CN115314287A - 一种基于深度聚类的对抗异常检测系统 - Google Patents

一种基于深度聚类的对抗异常检测系统 Download PDF

Info

Publication number
CN115314287A
CN115314287A CN202210942026.2A CN202210942026A CN115314287A CN 115314287 A CN115314287 A CN 115314287A CN 202210942026 A CN202210942026 A CN 202210942026A CN 115314287 A CN115314287 A CN 115314287A
Authority
CN
China
Prior art keywords
data
abnormal
anomaly detection
clustering
module
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
Application number
CN202210942026.2A
Other languages
English (en)
Other versions
CN115314287B (zh
Inventor
张宪超
慕杰
刘晗
梁文新
刘馨月
李远刚
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210942026.2A priority Critical patent/CN115314287B/zh
Publication of CN115314287A publication Critical patent/CN115314287A/zh
Application granted granted Critical
Publication of CN115314287B publication Critical patent/CN115314287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1416—Event detection, e.g. attack signature detection
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明属于网络安全、数据挖掘、人工智能技术领域，公开了一种基于深度聚类的对抗异常检测系统，对高维复杂的多媒体数据进行异常检测。针对现有检测系统忽略正常数据与异常数据之间差异的问题，本发明的系统利用深度聚类模块对正常数据和异常数据在隐空间进行划分。通过深度聚类阶段，深度聚类模块可以学到正常数据与异常数据的簇状结信息。此外，该系统采用零和博弈思想，构建对抗异常检测模块学习正常数据在隐空间的特征分布信息。为了获得可靠的异常检测结果，系统采用自适应异常检测评估策略来判定输入数据是否存在异常。本发明在效率以及效果上均获得不错的表，为基于深度学习的异常检测系统提供一种新的框架。

