CN116149896A - 时序数据异常检测方法、存储介质和电子设备 - Google Patents

Abstract

本申请公开了一种时序数据异常检测方法、存储介质和电子设备。其中，该方法包括：获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。本申请解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

Description

时序数据异常检测方法、存储介质和电子设备

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种时序数据异常检测方法、存储介质和电子设备。

背景技术

时序异常检测是各类应用场景中的重要任务之一，然而应用场景往往复杂度较高，时序数据噪声多，时序数据中异常模式多变、异常样本比重小，由此导致时序异常检测难度大。

现有技术中，对时序数据进行异常检测的方法通常需要依赖有标签数据，难以准确检测到各类异常。特别是在应用场景复杂度较高时，异常检测任务面临以下挑战：标签获取难度大，数据标记成本高；时序数据的异常模式不突出，数据噪声多，时序异常的区分难度大；不同类型的时序异常和不同的时序异常特征对应的检测难度不同，现有的点异常检测算法往往难以针对时序数据中的周期性异常和趋势性异常进行优化，并且容易受到数据噪声的影响，鲁棒性较差。在此基础上，目前相关技术领域中尚未提出有效的时序异常检测方案。

发明内容

本申请实施例提供了一种时序数据异常检测方法、存储介质和电子设备，以至少解决相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

根据本申请实施例的一个方面，提供了一种时序数据异常检测方法，包括：获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

根据本申请实施例的另一方面，还提供了一种时序数据异常检测方法，包括：获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；基于设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

根据本申请实施例的另一方面，还提供了一种时序数据异常检测方法，包括：获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；对运维时序数据进行切分操作，得到多个运维时间块；对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；基于运维表征分析结果进行时序数据异常检测，得到运维检测结果。

根据本申请实施例的另一方面，还提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行任意一项上述的时序数据异常检测方法。

根据本申请实施例的另一方面，还提供了一种电子设备，包括：处理器；以及存储器，与上述处理器连接，用于为上述处理器提供处理以下处理步骤的指令：获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

在本申请实施例中，获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

容易理解的是，采用对时序数据进行切分以得到多个时间块的方式，通过对比表征分析方法，在考虑到多个时间块内部的数据相关性以及多个时间块之间的数据相关性的情况下进行时序数据异常检测，所得到检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个时间块以更细粒度对时序数据进行数据相关性分析以得到更准确的时序数据异常检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

容易注意到的是，上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释，并不构成对本申请的限定。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了一种用于实现时序数据异常检测方法的计算机终端（或移动设备）的硬件结构框图；

图2是根据本申请实施例1的一种时序数据异常检测方法的流程图；

图3是根据本申请实施例1的一种可选的时序数据异常检测流程的示意图；

图4是根据本申请实施例1的一种可选的多尺度对偶双分支架构的示意图；

图5是根据本申请实施例1的一种可选的多尺度对偶双分支框架中块间注意力机制的示意图；

图6是根据本申请实施例1的一种可选的多尺度对偶双分支框架中块内注意力机制的示意图；

图7是根据本申请实施例1的一种可选的多尺度对偶双分支架构的第一分支的示意图；

图8是根据本申请实施例1的一种可选的多尺度对偶双分支架构的第二分支的示意图；

图9是根据本申请实施例2的另一种时序数据异常检测方法的流程图；

图10是根据本申请实施例3的另一种时序数据异常检测方法的流程图；

图11是根据本申请实施例4的一种时序数据异常检测装置的结构示意图；

图12是根据本申请实施例4的一种可选的时序数据异常检测装置的结构示意图；

图13是根据本申请实施例4的另一种时序数据异常检测装置的结构示意图；

图14是根据本申请实施例4的另一种可选的时序数据异常检测装置的结构示意图；

图15是根据本申请实施例4的另一种可选的时序数据异常检测装置的结构示意图；

图16是根据本申请实施例4的另一种可选的时序数据异常检测装置的结构示意图；

图17是根据本申请实施例4的又一种时序数据异常检测装置的结构示意图；

图18是根据本申请实施例5的一种计算机终端的结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，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的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请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，以便这里描述的本申请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。

首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：

异常检测（Anomaly Detection）：是数据挖掘中的一类任务，具体为对时序数据中时序异常（指不符合预期模式的样本、事件或观测值）的识别任务。时序异常也被称为离群值、新奇事件、噪声、偏差或者例外。

点异常检测（Point-wise Anomaly Detection）：属于异常检测中的一种。区别于事件异常检测或段异常检测，点异常检测对于时序数据中每个时刻均进行异常判断。

神经网络表征（Neural Networks Representation）：是指用于表示数据对象之间的相似性的通用关系。在神经网络中，原始数据通过复杂的网络变换后得到的变换结果就是该原始数据的一种神经网络表征。该变换结果与原始数据之间存在一定的相似性，能够表征原始数据的某些特性。

异常得分（Anomaly Score）：是指在异常检测过程中针对经过神经网络变换后的样本的离群程度所给出的测度。样本的异常得分越高表示该样本是异常样本的概率更高，通过设定异常得分阈值能够得到样本是否异常的判断结果。

信号滤波（Signal Filtering）：是指将信号中的特定波段进行滤除的操作。信号滤波是抑制和防止噪声干扰模型性能的重要措施之一。

对比学习（Contrastive Learning）：是自监督学习中的一种方法，具体为一种利用无标签样本（不依赖有标签数据）来拟合模型的学习方法。对比学习的重点在于学习同类实例之间的共同特征，以及区分非同类实例时间的区别特征。对比学习能够基于抽象语义级别的特征空间学习对数据的区分，因此采用对比学习的模型其训练和优化过程简单，泛化能力强。

表征学习（Representation Learning）：是指将原始数据转换成为能够被机器学习的数据从而实现有效开发的一种学习方式。表征学习允许机器在学习如何使用特征的同时学习如何提取特征，从而能够避免机器学习中需要手动提取特征的问题。

现有技术提供的时序异常检测方法主要有以下几种。

第一种，结合使用聚类和长短期记忆（Long Short-Term Memory，LSTM）网络的时序异常检测方法，先寻找多变量的最大化主簇，然后利用LSTM对多变量的时序数据进行结构最小化重构，进而用多数投票方法进行异常标注。这种方法适用于电力设备运检。

第二种，关键性能指标数据的时序异常检测方法，先对时序数据进行预处理，然后利用支持向量机对样本进行异常打分，进而根据设定的评估标准（阈值）标注异常标签。

第三种，利用循环模式为时序数据创建周期性轮廓从而进行时序异常检测的方法，主要关注周期识别，现在少量数据上学习周期信息，然后在待进行异常检测的时序数据上应用。

第四种，使用机器学习和人工智能实现机器异常的近实时检测和分类方法，利用人工智能分析得到的一系列规则，对时序数据进行异常数据和正常数据的区分判断。

第五种，基于关联差异的时序异常检测方法，使用Transformer架构以及高斯分布函数分别进行全局特征和局部特征的提取，在多个应用场景数据集上取得较好的效果。

现有技术中提供的上述几种时序异常检测方案普遍存在如下缺陷。

缺陷1：没有考虑到实际场景中异常数据过少、特征类别多变的情况，在少量带标签的异常数据上应用可能会使得模型的泛化能力和可迁移性变差，从而导致应用时存在时序异常的漏检风险。

缺陷2：没有充分考虑场景中可能存在的多种时序异常情况，不同场景中的时序异常可能表现在时序趋势上或时序周期上，时序异常的表现形式可能是突出的单点异常或较长时间的事件异常（或称段异常），在此基础上，上述现有的时序异常检测方法对高噪声时序数据的异常检测能力相当有限。

缺陷3：没有充分考虑异常数据和正常数据的表征区别，上述现有的时序异常检测方法均属于基于重构的方法，难以在分析每个单点数据的同时考虑时序窗口内所有数据的相关性，因此难以充分学习到异常数据和正常数据的表征区别。

针对上述缺陷，在本申请之前尚未提出有效的解决方案。

实施例1

根据本申请实施例，还提供了一种时序数据异常检测方法对应的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现时序数据异常检测方法的计算机终端（或移动设备）的硬件结构框图。如图1所示，计算机终端10（或移动设备）可以包括一个或多个（图中采用102a，102b，……，102n来示出）处理器102（处理器102可以包括但不限于微处理器（Microcontroller Unit，MCU）或可编程逻辑器件（Field Programmable Gate Array，FPGA）等的处理装置）、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（Universal SerialBus，USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10（或移动设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的时序数据异常检测方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的时序数据异常检测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器（Liquid Crystal Display，LCD），该液晶显示器可使得用户能够与计算机终端10（或移动设备）的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算机设备（或移动设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或移动设备）中的部件的类型。

