CN117009902A - 一种数据检测方法、装置、设备及存储介质 - Google Patents
一种数据检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117009902A CN117009902A CN202310970472.9A CN202310970472A CN117009902A CN 117009902 A CN117009902 A CN 117009902A CN 202310970472 A CN202310970472 A CN 202310970472A CN 117009902 A CN117009902 A CN 117009902A
- Authority
- CN
- China
- Prior art keywords
- neural network
- graph neural
- signal
- view
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 265
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental 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
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种数据检测方法、装置、设备及存储介质。该方法包括:获取目标时间段内的待检测云网状态数据;对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到;根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果,通过本发明的技术方案,能够提升数据检测的准确度。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种数据检测方法、装置、设备及存储介质。
背景技术
数据检测是从正常的时间序列中识别不正常的事件或行为的过程。现有的数据检测方法包括:基于传统机器学习的数据检测方法和基于循环神经网络和序列重建的方法。
其中,基于传统机器学习(统计模型、多元正态分布模型以及独立森林等)的方法能够在一定程度上检测出明显的异常数据,但传统机器学习对数据噪声敏感,并且仅针对每个时序数据进行独立建模,很难解决多维时序数据中的相互关联产生的异常。实际场景中的时序数据存在噪声大、波动大、受环境影响大等特点,传统机器学习方法很难满足复杂场景需求。
基于循环神经网络和序列重建的方法是采用了循环神经网络中的一种LSTM作为特征的编码和解码,同时,采用了变分自编码器(VAE)作为特征编码和解码的架构。主要推理过程是:1)数据预处理,2)将图像输入到训练好的编码器网络(Encoder)进行特征提取和编码,3)将编码的特征输入到解码器(Decoder)进行解码,重建某个时刻的信号,4)通过阈值判断的方式判定是否是异常点。由于循环神经网络的串行计算特性,模型训练和推理速度较慢,并且上述方法没有考虑到训练数据中存在的噪声问题,会干扰重建误差,进而影响检测效果。
发明内容
本发明实施例提供一种数据检测方法、装置、设备及存储介质,以实现能够提升数据检测的准确度。
根据本发明的一方面,提供了一种数据检测方法,包括:
获取目标时间段内的待检测云网状态数据;
对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;
将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;
根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果。
根据本发明的另一方面,提供了一种数据检测装置,该数据检测装置包括:
待检测云网状态数据获取模块,用于获取目标时间段内的待检测云网状态数据;
视角变换模块,用于对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;
重建模块,用于将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;
数据检测模块,用于根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果。
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数据检测方法。
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数据检测方法。
本发明实施例通过获取目标时间段内的待检测云网状态数据;对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果,能够提升数据检测的准确度。
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发明的某些实施例,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是本发明实施例中的一种数据检测方法的流程图;
