基于GAT-GRU的增量式KPI时序数据异常检测模型

摘要：

互联网软硬件系统的运行状态通常由关键性能指标KPI刻画,相应的多维时序数据为异常检测和智能运维提供了支撑.这些数据的特征间依赖关系和特征动态变化给异常检测算法带来了挑战.本文利用图神经网络和循环神经网络,构建了具有连续学习能力的异常检测模型.其中,异常检测模块使用并列的GRU和GAT提取正常数据的时间依赖性与特征相关性,然后使用多层感知机进行数据重构,这种非对称的编码-解码机制支持稳定的异常检测.增量学习模块基于A-GEM算法进行参数更新,在适应新数据的同时保证模型兼容性.使用四个真实运维数据进行了实验,结果表明,本文模型对高维KPI时序数据异常检测有较好表现.

关键词：异常检测、时序数据、增量学习、图神经网络、循环神经网络、智能运维

所属期刊栏目：48

分类号：TP311.13(计算技术、计算机技术)

资助基金：中央引导地方科技发展专项项目2021ZYD0003

在线出版日期：2023-09-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：55-63