将待检测时序数据输入训练完备的目标局部异常检测模型，可以输出第一状态时序数据，以反映待检测时序数据经过目标局部异常检测模型所检测得到的每个待检测数据的数据状态。
S130、将待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，目标异常检测网络模型为基于数据重构误差的深度学习模型。
其中，目标异常检测网络模型可以理解为训练完备的异常检测网络模型，在本发明实施例中目标异常检测网络模型可以为基于数据重构误差的深度学习模型。第二状态时序数据为通过目标异常检测网络模型所得到的待检测时序数据的状态时序数据。
具体的，将待检测时序数据输入训练完备的目标异常检测网络模型，可以输出第二状态时序数据，以反映待检测时序数据经过目标异常检测网络模型所检测得到的每个待检测数据的数据状态。
S140、根据第一状态时序数据和第二状态时序数据确定待检测时序数据中的异常状态数据。
具体的，根据待检测时序数据中每个时序点对应的待检测数据在第一状态时序数据和第二状态时序数据中的状态确定待检测数据的状态，从而确定待检测时序数据中的异常状态数据。
示例性的，根据第一状态时序数据和第二状态时序数据确定待检测数据中的状态的方式可以为：若每个时序点对应的待检测数据在第一状态时序数据和第二状态时序数据中的状态均为异常，则确定该待检测数据为异常状态数据，其余情况的待检测数据为正常状态数据；或者可以为若每个时序点对应的待检测数据在第一状态时序数据和第二状态时序数据中的状态均为正常，则确定该待检测数据为正常状态数据，其余情况的待检测数据为异常状态数据。
本发明实施例的技术方案，通过获取待检测时序数据；将待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；将待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，目标异常检测网络模型为基于数据重构误差的深度学习模型；根据第一状态时序数据和第二状态时序数据确定待检测时序数据中的异常状态数据，实现提高非连续时序数据的检测精度，保障业务平台的正常运行，解决了现有数据检测模型对时序数据的检测精度不高的问题，实现了提高时序数据的检测精度，保障了业务平台的正常运行。
可选的，目标局部异常检测模型的训练步骤包括：
获取历史时序数据，采用时间窗口截取历史时序数据得到时序数据样本；
将时序数据样本中的第一样本数据输入初始局部异常检测模型，确定第一样本数据的局部异常因子；
根据第一样本数据的局部异常因子确定异常时序数据，对时序数据样本中的异常样本数据进行修正得到时序数据更新样本；
采用时序数据更新样本更新时序数据样本；
以预设滑动步长循环滑动时间窗口，并返回执行采用时间窗口截取历史时序数据得到时序数据样本的步骤，直到历史时序数据中不存在异常样本数据，得到目标局部异常检测模型。
其中，历史时序数据可以为在当前时刻的历史时间内所获取的时序数据。采用时间窗口对历史时序数据进行截取，可以得到时间窗口包含的时序点对应的历史数据所构成的时序数据样本，该时序数据样本中所包含的样本数据称为第一样本数据。
初始局部异常检测模型可以为：
其中，p和o分别为时序数据样本中的两个第一样本数据，LOFk(p)为第一样本数据p在第k距离邻域的局部离群因子，Nk(p)为第一样本数据p的第k距离邻域，|Nk(p)|为第一样本数据p的第k距离邻域内的数据点个数，lrdk(p)为第一样本数据p的局部可达密度，表示为第一样本数据p的第k邻域内的数据点到第一样本数据p的平均可达距离的倒数；同理，lrdk(o)为第一样本数据o的局部可达密度，表示为第一样本数据o的第k邻域内的数据点到第一样本数据o的平均可达距离的倒数。
具体的，将时序数据样本输入初始局部异常检测模型确定时序数据样本中每个样本数据的局部异常因子，根据样本数据的局部异常因子可以确定样本数据的数据状态，例如若LOFk(p)>＝1，则第一样本数据p为离群点,即异常样本数据；若LOFk(p)<1，则该第一样本数据为正常样本数据。对时序数据样本中的异常样本数据进行修正可以得到时序数据更新样本。
采用时序数据更新样本更新时序数据样本，以预设滑动步长循环滑动时间窗口，返回执行采用时间窗口截取历史时序数据得到时序数据样本的步骤。第二次获取到的时序数据样本和第一次获取的时序数据样本相比，移动了预设滑动步长的采样时间点，且部分异常样本数据被修正为正常样本数据。在本发明实施例中对于每个第一样本数据，采取循环建模的方式进行迭代优化，即采取循环移动的方式移动时间窗口，当前时间窗口移动至时序数据样本的最后一个第一样本数据位置时，返回移动至时序数据样本的第一个第一样本数据位置，直到历史时序数据中不再存在异常样本数据，此时初始局部异常检测模型训练完备，将训练完备的初始局部异常检测模型确定为目标局部异常检测模型。
示例性的，对时序数据样本中的异常样本数据进行修正可以得到时序数据更新样本的方式可以为：根据时序数据样本中所有第一样本数据的均值确定更新样本数据，采用更新样本数据替代时序数据样本中的异常样本数据可以对时序数据样本中的异常样本数据进行修正，得到时序数据更新样本。
可选的，将待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据，包括：
将待检测时序数据中的待检测数据输入目标局部异常检测模型，获得每个待检测数据的局部异常因子；
