基于長短期記憶網(wǎng)絡(luò)和滑動窗口的流數(shù)據(jù)異常檢測方法

仇 媛，常相茂*，仇 倩，彭 程，蘇善婷

（1.南京航空航天大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，南京211106； 2.河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院，天津300401）

（?通信作者電子郵箱xiangmaoch@nuaa.edu.cn）

0 引言

隨著傳感器、監(jiān)視測量技術(shù)的廣泛應(yīng)用和網(wǎng)絡(luò)交易、安全監(jiān)控、電信管理等應(yīng)用的不斷發(fā)展，產(chǎn)生了大量高速實(shí)時數(shù)據(jù)的無界序列，稱為數(shù)據(jù)流。這些數(shù)據(jù)流中的數(shù)據(jù)被稱為流數(shù)據(jù)［1-2］。在對流數(shù)據(jù)的分析處理中，異常檢測一直是被廣大研究人員重點(diǎn)關(guān)注的領(lǐng)域，特別是工業(yè)設(shè)備的監(jiān)控、軍事項目管理或是網(wǎng)絡(luò)安全監(jiān)測等，如果異常沒有被及時發(fā)現(xiàn)，更是可能會造成破壞性的后果［3］。現(xiàn)階段，流數(shù)據(jù)的大量增加也為數(shù)據(jù)的異常檢測提出了新的要求。

流數(shù)據(jù)通常數(shù)量巨大且生成迅速，因此要求針對它的異常檢測方法必須是實(shí)時的；其次，系統(tǒng)的統(tǒng)計數(shù)據(jù)可能會隨著時間的推移而發(fā)生變化，這種現(xiàn)象被稱為概念漂移［1］。傳統(tǒng)的利用正常數(shù)據(jù)訓(xùn)練完成的模型進(jìn)行異常檢測的方法不再適用，模型必須做到及時更新來保證模型的檢測有效。本文提出了一種基于長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)的異常檢測方法，通過LSTM網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測和異常識別，并利用滑動窗口對預(yù)測差值進(jìn)行分布建模，為每個數(shù)據(jù)分配更加精準(zhǔn)的異常分?jǐn)?shù)，從而實(shí)現(xiàn)更加精準(zhǔn)的異常檢測。

異常是與歷史模式不一致或偏離預(yù)期的一般比較罕見的事件，以至于懷疑它是由與正常數(shù)據(jù)不同的機(jī)制產(chǎn)生的，而異常值檢測就被定義為“發(fā)現(xiàn)”這些與其他觀察結(jié)果偏離的觀察結(jié)果。到目前為止，異常檢測的方法有很多。根據(jù)檢測類別的不同可以將異常檢測分為異常序列檢測、異常子序列檢測和單個異常點(diǎn)檢測［4］，因?yàn)橄胍页隽鲾?shù)據(jù)中的異常點(diǎn)，且為每個數(shù)據(jù)分配一個合理的異常分?jǐn)?shù)來展示它是異常的可能性，所以本文要實(shí)現(xiàn)的是單個異常點(diǎn)的檢測。此外，根據(jù)檢測方法的不同［5］，異常檢測還可以分為基于統(tǒng)計的檢測方法［6-7］、基于距離的檢測方法［8-9］、基于密度的檢測方法［10-11］、基于聚類的檢測方法［12-13］、基于分類的檢測方法［14-15］等。這些方法各自有各自的優(yōu)勢和適用領(lǐng)域，但正如之前所說，絕大多數(shù)異常檢測算法適用于批量處理數(shù)據(jù)，而由于流數(shù)據(jù)生成迅速、數(shù)量龐大和概念漂移的特點(diǎn)，這些傳統(tǒng)的異常檢測方法不能直接應(yīng)用于流數(shù)據(jù)。

