[發(fā)明專利]一種時間序列異常檢測方法、裝置、服務器和存儲介質(zhì)在審
| 申請?zhí)枺?/td> | 201910570356.1 | 申請日: | 2019-06-27 |
| 公開(公告)號: | CN110276409A | 公開(公告)日: | 2019-09-24 |
| 發(fā)明(設計)人: | 范奇 | 申請(專利權(quán))人: | 騰訊科技(深圳)有限公司 |
| 主分類號: | G06K9/62 | 分類號: | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司: | 深圳市深佳知識產(chǎn)權(quán)代理事務所(普通合伙) 44285 | 代理人: | 王仲凱 |
| 地址: | 518000 廣東省深圳*** | 國省代碼: | 廣東;44 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 時間序列 異常檢測 異常檢測模型 抽象特征 存儲介質(zhì) 原始特征 服務器 普適性 檢測 申請 監(jiān)督 學習 | ||
1.一種時間序列異常檢測方法,其特征在于,包括:
提取時間序列的原始特征;
處理所述時間序列的原始特征得到所述時間序列的抽象特征;其中,所述時間序列的抽象特征的總維度小于所述時間序列的原始特征的總維度,且所述時間序列的抽象特征表示所述時間序列的原始特征以及所述時間序列的原始特征間的相關(guān)性;
調(diào)用目標異常檢測模型;其中,所述目標異常檢測模型是通過有監(jiān)督學習的方式訓練得到的;
基于所述目標異常檢測模型對所述時間序列的抽象特征進行異常檢測,得到所述時間序列的異常檢測結(jié)果。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,通過有監(jiān)督學習的方式訓練得到目標異常檢測模型,包括:
獲取由第一時間序列構(gòu)成的正樣本集和負樣本集;其中,所述正樣本集中的第一時間序列攜帶的第一標定結(jié)果表征第一時間序列異常,所述負樣本集中的第一時間序列攜帶的第一標定結(jié)果表征第一時間序列正常;
提取所述第一時間序列的原始特征;
處理所述第一時間序列的原始特征得到所述第一時間序列的抽象特征;其中,所述第一時間序列的抽象特征的總維度小于所述第一時間序列的原始特征的總維度,且所述第一時間序列的抽象特征表征所述第一時間序列的原始特征以及所述第一時間序列的原始特征間的相關(guān)性;
將所述第一時間序列的抽象特征輸入待訓練異常檢測模型,得到所述待訓練異常檢測模型輸出的所述第一時間序列的預測結(jié)果;
根據(jù)所述第一時間序列攜帶的第一標定結(jié)果和所述第一時間序列的預測結(jié)果,計算所述待訓練異常檢測模型損失函數(shù)值;
以最小化所述待訓練異常檢測模型的損失函數(shù)值為目標,更新所述待訓練異常檢測模型的參數(shù),得到目標異常檢測模型。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述提取所述第一時間序列的原始特征之前,還包括:
對所述正樣本集和所述負樣本集中第一時間序列的數(shù)量進行均衡處理。
4.根據(jù)權(quán)利要求3所述的方法,其特征在于,所述對所述正樣本集和所述負樣本集中第一時間序列的數(shù)量進行均衡處理,包括:
對所述負樣本集中的第一時間序列進行抽樣得到多個目標負樣本集;其中,各個所述目標負樣本集中第一時間序列的數(shù)量相均衡;
將所述正樣本集分別與每個所述目標負樣本集進行組合得到多組待均衡樣本集;
對于每組所述待均衡樣本集,對該組待均衡樣本集中的正樣本集中的第一時間序列進行過采樣得到目標正樣本集,由該目標正樣本集和該組待均衡樣本集中的目標負樣本集構(gòu)成一組目標均衡樣本集。
5.根據(jù)權(quán)利要求4所述的方法,其特征在于,所述待訓練異常檢測模型的數(shù)量為多個,且一組所述目標均衡樣本集用于訓練一個所述待訓練異常檢測模型得到一個目標異常檢測模型。
6.根據(jù)權(quán)利要求5所述的方法,其特征在于,所述基于所述目標異常檢測模型對所述時間序列的抽象特征進行異常檢測,得到所述時間序列的異常檢測結(jié)果,包括:
分析每個所述目標異常檢測模型輸出的針對所述時間序列的抽象特征的異常檢測結(jié)果,得到所述目標時間序列的異常檢測結(jié)果。
7.根據(jù)權(quán)利要求2-6任意一項所述的方法,其特征在于,所述待訓練異常檢測模型為待訓練邏輯回歸模型。
8.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述處理所述時間序列的原始特征得到所述時間序列的抽象特征,包括:
調(diào)用目標抽象特征提取模型;其中,所述目標抽象特征提取模型為目標編碼機模型中的編碼網(wǎng)絡,所述目標編碼機模型以第二時間序列為第二訓練樣本,以待訓練編碼機模型對所述第二訓練樣本的預測結(jié)果趨近于所述第二訓練樣本為訓練目標,對所述待訓練編碼機模型進行訓練生成,所述第二時間序列未攜帶表征所述第二時間序列是否異常的第二標定結(jié)果;
基于所述目標抽象特征提取模型對所述時間序列的原始特征進行特征提取,得到所述時間序列的抽象特征。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于騰訊科技(深圳)有限公司,未經(jīng)騰訊科技(深圳)有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201910570356.1/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
- 網(wǎng)絡抽象網(wǎng)關(guān)及對端點進行抽象相應方法
- 一種抽象屬性的數(shù)據(jù)化及表示方法與應用
- 醫(yī)學體數(shù)據(jù)特征抽象的直接體繪制方法
- 一種基于上下文的抽象樣本信息檢索系統(tǒng)
- 圖像增強模型訓練方法、裝置、電子設備及可讀存儲介質(zhì)
- 異常流量的檢測方法、裝置、計算機設備和存儲介質(zhì)
- 結(jié)合抽象語義表示的圖像描述生成方法、系統(tǒng)及介質(zhì)
- 一種基于循環(huán)神經(jīng)網(wǎng)絡的抽象狀態(tài)模型構(gòu)建方法
- 基于特征融合和樸素貝葉斯的抽象畫圖像方向識別方法
- 基于多尺度AST和特征融合的代碼摘要生成方法及系統(tǒng)





