识别模型训练方法、异常识别方法及电子设备技术

本申请实施例提供一种识别模型训练方法，该方法包括：获取样本数据，样本数据中包括多个时刻的原始数据。将多个时刻的原始数据输入至识别模型的编码单元中，以得到编码单元输出的样本数据对应的第一特征向量。将第一特征向量输入至识别模型的解码单元中，以得到解码单元输出的重构数据，重构数据中包括多个时刻的生成数据。将多个时刻的原始数据和多个时刻的生成数据，输入至识别模型的鉴别单元中，以得到鉴别单元输出的预测结果。根据预测结果、原始数据以及生成数据，更新识别模型的模型参数。本申请的技术方案可以有效提升识别模型的异常识别的准确性和全面性。异常识别的准确性和全面性。异常识别的准确性和全面性。

【技术实现步骤摘要】
识别模型训练方法、异常识别方法及电子设备


[0001]本申请实施例涉及计算机技术，尤其涉及一种识别模型训练方法、异常识别方法及电子设备。

技术介绍

[0002]平台作为连接多方的中间桥梁系统，其架构通常是比较复杂的。那么针对平台的异常监测也就显得非常重要。
[0003]在平台中承载着诸多的数据，当平台中的数据数据发生变化的时候，有可能会导致异常情况的发生。目前，现有技术中在针对平台进行异常监测的时候，通常都是基于日志数据，统计数据的环比指标或者同比指标等等，从而确定数据的变化是否会导致异常情况。
[0004]然而，仅仅统计环比指标或者同比指标预测异常情况，会导致异常识别的准确率较低。

