基于自我学习双向GAN的时间序列异常检测研究与实现.pdf

摘要

由于越来越多的网络攻击事件和系统故障事件出现在各种基于时序数据库的运维系统中，

导致少量异常数据混入庞大的数据库里，对系统的稳定运行造成了一定的影响。因此，时间

序列异常检测成为了学术界和工业界一直以来都在重点研究的热点问题。然而，传统的阈值

异常检测方法和一般的深度学习模型都无法对时间序列数据做出完整分析和精准异常检测，

所以本文以时间序列数据作为研究对象，提出了一种改进异常检测算法，并基于该算法构建

了一个异常检测系统，主要贡献如下：

(1)针对现有异常检测模型在训练阶段存在正、负类别数据不平衡的问题，选择使用生成

式对抗网络作为异常检测基本模型。本文提出了一种基于GAN的自我双向学习训练方法，通

过该方法训练出来的GAN模型可以在优化原始GAN模型缺陷问题的同时，提升异常检测的

效率。

(2)由于生成式对抗网络本身对时间序列数据的处理能力不强，本文提出了一种Self-

GRU网络架构来作为生成式对抗网络各部分的基础模型。Self-GRU融合了自注意力机制和

门控循环单元神经网络，能够准确捕捉时间序列数据中的发展变化趋势。

(3)基于上述研究内容，采用前后端分离技术，设计并实现了一个基于自我学习双向GAN

的异常检测系统。该系统目前可实现时序数据实时监控、异常检测与报警等功能。

关键词：时间序列异常检测，门控循环单元神经网络，自注意力机制，生成式对抗网络

Abstract

Asmoreandmorenetworkattackeventsandsystemfailureeventsappearinvariousoperation

andmaintenancesystemsbasedontimeseriesdatabases,asmallamountofabnormaldataismixed

intothehugedatabase,whichhasacertainimpactonthestableoperationofthesystem.Therefore,

timeseriesanomalydetectionhasbecomeahotissueinacademiaandindustry.However,traditional

thresholdanomalydetectionmethodsandgeneraldeeplearningmodelsareunabletomakecomplete

analysisandaccurateanomalydetectionfortimeseriesdata.Therefore,thisthesistakestimeseries

dataastheresearchobject,proposesanimprovedanomalydetectionalgorithm,andbuildsan

anomalydetectionsystembasedonthisalgorithm.Themaincontributionsareasfollows:

(1)Inviewoftheproblemthattheexistinganomalydetectionmodelhasanimbalanceof

positiveandnegativeclassdataduringthetrainingphase,thegenerativeadversarialnetworkis

selectedasthebasicanomalydetectionmodel.Thisthesisproposesaself-bidirectionallearning

trainingmethodbasedonGAN.TheGANmodeltrainedbythismethodcanimprovetheefficiency

ofanoma