一种时序数据的异常检测方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115237880A(43)申请公布日2022.10.25(21)申请号202210824228.7(22)申请日2022.07.13(71)申请人中国农业银行股份有限公司地址100005北京市东城区建国门内大街69号(72)发明人聂好枫(74)专利代理机构北京品源专利代理有限公司11332专利代理师王风茹(51)Int.Cl.G06F16/21(2019.01)G06F11/28(2006.01)权利要求书2页说明书9页附图2页(54)发明名称一种时序数据的异常检测方法、装置、设备及存储介质(57)摘要本发明公开了一种时序数据的异常检测方法、装置、设备及存储介质。该方法包括：获取待检测时序数据；将待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；将待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，目标异常检测网络模型为基于数据重构误差的深度学习模型；根据第一状态时序数据和第二状态时序数据确定待检测时序数据中的异常状态数据，实现提高时序数据的检测精度，保障业务平台的正常运行。CN115237880ACN115237880A权利要求书1/2页1.一种时序数据的异常检测方法，其特征在于，包括：获取待检测时序数据；将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。2.根据权利要求1所述的方法，其特征在于，所述获取待检测时序数据包括：以预设采样频率获取在预设时间段内每个采样时间点对应的待检测数据；根据各所述采样时间点的待检测数据构成所述待检测时序数据。3.根据权利要求1所述的方法，其特征在于，所述目标局部异常检测模型的训练步骤包括：获取历史时序数据，采用时间窗口截取所述历史时序数据得到时序数据样本；将所述时序数据样本中的第一样本数据输入初始局部异常检测模型，确定所述第一样本数据的局部异常因子；根据所述第一样本数据的局部异常因子确定异常时序数据，对所述时序数据样本中的异常样本数据进行修正得到时序数据更新样本；采用所述时序数据更新样本更新所述时序数据样本；以预设滑动步长循环滑动所述时间窗口，并返回执行采用时间窗口截取所述历史时序数据得到时序数据样本的步骤，直到所述历史时序数据中不存在异常样本数据，得到所述目标局部异常检测模型。4.根据权利要求1‑3任一所述的方法，其特征在于，所述将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据，包括：将所述待检测时序数据中的待检测数据输入所述目标局部异常检测模型，获得每个待检测数据的局部异常因子；根据所述局部异常因子确定每个待检测数据的数据状态，形成第一状态时序数据；所述数据状态包括：正常状态或异常状态。5.根据权利要求3所述的方法，其特征在于，所述目标异常检测网络模型的训练步骤包括：将第二样本数据输入初始异常检测网络模型生成重构数据；所述第二样本数据为在所述目标局部异常检测模型的训练步骤中最终更新得到的历史时序数据所包含的样本数据；确定所述重构数据和所述第二样本数据的损失函数值；基于所述损失函数调整所述初始异常检测网络模型的参数；返回执行所述将第二样本数据输入初始异常检测网络模型生成重构数据的步骤，直到所述损失函数值小于预设阈值，得到目标异常检测网络模型。6.根据权利要求1所述的方法，其特征在于，根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据包括：将所述第一状态时序数据和所述第二状态时序数据中在相同时序点为异常状态的数据确定为所述待检测时序数据中的异常状态数据。2CN115237880A权利要求书2/2页7.一种时序数据的异常检测装置，其特征在于，包括：数据获取模块，用于获取待检测时序数据；第一检测模块，用于将所述待检测时序数据输入目标局部异常检测模型，获得第一状态时序数据；第二检测模块，用于将所述待检测时序数据输入目标异常检测网络模型，获得第二状态时序数据，所述目标异常检测网络模型为基于数据重构误差的深度学习模型；确定模块，用于根据所述第一状态时序数据和所述第二状态时序数据确定所述待检测时序数据中的异常状态数据。8.根据权利要求7所述的装置，其特征在于，所述第一检测模块包括：数据输入单元，用于将所述待检测时序数据中的待检测数据输入所述目标局部异常检测模型，获得每个待检测数据的局部异常因子；状态确定单元，用于根据所述局部异常因子确定每个待检测数据的数据状态，形成第一状态时序数据；所述数据状态包括：正常状态或异常状态。9.一种电子设备，其