在上述运行环境下，本申请提供了如图2所示的时序数据异常检测方法。图2是根据本申请实施例1的一种时序数据异常检测方法的流程图，如图2所示，该时序数据异常检测方法包括：

步骤S21，获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；

步骤S22，对时序数据进行切分操作，得到多个时间块；

步骤S23，对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；

步骤S24，基于表征分析结果进行时序数据异常检测，得到检测结果。

本申请实施例提供的上述时序数据异常检测方法可以但不限于应用于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及目标应用属性的时序异常检测的应用场景中，例如：电商订单的时序异常检测、远程课程、线上会议或社交群聊的互动数据时序异常检测等。特别地，考虑到电商服务水平和电商效益，当前对电商领域中的电商运维属性的时序异常检测是热门且重要的任务之一，在电商运维属性的时序异常检测任务中，上述目标应用属性为电商运维属性，上述历史时间范围可以由技术人员预先设置为一个月、二十天、一周等，以一个月为例，上述时序数据（Time Series data）中包含上述电商运维属性在过去一个月内随时间发生变化的数据。上述时序数据由应用场景中目标应用属性对应的组块（预设的计算组件、监测组件等）记录。

在时间维度上对上述时序数据进行切分操作，得到多个时间块（patch）。本申请实施例中并不对上述切分操作所采用的具体切分方法进行限定。

对上述多个时间块中每个时间块对应的时序数据进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性。基于上述表征分析结果所表征的上述数据相关性，进行书序数据异常检测，能够得到上述检测结果。也就是说，本申请实施例中，采用基于时间块切分以及对比表征分析的技术构思，能够在时序异常检测任务中以更细的粒度从多个尺度（包括块内和块间）上考虑到时序数据的数据相关性，与现有技术相比，本申请实施例的上述方法步骤能够通过更细的数据分析粒度挖掘到时序数据中的全局特征和局部特征，还能够通过数据相关性学习到时序数据中异常数据与正常数据的区别，得到的异常检测结果准确度更高，时序数据的异常检测鲁棒性较高。

在本申请实施例中，获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

容易理解的是，采用对时序数据进行切分以得到多个时间块的方式，通过对比表征分析方法，在考虑到多个时间块内部的数据相关性以及多个时间块之间的数据相关性的情况下进行时序数据异常检测，所得到检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个时间块以更细粒度对时序数据进行数据相关性分析以得到更准确的时序数据异常检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

在一种可选的实施例中，在步骤S22中，对时序数据进行切分操作，得到多个时间块，包括如下方法步骤：

步骤S31，对时序数据进行预处理，得到预处理结果；

步骤S32，对预处理结果进行切分操作，得到多个时间窗；

步骤S33，对多个时间窗进行切块操作，得到多个时间块。

通过对时序数据进行预处理，去除时序数据中噪声数据和离群数据对后续时间块切分的处理，进而能够提升后续时序异常检测的准确度。容易理解的是，对预处理结果进行时间窗切分操作以及时间块切块操作，将经过预处理的时序数据分布在多个时间块中，在此基础上，能够考虑到时间块内部和时间块之间的数据相关性，由此进行的时序异常检测准确度更高。

在一种可选的实施例中，在步骤S22中，对时序数据进行切分操作，得到多个时间块，包括如下方法步骤：

步骤S221，对时序数据进行预处理，得到预处理结果；

步骤S222，对预处理结果进行切分操作，得到多个时间块。

以下以电商运维属性的时序异常检测为例进行说明，图3是根据本申请实施例1的一种可选的时序数据异常检测流程的示意图，如图3所示，在电商运维场景中，获取电商运维属性对应的多变量时序数据（其中的样本

，T表示每个变量对应的时序数据的样本数，d表示变量数）后，对多变量时序数据的处理和分析大致分为四个阶段：预处理阶段、对比表征分析阶段、采样计算阶段和异常判定阶段。预处理阶段用于对时序数据进行预处理以及对预处理结果进行切分操作，将所输入的多变量时序数据切分为多个时间块对应的时序数据。

在一种可选的实施例中，在步骤S221中，对时序数据进行预处理，得到预预处理结果，包括如下方法步骤：

步骤S2211，对时序数据进行滤波处理，得到滤波结果；

步骤S2212，对滤波结果进行归一化处理，得到预处理结果。

仍然以电商运维属性的时序异常检测为例，在预处理阶段对时序数据进行的处理包括滤波处理和归一化处理。具体地，利用预设滤波算法对多变量时序数据进行滤波以去除噪声数据，以及利用预设归一化方法对多变量时序数据的每个通道分别进行独立的归一化处理，得到预处理结果。

在一种可选的实施方式中，上述预设滤波算法为双边滤波（Bilateral滤波）算法。Bilateral滤波是一种基于混合权重的局部平滑算法，通过Bilateral滤波保留多变量时序数据的边缘特征并消除噪声，在保证多变量时序数据不受影响的情况下减少时序异常检测中由于噪声带来的异常误报。

在一种可选的实施方式中，上述预设归一化方法为可逆实例归一化（ReverseInstance Normalization，RevIN）方法。通过RevIN方法将多变量时序数据的特征值映射至0到1之间，消除多变量时序数据中的离群值以及数量级对后续的时序数据异常检测的影响，提高时序数据异常检测的准确度。

在一种可选的实施例中，在步骤S222中，对预处理结果进行切分操作，得到多个时间块，包括如下方法步骤：

步骤2221，对预处理结果进行切分操作，得到多个时间窗；

步骤2222，对多个时间窗进行切块操作，得到多个时间块。

仍然以电商运维属性的时序异常检测为例，在预处理阶段，基于经过滤波处理和归一化处理的预处理结果，对预处理结果对应的多变量时序数据进行窗口切分操作，得到多个时间窗，进而对多个时间窗进行切块操作，得到多个时间块（patch）。切块操作后的时序数据中的样本表示为

，其中P表示时间块数，N表示每个时间块中的时间窗数。当将一个时序数据的样本切分为一个时间窗时，/>

。

在一种可选的实施方式中，在上述预处理阶段的滤波处理和归一化处理中，利用通道独立（Channel Independence）方法，对多变量时序数据的每个通道分别进行独立的处理，以减少多变量时序数据的不同通道之间的信息差对时序异常检测性能的影响。特别地，在进行归一化处理的过程中，对多变量时序数据的均值和方差进行调整时所使用的信息均来自于对应的数据样本和数据样本所在的时间窗本身，而与其他时间窗的数据和其他通道数据无关，因此，上述预处理阶段所采用的通道独立方法能够提升时序数据异常检测的鲁棒性

在一种可选的实施例中，在步骤S23中，对多个时间块进行对比表征分析，得到表征分析结果，包括如下方法步骤：

步骤S231，对多个时间块进行块级嵌入处理，得到块级嵌入结果，以及对多个时间块进行块内嵌入处理，得到块内嵌入结果；

步骤S232，对块级嵌入结果进行块间注意力机制计算，得到块级计算结果，以及对块内嵌入结果进行块内注意力机制计算，得到块内计算结果；

步骤S233，基于块级计算结果和块内计算结果确定表征分析结果。

仍然以电商运维属性的时序异常检测为例，在对比表征分析阶段，将多个时间块对应的时序数据输入多尺度对偶双分支架构中进行对比表征分析得到块间相关性表征和块内相关性表征。具体地，对比表征分析过程为：使用Transformer架构对多个时间块进行时间块内部的特征提取和时间块之间的特征提取，在特征提取的过程中，利用对比学习的方法，根据所提取的特征的相关性，学习特征之间的共同特征以及区分特征之间的区别特征，从而得到块间相关性表征和块内相关性表征。块内相关性表征用于表征多个时间块内部的数据相关性，块间相关性表征用于表征多个时间块之间的数据相关性。

需要说明的是，由于在对比表征分析阶段所采用的上述对比学习的方法为一种利用无标签样本（不依赖有标签数据）来拟合模型的学习方法，因此，本申请实施例提供的时序数据异常检测方法不依赖有标签数据，不受到应用场景中数据标注难度大的限制，能够在缺少有标签数据的应用场景中仍然保持较好性能，鲁棒性较强。

图4是根据本申请实施例1的一种可选的多尺度对偶双分支架构的示意图，如图4所示，该多尺度对偶双分支框架为基于对偶注意力结构的对比学习框架。将切块操作后时序数据的样本

输入该多尺度对偶双分支框架中的具体过程为（以下以多尺度对偶双分支框架中的单尺度为例进行说明，尺度数为L，对应地，多尺度对偶双分支框架包括L层结构相同的单尺度对偶双分支框架）：对时序数据进行块级嵌入处理，得到块级嵌入结果，记为K1和Q1；对时序数据进行块间嵌入处理，得到块间嵌入结果，记为K2和Q2。进一步地，利用块间多头注意力机制对块级嵌入结果K1和Q1进行计算，得到块级计算结果；利用块内多头注意力机制对块内嵌入结果K2和Q2进行计算，得到块间计算结果。进一步地，基于块级计算结果和块间计算结果进行对比学习，确定表征分析结果。

