[发明专利]一种异常检测方法

说明书

本申请涉及一种异常检测方法。该方法包括：获取待检测时序数据；获取所述待检测时序数据的周期样本数；根据所述待检测时序数据的周期样本数，确定滑动窗口长度；在每个所述待检测时序数据的时间点，获取长度为所述滑动窗口长度的子序列，并将所述子序列输入异常检测模型中，获取目标数据；将每个所述时间点对应的所述目标数据建模，获取所述待检测时序数据中的异常时间点。本申请能够解决现有算法对于有明显趋势变化的时间序列存在适应性较差的问题，并在保证异常检测准确性的前提下，对具有趋势性的时序具有检测效果，提高异常检测的泛化性。

技术领域

本申请涉及一种异常检测方法，属于大数据技术领域。

背景技术

异常检测是目前时间序列数据分析最成熟的应用之一，定义是从正常的时间序列中识别不正常的时间或行为的过程。有效的异常检测在生产生活中有着非常广泛的应用，比如信用卡反欺诈、工业损毁检测、广告点击反作弊等。

目前，随着大数据技术的不断发展，信息系统产生的数据也在呈几何级数增长，在进行异常检测时常常面临运算数据量过大，效率低下的问题。因此基于统计学习实现异常检测的算法得到了广泛的应用，如Seasonal Hybrid ESD算法。但是，此算法对于有明显趋势变化的时间序列存在适应性较差的问题。

申请内容

有鉴于上述存在的技术问题，本申请提出了一种异常检测方法。

根据本申请的一方面，提供了一种异常检测方法，包括：

获取待检测时序数据；

获取所述待检测时序数据的周期样本数；

根据所述待检测时序数据的周期样本数，确定滑动窗口长度；

在每个所述待检测时序数据的时间点，获取长度为所述滑动窗口长度的子序列，并将所述子序列输入异常检测模型中，获取目标数据；

将每个所述时间点对应的所述目标数据建模，获取所述待检测时序数据中的异常时间点。

通过从待检测时序数据中，获取具有相同滑动窗口长度的子序列，将每个子序列进行STL分解，能够较为准确的检测到有明显趋势性的时间序列上的异常。因此，本申请能在保证异常检测准确性的前提下，对具有趋势性的时序具有检测效果，提高异常检测的泛化性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例的异常检测方法的流程图；

图2为本申请另一实施例的异常检测方法的流程图；

图3为本申请一实施例的异常检测结果的示意图；

图4为本申请一实施例的异常检测结果的另一示意图；

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。