Description

一种基于深度聚类的对抗异常检测系统
技术领域
本发明属于网络安全、数据挖掘、人工智能技术领域，是一种基于深度聚类的对抗异常检测系统。
背景技术
自21世纪以来，随着物联网技术以及传感器网络技术的不断发展，可以收集到的多媒体数据(例如，图像数据、文本数据、时序数据等)的数量越来越多，表现形式越来越复杂，数据的维度越来越高。经典的异常检测系统在管理海量且结构复杂的多媒体数据时存在着较大的局限性，即系统检测异常数据的效果依赖于人工对数据的预处理。对结构复杂且高维的数据进行数据预处理的过程十分困难，一方面，需要详细地了解原始数据的信息，对将要解决的问题具备丰富的先验知识；另一方面，需要构建维度庞大的数据特征对数据进行充分的表达。因此，人工处理数据的模式仅适用于数量有限并且组成结构简单的数据。在处理海量且结构复杂的多媒体数据时，人工处理数据的模式将会耗费大量的时间和人力成本，并且系统的异常检测结果较差。
为了从高维且复杂的数据中提取到有价值的信息，以便高效地发现数据中的异常行为，基于深度学习的异常检测系统开始被人们关注。其中，基于生成对抗网络的异常检测系统利用零和博弈思想学习正常数据的边缘分布信息以监测异常行为，取得了优异的异常检测表现。Schlegl等人在《Unsupervised anomaly detection with generativeadversarial networks to guide marker discovery》中提出了一种卷积式异常检测系统。该系统利用卷积生成对抗网络学习正常数据的流行域分布。当系统输入异常数据时，生成的异常数据与原始异常数据存在较大的差异，差异值可作为异常评分。然而基于生成对抗网络的异常检测系统存在以下问题：系统利用生成器与判别器相互博弈的方式学习正常数据的边缘分布，并通过对抗训练约束目标方程优化网络参数。采用对抗训练约束目标方程优化网络参数导致神经网络无法学到正常数据与异常数据之间的差异。神经网络提取的正常数据与异常数据特征在特征空间高度重叠，无法反映正常数据与异常数据的簇状结构信息。对于异常检测系统而言，若能利用神经网络将正常数据与异常数据映射到不同的簇中，系统将会更容易发现数据中的异常点。
为了解决基于生成对抗网络的异常检测系统中存在的问题，本发明设计了一种基于深度聚类的对抗异常检测系统。为了学习正常数据与异常数据之间的差异，该系统利用深度聚类模块对正常数据和异常数据在特征空间进行划分，使得系统能够获得具有簇状结构的正常数据与异常数据的特征。这样的特征可以使异常检测模块更好的从正常数据中发现异常数据。此外，系统设计自适应异常检测评估策略对待检测数据进行推断。
发明内容
本发明是一种基于深度聚类的对抗异常检测系统。针对现有异常检测系统无法学到正常数据与异常数据之间差异的问题，本发明设计了深度聚类模块，利用深度神经网络发现高维复杂数据的簇状结构信息。通过无监督的方式学习数据特征，降低了人工标注数据所消耗的成本。深度聚类模块利用自编码器提取高维且复杂的数据特征，构建聚类层输出数据的簇分配结果。该模块通过自监督约束目标方程优化模块参数，使自编码器学到的特征可以捕获正常数据与异常数据的判别信息。此外，基于深度聚类的对抗异常检测系统构建对抗异常检测模块捕获正常数据隐空间特征的边缘分布。其中，隐空间特征来自于深度聚类模块。为了高效地获得数据异常检测结果，本发明设计自适应异常检测评估策略来对待检测数据进行推断。
本发明的技术方案：
一种基于深度聚类的对抗异常检测系统，该对抗异常检测系统具体的异常检测步骤如下：
(1)深度聚类阶段
深度聚类阶段通过构建深度聚类模块学习具有判别特性的正常数据的隐空间特征z；深度聚类模块由基于多层感知器的编码器、解码器和聚类层构成；给定训练数据
Figure BDA0003786081920000031
Figure BDA0003786081920000032
为正常数据，
Figure BDA0003786081920000033
为异常数据；深度聚类模块利用编码器来提取数据的隐空间特征，相应的映射函数写成：
Figure BDA0003786081920000034
其中，z表示正常数据的隐空间特征，fw(·)表示编码器非线性映射函数，w为编码器的参数；解码器通过重构数据特征学习原始数据的局部与全局信息；解码器映射函数写成：
Figure BDA0003786081920000035
其中，gw′(·)表示解码器非线性映射函数，w′为解码器的参数；为了使编码器输出的正常数据的隐空间特征z具有簇状结构特征，深度聚类模块设计了聚类层，相应的映射函数写成如下形式：
Figure BDA0003786081920000036
其中，μj表示第j个簇中心；qij表示第i个隐空间特征zi和第j个簇中心μj之间的相似度；优化深度聚类模型的自监督约束目标方程写成如下形式：
La＝Lcl+γLre
Figure BDA0003786081920000037
其中，Lcl为聚类损失函数，Lre为重构损失函数；γ＞0表示平衡系数；xi表示训练数据
Figure BDA0003786081920000041
中的第i个样本；pij为自监督目标分布，写成如下形式：
Figure BDA0003786081920000042