在一种可选的实施例中，在步骤S24中，基于表征分析结果进行时序数据异常检测，得到检测结果，包括如下方法步骤：

步骤S241，对表征分析结果中的块级计算结果进行块级上采样处理，得到块级采样结果，以及对表征分析结果中的块内计算结果进行点级上采样处理，得到点级采样结果；

步骤S242，对块级采样结果与点级采样结果进行表征差异度量，得到检测结果。

仍然以电商运维属性的时序异常检测为例，在采样计算阶段，对块间相关性表征和块内相关性表征进行上采样得到采样结果，基于采样结果进行模型训练，在模型训练的过程中进行异常计算，得到异常得分。

在一种可选的实施方式中，上述采样结果包括块级采样结果和点级采样结果。如图4所示，在多尺度对偶双分支框架的每层框架结构中，分别对该层块级计算结果进行块级上采样，并对多个尺度对应的块级上采样结果进行多尺度均值计算，得到上述块级采样结果；分别对该层块间计算结果进行点级上采样，并对多个尺度对应的点级上采样结果进行多尺度均值计算，得到上述点级采样结果。上述块级采样结果为经不同的块间多头注意力机制的Transformer架构编码后的数据相关性表征。上述点级采样结果为经不同的块内多头注意力机制的Transformer架构编码后的数据相关性表征。块级采样结果和点级采样结果中的时序数据的样本

，H表示Transformer架构中多头注意力机制的头（Head）数。

进一步地，本例中上述表征差异度量为相似性度量。基于块级采样结果和点级采样结果进行相似性度量，确定上述检测结果。上述检测结果还可以用于对块级采样结果和点级采样结果进行梯度更新。

图5是根据本申请实施例1的一种可选的多尺度对偶双分支框架中块间注意力机制的示意图，如图5所示，L层Transformer架构中任一单层Transformer架构中多头注意力机制的每个头（Head），基于多个时间块的块级嵌入结果K1和Q1分别进行加权线性处理，并通过对应层的缩放的点乘注意力机制进行计算，将每个头对应的计算结果进行拼接，得到当前层Transformer架构对应的块级计算结果。进一步地，基于块级计算结果进行后续的块级上采样处理。

图6是根据本申请实施例1的一种可选的多尺度对偶双分支框架中块内注意力机制的示意图，如图6所示，块内注意力机制的处理操作与如图5中的块间注意力机制的处理操作类似，区别在于加权线性处理的对象为多个时间块的块内嵌入结果K2和Q2，以及对拼接得到的块内计算结果进行点级上采样。

需要说明的是，图5和图6所示的块间注意力机制和块内注意力机制为对偶注意力机制框架，在图5中对K1和Q1进行加权线性处理与在图6中对K2和Q2进行加权线性处理时，能够共享权重。

在一种可选的实施方式中，上述多尺度对偶双分支架构为双通道的Transformer架构。图7是根据本申请实施例1的一种可选的多尺度对偶双分支架构的第一分支的示意图，图8是根据本申请实施例1的一种可选的多尺度对偶双分支架构的第二分支的示意图，对于单层多尺度对偶双分支架构以时序数据的窗口大小为12（即上述T=12）单个时间块（patch）大小为3（即上述N=3）为例进行说明，12个时序数据窗口（如图7和图8中的d1至d12）划分为4个时间块（即上述P=4，如图7和图8的A1、B1、C1和D1）。

如图7所示，在单层的多尺度对偶双分支架构（双通道的Transformer架构）的第一分支中，利用时间块内部的注意力机制为模型学习每个时间块（patch）内的时序数据（包括正常数据和异常数据）的特征，同时在每个时间块内计算每两个时序数据之间的相关性表征。如图7所示，经过注意力机制的计算，得到4个时间块对应的4个块内相关性表征（如图7中的A2、B2、C2和D2）。

如图8所示，在单层的多尺度对偶双分支架构（双通道的Transformer架构）的第二分支中，利用4个时间块之间的注意力机制为模型学习每个时间块（patch）内的时序数据（包括正常数据和异常数据）的特征，同时在4个时间块之间计算每两个时序数据之间的相关性表征。如图8所示，经过注意力机制的计算，得到4个时间块对应的4个块间相关性表征（如图7中的A4、B4、C4和D4）。

仍然如图7和图8所示，为了对两个分支的表征差异进行对比学习，使用不同的上采样方式分别对如图7所示的第一分支中的块内相关性表征和如图8所示的第二分支中的块间相关性表征进行处理，得到形状相同（也即维度相同）的张量（本例中为T×T，也即12×12）作为采样结果。但由于两个分支中所采用的注意力机制和上采样方法均不同，相应地，所得到的采样结果中样本排列的顺序也不同。例如，如图7所示的第一分支的采样结果中的样本排列方式为4个时间块对应的采样结果依次排列（A3、B3、C3和D3）。而如图8所示的第二分支的采样结果中样本排列方式为4个时间块对应的采样结果中多个样本交叉排列，也即，时间块A1对应的第二分支采样结果包括A51、A52和A53，时间块B1对应的第二分支采样结果包括B51、B52和B53，时间块C1对应的第二分支采样结果包括C51、C52和C53，时间块D1对应的第二分支采样结果包括D51、D52和D53，如图8所示的采样结果中样本排列的顺序为A51、B51、C51、D51、A52、B52、C52、D52、A53、B53、C53、D53。

需要说明的是，上述涉及图7和图8的解释均为以单层的多尺度对偶双分支架构（双通道的Transformer架构）为例进行的，在对时序数据进行异常检测的过程中，采用H层多尺度对偶双分支架构进行对比表征分析，因此，所得到的采样结果（包括块级采样结果和点级采样结果）中的样本的维度可以表示为

。

在应用场景中，时序数据中的异常发生情况非常复杂，异常数据的特征提取难度大。对此，本申请实施例使用多尺度分析方法对时序数据中的异常数据进行分析，从而以多个更细粒度提取异常数据的特征，进而在不同的细粒度中分析时序数据的异常表征以及分析异常数据与对应时间窗内其他时序数据之间的相关性，由此使得本申请实施例提供的时序数据异常检测方法能够在时序异常情况复杂的情况下仍然具备较高的准确度和鲁棒性。

在一种可选的实施例中，在步骤S242中，对块级采样结果与点级采样结果进行表征差异度量，得到检测结果，包括如下方法步骤：

步骤S2421，对块级采样结果与点级采样结果进行表征差异度量，得到异常得分；

步骤S2422，对异常得分与预设阈值进行比较，得到检测结果。

仍然以电商运维属性的时序异常检测为例，对块级采样结果与点级采样结果进行表征差异度量包括在采样计算阶段计算异常得分（Anomaly Score）以及在异常判定阶段得到检测结果。上述检测结果包括所输入的多变量时序数据对应的异常标签。

在一种可选的实施方式中，在基于采样结果进行模型训练的过程中，使用相对熵（也称Kullback-Leibler Divergence，KL散度）作为损失函数进行模型训练。KL散度能够度量两个概率分布之间的差异，本例中，KL散度作为损失函数能够度量块间相关性表征和块内相关性表征之间的差异，因此，将KL散度作为损失函数进行计算所得到的损失函数值作为异常得分，也即上述在模型训练过程中所进行的异常计算即为模型训练过程中的损失计算。

此外，在基于采样结果进行模型训练的过程中，使用梯度停止方法防止训练过程中的模型坍塌。利用KL散度的不对称性，首先训练时序数据的局部对于全局的KL散度，然后对全局的模型分支进行梯度停止操作，以达到防止模型坍塌的目的。

在一种可选的实施方式中，在异常判定阶段，基于异常得分，通过由先验知识得到的阈值规则判定时序数据是否存在异常，再根据判定结果输出对应的时序数据的异常标签。异常标签

，容易理解的是，通过本申请实施例提供的方法，为基于多变量的时序数据的样本/>

得到对应的异常标签/>

，考虑多变量为上述过程带来一定的鲁棒性。

在一种可选的实施方式中，基于异常得分，对时序数据进行单点异常检测。上述异常得分表征上述双通道的Transformer架构得到的两个表征分析结果之间的差异，两个表征分析结果之间的差异越大，异常得分越高。

容易理解的是，本申请提供的时序异常检测方法的有益效果包括以下几点。

有益效果（1），通过对时序数据进行滤波，拉大了时序数据中正常点和异常点之间的“距离”，消除了正常时序数据中掺杂的噪声对时序异常检测的影响，增加了模型对噪声数据的鲁棒性。

