异常模式检测系统和方法技术方案

提供一种异常模式检测系统，其包括连接到一个或更多个服务器的异常检测设备。异常检测设备可以包括异常检测器，该异常检测器被配置为通过将所有的输入数据视为正常模式来对输入数据进行建模，并且基于建模结果而从输入数据中检测异常模式。

【技术实现步骤摘要】
异常模式检测系统和方法相关申请的交叉引用本申请要求于2019年3月5日向韩国知识产权局提交的申请号为10-2019-0025066的韩国专利申请的优先权，其全部内容通过引用合并于此。
各个实施例总体上涉及异常模式检测系统和方法，并且更具体地，涉及使用神经网络的异常模式检测系统和方法。
技术介绍
异常模式涉及这样的可疑数据，其呈现与其他数据(即需要与噪声数据区分开来提取的感兴趣数据)不同的样态。异常模式检测技术在制造业中被用于计算系统和安全系统的操作以及过程数据的管理。近来，对基于统计建模和机器学习来自动地发现输入数据中的意外异常模式的技术进行了研究，以便识别异常行为。由于正常模式和异常模式之间在出现频率上的差异，基于机器学习的异常模式检测技术难以确保训练数据。即，由于模式被定义为异常模式的情况很少，因此不能确定出能够识别异常模式的特定变量或特征，这使得难以区分正常模式和异常模式。此外，由于需要标记出很少出现的异常模式，因此消耗大量资源。
技术实现思路
在一个实施例中，提供一种异常模式检测系统，其包括连接到一个或更多个服务器的异常检测设备。异常检测设备可以包括异常检测器，该异常检测器被配置为通过将所有的输入数据视为正常模式来对输入数据进行建模，并且基于建模结果而从输入数据中检测异常模式。在一个实施例中，提供一种异常检测设备的异常模式检测方法，该异常检测设备连接到一个或更多个服务器。所述异常模式检测方法可以包括以下步骤：异常检测设备通过将所有的输入数据视为正常模式来对输入数据进行建模；以及异常检测设备基于建模结果而从输入数据中检测异常模式。附图说明图1是示出根据实施例的异常模式检测系统的配置图。图2是示出根据实施例的异常检测设备的配置图。图3是示出根据实施例的异常检测器的配置图。图4是示出根据实施例的神经网络模型的概念图。图5是用于描述根据实施例的异常模式检测方法的流程图。图6是示出根据实施例的异常模式检测系统的配置图。具体实施方式在下文中，以下将通过示例性实施例参考附图来如下描述根据本公开的异常模式检测系统和方法。图1是示出根据实施例的异常模式检测系统的配置图。参考图1，根据本实施例的异常模式检测系统10可以包括异常检测设备100和通过通信网络200连接到异常检测设备100的服务器300。服务器300可以表示一个服务器或更多个服务器0至服务器n的组，并且可以包括希望检测异常模式的各种服务器。所述各种服务器可以包括金融机构服务器、医疗机构服务器、云服务器、企业服务器、以及应用服务提供服务器等。异常检测设备100可以从服务器300接收目标监视数据，并且对接收的数据进行学习。在一个实施例中，异常检测设备100可以在假设目标监视数据全部都是正常模式的情况下，通过学习目标监视数据来生成学习模型。异常检测设备100可以利用学习模型而从目标监视数据生成输出数据，并且将目标监视数据与从目标监视数据所生成的输出数据进行比较，从而判定目标监视数据是正常模式还是异常模式。由于假设目标监视数据全部都是正常模式，因此异常检测设备100不需要单独地学习或标记异常模式。基于数据的人工智能学习方法被操作为对较频繁访问和输入的数据进行较多地学习。对于相似的数据，人工智能学习方法也被操作为对属于相似数据的数据进行较多地学习，因为该数据是较频繁访问的。因此，人工智能学习方法对出现频率高的正常模式学习较多或者对正常模式学习可靠，而无法学习出现频率低的异常模式或者较少学习异常模式。根据本实施例的异常模式检测系统可以在目标监视数据与以学习模型来表达的学习数据之间的相似度高时将目标监视数据视为正常模式，以及在相似度低时将目标监视数据视为异常模式。图2是示出根据实施例的异常检测设备的配置图。参考图2，异常检测设备100可以包括控制器110、存储器120、通信网络接口130、用户接口140和异常检测器150。控制器110可以控制异常检测设备100的整体操作。存储器120可以包括ROM和RAM，并且异常检测设备100的操作所需的各种系统数据、固件代码和软件代码可以被存储并加载在存储器120中。控制器110可以对存储并加载在存储器120中的基于代码的指令或算法(诸如固件或软件)进行解码并运行，以便控制异常检测设备100的整体操作。通信网络接口130可以提供接口，以该接口服务器300和异常检测设备100可以根据预设的协议来发送和接收数据。用户接口140可以包括输入接口和输出接口，所述异常检测设备100的管理员或操作者可以通过输入接口来访问异常检测设备100，所述异常检测设备100的操作状态和结果可以通过输出接口被提供给管理员或操作员。输入接口可以包括一个或更多个输入设备，诸如鼠标、键盘和触摸设备，并且输出接口可以包括一个或更多个输出设备，诸如显示器、扬声器和打印机。异常检测器150可以被配置为在控制器110的控制下学习通过通信网络接口130提供的目标监视数据，并且从目标监视数据中检测异常模式。在一个实施例中，异常检测器150可以被配置为将所有的目标监视数据视为正常模式，并且学习目标监视数据。由于目标监视数据全部都被视为正常模式，因此异常检测器可以生成针对出现频率相对高的正常模式具有高的学习率并从而表达该正常模式的学习模型。因此，由于出现频率相对低的异常模式的建模结果不可避免地与该学习模型具有低相似度，因此异常模式能够被自动地检测。图3是示出根据本实施例的异常检测器的配置图。参考图3，根据本实施例的异常检测器150可以包括输入组件151、建模组件153和判定组件155。输入组件151可以被配置为预处理所有的被输入的目标监视数据。在一个实施例中，由输入组件151执行的预处理过程可以包括归一化过程以将输入数据的特征范围校正到预设范围中。然而，本实施例不限于此。建模组件153可以被配置为接收所有的归一化数据，并且通过学习输入数据x来生成与输入数据x相似或近似的输出数据建模组件153可以存储参数y，该参数y诸如作为学习结果而生成的权重。在一个实施例中，建模组件153可以在学习模式中基于所有的输入数据x都是正常模式的假设来生成学习模型。即，建模组件153可以生成表达正常模式的学习模型。在一个实施例中，建模组件153可以基于在学习模式中生成的学习模型来学习在推理模式中输入的目标监视数据，并且生成近似于该输入的目标监视数据而建模的输出数据。在一个实施例中，建模组件153可以被配置为自动编码器。自动编码器，作为一种基于深度神经网络的无监督学习模型，可以通过将两个神经网络彼此附接来配置。当输入侧的神经网络用作编码器、并且输出侧的神经网络用作解码器时，编码器可以提取输入数据的特征，并且解码器可以使用提取的特征来重新生成原始数据。图4是示出根据实施例的神经网络模型的概念图本文档来自技高网...

