基于掩码图神经网络模型的多元时间序列异常检测方法和系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115935285A(43)申请公布日2023.04.07(21)申请号202211405450.XG06N3/088(2023.01)(22)申请日2022.11.10(71)申请人南京邮电大学地址210023江苏省南京市栖霞区文苑路9号(72)发明人徐康李远李睿瑶(74)专利代理机构南京苏科专利代理有限责任公司32102专利代理师姚姣阳(51)Int.Cl.G06F18/2433(2023.01)G06F18/22(2023.01)G06F18/10(2023.01)G06N3/0475(2023.01)G06N3/094(2023.01)权利要求书2页说明书7页附图3页(54)发明名称基于掩码图神经网络模型的多元时间序列异常检测方法和系统(57)摘要本发明公开了基于掩码图神经网络模型的多元时间序列异常检测方法和系统，该方法包括：对多元时间序列进行数据预处理操作；输入预处理后的多元时间序列；对滑动窗口内的时序数据进行按比例掩码操作；利用每个节点嵌入式表示向量的相似度建立图结构；根据滑动窗口内的时间序列并利用当前图结构为每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示，并用该特征预测下一个时间戳的值；将预测值与真实值进行生成式对抗训练，计算生成器损失和判别器损失，更新模型；通过预测值和真实值之间的差异计算每个节点的异常分数，将异常分数高于阈值的时刻点判别为异常时间点，得到异常分析结果。本发明有助于准确检测出多元时间变量数据的异常。CN115935285ACN115935285A权利要求书1/2页1.一种基于掩码图神经网络模型的多元时间序列异常检测方法，其特征在于，所述方法包含以下步骤：步骤S1、对多元时间序列进行数据预处理操作；步骤S2、输入预处理后的多元时间序列，对每个传感器按时序截取固定的长度即滑动窗口，并以固定的步长滑动，得到最终的数据集，每个传感器为图节点，对应的时序序列为节点特征；对滑动窗口内的时序数据进行按比例掩码操作；步骤S3、为每个传感器初始化一个节点嵌入式表示向量，并进行更新，利用每个节点嵌入式表示向量的相似度建立图结构；步骤S4、根据滑动窗口内的时间序列并利用当前图结构为每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示，并用该特征预测下一个时间戳的值；步骤S5、将预测值与真实值进行生成式对抗训练，计算生成器损失和判别器损失，更新模型；步骤S6、测试阶段通过预测值和真实值之间的差异计算每个节点的异常分数，选取分数最高的作为阈值，将异常分数高于阈值的时刻点判别为异常时间点，得到最终异常分析结果。2.根据权利要求1所述的方法，其特征在于：步骤S1包括以下步骤：处理缺失值，缺失部分填0；对时间序列进行采样操作，每隔一个固定的时间段选取一组数据；对每个传感器整个时间序列的数值做归一化处理,将数据压缩到0‑1之间。3.根据权利要求2所述的方法，其特征在于：步骤S2包括以下步骤：对每个传感器按时序截取固定的长度即滑动窗口，并以固定的步长滑动，直至时间末，得到处理后的数据集；指定连续掩码的最大序列长度以保证时间序列的连续性；最大的连续掩码序列长度为总屏蔽时间点个数的一半；对滑动窗口内的时间序列进行按比例随机掩码，传感器在掩码的时间点上的值将设置为0；若连续掩码序列长度超出最大掩码序列长度，则以最大掩码序列长度进行掩码操作。4.根据权利要求3所述的方法，其特征在于：步骤S3包括以下步骤：为每个传感器初始化一个节点嵌入式表示向量；利用编码器对节点嵌入式表示向量进行更新，将随机初始化的节点嵌入式表示向量转化为一个维度相同的稠密向量，编码器参数保持更新；为了控制邻居节点数量以提高运算效率，同时避免过拟合，设置最大邻居节点个数来控制边的数量；根据节点嵌入式表示向量的余弦相似度构建图结构。5.根据权利要求4所述的方法，其特征在于：步骤S4包括以下步骤：根据滑动窗口内的时间序列以及当前图结构，使用注意力机制对每一个图节点聚合邻居节点信息，学习出滑动窗口的特征表示；将滑动窗口的特征表示输入到多层全连接网络，预测每个图节点下一个时间戳的值。6.根据权利要求5所述的方法，其特征在于：步骤S5包括以下步骤：生成器为基于注意力机制的图模型，计算生成器损失，更新生成器；2CN115935285A权利要求书2/2页判别器为基础的GAN模型，在滑动窗口内的时间序列之后拼接下一个时间戳的真实值构成真实的时间序列，在滑动窗口内的时间序列之后拼接下一个时间戳的预测值构成预测的时间序列，将真实的时间序列以及预测的时间序列输入判别器，计算判别器损失，更新判别器。7.根据权利要求6所述的方法，其特征在于：步骤S6包括以下步骤：对于滑动窗口内的时间序列不进行掩码操作，计算每个节点的预测值；