[发明专利]一种基于SA-GAN架构的时间序列异常检测方法

权利要求书

1.一种基于SA-GAN架构的时间序列异常检测方法，其特征在于，包括以下步骤：

S1、建立SA-GAN模型；

S2、对输入数据进行处理，得到处理后的数据；

S3、利用步骤S2中得到的处理后的数据对步骤S1得到的SA-GAN模型进行训练，训练完成后，得到训练好的SA-GAN模型；

S4、将待测数据输入到步骤S3中得到的训练好的SA-GAN中，利用重构误差和判别误差计算综合异常得分，设定阈值，并与阈值做比较，大于阈值的即可初步断定为是异常流量，然后对异常流量进行异常裁剪，最终得到异常数据。

2.根据权利要求1所述的基于SA-GAN架构的时间序列异常检测方法，其特征在于，步骤S1中，所述SA-GAN模型由两组生成对抗网络构成，SA-GAN模型的具体建立步骤为：

S11、将注意力机制嵌入到其中一个判别器C₁中，真实时间序列x输入判别器C₁中，判别器C₁将具有辨别力的特征区域生成注意力图谱A_θ(x)；

S12、在生成器G₁完成Z→X的映射时，将判别器C₁生成的注意力图谱A_θ(x)迁移到生成器G₁；

S13、真实时间序列x输入普通判别器C₂中，在生成器G₂完成X→Z的映射时，普通判别器C₂将输入的时间序列x迁移到生成器G₂；

S14、利用最小化原始流量样本和重构流量样本之间差异的L2范数，对生成器C₁和G₂实现同步训练，结合所有训练目标，得到SA-GAN模型，表达式为：

其中，λ、γ、μ为各损失函数的权值，λ+γ+μ＝1。

3.根据权利要求1所述的基于SA-GAN架构的时间序列异常检测方法，其特征在于，步骤S2中，所述输入数据处理包含以下步骤：

S21、利用数据清洗技术，对输入数据进行清洗，得到清洗后的数据；

S22、将清洗后的数据进行文本数值化，得到数值化数据；

S23、将数值化数据进行归一化处理，得到归一化数据；

S24、将归一化数据利用滑动窗口技术进行子序列划分，得到处理后的数据。

4.根据权利要求1所述的基于SA-GAN架构的时间序列异常检测方法，其特征在于，步骤S3中，所述SA-GAN模型的训练方法如下：

S31、利用z～P_Z中的样本作为输入，对判别器C₂进行训练，同时利用x～P_X中的样本作为输入，对判别器C₁进行训练，判别器C₁生成注意力图谱；

S32、对生成器G₁和G₂同时进行训练；

S32、在训练过程中，采取循环嵌套的方法，对判别器C₁和C₂以及G₁和G₂进行训练，并引入梯度惩罚项，判别器C₁和C₂利用生成数据和真实数据交替采样来计算梯度惩罚项，对生成器G₁和C₂进行训练；

S33、当判别器C₁和C₂无法分辨出输入的样本来自于真实环境还是生成器G₁和G₂，则SA-GAN模型训练完成。