[发明专利]基于安全多方下的时间序列异常检测方法及系统

说明书

本发明提出了一种基于安全多方下的时间序列异常检测系统及方法，所述系统包括服务端和用户端，其中，服务端至少有两个服务器：服务器C和服务器S；所述服务端分布式存储着形成一个完备的数据集的时间序列；服务器C是为用户端提供服务的服务器，服务器S与服务器C之间基于BCP加密系统进行时间序列的多方共享，服务器S是半诚实的，拥有可用于解密的主密钥mk，在所有S参与的运算中都加入扰动，防止S获得有关用户的相关信息；服务器C和服务器S初始化BCP加密系统；服务器C将存储于其上的时间序列加密后提供给服务器S；服务器S在安全协议下进行时间序列的异常检测。本发明提出的基于安全多方下的时间序列异常检测是具有很大的实用价值的。

技术领域

本发明涉及异常检测技术领域，特别涉及一种基于安全多方下的时间序列异常检测方法及系统。

背景技术

在实际生活中，各个领域都包含大量的时间序列数据，例如病人的心电图数据、脑电图数据、发电厂大量传感器的参数数据以及网络流数据等等。而时间序列的异常子序列(模式)检测是一个十分重要的领域，含异常模式的时间序列大部分数据表现为正常形态，异常模式出现频率极少，但极少出现的异常模式却包含相当重要的信息。异常的心电数据意味着病人可能患有某种类型的心脏疾病，异常的脑电数据可能是由癫痫等脑科疾病引起，及时发现病人的异常心电或者脑电数据可以对后续的治疗起到指导作用；而工厂传感器数据异常可能意味着系统某个部分出现了故障，及时发现异常并对系统故障进行修护能减少损失。因此，时间序列数据的异常子序列检测研究极具现实意义。

关于时间序列异常检测的研究国内外相关学者已经做过了大量的工作。Dasgupta提出将免疫学中的思想运用到时间序列异常模式检测当中。该方法利用自身免疫系统能够区分自身细胞、分子和外部细胞、分子的特点，将时间序列进行编码处理后利用负向选择原理区别自身及外部细胞或分子，从而进行时间序列异常模式检测。Junshui Ma提出利用One-Class SVM进行时间序列的异常模式检测，其思想源于One-Class SVM能够检测向量数据集中的异常点，通过将时间序列数据转化到相空间之后，利用正类训练数据训练出模型，最后使用训练出来的模型对时间序列进行检测看是否偏离模型，这样就能进行时间序列的异常模式检测。Keogh提出了HOT SAX方法来发现时间序列中的异常子序列，该方法将时间序列转化为SAX表示方法，利用启发式方法来改进时间序列子序列的检测顺序，从而极大提高了时间序列异常子序列检测效率。Izakian提出利用模糊C均值聚类的方法来进行时间序列异常子序列检测，其思想为将时间序列子序列利用模糊C均值聚类方法进行聚类，聚类簇中心反映了时间序列的模式结构，对原始子序列用聚类中心来进行重新构建，正常的子序列模式结构能够通过聚类簇中心较好的重构，而异常子序列难以通过聚类中心重构，通过比较利用聚类簇中心重构之后的子序列与原子序列差异性，来寻找异常子序列。Sivaraks提出利用主题发现的方法来检测出心电数据中的异常心跳，此种思想也可以运用到其它时间序列的异常子序列检测当中。该方法通过分析心电数据特点并提取出重复出现的模式，并通过比较序列中候选子序列模式与主题之间的相似性，来确定模式是否为异常心电模式，该方法相比其余异常子序列检测算法无需设置异常子序列长度，且结合了心电数据领域知识，检测准确率很高。国内也进行了相关的研究。最先进行研究的是上海复旦大学的肖辉，其将线段作为模式，检测的基本原理是将时间序列转化为多个线段模式，并通过基于模式密度定义的异常度来衡量模式的异常程度，并将异常程度高的模式作为异常。詹艳艳也提出了在时间序列线性表示模式的基础上进行异常模式检测的方法，该算法的思想是如果模式为异常模式，那么该模式出现的频率必然很低，所以对于出现频率低的模式赋予较高的异常值，而对于出现频率较高的模式赋予较低的异常值，异常值高的模式则为异常模式。杜洪波提出利用局部线性映射来检测时间序列中异常模式，其思想为针对时间序列中每个模式，将其通过邻域内的模式进行重构，比较重构后的模式与原模式之间的差异性，重构误差越大的子序列越可能是异常模式。汪斐将时间序列异常子序列检测方法HOTSAX用于在线时间序列数据的异常检测当中，从而实现时间序列数据的动态增量式异常检测。李桂玲提出时间序列的PAA变化模式表示，并利用其聚类结果来寻找时间序列异常，即利用聚类结果启发序列的搜索顺序，从而检测时间序列异常子序列。