CN117610933A - 异常检测方法、装置、电子设备和可读存储介质 - Google Patents
异常检测方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN117610933A CN117610933A CN202311674676.4A CN202311674676A CN117610933A CN 117610933 A CN117610933 A CN 117610933A CN 202311674676 A CN202311674676 A CN 202311674676A CN 117610933 A CN117610933 A CN 117610933A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- model
- target object
- attribute 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 47
- 230000005856 abnormality Effects 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000008439 repair process Effects 0.000 claims abstract description 12
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种异常检测方法、装置、电子设备和可读存储介质,可以应用于人工智能、金融科技技术领域。该异常检测方法包括:获取目标对象在目标时段内的属性数据,属性数据包括表征目标对象在至少一个维度的运行状态的数据,维度包括:设备故障维度、异常行为维度、修复行为维度;从属性数据中确定目标类型的目标属性数据,其中,目标类型包括数量类型;将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,其中,预测模型是利用周期性变化的学习率对待训练预测模型进行预先训练后得到,且学习率的变化量与训练次数位于预先训练过程中的位置相关;以及根据预测属性值,确定针对目标对象的异常结果,并向用户推送异常结果。
Description
技术领域
本公开涉及人工智能、金融科技技术领域,更具体地,涉及一种异常检测方法、装置、电子设备和可读存储介质。
背景技术
通过对企业运营的各个属性值进行分析,能够对下一阶段企业运营的状态进行预估,从而判断是否会出现异常以及时进行调整。
目前,通常使用基于经验的方法对属性值进行分析,从而对企业下一阶段的运行方案进行调整。但这种方式客观性不足,完全依赖管理者的经验,没有客观指标和客观异常判别标准,使得对运营状态的异常检测准确性低、且很难基于异常检测结果反哺优化异常检测手段。
发明内容
鉴于上述问题,本公开提供了异常检测方法、装置、电子设备和可读存储介质。
根据本公开的第一个方面,提供了一种异常检测方法、装置、电子设备和可读存储介质,该方法包括:获取目标对象在目标时段内的属性数据,其中,属性数据包括表征目标对象在至少一个维度的运行状态的数据,维度包括:设备故障维度、异常行为维度、修复行为维度;从属性数据中确定目标类型的目标属性数据,其中,目标类型包括数量类型;将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,其中,预测模型是利用周期性变化的学习率对待训练预测模型进行预先训练后得到,且学习率的变化量与训练次数位于预先训练过程中的位置相关;以及根据预测属性值,确定针对目标对象的异常结果,并向用户推送异常结果。
根据本公开的实施例,获取目标时段内的属性数据,包括:根据目标对象的数据标识,从数据库中获取属性数据;或者,根据目标对象的数据标识,确定目标对象的至少一个子对象的数据标识;根据目标对象的数据标识和至少一个子对象的数据标识,从数据库中获取属性数据。
根据本公开的实施例,目标属性数据包括N个维度的目标属性数据,N为正整数;预测模型包括输入层、隐藏层和输出层,输入层包括N个节点;将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,包括:将N个维度的目标属性数据分别输入与每个维度相对应的节点中;利用第一模型参数对N个节点中的数据进行处理,得到隐藏层的输入数据;将输入数据输入隐藏层,输出特征提取数据;利用第二模型参数将特征提取数据转换为预测数据;以及将预测数据输入输出层,输出下一时段内目标对象的预测属性值。
根据本公开的实施例,根据预测属性值,确定针对目标对象的异常结果,包括:获取与目标属性值相关的属性阈值;以及根据预测属性值与属性阈值之间的比较关系,确定针对目标对象的异常结果。
根据本公开的实施例,待训练预测模型的结构与预测模型的结构相同,待训练预测模型包括输入层、隐藏层和输出层,第一模型参数用于将输入层的输出处理为隐藏层的输入,第二模型参数用于将隐藏层的输出处理为输出层的输入;预测模型是利用历史属性数据通过下述步骤对待训练预测模型进行预先训练后得到的:在待训练预测模型的预测属性值与实际数量值之间的误差值不满足要求的情况下,获取待训练预测模型当前的第一模型参数和第二模型参数,其中,待训练预测模型的预测属性值是根据输入的历史属性数据确定的;根据当前训练次数,确定针对当前的第一模型参数和第二模型参数的学习率;基于学习率,更新当前的第一模型参数和第二模型参数;以及利用历史属性数据,对更新第一模型参数和第二模型参数后的待训练预测模型进行训练,直至误差值满足要求,得到预测模型。
