基于Transformer重建的时序数据异常检测与关系提取

• 作者: 孟恒宇 李元祥
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 时序数据 注意力机制 异常检测 关系提取 自动编码器
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 69-76
• 页数: 8页
• 分类号: TP391.4
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0057092

摘要

现有时序异常检测方法存在计算效率低和可解释性差的问题.考虑到Transformer模型在自然语言处理任务中表现出并行效率高且能够跨距离提取关系的优势,提出基于Transformer的掩膜时序建模方法.建立时序数据的并行无方向模型,并使用掩膜机制重建当前时间步,从而实现整段序列的重建.在存储系统数据集和NASA航天器数据集上的实验结果表明,与基于长短期记忆网络模型的检测方法相比,该方法可节约80.7％的计算时间,Range-based指标的F1得分达到0.582,并且其通过可视化关系矩阵可准确反映人为指令与异常的关系.