根据局部异常因子确定每个待检测数据的数据状态，形成第一状态时序数据；数据状态包括：正常状态或异常状态。
其中，在目标局部异常检测模型中p为待检测时序数据中的当前时刻输入的待检测数据点，o为历史时序数据中的数据点。
具体的，待检测时序数据输入到训练完备的目标局部异常检测模型中可以得到每个待检测数据p的局部异常因子LOFk(p)，根据待检测数据的局部异常因子可以确定待检测数据的数据状态，根据检测时序数据中每个待检测数据的数据状态为正常状态或异常状态，可以形成检测时序数据对应的第一状态时序数据。
示例性的，若待检测时序数据P为p1，p2，……，pn-1，pn，第一状态时序数据可以为op1，ep2，……，epn-1，opn，其中，op1表示待检测时序数据中的待检测数据p1的数据状态为正常状态；ep2表示待检测时序数据中的待检测数据p2的数据状态为异常状态。
可选的，目标异常检测网络模型的训练步骤包括：
将第二样本数据输入初始异常检测网络模型生成重构数据；第二样本数据为在目标局部异常检测模型的训练步骤中最终更新得到的历史时序数据所包含的样本数据；
确定重构数据和第二样本数据的损失函数值；
基于损失函数调整初始异常检测网络模型的参数；
返回执行将第二样本数据输入初始异常检测网络模型生成重构数据的步骤，直到损失函数值小于预设阈值，得到目标异常检测网络模型。
其中，在目标局部异常检测模型的训练步骤中，每次对初始局部异常检测模型训练后，更新采用时间窗口截取历史时序数据得到的时序数据样本，从而更新历史时序数据，经过多次训练历史时序数据中不存在异常样本数据，将最终更新的不存在异常样本数据的历史时序数据所包含的样本数据确定为第二样本数据。即将经过目标局部异常检测模型更新的不存在异常样本数据的历史时序数据作为初始异常检测网络模型输入的样本数据。
示例性的，异常检测网络模型可以为LSTM-VAE模型，该、异常检测网络模型的模型架构如图2所示。在图2中所示的异常检测网络模型的各模型参数如下：
ct＝zf⊙ct-1+zi⊙z；
ht＝zo⊙tanh(ct)；
yt＝σ(W′h′)；
其中，ht-1是前一个单元的输出结果，xt是当前输入的第二样本数据，ct-1是前一个单元的状态信息，ct是当前单元的状态信息，yt是初始异常检测网络模型的输出结果，zf、zi、z、zo、W′和σ为初始异常检测网络模型的模型参数。
在本发明实施例中通过融合多层数据检测模型的设置，使得异常检测模型的稳定性有所提升。首先在初始粗略检测(即采用目标局部异常检测模型进行待检测时序数据的初始检测)中，使用传统机器学习的方法进行异常检测，使得特别严重的异常值能过去除，对原始数据起到了平滑的作用。在二次细致检测中(即采用目标异常检测网络模型进行待检测时序数据的二次检测)，在目标异常检测网络模型的模型训练中使用到初始粗略检测后的输出更新后的历史时序数据，结合深度学习中自编码器算法，得到更加精细化的模型，大大提升了异常检测的精度效果。
可选的，根据第一状态时序数据和第二状态时序数据确定待检测时序数据中的异常状态数据包括：
将第一状态时序数据和第二状态时序数据中在相同时序点为异常状态的数据确定为待检测时序数据中的异常状态数据。
具体的，若待检测数据对应的状态数据在第一状态时序数据和第二状态时序数据中的数据状态均为异常状态，则该待检测数据确定为异常状态数据，以此类推，确定为待检测时序数据中的异常状态数据。
示例性的，若待检测时序数据P为p1，p2，p3，p4，p5，p6，第一状态时序数据为op1，ep2，ep3，op4，op5，op6，第二状态时序数据为o`p1，e`p2，o`p3，o`p4，e`p5，o`p6，确定待检测时序数据P中的异常状态数据为p2。
实施例二
图3为本发明实施例二提供的一种时序数据的异常检测装置的结构示意图。如图3所示，该装置包括：数据获取模块210、第一检测模块220、第二检测模块230和确定模块240；
其中，数据获取模块210，用于获取待检测时序数据；
第一检测模块220，用于将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；
第二检测模块230，用于将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；
确定模块240，用于根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。
可选的，所述数据获取模块210，具体用于：
以预设采样频率获取在预设时间段内每个采样时间点对应的待检测数据；
根据各所述采样时间点的待检测数据构成所述待检测时序数据。
可选的，所述目标局部异常检测模型的训练步骤包括：
获取历史时序数据，采用时间窗口截取所述历史时序数据得到时序数据样本；
将所述时序数据样本中的第一样本数据输入初始局部异常检测模型，确定所述第一样本数据的局部异常因子；
根据所述第一样本数据的局部异常因子确定异常时序数据，对所述时序数据样本中的异常样本数据进行修正得到时序数据更新样本；
采用所述时序数据更新样本更新所述时序数据样本；
以预设滑动步长循环滑动所述时间窗口，并返回执行采用时间窗口截取所述历史时序数据得到时序数据样本的步骤，直到所述历史时序数据中不存在异常样本数据，得到所述目标局部异常检测模型。
可选的，所述第一检测模块220，包括：
数据输入单元，用于将所述待检测时序数据中的待检测数据输入所述目标局部异常检测模型，获得每个待检测数据的局部异常因子；
状态确定单元，用于根据所述局部异常因子确定每个待检测数据的数据状态，形成第一状态时序数据；所述数据状态包括：正常状态或异常状态。
可选的，所述目标异常检测网络模型的训练步骤包括：
将第二样本数据输入初始异常检测网络模型生成重构数据；所述第二样本数据为在所述目标局部异常检测模型的训练步骤中最终更新得到的历史时序数据所包含的样本数据；
确定所述重构数据和所述第二样本数据的损失函数值；
基于所述损失函数调整所述初始异常检测网络模型的参数；
返回执行所述将第二样本数据输入初始异常检测网络模型生成重构数据的步骤，直到所述损失函数值小于预设阈值，得到目标异常检测网络模型。
可选的，确定模块240，具体用于：
将所述第一状态时序数据和所述第二状态时序数据中在相同时序点为异常状态的数据确定为所述待检测时序数据中的异常状态数据。
本发明实施例所提供的时序数据的异常检测装置可执行本发明任意实施例所提供的时序数据的异常检测方法，具备执行方法相应的功能模块和有益效果。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如时序数据的异常检测方法。
在一些实施例中，时序数据的异常检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的时序数据的异常检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行时序数据的异常检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
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，根据设计要求和其他因素，可以进行各种修改、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 (10)
1.一种时序数据的异常检测方法，其特征在于，包括：
获取待检测时序数据；
将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；
将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；
根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。
2.根据权利要求1所述的方法，其特征在于，所述获取待检测时序数据包括：
以预设采样频率获取在预设时间段内每个采样时间点对应的待检测数据；
根据各所述采样时间点的待检测数据构成所述待检测时序数据。
3.根据权利要求1所述的方法，其特征在于，所述目标局部异常检测模型的训练步骤包括：
获取历史时序数据，采用时间窗口截取所述历史时序数据得到时序数据样本；
将所述时序数据样本中的第一样本数据输入初始局部异常检测模型，确定所述第一样本数据的局部异常因子；
根据所述第一样本数据的局部异常因子确定异常时序数据，对所述时序数据样本中的异常样本数据进行修正得到时序数据更新样本；
采用所述时序数据更新样本更新所述时序数据样本；
以预设滑动步长循环滑动所述时间窗口，并返回执行采用时间窗口截取所述历史时序数据得到时序数据样本的步骤，直到所述历史时序数据中不存在异常样本数据，得到所述目标局部异常检测模型。
4.根据权利要求1-3任一所述的方法，其特征在于，所述将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据，包括：
将所述待检测时序数据中的待检测数据输入所述目标局部异常检测模型，获得每个待检测数据的局部异常因子；
根据所述局部异常因子确定每个待检测数据的数据状态，形成第一状态时序数据；所述数据状态包括：正常状态或异常状态。
5.根据权利要求3所述的方法，其特征在于，所述目标异常检测网络模型的训练步骤包括：
将第二样本数据输入初始异常检测网络模型生成重构数据；所述第二样本数据为在所述目标局部异常检测模型的训练步骤中最终更新得到的历史时序数据所包含的样本数据；
确定所述重构数据和所述第二样本数据的损失函数值；
基于所述损失函数调整所述初始异常检测网络模型的参数；
返回执行所述将第二样本数据输入初始异常检测网络模型生成重构数据的步骤，直到所述损失函数值小于预设阈值，得到目标异常检测网络模型。
6.根据权利要求1所述的方法，其特征在于，根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据包括：
将所述第一状态时序数据和所述第二状态时序数据中在相同时序点为异常状态的数据确定为所述待检测时序数据中的异常状态数据。
7.一种时序数据的异常检测装置，其特征在于，包括：
数据获取模块，用于获取待检测时序数据；
第一检测模块，用于将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；
第二检测模块，用于将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；
确定模块，用于根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。