當(dāng)然，近幾年也提出了一些針對流數(shù)據(jù)的異常檢測方法。一些在線異常檢測方法，如大多數(shù)聚類算法、分布式分組匹配算法［16］、數(shù)據(jù)流多類學(xué)習(xí)算法［17］等，雖然可以滿足流數(shù)據(jù)異常檢測所需的實(shí)時性，但它們無法解決流數(shù)據(jù)的概念漂移問題。此外，Yu等［18］根據(jù)網(wǎng)絡(luò)流量模式變化的特點(diǎn)提出了針對于交通模式變化的異常檢測方法，該算法基于半監(jiān)督技術(shù)，利用數(shù)據(jù)流模型訓(xùn)練檢測模型來進(jìn)行檢測。這屬于針對特定領(lǐng)域開發(fā)的基于模型的方法，需要明確的領(lǐng)域知識，適用性不高，不易推廣。卡爾曼濾波技術(shù)也屬于特定領(lǐng)域的方法，因?yàn)樗枰鄳?yīng)領(lǐng)域的知識來調(diào)整參數(shù)并選擇對應(yīng)的殘差模型［19］。除此之外，還有一些輕量級的統(tǒng)計方法，比如指數(shù)平滑［20］、變換點(diǎn)檢測［21］等，但這些方法大都集中檢測空間異常，在具有時間依賴性的應(yīng)用中可用性不高，而針對時間序列建模的整合移動平均自回歸模型（Autoregressive Integrated Moving Average model，ARIMA）［22］是用季節(jié)性來進(jìn)行時態(tài)數(shù)據(jù)建模，適合常規(guī)的每日或每周模式檢測數(shù)據(jù)中的異常，但如果數(shù)據(jù)沒有這種季節(jié)周期性就不再適用。

基于此，本文提出了一種基于LSTM網(wǎng)絡(luò)和滑動窗口的異常檢測方法。LSTM是神經(jīng)網(wǎng)絡(luò)的一種，可以進(jìn)行數(shù)據(jù)預(yù)測，相較于其他網(wǎng)絡(luò)，LSTM可以快速學(xué)習(xí)數(shù)據(jù)的新特征，實(shí)時更新調(diào)整網(wǎng)絡(luò)，保證模型的有效性，避免因流數(shù)據(jù)概念漂移問題導(dǎo)致的神經(jīng)網(wǎng)絡(luò)預(yù)測不準(zhǔn)確。此外，選取一個滑動窗口，將窗口內(nèi)所有差值進(jìn)行分布建模來為每個數(shù)據(jù)分配異常分?jǐn)?shù)，可以直觀地觀察每個數(shù)據(jù)是異常的可能性大小。

1 模型構(gòu)建

1.1 方法模型

用xt表示t時刻模型接收到的實(shí)時數(shù)據(jù)，xt可能是來自于傳感器網(wǎng)路的傳感器數(shù)據(jù)、各種服務(wù)器的CPU使用率、零售業(yè)交易數(shù)據(jù)、帶寬的測量值等，因此，模型的輸入為xt，xt+1，xt+2，…。

本文所要解決的問題就是如何檢測流數(shù)據(jù)中的異常數(shù)據(jù)，以及如何使數(shù)據(jù)分析人員可以更加直觀地觀察出每個數(shù)據(jù)的異常可能性。為了定義該異常可能性，本方法為每一個輸入數(shù)據(jù)xt分配異常分?jǐn)?shù)ASt（ASt∈[0，1]），ASt越大，xt為異常數(shù)據(jù)的可能性就越大。為了標(biāo)記異常數(shù)據(jù)，為每一個輸入數(shù)據(jù)xt分配異常屬性值at，將得到的異常分?jǐn)?shù)ASt跟閾值T比較：大于閾值則xt為異常數(shù)據(jù)，at=1；否則，xt為正常數(shù)據(jù)，at=0。at為xt是否為異常的判斷輸出，僅有0或1兩個取值。

1.2 LSTM網(wǎng)絡(luò)

LSTM是神經(jīng)網(wǎng)絡(luò)的一種，神經(jīng)網(wǎng)絡(luò)是一種通過自身相互連接的神經(jīng)元們來進(jìn)行函數(shù)近似，從而進(jìn)行機(jī)器學(xué)習(xí)或模式識別的自適應(yīng)系統(tǒng)。它可以通過輸入大量訓(xùn)練數(shù)據(jù)進(jìn)行多次迭代來調(diào)整自身參數(shù)，得到一個學(xué)習(xí)到訓(xùn)練數(shù)據(jù)特征的模型。當(dāng)有新數(shù)據(jù)輸入該模型時，模型便可根據(jù)參數(shù)計算相應(yīng)的輸出，完成分類或是預(yù)測任務(wù)。神經(jīng)網(wǎng)絡(luò)通常由輸入層、隱含層和輸出層組成，參數(shù)調(diào)整指的便是各個層之間神經(jīng)元的連接函數(shù)中參數(shù)的改變。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，如循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），隱含層只有一個狀態(tài)，對短期的輸入十分敏感，存在梯度消失的問題，不適合處理長序列數(shù)據(jù)，特別是時間序列數(shù)據(jù)。LSTM網(wǎng)絡(luò)在隱含層中層加了一個狀態(tài)來存儲長期狀態(tài)，避免了RNN的梯度消失。因此，LSTM特別適合處理時間序列數(shù)據(jù)，廣泛應(yīng)用于時間序列數(shù)據(jù)的預(yù)測和異常檢測［23］。

