一种用于多变量时间序列异常检测的多尺度分层空洞图卷积制造技术

多变量时间序列变得越来越复杂，这给异常检测带来很大的挑战

【技术实现步骤摘要】
一种用于多变量时间序列异常检测的多尺度分层空洞图卷积


[0001]本专利技术涉及多变量时间序列异常检测领域，具体涉及一种用于多变量时间序列异常检测的多尺度分层空洞图卷积
。

技术介绍

[0002]随着物联网系统的发展，其被广泛应用于工业控制系统
、
航天探测器
、
互联网服务器等各个领域
。
系统通过配置许多相互关联的传感器采集多变量时间序列，用于监控系统的工作状态
。
当系统受到攻击时，多元时间序列数据就会发生异常
。
由于多变量时间序列数据变得越来越复杂，每个变量都依赖于其历史值和其他变量值，这给异常检测带来很大的挑战
。
[0003]传统的时间序列异常检测方法采用统计分布和自回归的方法，这些方法基于数据的整体分布评估异常，在效率和精度上都不能满足预期的要求
。
随着深度学习的发展，研究者提出大量基于深度学习的无监督异常检测方法
。
例如，基于自编码器的方法使用编码器学习输入时间序列的潜在特征，解码器用该特征重建时间序列
。
基于对抗生成网络的方法对编码器
、
生成器和鉴别器进行联合训练，同时利用编码器的特征提取能力和鉴别器的鉴别能力
。
然而，这些方法缺乏对传感器之间复杂依赖关系的考虑，导致在处理具有大量潜在关系的高维数据时存在不稳定性
。
[0004]近年来，图卷积网络被用于明确捕捉多变量时间序列之间的复杂依赖关系
。
传统方法通过计算时间序列嵌入之间的余弦相似性并定义距离最近的
k
个相邻序列来学习图结构，然后通过图卷积网络捕捉信息的传播过程
。
然而，应用距离度量序列之间的关系不仅会造成二次时间复杂度和空间复杂度，还缺乏一定的合理性
。
此外，这些方法主要关注序列之间的相关性，对时间依赖性的建模较差
。
因此，本专利技术提出了多尺度分层空洞图卷积，通过捕捉多变量时间序列的时空相关性对时间序列进行重构，实现有效地异常检测
。

技术实现思路

[0005]专利技术目的：为了解决上述多变量时间序列异常检测中存在的缺陷，本专利技术提出一种用于多变量时间序列异常检测的多尺度分层空洞图卷积
。
其中主要包括序列平稳化
、
图结构学习
、
分层空洞卷积和图卷积
。
序列平稳化由序列归一化和反归一化组成，可以削弱序列的非平稳性，提高序列的可预测性
。
图结构学习使用
Gumbel
‑
Softmax
采样技巧自动学习传感器之间的连接关系，并将其用于图卷积中进行特征传播和聚合，捕捉时间序列的空间相关性
。
分层空洞卷积在不同层级上使用不同的膨胀率，构建具有不同感受野大小的卷积操作，可以在模型中同时捕捉到局部细节和更大范围的上下文信息
。
[0006]技术方案是一种针对多变量时间序列的异常检测方法，实施流程如图1所示，具体包括如下步骤：
[0007](1)
对多变量时间序列进行归一化；
[0008](2)
学习传感器之间的连接关系；
[0009](3)
使用多尺度分层空洞图卷积提取时间序列的特征
。
[0010](4)
重构多变量时间序列
。
[0011](5)
对重建后的多变量时间序列进行反归一化
。
附图说明
[0012]图1为本专利技术所述方法的实施流程；
[0013]图2为分层空洞图卷积；
具体实施方式
[0014]为了详细的说明本专利技术所公开的技术方案，下面结合附图和实例对本专利技术做更进一步的说明
。
[0015]本专利技术所提供的是一种针对多变量时间序列的异常检测方法，主要基于多尺度分层空洞图卷积，实施流程如图1所示，包括如下步骤：
[0016](1)
对时间序列进行归一化处理，实现序列平稳化
。
具体说明如下：
[0017]对于每个子序列
s
＝
{x1，
x2，
...
，
x
w
}∈R
N
×
w
，归一化模块对其进行平移和缩放运算，得到
s
′
＝
{x
′1，
x
′2，
...
，
x
′
w
}∈R
N
×
W
。
具体计算如下：
[0018][0019][0020][0021]其中归一化模块减少了各个输入时间序列之间的分布差异，使得模型输入更加稳定
。
[0022](2)
使用
Gumbel
‑
Softmax
采样技巧自动学习传感器之间的有向图结构
。
具体说明如下：
[0023]本专利技术使用邻接矩阵
Z
表示该有向图结构，
Z
i
，
j
表示从节点
i
指向节点
j
的有向边是否存在，
Z
i
，
j
是一个分类变量，它可以取离散值
Z
i
，
j
∈{0
，
1}。
设其中其中表示有向边
Zi
，
j
存在的概率，代表从节点
i
到节点
j
存在信息流的概率
。
[0024]通过
Gumbel
‑
Softmax
技巧对离散分布
Z
i
，
j
进行采样，具体地，首先将离散概率分布取对数，再加上从
Gumbel
分布中采样得到的随机噪声最终使用
Softmax
重参数化技巧得到离散分布
z
i
，
j
：
[0025][0026]其中
g
c
～
Gumbel(0
，
1)
是遵循标准
Gumbel
分布的随机变量，
g0，
g1是独立同分布样本，温度参数
τ
来控制
Gumbel
‑
Softmax
分布的平滑程度
。
本专利技术通过采用逆变换采样方法，将
[0
，
1]区间上的均匀分布随机数
u
代入
g
＝
‑
log(
‑
log本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于多变量时间序列异常检测的多尺度分层空洞图卷积，其特征在于，包括以下步骤：
(1)
对多变量时间序列进行归一化；
(2)
学习传感器之间的连接关系，并将其用于图卷积中进行特征传播和聚合；
(3)
使用不同卷积核数量的分层空洞图卷积提取时间序列的特征；
(4)
使用
BiLSTM
重构多变量时间序列；
(5)
对重建后的多变量时间序列进行反归一化
。2.
根据权利要求1所述的针对多变量时间序列的异常检测方法，其特征在于，步骤
(2)
中使用
Gumbel
‑
Softmax
采样技巧自动学习传感器间的拓扑图结构，该方法可以学习传感器节点间的复杂依赖关系，并对异常进行定位和解释，传统的图学习方法通过...

【专利技术属性】
技术研发人员：关东海，梁李芳，袁伟伟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：