[發明專利]一種面向時序KPI數據的異常檢測方法

有效

• 申請號: 202011271468.6
• 申請日: 2020-11-13
• 公開（公告）號: CN112446002B
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 聶力海;趙來平;田朝;李克秋
• 申請（專利權）人: 天津大學
• 主分類號: G06F17/10
• 分類號: G06F17/10;G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李素蘭

1.一種面向時序KPI數據的異常檢測方法，其特征在于，該方法具體包括以下步驟：

步驟1、對一個極大極小二元博弈過程模型進行訓練，通過交替訓練使模型收斂；訓練分為兩個階段即KPI識別器訓練和重構器訓練：

步驟1-1、識別器訓練過程為：首先從數據集中抽取在正常系統狀態下采集的真實KPI數據和通過重構器重構異常KPI數據；

令正常數據標簽為1、異常數據標簽為0，通過最小化預測標簽和真實標簽的交叉熵來訓練識別器，公式如下：

其中，x_i是一條真實KPI數據，D(x_i)是識別器對其真實性的評價，R(x_i)是重構器對x_i的重構結果，

利用公式(1)使識別器最大化區分正常數據和異常數據；

步驟1-2、重構器訓練過程為最小化識別器的識別損失，公式如下：

其中，D(·)表示識別器對數據異常的判定，1表示數據正常，0表示數據異常；

步驟1-3、交替訓練識別器和重構器，重復執行上述步驟1-1至步驟1-2直至模型收斂；當模型收斂時，通過重構器生成較為真實的數據；通過識別器識別正常數據的模式；

步驟2、進行在線檢測，把待檢測數據x輸入給識別器D，然后D輸出對數據x異常性的判定結果，用訓練完成的識別器來判定數據正常/異常，如下式所示：

進行異常KPI數據識別的過程，具體包括以下步驟：

首先利用一維卷積神經網絡提取時序KPI數據特征，然后利用一維卷積神經網絡提取二次特征，最后把所有提取到的特征利用全連接神經網絡進行分類：分析KPI數據的非高斯噪聲特性，利用非平滑激活函數激活識別器來解決非高斯噪聲問題，以便高效識別混有非高斯噪聲的KPI異常；分析過程如下：

假設x＝{x₁,x₂,...,x_w}是一個正常的KPI數據序列，Φ(·)是一個可學習的神經網絡分類器，Φ(x)＝1表示數據x正常，反之Φ(x)＝0表示數據x異常；用ε＝{ε₁,ε₂,...,ε_w}表示非高斯分布噪聲，接下來衡量Φ(x+ε)異常與否，ε表示邊界；理想的異常檢測器應滿足以下標準之一：

根據公式(4)，一定存在一個臨界噪聲ε_1:i＝{ε₁,...,ε_i,0,0,...0}，使得如下公式(2)成立，數據x加上和減去噪聲ε_1:i-1都為正常，而數據x減去ε_1:i為異常；

左右兩側同時除以ε_i，得到下式：

當ε_i趨近無窮小的時候，對公式(6)求導，得到Φ(x)的導數：

假設在識別器D中有n層神經網絡，用H_j(·)表示將j-1^th層映射到j^th層中的函數，并將σ_j(·)作為j^th層中的激活函數；

Φ(x)表示如下：

其中，σ_j(·)是非光滑函數；當σ'_j(·)是不連續時，使得公式(7)成立。