有益效果（2），使用基于对偶注意力机制的神经网络架构对时间块切分后的时间块内部以及时间块之间进行特征提取，使用对比表征算法无监督地学习时序数据中正常点和异常点的差异。

有益效果（3），使用多尺度方法以更细粒度挖掘时序数据的全局信息和局部信息，进而优化模型性能。

有益效果（4），在上述时序异常检测方法中，利用通道独立（ChannelIndependence）方法，将原始信号的多通道信息进行分别考虑，减小不同的通道之间的信息差对模型性能的影响。

基于本申请提供的上述时序异常检测方法，在多个公开数据集上进行测试，测试结果表明，上述时序异常检测方法在准确度等指标上显著优于本申请之前本领域的SOTA（State of the arts）模型，并且，在测试过程中通过消融实验发现，本申请提供的上述时序异常检测方法中的每个模块都对准确度和鲁棒性的提升做出重要贡献。具体地，所采用的基于对偶注意力机制的神经网络架构和对比表征学习方法提升了模型的各项性能，所采用的多尺度方法和Channel Independence方法提高了模型的鲁棒性，更利于实际场景中应用。

此外还需要说明的是，本申请实施例提供的时序数据异常检测方法中，并不对所采用的滤波方法做出限定（例如还可以采用高低通滤波器、高斯滤波器、趋势滤波器等），并不对时序数据的特征提取网络进行限定（例如还可以采用循环神经网络（RecurrentNeural Network，RNN）、LSTM、时间延迟循环神经网络（Temporal Convolutional Network，TCN）和Transformer的变种网络等），并不对异常得分的计算方式进行限定（例如除KL散度外还可以采用欧式距离、余弦距离或者向量差异等函数进行计算），并不对异常判定方法进行限定（例如除使用先验的预设阈值判断外还可以采用超阈值峰值（Peak OverThreshold）和流式超阈值峰值（Streaming peaks over threshold）等异常判定方法）。

在一种可选的实施例中，通过终端设备提供一图形用户界面，图形用户界面所显示的内容至少部分地包含一时序数据异常检测场景，时序数据异常检测方法还包括如下方法步骤：

步骤S251，响应作用于图形用户界面的第一触控操作，选取目标应用场景类型；

步骤S252，响应作用于图形用户界面的第二触控操作，选取目标应用场景类型对应的目标应用属性与历史时间范围，确定时序数据；

步骤S253，响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；

步骤S254，响应作用于图形用户界面的第四触控操作，对时序数据进行切分操作以得到多个时间块，采用对比表征分析方式对多个时间块进行对比表征分析以得到表征分析结果，以及采用时序数据异常检测方式对表征分析结果进行时序数据异常检测以得到检测结果。

在上述可选的实施例中，图形用户界面中至少显示有时序数据异常检测场景，用户通过该时序数据异常检测场景确定目标应用场景类型、时序数据、对比表征分析方式和时序数据异常检测方式，并触发基于时序数据的切分操作、对比表征分析和时序数据异常检测以得到检测结果。上述时序数据异常检测场景可以但不限于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及时序数据异常检测的应用场景。

上述图形用户界面还包括第一控件（或第一触控区域），当检测到作用于第一控件（或第一触控区域）的第一触控操作时，选取目标应用场景类型。上述目标应用场景类型可以是用户通过第一触控操作从图形用户界面中显示的多个候选应用场景类型中选取的。上述第一触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第二控件（或第二触控区域），当检测到作用于第二控件（或第二触控区域）的第二触控操作时，选取目标应用场景类型对应的目标应用属性与历史时间范围，确定时序数据。上述目标应用属性为上述目标应用场景类型中待进行时序预测的应用属性，上述目标应用属性可以是用户通过第二触控操作从图形用户界面中显示的多个候选应用属性中选取的。上述时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据。上述历史时间范围可以由用户预先设置或者通过第二触控操作从图形用户界面中显示的多个候选时间范围中选取。上述历史时间范围可以是过去一天、过去一周、过去一月等，也可以是指定起始时间（如1月1日零点）和截止时间（如2月1日零点）的历史时间范围。上述第二触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第三控件（或第三触控区域），当检测到作用于第三控件（或第三触控区域）的第三触控操作时，选取对比表征分析方式和时序数据异常检测方式。上述对比表征分析方式可以由用户通过第三触控操作从图形用户界面中显示的多个候选对比表征分析方式中选取；上述时序数据异常检测方式可以由用户通过第三触控操作从图形用户界面中显示的多个候选时序数据异常检测方式中选取。上述第三触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第四控件（或第四触控区域），当检测到作用于第四控件（或第四触控区域）的第四触控操作时，确定执行时序数据异常检测任务，对时序数据进行切分操作以得到多个时间块，采用对比表征分析方式对多个时间块进行对比表征分析以得到表征分析结果，以及采用时序数据异常检测方式对表征分析结果进行时序数据异常检测以得到检测结果。上述第四触控操作可以是点击“确定”按钮、长按等操作。

进一步地，当用户通过对图形用户界面的触控操作确定用户通过该时间序列预测场景确定目标应用场景类型、时序数据、对比表征分析方式和时序数据异常检测方式后，还可以通过触控操作触发基于时序数据的切分操作、对比表征分析和时序数据异常检测以得到检测结果。由此，用户通过对图形用户界面的触控操作，能够实现在指定的应用场景类型中，针对指定历史时间范围内的指定目标应用属性对应的时序数据，按照指定的对比表征分析方式进行比对表征分析，利用时序数据异常检测方式对对比表征分析结果进行时序数据异常检测，得到检测结果。上述过程为用户提供较高的操作灵活度，用户体验好。

需要说明的是，上述第一触控操作、上述第二触控操作、上述第三触控操作和上述第四触控操作均可以是用户用手指接触上述终端设备的显示屏并触控该终端设备的操作。该触控操作可以包括单点触控、多点触控，其中，每个触控点的触控操作可以包括点击、长按、重按、划动等。上述第一触控操作、上述第二触控操作、上述第三触控操作和上述第四触控操作还可以是通过鼠标、键盘等输入设备实现的触控操作。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。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（如只读存储器（Read-OnlyMemory，ROM）、随机存取器（Random Access Memory，RAM）、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例的方法。

实施例2

在如实施例1中的运行环境下，本申请提供了如图9所示的另一种时序数据异常检测方法。图9是根据本申请实施例2的另一种时序数据异常检测方法的流程图，如图9所示，该时序数据异常检测方法包括：

步骤S901，获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；

步骤S902，对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；

步骤S903，对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；

步骤S904，基于设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

本申请实施例提供的上述设备故障诊断时序数据异常检测方法可以但不限于应用于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及设备故障诊断属性的时序异常检测的应用场景中，尤其是新能源设备故障诊断场景中。在设备故障诊断属性的时序异常检测任务中，上述历史时间范围可以由技术人员预先设置为一个月、二十天、一周等，以一个月为例，上述设备故障诊断时序数据中包含上述设备故障诊断属性在过去一个月内随时间发生变化的数据。上述设备故障诊断时序数据由应用场景中设备故障诊断属性对应的组块（预设的计算组件、监测组件等）记录。

在时间维度上对上述设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块。本申请实施例中并不对上述切分操作所采用的具体切分方法进行限定。

对上述多个设备故障诊断时间块中每个时间块对应的设备故障诊断时序数据进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性。基于上述设备故障诊断表征分析结果所表征的上述数据相关性，进行书序数据异常检测，能够得到上述设备故障诊断检测结果。也就是说，本申请实施例中，采用基于设备故障诊断时间块切分以及对比表征分析的技术构思，能够在时序异常检测任务中以更细的粒度从多个尺度（包括块内和块间）上考虑到设备故障诊断时序数据的数据相关性，与现有技术相比，本申请实施例的上述方法步骤能够通过更细的数据分析粒度挖掘到设备故障诊断时序数据中的全局特征和局部特征，还能够通过数据相关性学习到设备故障诊断时序数据中异常数据与正常数据的区别，得到的异常设备故障诊断检测结果准确度更高，设备故障诊断时序数据的异常检测鲁棒性较高。

在本申请实施例中，获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；基于设备故障诊断表征分析结果进行设备故障诊断时序数据异常检测，得到设备故障诊断检测结果。

容易理解的是，采用对设备故障诊断时序数据进行切分以得到多个设备故障诊断时间块的方式，通过对比表征分析方法，在考虑到多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性的情况下进行设备故障诊断时序数据异常检测，所得到设备故障诊断检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个设备故障诊断时间块以更细粒度对设备故障诊断时序数据进行数据相关性分析以得到更准确的设备故障诊断时序数据异常设备故障诊断检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

