本發(fā)明屬于異常流量檢測，尤其涉及一種基于工業(yè)過程時空建模的異常流量檢測方法和系統(tǒng)。

背景技術(shù)：

1、工業(yè)過程異常檢測是工業(yè)自動化和智能化發(fā)展的重要環(huán)節(jié)，通過對采集的數(shù)據(jù)進行分析和建模，識別異常數(shù)據(jù)點，可以幫助企業(yè)及時發(fā)現(xiàn)潛在問題、制定安全防護策略、提高生產(chǎn)效率、降低維護成本和提升產(chǎn)品質(zhì)量，對企業(yè)實現(xiàn)安全高效持續(xù)運營有重要意義。

2、工業(yè)過程數(shù)據(jù)本質(zhì)是多變量時間序列，對工業(yè)過程數(shù)據(jù)進行異常檢測本質(zhì)上是對時間序列進行檢測。傳統(tǒng)的異常檢測方法可以分為基于聚類、基于距離、基于密度和基于隔離的方法。近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)方法被廣泛應(yīng)用于時間序列異常檢測。現(xiàn)有的基于深度學(xué)習(xí)的異常檢測方法可以分為兩種：基于重構(gòu)的方法和基于預(yù)測的方法。

3、論文“miao?j,?tao?h,?xie?h,?et?al.?reconstruction-based?anomalydetection?for?multivariate?time?series?using?contrastive?generativeadversarial?networks[j].?information?processing?&?management,?2024,?61(1):103569.”提出了一種新的無監(jiān)督異常檢測框架，該框架無縫集成了對比學(xué)習(xí)和生成對抗網(wǎng)絡(luò)，并根據(jù)重建誤差檢測異常。

4、論文“deng?a,?hooi?b.?graph?neural?network-based?anomaly?detection?inmultivariate?time?series[c].?proceedings?of?the?aaai?conference?on?artificialintelligence.?2021,?35(5):?4027-4035.”提出了圖偏差網(wǎng)絡(luò)（gdn），利用嵌入來構(gòu)建圖結(jié)構(gòu)，利用圖注意學(xué)習(xí)時間序列的特征，根據(jù)觀測值和預(yù)測值得到異常分數(shù)，從而判斷時間序列異常。

5、然而，論文“miao?j,?tao?h,?xie?h,?et?al.?reconstruction-based?anomalydetection?for?multivariate?time?series?using?contrastive?generativeadversarial?networks[j].?information?processing?&?management,?2024,?61(1):103569.”提出的方法是主要針對規(guī)則采樣的多變量時間序列數(shù)據(jù)設(shè)計的，在面對不規(guī)則采樣數(shù)據(jù)或有大量缺失值的數(shù)據(jù)時，可能很難捕捉和建模時間序列中的時序依賴性。

6、論文“deng?a,?hooi?b.?graph?neural?network-based?anomaly?detection?inmultivariate?time?series[c].?proceedings?of?the?aaai?conference?on?artificialintelligence.?2021,?35(5):?4027-4035.”提出的方法雖然考慮了變量之間的空間關(guān)系，但卻忽略工業(yè)過程的本身的特征，僅僅從數(shù)據(jù)出發(fā)，導(dǎo)致構(gòu)造的空間關(guān)系并不準確，這限制了異常檢測的效果。

7、綜上，近些年來，雖然各種基于深度學(xué)習(xí)的異常檢測算法層出不窮，但當下大多方法僅僅以數(shù)據(jù)驅(qū)動，無法準確的挖掘出各種自動化元件的空間關(guān)系，進而無法準確的提取空間特征和時序特征，導(dǎo)致構(gòu)建的模型不符合實際場景，異常檢測的效果并不理想，并且缺乏對異常的分析和解釋。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于工業(yè)過程時空建模的異常流量檢測方法和系統(tǒng)，以解決現(xiàn)有方法由于無法準確的提取空間特征和時序特征，造成異常檢測的效果并不理想的問題。

2、本發(fā)明的技術(shù)方案為：

3、本發(fā)明第一方面提供一種基于工業(yè)過程時空建模的異常流量檢測方法，包括如下具體步驟：

4、獲取工業(yè)過程數(shù)據(jù)并對工業(yè)過程數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)歸一化和數(shù)據(jù)窗口化，得到窗口序列化數(shù)據(jù)；所述工業(yè)過程數(shù)據(jù)為一個多變量時間序列，包括工業(yè)過程中采集得到的所有傳感器數(shù)據(jù)和執(zhí)行器數(shù)據(jù)；

5、構(gòu)建異常檢測模型；所述異常檢測模型用于根據(jù)輸入的一個時間窗口內(nèi)的工業(yè)過程數(shù)據(jù)計算異常評分；

6、利用窗口序列化數(shù)據(jù)對異常檢測模型進行訓(xùn)練，得到訓(xùn)練完成的異常檢測模型；

7、獲取工業(yè)過程數(shù)據(jù)并進行預(yù)處理，將預(yù)處理后的一個時間窗口內(nèi)的工業(yè)過程數(shù)據(jù)輸入訓(xùn)練完成的異常檢測模型，得到異常評分，并根據(jù)異常評分，檢測是否發(fā)生異常。

8、進一步地，所述獲取工業(yè)過程數(shù)據(jù)并對工業(yè)過程數(shù)據(jù)進行預(yù)處理，包括數(shù)據(jù)歸一化和數(shù)據(jù)窗口化，得到窗口序列化數(shù)據(jù)，具體為：

9、a1：獲取工業(yè)過程數(shù)據(jù)；所述工業(yè)過程數(shù)據(jù)為，表示在時刻采集的所有傳感器數(shù)據(jù)和執(zhí)行器數(shù)據(jù)的集合，表示時刻，代表工業(yè)過程數(shù)據(jù)的長度，代表了自動化元件的總數(shù)量，所述自動化元件包括傳感器和執(zhí)行器；

10、a2：對工業(yè)過程數(shù)據(jù)執(zhí)行歸一化處理，得到歸一化后的工業(yè)過程數(shù)據(jù)；

11、a3：將歸一化后的工業(yè)過程數(shù)據(jù)轉(zhuǎn)化為窗口數(shù)據(jù)，進而得到包括若干個窗口數(shù)據(jù)的窗口序列化數(shù)據(jù)；

12、對于當前時刻，定義長度為的窗口數(shù)據(jù)為，包括從時刻到時刻的歸一化后的工業(yè)過程數(shù)據(jù)，其中為歸一化后的時刻采集的所有傳感器數(shù)據(jù)和執(zhí)行器數(shù)據(jù)的集合；窗口序列化數(shù)據(jù)表示為，包括若干個長度為的窗口數(shù)據(jù)。

13、進一步地，所述異常檢測模型包括空間關(guān)系構(gòu)建模塊、空間特征提取模塊、時序特征提取模塊、時序預(yù)測模塊、重構(gòu)模塊和評分模塊；

14、所述空間關(guān)系構(gòu)建模塊用于根據(jù)獲取的工業(yè)過程知識構(gòu)建圖結(jié)構(gòu)，并基于輸入的窗口數(shù)據(jù)對圖結(jié)構(gòu)進行修正，得到有向圖g；所述工業(yè)過程知識中包括各自動化元件在工業(yè)過程中的空間關(guān)系；所述窗口數(shù)據(jù)為一個時間窗口內(nèi)的工業(yè)過程數(shù)據(jù)；

15、所述空間特征提取模塊用于獲取有向圖g中每個節(jié)點的空間特征；所述空間特征提取模塊為圖注意力網(wǎng)絡(luò)；

16、所述時序特征提取模塊用于根據(jù)所有節(jié)點的空間特征，利用gru模型提取短期時序特征并利用informer模型提取長期時序特征；

17、所述時序預(yù)測模塊用于分別根據(jù)短期時序特征和長期時序特征進行預(yù)測，得到短期時序預(yù)測結(jié)果和長期時序預(yù)測結(jié)果；