8.根据权利要求7所述的装置，其特征在于，所述第一检测模块包括：
数据输入单元，用于将所述待检测时序数据中的待检测数据输入所述目标局部异常检测模型，获得每个待检测数据的局部异常因子；
状态确定单元，用于根据所述局部异常因子确定每个待检测数据的数据状态，形成第一状态时序数据；所述数据状态包括：正常状态或异常状态。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的时序数据的异常检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的时序数据的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210824228.7A CN115237880A (zh) | 2022-07-13 | 2022-07-13 | 一种时序数据的异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210824228.7A CN115237880A (zh) | 2022-07-13 | 2022-07-13 | 一种时序数据的异常检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115237880A true CN115237880A (zh) | 2022-10-25 |
Family
ID=83673680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210824228.7A Pending CN115237880A (zh) | 2022-07-13 | 2022-07-13 | 一种时序数据的异常检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115237880A (zh) |
-
2022
- 2022-07-13 CN CN202210824228.7A patent/CN115237880A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113657467B (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
| CN115358411A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN115598505A (zh) | 一种芯片检测方法、装置、设备和存储介质 | |
| CN117692487A (zh) | 设备的远程控制方法、装置、电子设备及存储介质 | |
| CN115237880A (zh) | 一种时序数据的异常检测方法、装置、设备及存储介质 | |
| CN115719093A (zh) | 一种分布式训练方法、装置、系统、存储介质及电子设备 | |
| CN115758071A (zh) | 原子钟的钟差预测方法、装置、设备以及存储介质 | |
| CN115390112A (zh) | 电力系统北斗定位信号滤波方法、装置、设备及存储介质 | |
| CN114692987A (zh) | 一种时序数据分析方法、装置、设备及存储介质 | |
| CN115905021A (zh) | 一种模糊测试方法、装置、电子设备以及存储介质 | |
| CN115293329A (zh) | 一种参数更新方法、装置、设备及存储介质 | |
| CN113240082A (zh) | 一种迁移学习的方法及装置 | |
| CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
| CN113010571A (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
| CN115361078B (zh) | 一种传输区间确定方法、装置、电子设备及介质 | |
| CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
| CN117132682A (zh) | 一种锁相放大器的波形绘制方法、装置、设备及存储介质 | |
| CN117132678A (zh) | 一种图像生成方法、装置、设备及存储介质 | |
| CN116192608A (zh) | 云手机故障预测方法、装置以及设备 | |
| CN116975653A (zh) | 一种样本信息确定方法、装置、电子设备及存储介质 | |
| CN115480993A (zh) | 一种信号到达时间阈值确定方法、装置、设备及存储介质 | |
| CN117132681A (zh) | 一种锁相放大器的波形绘制方法、装置、设备及存储介质 | |
| CN115310689A (zh) | 时序预测模型的训练方法、预测方法及相关设备 | |
| CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
| CN114444025A (zh) | 降雨量插值模型确定方法、降雨量插值方法及装置 |
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 |