基于启发式时空图神经网络的多变量时序异常检测

针对信息物理系统的多变量时序数据的异常检测是预防系统故障、保证安全生产的必要手段.由于系统变量间的强耦合性和传播效应,设计异常检测算法时应考虑系统变量间的耦合特性、传播有向性和因果时滞性,从系统结构变化的角度检测早期异常.本文提出一种端到端的启发式时空图神经网络(heuristic spatio-temporal graph neural network, HST-GNN)用于多变量时序数据的异常检测.首先,考虑变量间关系的有向性和集群性,设计一种有向相似性函数和基于启发式聚类算法的图结构学习算法,对多变量时序数据进行图建模以学习变量间的空间耦合关系;其次,使用门控卷积注意单元和多头图注意层作为时空图注意模块,从时空层面同时捕获系统的非线性因果时序和空间耦合深度特征;最后,量化系统的图结构特征,将其作为时空图网络提取的传感器深度特征的补充,输入自编码器中,从系统级别和传感器级别来检测异常.本文在4个公共数据集上验证了HST-GNN的性能.实验结果表明,稀疏有向的图结构有利于系统耦合特性的提取,从系统和传感器级别检测异常增加了模型对不显著的早期异常的敏感度.