LSTM單元的邏輯架構(gòu)示意圖如圖1所示。當(dāng)t時刻的數(shù)據(jù)xt輸入LSTM時，便與t-1時刻的長期狀態(tài)c t-1和輸出h t-1一起作為輸入?yún)⑴c運(yùn)算，得到t時刻LSTM的輸出h t，h t經(jīng)過維度轉(zhuǎn)化后便為所求的t時刻的預(yù)測數(shù)據(jù)。

圖1 LSTM單元邏輯架構(gòu)示意圖Fig.1 Schematic diagramof LSTMunit logical architecture

LSTM的關(guān)鍵之處就在于控制長期狀態(tài)c t，令網(wǎng)絡(luò)的每一個輸出都是長期狀態(tài)參與運(yùn)算之后的結(jié)果，避免梯度消失問題。為此，LSTM設(shè)置了3個門：遺忘門、輸入門和輸出門。先是遺忘門，它用來控制LSTM是否以一定概率遺忘上一層隱藏細(xì)胞狀態(tài)。其次是輸入門，它用來處理當(dāng)前序列位置的輸入，當(dāng)前時刻的單元狀態(tài)c t在該階段得到更新，c t的計算公式如式（1）所示：

經(jīng)過這個階段，LSTM當(dāng)前記憶與長期記憶組合完成了單元狀態(tài)c t的更新。最后是輸出門，它用來計算當(dāng)前序列位置的輸出，在該階段，計算當(dāng)前時刻的輸出h t，h t的計算公式如式（2）所示：

輸出門和單元狀態(tài)c t共同確定了LSTM的輸出。

圖1僅是LSTM單元的邏輯架構(gòu)圖，實(shí)際上每處運(yùn)算均由λ個神經(jīng)元參與（λ為隱含層神經(jīng)元的數(shù)量），LSTM的輸出也為λ維向量，因此，LSTM模型需要最后連接一個全連接層，將LSTM層的輸出進(jìn)行維度變化，使結(jié)果呈現(xiàn)想要的維度。

與其他神經(jīng)網(wǎng)絡(luò)相同，堆疊隱含層可以使模型更加深入，從而得到更加準(zhǔn)確的輸出。多個LSTM層組成的LSTM模型稱為堆疊式LSTM模型，其模型結(jié)構(gòu)如圖2所示。

圖2 堆疊式LSTM模型結(jié)構(gòu)Fig.2 Stacked LSTMmodel structure

2 方法設(shè)計

為了解決1.1節(jié)中提出的問題，本文提出了基于LSTM和滑動窗口的流數(shù)據(jù)異常檢測方法SDLS（Stream data anomaly Detection method based on LSTM and Sliding window）。運(yùn)用LSTM網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測，且由于LSTM單元具有遺忘門，網(wǎng)絡(luò)可以快速學(xué)習(xí)數(shù)據(jù)的新特征，實(shí)時更新調(diào)整網(wǎng)絡(luò)，避免因流數(shù)據(jù)概念漂移問題導(dǎo)致的神經(jīng)網(wǎng)絡(luò)預(yù)測不準(zhǔn)確。此外，對于每一個數(shù)據(jù)，本方法不直接將預(yù)測差值作為其異常分?jǐn)?shù)，而是選取一個合適大小的滑動窗口，將窗口內(nèi)所有差值進(jìn)行分布建模，再根據(jù)差值在分布內(nèi)的概率密度值來分配當(dāng)前數(shù)據(jù)的異常分?jǐn)?shù)大小，解決流數(shù)據(jù)概念漂移問題導(dǎo)致的異常分?jǐn)?shù)匹配不合理現(xiàn)象。圖3顯示了SDLS的架構(gòu)。