根据本公开的实施例,根据当前训练次数,确定针对第一模型参数和第二模型参数的学习率,包括:获取预测模型的学习率变化公式;确定与当前训练次数相匹配的目标训练周期;确定与目标训练周期相对应的计算参数;以及基于学习率变化公式,根据当前训练次数和计算参数,确定针对第一模型参数和第二模型参数的学习率。
根据本公开的实施例,针对待训练预测模型的预先训练过程包括周期长度相同的多个训练周期,在每个训练周期中,学习率逐渐变小,且学习率变小的趋势由快到慢。本公开的第二方面提供了一种异常检测装置,包括:
获取模块,用于获取目标对象在目标时段内的属性数据,其中,属性数据包括表征目标对象在至少一个维度的运行状态的数据;
筛选模块,用于从属性数据中确定目标类型的目标属性数据,其中,目标类型包括数量类型;
预测模块,用于将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,其中,预测模型是利用变化的模型参数训练得到的,模型参数的变化量与训练次数相关;以及
异常确定模块,用于根据预测属性值,确定针对目标对象的异常结果,并向用户推送异常结果。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述异常检测方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述异常检测方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述异常检测方法。
根据本公开的实施例,通过获取目标对象在目标时段内的属性数据,并确定数量类型的目标属性数据,利用预测模型对目标属性数据进行处理得到下一时段的预测属性值,以确定目标对象的异常结果。由于使用了深度学习构建的预测模型,相比于依赖经验预测的方式,降低了人力成本,提高了预测的准确性以及预测效率,从而提高了异常结果的准确性。将异常结果推送至用户,能够在异常结果表征目标对象在下一时段会出现异常的情况下,及时进行调整,提高目标对象运营的稳定性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的异常检测方法的应用场景;
图2示意性示出了根据本公开实施例的异常检测方法的流程图;
图3示意性示出了根据本公开实施例的异常检测模型的结构图;
图4示意性示出了根据本公开实施例的学习率的变化曲线图;
图5示意性示出了根据本公开实施例的训练异常检测模型的流程图;
图6示意性示出了根据本公开实施例的异常检测装置的结构框图;以及
图7示意性示出了根据本公开实施例的适于异常检测方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息,例如位置信息等)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、存储、使用、加工、传输、提供、公开和应用等处理,均遵守相关国家和地区的相关法律法规和标准,采取了必要保密措施,不违背公序良俗,并提供有相应的操作入口,供用户选择授权或者拒绝。
在实施本公开的过程中发现,由于异常检测需要对多维度的各个属性值进行分析,以确定异常检测结果。依靠人工进行异常检测不仅会造成处理效率低的问题,还可能由于个人经验问题,导致需要多人协同进行异常结果的预测,增加了人员冗余,进一步提高了人力成本。
有鉴于此,本公开使用预测模型完成异常检测任务,相比于人工处理能够提高处理效率,节省人力成本,同时模型的计算精度更高,减少了由于人工预测失误导致的异常结果出错的问题。
本公开的实施例提供了一种异常检测方法,包括:获取目标对象在目标时段内的属性数据,其中,属性数据包括表征目标对象在至少一个维度的运行状态的数据,维度包括:设备故障维度、异常行为维度、修复行为维度;从属性数据中确定目标类型的目标属性数据,其中,目标类型包括数量类型;将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,其中,预测模型是利用周期性变化的学习率对待训练预测模型进行预先训练后得到,且学习率的变化量与训练次数位于预先训练过程中的位置相关;以及根据预测属性值,确定针对目标对象的异常结果,并向用户推送异常结果。
图1示意性示出了根据本公开实施例的异常检测方法的应用场景。
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103,网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的异常检测方法一般可以由服务器105执行。相应地,本公开实施例所提供的异常检测装置一般可以设置于服务器105中。本公开实施例所提供的异常检测方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的异常检测装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图5对公开实施例的异常检测方法进行详细描述。