在一种可选的实施例中，通过终端设备提供一图形用户界面，图形用户界面所显示的内容至少部分地包含一设备故障诊断时序数据异常检测场景，上述时序数据异常检测方法还包括如下方法步骤：

步骤S951，响应作用于图形用户界面的第一触控操作，选取设备故障诊断场景类型；

步骤S952，响应作用于图形用户界面的第二触控操作，选取设备故障诊断场景类型对应的设备故障诊断属性与历史时间范围，确定设备故障诊断时序数据；

步骤S953，响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；

步骤S954，响应作用于图形用户界面的第四触控操作，对设备故障诊断时序数据进行切分操作以得到多个设备故障诊断时间块，采用对比表征分析方式对多个设备故障诊断时间块进行对比表征分析以得到设备故障诊断表征分析结果，以及采用时序数据异常检测方式对设备故障诊断表征分析结果进行时序数据异常检测以得到设备故障诊断检测结果。

在上述可选的实施例中，图形用户界面中至少显示有设备故障诊断时序数据异常检测场景，用户通过该设备故障诊断时序数据异常检测场景确定设备故障诊断场景类型、设备故障诊断时序数据、对比表征分析方式和时序数据异常检测方式，并触发基于设备故障诊断时序数据的切分操作、对比表征分析和设备故障诊断时序数据异常检测以得到设备故障诊断检测结果。上述设备故障诊断时序数据异常检测场景可以但不限于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及设备故障诊断时序数据异常检测的应用场景。

上述图形用户界面还包括第一控件（或第一触控区域），当检测到作用于第一控件（或第一触控区域）的第一触控操作时，选取设备故障诊断场景类型。上述设备故障诊断场景类型可以是用户通过第一触控操作从图形用户界面中显示的多个候选应用场景类型中选取的。上述第一触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第二控件（或第二触控区域），当检测到作用于第二控件（或第二触控区域）的第二触控操作时，选取设备故障诊断场景类型对应的设备故障诊断属性与历史时间范围，确定设备故障诊断时序数据。上述设备故障诊断属性为上述设备故障诊断场景类型中待进行时序预测的应用属性，上述设备故障诊断属性可以是用户通过第二触控操作从图形用户界面中显示的多个候选应用属性中选取的。上述设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据。上述历史时间范围可以由用户预先设置或者通过第二触控操作从图形用户界面中显示的多个候选时间范围中选取。上述历史时间范围可以是过去一天、过去一周、过去一月等，也可以是指定起始时间（如1月1日零点）和截止时间（如2月1日零点）的历史时间范围。上述第二触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第三控件（或第三触控区域），当检测到作用于第三控件（或第三触控区域）的第三触控操作时，选取对比表征分析方式和时序数据异常检测方式。上述对比表征分析方式可以由用户通过第三触控操作从图形用户界面中显示的多个候选对比表征分析方式中选取；上述时序数据异常检测方式可以由用户通过第三触控操作从图形用户界面中显示的多个候选时序数据异常检测方式中选取。上述第三触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第四控件（或第四触控区域），当检测到作用于第四控件（或第四触控区域）的第四触控操作时，确定执行设备故障诊断时序数据异常检测任务，对设备故障诊断时序数据进行切分操作以得到多个设备故障诊断时间块，采用对比表征分析方式对多个设备故障诊断时间块进行对比表征分析以得到设备故障诊断表征分析结果，以及采用时序数据异常检测方式对设备故障诊断表征分析结果进行设备故障诊断时序数据异常检测以得到设备故障诊断检测结果。上述第四触控操作可以是点击“确定”按钮、长按等操作。

进一步地，当用户通过对图形用户界面的触控操作确定用户通过该时间序列预测场景确定设备故障诊断场景类型、设备故障诊断时序数据、对比表征分析方式和时序数据异常检测方式后，还可以通过触控操作触发基于设备故障诊断时序数据的切分操作、对比表征分析和设备故障诊断时序数据异常检测以得到设备故障诊断检测结果。由此，用户通过对图形用户界面的触控操作，能够实现在指定的应用场景类型中，针对指定历史时间范围内的指定设备故障诊断属性对应的设备故障诊断时序数据，按照指定的对比表征分析方式进行比对表征分析，利用时序数据异常检测方式对设备故障诊断表征分析结果进行设备故障诊断时序数据异常检测，得到设备故障诊断检测结果。上述过程为用户提供较高的操作灵活度，用户体验好。

需要说明的是，上述第一触控操作、上述第二触控操作、上述第三触控操作和上述第四触控操作均可以是用户用手指接触上述终端设备的显示屏并触控该终端设备的操作。该触控操作可以包括单点触控、多点触控，其中，每个触控点的触控操作可以包括点击、长按、重按、划动等。上述第一触控操作、上述第二触控操作、上述第三触控操作和上述第四触控操作还可以是通过鼠标、键盘等输入设备实现的触控操作。

在一种可选的实施例中，上述时序数据异常检测方法还包括如下方法步骤：

步骤S96，在图形用户界面内显示设备故障诊断检测结果关联的解释说明信息，其中，解释说明信息用于为排查设备故障提供参考意见。

上述解释说明信息为基于时序数据异常检测所得到的设备故障诊断检测结果生成的参考意见对应的信息，该解释说明信息可以是音频信息、视频信息或文字信息。在得到上述设备故障诊断检测结果后，可以自动在图形用户界面内显示上述解释说明信息，也可以响应作用于图形用户界面的第五触控操作在图形用户界面内显示上述解释说明信息。特别地，在应用场景中，基于设备故障诊断检测结果和预先采集的技术经验数据，生成上述参考意见。

在一种可选的实施例中，上述时序数据异常检测方法还包括如下方法步骤：

步骤S971，确定设备故障诊断检测结果的故障等级以及故障等级对应的处理优先级；

步骤S972，在图形用户界面内，基于故障等级和处理优先级发出提示信息，其中，提示信息用于提示对排查设备故障进行跟踪处理。

上述故障等级为根据设备故障诊断检测结果，从多个候选故障等级中选取的目标故障等级，根据目标故障等级能够进一步确定对应的处理优先级。上述多个候选故障等级与处理优先级的对应关系可以由技术人员预先设定。

进一步地，根据上述故障等级和上述处理优先级，可以对设备故障诊断检测结果对应的待排查的设备故障进行跟踪排查处理，同时，系统可以对上述跟踪排查处理进行实时监测，生成上述提示信息，进一步地，在图形用户界面内显示上述提示信息。

需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

实施例3

在如实施例1中的运行环境下，本申请提供了如图10所示的另一种时序数据异常检测方法。图10是根据本申请实施例3的另一种时序数据异常检测方法的流程图，如图10所示，该时序数据异常检测方法包括：

步骤S1001，获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；

步骤S1002，对运维时序数据进行切分操作，得到多个运维时间块；

步骤S1003，对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；

步骤S1004，基于运维表征分析结果进行时序数据异常检测，得到运维检测结果。

本申请实施例提供的上述运维时序数据异常检测方法可以但不限于应用于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及运维属性的时序异常检测的应用场景中。特别地，上述运维属性可以是云计算运维属性、设备运维属性等。在运维属性的时序异常检测任务中，上述历史时间范围可以由技术人员预先设置为一个月、二十天、一周等，以一个月为例，上述运维时序数据中包含上述运维属性在过去一个月内随时间发生变化的数据。上述运维时序数据由应用场景中运维属性对应的组块（预设的计算组件、监测组件等）记录。

在时间维度上对上述运维时序数据进行切分操作，得到多个运维时间块。本申请实施例中并不对上述切分操作所采用的具体切分方法进行限定。

对上述多个运维时间块中每个时间块对应的运维时序数据进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性。基于上述运维表征分析结果所表征的上述数据相关性，进行书序数据异常检测，能够得到上述运维检测结果。也就是说，本申请实施例中，采用基于运维时间块切分以及对比表征分析的技术构思，能够在时序异常检测任务中以更细的粒度从多个尺度（包括块内和块间）上考虑到运维时序数据的数据相关性，与现有技术相比，本申请实施例的上述方法步骤能够通过更细的数据分析粒度挖掘到运维时序数据中的全局特征和局部特征，还能够通过数据相关性学习到运维时序数据中异常数据与正常数据的区别，得到的异常运维检测结果准确度更高，运维时序数据的异常检测鲁棒性较高。

在本申请实施例中，获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；对运维时序数据进行切分操作，得到多个运维时间块；对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；基于运维表征分析结果进行运维时序数据异常检测，得到运维检测结果。

容易理解的是，采用对运维时序数据进行切分以得到多个运维时间块的方式，通过对比表征分析方法，在考虑到多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性的情况下进行运维时序数据异常检测，所得到运维检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个运维时间块以更细粒度对运维时序数据进行数据相关性分析以得到更准确的运维时序数据异常运维检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

