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%。