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可增强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。
中图分类号: