一种基于Attention-GRU和iForest的周期性时间序列异常检测算法

计算机工程与科学

一种基于Attention-GRU和iForest的周期性时间序列异常检测算法

王腾1，焦学伟2，高阳2

（1.中国电信股份有限公司江苏分公司,江苏南京 210037;

2.南京大学计算机科学与技术系，江苏南京 210000）

收稿日期:2019-04-26 修回日期:2019-06-20 出版日期:2019-12-25 发布日期:2019-12-25

An anomaly detection algorithm based on

Attention-GRU and iForest for periodic time series

WANG Teng1，JIAO Xue-wei2，GAO Yang2

（1.Jiangsu Branch,China Telecom Corporation Limited,Nanjing 210037;

2.Department of Computer Science and Technology,Nanjing University,Nanjing 210000,China）

Received:2019-04-26 Revised:2019-06-20 Online:2019-12-25 Published:2019-12-25

摘要/Abstract

摘要：

对数据中异常模式的检测（异常检测）是数据分析领域一个非常重要的研究方向，尤其对时间序列的异常检测是其中的一个难点。目前，关于时序数据异常检测的研究有很多，如利用滑动窗口、小波分析、概率图模型、循环神经网络等不同技术来进行检测，但是在处理问题时还存在或多或少的不足，无法保证实际工程中的实时效率和准确性。针对周期性时间序列异常检测问题，提出一种基于Attention-GRU和iForest的异常检测算法，根据带有注意力机制的循环神经网络构建模型，实现预测长序列数据，保证工程检测效率，并通过iForest建立正常数据波动区间，避免了使用假设检验造成的误差。经实践验证，该算法能够提高实际工程中的周期性时序数据异常检测效率，并有较好的召回率和准确率。

关键词: 时间序列, 周期序列, 异常检测, 循环神经网络, 孤立森林

Abstract:

Abnormal patterns detection in data (abnormal detection) is a very important research direction in the field of data analysis, and especially the anomaly detection of time series is one of the difficulties. At present, there are many researches on anomaly detection of time series data. Different techniques such as sliding window, wavelet analysis, Probabilistic Graphical Model (PGM), and Recurrent Neural Network (RNN) are used to detect the abnormal patterns. However, these techniques still have some deficiencies in processing this problem, which cannot guarantee real-time efficiency and accuracy in real engineering. In this paper, an anomaly detection algorithm based on Attention-GRU and iForest is proposed for periodic time series. The model is constructed based on Attention-GRU to predict long data sequence and ensure the detection efficiency in engineering. iForest is used to establish a normal data fluctuation range, avoiding the error caused by hypothesis testing. Practice verification shows that this model can improve the anomaly detection efficiency of periodic time series data in actual engineering, and has better recall rate and accuracy.

Key words: time series, periodic sequence, anomaly detection, recurrent neural network (RNN), iForest

王腾1，焦学伟2，高阳2. 一种基于Attention-GRU和iForest的周期性时间序列异常检测算法[J]. 计算机工程与科学.

WANG Teng1，JIAO Xue-wei2，GAO Yang2.

An anomaly detection algorithm based on

Attention-GRU and iForest for periodic time series

[J]. Computer Engineering & Science.

[1]	马心宇, 李彤, 曹景堃, 吴波, 孙永谦, 赵乙. 基于QoS-QoE预测的传输瓶颈定位[J]. 计算机工程与科学, 2024, 46(11): 1989-1996.
[2]	余佳妮, 胡朝霞, 蒋从锋. 一种基于多特征的日志事件异常检测方法研究[J]. 计算机工程与科学, 2024, 46(09): 1587-1597.
[3]	董文超, 郭强, 张彩明, . 一种模糊时间序列概率预测方法[J]. 计算机工程与科学, 2024, 46(08): 1493-1502.
[4]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[5]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[6]	阳予晋, 王堃, 陈志刚, 徐悦, 李斌. 基于胶囊网络的异常多分类模型[J]. 计算机工程与科学, 2024, 46(03): 427-439.
[7]	庞诺言, 关东海, 袁伟伟. 基于早期时间序列分类的可解释实时机动识别算法[J]. 计算机工程与科学, 2024, 46(02): 353-362.
[8]	周菊香, 周明涛, 甘健侯, 徐坚. 多阶段时序和语义信息增强的问题生成模型[J]. 计算机工程与科学, 2023, 45(10): 1847-1857.
[9]	张耐, 张晨亮, 柳永翔, 陈聪, 黄艳婷. 基于模型混合的智能交易行为异常检测[J]. 计算机工程与科学, 2023, 45(09): 1639-1647.
[10]	尹春勇, 冯梦雪. 基于注意力机制的半监督日志异常检测方法[J]. 计算机工程与科学, 2023, 45(08): 1405-1415.
[11]	刘阳, 粟航, 何倩, 申普, 刘鹏. 基于云-边协同变分自编码神经网络的设备故障检测方法[J]. 计算机工程与科学, 2023, 45(07): 1188-1196.
[12]	余泽鹏, 安业腾, 张烁, 杨自兴, 陆继翔, 曹蓉蓉, 陈轶洲, 李文中, 陆桑璐. 基于会话嵌入的应用程序使用预测[J]. 计算机工程与科学, 2023, 45(06): 1079-1086.
[13]	刘南艳, 魏鸿飞, 马圣祥. 融合局部动态特征的面部表情识别[J]. 计算机工程与科学, 2023, 45(05): 849-858.
[14]	排日旦·阿布都热依木, 吐尔地·托合提, 艾斯卡尔·艾木都拉, . 基于深度学习的实体关系抽取方法研究[J]. 计算机工程与科学, 2023, 45(05): 895-902.
[15]	袁野, 黄丽清, 叶锋, 黄添强, 罗海峰, 徐超, . 基于集成学习双流神经网络的实时面部篡改视频检测模型[J]. 计算机工程与科学, 2023, 45(03): 470-477.