[發明專利]基于解纏繞網絡的多變量時間序列異常檢測方法及系統

在審

• 申請號: 202210797654.6
• 申請日: 2022-07-06
• 公開（公告）號: CN115344621A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 王春枝;邢紹文;高榕;嚴靈毓;吳珺;周顯敬;劉虎
• 申請（專利權）人: 湖北工業大學;武漢卓爾信息科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62;G06N3/04;G06F16/9537
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 韓雪梅

本發明涉及異常檢測技術領域，特別是涉及一種基于解纏繞網絡的多變量時間序列異常檢測方法及系統，方法包括：獲取初始多變量時間序列數據，并對多變量時間序列數據進行規范化處理，得到預處理多變量時間序列數據；獲取預處理多變量時間序列數據的全局依賴關系、局部動態依賴關系和時間依賴關系，進一步得到融合關系；基于融合關系得到預測多變量時間序列數據；基于預測多變量時間序列數據和預處理多變量時間序列數據得到是否異常。本發明能夠很好地檢測出多變量時間序列中的異常波動，大幅度提高了針對多變量時間序列的異常檢測能力。

技術領域

本發明涉及異常檢測技術領域，特別是涉及一種基于解纏繞網絡的多變量 時間序列異常檢測方法及系統。

背景技術

隨著物聯網時代的到來，越來越多的傳感器被布置在周邊的生活環境中， 傳感器的監測結果是時間序列數據。例如水處理廠中由負責測量水位、流速和 水質等不同傳感器收集的數據，以及應用服務器的一組監測指標都是標準的時 間序列數據。在實際應用中，能夠使用這些時序數據來高效準確的識別異常值 是非常重要的，這有助于對傳感器系統進行持續監控，并及時對潛在事件做出 示警。

多變量時間序列是由來自同一實體的多個單變量時間序列組成，每一個單 變量時間序列代表了系統中的一個傳感器的測量值。傳統的檢測方法是領域專 家根據單變量指標的特性，建立相應的閾值，從而達到異常檢測的目的。然而， 隨著系統規模和數據復雜性的急劇增加，這種工作量大且不可擴展的方式已經 退出了人們的視線。為了克服傳統方法存在的問題，近些年來提出了許多異常 檢測算法，在單變量上進行異常檢測。然而，在實際的復雜系統中，往往一個 指標的變化會引起其他指標的波動，它們之間都是相互交互的。因此，單個指 標并不能代表系統的整體狀態，以至于這些單變量檢測算法在多變量時間序列 異常檢測任務上表現不佳。

隨著深度學習的快速發展，基于深度學習的技術使得多變量時間序列異常 檢測得到了改進。

圖神經網絡在圖形數據建模方面取得了成功，現實中許多的問題都可以抽 象為圖結構的非歐氏結構數據。多變量時間序列也可以在圖上表示，將其中的 每個傳感器看作是圖中的節點，通過隱藏的依賴關系相互關聯。圖神經網絡能 夠更好地學習傳感器之間依賴模式。

現有的基于多變量時間序列的異常檢測工作存在如下問題：

1)通常情況下，多變量時間序列沒有明確的圖形結構，傳感器之間的相 關性隨時間動態的變化，而造成這種變化的原因是高度復雜的。現有技術通過 對多變量時間序列中的每個單變量節點進行可學習的嵌入表示，試圖建模傳感 器之間相關性隨時間的動態轉換模式。盡管這些模型的性能有所提高，但遠不 能令人滿意，因為其傳感器之間的依賴關系在訓練后仍是固定的，它們只考慮 了圖結構的局部傳感器相關性，而忽略了相互分離的傳感器之間也可能具有隱 藏的聯系。同時它們將時序數據中的正常模式與異常模式進行統一的學習訓 練，不能很好地進行區分。

2)在現有的方法中，長期時間依賴通常被忽略。現有技術利用長短期記 憶網絡確定多變量時間序列中時間依賴性，取得了一定的效果，但是長短期記 憶網絡不能將長序列充分編碼到中間向量中，長期依賴關系往往會被丟棄在編 碼器中，也會丟棄與其結構不匹配的時間相關性。同時，這些模型因序列式傳 播的特點導致了耗時的計算過程以及在長序列上的可擴展性十分有限。

發明內容

有鑒于此，本發明提供了一種基于解纏繞網絡的多變量時間序列異常檢測 方法及系統，解決現有的異常檢測方法因忽略了圖結構中彼此分離的傳感器之 間極有可能存在的隱藏聯系以及長期時間依賴，且不能很好地區分時間序列中 的正常模式與異常模式，而導致檢測精度不高和誤報率高等問題。

為實現上述目的，本發明提供了如下方案：

一種基于解纏繞網絡的多變量時間序列異常檢測方法，包括：

獲取初始多變量時間序列數據，并對所述多變量時間序列數據進行規范化 處理，得到預處理多變量時間序列數據；