图2是本发明实施例中的另一种数据检测方法的流程图;
图3是本发明实施例中的一种训练网络结构示意图;
图4是本发明实施例中的一种自适应数据增强方法图;
图5是本发明实施例中的一种目标模型的结构示意图;
图6是本发明实施例中的一种数据检测装置的结构示意图;
图7是本发明实施例中的一种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。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1为本发明实施例提供的一种数据检测方法的流程图,本实施例可适用于数据检测的情况,该方法可以由本发明实施例中的数据检测装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S110,获取目标时间段内的待检测云网状态数据。
其中,云网状态数据是获取的能够表示某时刻云网资源使用和运行状态的数据,例如,云网状态数据包括:网络流量上行、下行、CPU率、内存占用率、丢包率以及网络延迟等指标中的至少一种。将上述数据按照时间进行组合,便形成了多维时序数据。通过分析该多维时序数据,能够发现其中的异常数据,进而判断当前时刻系统的状态。
其中,所述目标时间段可以为预先设定的时间段,例如可以是,所述目标时间段为时间窗口大小w。
例如可以是,获取目标时间内的待检测云网状态数据X,X的规格是n*w,n是信号数量,w是时间窗口大小。
S120,对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图。
其中,视角变换是指将输入数据进行变换,转化成与图神经网络对应的顶点特征数据。具体的,信号内部图神经网络视角的图神经网络视图是指将一段时序数据中每一个时间点的数据作为图神经网络的一个节点,而这个时间点的所有信号数据作为该节点的特征,因此,形成了具有w个节点的信号内部图神经网络视角的图神经网络视图;信号之间图神经网络视角的图神经网络视图是指将这段时序数据中的每一个信号作为一个节点,而这个信号在该段时间内的数据作为节点特征,因此,形成了具有n个节点的信号之间图神经网络视角的图神经网络视图。
具体的,对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图的方式可以为:对待检测云网状态数据进行归一化,得到归一化后的待检测云网状态数据,对归一化后的待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图。对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图的方式还可以为:根据待检测云网状态数据确定时间节点和时间节点的特征,根据时间节点和时间节点的特征生成信号内部图神经网络视角的图神经网络视图;根据待检测云网状态数据确定信号节点和信号节点的特征,根据信号节点和信号节点的特征生成信号之间图神经网络视角的图神经网络视图。
S130,将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据。
其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络。
需要说明的是,初始信号内部(intra-signal)图神经网络和初始信号之间(inter-signal)图神经网络是两个并行的图神经网络,能够通过多个图神经网络层的迭代,学习到图的各个节点之间的关联特征,从而实现对数据的特征表示。
其中,所述目标数据为重建结果,也就是重建后的数据。所述目标模型包括:目标信号内部图神经网络、目标信号之间图神经网络、目标特征融合网络以及目标重建网络。
其中,特征融合网络是将信号内部特征(信号内部图神经网络的输出)和信号之间特征(信号之间图神经网络的输出)进行融合,采用通道连接和线性层计算的方式得到融合特征的网络。
其中,重建网络是对融合特征进行重建的网络,例如可以是,初始重建网络采用Transformer网络结构。
具体的,通过目标样本集迭代训练第一模型得到目标模型的方式可以为:获取初始云网状态数据样本,对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本,对初始云网状态数据样本和目标云网状态数据样本分别进行视角变换,将视角变换后的初始云网状态数据样本和目标云网状态数据样本输入对应的初始信号内部图神经网络或者初始信号之间图神经网络,根据初始信号内部图神经网络和初始信号之间图神经网络的输出确定跨视图对比损失、跨网络对比损失以及重建误差损失,根据跨视图对比损失、跨网络对比损失以及重建误差损失训练所述第一模型的参数,返回执行对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本的操作,直至跨视图对比损失、跨网络对比损失以及重建误差损失满足预设条件时,得到目标模型。其中,所述预设条件可以为,对跨视图对比损失、跨网络对比损失以及重建误差损失进行加权求和,得到总损失,若总损失小于设定阈值,则结束优化,需要说明的是,优化的终止条件还可以为:获取总优化次数,若总优化次数大于优化次数阈值,则终止优化。
