一种面向多种类数据的异常检测方法及装置制造方法及图纸

本发明专利技术公开了一种面向多种类数据的异常检测方法及装置。所述面向多种类数据的异常检测方法通过训练对抗学习网络，使对抗学习网络中的生成器拟合正常训练样本的分布以及学习正常训练样本的潜在模式，得到更新的对抗学习网络，根据训练过程中产生的重构误差构造更新的对抗学习网络中的异常评价函数，并将更新的对抗学习网络构建为异常检测模型，以利用异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。本发明专利技术基于传统生成对抗学习模型的异常检测方法，通过引入模式分类器的思想，有效解决了检测数据与正常数据分布相近时异常检测难的问题，进一步提高了异常检测的准确性。确性。确性。

【技术实现步骤摘要】
一种面向多种类数据的异常检测方法及装置


[0001]本专利技术涉及异常检测
，尤其涉及一种面向多种类数据的异常检测方法及装置。

技术介绍

[0002]近年来，随着数据量的不断增加，异常检测技术受到了广泛关注。目前提出的异常检测算法可大致分为基于近似的异常检测算法和基于模型的异常检测算法。
[0003]基于近似的异常检测算法是根据测试样本与正常样本之间的近似程度来判断测试样本是否异常。基于近似的异常检测算法在每一次异常检测时均需要所有正常样本参与到近似程度的运算中，数据规模扩大的同时也增大了运算压力，难以应用于现实的异常检测场景。
[0004]基于模型的异常检测算法是通过大量正常数据学习正常样本的特征和分布，并在检测阶段通过计算测试样本与正常样本的分布差异大小来判断测试样本是否异常。基于模型的异常检测算法通常将正常样本当成一类统一的模式进行学习，忽略了在现实生活中正常样本包含多种潜在模式的特性，例如在X光图片中，按性别来划分样本包含男性、女性两种模式，按体型来划分样本则包含胖瘦等模式，难以准确地捕捉到正常样本中区别于异常样本的有效模式，无法进一步提高异常检测的准确性。

