[发明专利]一种基于条件扩散概率生成模型的异常检测方法

权利要求书

1.一种基于条件扩散概率生成模型的异常检测方法，其特征在于，所述方法包括：

预处理历史时序数据；

对所述历史时序数据进行特征提取，根据提取的特征和下一时刻观测值构建离线条件扩散概率生成模型；

利用所述离线条件扩散概率生成模型和噪声状态转移矩阵重构新噪声序列；

利用所述离线条件扩散概率生成模型和所述新噪声序列预测下一时刻的观测值；

根据下一时刻的观测值和实际值的差值确定预设阈值，将所述离线条件扩散概率生成模型和所述预设阈值部署到线上进行实时异常检测。

2.根据权利要求1所述的异常检测方法，其特征在于，所述预处理历史时序数据，包括：

采用降采样方法对所述历史时序数据进行平滑处理；

若平滑处理的历史时序数据为连续数据，对所述历史时序数据进行归一化处理；

若所述历史时序数据为离散数据，采用one-hot向量对若所述历史时序数据进行编码。

3.根据权利要求1所述的异常检测方法，其特征在于，所述根据提取的特征和下一时刻观测值构建离线条件扩散概率生成模型，包括：

将所述历史时序数据的特征，第n步状态转移的噪声强度α_n和从目标分布中采集的样本输入到反向Markov链中，经过多次迭代得到下一时刻观测值；

以所述历史时序数据的特征作为构建离线条件扩散概率生成模型的条件，将所述下一时刻观测值作为输入，利用最大似然估计方法构建离线条件扩散概率生成模型。

4.根据权利要求1所述的异常检测方法，其特征在于，所述利用所述离线条件扩散概率生成模型和噪声状态转移矩阵重构新时序数据，包括：

基于所述新时序数据下一步状态转移等价于所述历史时序数据的τ步状态转移，得到变分下界差值；

在预设的历史时序数据和历史噪声序列的基础上，根据优化变分下界差值重构新噪声序列。

5.根据权利要求1所述的异常检测方法，其特征在于，所述对所述历史时序数据进行特征提取，包括：

针对所述历史时序数据的时间方向的信息，利用不同一维卷积核的时间序列卷积层获取不同时间尺度的特征，融合不同时间尺度的特征得到时间方向特征；

针对所述历史时序数据的不同维度数据的特征，利用图注意力网络提取不同维度数据特征；

融合所述时间方向特征和不同维度数据特征得到所述历史时序数据特征。

6.根据权利要求2所述的异常检测方法，其特征在于，所述对所述历史时序数据进行归一化处理，包括：

其中，为下一时刻观测值，x_max和x_min为历史时序数据的最大值和最小值。