18、所述重構(gòu)模塊用于重構(gòu)短期時序特征，得到短期時序特征的重構(gòu)概率；采用變分自編碼器vae作為重構(gòu)模塊；

19、所述評分模塊用于根據(jù)短期時序預(yù)測結(jié)果、長期時序預(yù)測結(jié)果和重構(gòu)模塊得到的短期時序特征的重構(gòu)概率，計算異常評分。

20、進一步地，所述圖結(jié)構(gòu)的構(gòu)建方法具體為：將每個自動化元件作為一個節(jié)點并用二元組a=(c,r)來表示，c代表自動化元件的類型，0為傳感器，1為執(zhí)行器，r代表自動化元件在整個工業(yè)過程中所屬子過程的編號；然后通過工業(yè)過程知識中所包括的自動化元件的空間關(guān)系確定存在相互影響的自動化元件，并利用有向邊表示自動化元件之間的影響關(guān)系，構(gòu)造出圖結(jié)構(gòu)并用鄰接矩陣保存圖結(jié)構(gòu)，同時獲得邊集合e；然后對構(gòu)造的圖結(jié)構(gòu)中的邊進行驗證，分別使用皮爾遜相關(guān)系數(shù)和傳遞熵對邊集合e中的邊進行修正，得到有向圖g；

21、所述分別使用皮爾遜相關(guān)系數(shù)和傳遞熵對邊集合e中的邊進行修正的過程具體為：

22、從輸入的窗口數(shù)據(jù)中提取出不同自動化元件的時序數(shù)據(jù)，計算不同自動化元件的時序數(shù)據(jù)之間的皮爾遜相關(guān)系數(shù)和傳遞熵，設(shè)定一個皮爾遜相關(guān)系數(shù)閾值θp和一個傳遞熵閾值θt，如果兩個自動化元件的時序數(shù)據(jù)之間的皮爾遜相關(guān)系數(shù)的絕對值大于等于皮爾遜相關(guān)系數(shù)閾值θp，則保留圖結(jié)構(gòu)中這兩個自動化元件之間的邊，如果兩個自動化元件的時序數(shù)據(jù)之間的皮爾遜相關(guān)系數(shù)的絕對值小于皮爾遜相關(guān)系數(shù)閾值θp，則進一步判斷這兩個自動化元件的時序數(shù)據(jù)之間的傳遞熵是否大于等于傳遞熵閾值θt，若是則保留圖結(jié)構(gòu)中這兩個自動化元件之間的邊，否則刪除圖結(jié)構(gòu)中這兩個自動化元件之間的邊。

23、進一步地，所述獲取有向圖g中每個節(jié)點的空間特征的方法具體為：首先初始化有向圖g中每個節(jié)點的特征，得到每個節(jié)點的初始空間特征：通過一個線性層將從輸入的窗口數(shù)據(jù)中提取出的不同自動化元件的時序數(shù)據(jù)轉(zhuǎn)化為維向量，得到該自動化元件對應(yīng)節(jié)點的初始空間特征，其中為初始空間特征的維度，表示自動化元件的編號；然后利用圖注意力網(wǎng)絡(luò)的多頭注意力機制，更新每個節(jié)點的初始空間特征，得到每個節(jié)點最終的空間特征；

24、所述時序預(yù)測模塊將gru模型輸出的短期時序特征中第個元素和對應(yīng)的初始空間特征逐個相乘，再將結(jié)果輸入全連接層，進行短期序列預(yù)測，得到短期時序預(yù)測結(jié)果；

25、將長期時序特征輸入全連接層，得到到時刻所有自動化元件的數(shù)據(jù)的預(yù)測值構(gòu)成的向量，即長期時序預(yù)測結(jié)果，為預(yù)測的未來工業(yè)過程數(shù)據(jù)的時間步長度；

