基于门控循环单元的多维时序上下文异常检测方法

目前已有的异常检测方法大多只解决了单维或简单模式上的异常检测,而对于多维的、结构复杂的数据,这些异常检测方法无法适用。因此,提出一种解决复杂时间序列异常检测的方法,首先将时间序列切割成若干子序列并对相似子序列进行聚类,使数据脱离上下文环境;然后在门控循环单元(gated recurrent unit, GRU)的基础上结合图注意力网络(graph attention network, GAT)对各类别序列训练其特有的预测模型,从时间层面和特征层面上同时建模,以提高时间点预测的可信度;最后比较预测值与真实值,使用3σ准则选取阈值,判定异常点。结果表明:在上下文异常的情况下,该方法在SMD和ASD数据集上异常检测准确度达到94.86%和92.71%。

基于VAE与局部上下文信息自提取的异常检测模型

为提升多维时序数据异常检测的准确率,考虑到异常类型的多样性,提出一种基于变分自编码器(variational autoencoder,VAE)与局部上下文信息自提取的异常检测模型AusVAE-CL(anomaly union score computed by VAE with CNN and LSTM)。利用CNN(convolutional neural networks)提取每个时间点的局部上下文信息处理上下文异常;使用LSTM(long short-term memory)作为VAE的前馈神经网络捕获多维时序数据中的时间依赖信息处理集体异常;通过全连接层融合时间依赖信息和局部上下文信息拟合VAE的近似后验分布对正常模式下的系统行为建模,提升正样本表示学习的质量;引入重构误差与相对熵加权和的异常评分方法判定异常。实验结果表明,AusVAE-CL模型的召回率和F1值较经典时序异常检测方法均有所提升。

集成LSTM的航天器遥测数据异常检测方法

航天器作为一类集合结构、热控、电源、姿轨控等的复杂系统,遥测数据是地面判断其在轨性能的唯一依据,而有效的异常检测是保证航天器在轨可靠运行的基础要素。针对遥测数据连续、离散样本混合且样本变化高度关联于指令的数据异常检测问题,提出一种基于集成长短期记忆网络(LSTM)的航天器遥测数据异常检测方法。利用LSTM强大的非线性建模能力,结合矩阵范数实现对遥控指令的多模式挖掘,并通过多LSTM预测模型的构建以及有效集成,提升模型对于航天器复杂工况的适应性,进而有效标记遥测数据中的异常。通过对NASA公布的2个类型航天器的遥测数据进行实验验证,结果表明,与基于LSTM的遥测数据异常检测方法相比,所提出的方法异常检测率提升明显,尤其适合检测上下文类型异常。测试结果验证了方法的可行性,可为航天器地面运控提供有效的数据判读能力。