S140,根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果。
其中,所述目标数据和待检测云网状态数据之间的误差可以通过MSE(MeanSquare Error,均方误差)来计算得到。
其中,所述误差阈值可以为预先设定的阈值。
具体的,根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果的方式可以为:若所述目标数据和待检测云网状态数据之间的误差大于误差阈值,则确定所述待检测云网状态数据为异常数据;若目标数据和待检测云网状态数据之间的误差小于或者等于误差阈值,则确定所述待检测云网状态数据为正常数据。
在一个具体的例子中,云网状态数据检测方法包括如下流程:
1)采集待检测云网状态数据,其中,待检测云网状态数据为时序数据X(n*w,n是信号数量,w是时间窗口大小)归一化后作为输入;
2)对X进行视角变换,并生成两个视角(信号内部图神经网络视角和信号之间图神经网络视角)的图神经网络视图;
3)将生成的两个视角的视图数据分别输入到目标信号内部图神经网络和目标信号之间图神经网络进行特征提取,提取信号内部特征和信号之间特征;
4)将信号内部特征和信号之间特征输入到目标特征融合网络,进行特征融合,得到融合特征;
4)融合特征输入到目标重建网络得到重建结果,也就是目标数据;
5)计算目标数据与X之间的误差,当误差大于误差阈值时,则X为异常数据,否则,X为正常数据。
本发明实施例采用信号内部和信号之间两个并行的图神经网络来分别学习信号内关联特征和信号之间的依赖关系,能够更加全面的对多维时序数据进行特征表示,提升表示能力,进而能够提升数据检测的准确度。
可选的,所述目标模型包括:目标信号内部图神经网络、目标信号之间图神经网络、目标特征融合网络以及目标重建网络;
将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,包括:
将信号内部图神经网络视角的图神经网络视图输入到目标信号内部图神经网络进行特征提取,得到信号内部特征;
将信号之间图神经网络视角的图神经网络视图输入到目标信号之间图神经网络进行特征提取,得到信号之间特征;
将信号内部特征和信号之间特征输入到目标特征融合网络,得到融合特征;
将融合特征输入到目标重建网络得到目标数据。
其中,所述目标重建网络采用Transformer网络结构。
具体的,将信号内部特征和信号之间特征输入到目标特征融合网络,得到融合特征的方式可以为:将信号内部特征和信号之间特征输入到目标特征融合网络,采用通道连接和线性层计算的方式得到融合特征。
可选的,对所述待检测时序数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图,包括:
根据待检测云网状态数据确定时间节点、时间节点的特征、信号节点以及信号节点的特征;
根据时间节点和时间节点的特征生成信号内部图神经网络视角的图神经网络视图;
根据信号节点和信号节点的特征生成信号之间图神经网络视角的图神经网络视图。
需要说明的是,所述待检测云网状态数据为时序数据。
其中,所述时间节点为信号内部图神经网络的一个节点,信号内部图神经网络视角的图神经网络视图由多个时间节点和时间节点的特征构成,所述信号节点为信号之间图神经网络的一个节点。信号之间图神经网络视角的图神经网络视图由多个信号节点和信号节点的特征构成。
可选的,根据待检测云网状态数据确定时间节点、时间节点的特征、信号节点以及信号节点的特征,包括:
将所述待检测云网状态数据中每个时间点作为图神经网络的时间节点,将时间点对应的信号作为时间节点的特征;
将所述待检测云网状态数据中每个信号作为图神经网络的信号节点,将信号在目标时间段内的数据作为信号节点的特征。
其中,所述时间点对应的信号为采集时间为时间点的所有信号。例如可以是,若时间点为8点,则时间节点的特征为8点采集的所有信号。
其中,所述信号在目标时间内的数据为信号在目标时间内的变化数据,例如可以是,若目标时间段为:[t1,t2,t3,t4,t5],则信号A在目标时间段内的数据包括:t1采集的信号A、t2采集的信号A、t3采集的信号A、t4采集的信号A以及t5采集的信号A。
可选的,通过目标样本集迭代训练第一模型,包括:
获取目标样本集,其中,所述目标样本集包括:初始云网状态数据样本;
对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本;
对所述初始云网状态数据样本进行视角变换,得到第一信号内部图神经网络视角的图神经网络视图和第一信号之间图神经网络视角的图神经网络视图;
对所述目标云网状态数据样本进行视角变换,得到第二信号内部图神经网络视角的图神经网络视图和第二信号之间图神经网络视角的图神经网络视图;
将第一信号内部图神经网络视角的图神经网络视图输入初始信号内部图神经网络,得到第一信号内部特征;
将第二信号内部图神经网络视角的图神经网络视图输入初始信号内部图神经网络,得到第二信号内部特征;
