[发明专利]一种基于SA-GAN架构的时间序列异常检测方法

说明书

本发明公开了一种基于SA‑GAN架构的时间序列异常检测方法，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。本发明能够提供稳定的梯度信息，稳定性和健壮性较强，对各种状态序列数据有较强的泛化能力，具有较好的数据异常检测性能。

技术领域

本发明属于数据分析技术领域，具体涉及一种基于SA-GAN架构的时间序列异常检测方法。

背景技术

随着科学技术和制造工艺的迅猛发展，网络信息系统、工业生产系统越来越呈现出规模大型化、功能智能化和控制复杂化的特点。然而，复杂系统中任何环节出现故障都会影响整个系统的安全和稳定，如不及时发现处理，可能会引发严重后果甚至灾难。如何能在故障萌芽之初就及时检测出系统的异常，发现系统的早期微小故障，是保障系统正常运行的关键问题。然而，面对状态随机、故障偶发的复杂系统以及多源异构、海量高维、缺少标签的非平衡状态数据，传统的异常检测技术不仅无法充分提取数据中隐含的逻辑关系和异常特征，甚至连精确的数学模型和完备的专家知识库都难以构建。

深度学习具有优异的表征能力，能够从原始数据中自动学习提取特征，摆脱了人工设计特征的困境，最早应用在图像识别和自然语言处理领域并取得显著成绩，在时间序列异常检测领域虽然起步较晚，但随着深度学习技术的不断发展，越来越多的研究人员在各自领域提出利用神经网络模型对设备状态数据表现的特征进行研究和分析，从而实现系统健康监测和异常识别。但这种粗粒度的会话级检测方法，不能实现对异常状态的先期发现，实际的设备状态数据中异常样本稀少，给异常样本特征的提取工作带来很大的挑战。另外，由于进行异常判定的门限通常是人工设计，不科学的阈值会导致较高的误报率和漏检率，因此对工程人员的专业水准和操作经验要求较高。但对于复杂多维时间序列，尤其是对于有多个关键绩效指标(KPI，key performance indicator)的多维状态数据，很难由人工进行统一的阈值设定。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于SA-GAN架构的时间序列异常检测方法。

为实现上述目的，本发明采用的技术方案是：

一种基于SA-GAN架构的时间序列异常检测方法，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。

优选的，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；