图2示意性示出了根据本公开实施例的异常检测方法的流程图。
如图2所示,该方法200包括操作S210~S240。
在操作S210,获取目标对象在目标时段内的属性数据,其中,属性数据包括表征目标对象在至少一个维度的运行状态的数据,维度包括:设备故障维度、异常行为维度、修复行为维度。
根据本公开的实施例,目标对象可以是进行异常检测的对象,例如某集团总公司、或某集团旗下的一子机构等。目标时段可以是任意长度的历史时段,例如整年、整月等。设备可以包括终端设备、服务器、路由器等硬件设备,以及网络、应用等软件设备。异常行为可以包括设备告警、风险行为、违规操作设备、受到投诉等。修复行为可以是对硬件设备和软件设备的修复,包括对硬件维修以及对软件的版本升级、停机维护等。
根据本公开的实施例,运行状态的数据可以是表示设备故障的数据、表示异常行为的数据、表示修复行为的数据,其中,表示设备故障的数据可以是设备故障数量、设备故障次数、设备故障原因、设备故障时间,表示异常行为的数据可以是违规操作设备的次数、违规操作种类、违规操作危险分级、出现设备告警的次数、被投诉次数等,标识修复行为的数据可以是对单台硬件设备的维修次数、所有硬件设备的总维修次数、对软件升级次数、软件停机维护次数等。
在操作S220,从属性数据中确定目标类型的目标属性数据,其中,目标类型包括数量类型。
根据本公开的实施例,属性数据有多种类型,包括文本类型、数量类型、DATE格式类型等。例如,设备故障原因是文本类型的属性数据,设备故障时间是DATE格式类型的属性数据,设备故障数量是数量类型的属性数据。
在操作S230,将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,其中,预测模型是利用周期性变化的学习率对待训练预测模型进行预先训练后得到,且学习率的变化量与训练次数位于预先训练过程中的位置相关。
根据本公开的实施例,预测模型是基于目标对象和/或除目标对象之外的其他进行异常检测的对象的属性数据经过T轮预先训练得到的,T大于等于2,预测模型包括神经网络模型。预测属性值可以是目标对象在目标时段之后的下一时段的属性数据。学习率(Learning Rate)可以用于确定每次训练过程中参数的变化幅度。学习率不是线性周期性变化的,学习率的变化量与训练次数位于预先训练过程中的位置相关。
根据本公开的实施例,在待训练预测模型的训练过程中,可以将属性数据分成三份,其中70%的数据作为训练集,用于网络训练;15%的样本数据作为测试集,用于测试网络训练的结果;15%的样本作为验证集,用于验证最终预测结果。
在操作S240,根据预测属性值,确定针对目标对象的异常结果,并向用户推送异常结果。
根据本公开的实施例,对于不同维度的属性数据,可以预先设置各自的判断标准。根据预测属性值以及对应的属性数据的判断标准,能够确定目标对象的异常结果,并向用户推送异常结果。
根据本公开的实施例,通过获取目标对象在目标时段内的属性数据,并确定数量类型的目标属性数据,利用预测模型对目标属性数据进行处理得到下一时段的预测属性值,以确定目标对象的异常结果。由于使用了深度学习构建的预测模型,相比于依赖经验预测的方式,降低了人力成本,提高了预测的准确性以及预测效率,从而提高了异常结果的准确性。将异常结果推送至用户,能够在异常结果表征目标对象在下一时段会出现异常的情况下,及时进行调整,提高目标对象运营的稳定性。
根据本公开的实施例,获取目标时段内的属性数据,包括:根据目标对象的数据标识,从数据库中获取属性数据;或者,根据目标对象的数据标识,确定目标对象的至少一个子对象的数据标识;根据目标对象的数据标识和至少一个子对象的数据标识,从数据库中获取属性数据。
根据本公开的实施例,还可以通过目标对象的下属机构的属性数据对目标对象在目标时段之后的下一时段的属性数据进行预测。数据标识可以用于确定对象的身份信息,根据目标对象的身份标识可以在数据库中确定目标对象对应的属性数据。还可以根据目标对象的身份标识和目标对象的子对象的身份标识,分别从数据库中获取目标对象对应的属性数据和目标对象的子对象对应的身份数据。
根据本公开的实施例,目标属性数据包括N个维度的目标属性数据,N为正整数;预测模型包括输入层、隐藏层和输出层,输入层包括N个节点;将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,包括:将N个维度的目标属性数据分别输入与每个维度相对应的节点中;利用第一模型参数对N个节点中的数据进行处理,得到隐藏层的输入数据;将输入数据输入隐藏层,输出特征提取数据;利用第二模型参数将特征提取数据转换为预测数据;以及将预测数据输入输出层,输出下一时段内目标对象的预测属性值。
根据本公开的实施例,预测模型的输入层节点数量可以设置为与目标属性数据的维度数量相同,并且每个节点与每个维度的目标属性数据一一对应。对于异常检测问题,虽然循环神经网络引入了时序的概念,上一个时间点的参数能够影响下一个时间点的参数,但循环神经网络较为复杂,且设备故障维度、异常行为维度、修复性为维度等维度对应的属性数据参数之间并不存在相互依赖的关系,而bp神经网络的每个参数之间都是独立的,并且bp神经网络训练时间较短,因此bp神经网络更适合作为异常检测模型使用。第一模型参数可以是用于处理输入层传入的数据的第一权重W1和第一偏置b1。将N个维度的目标属性数据分别输入与每个维度对应的节点中,生成输入x,再利用第一模型参数对节点中的数据进行处理得到隐藏层的输入数据,得到隐藏层的输入数据Z1,如公式(1)所示:
Z1=W1·x+b1 (1)
隐藏层包括ReLU激活函数,通过ReLU激活函数对输入数据Z1进行激活,得到特征提取数据A,如公式(2)所示:
A=Relu(Z1) (2)
第二模型参数可以是用于处理特征提取数据A的第二权重W2和第二偏置b2。利用第二模型参数可以将特征提取数据A转换为预测数据Z2,如公式(3)所示:
Z2=W2·A+b2 (3)
输出层包括ReLU激活函数,通过ReLU激活函数对预测数据Z2进行激活,得到下一时段内目标对象的预测属性值y,如公式(4)所示:
y=Relu(Z2) (4)
图3示意性示出了根据本公开实施例的异常检测模型的结构图。
如图3所示,从输入层输入目标属性数据,输入为x,通过第一模型参数W1和b1,将x转换为隐藏层的输入数据Z1,将Z1使用激活函数激活,得到特征提取数据A,并通过第二模型参数W2和b2,转换为预测数据Z2,将Z2使用激活函数激活,得到下一时段内目标对象的预测属性值y。
根据本公开的实施例,根据预测属性值,确定针对目标对象的异常结果,包括:获取与目标属性值相关的属性阈值;以及根据预测属性值与属性阈值之间的比较关系,确定针对目标对象的异常结果。
根据本公开的实施例,对于不同维度的属性数据,可以预先设置各自的属性阈值。根据预测属性值对应的属性数据,能够确定预测属性值与对应的属性阈值的比较关系,从而确定针对目标对象的异常结果。例如,以月为时段,设备故障数量对应的属性阈值为第一属性阈值,通过预测模型得到的目标对象的设备故障数量对应的预测属性值为第一预测属性值,即预测设备故障数量超出了对应的属性阈值为第一属性阈值,在下一时段内可能会发生异常,因此目标对象的异常结果为发生异常。通过设置于目标属性值相关的属性阈值,能够通过根据预测属性值与属性阈值之间的比较关系,量化针对目标对象的异常结果,确保异常结果的准确性。
根据本公开的实施例,待训练预测模型的结构与预测模型的结构相同,待训练预测模型包括输入层、隐藏层和输出层,第一模型参数用于将输入层的输出处理为隐藏层的输入,第二模型参数用于将隐藏层的输出处理为输出层的输入;预测模型是利用历史属性数据通过下述步骤对待训练预测模型进行预先训练后得到的:在待训练预测模型的预测属性值与实际数量值之间的误差值不满足要求的情况下,获取待训练预测模型当前的第一模型参数和第二模型参数,其中,待训练预测模型的预测属性值是根据输入的历史属性数据确定的;根据当前训练次数,确定针对当前的第一模型参数和第二模型参数的学习率;基于学习率,更新当前的第一模型参数和第二模型参数;以及利用历史属性数据,对更新第一模型参数和第二模型参数后的待训练预测模型进行训练,直至误差值满足要求,得到预测模型。
根据本公开的实施例,历史属性数据可以是过去任意时段的目标属性数据。根据预测属性值y和实际数量值,使用如公式(5)所示的误差计算公式,计算训练误差:
其中,i为当前训练次数,yi为第i次得到的预测属性值,ti为与yi对应的实际数量值。Em值越大表示误差越大,可以设置误差阈值,在Em值大于误差阈值的情况下,表示预测属性值和预测属性值之间的误差不满足要求。
根据本公开的实施例,在待训练预测模型的预测属性值与实际数量值之间的误差值不满足要求的情况下,获取第一模型参数和第二模新参数,根据当前训练次数,确定第一模型参数和第二模型参数的学习率。基于学习率调整第一模型参数和第二模型参数。利用历史属性数据,继续训练待训练预测模型直至Em值小于误差阈值,即预测属性值和实际数量值之间的误差满足要求,得到预测模型。
根据本公开的实施例,根据当前训练次数,确定针对第一模型参数和第二模型参数的学习率,包括:获取预测模型的学习率变化公式;确定与当前训练次数相匹配的目标训练周期;确定与目标训练周期相对应的计算参数;以及基于学习率变化公式,根据当前训练次数和计算参数,确定针对第一模型参数和第二模型参数的学习率。
根据本公开的实施例,学习率的一种设置方式如公式(6)所示:
其中,i为当前训练次数,g为当前学习率。此时,学习率随着当前训练次数增加而降低,但在当前训练次数较高时,学习率非常小,过小的学习率可能导致网络陷入局部极小值,为了解决这一问题,可以在i=101,201,301…时,将学习率g重新初始化为0.1,再按照公式(6)中的函数曲线变化,用多项式衰减的方式更新学习率。即每100次训练为一个周期,每个周期内g的取值范围是[0.0048,0.1]。学习率计算公式可以表示为公式(7):
将公式(7)一般化,得到学习率计算公式(8):
其中,i为当前训练次数,g为当前学习率,n为计算参数,例如,i取(0,100]时为第一周期,取计算参数n=1;i取(100,200]时为第二周期,取计算参数n=2,等。
根据本公开的实施例,确定公式(8)为预测模型的学习率变化公式,并根据当前训练次数,确定目标训练周期,并确定计算参数n的取值。基于学习率变化公式,根据当前训练次数和计算参数,能够确定针对第一模型参数和第二模型参数的学习率。
根据本公开的实施例,针对待训练预测模型的预先训练过程包括周期长度相同的多个训练周期,在每个训练周期中,学习率逐渐变小,且学习率变小的趋势由快到慢。
