爨 瑩，吳 越

（西安石油大學 計算機學院，陜西 西安 710065）

0 引言

時間序列數(shù)據(jù)是生活中常見的一種數(shù)據(jù)，在時間順序上具有一定規(guī)律，且大量存在于金融貿(mào)易、工業(yè)生產(chǎn)、環(huán)境保護、網(wǎng)絡(luò)安全等眾多領(lǐng)域。時間序列異常檢測在生產(chǎn)和生活中有著重要的作用，如在網(wǎng)絡(luò)安全領(lǐng)域中分析網(wǎng)絡(luò)異常行為，在金融領(lǐng)域中識別欺詐交易等。

傳統(tǒng)時間序列異常檢測方法（統(tǒng)計學方法或聚類方法），如高斯模型、ARIMA、K?means、IForest 等都屬于統(tǒng)計機器學習的范疇。這些方法基本在每個時刻訓(xùn)練模型以預(yù)測下一時刻，若觀測點與預(yù)測值相差太遠，則將該點視為異常。這類方法的不足之處在于忽視了時間序列數(shù)據(jù)的序列特性，無法挖掘序列中的異常序列模式。本文提出基于Seq2Seq 深度自編碼器的時間序列異常檢測方法，使用Bi?LSTM 網(wǎng)絡(luò)作為自編碼器對輸入序列進行編碼壓縮和解碼重建，此方法能夠更好地挖掘時序數(shù)據(jù)中的異常序列模式。

1 算法原理

1.1 深度自編碼器

深度自編碼器（Deep Autoencoder，DAE）是一種無監(jiān)督或自監(jiān)督算法，其本質(zhì)是一種數(shù)據(jù)壓縮算法。構(gòu)建一個深度自編碼器需要兩個部分：編碼器（Encoder）和解碼器（Decoder）。編碼器將輸入壓縮為潛在空間表征，解碼器將潛在空間表征重建為輸出，編碼器和解碼器都是神經(jīng)網(wǎng)絡(luò)。編碼和解碼方法都是由模型自動學習輸入數(shù)據(jù)得到的，深度自編碼器的結(jié)構(gòu)如圖1所示。

圖1 深度自編碼器結(jié)構(gòu)

深度自編碼器主要有以下三個特點：

1）數(shù)據(jù)相關(guān)性。自編碼器只能編碼與之前類似的數(shù)據(jù)。

2）數(shù)據(jù)有損性。自編碼器解碼得到的輸出與原始輸入相比會有信息損失。

3）自動學習性。自動編碼器從數(shù)據(jù)中自動學習編碼和解碼的方法。

1.2 Bi?LSTM 網(wǎng)絡(luò)

長短期記憶（Long Short?Term Memory，LSTM）網(wǎng)絡(luò)是為解決循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）中梯度消失的問題提出的一種網(wǎng)絡(luò)結(jié)構(gòu)。LSTM單元可以處理長度可變的序列，并捕獲其中的長期依賴性和非線性關(guān)系，已成為處理序列數(shù)據(jù)的標準方法。根據(jù)LSTM 單元提出的自學習門控方法，能確定LSTM單元是否記憶之前的狀態(tài)或是否存儲當前數(shù)據(jù)中的信息。LSTM 單元內(nèi)部運算過程如圖2 所示。

圖2 LSTM 單元內(nèi)部運算過程圖

設(shè)時的輸入序列為向量x，輸出為h，LSTM 單元內(nèi)部計算過程如下：

式中：c是時記憶單元中的狀態(tài)向量；c是-1 時記憶單元中的狀態(tài)向量；，和是參數(shù)矩陣和偏差向量；“⊙”表示元素積運算。此外，f表示遺忘門（Forget Gate），其作用是存儲舊信息的權(quán)重向量；i表示輸入門（Input Gate），用于獲取新信息的權(quán)重向量；o示輸出門（Output Gate），用于輸出待輸出的候選向量。在激活函數(shù)中，σ表示sigmoid 函數(shù)；σ和σ表示tanh 函數(shù)。

雙向長短期記憶（Bi?directional Long Short?Term Memory，Bi?LSTM）網(wǎng)絡(luò)通過引入第二層LSTM 單元來擴展單向LSTM 網(wǎng)絡(luò)，其可以在前后兩個方向上同時處理輸入序列。在第二層中，隱含層單元的序列順序相反，因此該網(wǎng)絡(luò)可以同時利用過去和未來的序列信息。Bi?LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3 所示。

圖3 Bi?LSTM 網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3 基于Seq2Seq 的Bi?LSTM 深度自編碼器時間序列異常檢測模型

Seq2Seq 模型屬于自編碼器結(jié)構(gòu)中的一類，常用于文本翻譯、語音生成等自然語言處理領(lǐng)域。基本思想是用編碼器將輸入序列壓縮成指定長度的向量，再用解碼器將編碼向量解碼成指定長度的序列。

針對時間序列異常檢測而言，假設(shè)樣本中異常序列數(shù)量相對于正常序列來說是極少數(shù)的。在使用深度自動編碼器的情況下，訓(xùn)練模型以學習正常時間序列中的序列模式。那么當時間序列輸入深度自編碼器中時，對于多數(shù)正常序列，模型可以很容易地發(fā)現(xiàn)并記住其中的序列模式，其重建誤差相對可能較??；反之對于少數(shù)異常序列，模型很難對其序列模式進行挖掘，則重建誤差相對可能較大。