26、進一步地，所述異常評分為：

27、???????????????????（19）；

28、其中，為異常評分，是超參數(shù)，為時刻短期時序預(yù)測結(jié)果和長期時序預(yù)測結(jié)果中第個自動化元件數(shù)據(jù)的預(yù)測值的平均值，為時刻第個自動化元件的數(shù)據(jù)的真實值，為短期時序特征的第個元素的重構(gòu)概率。

29、進一步地，所述利用窗口序列化數(shù)據(jù)對異常檢測模型進行訓(xùn)練時，聯(lián)合損失函數(shù)的構(gòu)建過程為：

30、使用均方誤差作為短期時序預(yù)測的損失函數(shù)：

31、??????????????????（21）；

32、其中，為短期時序預(yù)測的損失函數(shù)，為時刻短期時序預(yù)測結(jié)果中第個自動化元件的數(shù)據(jù)的預(yù)測值；

33、使用均方誤差作為長期時序預(yù)測的損失函數(shù)：

34、???????????????（22）；

35、其中，為長期時序預(yù)測的損失函數(shù)，為一個正整數(shù)，在時刻第個自動化元件的數(shù)據(jù)的真實值；為長期時序預(yù)測結(jié)果中時刻第個自動化元件的數(shù)據(jù)的預(yù)測值；

36、重構(gòu)損失可以定義為：

37、???????（23）；

38、其中，為重構(gòu)損失，是重構(gòu)誤差項，是計算kl散度，是潛在特征，為在給定潛在特征下生成短期時序特征的概率，為一個可伸縮的分布，為的先驗概率；

39、聯(lián)合損失函數(shù)定義為：

40、???????????????????（24）；

41、其中，為聯(lián)合損失函數(shù)，為需要人工設(shè)置的超參數(shù)。

42、本發(fā)明第二方面提供一種基于工業(yè)過程時空建模的異常流量檢測系統(tǒng)，用于實現(xiàn)一種基于工業(yè)過程時空建模的異常流量檢測方法，包括：

43、工業(yè)過程數(shù)據(jù)取模塊，用于獲取工業(yè)過程數(shù)據(jù)；

44、數(shù)據(jù)預(yù)處理模塊，用于對工業(yè)過程數(shù)據(jù)進行預(yù)處理，得到窗口數(shù)據(jù)；

45、異常檢測模型，用于根據(jù)輸入的窗口數(shù)據(jù)計算異常評分；

46、異常識別模塊，用于根據(jù)異常評分判斷是否發(fā)生異常。

47、本發(fā)明第三方面提供一種電子設(shè)備，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機器可讀指令，當電子設(shè)備運行時，所述處理器與所述存儲器之間通過總線通信，所述機器可讀指令被所述處理器執(zhí)行時執(zhí)行所述的一種基于工業(yè)過程時空建模的異常流量檢測方法的步驟。

48、本發(fā)明第四方面提供一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)中存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行如所述的一種基于工業(yè)過程時空建模的異常流量檢測方法的步驟。

49、與現(xiàn)有技術(shù)相比較，本發(fā)明的有益效果為：

50、（1）本發(fā)明提出一種結(jié)合工業(yè)過程知識和數(shù)據(jù)驅(qū)動的工業(yè)過程模型建立方法，進而提供更準確的空間特征和時序特征，構(gòu)建更符合實際場景的模型，提高異常檢測效果。

51、（2）本發(fā)明提出gru和informer聯(lián)合時序特征提取方法，用于提取工業(yè)過程數(shù)據(jù)的短期時序特性和長期時序特性，符合工業(yè)過程數(shù)據(jù)的特點，提高針對工業(yè)過程的異常流量檢測準確性。

52、（3）本發(fā)明提出一種結(jié)合預(yù)測模型和重構(gòu)模型的聯(lián)合優(yōu)化策略，不僅使模型能夠識別時間序列的全局分布特征，還能關(guān)注到變量的個體特征，從而增強模型在異常檢測任務(wù)中的準確性和穩(wěn)健性。