计算机技术与发展2023，Vol.33Issue(3) ：152-160.DOI:10.3969/j.issn.1673-629X.2023.03.023

基于Transformer的时序数据异常检测方法

Transformer-based Method of Anomaly Detection for Time Series Data

徐丽燕 徐康 黄兴挺 李熠轩 季学纯 叶宁
计算机技术与发展2023，Vol.33Issue(3) ：152-160.DOI:10.3969/j.issn.1673-629X.2023.03.023
✕
  • 维普
  • 万方数据

基于Transformer的时序数据异常检测方法

Transformer-based Method of Anomaly Detection for Time Series Data

徐丽燕 1徐康 2黄兴挺 3李熠轩 4季学纯 1叶宁4
扫码查看

作者信息

  • 1. 智能电网保护和运行控制国家重点实验室,江苏南京211106;南瑞集团(国网电力科学研究院)有限公司,江苏南京211106
  • 2. 南瑞集团(国网电力科学研究院)有限公司,江苏南京211106;南京邮电大学计算机学院、软件学院、网络空间安全学院,江苏南京210003
  • 3. 南京邮电大学贝尔英才学院,江苏南京210003
  • 4. 南京邮电大学计算机学院、软件学院、网络空间安全学院,江苏南京210003
  • 折叠

摘要

近年来,异常检测在电力系统运维、故障诊断等智能运维场景中起到关键作用.其中,深度学习在时序数据异常检测上取得了成功的应用.然而,基于长短期记忆(Long Short-Term Memory,1STM)等异常检测方法因其序列学习模式中包含递归运算,导致模型难以并行计算,同时长期依赖性会导致模型性能下降.因此,提出了一种基于Transformer的时序数据异常检测方法,利用自注意力机制并行训练数据捕获内部有效信息,利用编码一解码框架使用端到端的方式通过时序数据生成异常得分.这个方法能更完整地提取时序数据的上下文关系,精确地捕获时序数据的异常关系.经实验证明,基于Transformer的时序数据异常检测方法在WADI、SWaT、KDDCUP99与AIOPS18等数据集上的异常检测表现出比其他方法更优的性能.

关键词

异常检测/多头自注意力/Transformer/时间序列/深度学习

引用本文复制引用

基金项目

智能电网保护和运行控制国家重点实验室开放课题(SGNR0000KJJS2007626)

南京邮电大学高水平师资项目(NY218118)

南京邮电大学高水平师资项目(NY219104)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
被引量2
参考文献量4
段落导航相关论文