原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
学术论文
DOl:10.12379/j.issn.2096-1057.2025.04.08ResearchPapers
结合序列关联图与GAN的高可用时序
数据生成方法
万韵伟程瑶门元昊
(北京理工大学信息与电子学院北京100081)
(weiweijack@126.com)
High-utilityTimeSeriesDataGenerationMethodCombiningSequence
CorrelationGraphandGAN
WanYunwei,ChengYao,andMenYuanhao
(SchoolofInformationandElectronics,BeijingInstituteofTechnology,Beijing100081)
AbstractLong-termtimeseriesdataisdifficulttoobtaininreality,whichseriouslyrestrictsthe
developmentofapplicationssuchassituationalawarenessandthreatanalysisincyberspace
security.Deeplearning-drivendatagenerationmethodscaneffectivelyprotecttheprivacyof
originaldata,whereensuringthehighutilityanddiversityofgenerateddataiscrucial.However,
existingmethodsusedrandomsplicingofshort-termdatatoconstructtrainingdata,whichcannot
ensurethatthedistributionofgenerateddatameetsexpectations,affectingtheavailabilityof
generateddata.Toaddresstheaboveproblems,thispaperproposesahigh-utilitytimeseries
generationmethodcombiningsequencecorrelationgraphandgenerativeadversarialnetwork.By
constructingsequencecorrelationgraphandprobabilityweightedgenerativeadversarialnetwork,
theoriginaldatadistributionisaccuratelyfitted.Experimentalresultsonmultiplerealdatasets
showthatthemethodcangeneratelong-termtimeseriesdatawithhighutilityanddiversitybased
onshort-termoriginaldata,showingitsgreatpotentialinpracticalapplications.
Keywordsdatageneration;datasecurity;timeseriesdata;shortsequence;GAN(generative
adversarialnetwork)
摘要现实世界中获取长时间序列数据面临诸多挑战，严重制约了网络空间安全中的态势感知、
威胁分析等应用发展.深度学习驱动的数据生成方法可以有效保护原始数据隐私，其中确保生成数
据的高可用性和多样性至关重要.然而，现有方法采用随机拼接短序列构建模型的训练数据，无法保
证生成数据分布符合预期，影响生成数据的可用性.针对上述问题，提出一种结合序列关联图与生成
对抗网络的高可
文档评论（0）