(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111668759.3 (22)申请日 2021.12.3 0 (71)申请人 中山大学 地址 510275 广东省广州市新港西路13 5号 (72)发明人 陈鹏飞　王雯麓　郑子彬　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 彭祯奇 (51)Int.Cl. G06K 9/62(2022.01) (54)发明名称 一种针对多元时间序列的主动异常检测方 法及其相关装置 (57)摘要 本申请公开了一种针对多元时间序列的主 动异常检测方法及其相关装置， 通过KPI数据无 监督训练异常检测模型， 得到无监督异常检测模 型； 当获取到新的KPI数据时， 通过滑动窗口对新 的KPI数据进行处理， 得到多个时间序列 样本， 通 过无监督异常检测模型对各时间序列样本进行 异常检测， 得到各时间序列 样本在对应的时间观 测点的异常分数； 根据各时间序列样本的异常分 数选择若干时间序列 样本进行标签标注， 得到若 干有标签的时间序列 样本； 通过各时间序列 样本 的标签信息反馈训练无监督异常检测模型， 得到 最终异常检测模 型； 通过最终异常检测模型对待 检测KPI数据进行异常检测， 改善了现有的无监 督异常检测模型存在的误报率和漏检率较高的 技术问题。 权利要求书3页 说明书12页 附图3页 CN 114298240 A 2022.04.08 CN 114298240 A 1.一种针对多元时间序列的主动异常检测方法， 其特 征在于， 包括： 获取云原生系统的KPI数据， 并通过所述KPI数据无监督训练异常检测模型， 得到无监 督异常检测模型； 当获取到新的KPI数据 时， 通过滑动窗口对所述新的KPI数据进行处理， 得到多个时间 序列样本， 并通过所述无监督异常检测模型对各所述时间序列样本进行异常检测， 得到各 所述时间序列样本在对应的时间观测点的异常 分数； 根据各所述 时间序列样本的异常分数选择若干时间序列样本进行标签标注， 得到若干 有标签的时间序列样本； 通过各时间序列样本的标签信 息反馈训练所述无监督异常检测模型， 得到最终异常检 测模型； 通过所述最终异常检测模型对待检测KPI数据进行异常检测。 2.根据权利要求1所述的针对多元时间序列的主动异常检测方法， 其特征在于， 所述无 监督异常检测模型为变分自动编码器， 所述无监督异常检测模型在无监督训练过程中的损 失函数由重构损失和正则化项构成。 3.根据权利要求2所述的针对多元时间序列的主动异常检测方法， 其特征在于， 各所述 时间序列样本在对应的时间观测点的异常 分数的计算过程 为： 对各所述 时间序列样本在对应的时间观测点的损失值进行指数加权移动平均， 得到各 所述时间序列样本在对应的时间观测点的异常 分数。 4.根据权利要求1所述的针对多元时间序列的主动异常检测方法， 其特征在于， 所述根 据各所述时间序列样本的异常分数选择若干时间序列样本进 行标签标注， 得到若干有标签 的时间序列样本， 包括： 对各所述 时间序列样本的异常分数进行降序排序， 选择前若干个时间序列样本作为第 一目标样本； 选择分数阈值前后若干个时间序列样本作为第二目标样本； 根据各所述时间序列样本的异常分数进行分数区间划分， 得到若干个分数区间， 在各 分数区间随机 选择若干个时间序列样本作为第三目标样本； 对所述第一目标样本、 所述第二目标样本和所述第三目标样本进行标签标注， 得到若 干有标签的时间序列样本 。 5.根据权利要求1所述的针对多元时间序列的主动异常检测方法， 其特征在于， 所述通 过各时间序列样本的标签信息反馈训练所述无监督异常检测模型， 得到最终异常检测模 型， 包括： 根据所述有标签的时间序列样本的异常分数和无标签的时间序列样本的异常分数获 取所述无标签的时间序列样本的伪标签； 根据各时间序列样本的标签信 息， 通过第 一目标函数反馈训练所述无监督异常检测模 型， 得到最终异常检测模型， 其中， 所述第一目标损失函数为： Lactive＝Lrecon+LKL+λmLmetric； Lmetric＝Lintra+λLinter； 式中， Lactive为第一目标损失函数， Lrecon为重构损失， LKL为正则化项， Lmetric为反馈训练 过程中的度量损失， Lintra为类内损失， Linter为类间损失， λ为类间损失的权重系数， λm为度量权　利　要　求　书 1/3 页 2 CN 114298240 A 2损失的权 重系数。 6.根据权利要求5所述的针对多元时间序列的主动异常检测方法， 其特征在于， 所述根 据所述有标签的时间序列样本的异常分数和无标签的时间序列样本的异常分数获取所述 无标签的时间序列样本的伪标签， 包括： 计算所述有标签的时间序列样本中的正常样本的异常分数均值， 得到第一均值， 计算 所述有标签的时间序列样本中的异常样本的异常 分数均值， 得到第二均值； 计算各所述无标签的时间序列样本的异常分数与 所述第一均值的第 一绝对差值， 计算 各所述无标签的时间序列样本的异常 分数与所述第二均值的第二 绝对差值； 通过比较各所述无标签的时间序列样本的第 一绝对差值和第 二绝对差值的大小， 获取 各所述无标签的时间序列样本的伪标签。 7.根据权利要求1所述的针对多元时间序列的主动异常检测方法， 其特征在于， 所述通 过各时间序列样本的标签信息反馈训练所述无监督异常检测模型， 得到最终异常检测模 型， 包括： 根据各时间序列样本的标签信 息， 通过第 二目标损失函数反馈训练所述无监督异常检 测模型， 得到最终异常检测模型， 所述第二目标损失函数为： 或， 式中， Lactive为第二目标损失函数， 为第i个无标签的时间序列样本的重构损失， 为第i个无标签的时间序列样本的正则化项， n为无标签的时间序列样本的数量， 为第j个有标签的时间序列样本的重构损失， 为第j个有标签的时间序列样本 的正则化项， m为有标签的时间序列样本的数量， 为第j个有标签的时间序列样本的标签 值， η、 η′为超参数。 8.一种针对多元时间序列的主动异常检测装置， 其特 征在于， 包括： 无监督训练单元， 用于获取云原生系 统的KPI数据， 并通过所述KPI数据无监督训练异 常检测模型， 得到无监 督异常检测模型； 第一检测单元， 用于当获取到新的KPI数据 时， 通过滑动窗口对所述新的KPI数据进行 处理， 得到多个时间序列样本， 并通过所述无监督异常检测模型对各所述时间序列样本进 行异常检测， 得到各 所述时间序列样本在对应的时间观测点的异常 分数； 标注单元， 用于根据 各所述时间序列样本的异常分数选择若干时间序列样本进行标签 标注， 得到若干有标签的时间序列样本； 反馈训练单元， 用于通过各时间序列样本的标签信 息反馈训练所述无监督异常检测模 型， 得到最终异常检测模型； 第二检测单 元， 用于通过 所述最终异常检测模型对待检测KPI数据进行异常检测。 9.一种针对多元时间序列的主动异常检测设备， 其特征在于， 所述设备包括处理器以权　利　要　求　书 2/3 页 3 CN 114298240 A 3