[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

说明书

本公开的基于条件扩散概率生成模型的异常检测方法，通过预处理历史时序数据；对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。能够减少生成模型本身函数的约束，以及在保持表达能力的同时减少迭代次数，实现更好的异常检测效果。

技术领域

本发明属于网络安全中攻击检测技术领域，特别涉及一种基于条件扩散概率生成模型的异常检测方法。

背景技术

信息物理系统通常用于监控和控制工业过程中的种要基础设施，例如电厂，输油管道等等。通过传感器对系统输出和控制器的输入进行监测，构建针对信息物理系统的状态监测系统，从而能够对系统中存在的问题或受到的攻击及时地进行报警，避免其因故障导致的经济和环境损失。然而，现有信息物理系统愈发复杂，传统异常检测方法难以满足需要。如何利用人工智能技术，构建数据驱动的异常检测方法，对系统进行高效监控已成为攻击检测领域重要的研究方向。

基于收集时间序列数据的异常检测由于其广泛应用场景，近些年一直是机器学习社区的研究热点。由于复杂系统的模型难以构建，各中间件耦合性较强，传统基于模型的异常检测方法往往不可用。随着近些年深度学习技术的发展以及硬件算力的提高，基于深度学习的异常检测方法逐渐吸引到众多研究人员的注意力，其中基于生成模型的异常检测方法因为可以直接建模正常数据的分布，在异常检测领域取得了较好的效果。

如何更好建模正常数据的分布是提高异常检测效果的关键问题。现有采用时间序列卷积或循环神经网络的方法没有显式建模出收集数据各维度之间的关系；此外，常见的生成模型如变分自编码器，流模型等对于函数约束较大，过强的约束限制了模型的表达能力，使得数据分布无法很好得被学习，从而限制了其异常检测的效果。因此，更好建模数据维度之间的相关性，提出表达能力更强的生成模型对异常检测算法具有十分重要的意义。

发明内容

本发明克服了现有技术的不足之一，提供了一种基于条件扩散概率生成模型的异常检测方法，能够减少生成模型本身函数的约束，以及在保持表达能力的同时减少迭代次数，实现更好的异常检测效果。

根据本公开的一方面，提出了一种基于条件扩散概率生成模型的异常检测方法，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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；