[發明專利]一種時序異常檢測方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202011306700.5
• 申請日: 2020-11-19
• 公開（公告）號: CN112380098A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 陳楨博;鄭立穎;徐亮
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F11/30
• 分類號: G06F11/30;G06F11/34;G06N3/04;G06N3/08
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種時序異常檢測方法，其特征在于，包括：

利用第一卷積神經網絡對運維系統的時序數據樣本進行卷積處理，得到局部鄰近時間步關聯的時序特征；

利用注意力機制對所述時序特征的全局時間步進行關聯，得到全局時間步關聯的時序特征；

利用變分自編碼算法對所述全局時間步關聯的時序特征進行編碼和解碼，得到重構的時序特征；

利用第二卷積神經網絡對所述重構的時序特征進行卷積處理，得到時序還原數據；

利用所述時序數據樣本與所述時序還原數據的差異檢測所述時序數據樣本的異常值，完成時序異常檢測模型的構建；

利用所述時序異常檢測模型對待測時序數據進行檢測，得到所述待測時序數據的異常值。

2.根據權利要求1所述的時序異常檢測方法，其特征在于，所述利用第一卷積神經網絡對運維系統的時序數據樣本進行卷積處理，得到局部鄰近時間步關聯的時序特征，包括：

利用所述第一卷積神經網絡中的第一卷積層對所述時序數據樣本進行卷積處理，得到第一中間特征；

利用所述第一卷積神經網絡中的第二卷積層對所述第一中間特征進行卷積處理，得到局部鄰近時間步關聯的時序特征。

3.根據權利要求1所述的時序異常檢測方法，其特征在于，所述利用注意力機制對所述時序特征的全局時間步進行關聯，得到全局時間步關聯的時序特征，包括：

將局部鄰近時間步關聯的時序特征作為輸入數據，根據所述輸入數據分別構建查詢矩陣、鍵矩陣和值矩陣；

將所述查詢矩陣乘以所述鍵矩陣，并利用激活函數對乘積結果進行激活，得到注意力權重；

將所述注意力權重與所述值矩陣相乘，并與輸入數據進行連接，輸出得到全局時間步關聯的時序特征。

4.根據權利要求1所述的時序異常檢測方法，其特征在于，所述利用變分自編碼算法對所述全局時間步關聯的時序特征進行編碼和解碼，得到重構的時序特征，包括：

將所述全局時間步關聯的時序特征輸入至編碼器中進行編碼，并通過全連接層生成均值與標準差；

將所述均值與標準差輸入至解碼器進行標準正態分布采樣，得到重構的時序特征。

5.根據權利要求1所述的時序異常檢測方法，其特征在于，所述利用第二卷積神經網絡對所述重構的時序特征進行卷積處理，得到時序還原數據，包括：

利用所述第二卷積神經網絡中的第三卷積層對所述重構的時序特征進行卷積處理，得到第二中間特征；

利用所述第二卷積神經網絡中的第四卷積層對所述第二中間特征進行卷積處理，得到時序還原數據。

6.根據權利要求1所述的時序異常檢測方法，其特征在于，利用所述時序數據樣本與所述時序還原數據的差異檢測所述時序數據樣本的異常值，完成時序異常檢測模型的構建之后，包括：

基于所述時序數據樣本與所述時序還原數據的差異計算損失函數；

利用所述損失函數對所述時序異常檢測模型進行迭代優化，直至達到預設的迭代次數或者損失值小于預設損失閾值。

7.根據權利要求1所述的時序異常檢測方法，其特征在于，所述第一卷積神經網絡和第二卷積神經網絡的卷積層均為1維卷積層。

8.一種時序異常檢測裝置，其特征在于，包括：

第一卷積單元，用于利用第一卷積神經網絡對運維系統的時序數據樣本進行卷積處理，得到局部鄰近時間步關聯的時序特征；

注意力機制單元，用于利用注意力機制對所述時序特征的全局時間步進行關聯，得到全局時間步關聯的時序特征；

自編碼單元，用于利用變分自編碼算法對所述全局時間步關聯的時序特征進行編碼和解碼，得到重構的時序特征；

第二卷積單元，用于利用第二卷積神經網絡對所述重構的時序特征進行卷積處理，得到時序還原數據；

模型構建單元，用于利用所述時序數據樣本與所述時序還原數據的差異檢測所述時序數據樣本的異常值，完成時序異常檢測模型的構建；

模型檢測單元，用于利用所述時序異常檢測模型對待測時序數據進行檢測，得到所述待測時序數據的異常值。