通过自学习的训练方式可缩小正常数据的隐空间特征zi与相应类别簇中心μj之间的距离；
(2)对抗训练阶段
对抗训练阶段利用对抗异常检测模块AADM捕获正常数据的隐空间特征分布；对抗异常检测模块包括两部分：特征生成器G和特征判别器D；训练生成器G的生成损失Lg写成如下形式：
Figure BDA0003786081920000043
其中，
Figure BDA0003786081920000044
是高斯噪声，
Figure BDA0003786081920000045
是噪声分布，
Figure BDA0003786081920000046
特征判别器D用判别损失项Ld学习正常数据的判别信息，Ld被写成如下形式：
Figure BDA0003786081920000047
其中，z为正常数据的隐空间特征，其边缘分布为pz(z)，z～pz(z)；
(3)异常评估阶段
异常评估阶段利用训练好的深度聚类模块与对抗异常检测模块对数据进行异常评估；异常评估阶段将对抗异常检测模块AADM中特征判别器D的输出与相应的阈值进行比较以获得异常检测结果；异常评估阶段包括两步：第一步，将待测试数据输入训练好的深度聚类模块，通过编码器输出数据的隐空间特征；第二步，将编码器输出数据的隐空间特征输入训练好的对抗异常检测模块AADM中，特征判别器D会输出相应的异常检测概率值，如果对抗异常检测模块AADM输入的是异常数据，输出的概率值较小；对抗异常检测模块AADM将特征判别器D的输出与阈值进行比较，自适应地判断待测数据是否异常；阈值写成如下形式：
Figure BDA0003786081920000051
其中，o表示特征判别器D的输出结果，σ是特征判别器D的调节超参数；如果判别器D的输出值小于相应的阈值δ，那么对应的输入数据则被视为异常数据，否则被视为正常数据。
本发明的有益效果：本发明提出了一种基于深度聚类的对抗异常检测系统。该系统首先设计深度聚类模块解决基于生成对抗网络的异常检测系统无法学习正常数据与异常数据之间差异的问题。其次，构建对抗异常检测模块并融入零和博弈思想学习正常数据隐空间的边缘概率分布。接着，通过设计自适应异常评估策略保证检测结果的可靠性。本发明在效率以及效果上均获得不错的表，为基于深度学习的异常检测系统提供一种新的框架。
附图说明
图1是基于深度聚类的对抗异常检测系统架构图。
图2是深度聚类模块说明图。
图3是对抗异常检测模块结构图。
具体实施方式
图1为基于深度聚类的对抗异常检测系统架构图，这里以网络入侵检测为例(所发明的系统不仅限于对网络入侵数据进行检测，也可以对序列化数据、结构化数据进行异常检测)，进一步说明本发明的出发点以及相应的技术方案。
如图1所示，基于深度聚类的对抗异常检测系统通过三个阶段实现对网络数据的异常检测，三个阶段分别是深度聚类阶段、对抗训练阶段、异常评估阶段。深度聚类阶段利用深度聚类模块学习正常网络数据与异常入侵数据之间的簇状结构信息。深度聚类模块的输入为正常网络数据与异常入侵数据，利用自监督约束目标方程对模块参数进行优化，使模块学到适用于异常检测的正常网络数据的隐空间特征。深度聚类模块的结构图如图2所示，该模块由编码器、解码器和聚类层构成。当深度聚类模块中的参数接近于局部最优解时，将编码器输出的隐空间特征z作为对抗异常检测模块的输入，以用于对抗训练阶段。在对抗训练阶段，通过设计对抗异常检测模块(Adversarial anomaly detection module，AADM)与对抗训练约束目标方程捕获正常网络数据的隐空间边缘分布。异常检测模块的结构如图3所示，该模块由生成器和判别器构成。生成器的输入为从高斯分布中采样的噪声数据
Figure BDA0003786081920000061
输出为生成网络数据
Figure BDA0003786081920000062
判别器的输入为生成网络数据
Figure BDA0003786081920000063
和深度聚类模块输出的隐空间特征z，输出为异常检测概率值。第三个阶段为异常评估阶段，该阶段采用自适应的异常评估策略将对抗异常检测模块输出的异常检测结果与相应的阈值δ进行比较，以判断最终输入系统的数据是正常网络数据还是异常入侵数据。
基于深度聚类的对抗异常检测系统通过深度聚类模块有针对性地学到有利于异常检测任务的正常网络数据与异常入侵数据的簇状结构信息。利用对抗异常检测模块捕获正常网络数据的边缘概率分布。设计自适应的异常评估策略自动判别待检测数据的异常性。该系统可以对多种类型的数据进行异常检测，例如序列化数据、结构化数据以及时间序列数据等，同时可以处理维度较高且组织形式复杂的图像与文本数据。此外，该系统的无监督训练机制可以充分利用无标记数据优化网络参数，实现对异常数据的精准识别与评估，节省了大量的人力与时间成本。
为了更加清楚地理解基于深度聚类的对抗异常检测系统，下边详细地介绍检测的三个阶段，在介绍中，将正常网络数据与异常入侵数据分别称作正常数据与异常数据。
(1)深度聚类阶段
①深度聚类模块
深度聚类模块由两部分组成：自编码器、聚类层。自编码器用来提取高维数据的隐空间特征表示，聚类层用来输出簇分配结果。图2为深度聚类模块的说明图。给定训练数据
Figure BDA0003786081920000071
Figure BDA0003786081920000072
为正常数据，
