公开(公告)号：CN115510975A

公开(公告)日：2022-12-23

申请号：CN202211189813.0

申请日：2022-09-28

Applicant: 山东省计算中心(国家超级计算济南中心) ,  齐鲁工业大学

Inventor： 李刚 ,  杨泽宇 ,  周鸣乐 ,  李敏 ,  韩德隆

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种多变量时序异常检测方法及系统，包括以下过程：首先将数据进行预处理输入到特征提取模块中；利用T‑Transformer‑GRU提取时序数据的时间信息;利用F‑Transformer‑GRU提取数据的全局特征关联性;然后将两者进行结合形成新的数据维度作为异常检测模块的输入；通过GRU将新特征分别输入到重构模块和预测模块中，识别数据中的异常；将两者结果进行最优化组合得到异常检测分数；最后，将分数与提前设定好的阈值进行对比输入检测结果。本系统包括数据预处理、特征提取模块和异常检测模块。本发明既捕获数据的时间信息又捕获特征之间的关联性，并将预测和重构两种方式进行最优化结合，提高异常检测精度，增强系统的稳定性，能够处理多种时序数据异常检测任务。

公开(公告)号：CN114239807A

公开(公告)日：2022-03-25

申请号：CN202111548027.0

申请日：2021-12-17

Applicant: 山东省计算中心(国家超级计算济南中心)

Inventor： 李刚 ,  杨泽宇 ,  周鸣乐 ,  李敏 ,  刘一鸣 ,  李旺

IPC: G06N3/04 ,  G06N3/08 ,  G06N3/00

Abstract: 本发明公开了一种针对高维数据进行异常检测的方法，将RFE（递归特征消除）和DAGMM（深度自编码高斯混合模型）相结合，通过降维和重构的方式来检测异常数据。首先对数据预处理；通过RFE方法进行特征选择，然后构建压缩网络，获得重构误差和低维特征表示，将两部分作为估计网络的输入，通过估计网络计算能量值。在测试时，通过设置阈值进行异常检测。本发明提供的高维数据异常检测方法，相比于传统的异常检测方法在处理高纬度数据上提高了检测精确，降低了训练时长和误警率，解决了数据维度高，数据类型复杂的高纬数据在异常检测方面精度低，误报率高，时效差等问题。例如能够很好地应用在网络方面来检测流量异常。