计算机工程

作者：宋航, 周凤, 熊伟

单位：贵州大学计算机科学与技术学院公共大数据国家重点实验室, 贵州 贵阳 550025

关键词：异常检测,时间序列,对抗生成网络,自编码器,信息物理系统

基金：贵州省科技计划项目(黔科合战略找矿[2022]ZD001)

传统时间序列异常检测模型在处理信息物理系统(CPS)中的多元传感器和执行器数据时, 难以准确提取多元数据之间的时序联系, 从而影响异常检测性能。为此, 提出一种新的时间序列异常检测方法, 称为自相关-变分自编码(VAE)-对抗学习网络AMVG。以生成对抗网络(GAN)为基础, 使用Noise数据增强方法扩展训练数据量, 并通过引入自相关矩阵增强数据依赖关系, 结合VAE的数据重建能力, 在加强模型鲁棒性的同时进一步提高异常检测模型性能, 由AMVG 2个解码器构成互相对抗的G网络和D网络, G网络和D网络不断对抗训练优化模型的检测能力。在3个真实世界的CPS数据集上的实验结果表明, AMVG方法相较于最新研究方法在精确率、召回率以及F1值等综合性能上均取得显著提高, AMVG在3个数据集上的F1值分别为0.953、0.758、0.891, 其中较次优USAD和GRELEN的F1值最低可提高6.2、3.4、7.5个百分点。

来源：2024年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第12期