在一种可选的实施例中，通过终端设备提供一图形用户界面，图形用户界面所显示的内容至少部分地包含一运维时序数据异常检测场景，时序数据异常检测方法还包括如下方法步骤：

步骤S1051，响应作用于图形用户界面的第一触控操作，选取运维场景类型；

步骤S1052，响应作用于图形用户界面的第二触控操作，选取运维场景类型对应的运维属性与历史时间范围，确定运维时序数据；

步骤S1053，响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；

步骤S1054，响应作用于图形用户界面的第四触控操作，对运维时序数据进行切分操作以得到多个运维时间块，采用对比表征分析方式对多个运维时间块进行对比表征分析以得到运维表征分析结果，以及采用时序数据异常检测方式对运维表征分析结果进行时序数据异常检测以得到运维检测结果。

在上述可选的实施例中，图形用户界面中至少显示有运维运维时序数据异常检测场景，用户通过该运维运维时序数据异常检测场景确定运维场景类型、运维时序数据、对比表征分析方式和时序数据异常检测方式，并触发基于运维时序数据的切分操作、对比表征分析和运维时序数据异常检测以得到运维检测结果。上述运维运维时序数据异常检测场景可以但不限于电商、教育、医疗、会议、社交网络、金融产品、物流和导航等领域中涉及运维时序数据异常检测的应用场景。

上述图形用户界面还包括第一控件（或第一触控区域），当检测到作用于第一控件（或第一触控区域）的第一触控操作时，选取运维场景类型。上述运维场景类型可以是用户通过第一触控操作从图形用户界面中显示的多个候选应用场景类型中选取的。上述第一触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第二控件（或第二触控区域），当检测到作用于第二控件（或第二触控区域）的第二触控操作时，选取运维场景类型对应的运维属性与历史时间范围，确定运维时序数据。上述运维属性为上述运维场景类型中待进行时序预测的应用属性，上述运维属性可以是用户通过第二触控操作从图形用户界面中显示的多个候选应用属性中选取的。上述运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据。上述历史时间范围可以由用户预先设置或者通过第二触控操作从图形用户界面中显示的多个候选时间范围中选取。上述历史时间范围可以是过去一天、过去一周、过去一月等，也可以是指定起始时间（如1月1日零点）和截止时间（如2月1日零点）的历史时间范围。上述第二触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第三控件（或第三触控区域），当检测到作用于第三控件（或第三触控区域）的第三触控操作时，选取对比表征分析方式和时序数据异常检测方式。上述对比表征分析方式可以由用户通过第三触控操作从图形用户界面中显示的多个候选对比表征分析方式中选取；上述时序数据异常检测方式可以由用户通过第三触控操作从图形用户界面中显示的多个候选时序数据异常检测方式中选取。上述第三触控操作可以是点选、框选、勾选、条件筛选等操作。

上述图形用户界面还包括第四控件（或第四触控区域），当检测到作用于第四控件（或第四触控区域）的第四触控操作时，确定执行运维时序数据异常检测任务，对运维时序数据进行切分操作以得到多个运维时间块，采用对比表征分析方式对多个运维时间块进行对比表征分析以得到运维表征分析结果，以及采用时序数据异常检测方式对运维表征分析结果进行运维时序数据异常检测以得到运维检测结果。上述第四触控操作可以是点击“确定”按钮、长按等操作。

进一步地，当用户通过对图形用户界面的触控操作确定用户通过该时间序列预测场景确定运维场景类型、运维时序数据、对比表征分析方式和时序数据异常检测方式后，还可以通过触控操作触发基于运维时序数据的切分操作、对比表征分析和运维时序数据异常检测以得到运维检测结果。由此，用户通过对图形用户界面的触控操作，能够实现在指定的应用场景类型中，针对指定历史时间范围内的指定运维属性对应的运维时序数据，按照指定的对比表征分析方式进行比对表征分析，利用时序数据异常检测方式对对比运维表征分析结果进行运维时序数据异常检测，得到运维检测结果。上述过程为用户提供较高的操作灵活度，用户体验好。

需要说明的是，上述第一触控操作、上述第二触控操作、上述第三触控操作和上述第四触控操作均可以是用户用手指接触上述终端设备的显示屏并触控该终端设备的操作。该触控操作可以包括单点触控、多点触控，其中，每个触控点的触控操作可以包括点击、长按、重按、划动等。上述第一触控操作、上述第二触控操作、上述第三触控操作和上述第四触控操作还可以是通过鼠标、键盘等输入设备实现的触控操作。

需要说明的是，本实施例的优选实施方式可以参见实施例1中的相关描述，此处不再赘述。

实施例4

根据本申请实施例，还提供了一种用于实施上述时序数据异常检测方法的装置实施例。图11是根据本申请实施例4的一种时序数据异常检测装置的结构示意图，如图11所示，该装置包括：

获取模块1101，用于获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；

切分模块1102，用于对时序数据进行切分操作，得到多个时间块；

分析模块1103，用于对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；

检测模块1104，用于基于表征分析结果进行时序数据异常检测，得到检测结果。

可选地，上述切分模块1102还用于：对时序数据进行预处理，得到预处理结果；对预处理结果进行切分操作，得到多个时间窗；对多个时间窗进行切块操作，得到多个时间块。

可选地，上述分析模块1103还用于：对多个时间块进行块级嵌入处理，得到块级嵌入结果，以及对多个时间块进行块内嵌入处理，得到块内嵌入结果；对块级嵌入结果进行块间注意力机制计算，得到块级计算结果，以及对块内嵌入结果进行块内注意力机制计算，得到块内计算结果；基于块级计算结果和块内计算结果确定表征分析结果。

可选地，上述检测模块1104还用于：对表征分析结果中的块级计算结果进行块级上采样处理，得到块级采样结果，以及对表征分析结果中的块内计算结果进行点级上采样处理，得到点级采样结果；对块级采样结果与点级采样结果进行表征差异度量，得到检测结果。

可选地，上述检测模块1104还用于：对块级采样结果与点级采样结果进行表征差异度量，得到异常得分；对异常得分与预设阈值进行比较，得到检测结果。

可选地，图12是根据本申请实施例4的一种可选的时序数据异常检测装置的结构示意图，如图12所示，该装置除包括图11所示的所有模块外，还包括：响应模块1105，用于响应作用于图形用户界面的第一触控操作，选取目标应用场景类型；响应作用于图形用户界面的第二触控操作，选取目标应用场景类型对应的目标应用属性与历史时间范围，确定时序数据；响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；响应作用于图形用户界面的第四触控操作，对时序数据进行切分操作以得到多个时间块，采用对比表征分析方式对多个时间块进行对比表征分析以得到表征分析结果，以及采用时序数据异常检测方式对表征分析结果进行时序数据异常检测以得到检测结果。

在本申请实施例中，获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

容易理解的是，采用对时序数据进行切分以得到多个时间块的方式，通过对比表征分析方法，在考虑到多个时间块内部的数据相关性以及多个时间块之间的数据相关性的情况下进行时序数据异常检测，所得到检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个时间块以更细粒度对时序数据进行数据相关性分析以得到更准确的时序数据异常检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

此处需要说明的是，上述获取模块1101、切分模块1102、分析模块1103和检测模块1104对应于实施例1中的步骤S21至步骤S24，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器（例如，存储器104）中并由一个或多个处理器（例如，处理器102a，102b，……，102n）处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。

根据本申请实施例，还提供了另一种用于实施上述实施例2中的时序数据异常检测方法的装置实施例。图13是根据本申请实施例4的另一种时序数据异常检测装置的结构示意图，如图13所示，该装置包括：

获取模块1301，用于获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；

切分模块1302，用于对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；

分析模块1303，用于对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；

检测模块1304，用于基于设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

可选地，图14是根据本申请实施例4的另一种可选的时序数据异常检测装置的结构示意图，如图14所示，该装置除包括图13所示的所有模块外，还包括：响应模块1305，用于响应作用于图形用户界面的第一触控操作，选取设备故障诊断场景类型；响应作用于图形用户界面的第二触控操作，选取设备故障诊断场景类型对应的设备故障诊断属性与历史时间范围，确定设备故障诊断时序数据；响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；响应作用于图形用户界面的第四触控操作，对设备故障诊断时序数据进行切分操作以得到多个设备故障诊断时间块，采用对比表征分析方式对多个设备故障诊断时间块进行对比表征分析以得到设备故障诊断表征分析结果，以及采用时序数据异常检测方式对设备故障诊断表征分析结果进行时序数据异常检测以得到设备故障诊断检测结果。