因此對于輸入的時間序列，若經(jīng)過模型編碼重建后與原始序列差異較大的話，則可以認為當前序列中可能存在異常，并可以進一步發(fā)現(xiàn)異常數(shù)據(jù)點?；赟eq2Seq 深度自編碼器的時間序列異常檢測模型，使用Bi?LSTM 網(wǎng)絡(luò)作為自編碼器對輸入序列進行編碼和重建。通過計算重建序列與原始序列之間的重建誤差，并設(shè)置重建異常比率以獲取誤差閾值，將重建誤差大于閾值的序列視為異常序列。異常檢測模型的主要步驟如圖4 所示。

圖4 異常檢測模型主要步驟

2 實證分析

2.1 時間序列數(shù)據(jù)集

實驗中所用到的時間序列數(shù)據(jù)為北京地區(qū)每小時PM數(shù)據(jù)，數(shù)據(jù)集來自 UCI Machine Learning Repository，范圍為2010?01?01—2014?12?31。數(shù)據(jù)集共43 824 個樣本，對于缺失值使用同一天數(shù)據(jù)的平均值替換，經(jīng)過處理后的時間序列數(shù)據(jù)如圖5 所示。

圖5 PM2.5時間序列數(shù)據(jù)

對數(shù)據(jù)進行2 天重采樣，即用時間窗口大小為48 h的時序數(shù)據(jù)作為輸入序列，重采樣后的數(shù)據(jù)集共913 個樣本。其中使用70%作為訓(xùn)練集，20%作為驗證集，10%作為測試集。

2.2 Bi?LSTM 深度自編碼器構(gòu)建

本文使用基于Python 的Tensorflow 2 深度學習庫構(gòu)建Bi?LSTM深度自編碼器模型。實驗環(huán)境為Windows 10 64 位，CPU 為I7?8750h，顯卡為GTX 1060 6 GB，內(nèi)存為8 GB。

首先使用MinMaxScaler 方法將數(shù)據(jù)歸一化，采用順序方式（Sequential）構(gòu)建網(wǎng)絡(luò)模型。編碼器和解碼器均定義為Bi?LSTM 層，共7 層，其單元數(shù)量分別為64，48，32，12，32，48，64，前6 層均返回序列。接下來定義Dropout 層，Dropout 比率為0.2。最后一層定義Dense全連接層，共有48 個單元，激活函數(shù)為線性整流函數(shù)（ReLU）。模型編譯時，使用均方誤差（Mean Square Error，MSE）作為損失函數(shù)（Loss），使用Adam 作為和優(yōu)化算法（Optimizer），學習率（LR）設(shè)為0.000 1。模型訓(xùn)練時，設(shè)置批次訓(xùn)練樣本數(shù)（Batch_size）為32，訓(xùn)練輪次（Epoch）為50。

2.3 實驗結(jié)果

在實驗中，使用重建序列和原始序列對應(yīng)元素差值的二范數(shù)（2?Norm）作為重建誤差指標。設(shè)序列重建前后對應(yīng)的元素差為向量=（，，…，x），該數(shù)值越大說明重建誤差越大。重建誤差指標如下：

經(jīng)過50 輪訓(xùn)練后，模型在訓(xùn)練集和驗證集上的損失見圖6。從圖6 可以看出，模型在訓(xùn)練集上的最終損失約為0.000 51，在測試集上的最終損失約為0.000 39。

圖6 模型訓(xùn)練損失圖

模型訓(xùn)練完成后，將重建異常比率設(shè)為0.99，得到重建誤差閾值約為0.400 5。模型在訓(xùn)練集和驗證集上的異常檢測結(jié)果如圖7 所示。

圖7 訓(xùn)練集驗證集異常檢測結(jié)果

從圖7 可以知道，模型在訓(xùn)練集和驗證集上共檢測到10 個異常序列，其編號分別為22，39，40，227，334，376，555，562，711，779。對異常序列711 重建前后進行可視化如圖8 所示。

圖8 異常序列711 重建結(jié)果對比

從圖8 可以看出，異常序列711 在前42 h 一直處于較平緩狀態(tài)，PM值最大在200 μg/m左右。因此模型可以較好地重建這一部分序列，重建誤差較小。在43～47 h 之間，PM值先劇增后迅速減少，序列出現(xiàn)劇烈變化。模型無法重建預(yù)測這一部分序列，重建誤差過大，因此將此序列視為異常。接下來使用模型在測試集上進行檢測，結(jié)果如圖9 所示。從圖9 可以看出，模型在測試集上共檢測到12 個異常序列，對異常序列901 重建前后進行可視化，如圖10 所示。

圖9 測試集異常檢測結(jié)果

圖10 異常序列901 重建結(jié)果對比

從圖10 可以看出，異常序列901 在20 h 左右和25～35 h 的PM值均為0 μg/m，且在35 h 后序列急速上升。模型較好地重建了35 h 后的上升序列，但無法有效重建兩段為0 的時間序列，重建誤差大于閾值，因此將此序列視為異常。

3 結(jié)語

在時間序列異常檢測任務(wù)中，除了監(jiān)督算法外，基于無監(jiān)督的異常檢測方法也值得考慮。本文提出一種新的無監(jiān)督時間序列異常檢測方法，此方法基于Seq2Seq 模型，利用Bi?LSTM 深度自編碼器對序列的重建效果來發(fā)現(xiàn)異常序列。異常序列的發(fā)現(xiàn)取決于模型對原始序列的重建效果，該方法能更好地挖掘時間序列中的異常序列模式。通過在空氣質(zhì)量數(shù)據(jù)上的實驗，證明了該方法的可行性，模型初步達到了不錯的檢測效果，為時間序列異常檢測提供了新的方法。