技术实现思路

[0005]本申请实施例提供一种识别模型训练方法、异常识别方法及电子设备，以提升异常识别的准确率。
[0006]第一方面，本申请实施例提供一种识别模型训练方法，包括：
[0007]获取样本数据，所述样本数据中包括多个时刻的原始数据；
[0008]将所述多个时刻的原始数据输入至识别模型的编码单元中，以得到所述编码单元输出的所述样本数据对应的第一特征向量；
[0009]将所述第一特征向量输入至所述识别模型的解码单元中，以得到所述解码单元输出的重构数据，所述重构数据中包括所述多个时刻的生成数据；
[0010]将所述多个时刻的原始数据和所述多个时刻的生成数据，输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的预测结果；
[0011]根据所述预测结果、所述样本数据以及所述重构数据，更新所述识别模型的模型参数。
[0012]第二方面，本申请实施例提供一种异常识别方法，包括：
[0013]获取目标数据，其中，所述目标数据中包括在第一时刻的待进行异常识别的第一数据，以及在所述第一时刻之前的至少一个时刻的历史数据；
[0014]将所述第一数据以及各所述历史数据输入至识别模型的编码单元中，以得到所述编码单元输出的第一特征向量；
[0015]将所述第一特征向量输入至所述识别模型的解码单元中，以得到所述解码单元输出的重构数据，所述重构数据中包括多个时刻的生成数据，所述多个时刻包括所述第一时刻以及所述第一时刻之前的至少一个时刻；
[0016]将所述多个时刻的生成数据，输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的预测结果，所述预测结果用于指示所述第一数据正常的概率和/或所述第一
数据异常的概率；
[0017]所述识别模型为根据第一方面所述的方法训练得到的。
[0018]第三方面，本申请实施例提供一种识别模型训练装置，包括：
[0019]获取模块，用于获取样本数据，所述样本数据中包括多个时刻的原始数据；
[0020]处理模块，用于将所述多个时刻的原始数据输入至识别模型的编码单元中，以得到所述编码单元输出的所述样本数据对应的第一特征向量；
[0021]所述处理模块，还用于将所述第一特征向量输入至所述识别模型的解码单元中，以得到所述解码单元输出的重构数据，所述重构数据中包括所述多个时刻的生成数据；
[0022]所述处理模块，还用于将所述多个时刻的原始数据和所述多个时刻的生成数据，输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的预测结果；
[0023]更新模块，用于根据所述预测结果、所述样本数据以及所述重构数据，更新所述识别模型的模型参数。
[0024]第四方面，本申请实施例提供一种异常识别装置，包括：
[0025]获取模块，用于获取目标数据，其中，所述目标数据中包括在第一时刻的待进行异常识别的第一数据，以及在所述第一时刻之前的至少一个时刻的历史数据；
[0026]处理模块，用于将所述第一数据以及各所述历史数据输入至识别模型的编码单元中，以得到所述编码单元输出的第一特征向量；
[0027]所述处理模块，还用于将所述第一特征向量输入至所述识别模型的解码单元中，以得到所述解码单元输出的重构数据，所述重构数据中包括多个时刻的生成数据，所述多个时刻包括所述第一时刻以及所述第一时刻之前的至少一个时刻；
[0028]所述处理模块，还用于将所述多个时刻的生成数据，输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的预测结果，所述预测结果用于指示所述第一数据正常的概率和/或所述第一数据异常的概率；
[0029]所述识别模型为根据第一方面所述的方法训练得到的。
[0030]第五方面，本申请实施例提供一种电子设备，包括：
[0031]存储器，用于存储程序；
[0032]处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如上第一方面以及第二方面所述的方法。
[0033]第六方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上第一方面以及第二方面所述的方法。
[0034]第七方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上第一方面以及第二方面所述的方法。
[0035]本申请实施例提供一种识别模型训练方法及装置，该方法通过优化识别模型中的编码单元，编码单元可以基于多个时刻的原始数据确定第一特征向量，以抽取多个时刻的原始数据中的隐含特征，从而提前识别未来的潜在风险，并且可以捕捉到数据在时隙上的特征变化趋势。以及，通过优化识别模型中的解码单元，以得到和样本数据相似度极高的重构数据。以及通过优化识别模型中的鉴别单元，以提升鉴别单元识别数据是真实还是假生的准确率。如果鉴别单元识别重构数据是假生的话，实际上对应的就是说样本数据是异常的。通过解码单元和鉴别单元两部分的优化，可以有效的提升识别模型的异常识别的准确
性和全面性。
[0036]以及，本申请实施例还提供一种异常检测方法及装置，该方法基于上述训练的识别模型进行异常识别，因为编码单元可以编码得到第一特征向量，其中第一特征向量可以反映目标数据的隐含特征，因此可以提前识别潜在的风险点。以及本实施例中在进行异常识别的时候，不仅仅是针对平台更新之后的第一时刻的数据进行异常识别，还根据第一时刻之前的多个历史时刻的数据进行异常识别，从而可以确定数据在时序上的变化特征。以及本实施例中的编码单元和鉴别单元中都是通过因果卷积网络处理的，相较于普通的全连接网络，因果卷积网络可以更好的捕捉时序上的特征变化趋势，并且带有一定的预测性，基于该识别模型进行异常识别，可以有效保证预测结果的准确性。
附图说明
[0037]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0038]图1为本申请实施例提供的识别模型的模型结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种识别模型训练方法，其特征在于，包括：获取样本数据，所述样本数据中包括多个时刻的原始数据；将所述多个时刻的原始数据输入至识别模型的编码单元中，以得到所述编码单元输出的所述样本数据对应的第一特征向量；将所述第一特征向量输入至所述识别模型的解码单元中，以得到所述解码单元输出的重构数据，所述重构数据中包括所述多个时刻的生成数据；将所述多个时刻的原始数据和所述多个时刻的生成数据，输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的预测结果；根据所述预测结果、所述样本数据以及所述重构数据，更新所述识别模型的模型参数。2.根据权利要求1所述的方法，其特征在于，所述将所述多个时刻的原始数据输入至识别模型的编码单元中，以得到所述编码单元输出的所述样本数据对应的第一特征向量，包括：将所述多个时刻的原始数据输入至识别模型的编码单元中；通过所述编码单元中的因果卷积网络层对所述多个时刻的原始数据进行处理，得到所述编码单元输出的所述多个时刻的第一预测数据；根据所述多个时刻的第一预测数据，得到所述样本数据对应的第一特征向量。3.根据权利要求2所述的方法，其特征在于，所述根据所述多个时刻的第一预测数据，得到所述样本数据对应的第一特征向量，包括：通过所述编码单元，获取所述多个时刻的第一预测数据各自对应的第一权重；根据所述多个时刻的第一预测数据以及各所述第一预测数据各自对应的第一权重进行加权处理，得到所述样本数据对应的第一特征向量。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述解码单元中包括n个激活层，所述n为大于或等于1的整数；所述将所述第一特征向量输入至所述识别模型的解码单元中，以得到所述解码单元输出的重构数据，包括：针对第一个所述激活层，将所述第一特征向量输入至所述第一个激活层，得到所述第一个激活层输出的中间数据，并根据所述第一个激活层输出的中间数据和所述第一特征向量得到第1个所述时刻的生成数据；以及，针对第i个所述激活层，将第i
‑
1个激活层输出的生成数据输入至所述第i个激活层，以得到所述第i个激活层输出的中间数据，并根据所述第i个激活层输出的中间数据和所述第i
‑
1个激活层输出的生成数据，得到第i个时刻的生成数据，所述i为大于等于2并且小于等于n的整数；其中，所述激活层用于根据激活函数对输入所述激活层的数据进行处理。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，所述将所述多个时刻的原始数据和所述多个时刻的生成数据，输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的预测结果，包括：将所述多个时刻的原始数据输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的第一预测结果，所述第一预测结果用于指示所述样本数据正常的概率和/或所述样本数据异常的概率；以及，
将所述多个时刻的生成数据输入至所述识别模型的鉴别单元中，以得到所述鉴别单元输出的第二预测结果，所述第二预...

【专利技术属性】
技术研发人员：向金芳，
申请(专利权)人：阿里云计算有限公司，
类型：发明
国别省市：