基于深度并行時序網絡的用戶側異常數據智能診斷

摘" 要： 在用戶側數據中，異常往往隱藏在復雜的時序關系中，傳統的時序分析方法在處理用戶側數據中復雜的時序關系時存在困難，特征提取難以捕獲關鍵特征，導致診斷精度低且易漏檢。為此，研究一種基于深度并行時序網絡的用戶側異常數據智能診斷方法。深度并行時序網絡分解層利用滑動窗口法分割用戶側數據，得到數個窗口序列。編碼層依據層疊時序卷積神經網絡與長短期記憶（LSTM）網絡建立編碼器，提取各窗口序列的時空特征；解碼層通過引入時間注意力機制的門控循環單元建立解碼器，重構窗口序列的時空特征；推斷層依據重構特征計算異常分數，當異常分數大于設置閾值時，說明該窗口內的用戶側數據為異常數據，即完成了用戶側異常數據的智能診斷。實驗結果表明，所提方法可有效提取用戶側數據特征，計算異常分數，并完成用戶側異常數據智能診斷。

關鍵詞： 深度并行時序網絡； 用戶側； 異常數據； 智能診斷； 滑動窗口； LSTM

中圖分類號： TN929?34； TP391" " " " " " " " " " 文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）04?0140?05

User?side abnormal data intelligent diagnosis based on deep parallel temporal network

ZHENG Yansong， LIAO Weiguo

（School of Artificial Intelligence， Zhujiang College， South China Agricultural University， Guangzhou 510980， China）

Abstract： In user?side data， anomalies are often hidden in complex temporal relationships. The traditional temporal analysis methods face difficulties in handling complex temporal relationships in user?side data， and feature extraction is difficult to capture key features， resulting in low diagnostic accuracy and easy missed detections. To this end， a user?side abnormal data intelligent diagnosis method based on deep parallel temporal networks is studied. In the deep parallel temporal network decomposition layer， the sliding window method is used to segment user?side data and obtain several window sequences. In the encoding layer， an encoder can be established based on stacked temporal convolutional neural networks and long short?term memory networks （LSTM） to extract the spatiotemporal features of each window sequence. In the decoding layer， a decoder is established and the spatiotemporal features of the window sequence are constructed by introducing a gated loop unit with temporal attention mechanism. In the inference layer， the anomaly score is calculated based on the reconstructed features. When the anomaly score exceeds the set threshold， it indicates that the user?side data in the window is abnormal data， completing the intelligent diagnosis of user?side anomaly data. The experimental results show that this method can effectively extract features from user?side data， calculate anomaly scores， and realize the intelligent diagnosis of user?side anomaly data.

Keywords： deep parallel temporal network; user side; abnormal data; intelligent diagnosis; sliding window; long short?term memory network

0" 引" 言

用戶側數據中蘊含著豐富的信息，對于企業的決策支持、業務優化以及用戶服務提升等方面具有重要意義[1]。然而，在實際應用中，由于各種原因（如設備故障、網絡波動、用戶誤操作等）用戶側數據往往會出現異常[2]，這些異常數據不僅會影響數據的質量和可靠性，還可能誤導決策，給企業帶來損失。用戶側數據中的異常往往隱藏在復雜的時序關系中，傳統的時序分析方法無法有效捕獲這些關系中的關鍵特征，在處理高維、非線性或動態變化的數據時容易導致診斷精度低和漏檢異常。因此，如何有效地進行用戶側異常數據智能診斷成為了亟待解決的問題。

文獻[3]通過改進LSTM網絡的結構和參數優化，使其更好地適應用戶側數據的特性，如時間序列的非平穩性、高噪聲等。改進后的LSTM網絡能夠更好地捕捉數據的長期依賴關系，同時降低噪聲對異常檢測的影響。但該方法在面對數據分布不平衡、缺失值或異常值較多等情況時表現欠佳。文獻[4]通過優化LSTM網絡的結構和參數，提升對用戶側異常數據的檢測與分類性能。但該方法無法提取用戶側數據的關鍵特征，會影響異常診斷效果。文獻[5]通過構建用戶數據的圖結構表示，充分捕捉數據間的關聯性和空間依賴性；利用預訓練的圖神經網絡學習數據的深層特征表示，以增強模型對異常模式的敏感性；通過交互式學習機制，進一步提高異常檢測的準確性。雖然圖神經網絡能夠捕捉數據的復雜關系，但其內部機制往往缺乏直觀的解釋性，導致診斷結果難以理解和解釋。文獻[6]通過自適應集成學習并結合多個隨機模糊模型，進行異常數據智能診斷，充分利用各個模型的優點并減少其缺點。同時，隨機模糊模型能夠處理數據中的不確定性和模糊性，使其更適用于用戶側數據的特性。該方法在處理用戶側數據時會遇到數據不平衡問題，導致多模型集成受少數類樣本影響較大，進而影響模型對異常數據的判斷偏差。

