-
公开(公告)号：CN118797515A
公开(公告)日：2024-10-18
申请号：CN202410780475.0
申请日：2024-06-18
Applicant: 哈尔滨理工大学
IPC: G06F18/2433 , G06F18/25 , G06N3/084 , G06N3/0464 , G06F123/02
Abstract: 本发明是一种基于多分量相关性融合的多元时间序列数据异常检测方法。本发明涉及在多元时序异常检测技术领域，本发明进行数据预处理，对数据进行标准化和数据集的划分；进行序列分解与特征提取，对多分量的时序数据进行特征提取，提取的特征输入模型中；进行多分量融合，将提取到的多个分量特征使用一个融合矩阵进行融合；进行模型训练，使用多分量相关性融合的时间序列数据异常检测方法进行训练，训练对时间序列数据进行异常检测的模型；进行模型测试，使用训练好的模型测试数据。本发明能够很好地处理高维数据，无需手动选取数据特征。只要训练好模型，就可以获得较好的检测效果。同时经过多尺度序列分解操作，能够提取更充分的时序特征。
-
公开(公告)号：CN116127303A
公开(公告)日：2023-05-16
申请号：CN202211580676.3
申请日：2022-12-09
Applicant: 哈尔滨理工大学
IPC: G06F18/214 , G06F30/27 , G06F18/24 , G06N3/08 , G06F111/04
Abstract: 时间序列数据异常检测模型训练方法及装置、时间序列数据异常检测方法及装置，涉及时间序列技术领域。为解决现有技术中存在的，无监督时间序列在异常检测方面数据集存在污染的问题，本发明提供的技术方案为：时间序列数据异常检测模型训练方法，所述方法包括：步骤1：采集时间序列数据集合作为原始数据，并对所述原始数据进行预处理，生成扰动数据；所述预处理包括：对所述时序数据进行数据划分和随机扰动的操作。步骤2：根据所述扰动数据与所述原始数据，训练检测模型。训练所述检测模型的方法具体为：将所述扰动数据和原始数据进行特征提取，根据得到的数据对预设模型进行训练。适合应用于无监督时间序列异常检测的工作中。
-
公开(公告)号：CN112948368A
公开(公告)日：2021-06-11
申请号：CN202110355665.4
申请日：2021-04-01
Applicant: 哈尔滨理工大学
IPC: G06F16/215
Abstract: 本发明公开一种基于数据关联性的深度异常检测方法，方法包括步骤：S1、确定数据判断异常的标准，并输入数据库，保存；S2、输入新数据，将数据输入数据库并与数据库中的数据进行比对；S3、判断数据是否异常，如果数据没有异常，则返回S2，如果数据有异常，则对异常数据进行修正，修正完成后返回S2；S4、根据异常数据找到数据库中的修正方法并进行自主修正；本发明的有益效果是：通过提前确定判断异常数据的标准，可以将新数据与数据库中的数据进行比对，并提醒相关人员将检测出的异常数据进行修正，根据异常数据提供修正方法，并将新的修正方法保存，在下次遇到该异常数据时将此修正方法提供给相关人员，便于数据修正。
-
公开(公告)号：CN114510958A
公开(公告)日：2022-05-17
申请号：CN202111561819.1
申请日：2021-12-20
Applicant: 哈尔滨理工大学
Abstract: 本发明设计一种基于变换分类的时间序列异常检测方法，通过将基于分类的方法以自监督方式扩展到异常检测领域，通过对正常数据进行训练，学习到数据的正常模式，从而在测试时检测到输入数据中的异常。具体的，本发明将使用适用于时间序列数据的变换方法，对时序数据进行多种变换，将变换后的数据通过深度一类分类的方法映射到超球体特征空间中，通过优化超球体的中心和半径，使模型学到正常数据的鲁棒表示，然后通过预测正确变换的概率算出数据的异常评分，进而判断异常。针对于目前时序异常检测领域存在的未充分考虑时间关系、标记数据缺乏、难以处理高维数据等问题，本发明的主要贡献包括：使用适用于时间序列数据领域的变换，使模型可以学习到带有时间关系的鲁棒表示；通过自动生成数据标签，以自监督的方式来训练模型，利于在标记数据缺乏的场景下进行异常检测；通过使用深度一类分类的方法，而不是传统的机器学习方法，使模型可以对高维的时序数据进行异常检测。
-
公开(公告)号：CN112949748A
公开(公告)日：2021-06-11
申请号：CN202110317070.X
申请日：2021-03-23
Applicant: 哈尔滨理工大学