将第一信号之间图神经网络视角的图神经网络视图输入初始信号之间图神经网络,得到第一信号之间特征;
将第二信号之间图神经网络视角的图神经网络视图输入初始信号之间图神经网络,得到第二信号之间特征;
根据第一信号内部特征、第二信号内部特征、第一信号之间特征以及第二信号之间特征确定跨视图对比损失;
根据第一信号内部特征和第一信号之间特征确定跨网络对比损失;
将第一信号内部特征和第一信号之间特征输入到初始特征融合网络,进行特征融合,得到初始融合特征;
将初始融合特征输入到初始重建网络,得到第一数据;
根据第一数据和初始云网状态数据样本确定重建误差损失;
根据所述跨视图对比损失、所述跨网络对比损失以及所述重建误差损失训练所述第一模型的参数;
返回执行对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本的操作,直至得到目标模型。
其中,所述初始云网状态数据样本为正样本。
具体的,对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本的方式可以为:将初始云网状态数据样本输入自适应数据增强网络,得到目标云网状态数据样本。
具体的,根据第一信号内部特征、第二信号内部特征、第一信号之间特征以及第二信号之间特征确定跨视图对比损失的方式可以为:根据第一信号内部特征和第二信号内部特征确定信号内部图神经网络跨视图损失;根据第一信号之间特征和第二信号之间特征确定信号之间图神经网络跨视图损失;根据所述信号内部图神经网络跨视图损失和所述信号之间图神经网络跨视图损失确定跨视图对比损失。
具体的,根据第一数据和初始云网状态数据样本确定重建误差损失的方式可以为:据第一数据和初始云网状态数据样本采用MSE计算重建误差损失。
可选的,根据第一信号内部特征、第二信号内部特征、第一信号之间特征以及第二信号之间特征确定跨视图对比损失,包括:
根据第一信号内部特征和第二信号内部特征确定信号内部图神经网络跨视图损失;
根据第一信号之间特征和第二信号之间特征确定信号之间图神经网络跨视图损失;
根据所述信号内部图神经网络跨视图损失和所述信号之间图神经网络跨视图损失确定跨视图对比损失。
具体的,根据所述信号内部图神经网络跨视图损失和所述信号之间图神经网络跨视图损失确定跨视图对比损失的方式可以为:对所述信号内部图神经网络跨视图损失和所述信号之间图神经网络跨视图损失进行加权求和,得到跨视图对比损失。
在一个具体的例子中,模型训练过程包括:
1)获取历史云网状态数据y,其中,历史云网状态数据y为正常数据,历史云网状态数据y为时序数据,历史云网状态数据y的规格为n*w,n是信号数量,w是时间窗口大小,对历史云网状态数据y进行归一化,得到归一化后的历史网络状态数据Y,将归一化后的历史云网状态数据Y作为输入;
2)将归一化后的历史云网状态数据Y输入到自适应数据增强网络,生成Y′;
3)分别对Y和Y′进行视角变换,分别生成两个视角的图神经网络的视图(即每个视角的图神经网络有两个视图);
4)将生成的信号内部图神经网络的两个视图分别输入到初始信号内部图神经网络得到两个信号内部特征U1 1和U2 1;同样的,将生成的信号之间图神经网络的两个视图分别输入到初始信号之间图神经网络得到两个信号之间特征U2 1和U2 2;其中,U1 1和U1 2由Y生成,U2 1和U2 2由Y′生成;
5)计算跨视图对比损失(包括由U1 1和U2 1计算得到的信号内部图神经网络跨视图损失,和由U1 2和U2 2计算得到的信号之间图神经网络跨视图损失)和跨网络对比损失(由U1 1和U1 2计算生成);
6)将信号内部特征和信号之间特征输入到初始特征融合网络,进行特征融合,得到融合特征;
7)融合特征输入到初始重建网络得到重建结果,也就是第一数据;
8)计算第一数据与归一化后的历史云网状态数据Y之间的重建误差损失;
9)对跨视图对比损失、跨网络对比损失以及重建误差损失进行加权求和,计算得到总损失,并根据总损失进行优化训练;
10)得到训练好的模型,也就是目标模型。
其中,自适应数据增强网络是在训练得到数据增强所需的参数后,用于进行自适应的数据增强的网络。其中,对比学习采用的损失函数是标准的InfoNCE loss;重建误差损失函数是采用标准的均方差损失函数Mean Squared Loss。需要说明的是,此处计算对比学习损失采用的是图级别(graph-level)的计算方法,即将整个图的特征作为一个整体来判断正负样本进行计算,与现有的节点级别(node-level)的图对比损失计算方法相比,图级别更能保留数据的内部关联特性。
在另一个具体的例子中,如图2所示,训练过程主要步骤包括:
读取训练数据,其中,训练数据包括:归一化后的历史云网状态数据Y。
初始化第一模型包括的每个网络各层权值,第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络。
对归一化后的历史云网状态数据Y进行自适应数据增强,得到Y′。
分别对Y和Y′进行视角变换,生成图神经网络多视角和多视图(两个视角,每个视角两个视图)。
计算信号内部特征和信号之间特征。
