软件学报

作者：丁小欧,于晟健,王沐贤,王宏志,高宏,杨东华

单位：丁小欧，哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 15000111,于晟健，哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 15000102,王沐贤，哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 15000103,王宏志，哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 15000104,高宏，哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 15000105,杨东华，哈尔滨工业大学 计算机科学与技术学院, 黑龙江 哈尔滨 15000106

关键词：异常检测;多维时间序列;时序数据分析;工业大数据;机器学习

基金：国家重点研发计划（2016YFB100703）；国家自然科学基金（U1509216，U1866602，61602129）；CCF-华为数据库创新研究计划（CCF-Huawei DBIR2019005B）

多维时间序列上的异常检测，是时态数据分析的重要研究问题之一.近年来，工业互联网中传感器设备采集并积累了大量工业时间序列数据，这些数据具有模式多样、工况多变的特性，给异常检测方法的效率、效果和可靠性均提出更高要求.序列间相互影响、关联，其隐藏的相关性信息可以用于识别、解释异常问题.基于此，提出一种基于序列相关性分析的多维时间序列异常检测方法.首先对多维时间序列进行分段、标准化计算，得到相关性矩阵，提取量化的相关关系；然后建立了时序相关图模型，通过在时序相关图上的相关性强度划分时间序列团，进行时间序列团内、团间以及单维的异常检测.在真实的工业设备传感器数据集上进行了大量实验，实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验，验证了该方法从性能上优于基于统计和基于机器学习模型的基准算法.该研究通过对高维时序数据相关性知识的挖掘，既节约了计算成本，又实现了对复杂模式的异常数据的精准识别.

来源：2020年第3期

《软件学报》期刊编辑部

查看软件学报杂志2020年第3期