基于VAE-WGAN的多维时间序列异常检测方法

TP391; 针对传统半监督深度异常检测模型对非平衡多维数据分布学习能力不足及模型训练困难等问题,提出一种基于VAE-WGAN架构的多维时间序列异常检测方法,利用VAE作为WGAN的生成器,使用Wasserstein距离作为模型拟合分布与待测数据真实分布之间的度量,学习复杂的高维数据分布.利用滑动窗口划分时间序列,使用正常序列数据训练模型;根据待测序列在训练好的模型中的异常得分,结合自适应阈值技术进行异常判定.实验表明,该方法具有模型容易训练且稳定性强的特点,并且在精确率、召回率?F1值等异常检测性能指标上,比现有的生成式异常检测模型有明显提升....

Full description

Saved in:
Bibliographic Details
Published in通信学报 Vol. 43; no. 3; pp. 1 - 13
Main Authors 段雪源, 付钰, 王坤
Format Journal Article
LanguageChinese
Published 海军工程大学信息安全系,湖北 武汉 430033 2022
信阳师范学院计算机与信息技术学院,河南 信阳 464000%海军工程大学信息安全系,湖北 武汉 430033%海军工程大学信息安全系,湖北 武汉 430033
信阳职业技术学院数学与信息工程学院,河南 信阳 464000
Subjects
时间序列数据;变分自编码器;Wasserstein生成对抗网络;异常检测
Online AccessGet full text

Cover

More Information
Summary:TP391; 针对传统半监督深度异常检测模型对非平衡多维数据分布学习能力不足及模型训练困难等问题,提出一种基于VAE-WGAN架构的多维时间序列异常检测方法,利用VAE作为WGAN的生成器,使用Wasserstein距离作为模型拟合分布与待测数据真实分布之间的度量,学习复杂的高维数据分布.利用滑动窗口划分时间序列,使用正常序列数据训练模型;根据待测序列在训练好的模型中的异常得分,结合自适应阈值技术进行异常判定.实验表明,该方法具有模型容易训练且稳定性强的特点,并且在精确率、召回率?F1值等异常检测性能指标上,比现有的生成式异常检测模型有明显提升.
ISSN:1000-436X
DOI:10.11959/j.issn.1000?436x.2022050