计算跨视图(cross-view)对比学习损失,包括信号内部图神经网络对比损失和信号之间图神经网络对比损失。
计算跨网络(cross-graph)对比学习损失。
计算重建误差损失。
单次优化操作。单次优化操作是值通过反向传播,更新模型参数权值。可用于权值更新的方法包括但不限于SGD、RMSProp、Adam、Nesterov Accelerated Gradient或他们的组合。
达到终止条件。判断是否终止该分支的训练。所述终止条件可以是设定了总优化次数,或者是总损失小于某个预设值。
保存网络权值。保存训练更新后的对应网络权值。
结束。结束模型训练过程。所述训练是采用端到端的无监督训练方式,模型不同阶段、不同分支均同步训练、同步更新、同时结束。
在另一个具体的例子中,如图3所示,图3是本发明实施例提供的训练网络总体架构,训练网络的主要目的是训练对比学习任务和重建任务两类任务,对比学习任务通过数据增强分别为信号之间图神经网络、信号内部图神经网络生成两个视图,分别通过跨视图(cross-view)对比损失函数进行优化,然后再通过跨网络(cross-graph)对比损失进一步优化;重建任务是通过融合网络和重建网络对输入数据进行重建,然后构建重建损失来进行优化。此外,自适应数据增强方法的自适应参数学习也是在网络训练过程中得到优化。通过训练网络,得到一整套完整的模型参数。
可选的,对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本,包括:
获取所述初始云网状态数据样本中每个信号的重要性概率和/或每个时间点对应的数据的重要性概率;
将述初始云网状态数据样本中重要性概率最小的信号和/或重要性概率最小的时间点对应的数据屏蔽,得到目标云网状态数据样本。
需要说明的是,对初始云网状态数据样本进行数据增强可以采用自适应数据增强方法,自适应数据增强方法采用了学习的方式自适应选择特定的数据进行屏蔽,即将这些数据的值设置成0。然后在对比学习中,强迫从原始数据中提取的特征与从增强数据中提取的特征达成共识,即特征一致,目的是保证强制学习关键不变性特征。而数据增强时如果直接随机屏蔽部分数据,可能导致关键特征丢失,导致学习失败,因此,本发明实施例采用学习的方式,通过设置可学习参数(learnable parameters),学习每个特征的重要性概率,然后通过采样的方式,选择重要性最低的部分数据进行屏蔽,以此来实现数据的自适应增强。其中,采样的方法可以为标准的Gumbel sampling方法,该方法具备可导,可进行反向梯度传播训练。如图4所示,图4是在信号维度(即信号之间:inter-signal)的自适应数据增强,此外,还需要时间维度(即信号内部:intra-signa)的增强方法,时间维度的增强与图4类似,在此不进行赘述。需要说明的是,时间维度的增强与信号维度的增强的区别是:学习并对{z1,z2,z3,…,zw}进行采样。在进行训练时,两个维度上的增强方法随机选择一种进行增强、或者进行叠加增强(即在时间维度增强,又在信号维度增强)均可。
在一个具体的例子中,如图5所示,图5是本发明实施例提供的目标模型的总体架构,目标模型的主要目的是用于异常数据的检测。目标模型不再使用训练网络中的数据增强和生成额外的视图用于对比,仅通过输入数据,直接生成信号之间网络和信号内部网络的一个视角,然后通过图神经网络计算特征即可。然后通过融合网络和重建网络生成重建结果,进而计算重建误差。最后通过重建误差判定数据是否异常。
本发明实施例通过采用自适应数据增强方法,构建多视图,并进行跨视图和跨网络的对比学习,能够弥补训练数据缺乏带来的负面影响,同时降低传统数据增强方法可能引起对数据内部特征产生破坏性的风险,提升模型的泛化能力和适应能力。
本实施例的技术方案,通过获取目标时间段内的待检测云网状态数据;对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果,能够提升数据检测的准确度。
实施例二
图6为本发明实施例提供的一种数据检测装置的结构示意图。本实施例可适用于数据检测的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供数据检测功能的设备中,如图6所示,所述数据检测装置具体包括:待检测云网状态数据获取模块210、视角变换模块220、重建模块230和数据检测模块240。
其中,待检测云网状态数据获取模块,用于获取目标时间段内的待检测云网状态数据;
视角变换模块,用于对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;
重建模块,用于将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;
数据检测模块,用于根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果。
上述产品可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。
本实施例的技术方案,通过获取目标时间段内的待检测云网状态数据;对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果,能够提升数据检测的准确度。