可选地，图15是根据本申请实施例4的另一种可选的时序数据异常检测装置的结构示意图，如图15所示，该装置除包括图14所示的所有模块外，还包括：显示模块1306，用于在图形用户界面内显示设备故障诊断检测结果关联的解释说明信息，其中，解释说明信息用于为排查设备故障提供参考意见。

可选地，图16是根据本申请实施例4的另一种可选的时序数据异常检测装置的结构示意图，如图16所示，该装置除包括图15所示的所有模块外，还包括：提示模块1307，用于确定设备故障诊断检测结果的故障等级以及故障等级对应的处理优先级；在图形用户界面内，基于故障等级和处理优先级发出提示信息，其中，提示信息用于提示对排查设备故障进行跟踪处理。

在本申请实施例中，获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；基于设备故障诊断表征分析结果进行设备故障诊断时序数据异常检测，得到设备故障诊断检测结果。

容易理解的是，采用对设备故障诊断时序数据进行切分以得到多个设备故障诊断时间块的方式，通过对比表征分析方法，在考虑到多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性的情况下进行设备故障诊断时序数据异常检测，所得到设备故障诊断检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个设备故障诊断时间块以更细粒度对设备故障诊断时序数据进行数据相关性分析以得到更准确的设备故障诊断时序数据异常设备故障诊断检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

此处需要说明的是，上述获取模块1301、切分模块1302、分析模块1303和检测模块1304对应于实施例2中的步骤S901至步骤S904，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例2所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器（例如，存储器104）中并由一个或多个处理器（例如，处理器102a，102b，……，102n）处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。

根据本申请实施例，还提供了另一种用于实施上述实施例3中的时序数据异常检测方法的装置实施例。图17是根据本申请实施例4的又一种时序数据异常检测装置的结构示意图，如图17所示，该装置包括：

获取模块1701，用于获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；

切分模块1702，用于对运维时序数据进行切分操作，得到多个运维时间块；

分析模块1703，用于对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；

检测模块1704，用于基于运维表征分析结果进行时序数据异常检测，得到运维检测结果。

在本申请实施例中，获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；对运维时序数据进行切分操作，得到多个运维时间块；对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；基于运维表征分析结果进行运维时序数据异常检测，得到运维检测结果。

容易理解的是，采用对运维时序数据进行切分以得到多个运维时间块的方式，通过对比表征分析方法，在考虑到多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性的情况下进行运维时序数据异常检测，所得到运维检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个运维时间块以更细粒度对运维时序数据进行数据相关性分析以得到更准确的运维时序数据异常运维检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

此处需要说明的是，上述获取模块1701、切分模块1702、分析模块1703和检测模块1704对应于实施例3中的步骤S1001至步骤S1004，四个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例3所公开的内容。需要说明的是，上述模块或单元可以是存储在存储器（例如，存储器104）中并由一个或多个处理器（例如，处理器102a，102b，……，102n）处理的硬件组件或软件组件，上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。

需要说明的是，本实施例的优选实施方式可以参见实施例1、实施例2或实施例3中的相关描述，此处不再赘述。

实施例5

根据本申请实施例，还提供了一种计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。

可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。

在本实施例中，上述计算机终端可以执行时序数据异常检测方法中以下步骤的程序代码：获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

可选地，图18是根据本申请实施例5的一种计算机终端的结构框图，如图18所示，该计算机终端180可以包括：一个或多个（图中仅示出一个）处理器1802、存储器1804、存储控制器、以及外设接口，其中，外设接口与射频模块、音频模块和显示器连接。

其中，存储器1804可用于存储软件程序以及模块，如本申请实施例中的时序数据异常检测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的时序数据异常检测方法。存储器1804可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1804可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端180。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

可选地，上述处理器还可以执行如下步骤的程序代码：对时序数据进行预处理，得到预处理结果；对预处理结果进行切分操作，得到多个时间窗；对多个时间窗进行切块操作，得到多个时间块。

可选地，上述处理器还可以执行如下步骤的程序代码：对多个时间块进行块级嵌入处理，得到块级嵌入结果，以及对多个时间块进行块内嵌入处理，得到块内嵌入结果；对块级嵌入结果进行块间注意力机制计算，得到块级计算结果，以及对块内嵌入结果进行块内注意力机制计算，得到块内计算结果；基于块级计算结果和块内计算结果确定表征分析结果。

可选地，上述处理器还可以执行如下步骤的程序代码：对表征分析结果中的块级计算结果进行块级上采样处理，得到块级采样结果，以及对表征分析结果中的块内计算结果进行点级上采样处理，得到点级采样结果；对块级采样结果与点级采样结果进行表征差异度量，得到检测结果。

可选地，上述处理器还可以执行如下步骤的程序代码：对块级采样结果与点级采样结果进行表征差异度量，得到异常得分；对异常得分与预设阈值进行比较，得到检测结果。

可选地，上述处理器还可以执行如下步骤的程序代码：响应作用于图形用户界面的第一触控操作，选取目标应用场景类型；响应作用于图形用户界面的第二触控操作，选取目标应用场景类型对应的目标应用属性与历史时间范围，确定时序数据；响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；响应作用于图形用户界面的第四触控操作，对时序数据进行切分操作以得到多个时间块，采用对比表征分析方式对多个时间块进行对比表征分析以得到表征分析结果，以及采用时序数据异常检测方式对表征分析结果进行时序数据异常检测以得到检测结果。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；基于设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

可选地，上述处理器还可以执行如下步骤的程序代码：响应作用于图形用户界面的第一触控操作，选取设备故障诊断场景类型；响应作用于图形用户界面的第二触控操作，选取设备故障诊断场景类型对应的设备故障诊断属性与历史时间范围，确定设备故障诊断时序数据；响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；响应作用于图形用户界面的第四触控操作，对设备故障诊断时序数据进行切分操作以得到多个设备故障诊断时间块，采用对比表征分析方式对多个设备故障诊断时间块进行对比表征分析以得到设备故障诊断表征分析结果，以及采用时序数据异常检测方式对设备故障诊断表征分析结果进行时序数据异常检测以得到设备故障诊断检测结果。

可选地，上述处理器还可以执行如下步骤的程序代码：在图形用户界面内显示设备故障诊断检测结果关联的解释说明信息，其中，解释说明信息用于为排查设备故障提供参考意见。

可选地，上述处理器还可以执行如下步骤的程序代码：确定设备故障诊断检测结果的故障等级以及故障等级对应的处理优先级；在图形用户界面内，基于故障等级和处理优先级发出提示信息，其中，提示信息用于提示对排查设备故障进行跟踪处理。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；对运维时序数据进行切分操作，得到多个运维时间块；对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；基于运维表征分析结果进行时序数据异常检测，得到运维检测结果。

在本申请实施例中，获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

容易理解的是，采用对时序数据进行切分以得到多个时间块的方式，通过对比表征分析方法，在考虑到多个时间块内部的数据相关性以及多个时间块之间的数据相关性的情况下进行时序数据异常检测，所得到检测结果准确度更高，上述方法对应的模型鲁棒性更强。由此，本申请达到了基于切分操作得到的多个时间块以更细粒度对时序数据进行数据相关性分析以得到更准确的时序数据异常检测结果的目的，从而实现了提高时序异常检测方法的准确度和鲁棒性的技术效果，进而解决了相关技术中的时序异常检测方法难以对高噪声、多异常类型的时序数据进行分析导致时序异常检测准确度低、鲁棒性差的技术问题。

本领域普通技术人员可以理解，图18所示的结构仅为示意，计算机终端也可以是智能手机（如

、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）等终端设备。图18其并不对上述计算机终端的结构造成限定。例如，计算机终端180还可包括比图18中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图18所示不同的配置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。

