基于图偏差网络的外部自编码器时间序列异常检测

作     者：张孚容 顾磊 ZHANG Fu-Rong;GU Lei

作者机构：南京邮电大学计算机学院、软件学院、网络空间安全学院南京210023 

出 版 物：《计算机系统应用》 (Computer Systems & Applications)

年 卷 期：2024年第33卷第3期

页      面：24-33页

学科分类：12[管理学] 02[经济学] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0714[理学-统计学（可授理学、经济学学位）] 0811[工学-控制科学与工程] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(61972210) 

主　　题：异常检测 图偏差网络 自编码器 外部注意力机制 自适应学习 

摘      要：随着互联网和连接技术的提高,传感器产生的数据逐渐趋于复杂化.深度学习方法在处理高维数据的异常检测方面取得较好的进展,图偏差网络(graph deviation network,GDN)学习传感器节点之间关系来预测异常,并取得一定的效果.针对图偏差网络模型缺少对时间依赖性以及异常数据不稳定的处理,提出了基于图偏差网络的外部自编码器模型(graph deviation network-based external attention autoencoder,AEEA-GDN)深度提取表征,此外在模型训练时引入自适应学习机制,帮助网络更好地适应异常数据的变化.在3个现实收集传感器数据集上的实验结果表明,基于图偏差网络的外部自编码器模型比基线方法更准确地检测异常,且总体性能更优.