Figure BDA0003786081920000073
为异常数据。编码器将
Figure BDA0003786081920000074
转换成隐空间特征表示z，解码器将特征表示z重构回原始数据空间，并获得重构数据
Figure BDA0003786081920000075
聚类层在聚类空间拉近相同类别数据特征的距离，使得正常数据与异常数据在聚类空间形成簇状结构。
自编码器由编码器和解码器两部分构成，且均为多层感知器。编码器将正常数据和异常数据映射到隐空间，以实现高维数据降维的目的。编码器的映射函数可以写成如下形式：
Figure BDA0003786081920000076
其中z表示数据的隐空间特征，fw(·)表示编码器非线性映射函数，w为编码器的参数。解码器将数据的隐空间特征z重构回原始数据空间，以获得数据的原始信息。解码器的映射函数可以写成如下形式：
Figure BDA0003786081920000077
其中gw′(·)表示解码器非线性映射函数，w′为解码器的参数。
为了使编码器输出的隐空间特征z具有簇状结构特征，深度聚类模块设计了聚类层。聚类层为单层多层感知器，与传统的多层感知器不同，该层通过调整网络参数维度，将参数设置为簇中心点μ。相应的映射函数可以写成如下形式：
Figure BDA0003786081920000081
其中，qij表示第i个数据特征zi和第j个簇中心μj之间的相似度。
②自监督约束目标方程
为了约束深度聚类模块学到适用于异常检测的数据特征z和原始数据的结构信息，系统设计自监督约束目标方程来优化参数。自监督约束目标方程包含聚类损失函数Lcl和重构损失函数Lre。聚类损失函数Lcl使相同类别的数据特征在特征空间相互靠近，并形成簇状结构，Lcl可以写成如下形式：
Figure BDA0003786081920000082
其中，KL(P||Q)表示分布P与分布P的相对熵。Q表示数据特征与簇中心之间的相似度分布。P为自监督目标分布，可以写成如下形式：
Figure BDA0003786081920000083
通过自学习的训练方式可以缩小隐空间特征zi与相应类别簇中心μj之间的距离。
重构损失函数Lre是一个均方差损失项，用来学习原始数据的局部与全局结构信息，相应的损失函数可以写成如下形式：
Figure BDA0003786081920000084
其中n表示数据样本的个数，xi表示第i个数据。
深度聚类模块最终的自监督约束目标方程可以写成如下形式：
La＝Lcl+γLre
其中γ＞0为控制两个损失函数权重的平衡系数。当深度聚类模块训练结束之后，编码器可以输出适用于异常检测任务的正常数据与异常数据特征z。
(2)对抗训练阶段
在对抗训练阶段，系统设计对抗异常检测模块(Adversarial anomalydetectionmodule，AADM)来捕获正常数据的隐空间特征分布。AADM采用特征生成器和特征判别器来捕获数据特征的边缘分布信息，对抗异常检测模块的结构图如图3所示。图中
Figure BDA0003786081920000091
是高斯噪声，
Figure BDA0003786081920000092
是由特征生成器生成的生成数据特征，z是真实的数据特征。AADM采用对抗训练约束目标方程优化模型参数，训练好的AADM模型能够使得异常检测系统获得较强的检测能力。下边详细地介绍该模块以及对抗训练约束目标方程。
①对抗异常检测模块
在对抗异常检测模块训练的整个阶段只采用正常数据特征训练模块参数，使模块可以学到正常数据在隐空间的特征分布。
通过学习正常数据的簇状特征分布，AADM可以更容易从正常数据中发现异常信息，从而提高异常检测的效率。对抗异常检测模块包括两部分：特征生成器G和特征判别器D。将正常数据对应的隐空间特征z视为训练数据，z来自深度聚类模块中编码器的输出，z～pdz(z)。特征编码器G利用噪声数据
Figure BDA0003786081920000093
生成数据特征
Figure BDA0003786081920000094
G的映射函数可以写成
Figure BDA0003786081920000095
D用来判别正常数据隐空间特征的边缘分布。该模块采用对抗训练约束目标方程优化模块参数。特征生成器G通过生成特征分布
Figure BDA0003786081920000096
来学习正常数据的隐空间特征分布pdz，特征判别器D预测输入为生成数据特征和正常数据特征的概率。
②对抗训练约束目标方程
为了训练AADM，系统利用对抗训练约束目标方程优化模型参数，该目标方程包括生成损失和判别损失。生成损失Lg用来训练特征生成器G的参数，生成损失Lg可以写成如下形式：
Figure BDA0003786081920000101
其中
Figure BDA0003786081920000102
特征判别器D用判别损失项Ld学习正常数据的判别信息，Ld被写成如下形式：
Figure BDA0003786081920000103
其中z～pz(z)。AADM通过对抗训练的方式迭代地优化特征生成器参数和特征判别器参数，当模块训练达到纳什均衡时，特征生成器捕获到了正常数据隐空间的特征分布，特征判别器可以用来分辨正常数据与异常数据。
(3)异常评估阶段
在异常评估阶段，利用训练好的AADM中的特征判别器对待检测数据进行异常评估。评估阶段由两步：第一步，将待测试数据输入训练好的深度聚类模块，通过编码器输出数据的隐空间特征。第二步，将该特征输入训练好的AADM中，特征判别器D会输出相应的异常检测概率值，如果AADM输入的是异常数据，输出的概率值较小。原因是在AADM模型训练中，虚假的生成数据被标记为零，真实的正常数据被标记为一。该模块将特征判别器的输出与阈值进行比较，自适应地判断待测数据是否异常。阈值可以写成如下形式：
Figure BDA0003786081920000104
其中o表示特征判别器的输出结果，σ是特征判别器的调节超参数。如果判别器的输出值小于相应的阈值δ，那么对应的输入数据则被视为异常数据，否则被视为正常数据。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种基于深度聚类的对抗异常检测系统，其特征在于，该对抗异常检测系统具体的异常检测步骤如下：
(1)深度聚类阶段
深度聚类阶段通过构建深度聚类模块学习具有判别特性的正常数据的隐空间特征z；深度聚类模块由基于多层感知器的编码器、解码器和聚类层构成；给定训练数据
Figure FDA0003786081910000011
Figure FDA0003786081910000012
为正常数据，
Figure FDA0003786081910000013
为异常数据；深度聚类模块利用编码器来提取数据的隐空间特征，相应的映射函数写成：
Figure FDA0003786081910000014
其中，z表示正常数据的隐空间特征，fw(·)表示编码器非线性映射函数，w为编码器的参数；解码器通过重构数据特征学习原始数据的局部与全局信息；解码器映射函数写成：
Figure FDA0003786081910000015
其中，gw′(·)表示解码器非线性映射函数，w′为解码器的参数；为了使编码器输出的正常数据的隐空间特征z具有簇状结构特征，深度聚类模块设计了聚类层，相应的映射函数写成如下形式：
Figure FDA0003786081910000016
其中，μj表示第j个簇中心；qij表示第i个隐空间特征zi和第j个簇中心μj之间的相似度；优化深度聚类模型的自监督约束目标方程写成如下形式：
La＝Lcl+γLre
Figure FDA0003786081910000017
其中，Lcl为聚类损失函数，Lre为重构损失函数；γ＞0表示平衡系数；xi表示训练数据
Figure FDA0003786081910000021
中的第i个样本；pij为自监督目标分布，写成如下形式：
Figure FDA0003786081910000022
通过自学习的训练方式可缩小正常数据的隐空间特征zi与相应类别簇中心μj之间的距离；
(2)对抗训练阶段
对抗训练阶段利用对抗异常检测模块AADM捕获正常数据的隐空间特征分布；对抗异常检测模块包括两部分：特征生成器G和特征判别器D；训练生成器G的生成损失Lg写成如下形式：
Figure FDA0003786081910000023
其中，
Figure FDA0003786081910000024
是高斯噪声，
Figure FDA0003786081910000025
是噪声分布，
Figure FDA0003786081910000026
特征判别器D用判别损失项Ld学习正常数据的判别信息，Ld被写成如下形式：
Figure FDA0003786081910000027
其中，z为正常数据的隐空间特征，其边缘分布为pz(z)，z～pz(z)；
(3)异常评估阶段
异常评估阶段利用训练好的深度聚类模块与对抗异常检测模块对数据进行异常评估；异常评估阶段将对抗异常检测模块AADM中特征判别器D的输出与相应的阈值进行比较以获得异常检测结果；异常评估阶段包括两步：第一步，将待测试数据输入训练好的深度聚类模块，通过编码器输出数据的隐空间特征；第二步，将编码器输出数据的隐空间特征输入训练好的对抗异常检测模块AADM中，特征判别器D会输出相应的异常检测概率值，如果对抗异常检测模块AADM输入的是异常数据，输出的概率值较小；对抗异常检测模块AADM将特征判别器D的输出与阈值进行比较，自适应地判断待测数据是否异常；阈值写成如下形式：
Figure FDA0003786081910000031
其中，o表示特征判别器D的输出结果，σ是特征判别器D的调节超参数；如果判别器D的输出值小于相应的阈值δ，那么对应的输入数据则被视为异常数据，否则被视为正常数据。
CN202210942026.2A 2022-08-08 2022-08-08 一种基于深度聚类的对抗异常检测系统 Active CN115314287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210942026.2A CN115314287B (zh) 2022-08-08 2022-08-08 一种基于深度聚类的对抗异常检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210942026.2A CN115314287B (zh) 2022-08-08 2022-08-08 一种基于深度聚类的对抗异常检测系统

