[发明专利]基于共享自编码器的时间序列异常检测方法

说明书

本发明涉及电子数字数据处理领域，具体涉及一种基于共享自编码器的时间序列异常检测方法，包括利用D1和D2解码器分别共享两个编码器E1和E2，形成两组编码解码再编码的网络结构；基于自编码器训练方式对两个网络结构进行重构训练；基于对抗训练方式训练两个网络结构；在两个网络结构中输入测试数据，计算数据的异常得分，得到异常检测结果。通过对比最新的异常检测例如DAGMM,OmniAnomaly和USAD方法来进行对比，使用SWaT和WADI等多个数据集进行实验，证明了提出的方法在时间序列的异常检测上较为准确。

技术领域

本发明涉及电子数字数据处理领域，尤其涉及一种基于共享自编码器的时间序列异常检测方法。

背景技术

异常点被定义为一个显著不同于其他数据分布的数据对象，通过分析异常点数据分布特征，可以从海量数据中挖掘异常信息、提取兴趣模式等。因此异常点检测(outlierdetection)成为数据挖掘领域的研究热点之一,异常点检测目的是通过数据挖掘方法找出不同于大规模数据中的异常点，并发现潜在的、有意义的知识。目前其广泛应用于欺诈检测、医疗处理、公共安全、环境卫生、图像处理、异常行为模式检测、轨迹异常检测等领域。

传统异常点的检测方法众多。一般经典的异常点检测方法通常分为4大类:基于统计学的、基于聚类的、基于分类的和基于邻近性的。传统检测技术主要考虑检测过程中的时间性能和准确性能。然而，随着云计算、大数据技术的发展，传统通过单一节点计算方式挖掘异常节点信息已经无法满足日益增长的数据计算需求。以深度学习技术为代表的人工智能技术为异常点检测提供了新的研究方向。目前，通过深度学习方法相结合构造混合模型的方法在近年不断应用于实际场景。因其无须对模型提前训练的特点，因此属于高性价比的方法。但是，对于复杂高维度的数据，该类方法也很难捕捉到数据的内在属性，另外，当用AE降维时，维度降低的程度对最终结果影响很大，需要反复调参。

发明内容

本发明的目的在于提供一种基于共享自编码器的时间序列异常检测方法，旨在提高异常检测的精确度。

为实现上述目的，本发明提供了一种基于共享自编码器的时间序列异常检测方法，包括：利用D1和D2解码器分别共享两个编码器E1和E2，形成两组编码解码再编码的网络结构；

基于自编码器训练方式对两个网络结构进行重构训练；

基于对抗训练方式训练两个网络结构；

在两个网络结构中输入测试数据，计算数据的异常得分，得到异常检测结果。

其中，所述编码器包括三个线性层，其中每一层都使用ReLU当作激活函数。

其中，所述解码器包括三个线性层，前两层使用ReLU激活函数，最后一层则使用Sigmoid函数。

其中，所述利用D1和D2解码器分别共享两个编码器E1和E2的具体方式是:解码器D1与编码器E1和E2组成EDE1结构，解码器D2共享使用编码器E1和E2组成EDE2结构。

其中，所述基于自编码器训练方式对两个网络结构进行重构训练的具体方式为：

对时间序列数据进行预处理，得到第一时间窗口数据；

将第一时间窗口数据送入编码器E1，经过编码器E1的线性层特征提取得到第一特征向量并储存；

D1和D2解码器将第一特征向量作为输入重构训练集，得到第二时间窗口数据和第三时间窗口数据；

将第二时间窗口数据和第三时间窗口数据输入编码器E2得到第一重构特征向量和第二重构特征向量。

其中，所述基于对抗训练方式训练两个网络结构的具体步骤是：

将第二特征向量输入解码器D1，获得第四时间窗口数据；