[發明專利]一種時間序列異常檢測方法、裝置、服務器和存儲介質

在審

• 申請號: 201910570356.1
• 申請日: 2019-06-27
• 公開（公告）號: CN110276409A
• 公開（公告）日: 2019-09-24
• 發明（設計）人: 范奇
• 申請（專利權）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: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王仲凱

本發明提供了一種時間序列異常檢測方法、裝置、服務器和存儲介質，該方法包括提取時間序列的原始特征；處理時間序列的原始特征得到時間序列的抽象特征；基于目標異常檢測模型對時間序列的抽象特征進行異常檢測得到時間序列的異常檢測結果；其中，目標異常檢測模型是通過有監督學習的方式訓練得到的。本申請對時間序列的檢測更具普適性，準確性更高。

技術領域

本發明涉及計算機技術領域，更具體地說，涉及一種時間序列異常檢測方法、裝置、服務器和存儲介質。

背景技術

時間序列是指將某領域某一統計指標在不同時刻下的數值、按照時間先后順序排列而形成的序列。時間序列異常檢測一直是學術界和工業界比較關注的問題。

現有基于滑窗的時間序列檢測中，通過滑窗內的統計信息，如平均數、中位數等對下一時間點的數值做出預測。如果下一時間點的實際數值與預測數值不符，則認定該時間序列異常。但這種檢測方式，對于變化幅度較大或者周期性的時間序列的檢測誤差很大。

發明內容

有鑒于此，本發明提供一種時間序列異常檢測方法、裝置、服務器和存儲介質，以提高時間序列異常檢測的普適性和準確性。

為實現上述目的，本發明實施例提供如下技術方案：

一種時間序列異常檢測方法，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性；

調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果。

一種時間序列異常檢測裝置，包括：

特征提取模塊，用于提取時間序列的原始特征；

特征處理模塊，用于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性；

模型調用模塊，用于調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督學習的方式訓練得到的；

異常檢測模塊，用于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果。

一種服務器，包括：至少一個存儲器和至少一個處理器；所述存儲器存儲有程序，所述處理器調用所述存儲器存儲的程序，所述程序用于實現所述的時間序列異常檢測方法。

一種存儲介質，所述存儲介質中存儲有計算機可執行指令，所述計算機可執行指令用于執行所述的時間序列異常檢測方法。

本申請提供的一種時間序列異常檢測方法、裝置、服務器和存儲介質，該方法包括提取時間序列的原始特征；處理時間序列的原始特征得到時間序列的抽象特征；基于目標異常檢測模型對時間序列的抽象特征進行異常檢測得到時間序列的異常檢測結果；其中，目標異常檢測模型是通過有監督學習的方式訓練得到的。本申請一方面基于原始特征獲得總維度更低、信息量更高的抽象特征，從而提高對時間序列的表示能力；在此基礎上，另一方面由攜帶有標注的時間序列作為訓練樣本對待訓練異常檢測模型進行訓練，使得所生成的目標異常檢測模型對時間序列的檢測更具普適性，準確性更高。

附圖說明