圖3 SDLS方法整體架構(gòu)示意圖Fig.3 Schematic diagramof overall architectureof SDLSmethod

2.1 預(yù)測差值計算

本文選擇堆疊式LSTM網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測。LSTM的預(yù)測過程如下所示：

1）xt作為輸入進(jìn)入第一個LSTM層；

2）xt與h t-1，1進(jìn)行連接，得到 [xt，h t-1，1]，[xt，h t-1，1]與矩陣W(f1)進(jìn)行矩陣點(diǎn)乘，得到結(jié)果矩陣f t，1，f t，1再進(jìn)行 sigmod操作，得到 sigmod(f t，1)。

3）[xt，h t-1，1]與矩陣W(i1)進(jìn)行矩陣點(diǎn)乘，得到結(jié)果矩陣i t，1，i t，1再進(jìn)行 sigmod 操作，得到 sigmod(i t，1)；[xt，h t-1，1]與矩陣W(j1)進(jìn)行矩陣點(diǎn)乘，得到結(jié)果矩陣j t，1，j t，1再進(jìn)行 tanh 操作，得到 tanh(j t，1)；最后根據(jù)式（1）計算當(dāng)前時刻的單元狀態(tài)c t，1。

4）[xt，h t-1，1]與矩陣W(o1)進(jìn)行矩陣點(diǎn)乘，得到結(jié)果矩陣o t，1，o t，1再進(jìn)行 sigmod 操作，得到 sigmod(o t，1)。最后根據(jù)式（2）計算當(dāng)前時刻的輸出h t，1。

5）h t，1作為輸入傳入第下一個LSTM層，重復(fù)進(jìn)行步驟2）～4），直到得到h t，m（m為LSTM隱含層的層數(shù)）。

6）h t，m輸入全連接層，進(jìn)行維度轉(zhuǎn)換，得到t+1時刻的預(yù)測輸出xˉt+1。

2.2 異常分?jǐn)?shù)計算

通常情況下，計算預(yù)測值xˉt與實(shí)際值xt的差值dt，將差值d t轉(zhuǎn)化為統(tǒng)一度量的異常分?jǐn)?shù)ASt（ASt∈[0，1]），dt越大，異常分?jǐn)?shù)ASt越大，然后將異常分?jǐn)?shù)與規(guī)定的閾值T比較，大于T的為異常數(shù)據(jù)。但是，由于流數(shù)據(jù)的概念漂移現(xiàn)象，正常數(shù)據(jù)和異常數(shù)據(jù)的模式都會發(fā)生變化，單純地將以差值的大小來計算異常分?jǐn)?shù)會使得發(fā)生概念漂移之后的異常分?jǐn)?shù)不準(zhǔn)確。因此，選取一個合適大小的滑動窗口，將滑動窗口區(qū)間內(nèi)差值序列建模為正態(tài)分布，再計算差值dt在該分布內(nèi)的概率密度值作為xt的異常分?jǐn)?shù)ASt。這樣，xt的異常分?jǐn)?shù)取決于在t時刻及其之前一段時間內(nèi)的預(yù)測差值分布，異常分?jǐn)?shù)的分配可以隨著流數(shù)據(jù)的變化而變化，準(zhǔn)確性更高。

對于每一個數(shù)據(jù)xt，計算異常分?jǐn)?shù)首先要為其選取合適大小的滑動窗口。因?yàn)楫惓?shù)據(jù)的出現(xiàn)通常代表數(shù)據(jù)出現(xiàn)與之前不一致的模式，本方法選取倒數(shù)第n個異常所在時刻tan到t時刻的區(qū)間作為建模分布的區(qū)間，即[tan，t]。維持這個區(qū)間可以令滑動窗口區(qū)間內(nèi)差值序列的分布建模更加符合流數(shù)據(jù)的實(shí)時數(shù)據(jù)模式，從而得到更加適合的分布函數(shù)。然而，如果某段時間內(nèi)出現(xiàn)連續(xù)不斷的異常，那么最后n個異常所在區(qū)間會非常小，用該區(qū)間進(jìn)行建模也會令得到的分布函數(shù)因數(shù)據(jù)量過小而準(zhǔn)確率不高，因此，本方法規(guī)定了滑動窗口的最小長度l，如果tan≥t-l，則選取[t-l，t]作為滑動窗口的區(qū)間范圍。滑動窗口的選取有兩個標(biāo)準(zhǔn)：第一個標(biāo)準(zhǔn)是t時刻之前最后n個異常所在的區(qū)間[tan，t]；第二個標(biāo)準(zhǔn)為t時刻之前固定長度的區(qū)間[t-l，t]，t'=min{tan，t-l}，[t'，t]作為最終的滑動窗口區(qū)間。

