[發明專利]一種基于圖神經網絡的多變量時間序列異常檢測方法及系統

在審

• 申請號: 202210351790.2
• 申請日: 2022-04-02
• 公開（公告）號: CN114881115A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 劉濤;楊晨旺;馬君;韓銀和
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京律誠同業知識產權代理有限公司 11006
• 代理人: 祁建國;陳思遠

本發明提出一種基于圖神經網絡的多變量時間序列異常檢測方法和系統，包括：以物理系統中傳感器作為概率圖模型中節點，以傳感器監測的數據作為時間序列，對多維時間序列關系建模，得到動態圖神經網絡模型；得到各節點下一時間點的預測值，并采用歸一化的時間對齊測度生成各節點的鄰接矩陣；當時間進行到下一時間點，獲取節點的真實值，根據預測值和真實值，構建引入鄰接矩陣重構誤差的損失函數，以訓練更新動態圖神經網絡模型，同時根據各節點損失函數數值及其鄰居節點在分布上的差異性和鄰接矩陣值，得到各節點的異常值；當節點預測值與真實值的誤差大于異常值，則產生異常報警。本發明提高了系統異常值的穩定性和緩變異常檢測的準確性。

技術領域

本發明涉及工業設備系統的異常檢測/穩定性檢測，尤其是一個過程控制中的設備系統異常檢測/穩定性檢測。

背景技術

對于一個復雜的物理系統(如電廠、數據中心、智能工廠等)，其存在著大量不同類型的傳感器(如電流、電壓、溫度、速度及壓力等)用于監測系統各設備的運行狀態。在管理這種復雜物理系統的過程中，一項關鍵的任務就是對系統異常進行實時監測，以便于在適當時間采取措施解決引起異常報警的原因。

根據是否存在對應的正異常標簽，多變量時間序列異常檢測模型可分為有監督、無監督和半監督三大類。同時，考慮到實際應用中異常數據較少且標注難度大，因此無監督的時間序列異常檢測算法已成為近年來該領域研究的重點。根據算法原理的不同，無監督多變量時間序列異常檢測可分為基于序列相似度的算法、基于預測模型的算法兩大類。對于多變量時間序列，由于直接計算兩兩序列間相似度的復雜度高，因此該類算法并不會直接單獨使用。對于多變量時間序列，盡管降維算法的優化過程以減少各序列的重構誤差為目的，但僅通過無監督的序列投影仍無法保證對下一時刻序列取值的預測誤差。因此，目前多維時間序列異常檢測主要基于時間序列預測模型實現。如Jones等人提出通過一種序列軌跡特征構建序列間的相似性，并通過對不同尺度下的軌跡特征的疊加以解決長周期時間序列的相關性的問題。這也在一定程度上擴大了后續預測模型的輸入序列長度。Munir等人提出了DeepAnT模型，即采用CNN構建時間序列預測器以提高對周期性和季節性時間序列的預測性能，并采用預測值與真實值誤差的平方根定義異常值。Deng等人提出了基于圖神經網絡的GDN以實現多維時間序列異常檢測，并通過圖注意力機制構建鄰接矩陣實現字段間相關性的自動發現。

對于上述無監督高維時間序列異常檢測模型，其中大多數仍不能有效的檢測出序列的異常，這是因為：

1)由于數據本身存在時域的依賴關系，因此基于簡單的距離或聚類的算法，很難對序列時序關系建模。

2)考慮到流程或機理上的因果關系，各傳感器采集的數據間存在某種潛在的相關性。顯然現有的基于預測模型的異常檢測算法，盡管有較高的處理效率，但大多缺少對各字段間的相關性建模。

3)雖然GDN模型可以自動發現字段間的相關性，但對于由于鄰接矩陣隨時間變化較大，系統異常值的波動也很大。這使得實際使用時，異常檢測的閾值難以確定。

發明人在進行基于深度學習多維時間序列異常檢測算法的研究時，發現GDN模型只能通過基于輸入數據的訓練得到其靜態模型，隨著輸入維度的增加，模型輸出的異常值以及節點相關性的波動也較大，不利于異常檢測和進一步的分析。GDN模型的訓練過程僅優化了特征數據的預測誤差，缺少顯式的與節點網絡結構相關(如各節點屬性形似度)的重構誤差信息的監督，因此，訓練得到的圖嵌入特征及相關的鄰接矩陣的偏差較大，不能直接用于后續的根原因分析。且GDN模型仍屬靜態模型，即僅根據輸入數據預測當前的網絡結構進行推理。盡管推理過程計算簡單，但由于模型中缺少反映變量時域相關性的模塊，因此并不適于對不斷變化的可能的異常字段及其鄰接關系建模。

發明內容