為此，本文提出一種基于深度并行時序網絡的用戶側異常數據智能診斷方法。深度并行時序網絡具備高效處理能力、強大的特征學習能力、并行計算能力、靈活的可擴展性以及與多源數據的兼容性等優勢[7]，可顯著提升異常數據的檢測精度。

1" 用戶側異常數據智能診斷

本文中通過層疊時序卷積神經網絡（TCN）結合長短期記憶網絡（LSTM）與門控循環單元（GRU），設計深度并行時序網絡（DPTN）。利用DPTN對用戶側數據進行異常數據智能診斷。DPTN內共包含4層，分別是分解層、編碼層、解碼層與推斷層，具體步驟如下。

步驟1：分解層利用滑動窗口法將用戶側數據分割為多個窗口序列，實現了對復雜的時序關系的分解和切割，為后續的特征提取和分析提供了基礎。

步驟2：編碼層通過TCN與LSTM建立編碼器，TCN依據用戶側數據的窗口序列提取空間特征[8]，通過LSTM處理空間特征，從而得到用戶側數據窗口序列的時空特征，提升用戶側數據窗口序列關鍵特征的提取效果。

步驟3：解碼層通過引入注意力機制的GRU建立解碼器，用于重構用戶側數據窗口序列的時空特征。這種解碼機制能夠進一步提取和還原異常數據的時序特征，從而更準確地診斷異常數據。

步驟4：推斷層根據重構特征計算異常分數，設置閾值來判斷異常數據。這樣可以通過推斷層的輸出進行異常數據智能診斷，當異常分數超過閾值時，即可確定窗口內的用戶側數據為異常數據。

1.1" 深度并行時序網絡分解層的用戶側數據分割

用戶側數據常常具有復雜的時序特征，包括長期趨勢、周期性變化和突發事件，傳統方法可能難以準確捕捉數據中的時序關系。通過采用滑動窗口法將連續用戶側數據劃分成窗口序列，可以有效應對時序數據的復雜性，使得時序網絡能夠更好地捕捉數據間的時序關系。

令包含[T]個時間點的連續用戶側數據是[xT=x1，x2，…，xT]，DPTN的分解層利用滑動窗口法將[xT]劃分成數個長度是[m]的窗口序列[sk=xk，xk+1，…，xk+m-1]。因此，[xT]能夠以窗口序列的形式進行描繪，即[S=st，st+1，…，st+m-1]，作為編碼層的輸入。

1.2" 深度并行時序網絡編碼層的時空特征提取

在用戶側數據的異常檢測中，一個核心的挑戰在于如何從復雜的時序關系中有效地提取關鍵特征。傳統的時序分析方法往往難以捕捉這些復雜關系，尤其是在面對高維、非線性或動態變化的數據時。為了解決這一難點，DPTN編碼層被設計出來，以更有效地提取時空特征。DPTN編碼層內的TCN共包含三部分，分別是膨脹卷積、卷積塊、殘差連接。在TCN內輸入[S]，對其進行膨脹卷積操作[9]，得到[t]時刻用戶側數據窗口序列的空間特征[Zkt]，公式如下：

[Zkt=i=0t+m-1f1i?skt+d?i+b1i=0t+m-1f2i?skt+d?i+b2" " " " " " " " " " " ?i=0t+m-1fki?skt+d?i+bn] （1）

式中：膨脹因子是[d]；卷積核是[f]；卷積核數量是[k]；第[i]個卷積核輸入的第[k]個用戶側數據窗口序列是[skt+d?i]；膨脹卷積操作方向是[t+d?i]；偏差是[bn]。

通過層疊數個卷積塊得到一個不間斷的卷積過程[10]，提取用戶側數據窗口序列空間特征，公式如下：

[Z′kt=ReLUw?skt+b] （2）

式中：權值是[w]；激活函數是[ReLU?]。

利用殘差連接將TCN的全部網絡層連接到一起，得到最終的用戶側數據窗口序列空間特征，公式如下：

[Z″kt=ReLUZkt+Z′kt] （3）

利用TCN能夠提取用戶側數據各窗口序列在空間上的相關性特征，即空間特征。為獲取更全面的特征表示，利用LSTM在空間特征上提取特征在時間上的依賴關系，即用戶側數據各窗口序列的時空特征。

利用LSTM[11?12]提取用戶側數據窗口序列時空特征的實現過程如下：

[qkt=ψwq?Z″kt+wq?ukt-1+βq] （4）

[pkt=ψwp?Z″kt+wp?ukt-1+βp] （5）

[αkt=pkt?αkt-1+qkt?tanhwα?Z″kt+wα?ukt-1+βα] （6）

[okt=ψwo?Z″kt+wo?ukt-1+βo] （7）

[ukt=okt?tanhαkt] （8）

式中：第[k]個用戶側數據窗口序列的輸入門是[qkt]，用于決定更新哪些用戶側數據窗口序列空間特征；遺忘門是[pkt]，用于決定哪些用戶側數據窗口序列空間特征被遺忘；細胞狀態是[αkt]，用于保留與傳輸用戶側數據窗口序列空間特征；輸出門是[okt]，用于輸出處理后的用戶側數據窗口序列空間特征；用戶側數據窗口序列時空特征提取結果是[ukt]；權值是[wq]、[wp]、[wα]、[wo]；偏置是[βq]、[βp]、[βα]、[βo]。

1.3" 深度并行時序網絡解碼層的時空特征重構

在用戶側數據的異常檢測中，經過編碼層提取的時空特征雖然包含了豐富的信息，但直接用于異常判斷仍然過于復雜。因此，在DPTN解碼層進行時空特征重構，以便更準確地識別異常。通過引入時間注意力機制[13]的GRU，解碼層能夠捕捉用戶側數據中的長期依賴關系和周期性模式，對不同時間點的特征賦予不同的權重，從而更準確地重構出用戶側數據窗口序列的時空特征。

通過時間注意力機制將第[j]個編碼器的第[k]個用戶側數據窗口序列的時空特征[ujk]映射至時間分量上，獲取第[k]個用戶側數據窗口序列時空特征的上下文向量[rkt]，公式如下：

[rkt=j=1Nwjtujkt] （9）

式中：第[j]個編碼器輸出的第[k]個用戶側數據窗口序列時空特征是[ujkt]；在[t]時刻第[j]個編碼器的隱藏狀態權值是[wjt]。

[t-1]時刻解碼器的第[k]個窗口序列的隱藏狀態[ykt-1]為：

[ykt-1=λTukt-1，rkt-1+β] （10）

式中：解碼器權值、偏置是[λ]、[β]；轉置符號是[T]。

更新門用于決定如何將新的輸入用戶側數據窗口序列時空特征與前面的記憶相結合，以及決定前一時間步和當前時間步的用戶側數據窗口序列時空特征有多少需要繼續傳遞。[t]時刻解碼器更新門的輸出[gkt]為：

[gkt=δ?grkt+ωgykt-1+βg] （11）

式中：[gkt]的輸入權值、循環權值與偏置是[?g]、[ωg]、[βg]；激活函數是[δ?]。

重置門用于決定如何將新的輸入用戶側數據窗口序列時空特征與之前的記憶結合，即決定有多少過去的用戶側數據窗口序列時空特征需要遺忘。[t]時刻解碼器重置門的輸出[hkt]為：

[hkt=δ?hrkt+ωhykt-1+βh] （12）

式中：[hkt]的輸入權值、循環權值與偏置是[?h]、[ωh]、[βh]。

當前時刻新的解碼器輸入用戶側數據窗口序列時空特征[ykt]為：

[ykt=tanh?yrkt+ωyykt-1+βy] （13）

式中：隱藏狀態的輸入權值、循環權值與偏置是[?y]、[ωy]、[βy]。

解碼器重構用戶側數據窗口序列時空特征[ykt]為：

[ykt=1-gkt?ykt-1+hkt?ykt] （14）

1.4" 深度并行時序網絡推斷層異常數據智能診斷

在DPTN中，推斷層負責根據編碼層提取的原始時空特征和解碼層重構的時空特征進行智能診斷，以識別用戶側數據中的異常。DPTN內推斷層通過計算1.3節重構的第[k]個窗口序列重構時空特征[ykt]，與1.2節提取的原始第[k]個窗口序列時空特征[ukt]的均方根誤差（RMSE），得到用戶側異常數據智能診斷的異常分數，其值與數據異常發生概率具有正相關關系，計算公式如下：

[RMSEk=1t+m-1k=1t+m-1ykt-ukt2] （15）

令用戶側異常數據智能診斷閾值是[ε]，當[RMSEkgt;ε]時，說明第[k]個窗口序列內用戶側數據為異常數據。同理，獲取[t+m-1]個窗口序列用戶側異常數據的智能診斷結果。通過這種方式，推斷層能夠通過逐個窗口序列診斷出用戶側異常數據。

2" 實驗分析

以某網站的用戶側數據集為實驗對象，該網站用戶側數據集內共包含兩大類型的數據，分別是行為數據與性能數據。該用戶側數據集的相關介紹如表1所示。

網站的拓撲結構如圖1所示。

利用馬修斯相關系數（MCC）衡量所提方法的異常數據智能診斷精度，其值越大，說明異常數據智能診斷精度越高。滑動窗口的長度直接影響所提方法異常數據智能診斷的精度，為此，分析不同滑動窗口長度時所提方法異常數據智能診斷的MCC值，確定最佳的滑動窗口長度，分析結果如圖2所示。