图4示意性示出了根据本公开实施例的学习率的变化曲线图。
如图4所示,纵坐标代表学习率g,横坐标代表当前训练次数i。以100为周期,学习率随着当前训练次数的增加而周期性衰减。在一个周期内,随着当前训练次数i的增加,学习率g的衰减速度变慢,在一个周期内,学习率g的变化范围是从0.1~0.0048。
根据本公开的实施例,在模型参数调整优化时,常使用固定常数作为学习率,而由于常数是学习率设置者根据经验设置的,不同学习率值会导致模型收敛效果完全不同。按照公式(7)所示的学习率计算公式计算当前学习率,实验结果不受学习率设置影响,并且在周期初期,学习率初值较大,函数能够较快收敛,在周期后期,学习率减小,有利于模型参数逼近全局最优解。
根据本公开的实施例,三角函数cos曲线形式的学习率虽然也是周期性变化,但是在曲线下降的初期,学习率较大,且减小速度较慢,导致在每一个周期的初始阶段,在一个较长时间内模型参数的变化都会比较大,可能会错过全局最优解。而公式(8)所示的学习率计算公式的变化曲线是双曲线的正数部分,在周期的初始阶段,学习率较大,并且减小速度较快,一方面能够在周期初始阶段使模型参数快速变化,加快神经网络的收敛速度,同时由于学习率减小速度较快,不会由于长期保持较大的学习率而错过全局最优解。
根据本公开的实施例,三角函数曲线形式的周期性学习率在某一周期内会增大,但在曲线上升的初期,学习率增大的速度较慢,导致权值变化同样较慢,在学习率增大的周期中,由于周期后期学习率会变大,因此在周期初期取较小的学习率意义不大。这样会降低神经网络的训练效率,造成计算资源和时间的浪费。而公式(8)所示的学习率计算公式的变化曲线是双曲线的正数部分,在一个周期中,学习率是由大变小的、且变化速率也是由大变小的,由此在学习率较大的时间段内网络快速收敛,在学习率较小的时间段内寻优,同时在整个训练过程中,学习率随着当前训练训练次数周期性增减,同样能够达到三角函数曲线形式的周期性学习率的避免陷入局部最优的效果。而由于不存在学习率缓慢上升的过程,相比于三角函数曲线形式的周期性学习率,能够避免低效训练,节省训练时间开销,减少对计算资源的浪费,提高神经网络的训练效率。
根据本公开的实施例,基于学习率,更新当前的第一模型参数和第二模型参数,包括:根据学习率、误差值和第一模型参数,确定针对第一模型参数的第一变化量;将第一变化量与第一模型参数之和作为更新后的第一模型参数;根据学习率、误差值和第二模型参数,确定针对第二模型参数的第二变化量;将第二变化量与第二模型参数之和作为更新后的第二模型参数。
根据本公开的实施例,第一模型参数的第一变化量ΔW1可以根据学习率g、误差值E和第一模型参数W1确定,如公式(9)所示:
其中,为误差对第一模型参数的偏导数。
根据本公开的实施例,第二模型参数的变化值与第一模型参数的变化值的计算方式可以相同。
根据本公开的实施例,第一模型参数的调整可以如公式(10)所示:
W1(i+1)=W1(i)+ΔW1 (10)
其中,i为当前训练次数,W1(i)为第i次训练后的第一模型参数。
根据本公开的实施例,第二模型参数的调整可以如公式(11)所示:
W2(i+1)=W2(i)+ΔW2 (11)
其中,i为当前训练次数,W2(i)为第i次训练后的第二模型参数。图5示意性示出了根据本公开实施例的异常检测模型的训练流程图。
如图5所示,该实施例的异常检测模型的训练包括操作S501~操作S509。
在操作S501,设置初始模型参数。
在操作S502,获取属性数据和实际数量值。
在操作S503,将属性数据输入模型。
在操作S504,根据激活函数计算隐藏层和输出层神经元节点的输出。
在操作S505,计算预测属性值和实际数量值之间的误差。
在操作S506,判断误差是否满足要求。如果满足要求,模型训练完成,结束;如果不满足要求,执行操作S507。
在操作S507,求解误差梯度。
在操作S508,根据梯度和学习率计算公式确定模型参数变化值。
在操作S509,根据变化值调整模型参数。执行操作S504。
根据本公开的实施例,设置初始模型参数,包括第一模型参数和第二模型参数。获取属性数据和实际数量值,并将属性数据输入模型的输入层,在隐藏层中对输入层传输的数据进行处理得到特征提取数据,并将其传给输出层,输出层根据隐藏层传输的数据计算预测属性值。根据公式(5)计算预测属性值和实际数量值之间的误差,并判断误差是否满足要求。如果满足要求,模型训练完成;否则求解误差对当前模型参数的梯度,并根据梯度和学习率计算公式确定模型参数的变化值,将当前模型参数与模型参数的变化值求和,完成模型参数的调整,继续根据调整后的模型参数计算预测属性值,直至调整后的模型参数计算预测属性值和实际数量值之间的误差满足要求,结束模型训练。
根据本公开的实施例,维度还可以包括资源变化维度,如目标对象的人员变动次数、单次人员变动数量、累计人员变动数量、当前时段与上一时段相比人员的差量、硬件设备的变动数量等。
图6示意性示出了根据本公开实施例的异常检测装置的结构框图。
如图6所示,该实施例的异常检测装置600包括获取模块610、筛选模块620、预测模块630和异常确定模块640。
获取模块610用于获取目标对象在目标时段内的属性数据,其中,属性数据包括表征目标对象在至少一个维度的运行状态的数据,在一实施例中,获取模块610可以用于执行前文描述的操作S210,在此不再赘述。
筛选模块620用于从属性数据中确定目标类型的目标属性数据,其中,目标类型包括数量类型,在一实施例中,预测模块620可以用于执行前文描述的操作S220,在此不再赘述。
预测模块630用于将目标属性数据输入预测模型,输出下一时段内目标对象的预测属性值,其中,预测模型是利用变化的模型参数训练得到的,模型参数的变化量与训练次数相关,在一实施例中,预测模块630可以用于执行前文描述的操作S230,在此不再赘述。
异常确定模块640用于根据预测属性值,确定针对目标对象的异常结果,并向用户推送异常结果,在一实施例中,异常确定模块640可以用于执行前文描述的操作S240,在此不再赘述。
根据本公开的实施例,获取模块610包括第一获取单元、标识确定单元和第二获取单元。
第一获取单元用于根据目标对象的数据标识,从数据库中获取属性数据。
标识确定单元用于根据目标对象的数据标识,确定目标对象的至少一个子对象的数据标识。
第二获取单元用于根据目标对象的数据标识和至少一个子对象的数据标识,从数据库中获取属性数据。
根据本公开的实施例,预测模块630包括数据输入单元、处理单元、特征输出单元、转换单元和属性值输出单元。
数据输入单元用于将N个维度的目标属性数据分别输入与每个维度相对应的节点中。
处理单元用于利用第一模型参数对N个节点中的数据进行处理,得到隐藏层的输入数据。
特征输出单元用于将输入数据输入隐藏层,输出特征提取数据。
转换单元用于利用第二模型参数将特征提取数据转换为预测数据。
属性值输出单元用于将预测数据输入输出层,输出下一时段内目标对象的预测属性值。
根据本公开的实施例,异常确定模块640包括阈值获取单元和异常确定单元。
阈值获取单元用于获取与目标属性值相关的属性阈值。
异常确定单元用于根据预测属性值与属性阈值之间的比较关系,确定针对目标对象的异常结果。
根据本公开的实施例,待训练预测模型的结构与预测模型的结构相同,待训练预测模型包括输入层、隐藏层和输出层,第一模型参数用于将输入层的输出处理为隐藏层的输入,第二模型参数用于将隐藏层的输出处理为输出层的输入。异常检测装置600还包括预先训练模块。预先训练模块包括参数获取单元、学习率确定单元、参数确定单元和模型训练单元。
参数获取单元用于在待训练预测模型的预测属性值与实际数量值之间的误差值不满足要求的情况下,获取待训练预测模型当前的第一模型参数和第二模型参数,其中,待训练预测模型的预测属性值是根据输入的历史属性数据确定的。
学习率确定单元用于根据当前训练次数,确定针对当前的第一模型参数和第二模型参数的学习率。
参数确定单元用于基于学习率,更新当前的第一模型参数和第二模型参数。
模型训练单元用于利用历史属性数据,对更新第一模型参数和第二模型参数后的待训练预测模型进行训练,直至误差值满足要求,得到预测模型。
根据本公开的实施例,学习率确定单元包括公式获取子单元、周期确定子单元、参数确定子单元和学习率确定子单元。
公式获取子单元用于获取预测模型的学习率变化公式。
周期确定子单元用于确定与当前训练次数相匹配的目标训练周期。
参数确定子单元用于确定与目标训练周期相对应的计算参数。
学习率确定子单元用于基于学习率变化公式,根据当前训练次数和计算参数,确定针对第一模型参数和第二模型参数的学习率。
根据本公开的实施例,针对待训练预测模型的预先训练过程包括周期长度相同的多个训练周期,在每个训练周期中,学习率逐渐变小,且学习率变小的趋势由快到慢根据变化值调整第一模型参数和第。
根据本公开的实施例,获取模块610和预测、筛选模块620、预测模块630和异常确定模块640中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。
根据本公开的实施例,获取模块610和预测、筛选模块620、预测模块630和异常确定模块640中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块610和预测、筛选模块620、预测模块630和异常确定模块640中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图7示意性示出了根据本公开实施例的适于异常检测方法的电子设备的方框图。
如图7所示,根据本公开实施例的电子设备700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有电子设备700操作所需的各种程序和数据。处理器701、ROM702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。电子设备700还可以包括连接至输入/输出I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 702和/或RAM 703和/或ROM 702和RAM 703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本公开实施例所提供上述方法。
在该计算机程序被处理器701执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上所述的具体实施例,对本公开的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本公开的具体实施例而已,并不用于限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (11)
1.一种异常检测方法,包括:
获取目标对象在目标时段内的属性数据,其中,所述属性数据包括表征目标对象在至少一个维度的运行状态的数据,所述维度包括:设备故障维度、异常行为维度、修复行为维度;
从所述属性数据中确定目标类型的目标属性数据,其中,所述目标类型包括数量类型;
将所述目标属性数据输入预测模型,输出下一时段内所述目标对象的预测属性值,其中,所述预测模型是利用周期性变化的学习率对待训练预测模型进行预先训练后得到,且所述学习率的变化量与训练次数位于预先训练过程中的位置相关;以及
根据所述预测属性值,确定针对所述目标对象的异常结果,并向用户推送所述异常结果。
2.根据权利要求1所述的方法,其中,所述获取目标时段内的属性数据,包括:
根据所述目标对象的数据标识,从数据库中获取所述属性数据;
或者,
根据所述目标对象的数据标识,确定所述目标对象的至少一个子对象的数据标识;以及
根据所述目标对象的数据标识和所述至少一个子对象的数据标识,从所述数据库中获取所述属性数据。
3.根据权利要求1所述的方法,其中,所述目标属性数据包括N个维度的目标属性数据,N为正整数;所述预测模型包括输入层、隐藏层和输出层,所述输入层包括N个节点;所述将所述目标属性数据输入预测模型,输出下一时段内所述目标对象的预测属性值,包括:
将所述N个维度的目标属性数据分别输入与每个维度相对应的所述节点中;
利用第一模型参数对所述N个节点中的数据进行处理,得到所述隐藏层的输入数据;
将所述输入数据输入所述隐藏层,输出特征提取数据;
利用第二模型参数将所述特征提取数据转换为预测数据;以及
将所述预测数据输入所述输出层,输出下一时段内所述目标对象的预测属性值。
4.根据权利要求1所述的方案,其中,所述根据所述预测属性值,确定针对所述目标对象的异常结果,包括:
获取与所述目标属性值相关的属性阈值;以及
根据所述预测属性值与所述属性阈值之间的比较关系,确定针对所述目标对象的异常结果。
5.根据权利要求1所述的方法,其中,所述待训练预测模型的结构与所述预测模型的结构相同,所述待训练预测模型包括输入层、隐藏层和输出层,第一模型参数用于将所述输入层的输出处理为所述隐藏层的输入,第二模型参数用于将所述隐藏层的输出处理为所述输出层的输入;
所述预测模型是利用历史属性数据通过下述步骤对待训练预测模型进行预先训练后得到的:
在所述待训练预测模型的预测属性值与实际数量值之间的误差值不满足要求的情况下,获取所述待训练预测模型当前的第一模型参数和第二模型参数,其中,所述待训练预测模型的预测属性值是根据输入的历史属性数据确定的;
根据当前训练次数,确定针对当前的所述第一模型参数和所述第二模型参数的学习率;
基于所述学习率,更新当前的所述第一模型参数和所述第二模型参数;以及
利用所述历史属性数据,对更新所述第一模型参数和所述第二模型参数后的待训练预测模型进行训练,直至所述误差值满足要求,得到所述预测模型。
6.根据权利要求5所述的方法,其中,所述根据当前训练次数,确定针对所述第一模型参数和所述第二模型参数的学习率,包括:
获取所述预测模型的学习率变化公式;
确定与所述当前训练次数相匹配的目标训练周期;
确定与所述目标训练周期相对应的计算参数;以及
基于所述学习率变化公式,根据所述当前训练次数和所述计算参数,确定针对所述第一模型参数和所述第二模型参数的学习率。
7.根据权利要求5或6所述的方法,其中,针对所述待训练预测模型的预先训练过程包括周期长度相同的多个训练周期,在每个所述训练周期中,所述学习率逐渐变小,且所述学习率变小的趋势由快到慢。
8.一种异常检测装置,包括:
获取模块,用于获取目标对象在目标时段内的属性数据,其中,所述属性数据包括表征目标对象在至少一个维度的运行状态的数据;
筛选模块,用于从所述属性数据中确定目标类型的目标属性数据,其中,所述目标类型包括数量类型;
预测模块,用于将所述目标属性数据输入预测模型,输出下一时段内所述目标对象的预测属性值,其中,所述预测模型是利用变化的模型参数训练得到的,所述模型参数的变化量与训练次数相关;以及
异常确定模块,用于根据所述预测属性值,确定针对所述目标对象的异常结果,并向用户推送所述异常结果。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
11.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674676.4A CN117610933A (zh) | 2023-12-07 | 2023-12-07 | 异常检测方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674676.4A CN117610933A (zh) | 2023-12-07 | 2023-12-07 | 异常检测方法、装置、电子设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610933A true CN117610933A (zh) | 2024-02-27 |