实施例三
图7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7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,例如数据检测方法。
在一些实施例中,数据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数据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)而被配置为执行数据检测方法。
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)
1.一种数据检测方法,其特征在于,包括:
获取目标时间段内的待检测云网状态数据;
对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;
将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;
根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果。
2.根据权利要求1所述的方法,其特征在于,所述目标模型包括:目标信号内部图神经网络、目标信号之间图神经网络、目标特征融合网络以及目标重建网络;
将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,包括:
将信号内部图神经网络视角的图神经网络视图输入到目标信号内部图神经网络进行特征提取,得到信号内部特征;
将信号之间图神经网络视角的图神经网络视图输入到目标信号之间图神经网络进行特征提取,得到信号之间特征;
将信号内部特征和信号之间特征输入到目标特征融合网络,得到融合特征;
将融合特征输入到目标重建网络得到目标数据。
3.根据权利要求1所述的方法,其特征在于,对所述待检测时序数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图,包括:
根据待检测云网状态数据确定时间节点、时间节点的特征、信号节点以及信号节点的特征;
根据时间节点和时间节点的特征生成信号内部图神经网络视角的图神经网络视图;
根据信号节点和信号节点的特征生成信号之间图神经网络视角的图神经网络视图。
4.根据权利要求3所述的方法,其特征在于,根据待检测云网状态数据确定时间节点、时间节点的特征、信号节点以及信号节点的特征,包括:
将所述待检测云网状态数据中每个时间点作为图神经网络的时间节点,将时间点对应的信号作为时间节点的特征;
将所述待检测云网状态数据中每个信号作为图神经网络的信号节点,将信号在目标时间段内的数据作为信号节点的特征。
5.根据权利要求2所述的方法,其特征在于,通过目标样本集迭代训练第一模型,包括:
获取目标样本集,其中,所述目标样本集包括:初始云网状态数据样本;
对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本;
对所述初始云网状态数据样本进行视角变换,得到第一信号内部图神经网络视角的图神经网络视图和第一信号之间图神经网络视角的图神经网络视图;
对所述目标云网状态数据样本进行视角变换,得到第二信号内部图神经网络视角的图神经网络视图和第二信号之间图神经网络视角的图神经网络视图;
将第一信号内部图神经网络视角的图神经网络视图输入初始信号内部图神经网络,得到第一信号内部特征;
将第二信号内部图神经网络视角的图神经网络视图输入初始信号内部图神经网络,得到第二信号内部特征;
将第一信号之间图神经网络视角的图神经网络视图输入初始信号之间图神经网络,得到第一信号之间特征;
将第二信号之间图神经网络视角的图神经网络视图输入初始信号之间图神经网络,得到第二信号之间特征;
根据第一信号内部特征、第二信号内部特征、第一信号之间特征以及第二信号之间特征确定跨视图对比损失;
根据第一信号内部特征和第一信号之间特征确定跨网络对比损失;
将第一信号内部特征和第一信号之间特征输入到初始特征融合网络,进行特征融合,得到初始融合特征;
将初始融合特征输入到初始重建网络,得到第一数据;
根据第一数据和初始云网状态数据样本确定重建误差损失;
根据所述跨视图对比损失、所述跨网络对比损失以及所述重建误差损失训练所述第一模型的参数;
返回执行对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本的操作,直至得到目标模型。
6.根据权利要求5所述的方法,其特征在于,根据第一信号内部特征、第二信号内部特征、第一信号之间特征以及第二信号之间特征确定跨视图对比损失,包括:
根据第一信号内部特征和第二信号内部特征确定信号内部图神经网络跨视图损失;
根据第一信号之间特征和第二信号之间特征确定信号之间图神经网络跨视图损失;
根据所述信号内部图神经网络跨视图损失和所述信号之间图神经网络跨视图损失确定跨视图对比损失。
7.根据权利要求5所述的方法,其特征在于,对初始云网状态数据样本进行数据增强,得到目标云网状态数据样本,包括:
