JP7173510B1 - 異常検知装置、システム、方法及びプログラム - Google Patents
異常検知装置、システム、方法及びプログラム Download PDFInfo
- Publication number
- JP7173510B1 JP7173510B1 JP2022549666A JP2022549666A JP7173510B1 JP 7173510 B1 JP7173510 B1 JP 7173510B1 JP 2022549666 A JP2022549666 A JP 2022549666A JP 2022549666 A JP2022549666 A JP 2022549666A JP 7173510 B1 JP7173510 B1 JP 7173510B1
- Authority
- JP
- Japan
- Prior art keywords
- tree structure
- anomaly detection
- update
- inference
- model
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims description 146
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims description 137
- 230000005856 abnormality Effects 0.000 claims description 47
- 230000010365 information processing Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 128
- 238000010586 diagram Methods 0.000 description 20
- 238000002910 structure generation Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
第1の実施形態においては、本発明を異常検知装置100へと適用した例について説明する。ここで、異常検知装置100は、異常検知を行うための専用装置であってもよいし他の機能を含む装置の一部として構成されてもよい。また、単にPC等の情報処理装置上で実現してもよい。
図1は、異常検知装置100のハードウェア構成図である。同図から明らかな通り、異常検知装置100は、制御部1、記憶部3、入力部5、表示部6、音声出力部7、通信部8及びI/O部9を備え、これらの構成は互いにバス等を介して接続されている。
本実施形態において、異常検知装置100は、以下で述べる通り、木構造モデルの生成動作、事前学習動作、及び、異常検知動作を行う。なお、これらの一連の処理は、連続的に行ってもよいし一部の動作を事前に実行してもよい。例えば、運用前に木構造モデルの生成動作と事前学習動作を実行し、運用後に、異常検知動作を実行してもよい。
まず、後述の事前学習及び異常検知等で用いられる学習済モデル生成の基礎となる木構造モデルを生成するための動作について説明する。
次に、生成した木構造モデルを利用した事前学習動作について説明する。
続いて、初期学習処理により生成された学習済モデル、本実施形態においては、学習済の木構造モデルを用いた異常検知動作について説明する。
第1の実施形態においては、単一の木構造モデルを用いて異常検知処理等を行った。本実施形態においては、複数の木構造モデルを利用して学習/推論処理を行うアンサンブル学習モデルを用いた例のうち、特に、複数の木構造モデルの出力に基づいて(例えば、複数の木構造モデルの出力の平均をとることにより)、推論出力を生成するバギング型モデルを用いた例について説明する。
本実施形態に係る異常検知装置のハードウェア構成は、学習モデルとしてアンサンブル学習モデルを用いる点を除いて、第1の実施形態に係る構成(図1及び図2参照)と略同一であるので、詳細な説明は省略する。
(2.2.1 木構造モデルの生成動作)
図15は、複数の木構造モデルの生成処理に関するゼネラルフローチャートである。同図から明らかな通り、木構造生成用データの読み出しを行い各系列データについて統計データを特定及び記憶するフローは第1の実施形態に係るフローと同一である(S41~S46)。
図16は、本実施形態に係る事前学習動作に関するゼネラルフローチャートである。同図から明らかな通り、事前学習動作のフロー(S61~S68)は、第1の実施形態に係るフロー(図8参照)と略同一である。ただし、本実施形態においては、木構造モデルが複数存在することから、推論値y'の生成処理(S63)に関する詳細フローと、木構造モデルの更新処理(S65)に関する詳細フローが第1の実施形態とは異なる。
図20は、本実施形態に係る異常検知動作に関するゼネラルフローチャートである。同図から明らかな通り、本実施形態に係る異常検知動作に関するフローは、第1の実施形態に係るフローと略同一である。しかしながら、本実施形態においては複数の木構造モデルを含むモデルを用いることから、推論処理(S75)、追加学習処理(S79)、及び忘却学習処理(S80)の詳細が第1の実施形態とは異なる。
第2の実施形態においては、複数の木構造モデルの木構造推論値y''の相加平均を推論値y'とするモデルを用いた処理について説明した。本実施形態においては、複数の木構造モデルを利用して学習/推論処理を行うアンサンブル学習モデルを用いた例のうち、特に、複数の木構造モデルの出力に基づいて(例えば、複数の木構造モデルの出力の総和をとることにより)、推論出力を生成するブースティング型モデルを用いた例について説明する。
本実施形態のハードウェア構成は第1の実施形態又は第2の実施形態と略同一であるので詳細な説明は省略する。
