欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024112777005
申请人: 湖南科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种联合点级和序列级重构关联的轻量时间序列异常检测方法,其特征在于,所述异常检测方法,具体包括以下内容:步骤S1,点级重构关联学习:构建由两个两层MLP组成的轻量化第一个双分支重构网络,从点级视角学习每个时间戳的局部关联和全局关联,并生成点级重构关联;

步骤S2,序列级重构关联学习:构建另一个轻量化纯MLP的双分支重构网络,与第一个双分支重构网络形成互补,从序列级视角学习每个时间戳的局部关联和全局关联,生成序列级重构关联;

步骤S3,基于重构关联的异常评分:结合点级和序列级重构关联生成每个时间戳的异常得分,并决定当前时间戳是否为异常;

所述步骤S3中,具体为:

S3-1,将测试集中一个时间戳同时输入到点级和序列级重构关联学习中执行并行学习;

S3-2,在点级重构关联学习和序列级重构关联学习中对第t个时间戳的M个变量进行并行化的关联性计算;计算完成后,分别生成第t个时间戳的M个重构关联值;

S3-3,对每个重构关联学习中的M个重构关联值计算其平均值,生成时间戳t的点级重构关联和序列级重构关联;

S3-4,联合点级重构关联和序列级重构关联生成第t个时间戳的异常分数,为:

;

其中,是预设参数,范围为[0~1];当时,只考虑序列级重构关联;当时,只考虑点级重构关联;表示第m个变量上的点级重构关联,表示第m变量上的序列级重构关联;

S3-5,当获得异常分数之后,通过下式确定第t个时间戳是否是异常:

其中,是预设阈值,范围从0到1;如果,表示第t个时间戳为异常;反之,第t个时间戳为正常。

2.根据权利要求1所述的联合点级和序列级重构关联的轻量时间序列异常检测方法,其特征在于,所述步骤S1中,具体包括以下步骤:S1-1, 点级采样:首先,从时间序列中并行随机抽取长度为WIN_SIZE的多个序列;其次,每个序列被进一步分成个不重叠的片段,每个片段包含个时间戳,和的乘积等于WIN_SIZE;接着,将个片段堆叠形成大小为×的一个2D矩阵;最后,每个时间戳的局部邻居和全局邻居从2D矩阵中快速生成;对于第i行和第j列的某当前时间戳,局部邻居由第i行中的其它时间戳组成,全局邻居为第j列中的其它时间戳;

S1-2,局部关联学习:使用一个两层MLP网络作为轻量化双分支重构网络的第一个分支,用于学习每个时间戳与其局部邻居的关联性;

S1-3,全局关联学习:使用另一个两层MLP作为轻量化双分支重构网络的第二个分支,以学习每个时间戳与全局邻居的关联性;

S1-4,损失函数:局部关联学习过程和全局关联学习过程构成两个对比分支,采用MSE函数作为对比学习的损失函数来对齐两个分支的重构值。

3.根据权利要求2所述的联合点级和序列级重构关联的轻量时间序列异常检测方法,其特征在于,所述S1-2和S1-3中,两层的MLP网络包括一个具有个神经元的输入层和一个具有d个神经元的隐藏层,所述隐藏层的默认值为64或128,以及一个具有1个神经元的输出层;所述输入层和隐藏层构成第一个全连接网络,具有个可训练参数;所述隐藏层和输出层形成第二个全连接网络,有个可训练参数;所述隐藏层配套使用dropout和ReLU激活函数。

4.根据权利要求2所述的联合点级和序列级重构关联的轻量时间序列异常检测方法,其特征在于,所述步骤S2中,具体包括以下步骤:S2-1,序列级采样:首先,从时间序列中随机且并行地抽取长度为W_SEQ的多个序列;然后,每个序列被分成个不重叠的片段;同时,每个片段被划分成个不重叠的子段,每个子段包含个时间戳,、和的乘积等于W_SEQ;接着,将个片段堆叠构成大小为的2D矩阵;最后,每个时间戳的序列级局部邻居和全局邻居从2D矩阵中生成,对于位于第i行和第j列的某当前时间戳,使用其所属序列的子段作为替代序列,行i中的其它子段作为局部邻居,列j中对应于其它时间戳的子段作为全局邻居;

S2-2,局部关联学习:使用一个两层MLP网络作为第一个重构分支,从序列视角学习每个时间戳与局部邻居的关联性;

S2-3,全局关联学习:使用另一个两层MLP网络作为第二个重构分支,从序列视角学习每个时间戳与全局邻居的关联性;

S2-4,损失函数:局部关联学习过程和全局关联学习过程构成两个对比分支,采用MSE函数作为对比学习损失函数。

5.根据权利要求4所述的联合点级和序列级重构关联的轻量时间序列异常检测方法,其特征在于,所述S2-2和S2-3中,两层MLP网络包括一个具有个神经元的输入层和一个具有d个神经元的隐藏层,所述隐藏层默认值为64或128,以及一个具有个神经元的输出层;所述输入层和隐藏层构成第一全连接网络;所述隐藏层和输出层形成第二全连接网络;所述隐藏层使用dropout和ReLU激活函数,所述两层MLP网络包含个训练参数。