【技术保护点】
1.一种异常模式检测系统，其包括连接到一个或更多个服务器的异常检测设备，/n其中，所述异常检测设备包括异常检测器，所述异常检测器被配置为：通过将所有的输入数据视为正常模式来对所述输入数据进行建模，并且基于建模结果而从所述输入数据中检测异常模式。/n

【技术特征摘要】
20190305 KR 10-2019-00250661.一种异常模式检测系统，其包括连接到一个或更多个服务器的异常检测设备，
其中，所述异常检测设备包括异常检测器，所述异常检测器被配置为：通过将所有的输入数据视为正常模式来对所述输入数据进行建模，并且基于建模结果而从所述输入数据中检测异常模式。


2.根据权利要求1所述的异常模式检测系统，其中，所述异常检测器包括：
建模组件，其被配置为从所述输入数据中提取特征，并且通过学习参数来生成学习模型，以便基于提取的特征来生成近似于所述输入数据的输出数据；以及
判定组件，其被配置为：在所述输入数据被提供给所述建模组件以生成通过所述学习模型而建模的所述输出数据时，通过比较所述输入数据和所述输出数据来检测异常模式。


3.根据权利要求1所述的异常模式检测系统，其中，所述异常检测器包括：
编码器，其被配置为从所述输入数据中提取特征数据；以及
解码器，其被配置为通过基于提取的特征数据对所述输入数据进行解码来生成输出数据。


4.根据权利要求1所述的异常模式检测系统，其中，所述判定组件基于所述输入数据与所述输出数据之间的相似度来检测所述异常模式。


5.根据权利要求1所述的异常模式检测系统，其中，所述异常检测器包括自动编码器，所述自动编码器被配置为通过对所述输入数据进行建模来生成学习模型。


6.根据权利要求1所述的异常模式检测系统...

【专利技术属性】
技术研发人员：徐章源，
申请(专利权)人：埃莱西株式会社，
类型：发明
国别省市：韩国;KR