(3.2.1 木構造モデルの生成動作)
本実施形態に係る木構造モデルの生成動作は、第2の実施形態で示したもの(図15を参照)と略同一であるので同様な処理についての詳細な説明は省略する。すなわち、本実施形態においても、TreeNum個の木構造モデルを生成して記憶部3へと記憶する。
本実施形態に係る事前学習動作も第2の実施形態と略同一であるので同様な処理についての詳細な説明は省略する(図16を参照)。しかしながら、本実施形態においては推論値y'の生成処理(S63)と木構造モデルの更新処理(S65)が第2の実施形態とは異なる。
本実施形態に係る異常検知動作も第2の実施形態と略同一であるので同様な処理についての詳細な説明は省略する(図20を参照)。しかしながら、本実施形態においては推論値y'の生成処理(SS75)、追加学習処理(S79)、及び忘却学習処理(S80)の詳細が、第2の実施形態とは異なる。
本発明は、上述の実施形態に限定されることはなく、様々に変形して実施することができる。
11 木構造モデル生成処理部
12 初期学習処理部
13 異常検知部
131 データ取得部
132 推論処理部
133 異常検知処理部
135 追加学習処理部
136 忘却学習処理部
137 出力処理部
3 記憶部
5 入力部
6 表示部
7 音声出力部
8 通信部
9 I/O部
100 異常検知装置
Claims (13)
- 評価対象データを取得する、データ取得部と、
1又は複数の木構造モデルへの前記評価対象データの入力に基づいて生成された推論出力に基づいて前記評価対象データに関する異常検知を行う、異常検知部と、
前記木構造モデルに対して、前記評価対象データに基づく追加学習処理と、忘却学習処理と、を行うことにより更新木構造モデルを生成する、更新モデル生成部と、を備え、
所定の条件を満たした場合、前記異常検知部及び前記更新モデル生成部において、前記木構造モデルに代えて前記更新木構造モデルが使用され、
前記忘却学習処理は、忘却学習用更新量を、各前記木構造モデルの有する葉ノードに対応付けられた推論値から減ずることにより行われる、異常検知装置。 - 前記忘却学習用更新量は、所定の窓幅に基づいて設定される、請求項1に記載の異常検知装置。
- 前記忘却学習用更新量は、各前記木構造において、前記推論出力に基づいて生成された追加学習用更新量を各前記木構造の葉ノードの数で除した値である、請求項1に記載の異常検知装置。
- 前記追加学習処理は、前記推論出力に基づいて生成された追加学習用更新量を、各前記木構造モデルの有する葉ノードのうち前記推論出力の生成に関与した葉ノードに対応付けられた推論値に対して加算することにより行われる、請求項1に記載の異常検知装置。
- 前記条件は、前記更新木構造モデルが生成されたことである、請求項1に記載の異常検知装置。
- 前記異常検知部は、前記推論出力と所定の閾値との比較に基づいて異常検知を行う、請求項1に記載の異常検知装置。
- 前記木構造モデルは1つであって、
前記異常検知部における前記推論出力は、前記木構造モデルの一の葉ノードに対応付けられた出力値である、請求項1に記載の異常検知装置。 - 前記木構造モデルは複数であって、
前記異常検知部における前記推論出力は、各前記木構造モデルの各葉ノードに対応付けられた出力値の相加平均値である、請求項1に記載の異常検知装置。 - 前記木構造モデルは複数であって、
前記異常検知部における前記推論出力は、各前記木構造モデルの各葉ノードに対応付けられた出力値の総和である、請求項1に記載の異常検知装置。 - 評価対象データを取得する、データ取得部と、
1又は複数の木構造モデルへの前記評価対象データの入力に基づいて生成された推論出力に基づいて前記評価対象データに関する異常検知を行う、異常検知部と、
前記木構造モデルに対して、前記評価対象データに基づく追加学習処理と、忘却学習処理と、を行うことにより更新木構造モデルを生成する、更新モデル生成部と、を備え、
所定の条件を満たした場合、前記異常検知部及び前記更新モデル生成部において、前記木構造モデルに代えて前記更新木構造モデルが使用され、
前記忘却学習処理は、忘却学習用更新量を、各前記木構造モデルの有する葉ノードに対応付けられた推論値から減ずることにより行われる、異常検知システム。 - 評価対象データを取得する、データ取得ステップと、
1又は複数の木構造モデルへの前記評価対象データの入力に基づいて生成された推論出力に基づいて前記評価対象データに関する異常検知を行う、異常検知ステップと、
前記木構造モデルに対して、前記評価対象データに基づく追加学習処理と、忘却学習処理と、を行うことにより更新木構造モデルを生成する、更新モデル生成ステップと、を備え、
所定の条件を満たした場合、前記異常検知ステップ及び前記更新モデル生成ステップにおいて、前記木構造モデルに代えて前記更新木構造モデルが使用され、
前記忘却学習処理は、忘却学習用更新量を、各前記木構造モデルの有する葉ノードに対応付けられた推論値から減ずることにより行われる、異常検知方法。 - 評価対象データを取得する、データ取得ステップと、
1又は複数の木構造モデルへの前記評価対象データの入力に基づいて生成された推論出力に基づいて前記評価対象データに関する異常検知を行う、異常検知ステップと、
前記木構造モデルに対して、前記評価対象データに基づく追加学習処理と、忘却学習処理と、を行うことにより更新木構造モデルを生成する、更新モデル生成ステップと、を備え、
所定の条件を満たした場合、前記異常検知ステップ及び前記更新モデル生成ステップにおいて、前記木構造モデルに代えて前記更新木構造モデルが使用され、