Publications (2)

Publication Number Publication Date
CN115314287A true CN115314287A (zh) 2022-11-08
CN115314287B CN115314287B (zh) 2024-08-20

Family

ID=83860146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210942026.2A Active CN115314287B (zh) 2022-08-08 2022-08-08 一种基于深度聚类的对抗异常检测系统

Country Status (1)

Country Link
CN (1) CN115314287B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041121A (zh) * 2023-10-07 2023-11-10 成都无声讯通科技有限责任公司 基于数据挖掘的物联网异常监测方法及系统
CN117640342A (zh) * 2023-12-06 2024-03-01 国网河南省电力公司电力科学研究院 一种电力监控系统主体异常检测方法、装置、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019070930A (ja) * 2017-10-06 2019-05-09 株式会社日立パワーソリューションズ 異常検知装置および異常検知方法
US20210174171A1 (en) * 2019-03-13 2021-06-10 Nanjing University Of Aeronautics And Astronautics Satellite anomaly detection method and system for adversarial network auto-encoder
CN114037877A (zh) * 2021-10-20 2022-02-11 中山大学 基于局部异常数据提升全局异常检测性能的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019070930A (ja) * 2017-10-06 2019-05-09 株式会社日立パワーソリューションズ 異常検知装置および異常検知方法
US20210174171A1 (en) * 2019-03-13 2021-06-10 Nanjing University Of Aeronautics And Astronautics Satellite anomaly detection method and system for adversarial network auto-encoder
CN114037877A (zh) * 2021-10-20 2022-02-11 中山大学 基于局部异常数据提升全局异常检测性能的方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117041121A (zh) * 2023-10-07 2023-11-10 成都无声讯通科技有限责任公司 基于数据挖掘的物联网异常监测方法及系统
CN117041121B (zh) * 2023-10-07 2023-12-19 成都无声讯通科技有限责任公司 基于数据挖掘的物联网异常监测方法及系统
CN117640342A (zh) * 2023-12-06 2024-03-01 国网河南省电力公司电力科学研究院 一种电力监控系统主体异常检测方法、装置、设备和介质

Also Published As

Publication number Publication date
CN115314287B (zh) 2024-08-20

Similar Documents

Publication Publication Date Title
Lu et al. Deep model based domain adaptation for fault diagnosis
Jin et al. Deep learning for underwater image recognition in small sample size situations
CN114386521B (zh) 时间序列数据的异常检测方法、系统、设备和存储介质
CN115314287A (zh) 一种基于深度聚类的对抗异常检测系统
CN103728551A (zh) 一种基于级联集成分类器的模拟电路故障诊断方法
Chen et al. Domain adaptation for semi-supervised ship detection in SAR images
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
CN111310719B (zh) 一种未知辐射源个体识别及检测的方法
CN117113170A (zh) 一种基于多尺度信息融合的轻量化旋转机械故障诊断方法
CN115791174A (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
Zhu et al. Fault diagnosis of wheelset bearings using deep bidirectional long short-term memory network
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
Gao et al. Twins Transformer: Rolling Bearing Fault Diagnosis based on Cross-attention Fusion of Time and Frequency Domain Features
CN114383846A (zh) 基于故障标签信息向量的轴承复合故障诊断方法
Cai et al. Inductive conformal out-of-distribution detection based on adversarial autoencoders
Xu et al. A dense ResNet model with RGB input mapping for cross-domain mechanical fault diagnosis
Pan et al. Generalized zero-shot learning fault diagnosis framework based on anomaly detection and contractive stacked autoencoder
Fang et al. Overcoming Limited Fault Data: Intermittent Fault Detection in Analog Circuits via Improved GAN
CN114136565B (zh) 一种多振源系统的故障诊断系统及方法
Han et al. COMBUSTION CONDITION MONITORING THROUGH DEEP LEARNING NETWORKS
Lin et al. Data Augmentation for Industrial Multivariate Time Series via a Spatial and Frequency Domain Knowledge GAN
Sun Research on fault diagnosis of electronic device based on multi-sensor fusion
CN117768207B (zh) 一种基于改进Transformer重构模型的网络流量无监督异常检测方法
Fan Research on Transformer Fault Diagnosis Method Based on Deep Learning Algorithm Optimization
Yan Bearing Fault Image Recognition Method Based on Decision Fusion and Optimization Deep Learning Framework

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