技术实现思路

[0005]为克服现有技术的缺陷，本专利技术提供一种面向多种类数据的异常检测方法及装置，能够针对多种类数据进行异常检测，进一步提高异常检测的准确性。
[0006]为了解决上述技术问题，第一方面，本专利技术一实施例提供一种面向多种类数据的异常检测方法，包括：
[0007]训练对抗学习网络，得到更新的对抗学习网络，具体包括：
[0008]将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布；
[0009]将经过插值处理的所述特征向量和所述模式向量输入所述对抗学习网络，利用编码器与所述生成器进行对抗学习，更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式；
[0010]重复上述操作迭代训练所述对抗学习网络直至当前迭代次数达到最大迭代次数，得到所述更新的对抗学习网络；其中，所述对抗学习网络包括所述生成器、所述判别器、所述编码器；
[0011]根据训练过程中产生的重构误差构造所述更新的对抗学习网络中的异常评价函数，并将所述更新的对抗学习网络构建为异常检测模型；
[0012]通过所述异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。
[0013]进一步地，在所述将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布之前，还包括：
[0014]从所述正常训练样本的特征向量集合中采集所述特征向量，并从所述正常训练样本的模式向量集合中采集与所述特征向量对应的所述模式向量。
[0015]进一步地，所述将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布，具体包括：
[0016]将所述特征向量和所述模式向量输入所述生成器，使所述生成器根据所述特征向量和所述模式向量生成第一图像；
[0017]将所述第一图像输入所述判别器，获取所述判别器对所述第一图像的异常评价；
[0018]根据所述异常评价更新所述生成器，使所述生成器拟合所述正常训练样本的分布；
[0019]将所述正常训练样本输入所述判别器，结合所述异常评价更新所述判别器。
[0020]进一步地，所述将经过插值处理的所述特征向量和所述模式向量输入所述对抗学习网络，利用编码器与所述生成器进行对抗学习，更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式，具体包括：
[0021]分别对所述特征向量和所述模式向量进行插值处理，得到插值特征向量和插值模式向量；
[0022]将所述插值特征向量和所述插值模式向量输入所述生成器，使所述生成器根据所述插值模式向量和所述插值特征向量生成第二图像和第三图像，并分别根据所述第二图像和所述第三图像计算当前的网络损失；
[0023]将所述正常训练样本输入所述编码器，使所述编码器将提取的重构特征向量和重构模式向量反向输入所述生成器，并计算当前的重构误差；
[0024]结合所述当前的网络损失和所述当前的重构误差更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式。
[0025]进一步地，所述根据训练过程中产生的重构误差构造所述更新的对抗学习网络中的异常评价函数，并将所述更新的对抗学习网络构建为异常检测模型，具体包括：
[0026]统计训练过程中产生的重构误差，将所述重构误差转换为最大似然概率；
[0027]根据所述最大似然概率构造所述更新的对抗学习网络的异常评价函数；
[0028]在构造所述异常评价函数后，将所述更新的对抗学习网络构建为所述异常检测模型。
[0029]第二方面，本专利技术一实施例提供一种面向多种类数据的异常检测装置，包括：
[0030]对抗学习网络训练模块，用于训练对抗学习网络，得到更新的对抗学习网络，具体包括：
[0031]将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布；
[0032]将经过插值处理的所述特征向量和所述模式向量输入所述对抗学习网络，利用编
码器与所述生成器进行对抗学习，更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式；
[0033]重复上述操作迭代训练所述对抗学习网络直至当前迭代次数达到最大迭代次数，得到所述更新的对抗学习网络；其中，所述对抗学习网络包括所述生成器、所述判别器、所述编码器；
[0034]异常检测模型构建模块，用于根据训练过程中产生的重构误差构造所述更新的对抗学习网络中的异常评价函数，并将所述更新的对抗学习网络构建为异常检测模型；
[0035]数据异常检测模块，用于通过所述异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。
[0036]进一步地，在所述将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布之前，还包括：
[0037]从所述正常训练样本的特征向量集合中采集所述特征向量，并从所述正常训练样本的模式向量集合中采集与所述特征向量对应的所述模式向量。
[0038]进一步地，所述将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布，具体包括：
[0039]将所述特征向量和所述模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向多种类数据的异常检测方法，其特征在于，包括：训练对抗学习网络，得到更新的对抗学习网络，具体包括：将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布；将经过插值处理的所述特征向量和所述模式向量输入所述对抗学习网络，利用编码器与所述生成器进行对抗学习，更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式；重复上述操作迭代训练所述对抗学习网络直至当前迭代次数达到最大迭代次数，得到所述更新的对抗学习网络；其中，所述对抗学习网络包括所述生成器、所述判别器、所述编码器；根据训练过程中产生的重构误差构造所述更新的对抗学习网络中的异常评价函数，并将所述更新的对抗学习网络构建为异常检测模型；通过所述异常检测模型对输入的检测数据进行异常检测，得到异常检测结果。2.如权利要求1所述的面向多种类数据的异常检测方法，其特征在于，在所述将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布之前，还包括：从所述正常训练样本的特征向量集合中采集所述特征向量，并从所述正常训练样本的模式向量集合中采集与所述特征向量对应的所述模式向量。3.如权利要求1所述的面向多种类数据的异常检测方法，其特征在于，所述将正常训练样本的特征向量和模式向量输入所述对抗学习网络，利用判别器与生成器进行对抗学习，更新所述生成器和所述判别器，使所述生成器拟合所述正常训练样本的分布，具体包括：将所述特征向量和所述模式向量输入所述生成器，使所述生成器根据所述特征向量和所述模式向量生成第一图像；将所述第一图像输入所述判别器，获取所述判别器对所述第一图像的异常评价；根据所述异常评价更新所述生成器，使所述生成器拟合所述正常训练样本的分布；将所述正常训练样本输入所述判别器，结合所述异常评价更新所述判别器。4.如权利要求1所述的面向多种类数据的异常检测方法，其特征在于，所述将经过插值处理的所述特征向量和所述模式向量输入所述对抗学习网络，利用编码器与所述生成器进行对抗学习，更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式，具体包括：分别对所述特征向量和所述模式向量进行插值处理，得到插值特征向量和插值模式向量；将所述插值特征向量和所述插值模式向量输入所述生成器，使所述生成器根据所述插值模式向量和所述插值特征向量生成第二图像和第三图像，并分别根据所述第二图像和所述第三图像计算当前的网络损失；将所述正常训练样本输入所述编码器，使所述编码器将提取的重构特征向量和重构模式向量反向输入所述生成器，并计算当前的重构误差；
结合所述当前的网络损失和所述当前的重构误差更新所述生成器和所述编码器，使所述生成器学习所述正常训练样本的潜在模式。5.如权利要求1所述的面向多种类数据的异常检测方法，其特征在于，所述根据训练过程中产生的重构误差构造所述更新的对抗学习网络中的异常评价函数，并将所述更新的对抗学习网络构建为异常检测模型，具体包括：统计训练过程中产生的重构误差，将所述重构误差转换为最大似然概率；根据所述最大似然概率构造所述更新的对抗学习网络的异常评价函数；在构造所述异常评价函数后，将所述更新的对抗学习网络构建为所述异常检测模型。6.一种面向多种类数据的异常检测装置，其特征...

【专利技术属性】
技术研发人员：廖清，曾子辉，柴合言，苏伟俊，刘洋，蒋琳，王轩，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：