前記忘却学習処理は、忘却学習用更新量を、各前記木構造モデルの有する葉ノードに対応付けられた推論値から減ずることにより行われる、異常検知プログラム。 - 評価対象データを取得する、データ取得部と、
1又は複数の木構造モデルへの前記評価対象データの入力に基づいて生成された推論出力に基づいて前記評価対象データに関する異常検知を行う、異常検知部と、
前記木構造モデルに対して、前記評価対象データに基づく追加学習処理と、忘却学習処理と、を行うことにより更新木構造モデルを生成する、更新モデル生成部と、を備え、
所定の条件を満たした場合、前記異常検知部及び前記更新モデル生成部において、前記木構造モデルに代えて前記更新木構造モデルが使用され、
前記忘却学習処理は、忘却学習用更新量を、各前記木構造モデルの有する葉ノードに対応付けられた推論値から減ずることにより行われる、情報処理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022167374A JP2023163114A (ja) | 2022-04-27 | 2022-10-19 | 異常検知装置、システム、方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/019114 WO2023209878A1 (ja) | 2022-04-27 | 2022-04-27 | 異常検知装置、システム、方法及びプログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022167374A Division JP2023163114A (ja) | 2022-04-27 | 2022-10-19 | 異常検知装置、システム、方法及びプログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP7173510B1 true JP7173510B1 (ja) | 2022-11-16 |
JPWO2023209878A1 JPWO2023209878A1 (ja) | 2023-11-02 |
JPWO2023209878A5 JPWO2023209878A5 (ja) | 2024-04-05 |
Family
ID=84082877
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022549666A Active JP7173510B1 (ja) | 2022-04-27 | 2022-04-27 | 異常検知装置、システム、方法及びプログラム |
JP2022167374A Pending JP2023163114A (ja) | 2022-04-27 | 2022-10-19 | 異常検知装置、システム、方法及びプログラム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022167374A Pending JP2023163114A (ja) | 2022-04-27 | 2022-10-19 | 異常検知装置、システム、方法及びプログラム |
Country Status (2)
Country | Link |
---|---|
JP (2) | JP7173510B1 (ja) |
WO (1) | WO2023209878A1 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020008919A1 (ja) * | 2018-07-04 | 2020-01-09 | 株式会社エイシング | 機械学習装置及び方法 |
WO2021171863A1 (ja) * | 2020-02-27 | 2021-09-02 | オムロン株式会社 | モデル更新装置、方法、及びプログラム |
WO2021256135A1 (ja) * | 2020-06-17 | 2021-12-23 | 株式会社エイシング | 制御装置、方法及びプログラム |
-
2022
- 2022-04-27 JP JP2022549666A patent/JP7173510B1/ja active Active
- 2022-04-27 WO PCT/JP2022/019114 patent/WO2023209878A1/ja active Application Filing
- 2022-10-19 JP JP2022167374A patent/JP2023163114A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020008919A1 (ja) * | 2018-07-04 | 2020-01-09 | 株式会社エイシング | 機械学習装置及び方法 |
WO2021171863A1 (ja) * | 2020-02-27 | 2021-09-02 | オムロン株式会社 | モデル更新装置、方法、及びプログラム |
WO2021256135A1 (ja) * | 2020-06-17 | 2021-12-23 | 株式会社エイシング | 制御装置、方法及びプログラム |
Non-Patent Citations (2)
Title |
---|
HOENS, T. Ryan et al.,"Learning from streaming data with concept drift and imbalance: an overview",Progress in Artificial Intelligence [online],Springer Nature,2012年,No.1,pp.89-101,[検索日 2022.07.05], インターネット:<URL: https://link.springer.com/article/10.1007/s13748-011-0008-0> |