Family
ID=89947981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674676.4A Pending CN117610933A (zh) | 2023-12-07 | 2023-12-07 | 异常检测方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610933A (zh) |
-
2023
- 2023-12-07 CN CN202311674676.4A patent/CN117610933A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210303381A1 (en) | System and method for automating fault detection in multi-tenant environments | |
US20200125465A1 (en) | Automatic prediction system for server failure and method of automatically predicting server failure | |
US10379146B2 (en) | Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data | |
US9208209B1 (en) | Techniques for monitoring transformation techniques using control charts | |
US20180115464A1 (en) | Systems and methods for monitoring and analyzing computer and network activity | |
US11449798B2 (en) | Automated problem detection for machine learning models | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
US11321165B2 (en) | Data selection and sampling system for log parsing and anomaly detection in cloud microservices | |
CN113515399A (zh) | 数据异常检测方法及装置 | |
US20140351414A1 (en) | Systems And Methods For Providing Prediction-Based Dynamic Monitoring | |
US20230078134A1 (en) | Classification of erroneous cell data | |
CN110825589A (zh) | 用于微服务系统的异常检测方法及其装置和电子设备 | |
US20210264033A1 (en) | Dynamic Threat Actionability Determination and Control System | |
JP2023547849A (ja) | ラベルなしセンサデータを用いた産業システム内の稀な障害の自動化されたリアルタイムの検出、予測、及び予防に関する、方法または非一時的コンピュータ可読媒体 | |
US11676063B2 (en) | Exposing payload data from non-integrated machine learning systems | |
CN116244146A (zh) | 日志异常检测方法、日志异常检测模型的训练方法及装置 | |
CN117610933A (zh) | 异常检测方法、装置、电子设备和可读存储介质 | |
US11704222B2 (en) | Event log processing | |
US11012463B2 (en) | Predicting condition of a host for cybersecurity applications | |
CN113052509B (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
EP4184328A1 (en) | Medical imaging device fault handling | |
US20220253781A1 (en) | Method, device and computer readable storage medium for data processing | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN117540140A (zh) | 用于确定可再生能源的概率分布信息的方法、装置及设备 | |
CN115601154A (zh) | 对象信息预测方法、对象信息预测模型的训练方法及装置 |
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 |