Abstract: 本发明涉及一种基于图神经网络的动态网络异常检测算法模型，将图结构、属性以及动态变化的信息引入模型中，来学习进行异常检测的表示向量。本发明将改进图上无监督的图神经网络框架DGI(Deep graph infomax)，然后提出一种面向动态网络无监督表示学习的算法Dynamic‑DGI，该方法能够同时提取网络本身的异常特性以及网络变化的异常特性，用于表示向量的学习。该算法除能够有效提升异常检测准确度外，也能够挖掘网络中存在的有实际意义的异常。针对于目前动态网络异常检测存在的问题，发明贡献包括：将图神经网络应用于动态网络异常检测，从而使网络异常检测可以同时抓住结构上的异常和属性上的异常；提出Dynamic‑DGI框架，从而使模型能够脱离标记数据来学习网络变化的一般特征。
-
Patent Agency Ranking
公开(公告)号：CN110309887A
公开(公告)日：2019-10-08
申请号：CN201910612948.5
申请日：2019-07-09
Applicant: 哈尔滨理工大学
Abstract: 基于改进花朵授粉的模糊C-均值聚类异常检测方法，属于网络安全领域，具体涉及一种异常检测方法。本发明首先计算转换概率p，根据转换概率p与随机数rand的大小选择采用带惯性权重的新全局授粉方式授粉或采用具有信息共享机制的新局部授粉方式授粉；然后计算新位置的适应度值并更新种群最优花粉个体，并进行个体位置更新，最终确定最优解及对应的适应度值。通过花朵授粉算法生成最优的聚类中心后，使用优化后的FCM对程序行为数据进行检测，实现对异常行为的检测。
-
-
公开(公告)号：CN116244632A
公开(公告)日：2023-06-09
申请号：CN202310222088.0
申请日：2023-03-09
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06F18/21
Abstract: 时间序列数据异常检测模型训练方法及装置、时间序列数据异常检测方法及装置，涉及时间序列技术领域。为解决现有技术中存在的，无监督时间序列在异常检测方面数据集存在污染的问题，本发明提供的技术方案为：时间序列数据异常检测模型训练方法，方法包括：步骤1：采集时间序列数据集合作为原始数据，并对原始数据进行预处理，生成扰动数据；步骤2：根据扰动数据与原始数据，训练检测模型。进一步，步骤1中，预处理包括：对时序数据进行数据划分和随机扰动的操作。进一步，步骤2中，训练检测模型的方法具体为：将扰动数据和原始数据进行特征提取，根据得到的数据对预设模型进行训练。适合应用于无监督时间序列异常检测的工作中。
-
公开(公告)号：CN111107082A
公开(公告)日：2020-05-05
申请号：CN201911307783.7
申请日：2019-12-18
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于深度信念网络的免疫入侵检测方法，该方法包括：将待检测数据进行归一化处理；将归一化处理后的待检测数据输入训练好的深度信念网络模型进行降维处理，输出降维后的待检测数据；采用RNSA算法生成优化后的成熟检测器集；利用成熟检测器集中的成熟检测器对所述降维后的待检测数据进行检测识别，得到识别结果。本发明提供的方法解决了现有的免疫入侵检测方法检测速率慢、检测实时性较差的问题。
-
公开(公告)号：CN119312253A
公开(公告)日：2025-01-14
申请号：CN202411454835.4
申请日：2024-10-17
Applicant: 哈尔滨理工大学
IPC: G06F18/2433 , G06F18/10 , G06F18/2131 , G06N3/042 , G06N3/045 , G06N3/049 , G06F18/22 , G06F18/21 , G06N3/084
Abstract: 本发明提出一种基于时频融合的时序异常检测方法，属于时序数据异常检测领域。针对多变量时序数据中变量之间存在潜在关联以及传统方法未考虑到频域特征的问题，提出一种基于时频融合的时序异常检测方法。本发明创新性地将时域数据和频域数据两种不同模态的数据通过斯皮尔曼相关系数分别计算得到时域相似度矩阵和频域相似度矩阵，然后通过点乘的方式进行融合，使用图神经网络挖掘不同变量之间的潜在关系，使用时序图神经网络同时捕获时间依赖性和空间关系，能更好地提取时序数据的特征。将所提的网络模型应用于多变量时序数据的异常检测，能达到提升精确率的目的，实验结果验证了所提方法的有效性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.028 seconds)