舉例來說明該過程。圖4為一個時間序列異常分?jǐn)?shù)的分布示意圖，令閾值T為0.5，則AS值在虛線以上的數(shù)據(jù)為異常數(shù)據(jù)。令t=50，n=10，l=30，則按照第一個標(biāo)準(zhǔn)選出的滑動窗口區(qū)間是50 s之前最后10個異常所在的區(qū)間，即為圖中S2區(qū)間；按照第二個標(biāo)準(zhǔn)選出的滑動窗口區(qū)間是20～50 s區(qū)間，即圖中S1區(qū)間，因?yàn)?0 s＜30 s，本文取［20 s，50 s］作為最終的滑動窗口區(qū)間。

圖4 計算t=50時數(shù)據(jù)的異常分?jǐn)?shù)時按照兩個標(biāo)準(zhǔn)選取的滑動區(qū)間Fig.4 Sliding intervals selected according to two criterias when calculating abnormal score of data at time t=50

選擇好滑動窗口后，計算[t'，t]區(qū)間內(nèi)差值序列[d t'，dt]的平均值μ和方差σ2，再用μ與σ2進(jìn)行正態(tài)分布建模，得到F(x)=N～(μ，σ2)，再計算差值d t在該分布內(nèi)的概率密度值F(dt)，F(xiàn)(dt)便為xt的異常分?jǐn)?shù)ASt。

確定完異常分?jǐn)?shù)后，將異常分?jǐn)?shù)與閾值T進(jìn)行比較，大于閾值是異常數(shù)據(jù)，否則為正常數(shù)據(jù)。由此，完成了異常數(shù)據(jù)的識別。

綜上，異常數(shù)據(jù)檢測算法的偽代碼如下所示。

算法1 異常數(shù)據(jù)檢測。

輸入 流數(shù)據(jù)序列xt，xt+1，…；

輸出流數(shù)據(jù)異常判定序列：at，at+1，…，ai∈{0，1}（0為正常，1為異常），及流數(shù)據(jù)異常分?jǐn)?shù)序列ASt，ASt+1，…。

1）將 流 數(shù) 據(jù) 序 列xt，xt+1，… 輸 入 LSTM，得 到 預(yù) 測 數(shù) 據(jù)，，…

2）計算預(yù)測差值，di=|xˉi-xi|，i=t，t+1，…

3）記錄最初的n個異常值所在時刻：h0，h1，…，hn-1，此時直接將預(yù)測差值d轉(zhuǎn)化為異常分?jǐn)?shù)AS再與閾值比較來判斷是否為異常值。

3 實(shí)驗(yàn)驗(yàn)證

本文使用液壓系統(tǒng)狀態(tài)檢測數(shù)據(jù)集［24］中的壓力傳感器數(shù)據(jù)來評估本文方法的性能。該數(shù)據(jù)集是用液壓實(shí)驗(yàn)臺實(shí)驗(yàn)獲得的，實(shí)驗(yàn)臺由一個主要工作和一個二次冷卻過濾回路組成，它們通過油箱連接。系統(tǒng)每60 s一個循環(huán)，同時測量循環(huán)過程中的壓力、溫度等數(shù)據(jù)值，在系統(tǒng)運(yùn)行過程中，4個液壓部件（冷卻器、閥門、泵和蓄能器）的狀態(tài)會發(fā)生改變，數(shù)據(jù)的走勢也會隨之發(fā)生改變。

首先將數(shù)據(jù)輸入LSTM來得到預(yù)測數(shù)據(jù)，本實(shí)驗(yàn)所用LSTM含有3個隱含層，其中的神經(jīng)元個數(shù)分別為128、64、16，時間步長設(shè)置為150。傳感器數(shù)據(jù)通常包含三種噪聲［25］，本文在原始數(shù)據(jù)中添加這三種類型噪聲制造含噪聲數(shù)據(jù)，之后將含噪聲數(shù)據(jù)輸入LSTM，并改變噪聲百分比來評估LSTM的預(yù)測精度，本文使用式（3）來評估訓(xùn)練的SDAE的擬合精度，Acu越大說明準(zhǔn)確率越高。