实施例6

根据本申请实施例，还提供了一种计算机可读存储介质。可选地，在本实施例中，上述存储介质可以用于保存上述实施例1、实施例2或实施例3所提供的时序数据异常检测方法所执行的程序代码。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取时序数据，其中，时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；对时序数据进行切分操作，得到多个时间块；对多个时间块进行对比表征分析，得到表征分析结果，其中，表征分析结果用于表征多个时间块内部的数据相关性以及多个时间块之间的数据相关性；基于表征分析结果进行时序数据异常检测，得到检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对时序数据进行预处理，得到预处理结果；对预处理结果进行切分操作，得到多个时间窗；对多个时间窗进行切块操作，得到多个时间块。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对多个时间块进行块级嵌入处理，得到块级嵌入结果，以及对多个时间块进行块内嵌入处理，得到块内嵌入结果；对块级嵌入结果进行块间注意力机制计算，得到块级计算结果，以及对块内嵌入结果进行块内注意力机制计算，得到块内计算结果；基于块级计算结果和块内计算结果确定表征分析结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对表征分析结果中的块级计算结果进行块级上采样处理，得到块级采样结果，以及对表征分析结果中的块内计算结果进行点级上采样处理，得到点级采样结果；对块级采样结果与点级采样结果进行表征差异度量，得到检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：对块级采样结果与点级采样结果进行表征差异度量，得到异常得分；对异常得分与预设阈值进行比较，得到检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：响应作用于图形用户界面的第一触控操作，选取目标应用场景类型；响应作用于图形用户界面的第二触控操作，选取目标应用场景类型对应的目标应用属性与历史时间范围，确定时序数据；响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；响应作用于图形用户界面的第四触控操作，对时序数据进行切分操作以得到多个时间块，采用对比表征分析方式对多个时间块进行对比表征分析以得到表征分析结果，以及采用时序数据异常检测方式对表征分析结果进行时序数据异常检测以得到检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；基于设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：响应作用于图形用户界面的第一触控操作，选取设备故障诊断场景类型；响应作用于图形用户界面的第二触控操作，选取设备故障诊断场景类型对应的设备故障诊断属性与历史时间范围，确定设备故障诊断时序数据；响应作用于图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；响应作用于图形用户界面的第四触控操作，对设备故障诊断时序数据进行切分操作以得到多个设备故障诊断时间块，采用对比表征分析方式对多个设备故障诊断时间块进行对比表征分析以得到设备故障诊断表征分析结果，以及采用时序数据异常检测方式对设备故障诊断表征分析结果进行时序数据异常检测以得到设备故障诊断检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在图形用户界面内显示设备故障诊断检测结果关联的解释说明信息，其中，解释说明信息用于为排查设备故障提供参考意见。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：确定设备故障诊断检测结果的故障等级以及故障等级对应的处理优先级；在图形用户界面内，基于故障等级和处理优先级发出提示信息，其中，提示信息用于提示对排查设备故障进行跟踪处理。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取运维时序数据，其中，运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；对运维时序数据进行切分操作，得到多个运维时间块；对多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，运维表征分析结果用于表征多个运维时间块内部的数据相关性以及多个运维时间块之间的数据相关性；基于运维表征分析结果进行时序数据异常检测，得到运维检测结果。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取设备故障诊断时序数据，其中，设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；对设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；对多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，设备故障诊断表征分析结果用于表征多个设备故障诊断时间块内部的数据相关性以及多个设备故障诊断时间块之间的数据相关性；基于设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，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，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接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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，在本申请各个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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元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全部或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（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (13)

1.一种时序数据异常检测方法，其特征在于，包括：

获取时序数据，其中，所述时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；

对所述时序数据进行切分操作，得到多个时间块；

对所述多个时间块进行对比表征分析，得到表征分析结果，其中，所述表征分析结果用于表征所述多个时间块内部的数据相关性以及所述多个时间块之间的数据相关性；

基于所述表征分析结果进行时序数据异常检测，得到检测结果。

2.根据权利要求1所述的时序数据异常检测方法，其特征在于，对所述时序数据进行切分操作，得到所述多个时间块包括：

对所述时序数据进行预处理，得到预处理结果；

对所述预处理结果进行切分操作，得到多个时间窗；

对所述多个时间窗进行切块操作，得到所述多个时间块。

3.根据权利要求1所述的时序数据异常检测方法，其特征在于，对所述多个时间块进行对比表征分析，得到所述表征分析结果包括：

对所述多个时间块进行块级嵌入处理，得到块级嵌入结果，以及对所述多个时间块进行块内嵌入处理，得到块内嵌入结果；

对所述块级嵌入结果进行块间注意力机制计算，得到块级计算结果，以及对所述块内嵌入结果进行块内注意力机制计算，得到块内计算结果；

基于所述块级计算结果和所述块内计算结果确定所述表征分析结果。

4.根据权利要求1所述的时序数据异常检测方法，其特征在于，基于所述表征分析结果进行时序数据异常检测，得到所述检测结果包括：

对所述表征分析结果中的块级计算结果进行块级上采样处理，得到块级采样结果，以及对所述表征分析结果中的块内计算结果进行点级上采样处理，得到点级采样结果；

对所述块级采样结果与所述点级采样结果进行表征差异度量，得到所述检测结果。

5.根据权利要求4所述的时序数据异常检测方法，其特征在于，对所述块级采样结果与所述点级采样结果进行表征差异度量，得到所述检测结果包括：

对所述块级采样结果与所述点级采样结果进行表征差异度量，得到异常得分；

对所述异常得分与预设阈值进行比较，得到所述检测结果。

6.根据权利要求1所述的时序数据异常检测方法，其特征在于，通过终端设备提供一图形用户界面，所述图形用户界面所显示的内容至少部分地包含一时序数据异常检测场景，所述时序数据异常检测方法还包括：

响应作用于所述图形用户界面的第一触控操作，选取目标应用场景类型；

响应作用于所述图形用户界面的第二触控操作，选取所述目标应用场景类型对应的所述目标应用属性与所述历史时间范围，确定所述时序数据；

响应作用于所述图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；

响应作用于所述图形用户界面的第四触控操作，对所述时序数据进行切分操作以得到所述多个时间块，采用所述对比表征分析方式对所述多个时间块进行对比表征分析以得到所述表征分析结果，以及采用所述时序数据异常检测方式对所述表征分析结果进行时序数据异常检测以得到所述检测结果。

7.一种时序数据异常检测方法，其特征在于，包括：

获取设备故障诊断时序数据，其中，所述设备故障诊断时序数据用于记录设备故障诊断属性在历史时间范围内随时间发生变化的数据；

对所述设备故障诊断时序数据进行切分操作，得到多个设备故障诊断时间块；

对所述多个设备故障诊断时间块进行对比表征分析，得到设备故障诊断表征分析结果，其中，所述设备故障诊断表征分析结果用于表征所述多个设备故障诊断时间块内部的数据相关性以及所述多个设备故障诊断时间块之间的数据相关性；

基于所述设备故障诊断表征分析结果进行时序数据异常检测，得到设备故障诊断检测结果。

8.根据权利要求7所述的时序数据异常检测方法，其特征在于，通过终端设备提供一图形用户界面，所述图形用户界面所显示的内容至少部分地包含一设备故障诊断时序数据异常检测场景，所述时序数据异常检测方法还包括：

响应作用于所述图形用户界面的第一触控操作，选取设备故障诊断场景类型；

响应作用于所述图形用户界面的第二触控操作，选取所述设备故障诊断场景类型对应的所述设备故障诊断属性与所述历史时间范围，确定所述设备故障诊断时序数据；

响应作用于所述图形用户界面的第三触控操作，选取对比表征分析方式和时序数据异常检测方式；

响应作用于所述图形用户界面的第四触控操作，对所述设备故障诊断时序数据进行切分操作以得到所述多个设备故障诊断时间块，采用所述对比表征分析方式对所述多个设备故障诊断时间块进行对比表征分析以得到所述设备故障诊断表征分析结果，以及采用所述时序数据异常检测方式对所述设备故障诊断表征分析结果进行时序数据异常检测以得到所述设备故障诊断检测结果。

9.根据权利要求8所述的时序数据异常检测方法，其特征在于，所述时序数据异常检测方法还包括：

在所述图形用户界面内显示所述设备故障诊断检测结果关联的解释说明信息，其中，所述解释说明信息用于为排查设备故障提供参考意见。

10.根据权利要求8所述的时序数据异常检测方法，其特征在于，所述时序数据异常检测方法还包括：

确定所述设备故障诊断检测结果的故障等级以及所述故障等级对应的处理优先级；

在所述图形用户界面内，基于所述故障等级和所述处理优先级发出提示信息，其中，所述提示信息用于提示对排查设备故障进行跟踪处理。

11.一种时序数据异常检测方法，其特征在于，包括：

获取运维时序数据，其中，所述运维时序数据用于记录运维属性在历史时间范围内随时间发生变化的数据；

对所述运维时序数据进行切分操作，得到多个运维时间块；

对所述多个运维时间块进行对比表征分析，得到运维表征分析结果，其中，所述运维表征分析结果用于表征所述多个运维时间块内部的数据相关性以及所述多个运维时间块之间的数据相关性；

基于所述运维表征分析结果进行时序数据异常检测，得到运维检测结果。

12.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至11中任意一项所述的时序数据异常检测方法。

13.一种电子设备，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

获取时序数据，其中，所述时序数据用于记录目标应用属性在历史时间范围内随时间发生变化的数据；

对所述时序数据进行切分操作，得到多个时间块；

对所述多个时间块进行对比表征分析，得到表征分析结果，其中，所述表征分析结果用于表征所述多个时间块内部的数据相关性以及所述多个时间块之间的数据相关性；

基于所述表征分析结果进行时序数据异常检测，得到检测结果。

Images