买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开一种基于图异常检测的多渠道数据监控范围调整方法，涉及制造业数据监控技术领域。本发明使用深度学习技术识别多渠道数据当中出现的异常，充分利用了渠道数据间的管理关系，避免了人工筛选、简单统计导致的识别不准确问题，同时根据识别的异常自适应地调整数据监控的范围，使监控能自适应的聚焦到易发生异常的环节，提高对异常渠道数据的识别能力，高效、动态的监控制造业多渠道数据，维护产业链的循环畅通，适用于当今大规模产业链的监控应用，同时提高了监控的效率、聚焦能力，更好的维护产业链的稳定运行。

主权项：1.一种基于图异常检测的多渠道数据监控范围调整方法，其特征在于，包括以下步骤：步骤1：根据产业链的运行情况，从产业链相关的多个渠道中获取监控数据序列，进而得到多渠道监控数据集；所述多渠道监控数据集中包括若干个不同渠道的监控数据序列，每个监控数据序列为一个单变量时间序列，包括一个监控点在不同时间戳下采集的监控数据，用于表征各渠道的安全情况和运营情况；步骤2：将多渠道监控数据集按照设定比例划分为训练集和测试集；步骤3：根据训练集和测试集中的监控数据采用K最近邻法构建时序图；步骤4：构建基于自动编码器的图异常检测模型；所述基于自动编码器的图异常检测模型包括时空特征编码模块、编码器、结构解码器、属性解码器、异常判断模块和异常评分模块；所述时空特征编码模块用于利用设定大小的时间窗口，从时序图中截取出若干个图结构，从图结构中同时捕获不同渠道的监控数据间的时空耦合信息，针对每个监控数据构建得到一个融合时空信息的时空特征向量；所述编码器通过将时间窗口内最后一个时间戳t对应的图结构中的节点依次选为目标节点，以将时间窗口内全部图结构中该目标节点的邻居节点的时空特征向量聚合到时间戳t对应的图结构中的该目标节点的方式，捕获监控数据间的依赖关系，获得在时间戳t对应的图结构中的每个节点的低维嵌入表示；所述编码器采用融合注意力机制的图卷积网络；所述结构解码器用于根据每个节点的低维嵌入表示重构时间窗口内最后一个时间戳的图结构的邻接矩阵，实现网络重构；所述属性解码器用于根据学习到的节点的低维嵌入重构节点的特征，输出重构的特征矩阵，实现特征重构；所述异常判断模块用于计算网络重构误差和特征重构误差，判断时间窗口内最后一个时间戳图结构中是否存在异常连通子图；所述异常连通子图为将原始的图结构与重构的图结构进行对比，特征重构误差大于设定阈值的节点和网络重构误差大于设定阈值的边聚集在一起形成的子图；所述重构的图结构根据重构出的特征矩阵和重构出的邻接矩阵得到；所述异常评分模块用于利用异常评分函数计算异常连通子图的异常分数，评估发生异常的严重程度；步骤5：利用训练集中的监控数据得到的时序图对基于自动编码器的图异常检测模型进行训练，得到训练完成的基于自动编码器的图异常检测模型；步骤6：将测试集中的监控数据得到的时序图输入训练完成的基于自动编码器的图异常检测模型进行异常检测，得到异常连通子图和其对应的异常评分；步骤7：利用线性阈值模型预测异常连通子图在图结构中的传播过程，确定异常的传播范围；步骤8：根据异常评分和传播范围自适应的调整监控参数进而调整多渠道制造业数据监控范围。

全文数据：

权利要求：

百度查询： 东北大学 一种基于图异常检测的多渠道数据监控范围调整方法