文献类型：期刊文章

作　　者：段雪源[1,2] 付钰[1] 王坤[1,3]

DUAN Xueyuan;FU Yu;WANG Kun(Department of Information Security,Naval University of Engineering,Wuhan 430033,China;College of Computer and Information Technology,Xinyang Normal University,Xinyang 464000,China;School of Mathematics and Information Engineering,Xinyang Vocational and Technical College,Xinyang 464000,China)

机构地区：[1]海军工程大学信息安全系,湖北武汉430033 [2]信阳师范学院计算机与信息技术学院,河南信阳464000 [3]信阳职业技术学院数学与信息工程学院,河南信阳464000

出　　处：《通信学报》

基　　金：国家重点研发计划基金资助项目(No.2018YFB0804104)。

年　　份：2022

卷　　号：43

期　　号：3

起止页码：1-13

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统半监督深度异常检测模型对非平衡多维数据分布学习能力不足及模型训练困难等问题,提出一种基于VAE-WGAN架构的多维时间序列异常检测方法,利用VAE作为WGAN的生成器,使用Wasserstein距离作为模型拟合分布与待测数据真实分布之间的度量,学习复杂的高维数据分布。利用滑动窗口划分时间序列,使用正常序列数据训练模型;根据待测序列在训练好的模型中的异常得分,结合自适应阈值技术进行异常判定。实验表明,该方法具有模型容易训练且稳定性强的特点,并且在精确率、召回率､F1值等异常检测性能指标上,比现有的生成式异常检测模型有明显提升。

关 键 词：时间序列数据 变分自编码器  Wasserstein生成对抗网络  异常检测

分 类 号：TP391]