1.一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,包括以下步骤:S1、构建时间序列异常检测模型,包括特征构建模块、特征提取模块以及结果输出模块;
其中,特征构建模块,用于将时间序列数据集构造成可输入时间序列异常检测模型的数据;时间序列数据集具体为:设基于网络流量的时间序列为x=(x1,x2,…,xL),其中,L为时间序列总长度,xL为时间序列中第L个探测数据;
特征构建模块具体包括构建网络流量矩阵和构建网络流量的频率矩阵;
构建网络流量矩阵具体为:
设第一个序列样本为S=(x1,x2,…,xN),其中N为每个样本中序列的长度,xN为样本序列中的第N个数据;
对数据集中的每个序列样本,采用宽度为T、步长为1的滑动窗口,将每个样本切分为长度为T的子序列,其中,第一个序列样本得到的矩阵为:其中,H=N-T+1,表示构造出来的网络流量矩阵St中有H条子序列,每条子序列的长度为T;
整个时间序列数据集构造成的网络流量时域矩阵为:
其中,M=L-N+1,表示整个时间序列数据集共有M个样本;
构建网络流量的频率矩阵具体为:
针对构建的网络流量时域矩阵,进一步将该矩阵转换为频率矩阵,采用离散傅里叶变换将连续的时域信号转换为频域信号,公式为:y(n)=|X(n)|,n=0,1,…,T-1
其中,x(t)为时域序列中第t个数据,n为频率,X(n)为频率n的复平面幅值,该值需要进一步计算出模长,得到频率n的实数幅值y(n);由于频率n与T-n的幅值是相等的,因此将频率大于的幅值舍去;根据以上公式,第一个网络流量时域矩阵转换成的频率矩阵为:其中H表示构造出来的每个频率矩阵包含H条网络流量频率序列,每条频率序列的长度为F+1;
整个时间序列数据集构造成的网络流量频率矩阵为:
特征提取模块,由压缩激励网络和长短期记忆神经网络组成,该两个网络用于提取输入数据的特征,同时将各种特征进行组合,刻画出更深层的特征,输出包含时间序列规律的特征向量;
结果输出模块,由深度神经网络组成,深度神经网络包含三层神经网络结构、Dropout算法和非线性激活函数,用于合并特征提取模块的输出数据,并实现数据降维,同时防止模型在训练时过拟合,输出异常检测的二分类结果;
S2、对时间序列异常检测模型进行训练;
S3、将训练完毕的时间序列异常检测模型用于时间序列异常检测。
2.根据权利要求1所述的一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,压缩激励网络包含压缩结构和扩展结构,压缩结构由卷积运算构成,对矩阵数据进行卷积并压缩每个通道的矩阵,扩展结构同样由卷积运算构成,对矩阵的通道进行扩展,将数据的维度扩展至压缩之前的大小;长短期记忆神经网络由循环单元构成,其中循环单元由遗忘门、输入门和输出门组成。
3.根据权利要求2所述的一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,特征提取模块包括压缩激励网络提取特征以及长短期记忆神经网络提取特征;
其中,压缩激励网络提取特征具体为:
对于构建的网络流量的频率矩阵样本,采用深度学习模型进行训练,以提取出相应的特征,从而使得模型学到时间序列的内在规律;在构建的频率矩阵样本中,频率矩阵中各行表示时间序列在某个时段内的频率,其中每个时段内的频率可能存在相应的关联性,即第i个频率可能与第j个频率存在关系;
采用压缩激励网络提取频率矩阵中数据在每个时段内的频率关联特征;
假设需构建一个频率矩阵样本压缩激励网络首先对矩阵中每个时段内的相邻频率进行卷积,得到其中,W是卷积后的频率维度大小,C是通道维度大小;
根据以下公式对U中每个通道的矩阵进行压缩,得到:
其中,Pc是大小为1×1的矩阵,合并后得到张量
将P根据通道维度进行压缩和扩展,得到相同维度大小的张量将U中每个通道向量与进行运算,得到:其中,tanh为激活函数,符号*为哈达玛积;
最后将每个通道向量VH×W拼接成张量
4.根据权利要求3所述的一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,长短期记忆神经网络提取特征具体为:根据压缩激励网络构建的张量V,首先将V中时间维度的H个矩阵作为H个时间步,分别拼接成大小为W×C的一维向量zt,再输入到长短期记忆神经网络中;
长短期记忆神经网络由一个循环单元组成,该循环单元包含遗忘门ft、输入门it、输出门ot、细胞状态ct和隐藏状态ht,在训练时以循环的方式处理数据中每一个时间步的输入;其中,遗忘门选择遗忘上一时刻的细胞状态中不重要的信息;输入门保留输入数据的重要信息,从而得到新的细胞状态;输出门决定当前细胞状态中输出的重要信息,得到新的隐藏状态,对应的公式为:ft=σ(Wf[ht-1,zt]+bf)
it=σ(Wi[ht-1,zt]+bi)
ot=σ(Wo[ht-1,zt]+bo)
ht=ot*tanh(ct)
其中,隐藏状态ht为长短期记忆神经网络输出的向量,该向量存储了张量V中在时间上的关联信息,使模型能更深入地捕捉到时间序列数据的内在规律。
5.根据权利要求4所述的一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,结果输出模块具体包括以下步骤:基于特征提取模块输出的一维向量ht,采用深度神经网络对其进行降维;
为了避免模型过拟合,在深度神经网络引入Dropout算法和非线性激活函数;Dropout算法在模型训练时随机丢弃一定比例的神经元,使这些神经元暂时不参与训练,将导致模型过拟合的参数重新进行微调,使得模型更具泛化性;非线性激活函数可以提高模型的非线性拟合能力,同样使模型具有更好的泛化能力;
最终由一个包含两个神经元的全连接层输出异常检测二分类结果。
6.根据权利要求1所述的一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,步骤S2中,时间序列异常检测模型的训练具体为:训练过程分为前向推理和反向传播;
在前向推理中,原始数据会由特征构建模块构建出特征数据,特征数据输入特征提取模块,由压缩激励网络和长短期记忆神经网络分别提取数据在同一时段内和不同时段之间的频率关联信息,由结果输出模块输出训练数据的异常概率;
采用交叉熵损失函数对输出的异常概率pi与真实的标签yi进行计算:在反向传播中,对损失函数的计算公式求偏导,以降低损失值为目标,由后往前依次调整每一层网络的参数,从而使时间序列异常检测模型学到数据中的正异常信息。
7.根据权利要求1所述的一种面向工业互联网标识解析的时间序列异常检测方法,其特征在于,步骤S3具体为:当时间序列异常检测模型训练完毕后,保存调整参数后的模型与参数;
对于待测的未知网络流量序列,输入时间序列异常检测模型,将流量序列截取为长度为N的子序列,由特征构建模块构建出特征数据,特征提取模块提取特征,最后结果输出模块输出异常概率;
对于异常概率,当异常概率超过预设阈值,则判定为时间序列异常。