基于得分生成模型的时间序列异常检测方法
Time Series Anomaly Detection Based on Score Generative Model作者机构:北京邮电大学人工智能学院北京100876
出 版 物:《北京邮电大学学报》 (Journal of Beijing University of Posts and Telecommunications)
年 卷 期:2024年第47卷第2期
页 面:51-57页
核心收录:
学科分类:12[管理学] 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] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(62371057,61601046) 国家111工程项目(B08004) 北京邮电大学博士生创新基金项目(CX2022149)
摘 要:为了解决传统时间序列异常检测模型在时序数据随机性表征不足以及模型泛化能力较弱的问题,提出了一种基于得分生成的异常检测模型。针对复杂信息物理系统中运行监控的时序数据,设计了一个多维时间序列异常检测框架,利用回归模型捕捉数据内在的时间模式。考虑时序生成过程的随机性,采用去噪得分匹配的方法来估计梯度信息,并利用估计的梯度信息,设计了高效的异常评分方法。在公开的池化服务器数据集和安全水处理数据集上,所提模型的异常检测F1值分别达到了96%和90.18%,比使用基线模型得到的最高F1值分别提高了1.02%和1.01%。消融实验和案例分析结果表明,用噪声索引模块和签名矩阵模块增强了模型的特征提取能力,所提模型的异常阈值在[0.386,0.8)之间时的F1值大于等于0.8。