一.标题
基于深度学习的时序数据异常检测算法研究
二.时间
2021年
三.关键字
- 深度学习 deep learning
- 时序数据异常检测 anomaly detection of time series data
- 自编码器 autoencoder
- 生成对抗网络 generative adversarial networks
四.作者
吴飘
五.文章来源
大连理工大学硕士毕业论文
六.摘要Abstract（介绍作者在做什么 / 知道作者要研究什么）
1.研究背景
2.作者做这个研究的原因
3.作者要解决的问题
针对时序数据类别不平衡、多特征间的相关性及时间的依赖性等特殊性质带来的挑战，由于由多传感器所监控的设备，时间序列数据以多特征的形式被记录，因此要求异常检测模型需要具备较强的特征学习能力和异常诊断能力。
4.作者解决这个问题的方法
提出两种基于深度生成模型的时序数据异常检测算法：
1.基于改进的自编码器网络的时序数据异常检测模型：该模型主要由卷积神经网络、长短期记忆网络和残差损失函数构成。首先使用卷积神经网络来学习多特征之间的相关性，其次使用长短期记忆网络来捕获序列之间的相关性，并且在此基础上引入注意力机制来避免序列长度增加可能带来的模型性能恶化问题，然后使用残差损失来检测和诊断异常
2.基于优化的生成对抗网络的时序数据异常检测模型：该模型在传统生成对抗网络的基础上，将时间信息作为附加条件引入到生成对抗网络中，解决传统生成对抗网络可能误判的三种情况，从而提高模型的检测效果。
5.作者模型的效果
与传统的生成对抗网络的对比实验表明，添加时间信息的生成对抗网络具有更好的检测效果
6.结论Conclusion（结论是把摘要里面提出的问题用一些实际的结论、数字证明一下）
七.引言Introduction
1.研究方向的背景 / 作者为什么要研究这个课题
为了监控应用程序的健康情况、降低操作风险和减轻操作工程师的监控负担，一个具有健壮性的时序异常检测算法是被迫切需要的。除了基于传统统计和概率模型的方法和基于邻近的方法外，在计算机科学领域已经有了大量从计算机角度研究时序数据异常检测的工作，特别是基于机器学习的研究方法，然而，由于时序数据特殊的性质：特征之间存在潜在的相关性、时序数据的时间依赖性和时序数据中类别不均衡等性质，都使得基于传统统计和概率模型的方法、基于邻近的方法和基于传统机器学习的异常检测算法在处理时序数据方面显得力不从心。针对上述存在的问题，可以考虑使用深度学习技术来逐一解决，深度学习在处理多特征之间的相关性、捕获时间依赖性和数据类别不均衡等方面已经有了较成熟的研究，所以借助于深度神经网络的技术对时序数据进行异常检测分析具有一定的研究意义。
2.研究现状摘要的第一段扩充 (别人在这个方向上做的相关工作，指出相关工作的局限性 / 目前该课题的研究进行到了哪一步，有什么缺陷)
3.作者要解决的问题是什么
4.作者为什么要解决这个问题（作者研究这个问题的原因）
5.作者提出的模型
6.作者的模型是怎么解决问题的（作者的模型在做什么事情)
7.作者的创新点
八.相关工作
1.在作者的研究方向上别人的论文是怎么做的 / 和作者这篇论文相关的工作有哪些
2.之前工作的优缺点是什么
3.作者对之前的哪个工作进行改进
4.之前的工作和作者的联系是什么
5.之前的工作跟自己的区别是什么
九.作者提出的模型
十.实验experiments（作者是怎么通过实验证明自己的模型解决了问题）
1.数据集
2.实验结果：图和表是怎么证明作者解决了问题
3.实验的步骤
4.每个步骤得出的结论
5.评价指标是什么
6.作者的模型在哪些指标上好，在哪些指标不好
7.作者和什么方法进行了对比，差距是什么