分析圖2可知，隨著滑動窗口長度的增加，用戶側行為數據與性能數據的異常數據智能診斷的MCC值均呈上升趨勢，當滑動窗口長度為120 s時，兩種類型的用戶側異常數據智能診斷的MCC值均達到最大，并趨于穩定。實驗結果證明：增加滑動窗口長度能夠提升用戶側異常數據智能診斷的MCC值，即提升智能診斷精度，且最佳滑動窗口長度為120 s。

以用戶側行為數據中的點擊流數據為例，利用所提方法將該用戶側點擊流數據分割成數個窗口序列，分割結果如圖3所示。

分析圖3可知，所提方法可有效分割用戶側點擊流數據，該用戶側點擊流被分割成8個窗口序列，且各窗口序列的長度均為120 s。

利用所提方法提取該用戶側點擊流數據的時空特征，并進行異常數據智能診斷，時空特征提取結果與智能診斷結果如圖4所示，用戶側異常數據智能診斷閾值是0.6。

分析圖4可知，所提方法可有效提取用戶側點擊流數據的時空特征，并計算各窗口序列內用戶側點擊流數據的異常分數，其中，第3個、第6個、第8個窗口序列的異常分數高于智能診斷閾值，說明這3個窗口序列內的用戶側點擊流數據為異常數據。實驗結果證明所提方法可智能診斷出用戶側的異常數據。

3" 結" 論

本文提出了一種基于深度并行時序網絡的用戶側異常數據智能診斷方法，利用深度并行時序網絡捕捉用戶側數據中的復雜模式和異常行為，準確地診斷出異常數據，提高了異常診斷的準確性。所提方法在處理大規模用戶側數據和異常診斷方面具有顯著優勢，對于提升用戶側數據管理的效率和安全性具有重要意義。未來將進一步優化模型結構，提高異常診斷效率，并探索更多的應用場景。

參考文獻

[1] 潘瑩麗，劉展，宋廣雨.基于SCAD懲罰回歸的異常值檢測方法[J].統計與決策，2022，38（4）：38?42.

[2] 陳華華，陳哲.基于釘板分布稀疏變分自編碼器的異常檢測算法研究[J].電信科學，2022，38（12）：65?77.

[3] 歐陽舒歆，王洺鈞，榮垂田，等.基于改進LSTM的多維QAR數據異常檢測[J].廣西師范大學學報（自然科學版），2023，41（5）：49?60.

[4] LIU J， BAI J， LI H， et al. Improved LSTM?based abnormal stream data detection and correction system for Internet of Things [J]. IEEE transactions on industrial informatics， 2022， 18（2）： 1282?1290.

[5] 王春枝，邢紹文，高榕，等.基于預訓練交互式圖神經網絡的多元時間序列異常檢測[J].中南民族大學學報（自然科學版），2023，42（4）：541?550.

[6] JIANG J， LIU F， NG W W Y， et al. AERF： adaptive ensemble random fuzzy algorithm for anomaly detection in cloud computing [J]. Computer communications， 2023， 200： 86?94.

[7] 朱威，譙先鋒，陳藝楷，等.多步積累獎勵的雙重時序Q網絡算法[J].控制理論與應用，2022，39（2）：222?230.

[8] 程思強，李曉戈，李顯亮.基于日志多特征融合的無監督異常檢測算法[J].小型微型計算機系統，2023，44（12）：2727?2733.

[9] 曾閩川，方勇，許益家.基于聯邦遷移學習的應用系統日志異常檢測研究[J].四川大學學報（自然科學版），2023，60（3）：85?92.

[10] 鄧春華，周勇.基于LSTM?SVM模型的ES多變量時序異常檢測[J].計算機仿真，2023，40（3）：471?475.

[11] 相富鐘，趙慶海.基于LSTM模型的光通信網絡數據傳輸負載預測方法[J].激光雜志，2023，44（2）：154?158.

[12] 鄭圣彬，謝加良，張東曉.基于LSTM?WGAN的時間序列數據異常檢測[J].福建師范大學學報（自然科學版），2024，40（2）：36?45.

[13] 尹聰，胡漢平.基于時間注意力機制的時滯混沌系統參數辨識模型[J].計算機應用，2023，43（3）：842?847.

作者簡介：鄭艷松（1980—），男，湖南永州人，碩士研究生，講師，研究方向為計算機應用技術、大數據。

廖偉國（1981—），男，湖北天門人，碩士研究生，副教授，研究方向為計算機應用技術、人工智能。