【技术实现步骤摘要】
基于联合生成对抗网络的设备故障检测方法与电子设备
[0001]本专利技术属于故障检测
,更具体地,涉及一种基于联合生成对抗网络的设备故障检测方法与电子设备。
技术介绍
[0002]现有的网络设备在运行中会产生大量的多元时间序列数据,如:资源利用率,信号强度,传输速率,带宽,丢包率等,可以通过这些数据检查网络设备发生的故障情况,判断其故障的原因。
[0003]目前的现有主要技术可分为以下两类:(1)比较当前某一时刻的状态和预测的正常范围来进行故障检测和判断,该方法基于人工经验判断,不能基于时间序列整体分析;(2)使用有监督的机器学习方法,该方法由于缺乏标记数据而无法利用大量的数据。
[0004]随着无监督方法的发展,基于生成对抗网络(GAN,Generative Adversarial Networks)的无监督学习的异常检测成为新的研究方向。目前该方法主要问题在于不能充分利用系统中多变量(多种监控数据与特征)之间的时空相关性来检测和判断网络设备的异常。
技术实现思路
[0005]本专利技术为实现使用多元时间序列数据无监督的对网络设备进行故障检测,使用生成对抗网络的方式,提出了一种基于联合生成对抗网络(Combined
‑
GAN)的异常检测方法。为提升判别结果的鲁棒性,本专利技术对传统生成对抗网络中单一生成器与判别器博弈的结构做了新的变更,设计了独特的四个模块,利用两组生成器和判别器分别对特征和数据同时进行评价,利用联合评分的方式共同判断异常,最终提升异常判断的准 ...
【技术保护点】
【技术特征摘要】
1.一种基于联合生成对抗网络的设备故障检测方法,其特征在于,包括:(1)真实监测数据获取:获取待监测网络设备的多种状态的时间序列数据,以预设周期采集信息得到的真实监测数据作为训练监测数据和测试监测数据;(2)双生成器双判别器构建:选择长短期记忆循环神经网络作为基础网络结构生成四个模块,包括两个生成器:生成编码器和生成解码器;两个判别器:数据判别器和特征判别器;(3)无监督博弈训练:针对步骤(2)中设计的四个模块,在训练环节时通过无监督的博弈,同时优化四个模块的参数;(4)联合异常检测:在异常检测阶段,利用训练好的四个模块,计算联合异常评分来评价数据异常;(5)基于分类的故障判断:将步骤(4)中得到的异常评分作为故障判断的输入,使用分类器进行故障类别分类。2.如权利要求1所述的基于联合生成对抗网络的设备故障检测方法,其特征在于,在所述步骤(2)中,生成解码器和数据判别器对应常规生成对抗网络构建的生成器和判别器,利用生成解码器由随机特征生成仿真监测数据,利用数据判别器直接判别仿真监测数据和真实的训练或测试监测数据之间的差异。3.如权利要求1或2所述的基于联合生成对抗网络的设备故障检测方法,其特征在于,在所述步骤(2)中,构造特征判别器并为其设计与之对应的生成编码器用于生成编码特征,使对训练监测数据学习到的编码特征接近随机特征的正态分布关系。4.如权利要求1或2所述的基于联合生成对抗网络的设备故障检测方法,其特征在于,在所述步骤(3)中,在训练环节,首先使用生成编码器由训练监测数据生成编码特征,使用生成解码器由随机特征生成仿真监测数据,接着使用数据判别器判断仿真监测数据与训练监测数据的差异,使用特征判别器判断生成的编码特征与随机特征之间的差异,最终通过计算得到的差异结果构建损失,优化生成编码器、生成解码器、数据判别器和特征判别器。5.如权利要求1或2所述的基于联合生成对抗网络的设备故障检测方法,其特征在于,在所述步骤(3)中,所述四个模块的损失函数为:生成编码器损失:生成解码器损失:数据判别器损失:特征判别器损失:公式中,x
i
表示第i时刻的真实监测数据,z
i
表示对第i时刻的真实或仿真监测数据编码后的对应的编码特征,m表示时间序列的总长,GE表示生成编码器编码计算,GD表示生成解码器解码计算,DD表示数据判别器直接判别结果,FD表示特征判别器直接判别结果。
6.如权利要求1或2所述的基于联合生成对抗网络的设备故障检测方法,其特征在于,步骤(4)中,在异常检测阶段,使用联合异常评分S
err
判断数据异常情况,联合异常评分S
err
...
【专利技术属性】
技术研发人员:陈尧,李明春,李永刘,刘小川,刘彬彬,黎洪,
申请(专利权)人:烽火通信科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。