获取所述初始云网状态数据样本中每个信号的重要性概率和/或每个时间点对应的数据的重要性概率;
将述初始云网状态数据样本中重要性概率最小的信号和/或重要性概率最小的时间点对应的数据屏蔽,得到目标云网状态数据样本。
8.一种数据检测装置,其特征在于,包括:
待检测云网状态数据获取模块,用于获取目标时间段内的待检测云网状态数据;
视角变换模块,用于对所述待检测云网状态数据进行视角变换,得到信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图;
重建模块,用于将信号内部图神经网络视角的图神经网络视图和信号之间图神经网络视角的图神经网络视图输入目标模型,得到目标数据,其中,所述目标模型通过目标样本集迭代训练第一模型得到,所述第一模型包括:初始信号内部图神经网络、初始信号之间图神经网络、初始特征融合网络以及初始重建网络;
数据检测模块,用于根据所述目标数据和待检测云网状态数据之间的误差,确定所述待检测云网状态数据的数据检测结果。
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1-7中任一项所述的数据检测方法。
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1-7中任一项所述的数据检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970472.9A CN117009902A (zh) | 2023-08-02 | 2023-08-02 | 一种数据检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970472.9A CN117009902A (zh) | 2023-08-02 | 2023-08-02 | 一种数据检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009902A true CN117009902A (zh) | 2023-11-07 |
Family
ID=88563200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970472.9A Pending CN117009902A (zh) | 2023-08-02 | 2023-08-02 | 一种数据检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009902A (zh) |
-
2023
- 2023-08-02 CN CN202310970472.9A patent/CN117009902A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及系统 | |
CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN117580046A (zh) | 一种基于深度学习的5g网络动态安全能力调度方法 | |
CN115062779A (zh) | 基于动态知识图谱的事件预测方法及装置 | |
CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN115618714B (zh) | 一种太阳辐射概率预报方法及相关设备 | |
CN112396535A (zh) | 智能电网的管理方法、装置、设备及存储介质 | |
CN115473830B (zh) | 一种数据中心性能指标异常检测方法、装置、系统和介质 | |
CN117009902A (zh) | 一种数据检测方法、装置、设备及存储介质 | |
CN115758273A (zh) | 一种时序数据异常检测方法、装置、设备及介质 | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
CN115640871A (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN114998273A (zh) | 血管图像处理方法、装置、电子设备及存储介质 | |
CN114140662A (zh) | 一种基于循环生成对抗网络的绝缘子雷击图像样本增广方法 | |
CN117591983B (zh) | 一种多指标异常检测方法、装置、电子设备和存储介质 | |
CN117271098B (zh) | 一种ai模型计算核调度方法、装置、设备及存储介质 | |
CN118100151A (zh) | 一种电网负荷预测方法、装置、设备及存储介质 | |
CN118260594A (zh) | 一种电网网络流量异常检测方法、装置、设备及存储介质 | |
CN117251809A (zh) | 电网时序数据异常检测方法、装置、设备和存储介质 | |
CN116316890A (zh) | 可再生能源出力场景生成方法、装置、设备及介质 |
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 |