其中：xt為原始數(shù)據(jù)，xˉt是LSTM通過含噪聲數(shù)據(jù)預(yù)測的數(shù)據(jù)，L為時間序列長度。通過圖5可以看到，雖然隨著噪聲百分比的增大，Acu也隨之下降變大，但Acu始終在90%以上，說明LSTM預(yù)測擬合數(shù)據(jù)的能力很好。

圖5 LSTM在不同噪聲百分比下預(yù)測擬合數(shù)據(jù)的AcuFig.5 Acu of fitted data predicted by LSTM at different noise percentages

通過圖6，可以直觀地看到LSTM的預(yù)測能力，它可以很好地預(yù)測數(shù)據(jù)且可以很大程度上避免噪聲的影響，因此，它的預(yù)測差值可以用來檢測異常值。

在實(shí)驗(yàn)中，設(shè)置l=80，n=20，T=0.5，若ASt≥ 0.5則說明xt為異常值。

為了評估檢測SDLS檢測異常數(shù)據(jù)、確定異常分?jǐn)?shù)的能力，本文將SDLS與直接差值異常檢測法（Predicted Difference，PD）和另一種應(yīng)用于流數(shù)據(jù)的異常檢測方法——異常數(shù)據(jù)分布建模法（Abnormal Data distribution Modeling，ADM）［19］進(jìn)行比較，PD直接將預(yù)測差值的大小轉(zhuǎn)化為異常分?jǐn)?shù)，預(yù)測差值越大，則異常分?jǐn)?shù)越大。ADM為另一種用滑動窗口內(nèi)的預(yù)測差值進(jìn)行分布建模計算異常分?jǐn)?shù)的方法，但ADM進(jìn)行分布建模時僅考慮窗口內(nèi)那些已經(jīng)被判定為異常的數(shù)據(jù)，并且使用Q函數(shù)來計算異常分?jǐn)?shù)。本文使用曲線下面積（Area Under Curve，AUC）來評估算法的性能，這是一種廣泛使用的度量標(biāo)準(zhǔn)，用于評估離群值檢測的性能［26］。當(dāng)AUC較大時，算法的性能更好。

圖6 LSTM對含噪聲數(shù)據(jù)進(jìn)行預(yù)測的效果Fig.6 Effect of LSTM predicting noisy data

圖7顯示了三種方法在應(yīng)用于具有不同噪聲百分比的數(shù)據(jù)時檢測異常數(shù)據(jù)的性能比較，可以看到，SDLS一直優(yōu)于其他兩種方法。SDLS的平均AUC值與PD和ADM相比分別提高了0.187和0.05（SDLS方法的平均值為0.915 527，PD方法的平均值為0.865 537，ADM方法的平均值為0.728 742）。ADM表現(xiàn)不佳，因?yàn)锳DM僅對異常數(shù)據(jù)進(jìn)行分布建模，適用于有大量嘈雜的異常數(shù)據(jù)的應(yīng)用，因此在異常數(shù)據(jù)較少時，AUC值不高。

圖7 三種流數(shù)據(jù)異常檢測方法的AUC性能對比Fig.7 AUCperformancecomparison of threestreamdata anomaly detection methods

4 結(jié)語

針對流數(shù)據(jù)存在概念漂移的問題，本文提出了一種基于LSTM和滑動窗口的流數(shù)據(jù)異常檢測方法SDLS。首先通過LSTM進(jìn)行數(shù)據(jù)預(yù)測求出預(yù)測差值，再將滑動窗口內(nèi)的差值序列進(jìn)行分布建模，動態(tài)地為每個數(shù)據(jù)分配更加合適的異常分?jǐn)?shù)，提高流數(shù)據(jù)異常檢測的準(zhǔn)確率。本文利用真實(shí)實(shí)驗(yàn)數(shù)據(jù)構(gòu)造含有噪聲的測試數(shù)據(jù)，利用基于測試數(shù)據(jù)的實(shí)驗(yàn)驗(yàn)證了該方法的有效性。