HOENS, T. RYAN ET AL.: ""Learning from streaming data with concept drift and imbalance: an overview"", PROGRESS IN ARTIFICIAL INTELLIGENCE [ONLINE], JPN6022028652, 2012, pages 89 - 101, XP093103715, ISSN: 0004883780, DOI: 10.1007/s13748-011-0008-0 * |
Also Published As
Publication number | Publication date |
---|---|
JP2023163114A (ja) | 2023-11-09 |
WO2023209878A1 (ja) | 2023-11-02 |
JPWO2023209878A1 (ja) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6763482B2 (ja) | 仮説推論装置、仮説推論方法、及びプログラム | |
US20050240546A1 (en) | Forward-chaining inferencing | |
WO2021098255A1 (zh) | 保护隐私安全的神经网络模型的训练方法和装置 | |
Moniz et al. | Smoteboost for regression: Improving the prediction of extreme values | |
CN111797327A (zh) | 社交网络建模的方法及装置 | |
CN112989363A (zh) | 漏洞定位方法、装置、电子设备和存储介质 | |
CN114840857A (zh) | 基于深度强化学习与多级覆盖策略的智能合约模糊测试方法及系统 | |
KR102582779B1 (ko) | 뉴로 심볼릭 기반 릴레이션 임베딩을 통한 지식완성 방법 및 장치 | |
KR102276801B1 (ko) | 기계학습 기반 시계열 데이터 처리 방법 및 장치 | |
JP7173510B1 (ja) | 異常検知装置、システム、方法及びプログラム | |
CN110688368B (zh) | 一种构件行为模型挖掘方法与装置 | |
CN114285587A (zh) | 域名鉴别方法和装置、域名分类模型的获取方法和装置 | |
CN112181826A (zh) | 软件图形接口测试方法、装置及系统 | |
US20230186108A1 (en) | Control device, method, and program | |
Liang et al. | Rlf: Directed fuzzing based on deep reinforcement learning | |
US11556760B2 (en) | Learning-based data processing system and model update method | |
Rapos et al. | Using fuzzy logic and symbolic execution to prioritize UML-RT test cases | |
CN110990256B (zh) | 开源代码检测方法、装置及计算机可读存储介质 | |
Shao et al. | Self-Adaptive Anomaly Detection With Deep Reinforcement Learning and Topology | |
KR20220151488A (ko) | 패션 트랜드와 연관된 데이터를 제공하기 위한 네트워크 서버 및 방법 | |
Yücesoy et al. | Hierarchical reinforcement learning with context detection (hrl-cd) | |
JP2019021037A (ja) | ソースコード評価装置、ソースコード評価方法及びソースコード評価プログラム | |
KR102222072B1 (ko) | 학습기반 데이터 처리 시스템 및 모델 갱신 방법 | |
Prudêncio et al. | Design of neural networks for time series prediction using case-initialized genetic algorithms | |
JP7127686B2 (ja) | 仮説推論装置、仮説推論方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220818 Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220818 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220818 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220818 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220928 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221026 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7173510 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |