1.一种时序数据异常检测方法,应用于网络流量分析,其特征在于,包括如下步骤:S1、获取时序数据,并对所述时序数据进行预处理,生成数据集;
S2、构建自编码器,所述自编码器由编码器和解码器两部分组成;
所述编码器采用TCN-LSTM-CMA框架,数据集依次经由编码器部分的时序卷积网络、长短期记忆网络和因果遮掩自注意力机制,提取特征;
所述解码器采用LSTM- TCN框架,编码器提取的特征,依次经由解码器部分的长短期记忆网络和时序卷积网络,重构为与时序数据相似的重构数据;
S3、通过比较重构前后的时序数据和重构数据,计算出重构误差;
S4、根据计算出的重构误差,采用孤立森林算法进行异常检测,识别出时序数据中的异常数据。
2.根据权利要求1所述的时序数据异常检测方法,其特征在于,步骤S1中对所述时序数据进行预处理,具体包括:S11、对输入所述数据集生成模块的时序数据,进行数据的归一化、缺失值填补,以及按照时间顺序的序列化;
S12、使用滑动窗口法构建数据集。
3.根据权利要求1所述的时序数据异常检测方法,其特征在于,步骤S2中,所述编码器采用TCN-LSTM-CMA框架,预处理后的数据集首先进入编码器部分的时序卷积网络,时序卷积网络在保持数据结构性的同时提取出有用的特征序列;
从时序卷积网络输出的特征序列进入长短期记忆网络,长短期记忆网络捕捉序列中的深层次时间特征,增强对数据中隐含信息的表达能力;
编码完成后,长短期记忆网络输出的特征序列结合因果遮掩自注意力机制对时间序列中的关键点进行自注意力操作。
4. 根据权利要求3所述的时序数据异常检测方法,其特征在于,步骤S2中,所述解码器采用LSTM- TCN框架,经过所述因果遮掩自注意力机制处理后的特征序列进入解码器部分的长短期记忆网络,长短期记忆网络逐步还原序列中的时间依赖性和结构信息;
长短期记忆网络将解码后的数据传递到解码器部分的时序卷积网络模块,进行最终的特征重构和输出。
5.一种时序数据异常检测系统,应用于网络流量分析,其特征在于,包括:数据集生成模块,用于获取时序数据,并对所述时序数据进行预处理,生成数据集;
数据重构模块,用于构建自编码器,所述自编码器由编码器和解码器两部分组成;
所述编码器采用TCN-LSTM-CMA框架,数据集依次经由编码器部分的时序卷积网络、长短期记忆网络和因果遮掩自注意力机制,提取特征;
所述解码器采用LSTM- TCN框架,编码器提取的特征,依次经由解码器部分的长短期记忆网络和时序卷积网络,重构为与时序数据相似的重构数据;
重构误差获取模块,用于通过比较重构前后的时序数据和重构数据,计算出重构误差;
异常检测模块,用于根据计算出的重构误差,采用孤立森林算法进行异常检测,识别出时序数据中的异常数据。
6.一种非暂态计算机可读存储介质,其上存储有计算机指令,该计算机指令使计算机执行权利要求1所述的时序数据异常检测方法。
7.一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,处理器调用存储器中的逻辑指令,以执行权利要求1所述的时序数据异常检测方法。
8.一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行权利要求1所述的时序数据异常检测方法。